CN116828515A - 一种车联网下基于时空图卷积的边缘服务器负载预测方法 - Google Patents
一种车联网下基于时空图卷积的边缘服务器负载预测方法 Download PDFInfo
- Publication number
- CN116828515A CN116828515A CN202310711733.5A CN202310711733A CN116828515A CN 116828515 A CN116828515 A CN 116828515A CN 202310711733 A CN202310711733 A CN 202310711733A CN 116828515 A CN116828515 A CN 116828515A
- Authority
- CN
- China
- Prior art keywords
- edge server
- space
- time diagram
- load
- vehicles
- 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.)
- Pending
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000006855 networking Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车联网下基于时空图卷积的边缘服务器负载预测方法，该方法包括：利用模拟器、真实车辆数据集和基站信息进行车联网场景下的边缘服务器负载仿真，提取各边缘服务器的时序负载状态信息和周围车流量作为样本集；根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型；利用各边缘服务器的地理经纬度位置信息使用欧氏距离和距离阈值法计算邻接矩阵；使用样本集对时空图卷积神经网络模型进行训练，最后根据历史数据预测边缘服务器负载。本发明可以同时处理边缘服务器负载数据变化在车联网环境下的空间依赖特征和时间依赖特征，实现更加精确的的负载情况预测，保证准确高效的任务卸载，提高资源利用效率和用户使用体验。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种车联网下基于时空图卷积的边缘服务器负载预测方法。
背景技术
近年来，智能交通行业蓬勃发展，涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的，这对移动车辆存储和计算能力带来了严峻的考验。传统的基于云服务的卸载方案由于云服务器离移动车辆太远，无法满足低时延要求车载应用。通过将移动边缘计算(Mobile-edge Computing，边缘)技术引入车联网，在网络边缘侧部署移动边缘服务器，可以显著提高车辆在通信、存储和计算等方面的能力。
相对于云计算，边缘服务器的资源和计算能力是有限的。发起迁移请求的车辆倾向于选择计算能力强或者距离较近的边缘服务器迁移，然而将计算迁移集中在特定设备，容易带来计算任务分布不均衡的问题。由于车辆具有远高于普通移动用户的移动速度，并且受交通规则和高峰波谷期的影响，车辆会在路口和部分特殊地点快速聚集与解散，这加剧了边缘服务器的动态负载和计算资源变化，造成部分边缘服务器过载，发生拥塞导致相应的应用响应时间过长，无法满足低时延要求。因此，针对边缘服务器的动态负载预测能够优化卸载决策，帮助系统在负载高峰期间提前采取措施，如引入额外的计算资源或进行负载均衡。目前已有许多研究人员进行了负载预测问题的探究，但相关技术研究粒度粗糙，并存在孤立看待时间依赖性，忽略空间结构性的问题。
综上所述，需要研究一种车联网下基于时空图卷积的边缘服务器负载预测方法，需要考虑服务器特性，将边缘服务器特征、移动车辆以及计算卸载任务之间的通信建模为图结构，基于时空图卷积网络进行边缘服务器负载预测，可以对图节点特征变化进行更精确的捕获，实现更加精确的的负载情况预测，保证准确高效的任务卸载，提高资源利用效率和用户使用体验。
发明内容
本发明的目的在于针对现有技术的不足，提供一种车联网下基于时空图卷积的边缘服务器负载预测方法。
本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种车联网下基于时空图卷积的边缘服务器负载预测方法，包括以下步骤：
