CN115776680A - 一种适用于边缘计算设备的计算模型动态部署方法及装置 - Google Patents

Abstract

本发明公开一种适用于边缘计算设备的计算模型动态部署方法及装置，方案可以包括：获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；边缘计算设备部署有为预设区域范围内的网联车辆提供驾驶信息服务的第一计算模型；判断当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；若为是，则将当前时刻的交通环境信息与边缘计算设备的标识信息发送至云计算服务器，以使得云计算服务器获取预先存储的边缘计算设备的算力信息，并从计算模型库中选择满足算力信息约束的前提下与当前时刻的交通环境信息匹配的第二计算模型；部署第二计算模型。

Description

一种适用于边缘计算设备的计算模型动态部署方法及装置

技术领域

本发明涉及车联网技术领域，具体而言，涉及一种适用于边缘计算设备的计算模型动态部署方法及装置。

背景技术

在智慧道路中，边缘计算设备为部署有相关计算模型以实现感知、决策等相关功能的硬件设备，其获取与车辆行驶相关的数据后通过部署的计算模型得出感知、决策等结果，以支撑智能网联车辆及产业链相关用户的具体应用。当前对所有边缘计算设备部署统一的通用计算模型，这种通用计算模型对具体道路的计算结果精确度不高。因此，有必要提供一种灵活度高的边缘计算设备上的计算模型的部署方法，以提高边缘计算设备的计算精度。

发明内容

本发明提供一种适用于边缘计算设备的计算模型动态部署方法及装置，用以克服现有技术中存在的至少一个技术问题。

根据本发明实施例的第一方面，提供一种适用于边缘计算设备的计算模型动态部署方法，包括：

获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；

若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

接收并部署所述第二计算模型。

优选的，所述获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息之前，包括：

接收所述云计算服务器发送的通用计算模型；

部署所述通用计算模型。

优选的，所述判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果之前，包括：

预先基于道路基础设施布置种类为所述道路环境信息建立第一若干数量的分类类别，基于道路交通流的拥堵程度为所述道路交通状态信息建立第二若干数量的分类类别，和基于天气种类为所述天气信息建立第三若干数量的分类类别；

基于所述第一若干数量的分类类别、所述第二若干数量的分类类别和所述第三若干数量的分类类别，建立判断相邻时刻的交通环境信息的特征差异程度是否超过所述预定阈值的判断标准。

优选的，若所述当前时刻的交通环境信息中的道路环境信息、道路交通状态信息、天气状况信息中的至少一个与所述上一时刻的交通环境信息中对应的道路环境信息、道路交通状态信息、天气状况信息存在差异，则判定所述第一判断结果为是。

优选的，若所述当前时刻的交通环境信息的子类别中的种类，与所述上一时刻的交通环境信息的子类别中的种类之间存在至少一个子类别的种类差异，则判定所述第一判断结果为是。

优选的，若所述第一判断结果为否，则将所述当前时刻的交通环境信息发送至云计算服务器，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。

