CN114916013B - 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 - Google Patents
基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 Download PDFInfo
- Publication number
- CN114916013B CN114916013B CN202210501449.0A CN202210501449A CN114916013B CN 114916013 B CN114916013 B CN 114916013B CN 202210501449 A CN202210501449 A CN 202210501449A CN 114916013 B CN114916013 B CN 114916013B
- Authority
- CN
- China
- Prior art keywords
- task
- vehicle
- data
- grid
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims description 30
- 230000033001 locomotion Effects 0.000 claims abstract description 33
- 230000008093 supporting effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 4
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 16
- 238000002360 preparation method Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000001976 improved effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质，包括：车辆向邻近边缘服务器发起任务卸载请求，并在获得通过后开始上传任务数据；且随着车辆的移动，不断切换RSU把任务数据上传到近邻边缘服务器；SDN控制器预知任务数据的上传完成时间，并根据车辆行驶轨迹预测车辆在任务上传完成时所处区域，根据所处区域确定候选执行节点；SDN控制器把分散上传的任务数据汇集到各候选执行节点，并为各候选执行节点的边缘服务器调度支撑数据；每个候选执行节点在获得任务数据和支撑数据时，执行任务并向车辆发送任务执行结果，车辆任务卸载完成。本发明可以实现车辆任务卸载在边缘服务器之间无感切换。
Description
技术领域
本发明属于边缘任务卸载优化领域，具体涉及一种基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质。
背景技术
随着信息技术的快速发展，诸如自动驾驶、车载虚拟现实等车载智能新型应用不断涌现，这些新兴应用需要较大的计算量和数据量。由于车辆的计算资源有限，这些新兴应用的计算任务往往无法在本地完成。云计算也难于满足这些新兴应用的需求，因为云中心服务器距离车辆较远，车辆的数据传输延迟较高。车载边缘计算(VEC)正是解决这些新兴应用需求的有效方案，通过将服务器放置在靠近车辆的地方，形成车载边缘网络，为车辆提供高强度计算和低延迟数据获取服务。
在车载边缘网络(VEC)中，由于路侧单元(RSU)的无线信号覆盖范围有限，当正在卸载任务的车辆离开当前的RSU无线信号覆盖范围时，车辆用户将停止与当前边缘服务器的任务卸载操作，切换到新的服务器继续卸载任务。这种由车辆移动导致服务器切换而引起的任务卸载中断问题不容忽视，容易导致任务卸载失败或者处理时间延长。
VEC服务器在为车辆执行任务时，除了需要来自车辆自身上传的任务数据，往往还需从其他车辆或者服务器获取任务执行所需的其他数据。如针对交通导航的计算请求，不仅需要请求车辆所在区域的交通数据，还需要周边区域的交通数据。因此，任务执行所需要的数据不仅需要任务请求者自身上传的数据，还需要一些支撑任务执行成功的数据，如数据库、链接库文件、缓存数据、其他车辆的感知数据等，这些支撑可以从边缘服务器、云服务器或者其他车辆获取。由此可见，任务卸载时延包含四个部分，即任务数据上传时间T1、任务执行所需支撑数据的获取时间T2、任务执行时间T3、计算结果返回时间T4。由于一个任务的数据量和处理量是恒定的，T1和T3往往难于优化。同时，任务结果数据量往往较少，任务结果返回时延T4可忽略。因此，任务卸载时延的优化目标落到任务执行准备时间T2上面。
由于车辆自身计算资源不足，可以将任务卸载到资源较为丰富边缘服务器或者云端上执行，能够在较短的时间内返回计算结果，从而满足时延敏感型任务的需求。然而，与传统边缘计算不同的是，车辆的高速移动会导致网络拓扑结构不断变化，导致车辆在任务卸载过程中频繁的切换服务器，造成任务中断或时延增大。如何在车载边缘计算中通过有效的调度方案降低任务卸载的时间延迟，从而提高用户的服务质量是当前研究的一个热点。
Ren[1]等人以移动设备时延最小为目标，并将通信与计算资源分配问题转化为等价的凸优化问题，利用凸优化理论得到资源分配策略。Guo[2]等人以最小化终端能耗为目标，将计算卸载描述为混合整数非线性规划问题并通过遗传算法和粒子群优化算法求解最优决策。Chen[3]等人以保证平均队列长度的同时最小化任务卸载的能量消耗为目标，将原始随机问题转化为确定性优化问题，提出了一种高效节能的动态卸载算法实现在多项式时间内求解出节能的任务卸载决策。Lyu[4]等人以任务时延和移动设备能耗为优化目标，将任务卸载问题简化为子模最大化问题，并将其分解为通信和计算资源优化凸优化问题和卸载决策的子模集函数优化问题。Huang[5]等人提出了一个基于深度强化学习的在线卸载方法，它避免了求解组合优化问题的需要，从而大大降低了计算卸载决策的复杂度。上述研究往往假设任务能一次性卸载到边缘服务器，没有考虑到任务上传数据量较大时车辆移动对任务卸载决策的影响。车辆的高速移动导致网络拓扑结构与状态不断发生改变，静态的任务卸载决策方案不能很好地满足VEC任务卸载需求。
