CN116847428A - 数据传输路径调整方法、设备、存储介质及装置 - Google Patents

数据传输路径调整方法、设备、存储介质及装置 Download PDF

Info

Publication number
CN116847428A
CN116847428A CN202310896987.9A CN202310896987A CN116847428A CN 116847428 A CN116847428 A CN 116847428A CN 202310896987 A CN202310896987 A CN 202310896987A CN 116847428 A CN116847428 A CN 116847428A
Authority
CN
China
Prior art keywords
data
path
communication
data transmission
network path
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
Application number
CN202310896987.9A
Other languages
English (en)
Inventor
黄玉月
侯少阳
袁恒
梁翠玲
罗海英
周君武
梁国全
李国钒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN202310896987.9A priority Critical patent/CN116847428A/zh
Publication of CN116847428A publication Critical patent/CN116847428A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/248—Connectivity information update
    • 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
    • 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
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/026—Route selection considering the moving speed of individual devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于车辆技术领域，公开了一种数据传输路径调整方法、设备、存储介质及装置，本发明通过获取目标车辆对应的通信数据以及当前车况信息；根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据，相较于现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性，本发明根据传输过程中的影响因素，自动选择最优的网络路径进行通信，提高通信效率和便捷程度。

Description

数据传输路径调整方法、设备、存储介质及装置
技术领域
本发明涉及车辆技术领域，尤其涉及一种数据传输路径调整方法、设备、存储介质及装置。
背景技术
随着汽车的智能化和信息化程度不断提高，车载网络通信系统已成为现代汽车的重要组成部分之一。现有的车载网络通信系统通常使用基于路由表的静态路由算法，这种算法的优点是简单、可靠，但是缺点是不能适应网络拓扑的变化和通信质量的变化，因此在传输效率和通信效率方面存在一定的局限性。
发明内容
本发明的主要目的在于提供一种数据传输路径调整方法、设备、存储介质及装置，旨在解决现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性的技术问题。
为实现上述目的，本发明提供一种数据传输路径调整方法，所述数据传输路径调整方法包括以下步骤：
获取目标车辆对应的通信数据以及当前车况信息；
根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；
根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
可选地，所述根据预设深度学习模型、所述通信数据以及所述当前车况信息对网络路由进行预测，获得预测结果的步骤，包括：
将所述通信数据中包含的历史通信数据、当前通信状态以及所述当前车况信息中包含的车辆位置信息、目的地信息、通信距离、通信量输入至预设深度学习模型中，获得各网络路径的评价指标；
根据所述评价指标对最优网络路径进行预测，获得预测结果。
可选地，所述根据所述评价指标对最优网络路径进行预测，获得预测结果的步骤，包括：
获取待传输数据对应的数据量信息以及所述各网络路径对应的传输速度；
根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果。
可选地，所述根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果的步骤，包括：
根据所述评价指标、所述数据量信息、所述传输速度以及预设最优路径计算公式对最优网络路径进行预测，获得预测结果；