根据本发明实施例的第二方面，提供一种云计算服务器的计算模型动态部署方法，应用于云计算服务器，包括：

接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息；

基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

优选的，若所述第一判断结果为否，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。

根据本发明实施例的第三方面，提供一种适用于边缘计算设备的计算模型动态部署装置，包括：

交通环境信息获取模块，用于获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署第一计算模型；

特征差异程度判断模块，用于判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；

信息发送模块，用于若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

模型部署模块，用于接收并部署所述第二计算模型。

根据本发明实施例的第四方面，提供一种适用于边缘计算设备的计算模型动态部署装置，应用于云计算服务器，包括：

交通环境信息接收模块，用于接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

第一判断结果接收模块，用于接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

信息接收模块，用于若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息；

第二计算模型选择模块，用于基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

第二计算模型发送模块，用于向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

本说明书一个实施例至少能够达到以下有益效果：本方案在获取了为部署有第一计算模型的边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息后，将当前时刻的交通环境信息与上一时刻的交通环境信息进行比较，判断二者的特征差异程度是否超过预定阈值，并得到第一判断结果。在第一判断结果为是的情况下，将当前时刻的交通环境信息与此边缘计算设备的标识信息发送至云计算服务器，以使得云计算服务器基于标识信息获取预先存储的边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与当前时刻的交通环境信息匹配的第二计算模型，边缘计算设备部署此第二计算模型后，相较于第一计算模型，由于第二计算模型与当前时刻的交通环境信息更加匹配，从而边缘计算设备在部署了第二计算模型后可以得到比部署第一计算模型时更加精确的对当前时刻的交通环境信息的处理结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种适用于边缘计算设备的计算模型动态部署方法的流程图；

图2为本说明书实施例提供的一种适用于云计算服务器的计算模型动态部署方法的流程图；

图3为本说明书实施例提供的对应于图1的一种适用于边缘计算设备的计算模型动态部署装置的结构示意图；

图4为本说明书实施例提供的对应于图2的一种适用于云计算服务器的计算模型动态部署装置的结构示意图；

图5是本说明书实施例提供的一种适用于边缘计算设备的计算模型动态部署设备的结构示意图；

图6是本说明书实施例提供的一种适用于云计算服务器的计算模型动态部署设备的结构示意图；

具体实施方式

为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。

应当理解，尽管在本申请文件中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。

在智慧道路中，边缘计算设备可以指部署有相关计算模型以实现感知、决策等相关功能以辅助智能网联车辆行驶的硬件设备，其获取与车辆行驶相关的数据后通过部署的计算模型得出感知、决策等结果，以支撑智能网联车辆及产业链相关用户的具体应用。当前对所有边缘计算设备部署统一的通用计算模型，这种通用计算模型前期基于预先收集的交通环境数据经过训练得到，然后再将训练得到的通用计算模型部署到不同道路的不同边缘计算设备中，但是考虑到此预先收集的交通环境数据数量有限，种类有限，在前期并不能对通用计算模型进行充分训练，而且不同道路部署的边缘计算设备可能品牌不同，型号不同，其面对的具体交通环境不同，不同时刻的交通环境也是动态变化的，在前期不能训练得到适用所有交通环境的通用计算模型，这导致后期具体部署到边缘计算设备上的通用计算模型对具体道路环境的针对性差，从而对具体道路的计算结果精确度不高。因此，有必要提供一种灵活度高的边缘计算设备上的计算模型的部署方法，以提高边缘计算设备的计算精度。

在本说明书实施例中，提供了一种灵活度高的边缘计算设备上的计算模型的部署方法，可以根据边缘计算设备从前端感知设备处获取的交通信息的不同，动态地部署相适应的计算模型，从而可以精确的对交通信息的处理结果。

接下来，将针对说明书实施例提供的一种计算模型动态部署方法结合附图进行具体说明。

图1为本说明书实施例提供的一种适用于边缘计算设备的计算模型动态部署方法的流程示意图。从程序角度而言，流程的执行主体可以为边缘计算设备上用来执行应用程序的具体硬件单元。

如图1所示，该流程可以包括以下步骤。

步骤102：获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型。

在本说明书的实施例中，边缘计算设备可以指接收并处理前端感知设备上传的交通环境信息，以生成智能网联车辆、云平台、交通发布系统等可识别的交通数据信息的硬件设备。在实际应用中，考虑到如不同城市的道路或者同一城市不同位置的道路的具体交通环境复杂程度不同等因素，在不同位置的道路上部署的边缘计算设备是有差异的，如存在算力的差异。