S1、根据真实车辆数据集和真实RSU基站数据集，使用Sense-Process-Actuate应用模型，利用SUMO模拟器和iFogSim2模拟器进行车联网场景下计算卸载任务和N个RSU基站的边缘服务器负载仿真，从仿真过程中提取各边缘服务器的时序负载状态信息和车流量数据，以构建样本集；其中，所述样本集包括训练集、测试集和验证集；
S2、根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型，根据图结构模型获取节点的特征矩阵；
S3、根据各边缘服务器的地理经纬度位置信息，使用欧式距离和距离阈值法获取图结构模型中节点的邻接矩阵；
S4、根据节点的特征矩阵和邻接矩阵使用训练集对时空图卷积神经网络模型进行训练，以获取训练好的时空图卷积神经网络模型；其中，所述时空图卷积神经网络模型包括图卷积神经网络、门限回归单元和全连接层；
S5、根据评估指标使用验证集和测试集对训练好的时空图卷积神经网络模型的预测效果进行评估，并根据评估结果对时空图卷积神经网络模型的权重参数进行调整，以获取最优时空图卷积神经网络模型；
S6、将各边缘服务器的时序负载状态信息和车流量数据输入到最优时空图卷积神经网络模型中以获取预测的边缘服务器负载。
进一步地，所述步骤S1包括以下子步骤：
S11、根据真实车辆数据集计算每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度；
S12、通过OpenStreetMap网站截取对应区域作为卸载背景区域；
S13、根据每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度生成车辆信息，使用SUMO模拟器制作道路网络信息、车辆信息和路线的配置文件，剔除无关道路，仅保留机动车道，并作为SUMO模拟器的输入数据进行仿真以获取车辆的详细信息；
S14、根据真实RSU基站数据集和车辆的详细信息使用iFogSim2模拟器设置边缘服务器，模拟卸载任务和服务器负载水平，并以边缘服务器进行统计，以获取各边缘服务器的时序负载状态信息和车流量数据；
S15、根据仿真过程中各边缘服务器的时序负载状态信息和车流量数据构建样本集，并按比例将样本集划分为训练接、测试集和验证集。
进一步地，所述根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型具体包括：使用边缘服务器作为图结构模型的节点，将边缘服务器的负载状态信息作为节点嵌入特征，将边缘服务器周边的移动车辆的车流量数据作为节点补充特征，使用边缘服务器之间的卸载任务通信空间上的联系作为图结构模型的边；其中边缘服务器的负载状态信息包括CPU使用率、磁盘占用和内存占用。
进一步地，所述步骤S3包括以下子步骤：
S31、根据各边缘服务器的地理经纬度位置信息，计算图结构模型中两个边缘服务器节点之间的欧式距离，以构建距离矩阵；
S32、将距离矩阵中所有的距离的均值作为距离阈值，根据节点之间的欧式距离和距离阈值确定节点之间的连接关系，以获取邻接矩阵。
进一步地，所述根据节点之间的欧式距离和距离阈值确定节点之间的连接关系，以获取邻接矩阵，具体包括：判断节点之间的欧式距离是否小于距离阈值，若节点之间的欧式距离小于距离阈值，则节点之间存在连接关系，并将邻接矩阵中对应的连接关系值赋值为0；否则，节点之间不存在连接关系，并将邻接矩阵中对应的连接关系值赋值为1；根据连接关系值获取邻接矩阵。
进一步地，所述步骤S4包括以下子步骤：
S41、将各边缘服务器LenA长度的特征矩阵输入到时空图卷积神经网络模型中，通过使用两层图卷积神经网络以及邻接矩阵对图结构模型中边缘服务器之间的物理位置和车流量拓扑结构提取空间特征，以获取图卷积神经网络的第一输出结果；
S42、使用第一输出结果作为门限回归单元的输入，通过门限回归单元捕获边缘服务器的负载状态信息的动态变化，提取时间依赖性，获取门限回归单元的第二输出结果；
S43、第二输出结果通过全连接层以获取预测的边缘服务器负载；
S44、设置迭代次数和学习率，采用平均绝对误差作为时空图卷积神经网络模型的损失函数，使用Adam优化器训练并更新时空图卷积神经网络模型的参数，以获取训练好的时空图卷积神经网络模型。
进一步地，所述评估指标包括平均绝对百分比误差和均方根误差。
本发明实施例第二方面提供了一种车联网下基于时空图卷积的边缘服务器负载预测装置，包括一个或多个处理器，用于实现上述的车联网下基于时空图卷积的边缘服务器负载预测方法。
本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的车联网下基于时空图卷积的边缘服务器负载预测方法。