所述预设最优路径计算公式为：
其中，λ是一个调节因子，用于平衡数据传输速度和网络路径评价指标的重要性；d表示待传输的数据量；ri表示数据在网络路径上的传输速度；yi表示网络路径的评价指标；i*表示最优的网络路径。
可选地，所述根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据的步骤，包括：
将当前网络路径切换至所述预测结果中的最优网络路径，并将需要传输的数据进行分组，获得分组后的数据包集合；
通过所述最优网络路径将所述分组后的数据包集合依次发送至目的地。
可选地，所述获取目标车辆对应的通信数据以及当前车况信息的步骤之前，还包括：
获取初始神经网络模型对应的模型参数；
根据预设优化算法对所述模型参数中的损失函数进行优化，获得优化后的损失函数；
根据所述优化后的损失函数对所述初始神经网络模型进行优化，获得优化后的预设深度学习模型。
可选地，所述损失函数采用均方误差作为损失函数，所述预设优化算法是指梯度下降算法。
此外，为实现上述目的，本发明还提出一种数据传输路径调整设备，所述数据传输路径调整设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据传输路径调整程序，所述数据传输路径调整程序配置为实现如上文所述的数据传输路径调整的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有数据传输路径调整程序，所述数据传输路径调整程序被处理器执行时实现如上文所述的数据传输路径调整方法的步骤。
此外，为实现上述目的，本发明还提出一种数据传输路径调整装置，所述数据传输路径调整装置包括：
数据获取模块，用于获取目标车辆对应的通信数据以及当前车况信息；
路径预测模块，用于根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；
数据传输模块，用于根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
本发明通过获取目标车辆对应的通信数据以及当前车况信息；根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据，相较于现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性，本发明根据传输过程中的影响因素，自动选择最优的网络路径进行通信，提高通信效率和便捷程度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的数据传输路径调整设备的结构示意图；
图2为本发明数据传输路径调整方法第一实施例的流程示意图；
图3为本发明数据传输路径调整方法第二实施例的流程示意图；
图4为本发明数据传输路径调整装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的数据传输路径调整设备结构示意图。
如图1所示，该数据传输路径调整设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对数据传输路径调整设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据传输路径调整程序。
在图1所示的数据传输路径调整设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述数据传输路径调整设备通过处理器1001调用存储器1005中存储的数据传输路径调整程序，并执行本发明实施例提供的数据传输路径调整方法。
基于上述硬件结构，提出本发明数据传输路径调整方法的实施例。
参照图2，图2为本发明数据传输路径调整方法第一实施例的流程示意图，提出本发明数据传输路径调整方法第一实施例。
在本实施例中，所述数据传输路径调整方法包括以下步骤：
步骤S10：获取目标车辆对应的通信数据以及当前车况信息。
需说明的是，本实施例中的执行主体可以是包含网络路由路径调整系统的设备，所述网络路由路径调整系统包含数据传输路径调整功能，所述设备如：计算机、车载电脑、平板、手机或笔记本，还可为其他可实现相同或相似功能的设备，本实施例对此不做限制。在本实施例以及下述各实施例中以计算机为例对本发明数据传输路径调整方法进行说明。
应理解的是，目标车辆对应的通信数据可以是在进行网络路由路径进行数据传输的车辆对应的历史通信数据和当前通信数据，所述历史通信数据可以包含历史时期传输数据的通信交互信息、通信距离、通信量以及通信时间等，所述当前通信数据可以包含在进行通信之前的通信交互信息、当前通信距离、通信量等。所述当前车况信息可以是指车辆位置、驾驶目的地等信息。
具体实现中，通过在对数据传输的网络路径进行预测之前，可以通过获取目标车辆的车辆位置、目的地、通信距离、通信量和其他因素，预测最佳的网络路由路径，以便在通信过程中能够选择最优的路由路径，从而提高通信效率和便捷程度。本方案充分考虑了传输过程中的硬件、通信距离、通信量、汽车路径等特点，进而提出了预测网络路由选择的最佳方案，并针对需要传输的数据进行路由选择。本案可以充分利用车辆行驶过程中的多个因素，提前预测并进行路由调节，提高通信效率和便捷程度。