为了研究车辆移动对任务卸载的影响，一些研究工作选择对车辆的轨迹进行预测以协助任务的服务器切换或卸载。J[8]等人通过对车辆行驶历史轨迹进行频繁项集的挖掘从而对车辆的移轨迹进行预测。这种方式需要对车辆的历史轨迹进行聚类，但由于车辆行驶轨迹非常密集且每次数据更新都需要重新挖掘，导致该方法实际效果不理想。Al-Ayyoub[9]等人通过马尔可夫模型预测车辆位置协助任务任务卸载，但马尔可夫模型擅长处理短序列，且随着网络拓扑结构变化状态空间急剧增大，算法的时间复杂度很高。
随着深度学习的兴起，给车辆移动预测带来了新的研究可能，然而传统的循环神经网络(RNN)存在梯度爆炸问题不能很好处理序列的长期依赖，长短期记忆网络(LSTM)是RNN的一种，它解决了反向传播的梯度消失问题，适合于处理时间序列高度相关的问题。F.Altché[10]等人建立LSTM网络在真实的车辆行驶历史轨迹训练学习车辆的移动性规律辅助驾驶，为车辆真实轨迹预测奠定了基础。
发明内容
本发明提供一种基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质，可以实现车辆任务卸载在边缘服务器之间无感切换。
为实现上述技术目的，本发明采用如下技术方案：
一种基于车辆轨迹预测的边缘任务卸载时延优化方法，包括：
车辆向邻近边缘服务器发起任务卸载请求，并在获得通过后开始上传任务数据；且随着车辆的移动，不断切换路侧单元把任务数据上传到车辆所处位置近邻的边缘服务器；
SDN控制器根据车辆的任务卸载请求中包括的任务数据量，预知任务数据的上传完成时间；并根据车辆行驶轨迹，预测车辆在任务上传完成时所处的区域网格，根据所处的区域网格确定候选执行任务的边缘服务器；
SDN控制器把车辆分散上传到各边缘服务器的任务数据，汇集到每个候选执行任务的边缘服务器，并在任务上传的同时且在任务上传完成之前，为每个候选执行任务的边缘服务器调度用于执行任务的支撑数据；
每个候选执行任务的边缘服务器，在获得所有任务数据和支撑数据时，执行任务并向车辆发送任务执行结果，车辆任务卸载完成。
进一步地，采用基于Bi-LSTM网络结构的预测网络，根据车辆行驶轨迹预测车辆在任务上传完成时所处的区域。
进一步地，所述预测网络输入的车辆行驶轨迹，是将车辆行驶的经纬度轨迹按照地图网格离散化得到的网格编码序列；所述预测网络预测得到的区域，为地图网格中的某个网格对应的区域；所述地图网格，是通过将经纬度离信息散化对应地图的网格坐标，然后对各网格编码得到。
进一步地，根据所处的区域确定候选执行任务的边缘服务器的方法为：
首先，预测偏差的定义为：通过BI-LSTM网络得到的预测区域网格为(prix，priy)，对应的真实区域网格为(relx，rely)，则预测偏差值r定义为预测区域网格与真实区域网格之间的网格距离，如式：
如果预测区域网格与真实区域网格之间网格距离为r，则称预测偏差称为r类偏差，任何预测误差只能属于某一类，也即有唯一的r值，r为大于等于0的正整数；
然后，使用预测网络预测包含N条轨迹记录的测试车辆在任务上传完成时所处的区域网格，得到预测网格序列；将预测网格序列与对应的真实网格序列对比，分别计算预测网格落入与真实网格偏差为i区域的次数Ni，并计算出对应的概率κi：
再根据给定的预测准确率，确定综合准确率小于给定的预测准确率的最小的k值；其中，综合准确率的计算式为：
最后，将预测网络预测得到的区域，扩大到与其网格距离小于等于k的区域范围，该扩展预测区域范围内的所有边缘服务器均作为候选执行任务的边缘服务器。
进一步地，车辆不断切换路侧单元把任务数据上传到车辆所处位置近邻的边缘服务器，具体上传方法为：车辆分m轮依次将把任务数据完全上传到边缘服务器，每一轮的时间长度固定为t；设任务数据开始上传时间为t0，第i轮上传的数据总量为Mi，上传时间范围为[t0+(i-1)*t,t0+i*t]，在此上传时间段内，车辆移动过程中把任务数据分别上传到ki个边缘服务器上。
进一步地，任务数据的上传完成时间的预知方法为：令RSUki i为第i轮车辆所连接的ki个边缘服务器集合；i＝1,…,m；基于每一轮的上传时间固定为t，则根据最后一轮的数据上传时间确定任务数据的上传完成时间T1，即：
式中，T1为任务数据的上传完成时间；是上传数据到RSUkm m中第j个边缘服务器的数据量相对于第m轮上传数据总量Mm的占比，/>是RSUkm m中第j个边缘服务器的带宽，/>是RSUkm m中第j个边缘服务器对应路侧单元的接收信噪比。
一种基于车辆轨迹预测的边缘任务卸载时延优化系统，包括：SDN控制器、若干个边缘服务器和若干个与边缘服务器对应设置的路侧单元；路侧单元与SDN控制器之间、各边缘服务器之间通过有线电缆的方式连接，车辆以无线传输的方式通过路侧单元与边缘服务器和控制器通信，实现上述任一项所述的基于车辆轨迹预测的边缘任务卸载时延优化方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于车辆轨迹预测的边缘任务卸载时延优化方法。
有益效果
本发明提前预知任务上传完成时间，并预测车辆在该完成时间所处的区域，将目标区域内的边缘服务器作为候选执行节点，为这些候选执行节点提前调度执行任务所示的支撑数据，当车辆到达目标区域时，候选执行节点利用准备好的支撑数据和汇集的所有任务数据执行任务，并将执行结果反馈给车辆，因此本发明可以实现车辆任务卸载在边缘服务器之间无感切换。而且本发明构建Bi-LSTM并利用网格化处理的轨迹信息训练网络，实现对车辆轨迹的预测，避免轨迹预测网络训练过拟合。在以预测执行区域为中心，一定范围内的执行节点上备份任务执行所需的数据环境，可以提高Bi-LSTM预测的命中率，降低了任务执行节点执行环境准备时延。
附图说明
图1本申请实施例所述的软件定义车载边缘网络架构；
图2为车辆轨迹预测流程；
图3为两条网格序列编号相同但行驶轨迹略有偏差的两条轨迹；
图4为网络结构示意图；
图5为BI-LSTM结构示意图；
图6为LSTM结构示意图；
图7为任务执行节点预测模型
图8为目标区域示意图；
图9为时延最优化调度下任务卸载过程；
图10为车辆部分轨迹示意图；
图11为仿真实验流程图；
图12为不同网格和备份范围下预测准确度对比图；
图13为不同网格预测后十步轨迹准确度对比图；
图14为不同备份范围下预测后十步准确度对比图；
图15为平均任务执行节点切换次数对比图；
图16为不同任务数量任务总时延对比图；
图17为不同任务数量平均任务卸载时间延迟对比图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