其前端感知设备可以指部署在不同道路的不同位置，并用来具体地采集交通环境信息的硬件设备，其采集交通环境信息后经过数据预处理，就可以将处理后的交通环境信息发送给相应的边缘计算设备做进一步处理，或者直接将采集的原始的交通环境信息直接发送给边缘计算设备做处理，本方案中就是由第一计算模型来对前端感知设备所感知的交通环境信息进行处理。在实际应用中考虑到不同的道路的具体交通环境不同，在不同的道路上部署的前端感知设备种类可能不同，或者在不同道路部署的是不同种类的前端感知设备的不同组合。如有的道路交通环境复杂，部署的前端感知设备可能是毫米波雷达、激光雷达和摄像机的设备组合方式，用来实现对交通路况的原始信息的感知，进而通过边缘计算设备上部署的计算模型实现对此原始信息的处理，形成局部感知和统计结果，支撑路侧智慧应用，这种设备组合对边缘计算设备对复杂信息的处理能力和算力要求高。相较于前种道路环境，有的道路的交通环境可能简单一些，部署的前端感知设备可能是毫米波雷达和摄像机的设备组合，这种前端感知设备感知得到交通环境信息后再发送给部署有相应计算模型的边缘计算设备后，就可以用来实现对行人、车辆、交通事件的检测和监控。有的道路交通环境简单，部署的前端感知设备可能就只是摄像机。

交通环境信息可以指预设区域范围内的道路中与交通环境有关的信息，由于前端感知设备只能感知一定范围内的交通环境信息，不同区域的交通环境信息由不同区域各自部署的前端感知设备来感知，因此本步骤中获取的是预设区域范围内的交通环境信息。

第一计算模型面向不同的服务对象可以提供不同的服务，如可以基于前端感知设备采集的交通环境信息为预设区域范围内的网联车辆提供驾驶信息服务。

步骤104：判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果。

在本说明书的实施例中，为了判断交通环境信息是否发生变化，需要将当前时刻的交通环境信息与上一时刻的交通环境信息进行比较，预定阈值就是用来作为判断这相邻两个时刻的交通环境信息的特征差异程度的，此预定阈值的大小可以根据实际场景灵活设置，当需要较高的灵敏度时，可以将此预定阈值设置得小一些，当所需要的灵敏度不是很高时，可以将此预定阈值设置得适当大一些。而且，相邻两个时刻的时间间隔大小的设置可以根据实际场景设置，本实施例技术方案并不做具体限制，如可以设置为5分钟、10分钟、15分钟等，在实际应用中，此时间间隔的大小也可以动态调节。

步骤106：若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型。

在本说明书的实施例中，在判断得到了相邻两个时刻的交通环境信息的特征差异程度超过预定阈值后，边缘计算设备就可以将当前时刻的交通环境信息发送给相应的云计算服务器，云计算服务器可以从模型库中寻找与当前时刻的交通环境信息的特点匹配的第二计算模型，然后将此第二计算模型发送给边缘计算设备，需要说明的是，由于不同计算模型对边缘计算设备的算力要求是不一样的，因此云计算服务器还需要知道此边缘计算设备的算力信息，因此，在本实施例中，边缘计算设备除了需要将当前时刻的交通环境信息发送给相应的云计算服务器，还需要将此边缘计算设备的标识信息发送给云计算服务器。云计算服务器可以预先将不同边缘计算设备的标识信息连同其算力信息存储起来，从而可以在可能的存在与当前时刻的交通环境信息匹配的多个计算模型中优先挑选出与此边缘计算设备的算力匹配的计算模型。

步骤108：接收并部署所述第二计算模型。

在本说明书的实施例中，在边缘计算设备接收到与当前时刻的交通环境信息匹配的第二计算模型后就可以具体地部署此第二计算模型，相较于第一计算模型，由于第二计算模型与当前时刻的交通环境信息更加匹配，从而边缘计算设备在部署了第二计算模型后就可以得到比部署第一计算模型时更加精确的对当前时刻的交通环境信息的处理结果。