与现有技术相比，本发明的有益效果是：本发明通过提供一种基于时空图卷积的边缘服务器负载预测模型，将车联网场景下边缘服务器特有的由于移动设备的移动性和突发性带来的卸载任务的并发性和时效性进行时空信息同步、深度融合，能够对负载进行预测；通过时空图卷积神经网络模型，同时处理负载状态信息中复杂的空间依赖和时间动态关联，进行更加全面的数据特征挖掘和提取，以实现更加精确的的边缘服务器负载情况预测，保证准确高效的任务卸载，提高资源利用效率和用户使用体验。
附图说明
图1为本发明的车联网下基于时空图卷积的边缘服务器负载预测方法的流程图；
图2为本发明中基于时空图卷积的边缘服务器负载预测模型的结构框图；
图3为本发明的车联网下基于时空图卷积的边缘服务器负载预测装置的一种结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、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。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
参见图1，本发明的车联网下基于时空图卷积的边缘服务器负载预测方法具体包括如下步骤：
S1、根据真实车辆数据集和真实RSU(Road Site Unit)基站数据集，使用Sense-Process-Actuate应用模型，利用SUMO模拟器和iFogSim2模拟器进行车联网场景下计算卸载任务和N个RSU基站的边缘服务器负载仿真，从仿真过程中提取各边缘服务器的时序负载状态信息和车流量数据，以构建样本集。其中，样本集包括训练集、测试集和验证集。
需要说明的是，真实车辆数据集是通过澳大利亚墨尔本市交通管理局官网下载得到的，真实车辆数据集主要包括墨尔本市中心CBD区域各个区域的道路传感器在不同时刻的车流量数据；真实RSU基站数据集是墨尔本市中心CBD区域的EUA Datasets基站数据集，由墨尔本大学开源提供，真实RSU基站数据集主要包括基站的地理位置和详细信息。
应当理解的是，Sense-Process-Actuate应用模型是一种应用模型，主要用于物联网和雾计算环境，是本实施例中用来进行边缘服务器负载和计算任务调度模拟的iFogSim2模拟器采用的任务模型。在该应用模型中，传感器生成数据，在雾设备上运行的应用程序接收并处理来自传感器的数据，最后将获得的信息转发给执行器，进行执行，可以将其理解为一种程序范式。
S11、根据真实车辆数据集计算每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度。
S12、通过OpenStreetMap(公开地图)网站截取对应区域作为卸载背景区域。
应当理解的是，OpenStreetMap网站能够根据GPS装置、航空摄像照片或其他自由内容绘制编辑地图，通过该OpenStreetMap网站能够截取与用户想要进行模拟的区域相对应的对应区域作为卸载背景区域，本实施例中是基于墨尔本市中心区域CBD进行模拟仿真的。
S13、根据每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度生成车辆信息，使用SUMO模拟器制作道路网络信息、车辆信息和路线的配置文件，剔除无关道路，仅保留机动车道，并作为SUMO模拟器的输入数据进行仿真以获取车辆的详细信息。
需要说明的是，车辆的详细信息指的交通模拟仿真后的车辆的详细位置。
应当理解的是，SUMO模拟器是由德国航空航天中心和社区用户开发的交通模拟软件，可以对道路交通和交通管理系统进行仿真和分析，对交通状况进行宏观和微观的模拟。SUMO模拟器可以进行道路的编辑和交通状况的模拟，因此，SUMO模拟器将OpenStreetMap网站下载的原始地图制作成可以使用的道路网络信息，并且进行车辆车型、车速、运行方向的配置，然后将得到的配置文件输入到SUMO模拟器中进行仿真，在完成交通状况模拟后，可以得到车辆的详细信息。例如，利用SUMO模拟器对交通状况进行模拟后可以得到CBD区域25000辆车辆在每一时刻各自的地理位置。
S14、根据真实RSU基站数据集和车辆的详细信息使用iFogSim2模拟器设置边缘服务器，模拟卸载任务和服务器负载水平，并以边缘服务器进行统计，以获取各边缘服务器的时序负载状态信息和车流量数据。
应当理解的是，iFogSim2模拟器是由墨尔本大学云计算与分布式系统实验室(CLOUDS)开发的目前最广泛的雾计算模拟工具之一，拥有用于移动感知应用程序迁移、动态分布式集群形成和微服务编排的仿真模型。
