CN116782185A - 一种车载无线短距离通信的资源调度方法及装置 - Google Patents
一种车载无线短距离通信的资源调度方法及装置 Download PDFInfo
- Publication number
- CN116782185A CN116782185A CN202311074822.XA CN202311074822A CN116782185A CN 116782185 A CN116782185 A CN 116782185A CN 202311074822 A CN202311074822 A CN 202311074822A CN 116782185 A CN116782185 A CN 116782185A
- Authority
- CN
- China
- Prior art keywords
- communication
- node
- data
- resource
- vehicle
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 504
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims description 129
- 238000013468 resource allocation Methods 0.000 claims description 45
- 239000002245 particle Substances 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种车载无线短距离通信的资源调度方法及装置,包括:利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。提高通信效率,减少通信延迟,提高车载无线短距离通信的质量和稳定性。
Description
技术领域
本发明涉及资源调度技术领域,尤其涉及一种车载无线短距离通信的资源调度方法及装置。
背景技术
车载无线短距离通信是近年来随着车联网技术的发展而得到广泛应用的一种通信方式,它通过车载无线通信设备与周围的其他通信设备进行数据交换,以实现车辆内部各设备间的信息交互;然而,蓝牙、WiFi等传统的车载无线短距离通信资源调度方法通常基于固定的调度策略,如固定的通信频率、通信时长和通信优先级等,这种方法在通信环境稳定、通信需求固定的情况下能够满足需求,但在车辆密集、通信需求变化大的环境下,固定的调度策略往往无法满足各个T节点的通信需求,导致通信效率低下,甚至出现通信拥塞的情况;此外,传统的调度方法通常无法准确地获取和理解T节点的通信需求和资源需求,无法根据实际需求进行灵活的资源调度,进一步降低了通信效率;同时,蓝牙、WiFi等国外技术存在随意限制我国企业使用的先例,具有安全风险。
申请号为:CN202110328655的发明公开了车载无线短距离通信系统及其通信资源分配方法,车载无线短距离通信系统包括高级G节点及至少一个一般G节点;通信资源分配方法包括:响应于至少一个一般G节点向高级G节点待请求通信资源,根据每一个一般G节点的当前通信资源请求的逻辑信道的优先级分别生成一般G节点的优先级信息;待请求通信资源的至少一个一般G节点分别向高级G节点发送包括自身优先级信息的请求信息;响应于高级G节点接收到待请求通信资源的至少一个一般G节点的请求信息,基于优先级信息递减顺序依次向至少一个一般G节点分配通信资源。该现有技术存在的缺陷包括:该方法根据每个一般G节点的当前通信资源请求的逻辑信道的优先级来生成优先级信息,然后基于优先级信息递减顺序依次分配通信资源,这种方式在一些情况下无法满足实际需求,因为它并没有考虑到通信环境的动态变化,如车辆的移动、通信需求的变化等,如果一个低优先级的节点突然有了紧急的通信需求,这种静态的优先级分配方式可能无法及时满足其需求;该方法主要依赖于高级G节点对通信资源的分配,但并未利用到现代的智能优化算法,如深度学习、强化学习等,来进行更有效的资源调度,这导致资源分配的效率和效果不尽如人意;每个一般G节点都需要向高级G节点发送包括自身优先级信息的请求信息,这将增加系统的通信开销,特别是在节点数量较多的情况下,可能会导致通信拥塞,影响系统的稳定性和可靠性;该方法主要依赖于预先设定的优先级信息进行资源分配,缺乏根据实时通信需求动态调整资源分配的能力,降低了系统的灵活性和适应性。
因此,如何根据实际的通信需求和资源需求,动态地对车载无线短距离通信资源进行调度,是当前车载无线短距离通信领域亟待解决的问题。
发明内容
本发明提供了一种车载无线短距离通信的资源调度方法及装置,以解决现有技术中存在的传统的车载无线短距离通信资源调度方法通常基于固定的调度策略,如固定的通信频率、通信时长和通信优先级等,这种方法在通信环境稳定、通信需求固定的情况下能够满足需求,但在车辆密集、通信需求变化大的环境下,固定的调度策略往往无法满足各个T节点的通信需求,导致通信效率低下,甚至出现通信拥塞的情况;此外,传统的调度方法通常无法准确地获取和理解T节点的通信需求和资源需求,无法根据实际需求进行灵活的资源调度,进一步降低了通信效率的上述问题。
为了达到上述目的,本发明提供如下技术方案:
一种车载无线短距离通信的资源调度方法,包括:
S101:利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
S102:基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
S103:基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
其中,S101步骤包括:
S1011:与车载无线短距离通信的G节点连接的若干个T节点;
S1012:G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
S1013:G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
其中,S102步骤包括:
S1021:G节点对接收的通信数据进行特征提取,特征提取包括数据包大小、数据包传输速率和数据包传输方向的特征;