应当理解，本说明书一个或多个实施例所述的方法中，部分步骤的顺序可以根据实际需要调整，或者可以省略部分步骤。

基于图1中的方法，在获取了为部署有第一计算模型的边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息后，将当前时刻的交通环境信息与上一时刻的交通环境信息进行比较，判断二者的特征差异程度是否超过预定阈值，并得到第一判断结果。在第一判断结果为是的情况下，将当前时刻的交通环境信息与此边缘计算设备的标识信息发送至云计算服务器，以使得云计算服务器基于标识信息获取预先存储的边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与当前时刻的交通环境信息匹配的第二计算模型，边缘计算设备部署此第二计算模型后，相较于第一计算模型，由于第二计算模型与当前时刻的交通环境信息更加匹配，从而边缘计算设备在部署了第二计算模型后可以得到比部署第一计算模型时更加精确的对当前时刻的交通环境信息的处理结果。

基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。

前文阐述了边缘计算设备可以用来指接收并处理前端感知设备上传的交通环境信息，以生成智能网联车辆、云平台、交通发布系统等可识别的交通数据信息的硬件设备，为了具体发挥边缘计算设备的计算能力，需要对其部署相应的计算模型。从而在可选的实施例中，所述获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息之前，包括：接收所述云计算服务器发送的通用计算模型，部署所述通用计算模型，此通用计算模型面向不同的服务对象可以提供不同的服务，如可以基于前端感知设备采集的交通环境信息为预设区域范围内的网联车辆提供驾驶信息服务。

在本实施例中，通用计算模型可以指前期基于预先收集的交通环境数据经过训练得到的用来对交通环境信息进行处理的计算模型，从而为预设区域范围内的网联车辆提供驾驶信息服务。通用计算模型可以独立训练得到，由于模型的训练需要相应的设备具备较高的算力，可以在云计算服务器上进行具体的训练过程，在训练完毕后云计算服务器就可以将训练好的通用模型分发给不同道路的边缘计算设备，边缘计算设备在接收到通用计算模型后就可以部署此通用计算模型。

前文阐述了需要将当前时刻与相较于当前时刻的上一时刻的交通环境信息进行比较，并判断这两个时刻的交通环境信息的特征差异程度是否超过预定阈值，因此需要预先建立衡量对交通环境信息进行分类的分类标准。从而在可选的实施例中，所述判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果之前，可以包括：预先基于道路基础设施布置种类为所述道路环境信息建立第一若干数量的分类类别，基于道路交通流的拥堵程度为所述道路交通状态信息建立第二若干数量的分类类别，和基于天气种类为所述天气信息建立第三若干数量的分类类别；基于所述第一若干数量的分类类别、所述第二若干数量的分类类别和所述第三若干数量的分类类别，建立判断相邻时刻的交通环境信息的特征差异程度是否超过所述预定阈值的判断标准。

在本方案中，道路基础设施可以指道路上安装的与道路出行有关的设施，如车道线、红绿灯、道路减速标线、红绿灯、路缘石、人行道、机动车道等，从广义角度而言，本方案中的道路基础设施还可以包括道路自身特点，如是否有坡度、是否有坑洼、是否有隧道、是否有弯道、是否有中央分隔带、是否进行渠化(是否将交叉口处车道划分为直行车道、左转车道、右转车道等)、是否禁止变换车道(基本路段和交叉口)、是否机非分离(机动车与非机动车)。不同道路上设置的道路基础设施是不同的，根据道路基础设施的性质，如车道线之类的道路基础设施的设置数量也可能是不同的，这样就可以根据一定的分类标准，预先基于道路基础设施布置种类为道路环境信息建立第一若干数量的分类类别。道路交通流的拥堵程度可以按一定标准分为畅通、缓慢、拥挤、堵塞等，这样可以基于道路交通流的拥堵程度为道路交通状态信息建立第二若干数量的分类类别。天气种类可以指阴天、雨雪、雾霾、天气温度等，这样可以基于天气种类为天气信息建立第三若干数量的分类。从而基于此第一若干数量的分类类别、此第二若干数量的分类类别和此第三若干数量的分类类别，建立判断相邻时刻的交通环境信息的特征差异程度是否超过所述预定阈值的判断标准。