需要说明的是，iFogSim2模拟器的输入是车辆的位置及其对应的计算任务，即边缘服务器在某一时刻感知到某些车正在靠近自身；其中由于通过SUMO模拟器得到了车辆的详细信息，因此可以掌握各个车辆在某个时刻的位置。iFogSim2模拟器的输出是边缘服务器的负载情况，即车辆将一个任务卸载到了边缘服务器，那么为了计算该任务，CPU利用率、内存利用率会发生变化，输出此刻该边缘服务器的负载状态信息，负载状态信息包括CPU使用率、磁盘占用、内存占用。
S15、根据仿真过程中各边缘服务器的时序负载状态信息和车流量数据构建样本集，并按比例将样本集划分为训练集、测试集和验证集。
应当理解的是，可以按照7:2:1的比例将样本集划分为训练集、验证集和测试集；也可以按照其他比例对样本集进行划分。
S2、根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型，根据图结构模型获取节点的特征矩阵。
本实施例中，根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型具体包括：使用边缘服务器作为图结构模型的节点，将边缘服务器的负载状态信息作为节点嵌入特征，将边缘服务器周边的移动车辆的车流量数据作为节点补充特征，使用边缘服务器之间的卸载任务通信空间上的联系作为图结构模型的边；其中边缘服务器的负载状态信息包括CPU使用率、磁盘占用和内存占用。
应当理解的是，在每个时隙t，每个边缘服务器节点可以得到对应的特征向量vt＝{cpu,io,memory,flow}，分别表示该边缘服务器节点当前时刻的CPU使用率、磁盘占用、内存占用和移动车辆的车流量数据。
进一步地，移动车辆的车辆域集合可以表示为：M(t)＝{1,…,m}，代表时隙t时刻的移动车辆集合，其中m表示移动车辆的总数量。
需要说明的是，每辆移动车辆在同一时刻可请求一个计算卸载任务。
进一步地，边缘服务器的边缘服务器域可以表示为：N＝{1,…,}，代表所有边缘服务器的集合，其中n表示边缘服务器的总数量，每台边缘服务器部署于路边的一个RSU基站。
应当理解的是，由于边缘服务器都部署于路边的RSU基站，因此，RSU基站与边缘服务器之间的传输时间可忽略不计；边缘服务器的计算、存储、缓存等资源虽然有限，但能够满足通信质量要求。
进一步地，构建的图结构模型表示为：G＝(V,E)，其中V表示一组边缘服务器，每个节点v∈V拥有自己的资源能力，并且每台边缘服务器都能够同时运行一个或多个任务，E是边缘服务器之间的卸载通信空间上的联系。应当理解的是，该图结构模型用于移动车辆的边缘计算。
进一步地，根据构建的图结构模型可以得到节点的特征矩阵XN×P，其中P代表节点属性特征的个数，Xt c∈RN表示节点在时隙t时第c个特征的属性值，Xt∈RN×P表示节点在时隙t时所有特征的属性值，N表示所有的边缘服务器。应当理解的是，有N个边缘服务器，每个边缘服务器有P个特征，所有边缘服务器在某个t时刻的特征向量共同构成了特征矩阵XN×P。
S3、根据各边缘服务器的地理经纬度位置信息，使用欧式距离和距离阈值法获取图结构模型中节点的邻接矩阵。
S31、根据各边缘服务器的地理经纬度位置信息，计算图结构模型中两个边缘服务器节点之间的欧式距离，以构建距离矩阵。
具体地，一个边缘服务器A的地理位置坐标为(xA，yA)，另一个边缘服务器B的地理位置坐标为(xB，yB)，计算两个边缘服务器节点之间的欧式距离，即可得到 类似地，计算所有边缘服务器中两个边缘服务器之间的欧式距离，根据这些欧式距离即可构建距离矩阵A′∈RN×N。
S32、将距离矩阵中所有的距离的均值作为距离阈值，根据节点之间的欧式距离和距离阈值确定节点之间的连接关系，以获取邻接矩阵。
具体地，将距离矩阵A′中所有的距离的均值作为距离阈值mean(A′)，根据节点之间的距离确定节点之间的连接关系：判断节点之间的距离是否小于距离阈值，若节点之间的距离小于距离阈值，则认为节点之间存在连接关系，将邻接矩阵中对应的连接关系值赋值为0；否则，节点之间不存在连接关系，将邻接矩阵中对应的连接关系值赋值为1。具体可表示为：
其中，Ai，j表示邻接矩阵中第i行第j列的连接关系值，即第i个节点与第j个节点之间的连接关系；A′i，j表示距离矩阵中第i行第j列的距离值，即第i个节点与第j个节点之间的欧式距离。
类似地，对距离矩阵中的所有距离进行判断，可以得到节点之间的连接关系，进一步得到邻接矩阵A∈RN×N。
应当理解的是，节点指的是边缘服务器。
S4、根据节点的特征矩阵X和邻接矩阵A使用训练集对时空图卷积神经网络(T-GCN)模型进行训练，以获取训练好的时空图卷积神经网络模型。其中，时空图卷积神经网络模型包括图卷积神经网络(GCN)、门限回归单元(GRU)和全连接层。