S1022:基于卷积神经网络的深度学习模型,对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
S1023:基于机器学习算法,G节点根据分析结果对T节点的通信需求和资源需求进行预测,获取预测结果,预测结果包括带宽需求、延迟需求和稳定性需求。
其中,S103步骤包括:
S1031:G节点利用粒子群优化算法,对T节点的通信需求和资源需求进行分析,通过分析确定对应的通信资源分配策略;
S1032:基于车载无线短距离通信的实时环境因素和实时通信状态,对确定的通信资源分配策略进行动态调整,其中,实时环境因素包括车辆速度、周围车辆数量和通信干扰,实时通信状态包括信号强度和数据包丢失率;
S1033:G节点根据动态调整后的通信资源分配策略,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级;
S1034:G节点设置对应的反馈机制,T节点根据实际通信效果向G节点提供反馈,G节点根据反馈信息,进一步优化通信资源调度策略。
其中,S1012步骤包括:
T节点接收G节点发送的请求信号,T节点对请求信号进行解码,通过解码获取请求信号的内容,请求信号的内容包括通信数据的传输方向和传输速率,T节点根据传输方向,选择对应的无线传感器网络节点进行数据传输,T节点将通信数据进行分包处理并对数据包进行测量,获取待传输的数据包,T节点将数据包通过无线传感器网络传输给G节点,在传输过程中监测数据包传输的质量,传输的质量包括信号强度和数据包丢失率,T节点根据监测结果,调整传输速率和传输方式,保证数据传输的稳定性和可靠性。
其中,S1021步骤包括:
G节点对通信数据进行数据包解析,获取数据包的相关信息,G节点计算数据包大小的特征,数据包大小的特征包括平均数据包大小和数据包大小的分布情况,G节点计算数据包传输速率的特征,数据包传输速率的特征包括平均传输速率和传输速率的变化趋势,G节点确定数据包传输方向的特征,传输方向的特征包括传输源和传输目的地的统计信息。
其中,S1022步骤包括:
将通信数据转化为卷积神经网络输入的格式,利用卷积神经网络对通信数据进行分析,该卷积神经网络包括若干个卷积层、池化层和全连接层,通过前向传播得到分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
其中,卷积神经网络的结构根据通信数据的特性进行调整,包括增加或减少卷积层和池化层的数量、调整卷积核的大小和步长,以适应不同的通信环境和需求。
其中,S1031步骤包括:
获取T节点的通信需求和资源需求信息,信息包括通信数据量、通信频率、通信时延要求以及可用的通信资源情况;设计适应度函数,将T节点的通信需求和资源需求转化为适应度值,用于评估不同资源分配策略的优劣;初始化粒子群的位置和速度,每个粒子代表一种资源分配策略,位置表示资源分配方案,速度表示资源分配策略的变化方向和速度;迭代更新粒子群的位置和速度,根据适应度函数评估每个粒子的适应度值,更新在预设值范围的全局最优解和个体最优解;根据最优解确定对于的资源分配策略,将通信资源分配给T节点,满足通信需求和资源需求;
引入动态调整机制,根据T节点的通信需求和资源需求的变化,实时调整粒子群的位置和速度,适应不同的通信环境和需求变化;将通信资源的限制条件作为约束条件加入到适应度函数中,限制条件包括带宽和延迟,确保资源分配策略满足通信资源的限制条件。
其中,一种车载无线短距离通信的资源调度装置,包括:
获取通信数据单元,用于利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
获取分析结果单元,用于基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
资源调度单元,用于基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
其中,获取通信数据单元包括:
获取通信数据第一子单元,用于与车载无线短距离通信的G节点连接的若干个T节点;
获取通信数据第二子单元,用于G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
获取通信数据第三子单元,用于G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
与现有技术相比,本发明具有以下优点:
一种车载无线短距离通信的资源调度方法,包括:利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。提高通信效率,减少通信延迟,提高车载无线短距离通信的质量和稳定性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种车载无线短距离通信的资源调度方法的流程图;
图2为本发明实施例中获取通信数据的流程图;
图3为本发明实施例中获取分析结果的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种车载无线短距离通信的资源调度方法,包括:
S101:利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
S102:基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
S103:基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
上述技术方案的工作原理为:通过车载无线短距离通信的G节点(管理节点),获取与G节点连接的T节点(被管理节点)对应的通信数据,这些数据来自车辆内部的传感器数据、车辆之间的通信数据或者与车辆相关的外部环境数据;G节点利用深度学习模型对获取的通信数据进行分析,深度学习模型可以通过训练大量的数据样本,学习到数据的特征和模式,通过对通信数据的分析,可以获取分析结果,包括数据的类型、优先级、通信频率、通信时长等信息,这些信息可以反映T节点的通信需求和资源需求;G节点基于优化算法的调度策略,根据分析结果对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级,通过优化算法,可以在满足T节点通信需求的前提下,最大化利用通信资源,提高通信效率和资源利用率。
