CN117061605A - 基于端云协同的智能锂电池主动式信息推送方法和装置 - Google Patents
基于端云协同的智能锂电池主动式信息推送方法和装置 Download PDFInfo
- Publication number
- CN117061605A CN117061605A CN202311309347.XA CN202311309347A CN117061605A CN 117061605 A CN117061605 A CN 117061605A CN 202311309347 A CN202311309347 A CN 202311309347A CN 117061605 A CN117061605 A CN 117061605A
- Authority
- CN
- China
- Prior art keywords
- battery
- user
- current
- embedded vector
- interaction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 142
- 230000003993 interaction Effects 0.000 claims abstract description 85
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于端云协同的智能锂电池主动式信息推送方法和装置,获取所述电池BMS终端确定的当前电池信息嵌入向量,以及获取所述用户终端确定的当前用户信息嵌入向量;基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络;采用基于预先训练好的图神经网络模型,根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量;基于所述当前电池信息嵌入向量、所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。本申请实现了云端服务器和端设备之间的协同工作,通过将数据收集和处理分布在云端和端设备上,提高了推送信息的效率,并节约了带宽和计算资源。
Description
技术领域
本申请涉及一种数据处理技术领域,尤其涉及一种基于端云协同的智能锂电池主动式信息推送方法和装置。
背景技术
在电动自行车共享充电柜换电解决方案背景下,需要给用户反馈电池等异常信息给用户。传统的方式可以分为三种:端上直接计算、云上直接计算和端云协同计算。端上直接计算是指在端设备上采集用户的行为信息,通过模型推理计算得到反馈信息,并直接在端设备上输出反馈结果。然而,这种方法受限于端设备的计算能力,无法获取全局的信息,可能导致模型准确性不足。云上直接计算则是将端上采集的用户信息上传至云端进行统一的计算,并将计算结果下发至端上进行反馈。尽管解决了计算能力不足的问题,但大量的信息上传会带来频繁的通讯和大量的带宽消耗。而端云协同计算是指将复杂任务的计算放在云端完成,将简单任务的计算放在端上完成。然而,这种方式存在一个缺陷,即端上计算和云上计算是独立的,各自计算的信息缺乏有机结合,从而影响整体结果的精度。导致推送信息不准确或延迟的问题。
发明内容
本申请的目的在于提供一种基于端云协同的智能锂电池主动式信息推送方法和装置,以至少解决相关技术中在推送信息预测不准确、延迟以及效率低下的问题。
本申请第一方面提供基于端云协同的智能锂电池主动式信息推送方法,应用于主动式信息推送系统,所述系统包括电池BMS终端、用户终端和云端服务器,所述方法具体应用于所述云端服务器,包括:
获取所述电池BMS终端确定的当前电池信息嵌入向量,以及获取所述用户终端确定的当前用户信息嵌入向量;
基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络;
采用基于预先训练好的图神经网络模型,根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量;
基于所述当前电池信息嵌入向量、所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
在一个实施例中,所述获取所述电池BMS终端确定的当前电池信息嵌入向量,包括:
获取基于预先训练好的第一神经网络模型,针对所述电池BMS终端采集的当前电池特征数据确定的所述当前电池信息嵌入向量;
所述获取所述用户终端确定的当前用户信息嵌入向量,包括:
获取基于预先训练好的第二神经网络模型,针对所述用户终端采集的当前用户特征数据确定的所述当前用户信息嵌入向量。
在一个实施例中,所述当前电池特征数据通过所述电池BMS终端采集上传,包括电池端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离和最大骑行速度;
所述当前用户特征数据通过所述用户终端采集上传,包括用户端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离、平均时速、最大骑行速度。
在一个实施例中,所述基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络,包括:
根据所述当前电池特征数据和所述当前用户特征数据之间的使用关系,确定当前边集合;
根据所述当前电池特征数据和所述当前用户特征数据,确定当前节点集合;
根据所述当前节点集合和所述当前边集合构建的网络,确定所述当前用户电池交互异构网络。
在一个实施例中,所述方法还包括获取图神经网络模型,具体包括:
基于获取的历史电池特征数据和历史用户特征数据,确定历史用户电池交互异构网络;