应当理解的是，图卷积神经网络(GCN)用于学习复杂的拓扑结构来捕获空间依赖性，门限回归单元(GRU)用于学习边缘服务器负载水平的动态变化来捕获时间依赖性。
具体地，如图2所示，首先使用历史LenA长度的各边缘服务器的特征矩阵作为输入，并使用GCN来捕捉城市道路网络的拓扑结构，以获得空间特征。其次，将获得的具有空间特征的时间序列输入GRU模型，通过单元之间的信息传递获得动态变化，捕捉时间特征。最后，可以通过全连接层得到预测的LenB长度的特征信息。
S41、将各边缘服务器LenA长度的特征矩阵输入到时空图卷积神经网络模型中，通过使用两层图卷积神经网络(GCN)以及邻接矩阵对图结构模型中边缘服务器之间的物理位置和车流量拓扑结构提取空间特征，以获取图卷积神经网络的第一输出结果。
本实施例中，一个GCN层可以表示为：
其中，代表了添加了自连接的矩阵，A表示邻接矩阵，IN是单位矩阵，/>是度矩阵并且/>H(l)代表第i层的输出，θ(l)则包含该层的参数，σ(·)表示非线性模型的sigmoid函数。
两层图卷积神经网络的第一输出结果可表示为：
其中，表示预处理步骤，W0∈RP×H表示从输入层到隐藏层的权重矩阵，H代表了隐藏单元的个数。W0∈RH×LenB代表了从隐藏层到输出层的权重矩阵，f(A，X)∈RN ×LenB表示具有预测长度LenB的输出。隐藏单元数设置为128。
S42、使用第一输出结果作为门限回归单元(GRU)的输入，通过门限回归单元捕获边缘服务器的负载状态信息的动态变化，提取时间依赖性，获取门限回归单元的第二输出结果，其具体计算过程如下：
ut＝σ(Wu[f(A，Xt)，ht-1]+bu)
rt＝σ(Wr[f(A，Xt)，ht-1]+br)
ct＝tanh(Wc[f(A，Xt)，(rt*ht-1)]+bc)
ht＝ut*ht-1+(1-ut)*ct
其中，ut和rt分别代表时隙t的更新门和重置门，ht代表t时刻的隐藏信息，ct代表t时刻的记忆单元，σ(·)表示非线性模型的sigmoid函数，f(A，Xt)表示时隙t的第一输出结果，Wu和bu分别表示训练过程中更新门的偏差，Wr和br分别表示训练过程中重置门的偏差，Wc和bc分别表示训练过程中记忆单元的偏差。
GRU输入t-1时刻的隐藏信息，得到t时刻的隐藏信息，GRU在捕捉当前时刻的时序变化信息，仍然保留了历史信息的变化趋势。
S43、第二输出结果通过全连接层以获取预测的边缘服务器负载。
应当理解的是，将GRU最后一个隐藏层输出的隐藏单元即第二输出结果送入全连接层，可以得到预测的边缘服务器负载。
S44、设置迭代次数和学习率，采用平均绝对误差(MAE)作为时空图卷积神经网络模型的损失函数，使用Adam优化器训练并更新时空图卷积神经网络模型的权重参数，以获取训练好的时空图卷积神经网络模型。
优选地，迭代次数为500，学习率为0.01。
进一步地，时空图卷积神经网络模型的损失函数表示为：
其中，MAE为表示时空图卷积神经网络模型的损失，n是时间序列的长度，yi是真实的边缘服务器负载，是预测的边缘服务器负载。
S5、根据评估指标使用验证集和测试集对训练好的时空图卷积神经网络模型的预测效果进行评估，并根据评估结果对时空图卷积神经网络模型的权重参数进行调整，以获取最优时空图卷积神经网络模型。
本实施例中，评估指标包括平均绝对百分比误差(MAPE)和均方根误差(RMSE)，通过这两个评估指标可以对训练好的时空图卷积神经网络模型的预测效果进行评估，平均绝对百分比误差和均方根误差越小，表示预测值和真实值的误差就越小，表示时空图卷积神经网络模型的预测结果就越精确，预测效果越好。
进一步地，平均绝对百分比误差(MAPE)的表达式为：
其中，MAPE表示平均绝对百分比误差，n是时间序列的长度，yi是真实的边缘服务器负载，是预测的边缘服务器负载。
进一步地，均方根误差(RMSE)的表达式为：
其中，RMSE表示均方根误差，n是时间序列的长度，yi是真实的边缘服务器负载，是预测的边缘服务器负载。
S6、将各边缘服务器的时序负载状态信息和车流量数据输入到最优时空图卷积神经网络模型中以获取预测的边缘服务器负载。
具体地，将各边缘服务器LenA长度的时序负载状态信息和车流量数据输入到最优时空图卷积神经网络模型中，可以得到预测的LenB长度的未来负载状态数据，可以表示为：
其中，G表示图结构模型。
本发明可以同时处理边缘服务器负载状态信息变化在车联网环境下的空间依赖特征和时间依赖特征，实现更加精确的的边缘服务器负载情况预测，保证准确高效的任务卸载，提高资源利用效率和用户使用体验。