一般情况下，车辆的位置及轨迹具有一定的规律性。为了降低车辆移动的对任务卸载的影响，可基于车辆行驶的历史轨迹，训练出有效的车辆轨迹预测模型，通过预测轨迹确定任务执行节点。再通过前瞻性调度，在任务执行节点上提前准备好任务执行的系统环境，如准备好必要的数据、链接库、数据库等。当任务数据上传完成时，任务即可立即执行，待任务执行完成后快速将计算结果返回给请求者。从而达到优化任务执行准备时间的目的。
为此，本发明提出一种基于车辆移动轨迹预测的任务卸载时延最优化策略。首先，对车辆活动区域网格化处理，建立任务卸载时延优化模型，构建双向长短期记忆网络(Bi-LSTM)对车辆移动轨迹进行预测，利用网格化处理的历史轨迹信息训练网络，避免密集连续的经纬度信息直接输入给网络模型训练造成过拟合。在车辆发起任务卸载请求时，通过Bi-LSTM预测执行节点的位置。为了提高Bi-LSTM预测的命中率，在预测区域为中心周围一定范围内的节点上备份任务执行所需的系统环境，从而实现任务执行准备时间T2的最小化。
1、系统模型
本发明采用基于软件定义网络(SDN)的车载边缘计算架构，它通过SDN控制器实现网络管理、资源调度和状态监控等功能，实现边缘服务器之间的高效协作。网络中包含SDN控制器、路侧单元(RSU)、边缘服务器等，其中RSU与控制器、边缘服务器之间通过有线电缆的方式连接，车辆以无线传输的方式通过RSU与边缘服务器和控制器通信。
从图1可见，网络架构主要分为车载边缘计算层和车辆用户层。在车辆用户层中，车辆用户需要计算服务时可把计算任务卸载至边缘服务器，由车载边缘计算层执行任务并返回结果。车载边缘计算层通过SDN技术实现控制流和数据流的分离。车辆行驶过程中会经过若干RSU无线信号覆盖区域，任务请求数据会存储在不同的边缘服务器上。SDN控制器通过前瞻性调度，预先在任务执行节点准备好应用环境数据，可减少任务卸载服务时间。
在车载边缘网络中，由于RSU无线通信覆盖范围有限，当正在卸载任务的车辆离开当前的RSU无线信号覆盖范围时，车辆用户将停止与当前服务器的任务卸载操作，连接到新的服务器继续卸载任务。这种由车辆移动导致服务器切换而引起的任务卸载中断问题，容易导致任务卸载失败或者处理时间延长，尤其对于数据上传量较大的卸载任务。
为了更好的描述车辆移动性对任务卸载的影响，本实施例将车辆活动的区域网格化，每个RSU无线通信范围可能覆盖多个网格区域。车辆发起任务卸载请求到完成任务数据的上传这个过程中，可能需要经历多个网格区域才能完成，上传的数据将会分布在不同的边缘服务器上。
将车辆任务Task抽象表示为Task＝{Din,Rout,Elib,C}，其中Din为任务的输入数据量；Rout为返回结果数据量；Elib为任务支撑数据的数据量，表示边缘服务器为执行该任务需要具备的环境数据量，如数据库、链接库等；C为任务执行所需的算力(CPU周期数)。
对于任务Task，假设车辆分m轮依次将把任务数据完全上传到边缘服务器，每一轮的时间长度固定为t；设任务数据开始上传时间为t0，第i轮上传的数据总量为Mi，上传时间范围为[t0+(i-1)*t,t0+i*t]，在此上传时间段内，车辆移动过程中把任务数据分别上传到ki个边缘服务器上。由于每一轮时间间隔是固定的，因此任务上传时间由最后一轮(第m轮)所需要的实际上传时间有关。
假设是上传数据到RSUkm m中第j个边缘服务器的数据量相对于第m轮上传数据总量Mm的占比，/>是RSUkm m中第j个边缘服务器的带宽，/>是RSUkm m中第j个边缘服务器对应路侧单元的接收信噪比，p表示进行任务卸载车辆的发送功率，g表示信道增益，σ1高斯白噪声功率，/>表示RSUkm m中第j个边缘服务器对应路侧单元的其它设备干扰功率。不考虑其他因素对信噪比的影响，将/>表示为
则任务数据上传时间T1为
数据上传完成后，分布在不同服务器上的任务数据必须汇总在一起，其他前序边缘服务器需把任务数据迁移到执行节点上。同时，执行节点上如果没有执行任务所需的数据Elib，还需从其他服务器、其他车辆或者云中心获取。令B0、Bp、Bc分别为从边缘服务器、其他车辆和云中心获取数据的平均速率，分别为数据Elib来自边缘服务器、其他车辆和云中心的比重。则任务执行准备时间T2为
由于任务数据从多个节点汇总到单个服务器，其数据传送时延受网络状况影响，因此上式α和β为大于1的实数。任务相关的数据就绪后，开始执行任务。
2、车辆移动轨迹预测
本发明实施例使用Bi-LSTM来对车辆移动轨迹进行预测，以获得车辆在任务卸载时任务数据上传完成时所处的区域，从而预知任务执行节点。以下通过车辆轨迹预测流程、数据预处理和网络结构三部分来说明本实施例提出的预测方法。
2.1车辆轨迹预测流程
车辆轨迹预测的流程如图2所示。首先，将车辆活动的地图和车辆行驶轨迹网格化，避免密集连续的经纬度信息直接输入到网络模型中进行训练造成过拟合。并对网格化的车辆行驶轨迹归一化处理得到原始数据集，归一化处理能够有效提升模型的精度与收敛速度。其次，构建Bi-LSTM网络结构，将原始数据集划分训练集与测试集。然后，将训练集输入到网络中，不断迭代优化提高模型的预测准确率，通过测试集验证模型性能，最终得到一个泛化能力较好的网络。在实际预测中，将车辆行驶的经纬度轨迹转换成平面坐标及其网格信息，经过归一化处理输入到Bi-LSTM网络中，模型输出为车辆轨迹预测结果，反归一化处理后便可得到任务数据上传完成时车辆所在的目标网格，该目标网格内车辆能访问的边缘服务器便是候选的任务执行节点。
2.2数据预处理
由于车辆轨迹记录间时间间隔短，且密集连续，直接输入到网络模型中进行训练可能会造成过度拟合。目前最常用的方法是将经纬度离散化对应地图的网格坐标再进行编码[11]。如图3，有一条三角形表示的轨迹T1和圆环表示的轨迹T2。它们大致运动趋势相同，若从经纬度的角度来看两者之间还是存在很大区别的，直接输入网络训练可能会导致Bi-LSTM网络过拟合。为了提升预测模型的泛化能力，可以按照地图网格将经纬度坐标离散化后得到其行驶轨迹的网格序列再输入网络中训练。T1和T2轨迹经过网格后可分别表示为g7->g4->g5->g6->g3、g7->g4->g5->g6->g3。两者在总体趋势上保持一致，因此合理划分网格在一定程度上能够提升模型的泛化能力。
由于本发明的目标是预测当车辆完成任务数据上传时车辆所处的区域，需要在预测准确性和资源开销之间进行权衡，采取有利于任务卸载时延优化的网格大小。当地图划分的网格越大时，预测难度越小，预测准确性越大，但后续边缘计算调度中该区域涉及的边缘服务器越多，数据备份带来的资源开销越大。
2.3基于Bi-LSTM的预测模型