根据所述历史用户电池交互异构网络进行转换处理,确定历史用户电池交互同构网络;
基于所述历史用户电池交互同构网络,对所述图神经网络模型进行训练,直至满足第一预设条件,得到所述预先训练好的图神经网络模型。
在一个实施例中,所述基于所述历史用户电池交互同构网络,对所述图神经网络模型进行训练,直至满足第一预设条件,得到所述预先训练好的图神经网络模型,包括:
基于所述图神经网络模型中的权重参数,对所述历史用户电池交互同构网络中的原始节点特征属性进行邻居聚合处理,得到用户电池交互嵌入向量;
根据所述用户电池交互嵌入向量和所述权重参数,确定预测节点特征属性;
根据所述原始节点特征属性和所述预测节点特征属性,确定重构误差;
采用反向传播算法,对所述权重参数进行优化,直至所述重构误差满足预设值,得到所述预先训练好的图神经网络模型。
在一个实施例中,所述权重参数包括第一权重参数、第二权重参数和第三权重参数;所述得到用户电池交互嵌入向量,包括:
根据所述历史用户电池交互同构网络中的原始节点特征属性和所述第一权重参数,确定一阶邻居聚合;
根据所述一阶邻居聚合和所述第二权重参数,确定二阶邻居聚合;
根据所述二阶邻居聚合和所述第三权重参数,确定用户电池交互嵌入向量。
在一个实施例中,所述权重参数还包括第四权重参数;所述确定预测节点特征属性,包括:
根据所述用户电池交互嵌入向量和所述第四权重参数,确定预测节点特征属性。
在一个实施例中,所述方法还包括获取多视图融合模型,具体包括:
根据获取的历史电池信息嵌入向量、历史用户信息嵌入向量和历史用户电池交互嵌入向量,通过所述多视图融合模型得到输出值,所述多视图融合模型采用第一损失函数构建;
使用所述多视图融合模型中的解码器对所述输出值进行解码,得到预测推送信息;
根据所述预测推送信息和预先设定的真实推送信息,采用第二损失函数确定差异值;
根据所述输出值和所述差异值构建的总损失函数,使用梯度下降算法和反向传播算法对所述多视图融合模型进行调参,直至所述总损失函数收敛,得到所述预先训练好的多视图融合模型。
本申请第二方面提供一种基于端云协同的智能锂电池主动式信息推送装置,应用于主动式信息推送系统,所述系统包括电池BMS终端、用户终端和云端服务器,所述装置具体应用于所述云端服务器,包括:
当前嵌入向量获取模块,用于获取所述电池BMS终端确定的当前电池信息嵌入向量,以及获取所述用户终端确定的当前用户信息嵌入向量;
交互异构网络获取模块,用于基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络;
交互嵌入向量获取模块,用于采用基于预先训练好的图神经网络模型,根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量;
推送信息获取模块,用于基于所述当前电池信息嵌入向量、所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
本申请实施例提供的一种基于端云协同的智能锂电池主动式信息推送方法和装置至少具有以下技术效果。
本申请通过获取当前用户和电池的信息以及历史数据和用户交互网络的分析,有效地捕获了用户与电池之间的关联特征。这一过程可以提高推送信息预测的准确性和效果。同时,在用户遇到问题时,可以主动响应并向其推送相关信息,实现个性化的推送。此外,本申请实现了云端服务器和端设备之间的协同工作,通过将数据收集和处理分布在云端和端设备上,提高了推送信息的效率,并节约了带宽和计算资源。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的基于端云协同的智能锂电池主动式信息推送方法的流程示意图;
图2为本申请实施例提供的确定用户电池交互异构网络的流程示意图;
图3为本申请实施例提供的获取图神经网络模型的流程示意图;
图4为本申请实施例提供的获取图神经网络模型具体步骤的流程示意图;
图5为本申请实施例提供的得到用户电池交互嵌入向量的流程示意图;
图6为本申请实施例提供的确定预测节点特征属性的流程示意图;
图7为本申请实施例提供的获取多视图融合模型的流程示意图;
图8为本申请实施例提供的基于端云协同的智能锂电池主动式信息推送装置的框图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定持征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的”一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请实施例提供了一种基于端云协同的智能锂电池主动式信息推送方法和装置。
第一方面,本申请实施例提供了一种基于端云协同的智能锂电池主动式信息推送方法,图1为本申请实施例提供的基于端云协同的智能锂电池主动式信息推送方法的流程示意图,应用于主动式信息推送系统,系统包括电池BMS终端、用户终端和云端服务器。
需要说明的是,电池BMS终端是指电池管理系统(Battery Management System)的终端设备,其主要功能是采集电池端的信息并进行监控和计算处理。通过无线通信模块,它能够与云端服务器进行连接并传输数据。电池BMS终端可以实时监测电池的电压、电流、温度等参数,并进行状态估计和健康评估。通过对这些数据的计算处理,BMS终端可以提供电池的剩余电量、可用能量、预测寿命等信息,从而实现对电池的精确管理和优化控制。用户终端的设备类型包括:智能手机、平板电脑、智能手表、智能掌机、便携式游戏设备中的至少一种,但并不局限于此。本领域技术人员能够知晓,上述终端的数量为更多或更少。比如上述终端仅为一个,或者上述终端为几十个或几百个,或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