步骤S20：根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果。
需说明的是，预设深度学习模型可以是预先设置的基于神经网络模型训练获得的模型，其中所述神经网络模型可以基于深度学习算法构建的用于进行最优网络路径预测的模型。
可理解的是，所述预测结果是指从各网络路由路径中预测出的最优网络路径。
进一步地，为了优化神经模型处理精确度，所述步骤S10之前还包括：获取初始神经网络模型对应的模型参数；根据预设优化算法对所述模型参数中的损失函数进行优化，获得优化后的损失函数；根据所述优化后的损失函数对所述初始神经网络模型进行优化，获得优化后的预设深度学习模型。
需说明的是，模型参数可以是指初始神经网络模型中的损失函数，所述损失函数采用均方误差作为损失函数，所述预设优化算法是指梯度下降算法。所述预设优化算法是用于最小化损失函数，获得最小化损失函数，从而得到最优的网络模型参数。进而根据最优的网络模型参数对初始神经网络模型进行优化，获得优化后的深度学习模型，并结合历史通信数据对优化后的深度学习模型进行训练，获得预设深度学习模型。
进一步地，所述步骤S20还包括：将所述通信数据中包含的历史通信数据、当前通信状态以及所述当前车况信息中包含的车辆位置信息、目的地信息、通信距离、通信量输入至预设深度学习模型中，获得各网络路径的评价指标；根据所述评价指标对最优网络路径进行预测，获得预测结果。
需说明的是，将通信数据中包含的历史通信数据、当前通信状态以及当前车况信息中包含的车辆位置信息、目的地信息、通信距离、通信量输入至预设深度学习模型中，获得各网络路径的评价指标；根据各网络路径的评价指标对最优网络路径进行预测，获得预测结果。本方案可以根据实时数据和历史数据进行分析和预测，从而提高网络路由选择的精度和准确性，从而实现通信效率的提高和便捷程度的提高。
可理解的是，本方案可以通过采用深度学习算法进行预测，例如：使用神经网络算法或增加综合预处理算法来预测网络路由选择的最佳方案。在训练神经网络时，可以使用车辆的历史通信数据和当前车况信息(如：通信状态)作为输入数据，以及网络路由路径的评价指标(例如通信延迟、通信质量等)作为输出数据。通过不断调整网络参数和优化算法，可以提高预测的准确性和精度。例如：可以采用预设深度学习模型进行网络路由预测，其中神经网络的输入包括车辆的历史通信数据和当前通信状态，以及车辆当前位置、目的地、通信距离、通信量等参数，神经网络的输出为网络路由路径的评价指标，例如通信延迟、通信质量等。
应理解的是，在预测过程中，可以考虑车辆的当前位置和目的地之间的距离，以及车辆与通信设备之间的距离和通信量等因素。如果车辆的目的地在远处，或者车辆和通信设备之间的距离较远，可能需要选择更远的网络路由路径，以保证通信的可靠性和传输速度。
具体实现中，假设车辆通信数据集为D＝{xi,yi}_{i＝1}^N，其中xi为车辆的历史通信数据和当前通信状态，yi为网络路由路径的评价指标，例如通信延迟、通信质量等。设f(x；θ)为神经网络模型，其中θ为模型参数，神经网络的输出为表示网络路由路径的评价指标的预测值。
为了优化神经网络模型的参数θ，可以采用均方误差(Mean Squared Error,MSE)作为损失函数，即
然后使用梯度下降算法或其他优化算法来最小化损失函数L(θ)，从而得到最优的神经网络模型参数θ。在预测网络路由选择的最佳方案时，可以使用训练好的神经网络模型f(x；θ)对车辆的当前位置、目的地、通信距离、通信量等参数进行输入，然后得到网络路由路径的评价指标的预测值根据预测值/>可以选择评价指标最佳的网络路由路径作为最终的通信路径。
步骤S30：根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
需说明的是，根据预测结果中的最优网络路由路径对当前网络路由路径进行调整，并通过最优网络路径进行数据传输。
可理解的是，在预测网络路由选择的最佳方案时，可以使用训练好的神经网络模型f(x；θ)对车辆的当前位置、目的地、通信距离、通信量等参数进行输入，然后得到网络路由路径的评价指标的预测值根据预测值，可以选择评价指标最佳的网络路由路径作为最终的通信路径，并根据最优路径进行数据传输。
本实施例通过获取目标车辆对应的通信数据以及当前车况信息；根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据，相较于现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性，本实施例根据传输过程中的影响因素，自动选择最优的网络路径进行通信，提高通信效率和便捷程度。
参照图3，图3为本发明数据传输路径调整方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明数据传输路径调整方法的第二实施例。
在本实施例中，所述根据所述评价指标对最优网络路径进行预测，获得预测结果的步骤，包括：获取待传输数据对应的数据量信息以及所述各网络路径对应的传输速度；根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果。
需说明的是，在预测得到网络路由路径的评价指标预测值之后，需要根据预测结果选择最优的网络路由路径进行通信。具体的路由选择可以根据需要传输的数据进行选择。