本实施例中基于Bi-LSTM搭建多对多预测网络，基于前k步轨迹预测车辆的后k步轨迹。预测网络由输入层，隐含层和输出层构成，如图4所示。隐含层由三层120个神经元、Droupout系数为0.3的Bi-LSTM层和一个全连接层构成。Droupout层会以一定概率随机断开输入神经元来防止过拟合。
采用Adam优化器优化网络，它是一种自适应学习率方法，是训练网络时主流的优化算法。初始k步的真实轨迹可表示为T＝{t1,t2,…,tk}，其中ti＝(loi,lai)(i＝1,2，…，k)表示第i步车辆所处的经度与纬度位置。假设有n个训练样本，预测结果有k步，每步有m个特征，yijl，分别表示第i个训练数据第j步的第l个特征的预测值与真实值，则可以使用均方误差MSE来衡量预测误差：
BI-LSTM有两个独立的LSTM网络，它们共享一个输入，分别是正序输入和逆序输入，如图5所示。BI-LSTM相较于单向的LSTM网络的优点在于在某一时刻所获得的特征信息同时包含过去和未来的信息，能够提高特征的提取效率和性能。
不同时间步的LSTM单元共享状态信息，其中w1、w2、w4分别是前向传播的输入权重、状态权重和输出权重；其中w3、w5、w6分别是后向传播的输入权重、状态权重和输出权重。因此前向传播层的输出为ht：
ht＝f(w1xt+w2ht-1)
后向传播层的输出为h′t：
h′t＝f(w3xt+w5h′t+1)
最终输出为ot：
ot＝g(w4ht+w6h′t)
其中，BI-LSTM的每个LSTM网络隐藏层都是同一种特殊的循环神经网络，其在长序列数据中有较好的学习能力。长短期记忆有三种门结构，分别是遗忘门、输入门和输出门，如图6所示。
每个方框是一个Cell。定义第t步的输入为Xt，ht-1,Ct-1分别是上一个Cell的输出与状态，ht,Ct是当前步的输出与状态。σ是激活函数，tanh是隐含层的激活函数。Wf、Wi、Wc、Wo分别是遗忘门、输入门、输出门、计算单元状态的权重矩阵。bf、bi、bc、bo分别是遗忘门、输入门、输出门、计算单元状态的偏置项。其前向传播过程如下：
将上一步的的输出ht-1，与当前步输入xt合并成一个向量[ht-1,xt]。
将[ht-1,xt]输入遗忘门得ft
ft＝σ(Wf·[ht-1,xt]+bf)
将[ht-1,xt]输入输入门得it
it＝σ(Wi·[ht-1,xt]+bi)
将[ht-1,xt]输入计算单元状态中得并更新状态Ct
将[ht-1,xt]输入输出门得ot
ot＝σ(Wo·[ht-1,xt]+bo)
将ot和Ct作为输入，得到本步的输出ht
ht＝ot*tanh(Ct)
LSTM与其他网络的区别在于多了时间步的概念，每步的输入是共享状态参数。它克服了RNN的梯度消失问题，能够更好的处理时间序列。BI-LSTM是由前向LSTM和后向LSTM组合而成，在某一时刻所获得的特征信息同时包含过去和未来的信息，相较单向LSTM有更好的特征提取效率和性能。
网络的优化过程可描述为前向传播和后向传播过程。在前向传播过程中，数据集输入网络，通过上述前向传播公式得到预测值，并计算代价函数。在后向传播过程中，基于代价函数的随机梯度下降等算法优化权重矩阵与偏置项的值，不断减小损失。最终得到具有一定泛化能力的模型。
3、任务执行准确时间最优的任务调度策略
为了对任务执行准备时间T2优化，基于上述车辆移动轨迹的预测，本发明提出基于车辆轨迹预测的边缘任务卸载时延优化方法。
3.1候选执行节点集合
现有技术表明[12]车辆任务卸载完成的时间与任务数据量、网络上传延迟和网络下载延迟是成线性关系的，相应提出的回归模型实现对任务完成时间的预测，具有较高的准确性。因此，本发明将预知的任务上传完成时间作为车辆轨迹预测的一个已知参数，以车辆部分真实轨迹为输入，车辆移动轨迹预测模型输出当任务上传完成时车辆所处的目标区域，如图7所示。
把预测目标区域及其周围一定范围内的边缘服务器集合称为候选执行节点集合。由于车辆的移动轨迹预测不可避免的存在误差，扩大目标区域，把更多的边缘服务器作为候选节点，可提高任务执行节点预测的命中率。SDN控制器调度边缘服务器在任一候选执行节点上准备好任务执行所需的数据，以便车辆一旦完成任务数据的上传，即可进入任务执行状态，从而大大减少任务执行的准备时间，实现任务卸载时延优化。如图8所示，假设最内层圆内区域是预测的目标区域，为了提高命中率，可把目标区域扩大到最外层圆以内区域，从中可以看出执行节点集合包含三个边缘服务器，以增加空间开销提高命中率。
假设通过BI-LSTM网络得到的预测目标区域网格为(prii,prij)，将其与真实轨迹位置网格(reli,relj)进行比较，预测偏差为r：
将真实值与预测之间的误差称为r类偏差，当r＝0时则为无偏差。
可把预测区域周围的若干个边缘服务器都作为候选执行节点，将任务执行所需数据迁移(备份)到这些候选节点上，从而通过增加网络通信和存储开销来降低预测偏差带来的影响。假设一共有N次预测，其结果落入i类偏差区域的次数分别为Ni，令接受r类偏差的综合正确率为Acc。在后续实验中，通过多次预测的Acc矩阵来衡量模型预测的准确性。
Acc＝∑κi
其中r的大小决定了数据备份范围的大小，通过把任务数据和支撑数据备份到接受R类偏差范围内的边缘服务器上能有效提高预测命中率。扩大R的大小能一定程度上弥补目标区域预测误差导致的数据准备环境失败的不足，R越大，则真实的执行节点处于候选执行的节点的概率就越大，但过度扩大R值会导致大量资源的浪费，需要在资源开销与命中率之间权衡。可在实验中对比不同网格大小、备份范围下的准确度，在保证预测准确度的前提下选取合适的备份区域。
3.2调度策略
已知候选执行节点的基础上，SDN控制器可调度各边缘服务器进行协作，在所有候选执行节点上准备好任务执行所需的系统环境及相关数据，减少任务执行准备时间。如图9所示，时延最优化的任务卸载调度策略可描述为：
(1)车辆向邻近边缘服务器发起任务卸载请求，请求信息包含任务数据量等；
(2)车辆任务卸载请求获得通过后，车辆开始上传任务数据，SDN控制器掌握相关信息，根据任务数据量预知任务数据上传完成时间；
(3)随着车辆的移动，不断切换RSU把任务数据上传到不同的边缘服务器；
(4)SDN控制器根据车辆部分轨迹预测任务数据上传完成时车辆所处区域，预知候选的任务执行节点；
(5)SDN控制器调度边缘服务器把分散上传的任务数据汇集于候选执行节点，在任务上传的同时且在任务上传完成之前，通过前瞻性调度边缘服务器之间的协作把接受的请求数据迁移到执行节点，缺乏的任务执行所必须的支撑数据从其他边缘服务器、车辆和云中心获取。此时，任务执行的数据环境已经准备好，即可进入执行状态；