该方法具体应用于云端服务器,如图1所示,该方法包括以下步骤:
步骤S101、获取电池BMS终端确定的当前电池信息嵌入向量,以及获取用户终端确定的当前用户信息嵌入向量。
在一个实施例中,获取电池BMS终端确定的当前电池信息嵌入向量,包括:
获取基于预先训练好的第一神经网络模型,针对电池BMS终端采集的当前电池特征数据确定的当前电池信息嵌入向量。
需要说明的是,预先训练好的第一神经网络模型是在电池BMS终端上构建的Transformer结构的第一神经网络模型,并通过电池BMS终端采集的历史特征数据Sa进行训练,然后,对于历史电池特征数据Sa中每个位置的词向量Va,生成其对应的位置编码Pa。
位置编码Pa的获取步骤如下:
1.当前词向量的长度L。
2.对于位置编号从0到L的每个位置pos,计算位置向量Ep中的元素值。其中,位置向量Ep被分为两部分:Ep1和Ep2。将Ep中奇数对应的元素取出来记作向量Ep1,Ep1中的元素按照sin函数计算;将Ep中偶数对应的元素取出来记作向量Ep2,Ep2中的元素按照cos函数计算。
对Ep1的计算:其中,i为/>,d为词向量需要编程的维度,d优选为512维。
对Ep2的计算:其中,i为/>,d为词向量需要编程的维度,d优选为512维。
3.将所有计算好的位置向量Ep组合成位置编码Pa。
将词向量Va和位置编码Pa输入至Transformer结构的第一神经网络模型进行模型训练,输出历史电池信息嵌入向量,直至损失函数收敛,得到训练好的第一神经网络模型。
针对电池BMS终端采集的当前电池特征数据,输入至预先训练好的第一神经网络模型,获取当前电池信息嵌入向量。
在一个实施例中,获取用户终端确定的当前用户信息嵌入向量,包括:
获取基于预先训练好的第二神经网络模型,针对用户终端采集的当前用户特征数据确定的当前用户信息嵌入向量。
需要说明的是,预先训练好的第二神经网络模型是在用户终端上构建的Transformer结构的第二神经网络模型,并通过用户终端采集的历史用户特征数据进行训练Su,然后,对于历史用户特征数据Su中每个位置的词向量Vu,生成其对应的位置编码Pu。
位置编码Pu的获取步骤如下:
1.当前词向量的长度L。
2.对于位置编号从0到L的每个位置pos,计算位置向量Eq中的元素值。其中,位置向量Eq被分为两部分:Eq1和Eq2。将Ep中奇数对应的元素取出来记作向量Eq1,Eq1中的元素按照sin函数计算;将Ep中偶数对应的元素取出来记作向量Eq2,Eq2中的元素按照cos函数计算。
对Eq1的计算:其中,i为/>,d为词向量需要编程的维度,d优选为512维。
对Eq2的计算:其中,i为/>,d为词向量需要编程的维度,d优选为512维。
3.将所有计算好的位置向量Eq组合成位置编码Pu。
将词向量Vu和位置编码Pu输入至Transformer结构的第二神经网络模型进行模型训练,输出历史用户信息嵌入向量,直至损失函数收敛,得到训练好的第二神经网络模型。
针对用户终端采集的当前用户特征数据,输入至预先训练好的第二神经网络模型,获取当前用户信息嵌入向量。
步骤S102、基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络。
在一个实施例中,当前电池特征数据通过电池BMS终端采集上传,包括电池端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离和最大骑行速度。
在一个实施例中,当前用户特征数据通过用户终端采集上传,包括用户端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离、平均时速、最大骑行速度。
单位SOC骑行距离为1%SOC对应的骑行距离,等于总骑行距离除以总消耗的SOC。
单位电压骑行距离为消耗1v电压对应的骑行距离,等于总骑行距离除以总消耗的电压。
需要说明的是,当前电池特征数据是指通过电池端采集的与电池相关的数据,例如电池最近一个月的骑行距离、单位SOC骑行距离等。这些数据反映了电池在最近过去时间段的使用情况和性能表现,可以用来评估电池的健康状况、预测其寿命等。而当前用户特征数据则是通过用户端采集的关于用户的数据,比如用户最近一个月的骑行距离、单位SOC骑行距离等。这些数据反映了用户的骑行习惯、需求特点以及使用行为,可以用来了解用户的需求变化、个性化推荐等。
需要注意的是,当前电池特征数据和当前用户特征数据是针对不同的实体进行采集和记录的。两者的采集和使用可以相辅相成,帮助后续提高预测推送信息的准确性。
图2为本申请实施例提供的确定用户电池交互异构网络的流程示意图,如图2所示,在图1所示流程的基础上,步骤S102包括以下步骤:
步骤S201、根据当前电池特征数据和当前用户特征数据之间的使用关系,确定当前边集合。
步骤S202、根据当前电池特征数据和当前用户特征数据,确定当前节点集合。
步骤S203、根据当前节点集合和当前边集合构建的网络,确定当前用户电池交互异构网络。
获取当前电池特征数据Xb和当前用户特征数据Xc,当前电池特征数据Xb包含了电池的各种属性信息,比如电池型号、电流、电量、预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离和最大骑行速度等;当前用户特征数据Xc包含了用户的各种属性信息,比如用户ID、用户历史订单信息、预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离和最大骑行速度等。
根据Xb和Xc之间的关联关系构建用户电池交互异构网络G<b,c>,其中,G表示图,b的属性为Xb,c的属性为Xc。例如,用户A使用了电池B,则可以构建一条从节点A指向节点B的边,表示用户A和电池B之间的关联,以此类推通过用户和电池之间的多个关联,逐步构建所有的边,形成完整的用户电池交互异构网络G<b,c>。