可理解的是，为了保证数据传输速度，会通过获取待传输数据对应的数据量信息，以便于后期选择更宽的网络路由路径，以保证数据传输的顺畅和高效。
具体实现中，由于会存在多个可用的网络路由路径，因此需要结合各个可用的网络路由路径对应的评价指标、数据量信息以及各个可用网络路由路径的传输速度综合确定最优网络路径。
进一步地，所述根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果的步骤，包括：根据所述评价指标、所述数据量信息、所述传输速度以及预设最优路径计算公式对最优网络路径进行预测，获得预测结果；所述预设最优路径计算公式为：
其中，λ是一个调节因子，用于平衡数据传输速度和网络路径评价指标的重要性；d表示待传输的数据量；ri表示数据在网络路径上的传输速度；yi表示网络路径的评价指标；i*表示最优的网络路径。
具体实现中，假设有多个可用的网络路由路径，每个路径的评价指标预测值分别为假设需要传输的数据为d，并且对不同路径的传输速度要求不同，可以用ri表示数据在路径i上的传输速度。那么可以根据上述公式选择最优的网络路由路径。在选择了最优的网络路由路径之后，可以通过该路径将数据进行传输。具体的传输过程包括数据分组、传输、接收等步骤，通常需要使用一定的传输协议进行控制。
步骤S301：将当前网络路径切换至所述预测结果中的最优网络路径，并将需要传输的数据进行分组，获得分组后的数据包集合。
需说明的是，为了保证数据传输的稳定性以及效率，可以通过将需要传输的数据进行分组，获得分组后的数据包集合，并将分组后的数据包集合通过最优网络路径进行传输。
步骤S302：通过所述最优网络路径将所述分组后的数据包集合依次发送至目的地。
需说明的是，在数据传输过程中传输过程可以分为以下几个步骤：数据分组：将需要传输的数据进行分组，通常将大数据分为多个小数据包进行传输。路由路径设置：根据路由选择的结果，设置数据包的路由路径。数据传输：将分组后的数据包按照路由路径依次发送到目的地，通常需要使用传输协议进行控制。在传输过程中，可以根据实际情况对传输速度、传输质量等进行调整和控制。接收与解包：在接收端，根据路由路径接收传输过来的数据包，并按照路由路径将其解包，还原成原始数据。通过以上步骤，可以将数据通过选择的网络路由路径进行传输，实现了车载网络通信的目的。
本实施例通过获取目标车辆对应的通信数据以及当前车况信息；根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；将当前网络路径切换至所述预测结果中的最优网络路径，并将需要传输的数据进行分组，获得分组后的数据包集合；通过所述最优网络路径将所述分组后的数据包集合依次发送至目的地，相较于现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性，本实施例根据传输过程中的影响因素，自动选择最优的网络路径进行通信，提高通信效率和便捷程度。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有数据传输路径调整程序，所述数据传输路径调整程序被处理器执行时实现如上文所述的数据传输路径调整方法的步骤。
参照图4，图4为本发明数据传输路径调整装置第一实施例的结构框图。
如图4所示，本发明实施例提出的数据传输路径调整装置包括：
数据获取模块10，用于获取目标车辆对应的通信数据以及当前车况信息；
路径预测模块20，用于根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；
数据传输模块30，用于根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
本实施例通过获取目标车辆对应的通信数据以及当前车况信息；根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据，相较于现有的数据传输路径调整方案不能适应网络拓扑的变化和通信质量的变化，导致在传输效率和通信效率方面存在局限性，本实施例根据传输过程中的影响因素，自动选择最优的网络路径进行通信，提高通信效率和便捷程度。
进一步地，所述路径预测模块20还用于将所述通信数据中包含的历史通信数据、当前通信状态以及所述当前车况信息中包含的车辆位置信息、目的地信息、通信距离、通信量输入至预设深度学习模型中，获得各网络路径的评价指标；根据所述评价指标对最优网络路径进行预测，获得预测结果。
进一步地，所述路径预测模块20还用于获取待传输数据对应的数据量信息以及所述各网络路径对应的传输速度；根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果。
进一步地，所述路径预测模块20还用于根据所述评价指标、所述数据量信息、所述传输速度以及预设最优路径计算公式对最优网络路径进行预测，获得预测结果；
所述预设最优路径计算公式为：
其中，λ是一个调节因子，用于平衡数据传输速度和网络路径评价指标的重要性；d表示待传输的数据量；ri表示数据在网络路径上的传输速度；yi表示网络路径的评价指标；i*表示最优的网络路径。