上述技术方案的有益效果为:通过无线传感器网络技术和深度学习模型的结合,可以更准确地获取和分析T节点的通信数据,从而进行更有效的资源调度;通过基于优化算法的调度策略,可以实现对车载无线短距离通信资源的动态管理和调度,提高资源利用率,降低资源浪费;该方法可以提高通信效率,减少通信延迟,提高车载无线短距离通信的质量和稳定性。
在另一实施例中,S101步骤包括:
S1011:与车载无线短距离通信的G节点连接的若干个T节点;
S1012:G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
S1013:G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
上述技术方案的工作原理为:与车载无线短距离通信的G节点连接了若干个T节点,这些T节点包括车辆内部的传感器节点、其他车辆的通信节点或者与车辆相关的外部环境节点;G节点向与其连接的T节点发送请求信号,T节点接收并解析请求信号,根据解析结果确定需要传输给G节点的通信数据,然后,T节点通过无线传感器网络将对应的通信数据传输给G节点;G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作,预处理操作包括数据解码、去噪和校验,以确保数据的准确性和完整性。然后,G节点将处理后的数据存储起来,以供后续的分析和应用。
上述技术方案的有益效果为:通过无线传感器网络技术,可以实时获取与G节点连接的T节点对应的通信数据,这样可以及时获取车辆内部传感器数据、与其他车辆的通信数据或者与车辆相关的外部环境数据,具有较高的实时性和灵活性;通过发送请求信号和解析请求信号,可以确保只获取与G节点连接的T节点对应的通信数据,避免了不必要的数据传输和处理,这样可以提高数据获取的准确性和可靠性;G节点对从T节点传输过来的通信数据进行预处理操作,例如解码、去噪、校验等,以确保数据的准确性和完整性,同时,将处理后的数据存储起来,可以方便后续的分析和应用;通过预处理和存储的通信数据,可以进行后续的数据分析和应用,这样可以提高数据分析和应用的效率,为车辆的智能化控制、决策支持等方面提供有益的数据基础。
在另一实施例中,S102步骤包括:
S1021:G节点对接收的通信数据进行特征提取,特征提取包括数据包大小、数据包传输速率和数据包传输方向的特征;
S1022:基于卷积神经网络的深度学习模型,对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
S1023:基于机器学习算法,G节点根据分析结果对T节点的通信需求和资源需求进行预测,获取预测结果,预测结果包括带宽需求、延迟需求和稳定性需求。
上述技术方案的工作原理为:G节点对接收的通信数据进行特征提取,特征提取包括提取数据包的大小、传输速率和传输方向等特征,这些特征可以反映通信数据的基本属性和特点;G节点利用基于卷积神经网络的深度学习模型对获取的通信数据进行分析,深度学习模型通过训练大量的数据样本,学习到数据的特征和模式,通过对通信数据的分析,可以获取分析结果,包括数据的类型、优先级、通信频率和通信时长等信息,这些信息可以帮助理解通信数据的含义和重要性;G节点基于机器学习算法对分析结果进行预测,预测T节点的通信需求和资源需求,预测结果包括带宽需求、延迟需求和稳定性需求等,通过机器学习算法,可以根据历史数据和模型训练,预测未来的通信需求和资源需求。
上述技术方案的有益效果为:通过卷积神经网络的深度学习模型,可以对通信数据进行深度分析,提取丰富的特征信息,这样可以提高数据分析的准确性和全面性,更好地理解通信数据的含义和重要性;通过机器学习算法,可以根据历史数据和模型训练,预测未来的通信需求和资源需求,这样可以提高需求预测的精确性和可靠性,为资源调度和优化提供有益的参考;通过对T节点的通信需求和资源需求进行预测,G节点可以根据实际情况进行资源调度,这样可以提高资源调度的效率和灵活性,满足不同通信需求的优先级和要求;通过深度分析和需求预测,可以优化车载无线短距离通信的性能和资源利用,这样可以提高通信的稳定性、带宽利用率和延迟控制,提升通信效果和用户体验。
在另一实施例中,S103步骤包括:
S1031:G节点利用粒子群优化算法,对T节点的通信需求和资源需求进行分析,通过分析确定对应的通信资源分配策略;
S1032:基于车载无线短距离通信的实时环境因素和实时通信状态,对确定的通信资源分配策略进行动态调整,其中,实时环境因素包括车辆速度、周围车辆数量和通信干扰,实时通信状态包括信号强度和数据包丢失率;
S1033:G节点根据动态调整后的通信资源分配策略,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级;
S1034:G节点设置对应的反馈机制,T节点根据实际通信效果向G节点提供反馈,G节点根据反馈信息,进一步优化通信资源调度策略。
上述技术方案的工作原理为:G节点利用粒子群优化算法对T节点的通信需求和资源需求进行分析,通过粒子群优化算法,可以搜索到最优的通信资源分配策略,这些策略可以根据T节点的通信需求和资源需求,确定通信频率、通信时长和通信优先级等参数;基于车载无线短距离通信的实时环境因素和实时通信状态,对确定的通信资源分配策略进行动态调整,实时环境因素包括车辆速度、周围车辆数量和通信干扰等,实时通信状态包括信号强度和数据包丢失率等,根据这些实时信息,可以动态调整通信资源分配策略,以适应不同的通信环境和通信需求;G节点根据动态调整后的通信资源分配策略,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级等参数,通过合理的调度,可以优化通信资源的利用效率和通信性能;G节点设置对应的反馈机制,T节点根据实际通信效果向G节点提供反馈,G节点根据反馈信息,进一步优化通信资源调度策略,通过不断的反馈和优化,可以提高通信资源的分配精度和效果。
上述技术方案的有益效果为:通过粒子群优化算法,可以搜索到最优的通信资源分配策略,这样可以实现通信资源的最优分配,提高通信效果和资源利用效率;通过实时环境因素和实时通信状态的动态调整,可以根据不同的通信环境和通信需求,灵活调整通信资源分配策略,这样可以适应不同的通信场景,提高通信的稳定性和可靠性;通过对通信资源的调度,可以优化通信频率、通信时长和通信优先级等参数。这样可以提高通信性能,满足不同通信需求的优先级和要求;通过设置反馈机制,可以根据T节点的实际通信效果进行优化,这样可以不断改进通信资源调度策略,提高通信效果和用户体验。