步骤S201至步骤S203中,根据确定的节点集合和边集合构建当前用户电池交互异构网络。这个网络可以是一个图,其中节点表示用户和电池,边表示它们之间的关系。通过这个网络,可以分析不同用户之间的关联程度,以及用户与电池之间的交互情况。更好地理解用户和电池之间的关系,并为后续的分析和应用提供基础。
继续参照图1,在步骤S102之后执行步骤S103,具体如下。
步骤S103、采用基于预先训练好的图神经网络模型,根据当前用户电池交互异构网络确定目标用户电池交互嵌入向量。
图3为本申请实施例提供的获取图神经网络模型的流程示意图,如图3所示,在图1所示流程的基础上,步骤103中获取图神经网络模型包括以下步骤:
步骤S301、基于获取的历史电池特征数据和历史用户特征数据,确定历史用户电池交互异构网络。
步骤S301中确定历史用户电池交互异构网络的方式与步骤S201至步骤S203一致,不同之处在于获取的电池特征数据和用户特征数据的时间段不同,步骤S301是为了训练模型所需数据,因此是基于历史电池特征数据和历史用户特征数据,详细的确定方式不再重复展开。
步骤S302、根据历史用户电池交互异构网络进行转换处理,确定历史用户电池交互同构网络。
将历史用户电池交互异构网络G转换为历史用户电池交互同构网络G1,G中的边作为节点,可以将原本复杂的异构网络简化为同构网络,简化了网络的结构和分析。G中边上节点的属性拼接作为G1中节点的属性,其中G1中节点为n,G1的边为Xn,将原本分散在不同节点上的属性信息进行融合和整合,使得节点的属性更加丰富和综合。经过转换后的同构网络更方便地进行数据分析、挖掘和预测。
步骤S303、基于历史用户电池交互同构网络,对图神经网络模型进行训练,直至满足第一预设条件,得到预先训练好的图神经网络模型。
图4为本申请实施例提供的获取图神经网络模型具体步骤的流程示意图,如图4所示,在图3所示流程的基础上,步骤S303包括以下步骤:
步骤S401、基于图神经网络模型中的权重参数,对历史用户电池交互同构网络中的原始节点特征属性进行邻居聚合处理,得到用户电池交互嵌入向量。
在一个实施例中,权重参数包括第一权重参数、第二权重参数、第三权重参数和第四权重参数。
图5为本申请实施例提供的得到用户电池交互嵌入向量的流程示意图,如图5所示,在图4所示流程的基础上,步骤S401包括以下步骤:
步骤S501、根据历史用户电池交互同构网络中的原始节点特征属性和第一权重参数,确定一阶邻居聚合。
计算G1节点n的一阶邻居聚合En1:其中,Wn1为第一权重参数,需要训练进行优化;/>表示计算节点n的邻居节点x1,x2…的均值,;
步骤S502、根据一阶邻居聚合和第二权重参数,确定二阶邻居聚合。
计算G1节点n的二阶邻居聚合En2:其中,Wn2为第二权重参数,需要训练进行优化;/>表示计算En2的均值,/>;
步骤S503、根据二阶邻居聚合和第三权重参数,确定用户电池交互嵌入向量。
计算G1节点n的用户电池交互嵌入向量En:
其中,Wn为第三权重参数,需要训练进行优化。
继续参照图4,在步骤S401之后执行步骤S402,具体如下。
步骤S402、根据用户电池交互嵌入向量和权重参数,确定预测节点特征属性。
图6为本申请实施例提供的确定预测节点特征属性的流程示意图,如图6所示,在图5所示流程的基础上,步骤S402包括以下步骤:
步骤S601、根据用户电池交互嵌入向量和第四权重参数,确定预测节点特征属性。
计算G1节点n的预测节点特征属性:/>其中,/>为第四权重参数,需要训练进行优化。预测节点特征属性/>类似于encoder-decoder的概念,是通过解码器预测得到。编码器将节点的属性作为输入,经过一系列的转换和抽取过程,得到一个表示节点特征的隐藏向量。这个隐藏向量可以看作是对节点属性进行了压缩和提取关键信息的编码表示。接着,解码器将隐藏向量作为输入,通过反向的转换过程,重构节点特征属性/>。解码器可以是一个逆向的神经网络结构,通过学习节点属性之间的关联和规律,从隐藏向量中预测节点特征属性。
继续参照图4,在步骤S402之后执行步骤S403,具体如下。
步骤S403、根据原始节点特征属性和预测节点特征属性,确定重构误差。
重构误差:
步骤S404、采用反向传播算法,对权重参数进行优化,直至重构误差满足预设值,得到预先训练好的图神经网络模型。
第一权重参数Wn1、第二权重参数Wn2、第三权重参数Wn和第四权重参数通过采用反向传播算法进行训练及优化图神经网络模型,图神经网络模型采用GCN模型,GCN通过学习节点之间的连接关系和节点特征来进行图结构数据的分析和推理。通过在图上进行局部邻居节点的聚合和信息传递来更新节点的表示,从而获得全局的图表示。GCN利用了相邻节点的特征信息,通过多层的图卷积操作将节点特征逐步传播和更新,最终得到具有丰富语义信息的节点表示。
首先随机初始化权重参数Wn1、Wn2、Wn和等参数,然后通过定义损失函数,采用反向传播算法进行梯度下降优化,逐步调整权重参数值来使得重构误差达到预设值,例如小于0.001,得到预先训练好的图神经网络模型。
最后,采用基于预先训练好的图神经网络模型,根据用户电池交互异构网络确定目标用户电池交互嵌入向量。
继续参照图1,在步骤S103之后执行步骤S104,具体如下。
步骤S104、基于当前电池信息嵌入向量、当前用户信息嵌入向量和目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
图7为本申请实施例提供的获取多视图融合模型的流程示意图,如图7所示,在图1所示流程的基础上,步骤S104中获取多视图融合模型包括以下步骤:
步骤S701、根据获取的历史电池信息嵌入向量、历史用户信息嵌入向量和历史用户电池交互嵌入向量,通过多视图融合模型得到输出值,多视图融合模型采用第一损失函数构建。
需要说明的是,多视图融合模型对应一个损失函数loss,用于衡量多个视图之间的一致性或相似性。训练多视图融合模型需要使用历史数据,因此该历史数据通过电池BMS终端输出的历史电池信息嵌入向量,用户终端输出的历史用户信息嵌入向量,以及云端服务器中获取到的历史用户电池交互嵌入向量获得,并采用这些历史数据对多视图融合模型进行训练。
历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量是来自不同空间的数据,直接训练的话容易导致模型局部收敛,因此通过融合不同空间的数据,可以使得更加接近同一个空间。设置损失函数如下:
设历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量为e1,e2,e3,则损失函数为其中,i表示历史用户电池交互嵌入向量的维度。
当训练多视图融合模型时,优化目标是最小化损失函数loss1。通过反向传播算法,可以计算梯度并更新模型参数,使得历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量在融合后更加一致。得到输出值为优化后的历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量。
步骤S702、使用多视图融合模型中的解码器对输出值进行解码,得到预测推送信息。
步骤S703、根据预测推送信息和预先设定的真实推送信息,采用第二损失函数确定差异值。
步骤S702至步骤S703中,在训练模型之前,将历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量与对应的真实推送信息进行匹配,通过标注数据集中的真实推送信息,可以建立输入embedding和输出推送信息之间的联系,并用这些数据来训练模型。具体地,将历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量作为模型的输入,将真实推送信息作为模型的输出。然后使用,其中,y为推送信息,/>为得到的预测推送信息,作为损失函数进行训练,以最小化预测推送信息与真实推送信息之间的差异。在训练过程中,模型通过解码器将输入的embedding映射为预测的推送信息,并计算预测推送信息与真实推送信息之间的差异。通过反向传播算法,模型可以根据/>的梯度信息调整参数,逐步优化模型。
因此,训练过程中输入历史电池信息嵌入向量、历史用户信息嵌入向量、历史用户电池交互嵌入向量,输出预测推送信息,同时根据预测推送信息和预先设定的真实推送信息,采用第二损失函数确定差异值,即得到loos2,能够通过预测推送信息和预先设定的真实推送信息之间的差异进一步的对模型进行优化。
步骤S704、根据输出值和差异值构建的总损失函数,使用梯度下降算法和反向传播算法对多视图融合模型进行调参,直至总损失函数收敛,得到预先训练好的多视图融合模型。
为了更进一步优化模型输出的预测推送信息的准确性,根据输出值和差异值构建的总损失函数,其中,/>是一个大于等于0的常数,用于调控多视图融合模型中的损失函数在整个损失函数中的重要程度。例如,可以设置/>为0.5,表示两部分损失在总损失函数中的重要程度相等,也可以根据实际情况进行调整。最终,使用梯度下降算法和反向传播算法对多视图融合模型进行调参,直至总损失函数收敛,得到预先训练好的多视图融合模型。
最后,根据训练好的多视图融合模型,输入当前电池信息嵌入向量、当前用户信息嵌入向量和目标用户电池交互嵌入向量获取推送信息。
需要说明的是,本申请中的当前数据和历史数据代表数据时间获取的不同。针对本申请中提到的模型,可以同时使用历史数据和当前数据进行训练并输出预测结果。换言之,在采用当前数据和上述模型获取推送信息的过程中,同样可以依据当前输出结果反馈调节模型参数,实现整体模型的实时优化,通过不断地更新模型以适应当前数据的变化。采用这样的方式,不断优化模型,使其在对当前数据进行预测时更加精确和准确,同时效率更高。
综上所述,本申请实施例提供的一种基于端云协同的智能锂电池主动式信息推送方法,本申请获取当前用户和电池的信息以及历史数据和用户交互网络的分析,有效地捕获了用户与电池之间的关联特征。这一过程可以提高推送信息预测的准确性和效果。同时,在用户遇到问题时,可以主动响应并向其推送相关信息,实现个性化的推送。此外,本申请实现了云端服务器和端设备之间的协同工作,通过将数据收集和处理分布在云端和端设备上,提高了推送信息的效率,并节约了带宽和计算资源。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
第二方面,本申请实施例提供了一种基于端云协同的智能锂电池主动式信息推送装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8为本申请实施例提供的基于端云协同的智能锂电池主动式信息推送装置的框图,应用于主动式信息推送系统,系统包括电池BMS终端、用户终端和云端服务器,装置具体应用于云端服务器,如图8所示,该装置包括:
当前嵌入向量获取模块801,用于获取电池BMS终端确定的当前电池信息嵌入向量,以及获取用户终端确定的当前用户信息嵌入向量。
交互异构网络获取模块802,用于基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络。
交互嵌入向量获取模块803,用于采用基于预先训练好的图神经网络模型,根据当前用户电池交互异构网络确定目标用户电池交互嵌入向量。