进一步地，所述数据传输模块30还用于将当前网络路径切换至所述预测结果中的最优网络路径，并将需要传输的数据进行分组，获得分组后的数据包集合；通过所述最优网络路径将所述分组后的数据包集合依次发送至目的地。
进一步地，所述数据传输路径调整装置还包括模型构建模块，用于获取初始神经网络模型对应的模型参数；根据预设优化算法对所述模型参数中的损失函数进行优化，获得优化后的损失函数；根据所述优化后的损失函数对所述初始神经网络模型进行优化，获得优化后的预设深度学习模型。
进一步地，所述模型构建模块，还用于所述损失函数采用均方误差作为损失函数，所述预设优化算法是指梯度下降算法。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的数据传输路径调整方法，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种数据传输路径调整方法，其特征在于，所述数据传输路径调整方法包括以下步骤：
获取目标车辆对应的通信数据以及当前车况信息；
根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；
根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
2.如权利要求1所述的数据传输路径调整方法，其特征在于，所述根据预设深度学习模型、所述通信数据以及所述当前车况信息对网络路由进行预测，获得预测结果的步骤，包括：
将所述通信数据中包含的历史通信数据、当前通信状态以及所述当前车况信息中包含的车辆位置信息、目的地信息、通信距离、通信量输入至预设深度学习模型中，获得各网络路径的评价指标；
根据所述评价指标对最优网络路径进行预测，获得预测结果。
3.如权利要求2所述的数据传输路径调整方法，其特征在于，所述根据所述评价指标对最优网络路径进行预测，获得预测结果的步骤，包括：
获取待传输数据对应的数据量信息以及所述各网络路径对应的传输速度；
根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果。
4.如权利要求3所述的数据传输路径调整方法，其特征在于，所述根据所述评价指标、所述数据量信息和所述传输速度对最优网络路径进行预测，获得预测结果的步骤，包括：
根据所述评价指标、所述数据量信息、所述传输速度以及预设最优路径计算公式对最优网络路径进行预测，获得预测结果；
所述预设最优路径计算公式为：
其中，λ是一个调节因子，用于平衡数据传输速度和网络路径评价指标的重要性；d表示待传输的数据量；ri表示数据在网络路径上的传输速度；yi表示网络路径的评价指标；i*表示最优的网络路径。
5.如权利要求4所述的数据传输路径调整方法，其特征在于，所述根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据的步骤，包括：
将当前网络路径切换至所述预测结果中的最优网络路径，并将需要传输的数据进行分组，获得分组后的数据包集合；
通过所述最优网络路径将所述分组后的数据包集合依次发送至目的地。
6.如权利要求1-5任一项所述的数据传输路径调整方法，其特征在于，所述获取目标车辆对应的通信数据以及当前车况信息的步骤之前，还包括：
获取初始神经网络模型对应的模型参数；
根据预设优化算法对所述模型参数中的损失函数进行优化，获得优化后的损失函数；
根据所述优化后的损失函数对所述初始神经网络模型进行优化，获得优化后的预设深度学习模型。
7.如权利要求6所述的数据传输路径调整方法，其特征在于，所述损失函数采用均方误差作为损失函数，所述预设优化算法是指梯度下降算法。
8.一种数据传输路径调整设备，其特征在于，所述数据传输路径调整设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据传输路径调整程序，所述数据传输路径调整程序被所述处理器执行时实现如权利要求1至7中任一项所述的数据传输路径调整方法。
9.一种存储介质，其特征在于，所述存储介质上存储有数据传输路径调整程序，所述数据传输路径调整程序被处理器执行时实现如权利要求1至7中任一项所述的数据传输路径调整方法。
10.一种数据传输路径调整装置，其特征在于，所述数据传输路径调整装置包括：
数据获取模块，用于获取目标车辆对应的通信数据以及当前车况信息；
路径预测模块，用于根据预设深度学习模型、所述通信数据以及所述当前车况信息对最优网络路径进行预测，获得预测结果；
数据传输模块，用于根据所述预测结果对当前网络路径进行调整，并通过调整后的网络路径传输数据。
CN202310896987.9A 2023-07-20 2023-07-20 数据传输路径调整方法、设备、存储介质及装置 Pending CN116847428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310896987.9A CN116847428A (zh) 2023-07-20 2023-07-20 数据传输路径调整方法、设备、存储介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310896987.9A CN116847428A (zh) 2023-07-20 2023-07-20 数据传输路径调整方法、设备、存储介质及装置