在另一实施例中,S1012步骤包括:
T节点接收G节点发送的请求信号,T节点对请求信号进行解码,通过解码获取请求信号的内容,请求信号的内容包括通信数据的传输方向和传输速率,T节点根据传输方向,选择对应的无线传感器网络节点进行数据传输,T节点将通信数据进行分包处理并对数据包进行测量,获取待传输的数据包,T节点将数据包通过无线传感器网络传输给G节点,在传输过程中监测数据包传输的质量,传输的质量包括信号强度和数据包丢失率,T节点根据监测结果,调整传输速率和传输方式,保证数据传输的稳定性和可靠性。
上述技术方案的工作原理为:T节点接收G节点发送的请求信号,并进行解码,以获取请求信号的内容,解码过程可以根据通信协议或编码规则进行,将二进制信号转换为可识别的数据;解码后,T节点获取请求信号的内容,其中包括通信数据的传输方向和传输速率,传输方向指示了数据从哪个方向传输到T节点,例如从其他T节点、本地存储或其他来源,传输速率指示了数据传输的速度要求,可以根据实际需求确定;根据传输方向,T节点选择对应的无线传感器网络节点进行数据传输,无线传感器网络节点可以是附近的其他T节点或专门的传感器节点,根据通信需求和网络拓扑进行选择;T节点对通信数据进行分包处理,并对数据包进行测量,以获取待传输的数据包,分包处理可以根据通信协议或数据传输要求进行,将数据划分为适当大小的数据包;T节点将数据包通过无线传感器网络传输给G节点,传输过程中,T节点监测数据包传输的质量,包括信号强度和数据包丢失率等指标,这些指标可以通过无线传感器网络的通信状态和传输结果进行监测;根据监测结果,T节点根据需要调整传输速率和传输方式,以保证数据传输的稳定性和可靠性,例如,如果信号强度较弱或数据包丢失率较高,T节点可以降低传输速率或采用更可靠的传输方式,以确保数据的成功传输;
其中,无线信道的通信资源是有限的,当信道中传输的数据包过多时,可能会产生冲突和碰撞,从而导致数据包丢失,为了提高车载无线短距离通信的可靠性,需要在无线传输信道中加入相应的监听和冲突避免机制,若监测到冲突发生,则采用二进制指数退避算法来对数据包无线传输中遇到的冲突和碰撞进行处理,具体流程如下:
步骤一:在传输过程中监测数据包传输的质量,检测是否存在冲突和碰撞,若存在,则将n记为第几次发生冲突,若数据包传输没有发生冲突和碰撞,则发送成功,处理过程结束;
步骤二:设置基本退避时间,设2t为端到端往返时间,将2t作为冲突窗口;
步骤三:确定参数k,参数k与冲突次数有关,设定k的最大值不超过10,参数k的取值范围为k = min[n,10];
步骤四:从自然数集合[0,1,2, … , (2k − 1)]中选取随机数r,退避机制的等待时延tw为r倍的基本退避时间,即t<sub>w</sub>= r × 2t;
步骤五:退避计数器根据t<sub>w</sub>设置计时时间,当退避计数器为0 后,重新发送数据包,在冲突次数不大于16 时,重复上述步骤一至步骤五,直至发送成功;
步骤六:当冲突次数大于16 后认为发送失败,对该数据包进行丢弃,发送错误报告。
上述技术方案的有益效果为:通过解析请求信号和监测传输质量,T节点可以根据实际情况调整传输速率和传输方式,以保证数据传输的准确性和可靠性;通过选择合适的无线传感器网络节点和调整传输速率,T节点可以有效利用通信资源,提高通信效率和资源利用率;通过监测信号强度和数据包丢失率等指标,T节点可以根据实时情况调整传输方式,以保证数据传输的稳定性和连续性;通过根据传输方向选择合适的传感器节点和调整传输速率,T节点可以优化通信性能,满足不同通信需求的优先级和要求。
在另一实施例中,S1021步骤包括:
G节点对通信数据进行数据包解析,获取数据包的相关信息,G节点计算数据包大小的特征,数据包大小的特征包括平均数据包大小和数据包大小的分布情况,G节点计算数据包传输速率的特征,数据包传输速率的特征包括平均传输速率和传输速率的变化趋势,G节点确定数据包传输方向的特征,传输方向的特征包括传输源和传输目的地的统计信息。
上述技术方案的工作原理为:G节点接收通信数据,并进行数据包解析,以获取数据包的相关信息,解析过程可以根据通信协议或编码规则进行,将接收到的数据转换为可识别的数据包;解析后,G节点获取数据包的相关信息,包括数据包的源地址、目的地址和传输控制信息等,这些信息可以用于后续的特征提取和分析;G节点计算数据包大小的特征,包括平均数据包大小和数据包大小的分布情况,通过统计接收到的数据包数量和累加数据包的字节数,可以计算平均数据包大小,同时,可以对数据包大小进行分析,计算数据包大小的最大值、最小值和分布情况,以了解数据包大小的特征;G节点计算数据包传输速率的特征,包括平均传输速率和传输速率的变化趋势,通过记录数据包的接收时间和传输距离,可以计算数据包的传输速率,通过计算传输速率的平均值,并分析传输速率的变化趋势,可以了解数据包传输速率的特征;G节点确定数据包传输方向的特征,包括传输源和传输目的地的统计信息,通过统计数据包的源地址和目的地址,可以分析传输方向的特征,确定主要的传输源和传输目的地;
数据包解析还包括:G节点对通信数据进行解码,以获取数据包的原始内容, G节点根据通信协议或编码规则,解析数据包的头部信息,包括源地址、目的地址和传输控制信息,G节点根据解析结果,获取数据包的有效载荷部分,即实际传输的数据内容;
计算数据包大小的特征还包括:G节点统计接收的数据包数量,G节点累加数据包的字节数,并计算平均数据包大小,G节点对数据包大小进行分析,包括计算数据包大小的最大值、最小值和分布情况;
计算数据包传输速率的特征还包括:G节点记录数据包的接收时间和传输距离,G节点根据接收时间和传输距离计算数据包的传输速率,G节点计算数据包传输速率的平均值,并分析传输速率的变化趋势;
确定数据包传输方向的特征还包括:G节点统计数据包的源地址和目的地址; G节点分析源地址和目的地址的统计信息,确定主要的传输源和传输目的地。