(6)当车辆完成任务数据上传，任务执行节点即满足任务执行条件，执行任务并把计算结果返回给请求车辆，车辆任务卸载完成。
SDN控制器掌握车辆相关的位置及任务信息，以这些信息作为输入，通过前文所述训练好的预测模型能有效预测任务执行节点。SDN控制器同时也掌握各服务器存储的数据资源，SDN控制器可调度服务器进行数据传送，在候选执行节点上准备好执行任务应具备的系统运行环境和其他支撑数据。如果预测成功，则可以立即执行任务，并快速将结果返回给请求车辆，任务卸载结束。如果预测失败，则真实的执行节点需要一定的时延来准备任务执行环境，此时，SDN控制器付出了无效的工作，相关边缘服务器浪费了一定的通信开销和存储资源。
综上所述，本发明实施例提供的一种基于车辆轨迹预测的边缘任务卸载时延优化方法，包括：
(1)车辆向邻近边缘服务器发起任务卸载请求，并在获得通过后开始上传任务数据；且随着车辆的移动，不断切换路侧单元把任务数据上传到车辆所处位置近邻的边缘服务器；
其中切换路侧单元上传任务数据的方法为：车辆分m轮依次将把任务数据完全上传到边缘服务器，每一轮的时间长度固定为t；设任务数据开始上传时间为t0，第i轮上传的数据总量为Mi，上传时间范围为[t0+(i-1)*t,t0+i*t]，在此上传时间段内，车辆移动过程中把任务数据分别上传到ki个边缘服务器上。
(2)SDN控制器根据车辆的任务卸载请求中包括的任务数据量，预知任务数据的上传完成时间；并根据车辆行驶轨迹，采用基于Bi-LSTM网络结构的预测网络，预测车辆在任务上传完成时所处的区域网格，根据所处的区域网格确定候选执行任务的边缘服务器；
其中，任务数据的上传完成时间的预知方法为：令RSUki i为第i轮车辆所连接的ki个边缘服务器集合；i＝1,…,m；基于每一轮的上传时间固定为t，则根据最后一轮的数据上传时间确定任务数据的上传完成时间T1，即：
式中，T1为任务数据的上传完成时间；是上传数据到RSUkm m中第j个边缘服务器的数据量相对于第m轮上传数据总量Mm的占比，/>是RSUkm m中第j个边缘服务器的带宽，/>是RSUkm m中第j个边缘服务器对应路侧单元的接收信噪比。
其中，预测网络输入的车辆行驶轨迹，是将车辆行驶的经纬度轨迹按照地图网格离散化得到的网格编码序列；所述预测网络预测得到的区域，为地图网格中的某个网格对应的区域；所述地图网格，是通过将经纬度离信息散化对应地图的网格坐标，然后对各网格编码得到。
另外，根据所处的区域确定候选执行任务的边缘服务器的方法为：
首先，预测偏差的定义为：通过BI-LSTM网络得到的预测区域网格为(prix，priy)，对应的真实区域网格为(relx，rely)，则预测偏差值r定义为预测区域网格与真实区域网格之间的网格距离，如式：
如果预测区域网格与真实区域网格之间网格距离为r，则称预测偏差称为r类偏差，任何预测误差只能属于某一类，也即有唯一的r值，r为大于等于0的正整数；
然后，使用预测网络预测包含N条轨迹记录的测试车辆在任务上传完成时所处的区域网格，得到预测网格序列；将预测网格序列与对应的真实网格序列对比，分别计算预测网格落入与真实网格偏差为i区域的次数Ni，并计算出对应的概率κi：
再根据给定的预测准确率，确定综合准确率小于给定的预测准确率的最小的k值(综合准确率Acck中的k表示能接受的最大偏差值，意味着k的值越大，综合预测准确率就越高。根据k的取值，计算对应的综合准确率Acck)；其中，综合准确率的计算式为：
/>
最后，将预测网络预测得到的区域，扩大到与其网格距离小于等于k的区域范围，该扩展预测区域范围内的所有边缘服务器均作为候选执行任务的边缘服务器。
(3)SDN控制器把车辆分散上传到各边缘服务器的任务数据，汇集到每个候选执行任务的边缘服务器，并在任务上传的同时且在任务上传完成之前，为每个候选执行任务的边缘服务器调度用于执行任务的支撑数据；
(4)每个候选执行任务的边缘服务器，在获得所有任务数据和支撑数据时，执行任务并向车辆发送任务执行结果，车辆任务卸载完成。
需要说明的是，本发明实施例上述方法中包括的(1)(2)(3)(4)这四个编号，不代表执行的先后顺序。
实验仿真
本发明的目标在于降低任务卸载的完成时间延迟，重点是基于车辆移动性预测优化任务执行准备时间从而达到优化任务卸载时延的目的。为了验证本发明的有效性，设计了大量的仿真实验。
实验环境与数据集：实验的硬件是Intel Core i7-7700HQ CPU，内存为8GB。实验软件是PyCharm Community Edition，操作系统为Windows，通过python语言编程实现。
实验数据集采用的是Roma数据集[14，其中部分轨迹示意图如图10所示，该数据集包含320辆出租车在罗马市区一个月的行驶数据，车辆行驶数据采样时间间隔为7s。每一条行驶数据记录包含车辆ID、时间和经纬度，共有21817851条记录。为了实现车辆行驶轨迹的多步预测，按照时间先后顺序将车辆行驶的前十步行驶轨迹作为网络的输入，后十步车辆行驶轨迹作为网络的输出，并处理成适合输入到BI-LSTM网络中的三维张量。将处理好的数据集合80％作为训练集训练BI-LSTM网络，20％作为测试集测试训练好的BI-LSTM网络的性能。
实验参数与仿真：在python中使用Sequential库搭建好BI-LSTM网络结构，迭代次数设置为40次，batch_size设置为64。由于实际任务卸载环境复杂多变，对仿真环境进行适当简化。车辆活动区域大小为1347200m*1256800m，并分别以5m、10m、20m、40m不同网格大小对活动区域进行初始划分。具体仿真参数见表1，其中V代表车辆端、R代表路侧单元、E代表边缘服务器、c代表云端、P代表其他车辆。
表1实验参数表
从原始数据集中提取车辆活动范围的经纬度边界值并将其转换成平面坐标，则地图对应着一个矩形区域。假设按照40m*40m的网格大小对车辆活动区域进行划分，每个网格对应一个边缘服务器。若该矩形区域长和宽不是40的倍数，则需要适当扩大这个矩形。记矩形左下角坐标为(Xmin，Ymin)，以正方形网格划分该矩形区域，那么对于任意属于该矩形区域的坐标(X,Y)其对应的网格编号为(Gridi,Gridj)
将车辆真实行驶的经纬度转换成平面坐标，并根据上述公式计算其在地图上对应的网格，得到车辆行驶的网格序列。以固定时间间隔t离散化连续时间，每个时间间隙开始到结束看作一轮。具体的仿真过程参考图11所示，可描述为：每一轮车辆按照真实行驶网格序列移动一步，并在每轮开始随机发起卸载任务，该任务需要一定大小的支撑数据。通过本发明预测模型对候选执行执行节点集合进行预测，SDN控制器协调各边缘服务器将数据迁移到候选执行执行节点。当车辆数据上传完成时：若执行环境已准备好，则立即执行任务并将结果返回；若执行环境未准备好，则等待执行环境准备好，执行任务并将结果返回。