推送信息获取模块804,用于基于当前电池信息嵌入向量、当前用户信息嵌入向量和目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于端云协同的智能锂电池主动式信息推送方法,其特征在于,应用于主动式信息推送系统,所述系统包括电池BMS终端、用户终端和云端服务器,所述方法具体应用于所述云端服务器,包括:
获取所述电池BMS终端确定的当前电池信息嵌入向量,以及获取所述用户终端确定的当前用户信息嵌入向量;
基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络;
采用基于预先训练好的图神经网络模型,根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量;
基于所述当前电池信息嵌入向量、所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
2.根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,
所述获取所述电池BMS终端确定的当前电池信息嵌入向量,包括:
获取基于预先训练好的第一神经网络模型,针对所述电池BMS终端采集的当前电池特征数据确定的所述当前电池信息嵌入向量;
所述获取所述用户终端确定的当前用户信息嵌入向量,包括:
获取基于预先训练好的第二神经网络模型,针对所述用户终端采集的当前用户特征数据确定的所述当前用户信息嵌入向量。
3.根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,
所述当前电池特征数据通过所述电池BMS终端采集上传,包括电池端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离和最大骑行速度;
所述当前用户特征数据通过所述用户终端采集上传,包括用户端预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离、平均时速、最大骑行速度。
4.根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络,包括:
根据所述当前电池特征数据和所述当前用户特征数据之间的使用关系,确定当前边集合;
根据所述当前电池特征数据和所述当前用户特征数据,确定当前节点集合;
根据所述当前节点集合和所述当前边集合构建的网络,确定所述当前用户电池交互异构网络。
5.根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述方法还包括获取图神经网络模型,具体包括:
基于获取的历史电池特征数据和历史用户特征数据,确定历史用户电池交互异构网络;
根据所述历史用户电池交互异构网络进行转换处理,确定历史用户电池交互同构网络;
基于所述历史用户电池交互同构网络,对所述图神经网络模型进行训练,直至满足第一预设条件,得到所述预先训练好的图神经网络模型。
6.根据权利要求5所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述基于所述历史用户电池交互同构网络,对所述图神经网络模型进行训练,直至满足第一预设条件,得到所述预先训练好的图神经网络模型,包括:
基于所述图神经网络模型中的权重参数,对所述历史用户电池交互同构网络中的原始节点特征属性进行邻居聚合处理,得到用户电池交互嵌入向量;
根据所述用户电池交互嵌入向量和所述权重参数,确定预测节点特征属性;
根据所述原始节点特征属性和所述预测节点特征属性,确定重构误差;
采用反向传播算法,对所述权重参数进行优化,直至所述重构误差满足预设值,得到所述预先训练好的图神经网络模型。
7.根据权利要求6所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述权重参数包括第一权重参数、第二权重参数和第三权重参数;所述得到用户电池交互嵌入向量,包括:
根据所述历史用户电池交互同构网络中的原始节点特征属性和所述第一权重参数,确定一阶邻居聚合;
根据所述一阶邻居聚合和所述第二权重参数,确定二阶邻居聚合;
根据所述二阶邻居聚合和所述第三权重参数,确定用户电池交互嵌入向量。
8.根据权利要求7所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述权重参数还包括第四权重参数;所述确定预测节点特征属性,包括:
根据所述用户电池交互嵌入向量和所述第四权重参数,确定预测节点特征属性。
9.根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法,其特征在于,所述方法还包括获取多视图融合模型,具体包括:
根据获取的历史电池信息嵌入向量、历史用户信息嵌入向量和历史用户电池交互嵌入向量,通过所述多视图融合模型得到输出值,所述多视图融合模型采用第一损失函数构建;
使用所述多视图融合模型中的解码器对所述输出值进行解码,得到预测推送信息;
根据所述预测推送信息和预先设定的真实推送信息,采用第二损失函数确定差异值;
根据所述输出值和所述差异值构建的总损失函数,使用梯度下降算法和反向传播算法对所述多视图融合模型进行调参,直至所述总损失函数收敛,得到所述预先训练好的多视图融合模型。
10.一种基于端云协同的智能锂电池主动式信息推送装置,其特征在于,应用于主动式信息推送系统,所述系统包括电池BMS终端、用户终端和云端服务器,所述装置具体应用于所述云端服务器,包括:
当前嵌入向量获取模块,用于获取所述电池BMS终端确定的当前电池信息嵌入向量,以及获取所述用户终端确定的当前用户信息嵌入向量;
交互异构网络获取模块,用于基于获取的当前电池特征数据和当前用户特征数据,确定当前用户电池交互异构网络;