上述技术方案的有益效果为:通过对数据包进行解析和特征计算,可以提取数据包的大小、传输速率和传输方向等特征,为后续的数据分析和处理提供基础;通过计算数据包大小和传输速率的特征,可以评估通信性能的稳定性和效率,并根据传输速率的变化趋势进行优化调整,以提高通信质量和传输效率;通过确定数据包的传输源和传输目的地,可以分析通信网络的拓扑结构和数据流向,为网络优化和数据路由提供参考;通过对数据包大小和传输速率的特征分析,可以检测异常情况和数据丢失的可能性,从而提高数据传输的可靠性和安全性。
在另一实施例中,S1022步骤包括:
将通信数据转化为卷积神经网络输入的格式,利用卷积神经网络对通信数据进行分析,该卷积神经网络包括若干个卷积层、池化层和全连接层,通过前向传播得到分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
其中,卷积神经网络的结构根据通信数据的特性进行调整,包括增加或减少卷积层和池化层的数量、调整卷积核的大小和步长,以适应不同的通信环境和需求。
上述技术方案的工作原理为:将通信数据转化为卷积神经网络输入的格式,通信数据通常是一系列的数据包,可以将每个数据包视为一个样本,将数据包的特征作为输入,可以将数据包的特征表示为一个多维矩阵,其中每个维度表示不同的特征,例如数据包的大小、传输速率等;构建卷积神经网络结构,根据通信数据的特性进行调整,可以增加或减少卷积层和池化层的数量,调整卷积核的大小和步长,这样可以根据通信数据的特征提取需求,灵活地设计网络结构,以适应不同的通信环境和需求;进行前向传播,将转化后的通信数据输入到卷积神经网络中,通过卷积层、池化层和全连接层等操作,对通信数据进行特征提取和分析,最终得到分析结果,包括数据的类型、优先级、通信频率和通信时长的信息;分析结果的应用,根据分析结果,可以对通信数据进行分类、优先级排序、频率统计和时长预测等操作,这些分析结果可以用于网络管理、资源调度、故障诊断等应用场景,提高通信系统的性能和效率。
上述技术方案的有益效果为:通过卷积神经网络对通信数据进行特征提取和分析,可以从原始数据中提取出有用的特征信息,为后续的数据处理和决策提供基础;根据通信数据的特性进行卷积神经网络结构的调整,可以灵活地适应不同的通信环境和需求,提高分析的准确性和效率;通过卷积神经网络的前向传播,可以快速得到通信数据的分析结果,包括数据的类型、优先级、通信频率和通信时长等信息,为网络管理和决策提供有益参考;通过对通信数据的分析,可以优化资源调度、故障诊断和网络管理等方面,提高通信系统的性能和效率。
在另一实施例中,S1031步骤包括:
获取T节点的通信需求和资源需求信息,信息包括通信数据量、通信频率、通信时延要求以及可用的通信资源情况;设计适应度函数,将T节点的通信需求和资源需求转化为适应度值,用于评估不同资源分配策略的优劣;初始化粒子群的位置和速度,每个粒子代表一种资源分配策略,位置表示资源分配方案,速度表示资源分配策略的变化方向和速度;迭代更新粒子群的位置和速度,根据适应度函数评估每个粒子的适应度值,更新在预设值范围的全局最优解和个体最优解;根据最优解确定对于的资源分配策略,将通信资源分配给T节点,满足通信需求和资源需求;
引入动态调整机制,根据T节点的通信需求和资源需求的变化,实时调整粒子群的位置和速度,适应不同的通信环境和需求变化;将通信资源的限制条件作为约束条件加入到适应度函数中,限制条件包括带宽和延迟,确保资源分配策略满足通信资源的限制条件。
上述技术方案的工作原理为:获取T节点的通信需求和资源需求信息,收集T节点的通信数据量、通信频率、通信时延要求以及可用的通信资源情况等信息,作为优化的输入;设计适应度函数,将T节点的通信需求和资源需求转化为一个适应度值,用于评估不同资源分配策略的优劣,适应度函数可以根据具体需求设计,例如可以将通信数据量与可用通信资源进行比较,将通信频率与通信时延要求进行权衡等;初始化粒子群的位置和速度,每个粒子代表一种资源分配策略,位置表示资源分配方案,速度表示资源分配策略的变化方向和速度,初始位置和速度可以随机生成或根据经验设置;迭代更新粒子群的位置和速度,根据适应度函数评估每个粒子的适应度值,并更新在预设值范围的全局最优解和个体最优解,通过更新位置和速度,粒子群逐渐向全局最优解靠近;根据最优解确定资源分配策略,根据全局最优解确定对应的资源分配策略,将通信资源分配给T节点,以满足其通信需求和资源需求。
上述技术方案的有益效果为:通过粒子群优化算法,可以根据T节点的通信需求和资源需求,个性化地分配通信资源,满足不同节点的特定需求;引入动态调整机制,根据T节点的通信需求和资源需求的变化,实时调整粒子群的位置和速度,以适应不同的通信环境和需求变化;将通信资源的限制条件作为约束条件加入到适应度函数中,例如带宽和延迟等,确保资源分配策略满足通信资源的限制条件,提高系统的稳定性和可靠性;通过迭代更新粒子群的位置和速度,粒子群逐渐向全局最优解靠近,能够搜索到更优的资源分配策略,提高通信系统的性能和效率。
在另一实施例中,一种车载无线短距离通信的资源调度装置,包括:
获取通信数据单元,用于利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
获取分析结果单元,用于基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
资源调度单元,用于基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
上述技术方案的工作原理为:通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据单元;基于深度学习模型,G节点对获取的通信数据进行分析,提取数据的类型、优先级、通信频率、通信时长等信息,例如,通过深度学习模型可以识别出温度数据、湿度数据等不同类型的数据,并确定其优先级和通信频率;基于优化算法的调度策略,G节点根据分析结果对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级,例如,对于优先级较高的数据,可以增加其通信频率和时长,以保证及时传输;对于优先级较低的数据,可以降低其通信频率和时长,以节省通信资源。