结果分析：以下所有实验均是在Roma真实数据集上进行。为了保证预测准确度的前提下尽可能选取较小的备份区域，对网格大小和备份范围两个因素对预测模型准确度的影响进行实验研究。车辆行驶轨迹的预测误差是无法避免的，预测的准确会随着随着备份范围扩大而增高，但备份范围过大会导致大量资源的浪费。
地图网格一般不宜过大，否则会损失部分车辆移动特征。按照边长为5m、10m、20m、40m的网格分别对车辆活动区域和轨迹进行划分，分别在80m、160m、200m、400m范围内备份，计算得到对应的下一步预测准确度，见图12。
从图12中可以看出，车辆行驶轨迹预测的准确度随着备份范围的扩大准确度有显著提升，但并没有随着网格增大而准确率单调增加。在对地图按照不同大小网格划分中：5m的效果最差，这是因为网格划分过小轨迹序列依然密集连续，容易造成过拟合。10m和40m划分的效果相较于20m较好，这是因为网格小能够保留更多车辆的移动信息，网格大能够降低预测的准确度，但20m处于两者之间既损失了车辆移动信息，降低的预测难度不够支撑准确度的提升。网格划分如果进一步增大能进一步增大能够显著提升准确度，但是会带来的大量资源损耗，也是不可取的。接下进一步研究在200m备份范围下不同网格划分轨迹预测的后十步轨迹准确度。
从图13中可以发现，虽然10m与40m网格划分在前7步相较于5m和20m划分都有较好的结果，但10m划分在8步之后的预测中甚至急剧降低。不难发现，40m相较于10m划分在多步轨迹预测中具有优势。在之后的实验中，本实验均用40m大小的网格对地图和车辆轨迹网格化。为了在保证预测准确度的前提下尽可能的减少备份造成的资源损耗，我们将研究备份范围与准确度的关系并选取一个合适的备份范围。
从图14中可以看出，160m到400m范围备份下预测的准确度随着时间步逐步降低，且随着备份范围的逐渐增大，准确度整体也有一定幅度的提升。为了保证大部分卸载任务都能够提前建立好数据执行的准备环境，前4步的命中率步能够低于90％，前9步之内的命中率不能低于80％。通过实验，发现320m、360m、400m的备份范围均能够满足准确度的要求，但备份范围越大带来的资源损耗也就越多，因此320m的备份范围更加合适。通过上述的实验与分析，得到了最适合的地图网格化大小40m和备份范围320m，按这个标准网格化地图和行驶轨迹训练Bi-LSTM网络得到一个较好的移动轨迹预测模型，为任务卸载调度策略奠定了基础。
为了检验本发明方法在优化任务卸载时延的有效性，依据车辆行驶的真实轨迹进行了大量的仿真实验。从平均任务执行节点切换次数、任务总时延、平均任务卸载时间延迟等方面将本发明算法同最小完成时间[13](MCT)、跟随车辆移动切换边缘服务器(FMeC)算法、基于马尔可夫模型进行位置预测协助任务卸载(MPVH)算法这三种现有的经典算法比较。
MCT算法，该算法在任务卸载时静态选择完成时间最小的节点，但由于车辆的高速移动导致网络拓扑结构变化，通信成本不断增加。FMeC算法，该算法在任务卸载时随着车辆移动不断选择通信开销最小的边缘服务器，但是可能会频繁的切换服务器，尤其对于环形轨迹会造成大量的资源浪费。基于马尔可夫模型进行位置预测协助任务卸载算法，该方法当状态空间增加时计算复杂度急剧上升，且多步预测的准确率较低。
图15给出了MCT、FMeC、MPVH和本发明算法(MEPT,最小化执行准备时间Minimizeexecution preparation time)基于移动性预测的最小化准备时间)在大量仿真实验的平均任务执行节点切换次数。就平均执行节点切换次数而言，本发明算法优于FMeC和MPVH，这是因为本发明算法在任务卸载过程中能够提前预测到候选执行节点，提前准备好数据执行环境。若候选节点集合包含真实的执行节点则无需切换，反之则需要切换一次。而MCT是一种静态方式，在决定任务卸载时会选定当前状态下最优的执行服务器，不会再次切换，因此切换次数为零。
切换次数只是体现算法性能的一部分，接下来通过比较四种算法在不同任务数量下的任务卸载完成总时间。从图16中可以看出在任务数量较少时，几种算法的性能差不多，但随着任务量增多，本发明算法能够有效降低总任务卸载时延。这是因为MCT方法适用于低速移动或者固定位置的任务卸载环境，并不适用于高速移动的车辆。FMeC算法简化了车辆移动性，只考虑随着车辆移动切换对应的边缘服务器会造成资源的浪费与时延的增加。而MPVH算法能够做到对车辆移动性的预测，但是预测的准确度不高导致随着任务数量的增多任务时延显著增加。
图17给出了四种算法在不同任务数量下的平均任务卸载时间。通过比较四种算法在不同任务数量下的平均任务卸载时间。其中本发明算法的平均任务卸载完成总时间在任务量为200、400、600和1000均为最短，分别是31.34s,36.61s,43.24s,54.53s。
现有技术中车辆的快速移动导致服务器切换而引起的任务卸载中断问题不容忽视，容易导致任务卸载失败或者处理时间延长。现有的任务卸载算法大多是静态的，没有考虑到车辆的移动性。为了实现车辆任务卸载在边缘服务器之间无感切换，本发明提出的一种基于车辆轨迹预测的边缘任务卸载时延优化方法。建立任务卸载时延优化模型，构建Bi-LSTM并利用网格化处理的轨迹信息训练网络，实现对车辆轨迹的预测。为了提高Bi-LSTM预测的命中率，在以预测执行区域为中心，一定范围内的执行节点上备份任务执行所需的数据环境，降低了任务执行节点执行环境准备时延。仿真实验表明，本发明所提方法策略相较于已有算法能取得了更好的效果。在未来的研究中，将考虑不同类型车辆的移动轨迹特点、驾驶车辆用户的状态和周围车辆相互之间的影响、交通状况等因素，以进一步提高轨迹预测的准确性。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
参考文献：
[1]J.Ren,G.Yu,Y.He and G.Y.Li,"Collaborative Cloud and Edge Computingfor Latency Minimization,"in IEEE Transactions on Vehicular Technology,vol.68,no.5,pp.5031-5044,May 2019,doi:10.1109/TVT.2019.2904244.