上一实施例技术方案中建立了衡量对交通环境信息进行分类的分类标准，在此分类标准的基础上，在一种可能的方案中，可以建立一种更加细致的衡量相邻时刻的交通环境信息是否超过预定阈值的标准。从而在可选的方案中，若所述当前时刻的交通环境信息中的道路环境信息、道路交通状态信息、天气状况信息中的至少一个与所述上一时刻的交通环境信息中对应的道路环境信息、道路交通状态信息、天气状况信息存在差异，则判定所述第一判断结果为是。

更进一步的，在可选的实施例方案中，若所述当前时刻的交通环境信息的子类别中的种类，与所述上一时刻的交通环境信息的子类别中的种类之间存在至少一个子类别的种类差异，则判定所述第一判断结果为是。在此实施例方案中，可以预先设置好子类别的数量，比如，在示意性的例子中，可以将子类别的数量设置为3个(如道路环境、道路交通状态、天气状况)，此时若当前时刻的交通环境信息的三种子类别分别为A、B、C，上一时刻的交通环境信息的三种子类别若分别为D、B、C，则由于此相邻两个时刻存在一个子类别的种类的差异，可认为交通环境发生了显著变化，此时需要拉取新的更合适的计算模型，以适应交通环境发生的变化。

前文阐述了通用计算模型针对具体道路的具体交通环境信息时所存在的缺点，这是因为预先收集的交通环境数据数量有限，种类有限，从而在前期并不能对通用计算模型进行充分训练，因此，在本方案中，若所述第一判断结果为否，则将所述当前时刻的交通环境信息发送至云计算服务器，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。这样，云计算服务器中存储的不同交通环境下的数据信息会更加丰富、完善，有助于后期训练出更加精确的计算模型。

前文从边缘计算设备的角度对本发明技术方案进行了阐述，为了更具体地阐述本发明技术方案，下面从云计算服务器的角度对本发明技术方案进行阐述，下面进行说明。

本发明提供一种适用于云计算服务器的计算模型动态部署方法，可以包括：

步骤202：接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型。

步骤204：接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息。

步骤206：若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息。

步骤208：基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型。

步骤210：向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

由于前文在从边缘计算设备的角度阐述本发明技术方案时，对相关术语进行了解释，本实施例技术方案从与边缘计算设备相应的云计算服务器的角度对本发明方案进行阐述，在此对相关术语的含义不再赘述，可参见前文内容。

在可选的实施例中，若所述第一判断结果为否，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图3为本说明书实施例提供的对应于图1的一种适用于边缘计算设备的计算模型动态部署装置的结构示意图。如图3所示，该装置可以包括：

交通环境信息获取模块302，用于获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署第一计算模型。

特征差异程度判断模块304，用于判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果。

信息发送模块306，用于若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型。

模型部署模块308，用于接收并部署所述第二计算模型。

图4为本说明书实施例提供的对应于图2的一种适用于云计算服务器的计算模型动态部署装置的结构示意图。如图4所示，该装置可以包括：

交通环境信息接收模块402，用于接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型。

第一判断结果接收模块404，用于接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

信息接收模块406，用于若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息。

第二计算模型选择模块408，用于基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型。

第二计算模型发送模块410，用于向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

可以理解，上述的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能。此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。

基于同样的思路，本说明书实施例还提供了上述方法对应的设备。

图5是本说明书实施例提供的一种适用于边缘计算设备的计算模型动态部署设备的结构示意图。如图5所示，此硬件设备可以包括：

至少一个处理器510；以及，

与所述至少一个处理器通信连接的存储器530；其中，

所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述硬件设备能够：

获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署第一计算模型；

判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；

若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

接收并部署所述第二计算模型。

图6是本说明书实施例提供的一种适用于云计算服务器的计算模型动态部署设备的结构示意图。如图6所示，此硬件设备可以包括：

至少一个处理器610；以及，

与所述至少一个处理器通信连接的存储器630；其中，

所述存储器630存储有可被所述至少一个处理器610执行的指令620，所述指令被所述至少一个处理器610执行，以使所述硬件设备能够：

接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息；

基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

本发明实施例还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种适用于边缘计算设备的计算模型动态部署方法。