上述技术方案的有益效果为:通过深度学习模型对通信数据进行分析,可以准确提取数据的类型、优先级、通信频率、通信时长等信息,实现对T节点的精准通信需求分析;基于优化算法的调度策略,可以根据分析结果对车载无线短距离通信资源进行优化调度,合理分配通信频率、时长和优先级,以满足T节点的通信需求和资源需求;通过精准的通信需求分析和资源优化调度,可以提高通信系统的效率,优先级较高的数据可以及时传输,保证数据的实时性,优先级较低的数据可以降低通信频率和时长,节省通信资源;通过合理调度通信资源,降低通信频率和时长,可以减少能源消耗,延长节点的续航时间,提高系统的能源利用效率。
在另一实施例中,获取通信数据单元包括:
获取通信数据第一子单元,用于与车载无线短距离通信的G节点连接的若干个T节点;
获取通信数据第二子单元,用于G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
获取通信数据第三子单元,用于G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
上述技术方案的工作原理为:G节点与车载无线短距离通信的若干个T节点建立连接,通过无线传感器网络技术获取与这些T节点对应的通信数据,例如,G节点可以通过无线信号与T节点进行通信,获取T节点采集到的传感器数据;G节点向与其连接的T节点发送请求信号,T节点接收并解析请求信号,根据解析结果确定需要传输的通信数据,T节点通过无线传感器网络将对应的通信数据传输给G节点,例如,G节点可以发送请求信号给T节点,请求获取温度传感器的数据,T节点接收请求信号后,从温度传感器中读取数据,并通过无线传感器网络将数据传输给G节点;G节点接收从T节点传输过来的通信数据,对数据进行预处理操作和存储,预处理操作可以包括数据清洗、去噪、归一化等,以提高数据质量,存储操作可以将数据保存在本地或云端,以供后续分析和应用。
上述技术方案的有益效果为:通过与T节点建立连接,G节点可以实时获取T节点采集到的数据,保证数据的及时性和准确性;通过发送请求信号,G节点可以灵活地请求不同T节点的数据,满足不同场景下的数据需求;通过无线传感器网络,T节点可以将对应的通信数据传输给G节点,实现高效的数据传输和共享;G节点对传输过来的通信数据进行预处理操作和存储,提高数据质量和可用性,为后续的分析和应用提供基础。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种车载无线短距离通信的资源调度方法,其特征在于,包括:
S101:利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
S102:基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
S103:基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
2.根据权利要求1所述的一种车载无线短距离通信的资源调度方法,其特征在于,S101步骤包括:
S1011:与车载无线短距离通信的G节点连接的若干个T节点;
S1012:G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
S1013:G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
3.根据权利要求1所述的一种车载无线短距离通信的资源调度方法,其特征在于,S102步骤包括:
S1021:G节点对接收的通信数据进行特征提取,特征提取包括数据包大小、数据包传输速率和数据包传输方向的特征;
S1022:基于卷积神经网络的深度学习模型,对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
S1023:基于机器学习算法,G节点根据分析结果对T节点的通信需求和资源需求进行预测,获取预测结果,预测结果包括带宽需求、延迟需求和稳定性需求。
4.根据权利要求1所述的一种车载无线短距离通信的资源调度方法,其特征在于,S103步骤包括:
S1031:G节点利用粒子群优化算法,对T节点的通信需求和资源需求进行分析,通过分析确定对应的通信资源分配策略;
S1032:基于车载无线短距离通信的实时环境因素和实时通信状态,对确定的通信资源分配策略进行动态调整,其中,实时环境因素包括车辆速度、周围车辆数量和通信干扰,实时通信状态包括信号强度和数据包丢失率;
S1033:G节点根据动态调整后的通信资源分配策略,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级;
S1034:G节点设置对应的反馈机制,T节点根据实际通信效果向G节点提供反馈,G节点根据反馈信息,进一步优化通信资源调度策略。
5.根据权利要求2所述的一种车载无线短距离通信的资源调度方法,其特征在于,S1012步骤包括:
T节点接收G节点发送的请求信号,T节点对请求信号进行解码,通过解码获取请求信号的内容,请求信号的内容包括通信数据的传输方向和传输速率,T节点根据传输方向,选择对应的无线传感器网络节点进行数据传输,T节点将通信数据进行分包处理并对数据包进行测量,获取待传输的数据包,T节点将数据包通过无线传感器网络传输给G节点,在传输过程中监测数据包传输的质量,传输的质量包括信号强度和数据包丢失率,T节点根据监测结果,调整传输速率和传输方式,保证数据传输的稳定性和可靠性。
6.根据权利要求3所述的一种车载无线短距离通信的资源调度方法,其特征在于,S1021步骤包括:
G节点对通信数据进行数据包解析,获取数据包的相关信息,G节点计算数据包大小的特征,数据包大小的特征包括平均数据包大小和数据包大小的分布情况,G节点计算数据包传输速率的特征,数据包传输速率的特征包括平均传输速率和传输速率的变化趋势,G节点确定数据包传输方向的特征,传输方向的特征包括传输源和传输目的地的统计信息。
7.根据权利要求3所述的一种车载无线短距离通信的资源调度方法,其特征在于,S1022步骤包括:
将通信数据转化为卷积神经网络输入的格式,利用卷积神经网络对通信数据进行分析,该卷积神经网络包括若干个卷积层、池化层和全连接层,通过前向传播得到分析结果,分析结果包括数据的类型、优先级、通信频率和通信时长的信息;
其中,卷积神经网络的结构根据通信数据的特性进行调整,包括增加或减少卷积层和池化层的数量、调整卷积核的大小和步长,以适应不同的通信环境和需求。