与前述车联网下基于时空图卷积的边缘服务器负载预测方法的实施例相对应，本发明还提供了车联网下基于时空图卷积的边缘服务器负载预测装置的实施例。
参见图3，本发明实施例提供的一种车联网下基于时空图卷积的边缘服务器负载预测装置，包括一个或多个处理器，用于实现上述实施例中的车联网下基于时空图卷积的边缘服务器负载预测方法。
本发明车联网下基于时空图卷积的边缘服务器负载预测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明车联网下基于时空图卷积的边缘服务器负载预测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的车联网下基于时空图卷积的边缘服务器负载预测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
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：其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (9)
1.一种车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，包括以下步骤：
S1、根据真实车辆数据集和真实RSU基站数据集，使用Sense-Process-Actuate应用模型，利用SUMO模拟器和iFogSim2模拟器进行车联网场景下计算卸载任务和N个RSU基站的边缘服务器负载仿真，从仿真过程中提取各边缘服务器的时序负载状态信息和车流量数据，以构建样本集；其中，所述样本集包括训练集、测试集和验证集；
S2、根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型，根据图结构模型获取节点的特征矩阵；
S3、根据各边缘服务器的地理经纬度位置信息，使用欧式距离和距离阈值法获取图结构模型中节点的邻接矩阵；
S4、根据节点的特征矩阵和邻接矩阵使用训练集对时空图卷积神经网络模型进行训练，以获取训练好的时空图卷积神经网络模型；其中，所述时空图卷积神经网络模型包括图卷积神经网络、门限回归单元和全连接层；
S5、根据评估指标使用验证集和测试集对训练好的时空图卷积神经网络模型的预测效果进行评估，并根据评估结果对时空图卷积神经网络模型的权重参数进行调整，以获取最优时空图卷积神经网络模型；
S6、将各边缘服务器的时序负载状态信息和车流量数据输入到最优时空图卷积神经网络模型中以获取预测的边缘服务器负载。
2.根据权利要求1所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述步骤S1包括以下子步骤：
S11、根据真实车辆数据集计算每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度；
S12、通过OpenStreetMap网站截取对应区域作为卸载背景区域；
S13、根据每小时车辆的平均数量、每小时车辆的平均速度和车道的平均长度生成车辆信息，使用SUMO模拟器制作道路网络信息、车辆信息和路线的配置文件，剔除无关道路，仅保留机动车道，并作为SUMO模拟器的输入数据进行仿真以获取车辆的详细信息；
S14、根据真实RSU基站数据集和车辆的详细信息使用iFogSim2模拟器设置边缘服务器，模拟卸载任务和服务器负载水平，并以边缘服务器进行统计，以获取各边缘服务器的时序负载状态信息和车流量数据；
S15、根据仿真过程中各边缘服务器的时序负载状态信息和车流量数据构建样本集，并按比例将样本集划分为训练集、测试集和验证集。
3.根据权利要求1所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述根据边缘服务器和移动车辆以及卸载任务之间的通信构建图结构模型具体包括：使用边缘服务器作为图结构模型的节点，将边缘服务器的负载状态信息作为节点嵌入特征，将边缘服务器周边的移动车辆的车流量数据作为节点补充特征，使用边缘服务器之间的卸载任务通信空间上的联系作为图结构模型的边；其中边缘服务器的负载状态信息包括CPU使用率、磁盘占用和内存占用。
4.根据权利要求1所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述步骤S3包括以下子步骤：
S31、根据各边缘服务器的地理经纬度位置信息，计算图结构模型中两个边缘服务器节点之间的欧式距离，以构建距离矩阵；