Publications (1)

Publication Number Publication Date
CN116847428A true CN116847428A (zh) 2023-10-03

Family

ID=88174302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310896987.9A Pending CN116847428A (zh) 2023-07-20 2023-07-20 数据传输路径调整方法、设备、存储介质及装置

Country Status (1)

Country Link
CN (1) CN116847428A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117499888A (zh) * 2023-11-29 2024-02-02 深圳市晟丰达科技有限公司 一种基于车联网的车辆无线远程通讯传输方法及系统
CN117579535A (zh) * 2024-01-15 2024-02-20 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质
CN118694703A (zh) * 2024-08-26 2024-09-24 嘉兴嘉赛信息技术有限公司 一种基于单播的局域网点对点传输方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117499888A (zh) * 2023-11-29 2024-02-02 深圳市晟丰达科技有限公司 一种基于车联网的车辆无线远程通讯传输方法及系统
CN117499888B (zh) * 2023-11-29 2024-07-30 深圳市晟丰达科技有限公司 一种基于车联网的车辆无线远程通讯传输方法及系统
CN117579535A (zh) * 2024-01-15 2024-02-20 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质
CN117579535B (zh) * 2024-01-15 2024-04-09 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质
CN118694703A (zh) * 2024-08-26 2024-09-24 嘉兴嘉赛信息技术有限公司 一种基于单播的局域网点对点传输方法

Similar Documents

Publication Publication Date Title
CN116847428A (zh) 数据传输路径调整方法、设备、存储介质及装置
US10006778B2 (en) Method and apparatus for vehicular travel assistance
US9231998B2 (en) Vehicle-specific computation management system for cloud computing
US9184778B2 (en) Vehicle information gathering system
US8386091B2 (en) Methods and apparatus for dynamic powertrain management
CN110843778A (zh) 定速巡航控制方法、装置、设备及存储介质
US10154419B2 (en) Control of data connections and/or data transmissions in a mobile radio device
US9462319B2 (en) Method and apparatus for sensor synthesis and arbitration between mobile devices and vehicles
CN109405843A (zh) 一种路径规划方法及装置和移动设备
EP2456139A2 (en) Method and apparatus for transmitting data
US11363120B2 (en) Method for running an application on a distributed system architecture
CN114244710B (zh) 网元参数调整方法、装置及电子设备
WO2022097270A1 (ja) 学習方法、無線品質推定方法、学習装置、無線品質推定装置、及びプログラム
EP3973417A1 (en) Efficient freshness crawl scheduling
CN106323304A (zh) 路径推荐方法及装置
CN115049151A (zh) 导航路线推荐方法、装置、设备及存储介质
Dinh et al. Deep reinforcement learning-based offloading for latency minimization in 3-tier v2x networks
CN112504291B (zh) 一种车辆导航的方法及装置
US11388623B2 (en) Method, device and apparatus for controlling congestion window in internet of vehicles
EP4171080A1 (en) Intelligent messaging framework for vehicle ecosystem communication
CN113747400B (zh) 车对车通讯传输优化方法、装置、设备及存储介质
CN113052312B (zh) 深度强化学习模型的训练方法、装置、介质及电子设备
KR20050116524A (ko) 디지털 지도 데이터를 동적으로 업데이트하는 경로 안내시스템 및 그 방법
CN114138466A (zh) 面向智慧公路的任务协同处理方法、装置及存储介质
WO2024089856A1 (ja) 推定装置、学習装置、推定方法、学習方法、及びプログラム

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