8.根据权利要求4所述的一种车载无线短距离通信的资源调度方法,其特征在于,S1031步骤包括:
获取T节点的通信需求和资源需求信息,信息包括通信数据量、通信频率、通信时延要求以及可用的通信资源情况;设计适应度函数,将T节点的通信需求和资源需求转化为适应度值,用于评估不同资源分配策略的优劣;初始化粒子群的位置和速度,每个粒子代表一种资源分配策略,位置表示资源分配方案,速度表示资源分配策略的变化方向和速度;迭代更新粒子群的位置和速度,根据适应度函数评估每个粒子的适应度值,更新在预设值范围的全局最优解和个体最优解;根据最优解确定对于的资源分配策略,将通信资源分配给T节点,满足通信需求和资源需求;
引入动态调整机制,根据T节点的通信需求和资源需求的变化,实时调整粒子群的位置和速度,适应不同的通信环境和需求变化;将通信资源的限制条件作为约束条件加入到适应度函数中,限制条件包括带宽和延迟,确保资源分配策略满足通信资源的限制条件。
9.一种车载无线短距离通信的资源调度装置,其特征在于,包括:
获取通信数据单元,用于利用无线传感器网络技术,通过车载无线短距离通信的G节点,获取与G节点连接的T节点对应的通信数据;
获取分析结果单元,用于基于深度学习模型,G节点对获取的通信数据进行分析,获取分析结果,分析结果包括数据的类型、优先级、通信频率、通信时长的信息,确定T节点的通信需求和资源需求;
资源调度单元,用于基于优化算法的调度策略,G节点根据分析结果,对车载无线短距离通信资源进行调度,调度包括调整T节点的通信频率、通信时长和通信优先级。
10.根据权利要求9所述的一种车载无线短距离通信的资源调度装置,其特征在于,获取通信数据单元包括:
获取通信数据第一子单元,用于与车载无线短距离通信的G节点连接的若干个T节点;
获取通信数据第二子单元,用于G节点将请求信号发送至与G节点连接的T节点,T节点接收并解析请求信号,T节点根据解析结果,将对应的通信数据通过无线传感器网络传输给G节点;
获取通信数据第三子单元,用于G节点接收从T节点传输过来的通信数据,G节点对通信数据进行预处理操作和存储,以供后续分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074822.XA CN116782185B (zh) | 2023-08-25 | 2023-08-25 | 一种车载无线短距离通信的资源调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074822.XA CN116782185B (zh) | 2023-08-25 | 2023-08-25 | 一种车载无线短距离通信的资源调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116782185A true CN116782185A (zh) | 2023-09-19 |
CN116782185B CN116782185B (zh) | 2023-10-27 |
Family
ID=87993534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074822.XA Active CN116782185B (zh) | 2023-08-25 | 2023-08-25 | 一种车载无线短距离通信的资源调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116782185B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176311A (zh) * | 2023-10-31 | 2023-12-05 | 南通飞海电子科技有限公司 | 基于频分多路复用的收银数据传输方法及系统 |
CN117221894A (zh) * | 2023-11-09 | 2023-12-12 | 湖南雷诺科技发展有限公司 | 一种基于大数据的5g通信传输方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332296A (zh) * | 2016-10-17 | 2017-01-11 | 东南大学 | 一种车载通信系统中无线资源的调度方法 |
CN106793142A (zh) * | 2016-12-21 | 2017-05-31 | 大唐高鸿信息通信研究院(义乌)有限公司 | 一种车载短距离通信网的信道资源调度优化方法 |
CN114513767A (zh) * | 2022-04-19 | 2022-05-17 | 交通运输部公路科学研究所 | 一种车载短距离通信的资源配置方法及装置 |
US20220408499A1 (en) * | 2021-06-22 | 2022-12-22 | Lenovo (Beijing) Limited | Data transmission method and device |
WO2023020555A1 (zh) * | 2021-08-18 | 2023-02-23 | 惠州Tcl云创科技有限公司 | 数据传输方法、电子设备及计算机可读存储介质 |
CN116634442A (zh) * | 2023-06-19 | 2023-08-22 | 电子科技大学 | 一种基于交通与通信特征互补预测的基站资源调度方法 |
-
2023
- 2023-08-25 CN CN202311074822.XA patent/CN116782185B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332296A (zh) * | 2016-10-17 | 2017-01-11 | 东南大学 | 一种车载通信系统中无线资源的调度方法 |
CN106793142A (zh) * | 2016-12-21 | 2017-05-31 | 大唐高鸿信息通信研究院(义乌)有限公司 | 一种车载短距离通信网的信道资源调度优化方法 |
US20220408499A1 (en) * | 2021-06-22 | 2022-12-22 | Lenovo (Beijing) Limited | Data transmission method and device |