S32、将距离矩阵中所有的距离的均值作为距离阈值，根据节点之间的欧式距离和距离阈值确定节点之间的连接关系，以获取邻接矩阵。
5.根据权利要求4所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述根据节点之间的欧式距离和距离阈值确定节点之间的连接关系，以获取邻接矩阵，具体包括：判断节点之间的欧式距离是否小于距离阈值，若节点之间的欧式距离小于距离阈值，则节点之间存在连接关系，并将邻接矩阵中对应的连接关系值赋值为0；否则，节点之间不存在连接关系，并将邻接矩阵中对应的连接关系值赋值为1；根据连接关系值获取邻接矩阵。
6.根据权利要求1所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述步骤S4包括以下子步骤：
S41、将各边缘服务器LenA长度的特征矩阵输入到时空图卷积神经网络模型中，通过使用两层图卷积神经网络以及邻接矩阵对图结构模型中边缘服务器之间的物理位置和车流量拓扑结构提取空间特征，以获取图卷积神经网络的第一输出结果；
S42、使用第一输出结果作为门限回归单元的输入，通过门限回归单元捕获边缘服务器的负载状态信息的动态变化，提取时间依赖性，获取门限回归单元的第二输出结果；
S43、第二输出结果通过全连接层以获取预测的边缘服务器负载；
S44、设置迭代次数和学习率，采用平均绝对误差作为时空图卷积神经网络模型的损失函数，使用Adam优化器训练并更新时空图卷积神经网络模型的参数，以获取训练好的时空图卷积神经网络模型。
7.根据权利要求1所述的车联网下基于时空图卷积的边缘服务器负载预测方法，其特征在于，所述评估指标包括平均绝对百分比误差和均方根误差。
8.一种车联网下基于时空图卷积的边缘服务器负载预测装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-7中任一项所述的车联网下基于时空图卷积的边缘服务器负载预测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，用于实现权利要求1-7中任一项所述的车联网下基于时空图卷积的边缘服务器负载预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310711733.5A CN116828515A (zh) | 2023-06-15 | 2023-06-15 | 一种车联网下基于时空图卷积的边缘服务器负载预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310711733.5A CN116828515A (zh) | 2023-06-15 | 2023-06-15 | 一种车联网下基于时空图卷积的边缘服务器负载预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116828515A true CN116828515A (zh) | 2023-09-29 |
Family
ID=88115896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310711733.5A Pending CN116828515A (zh) | 2023-06-15 | 2023-06-15 | 一种车联网下基于时空图卷积的边缘服务器负载预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116828515A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117255368A (zh) * | 2023-11-17 | 2023-12-19 | 广东工业大学 | 车载边缘服务器协同固定边缘服务器的边缘动态集成方法 |
| CN117573376A (zh) * | 2024-01-16 | 2024-02-20 | 杭州天舰信息技术股份有限公司 | 一种数据中心资源调度监控管理方法与系统 |
-
2023
- 2023-06-15 CN CN202310711733.5A patent/CN116828515A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117255368A (zh) * | 2023-11-17 | 2023-12-19 | 广东工业大学 | 车载边缘服务器协同固定边缘服务器的边缘动态集成方法 |