交互嵌入向量获取模块,用于采用基于预先训练好的图神经网络模型,根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量;
推送信息获取模块,用于基于所述当前电池信息嵌入向量、所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量,采用预先训练好的多视图融合模型获取推送信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309347.XA CN117061605B (zh) | 2023-10-11 | 2023-10-11 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309347.XA CN117061605B (zh) | 2023-10-11 | 2023-10-11 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117061605A true CN117061605A (zh) | 2023-11-14 |
CN117061605B CN117061605B (zh) | 2024-02-06 |
Family
ID=88661226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311309347.XA Active CN117061605B (zh) | 2023-10-11 | 2023-10-11 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117061605B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120293548A1 (en) * | 2011-05-20 | 2012-11-22 | Microsoft Corporation | Event augmentation with real-time information |
US20130250056A1 (en) * | 2010-10-06 | 2013-09-26 | Nomad3D Sas | Multiview 3d compression format and algorithms |
CN109031131A (zh) * | 2018-05-25 | 2018-12-18 | 山东大学 | 电池测试与模拟仪器的异构多核实时主机系统及方法 |
CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理系统及方法 |
CN113093043A (zh) * | 2021-04-01 | 2021-07-09 | 苏州睿锂物联科技有限公司 | 电池边缘计算终端、数据通信方法、存储介质及电子装置 |
KR20220072040A (ko) * | 2020-11-23 | 2022-06-02 | 현대모비스 주식회사 | 배터리 독립적 자동차 성능 보장 방법 및 장치 |
CN115179812A (zh) * | 2021-03-18 | 2022-10-14 | 华为数字能源技术有限公司 | 基于云端协同的电池管理系统、车及电池管理方法 |
CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
-
2023
- 2023-10-11 CN CN202311309347.XA patent/CN117061605B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130250056A1 (en) * | 2010-10-06 | 2013-09-26 | Nomad3D Sas | Multiview 3d compression format and algorithms |
US20120293548A1 (en) * | 2011-05-20 | 2012-11-22 | Microsoft Corporation | Event augmentation with real-time information |
CN109031131A (zh) * | 2018-05-25 | 2018-12-18 | 山东大学 | 电池测试与模拟仪器的异构多核实时主机系统及方法 |
CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理系统及方法 |
KR20220072040A (ko) * | 2020-11-23 | 2022-06-02 | 현대모비스 주식회사 | 배터리 독립적 자동차 성능 보장 방법 및 장치 |
CN115179812A (zh) * | 2021-03-18 | 2022-10-14 | 华为数字能源技术有限公司 | 基于云端协同的电池管理系统、车及电池管理方法 |
CN113093043A (zh) * | 2021-04-01 | 2021-07-09 | 苏州睿锂物联科技有限公司 | 电池边缘计算终端、数据通信方法、存储介质及电子装置 |
CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
KAI LI: "Deep-Graph-Based Reinforcement Learning for Joint Cruise Control and Task Offloading for Aerial Edge Internet of Things (EdgeIoT)", 《IEEE INTERNET OF THINGS JOURNAL》 * |