WO2023020555A1 (zh) * | 2021-08-18 | 2023-02-23 | 惠州Tcl云创科技有限公司 | 数据传输方法、电子设备及计算机可读存储介质 |
CN114513767A (zh) * | 2022-04-19 | 2022-05-17 | 交通运输部公路科学研究所 | 一种车载短距离通信的资源配置方法及装置 |
CN116634442A (zh) * | 2023-06-19 | 2023-08-22 | 电子科技大学 | 一种基于交通与通信特征互补预测的基站资源调度方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176311A (zh) * | 2023-10-31 | 2023-12-05 | 南通飞海电子科技有限公司 | 基于频分多路复用的收银数据传输方法及系统 |
CN117176311B (zh) * | 2023-10-31 | 2024-01-26 | 南通飞海电子科技有限公司 | 基于频分多路复用的收银数据传输方法及系统 |
CN117221894A (zh) * | 2023-11-09 | 2023-12-12 | 湖南雷诺科技发展有限公司 | 一种基于大数据的5g通信传输方法 |
CN117221894B (zh) * | 2023-11-09 | 2024-01-12 | 湖南雷诺科技发展有限公司 | 一种基于大数据的5g通信传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116782185B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116782185B (zh) | 一种车载无线短距离通信的资源调度方法及装置 | |
KR100748187B1 (ko) | 노드 가용도 예측 기반의 그리드 네트워크 혼잡 제어 장치및 방법 | |
CN111182645B (zh) | 一种基于信息年龄的物联网组网方法 | |
US20180261020A1 (en) | Systems and methods for processing vehicle sensor data | |
CN108184244B (zh) | 一种支持传输时延优化的工业无线网络确定性调度方法 | |
CN108768876B (zh) | 一种面向机器学习框架的流量调度方法 | |
CN113141590B (zh) | 一种面向工业物联网的无线通信调度方法及装置 | |
CN112073991B (zh) | 一种接入网的业务处理方法及设备 | |
CN117880092A (zh) | 网络参数配置方法、装置、计算机设备以及存储介质 | |
US11737080B2 (en) | Method of scheduling plurality of packets related to tasks of plurality of user equipments using artificial intelligence and electronic device performing the method | |
US9621438B2 (en) | Network traffic management | |
Chen et al. | A whittle index approach to minimizing age of multi-packet information in IoT network | |
KR101663412B1 (ko) | 사물 인터넷에서 dds 기반 사물 품질의 설정 방법 | |
KR20220068081A (ko) | 통신 방식 가변형 원격 모니터링 제어 시스템 및 방법 | |
Chai et al. | Real-time communication model based on OPC UA wireless network for intelligent production line | |
WO2024001266A1 (zh) | 视频流传输的控制方法及装置、设备、介质 | |
CN115665218A (zh) | 一种物联网设备远程控制方法、系统及相关设备 | |
Zaraket et al. | A comparative study of recent advances in big data analytics in vehicular ad hoc networks | |
CN114285790A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
Burgstahler et al. | Probsense. kom: A probabilistic sensing approach for gathering vehicular sensed data | |
Falahatraftar et al. | A multiple linear regression model for predicting congestion in heterogeneous vehicular networks | |
WO2024038554A1 (ja) | 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体 | |
Liu et al. | Age of Critical Information: Optimizing Data Freshness Based on Content Criticality | |
US20230362976A1 (en) | Method and electronic device for determining scheduling priority of user equipment | |
Mondal et al. | IoT-MAC: A Channel Access Mechanism for IoT Smart Environment |
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 |