| CN117255368B (zh) * | 2023-11-17 | 2024-02-27 | 广东工业大学 | 车载边缘服务器协同固定边缘服务器的边缘动态集成方法 |
| CN117573376A (zh) * | 2024-01-16 | 2024-02-20 | 杭州天舰信息技术股份有限公司 | 一种数据中心资源调度监控管理方法与系统 |
| CN117573376B (zh) * | 2024-01-16 | 2024-04-05 | 杭州天舰信息技术股份有限公司 | 一种数据中心资源调度监控管理方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11393341B2 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
| CN107945507B (zh) | 行程时间预测方法及装置 | |
| CN116828515A (zh) | 一种车联网下基于时空图卷积的边缘服务器负载预测方法 | |
| CN110083173B (zh) | 无人机编队巡检任务分配的优化方法 | |
| CN109062962A (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
| CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
| CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
| Feng et al. | Statistical analysis and prediction of parking behavior | |
| CN113887704A (zh) | 交通信息预测方法、装置、设备及存储介质 | |
| Sepasgozar et al. | Fed-ntp: A federated learning algorithm for network traffic prediction in vanet | |
| CN116486624A (zh) | 基于时空图卷积神经网络的交通流预测方法及系统 | |
| CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
| CN110263250B (zh) | 一种推荐模型的生成方法及装置 | |
| Huang et al. | A time-dependent attention convolutional LSTM method for traffic flow prediction | |
| CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| Luo et al. | Spatiotemporal hashing multigraph convolutional network for service-level passenger flow forecasting in bus transit systems | |
| Zhu et al. | Cognitive analytics of social media services for edge resource pre-allocation in industrial manufacturing | |
| Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
| Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction | |
| US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
| Wen et al. | Hierarchical Sarsa learning based route guidance algorithm | |
| Du et al. | Comparison between CBR and CA methods for estimating land use change in Dongguan, China | |
| CN112581060A (zh) | 基于车辆装卸点的配货需求度检测方法、装置及设备 |
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 |