ZHAO LI: "HGNAS++: Efficient Architecture Search for Heterogeneous Graph Neural Networks", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING 》, pages 9448 * |
林潇鸿;曾凌锋;刘培浩;邱纪涛;: "基于多Agent的众包任务推荐系统设计", 物联网技术, no. 08 * |
赵孟娜;米林;冯勇;: "基于神经网络的二次开发电动汽车电池SOC测试软件设计", 四川兵工学报, no. 08 * |
高海燕;毛林;窦凯奇;倪文晔;赵卫滨;余永红;: "基于图嵌入模型的协同过滤推荐算法", 数据采集与处理, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN117061605B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611478B (zh) | 信息推荐方法、装置和电子设备 | |
Cassará et al. | Federated feature selection for cyber-physical systems of systems | |
EP4012563A1 (en) | Profiling and application monitoring for edge devices based on headroom | |
KR102387780B1 (ko) | 신경망 기반의 배터리 용량 추정 방법 및 장치 | |
Kabir et al. | Neural network training for uncertainty quantification over time-range | |
CN112330048A (zh) | 评分卡模型训练方法、装置、存储介质及电子装置 | |
CN113781002A (zh) | 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法 | |
CN116455768A (zh) | 面向全局时延优化的云边端协同cnn推理方法及系统 | |
Shen et al. | Adaptive artificial intelligence for resource-constrained connected vehicles in cybertwin-driven 6g network | |
Yang et al. | Monitoring efficiency of iot wireless charging | |
CN117061605B (zh) | 基于端云协同的智能锂电池主动式信息推送方法和装置 | |
Lin et al. | Deep reinforcement learning and LSTM for optimal renewable energy accommodation in 5G internet of energy with bad data tolerant | |
Ding et al. | A multiagent meta-based task offloading strategy for mobile-edge computing | |
CN117608821A (zh) | 确定计算任务卸载策略的方法、装置、设备及介质 | |
Xiong et al. | Reinforcement learning for finite-horizon restless multi-armed multi-action bandits | |
CN115438588A (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
CN114118530A (zh) | 一种基于多户电力消耗预测模型的预测方法及装置 | |
CN115987817B (zh) | 交换任务调度方法、装置、电子设备及非易失性存储介质 | |
Zhang et al. | Dynamic energy storage control for reducing electricity cost in data centers | |
CN113298329A (zh) | 训练、策略生成方法、系统、计算机装置及存储介质 | |
CN116542498B (zh) | 基于深度强化学习的电池调度方法、系统、装置及介质 | |
Shen | Distributed Artificial Intelligence over Edge-Assisted Internet-Of-Things | |
Khan et al. | An expert system for hybrid edge to cloud computational offloading in heterogeneous MEC–MCC environments | |
CN110598931A (zh) | 基于图卷积的节点电价预测方法及装置 | |
Yang et al. | Knowledge-defined edge computing networks assisted long-term optimization of computation offloading and resource allocation strategy |
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 |