[2]F.Guo,H.Zhang,H.Ji,X.Li and V.C.M.Leung,"An Efficient ComputationOffloading Management Scheme in the Densely Deployed Small Cell Networks WithMobile Edge Computing,"in IEEE/ACM Transactions on Networking,vol.26,no.6,pp.2651-2664,Dec.2018,doi:10.1109/TNET.2018.2873002.
[3]Y.Chen,N.Zhang,Y.Zhang,X.Chen,W.Wu and X.Shen,"Energy EfficientDynamic Offloading in Mobile Edge Computing for Internet ofThings,"in IEEETransactions on Cloud Computing,vol.9,no.3,pp.1050-1060,1 July-Sept.2021,doi:10.1109/TCC.2019.2898657.
[4]X.Lyu,H.Tian,C.Sengul and P.Zhang,"Multiuser Joint Task Offloadingand Resource Optimization in Proximate Clouds,"in IEEE Transactions onVehicular Technology,vol.66,no.4,pp.3435-3447,April 2017,doi:10.1109/TVT.2016.2593486.
[5]L.Huang,S.Bi and Y.-J.A.Zhang,"Deep Reinforcement Learning forOnline Computation Offloading in Wireless Powered Mobile-Edge ComputingNetworks,"in IEEE Transactions on Mobile Computing,vol.19,no.11,pp.2581-2593,1 Nov.2020,doi:10.1109/TMC.2019.2928811.
[6]Bo LI,Li NIU,Xin HUANG,Hongwei DING.Mobility Prediction BasedComputation Offloading Handoff Strategy for Vehicular Edge Computing[J].Journal of Electronics and Information Technology,2020,42(11):2664-2670.doi:10.11999/JEIT190483
[7]A.Aissioui,A.Ksentini,A.M.Gueroui and T.Taleb,"On Enabling 5GAutomotive Systems Using Follow Me Edge-Cloud Concept,"in IEEE Transactionson Vehicular Technology,vol.67,no.6,pp.5302-5316,June 2018,doi:10.1109/TVT.2018.2805369.
[8]Pei J.Mining sequential patterns efficiently by prefix-projectedpattern growth[C]//International Conference of Data Engineering(ICDE2001),April.2001.
[9]Al-Ayyoub,M.,Husari,G.,&Mardini,W.(2016).Improving verticalhandoffs using mobility prediction.International Journal ofAdvanced ComputerScience&Applications,1(7),413-419.
[10]F.Altchéand A.de La Fortelle,"An LSTM network for highwaytrajectory prediction,"2017 IEEE 20th International Conference on IntelligentTransportation Systems(ITSC),2017,pp.353-359,doi:10.1109/ITSC.2017.8317913.
[11]K.Zhang,Y.Mao,S.Leng,Y.He and Y.ZHANG,"Mobile-Edge Computing forVehicular Networks:A Promising Network Paradigm with Predictive Off-Loading,"in IEEE Vehicular Technology Magazine,vol.12,no.2,pp.36-44,June 2017,doi:10.1109/MVT.2017.2668838.
[12]C.Sonmez,C.Tunca,A.Ozgovde and C.Ersoy,"Machine Learning-BasedWorkload Orchestrator for Vehicular Edge Computing,"in IEEE Transactions onIntelligent Transportation Systems,vol.22,no.4,pp.2239-2251,April 2021,doi:10.1109/TITS.2020.3024233.
[13]T.Mathew,K.C.Sekaran and J.Jose,"Study and analysis ofvarioustask scheduling algorithms in the cloud computing environment,"2014International Conference on Advances in Computing,Communications andInformatics(ICACCI),2014,pp.658-664,doi:10.1109/ICACCI.2014.6968517.
[14]Amici R,Bonola M,Bracciale L,et al.Performance Assessment of anEpidemic Protocol in VANET UsingReal Traces[J].Procedia Computer Science,2014,40:92-99.
Claims (3)
1.一种基于车辆轨迹预测的边缘任务卸载时延优化方法，其特征在于，包括：
车辆向邻近边缘服务器发起任务卸载请求，并在获得通过后开始上传任务数据；且随着车辆的移动，不断切换路侧单元把任务数据上传到车辆所处位置近邻的边缘服务器；
其中，车辆不断切换路侧单元把任务数据上传到车辆所处位置近邻的边缘服务器，具体上传方法为：车辆分m轮依次将把任务数据完全上传到边缘服务器，每一轮的时间长度固定为t；设任务数据开始上传时间为t0，第i轮上传的数据总量为Mi，上传时间范围为[t0+(i-1)*t,t0+i*t]，在此上传时间段内，车辆移动过程中把任务数据分别上传到ki个边缘服务器上；
SDN控制器根据车辆的任务卸载请求中包括的任务数据量，预知任务数据的上传完成时间；并根据车辆行驶轨迹，预测车辆在任务上传完成时所处的区域网格，根据所处的区域网格确定候选执行任务的边缘服务器；其中，
(1)任务数据的上传完成时间的预知方法为：令RSUki i为第i轮车辆所连接的ki个边缘服务器集合；i＝1,…,m；基于每一轮的上传时间固定为t，则根据最后一轮的数据上传时间确定任务数据的上传完成时间T1，即：
式中，T1为任务数据的上传完成时间；是上传数据到RSUkm m中第j个边缘服务器的数据量相对于第m轮上传数据总量Mm的占比，/>是RSUkm m中第j个边缘服务器的带宽，/>是RSUkm m中第j个边缘服务器对应路侧单元的接收信噪比；
(2)采用基于Bi-LSTM网络结构的预测网络，根据车辆行驶轨迹预测车辆在任务上传完成时所处的区域；
所述预测网络输入的车辆行驶轨迹，是将车辆行驶的经纬度轨迹按照地图网格离散化得到的网格编码序列；所述预测网络预测得到的区域，为地图网格中的某个网格对应的区域；所述地图网格，是通过将经纬度离信息散化对应地图的网格坐标，然后对各网格编码得到；
(3)根据所处的区域确定候选执行任务的边缘服务器的方法为：
首先，预测偏差的定义为：通过BI-LSTM网络得到的预测区域网格为(prix,priy)，对应的真实区域网格为(relx,rely)，则预测偏差值r定义为预测区域网格与真实区域网格之间的网格距离，如式：
如果预测区域网格与真实区域网格之间网格距离为r，则称预测偏差称为r类偏差，任何预测误差只能属于某一类，也即有唯一的r值，r为大于等于0的正整数；
然后，使用预测网络预测包含N条轨迹记录的测试车辆在任务上传完成时所处的区域网格，得到预测网格序列；将预测网格序列与对应的真实网格序列对比，分别计算预测网格落入与真实网格偏差为i区域的次数Ni，并计算出对应的概率κi：
再根据给定的预测准确率，确定综合准确率小于给定的预测准确率的最小的k值；其中，综合准确率的计算式为：
最后，将预测网络预测得到的区域，扩大到与其网格距离小于等于k的区域范围，扩展预测区域范围内的所有边缘服务器均作为候选执行任务的边缘服务器；
SDN控制器把车辆分散上传到各边缘服务器的任务数据，汇集到每个候选执行任务的边缘服务器，并在任务上传的同时且在任务上传完成之前，为每个候选执行任务的边缘服务器调度用于执行任务的支撑数据；
每个候选执行任务的边缘服务器，在获得所有任务数据和支撑数据时，执行任务并向车辆发送任务执行结果，车辆任务卸载完成。
2.一种基于车辆轨迹预测的边缘任务卸载时延优化系统，其特征在于，包括：SDN控制器、若干个边缘服务器和若干个与边缘服务器对应设置的路侧单元；路侧单元与SDN控制器之间、各边缘服务器之间通过有线电缆的方式连接，车辆以无线传输的方式通过路侧单元与边缘服务器和控制器通信，实现权利要求1所述的基于车辆轨迹预测的边缘任务卸载时延优化方法。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501449.0A CN114916013B (zh) | 2022-05-10 | 2022-05-10 | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501449.0A CN114916013B (zh) | 2022-05-10 | 2022-05-10 | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114916013A CN114916013A (zh) | 2022-08-16 |