同时本发明实施例还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种适用于云计算服务器的计算模型动态部署方法。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种适用于边缘计算设备的计算模型动态部署方法，其特征在于，包括：

获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署第一计算模型；

判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；

若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

接收并部署所述第二计算模型。

2.根据权利要求1所述的方法，其特征在于，所述获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息之前，包括：

接收所述云计算服务器发送的通用计算模型；

部署所述通用计算模型。

3.根据权利要求1所述的方法，其特征在于，所述判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果之前，包括：

预先基于道路基础设施布置种类为所述道路环境信息建立第一若干数量的分类类别，基于道路交通流的拥堵程度为所述道路交通状态信息建立第二若干数量的分类类别，和基于天气种类为所述天气信息建立第三若干数量的分类类别；

基于所述第一若干数量的分类类别、所述第二若干数量的分类类别和所述第三若干数量的分类类别，建立判断相邻时刻的交通环境信息的特征差异程度是否超过所述预定阈值的判断标准。

4.根据权利要求3所述的方法，其特征在于，若所述当前时刻的交通环境信息中的道路环境信息、道路交通状态信息、天气状况信息中的至少一个与所述上一时刻的交通环境信息中对应的道路环境信息、道路交通状态信息、天气状况信息存在差异，则判定所述第一判断结果为是。

5.根据权利要求1所述的方法，其特征在于，若所述当前时刻的交通环境信息的子类别中的种类，与所述上一时刻的交通环境信息的子类别中的种类之间存在至少一个子类别的种类差异，则判定所述第一判断结果为是。

6.根据权利要求1所述的方法，其特征在于，若所述第一判断结果为否，则将所述当前时刻的交通环境信息发送至云计算服务器，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。

7.一种适用于边缘计算设备的计算模型动态部署方法，应用于云计算服务器，其特征在于，包括：

接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息；

基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

8.根据权利要求7所述的方法，其特征在于，若所述第一判断结果为否，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息，以扩充所述云计算服务器中用于训练面向不同交通环境的计算模型的训练数据库。

9.一种适用于边缘计算设备的计算模型动态部署装置，其特征在于，包括：

交通环境信息获取模块，用于获取为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括但不限于所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署第一计算模型；

特征差异程度判断模块，用于判断所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值，得到第一判断结果；

信息发送模块，用于若所述第一判断结果为是，则将所述当前时刻的交通环境信息与所述边缘计算设备的标识信息发送至云计算服务器，以使得所述云计算服务器基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

模型部署模块，用于接收并部署所述第二计算模型。

10.一种适用于云计算服务器的计算模型动态部署装置，其特征在于，包括：

交通环境信息接收模块，用于接收为边缘计算设备提供交通环境信息采集服务的前端感知设备所采集的预设区域范围内当前时刻的交通环境信息；所述交通环境信息包括所述预设区域范围内的道路环境信息、所述预设区域范围内的道路交通状态信息、所述预设区域范围内的天气状况信息；所述边缘计算设备部署有第一计算模型；

第一判断结果接收模块，用于接收第一判断结果，所述第一判断结果为关于所述当前时刻的交通环境信息与上一时刻的交通环境信息的特征差异程度是否超过预定阈值的结果信息；

信息接收模块，用于若所述第一判断结果为是，则接收所述边缘计算设备发送的所述当前时刻的交通环境信息与所述边缘计算设备的标识信息；

第二计算模型选择模块，用于基于所述标识信息获取预先存储的所述边缘计算设备的算力信息，并从计算模型库中选择满足所述算力信息约束的前提下与所述当前时刻的交通环境信息匹配的第二计算模型；所述计算模型库中存储有若干适用于不同交通环境的计算模型；

第二计算模型发送模块，用于向所述边缘计算设备发送所述第二计算模型以使得所述边缘计算设备部署所述第二计算模型。

Images