| CN114916013B true CN114916013B (zh) | 2024-04-16 |
Family
ID=82766549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210501449.0A Active CN114916013B (zh) | 2022-05-10 | 2022-05-10 | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114916013B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115878227B (zh) * | 2023-03-02 | 2023-05-12 | 江西师范大学 | 一种基于人群分类的边缘计算任务卸载方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111935303A (zh) * | 2020-08-21 | 2020-11-13 | 华北电力大学 | 空地一体化车联网中基于意图感知的任务卸载方法 |
| CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
| CN112817653A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于云边端的联邦学习计算卸载计算系统及方法 |
| CN113727308A (zh) * | 2021-10-20 | 2021-11-30 | 湖北大学 | 一种基于车辆位置预测的边缘计算卸载优化方法 |
| WO2022011755A1 (zh) * | 2020-07-15 | 2022-01-20 | 南通大学 | 一种车载边缘计算网络中能效优化的计算卸载方法及系统 |
-
2022
- 2022-05-10 CN CN202210501449.0A patent/CN114916013B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022011755A1 (zh) * | 2020-07-15 | 2022-01-20 | 南通大学 | 一种车载边缘计算网络中能效优化的计算卸载方法及系统 |
| CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
| CN111935303A (zh) * | 2020-08-21 | 2020-11-13 | 华北电力大学 | 空地一体化车联网中基于意图感知的任务卸载方法 |
| CN112817653A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于云边端的联邦学习计算卸载计算系统及方法 |
| CN113727308A (zh) * | 2021-10-20 | 2021-11-30 | 湖北大学 | 一种基于车辆位置预测的边缘计算卸载优化方法 |
Non-Patent Citations (9)
| Title |
|---|
| An efficient task offloading scheme in vehicular edge computing;Salman Raza;《Journal of Cloud Computing》;20200602;全文 * |
| An Online Reinforcement Learning Offloading Method for Delay-Sensitive Vehicular Service;Weirong Liu;《2020 IEEE 22nd International Conference on High Performance Computing and Communications》;20210426;全文 * |
| Task Offloading and Serving Handover of Vehicular Edge Computing Networks Based on Trajectory Prediction;Baiquan Lv;《IEEE Access》;20210910;全文 * |
| Task Offloading in Vehicular Edge Computing Networks: A Load-Balancing Solution;Jie Zhang;《IEEE Transactions on Vehicular Technology》;20191212;全文 * |
| 基于移动边缘计算的V2X任务卸载方案;张海波;栾秋季;朱江;贺晓帆;;电子与信息学报;20180712(11);全文 * |
| 基于马尔科夫决策过程的车载边缘计算切换策略;李波;牛力;彭紫艺;黄鑫;丁洪伟;;计算机工程与科学;20200515(05);全文 * |
| 车联网中一种基于软件定义网络与移动边缘计算的卸载策略;张海波;荆昆仑;刘开健;贺晓帆;;电子与信息学报;20200315(03);全文 * |
| 车联网场景下MEC移动性管理和卸载算法研究;薛科;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115;全文 * |
| 面向车联网边缘计算的智能计算迁移研究;莫瑞超;许小龙;何强;刘琦;赵庆展;;应用科学学报;20200930(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114916013A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
| CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
| CN113254188B (zh) | 调度优化方法和装置、电子设备及存储介质 | |
| Xu et al. | Joint task offloading and resource optimization in noma-based vehicular edge computing: A game-theoretic drl approach | |
| Miletić et al. | A review of reinforcement learning applications in adaptive traffic signal control | |
| CN114916013B (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
| Zabihi et al. | Reinforcement learning methods for computation offloading: a systematic review | |
| CN115134242B (zh) | 一种基于深度强化学习策略的车载计算任务卸载方法 | |
| Xia et al. | A parallel NAW-DBLSTM algorithm on Spark for traffic flow forecasting | |
| Ge et al. | Interference aware service migration in vehicular fog computing | |
| Saleh et al. | Mobile computation offloading in mobile edge computing based on artificial intelligence approach: a review and future directions | |
| Ahmed et al. | MARL based resource allocation scheme leveraging vehicular cloudlet in automotive-industry 5.0 | |
| Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
| Emami et al. | Rc-tl: Reinforcement convolutional transfer learning for large-scale trajectory prediction | |
| Wang et al. | Analysis and prediction of UAV-assisted mobile edge computing systems | |
| Weng et al. | An intelligent offloading system based on multiagent reinforcement learning | |
| Hou et al. | Joint computation offloading and resource allocation based on deep reinforcement learning in C-V2X edge computing | |
| CN115865914A (zh) | 车辆边缘计算中基于联邦深度强化学习的任务卸载方法 | |
| CN113423091B (zh) | 一种车载算力网络的多维资源智能联合优化方法、系统 | |
| Abdellah et al. | Deep Learning Approach for Predicting Energy Consumption of Drones Based on MEC | |
| CN115238775A (zh) | 模型构建方法 | |
| Cui et al. | Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G | |
| Dong et al. | Deep Progressive Reinforcement Learning-Based Flexible Resource Scheduling Framework for IRS and UAV-Assisted MEC System | |
| Sun et al. | Long-term matching optimization with federated neural temporal difference learning in mobility-on-demand systems | |
| CN117553803B (zh) | 一种基于深度强化学习的多无人机智能路径规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |