CN117097619A - 一种车路云协同的通算存资源优化配置方法及系统 - Google Patents

一种车路云协同的通算存资源优化配置方法及系统 Download PDF

Info

Publication number
CN117097619A
CN117097619A CN202311360471.9A CN202311360471A CN117097619A CN 117097619 A CN117097619 A CN 117097619A CN 202311360471 A CN202311360471 A CN 202311360471A CN 117097619 A CN117097619 A CN 117097619A
Authority
CN
China
Prior art keywords
vehicle
road
node
cloud
resource
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
Application number
CN202311360471.9A
Other languages
English (en)
Other versions
CN117097619B (zh
Inventor
段续庭
赵一翰
田大新
周建山
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202311360471.9A priority Critical patent/CN117097619B/zh
Publication of CN117097619A publication Critical patent/CN117097619A/zh
Application granted granted Critical
Publication of CN117097619B publication Critical patent/CN117097619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • 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
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/84—Vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Discrete Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种车路云协同的通算存资源优化配置方法及系统，涉及通算存资源优化配置领域，该方法包括基于双向图论模型，根据车路云交互数据建立时空图；根据时空图获取行驶车辆、路侧设备与云平台的多个传输链路；传输链路为行驶车辆‑云平台的传输链路或行驶车辆‑路侧设备‑云平台的传输链路；建立传输链路的最大化多输入多输出能效优化模型，并对最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；基于最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；对资源优化配置收益函数模型进行求解，得到最优资源调度方案。本发明基于上述方法，实现了车路云协同的通算存资源优化配置。

Description

一种车路云协同的通算存资源优化配置方法及系统
技术领域
本发明涉及通算存资源优化配置领域，特别是涉及一种车路云协同的通算存资源优化配置方法及系统。
背景技术
车路云是指基于车辆与路网之间的信息交互，通过云端计算和分析，为驾驶员提供实时的路况信息和驾驶辅助服务。在车路云应用场景下，车辆通过搭载各种传感器和通信设备，可以实时获取路面和周边环境的信息，如行驶速度、车辆位置、路况、气象等。这些信息通过车辆和云端之间的通信，进行汇总和处理后，再反馈给驾驶员，帮助其做出更明智的驾驶决策。同时，车路云还可以通过智能交通系统，实现车辆之间以及车辆和路网之间的信息共享，从而达到优化交通流量、减少拥堵和交通事故的目的。车路云技术的研究起源于智能交通系统，早在上个世纪八十年代就开始了。随着信息技术的发展和智能交通系统的不断完善，车路云技术也逐渐成为了近年来现代交通科技领域研究的前沿热点之一。通过车路云协同，一方面推动智能网联汽车与自动驾驶技术快速发展，为人们提供更安全、智能、便捷和环保的出行方式；另一方面赋能智能路况综合感知、动态协同交通控制等功能，使得道路交通的管理和控制更加智能化和个性化，为智能交通发展与未来智慧出行的实现奠定了坚实的基础。
由此，数据通信、计算和存储是车路云实现的关键性技术环节。然而，传统车路云技术方案在处理数据的协同通信、计算和存储方面存在原理性技术瓶颈，难以支撑未来智能网联汽车技术的快速发展。具体挑战如下：
在车路云协同中，数据的通信、计算和存储资源需要进行有效的分配和配置。如果资源分配不均，可能会造成某些资源过度使用，而其他资源却闲置浪费，降低服务质量。这种情况下，就需要进行资源调度和管理，以实现资源的最优化配置。
当前，国际上现有车路云系统技术局限于小规模测试验证和示范应用，未有可联合承载高动态、强干扰、大并发应用场景的成熟技术与装备可以借鉴和使用，用于支撑规模化网联自动驾驶车辆高效组网通信、计算和存储资源协同保障的核心技术与成套装备亟须自主创新研发。同时，各国目前采用的车路云技术路线存在端到端可靠性不足、车间行为存在博弈与冲突、单车依靠局部信息进行的规划与控制难以实现全局优化等问题。传统车路云虽然可以解决部分单车智能面临的问题，但应用场景有限，且主要功能在于利用车与车、车与路之间的信息交互辅助单车决策，难以实现面向路网大范围网联应用中的通信计算存储资源协同优化配置，不能满足智能网联汽车组成的车路云系统在发展过程中对全局车辆与交通的交互、管控与优化、对交通数据广泛深度应用等方面的实际要求。因此，如何进行车路云通算存资源的优化配置是一个亟待解决的关键问题。
发明内容
本发明的目的是提供一种车路云协同的通算存资源优化配置方法及系统，可实现车路云协同的通算存资源优化配置。
为实现上述目的，本发明提供了如下方案：
一种车路云协同的通算存资源优化配置方法，所述方法包括：
获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵；
基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台；
根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路；
建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值；
基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点；
对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
可选的，在基于双向图论模型，根据所述车路云交互数据建立时空图之前，还包括：
对所述车路云交互数据进行聚类处理。
可选的，在基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型之前，还包括：
以所述车载用户节点与所述请求节点的适配水平为决策变量，建立链路抗干扰性模型，并对所述链路抗干扰性模型进行求解，得到链路抗干扰性最优解；所述链路抗干扰性最优解为与每一所述车载用户节点适配水平最大的请求节点组成的传输链路。
可选的，所述链路抗干扰性模型的表达式如下：
；
其中，X为决策状态向量；，/>表示车载用户所请求的V2X应用/>与网络资源/>的适配水平，/>为不同维度的决策数量；，/>为环境噪声因子；/>可用于表示当前t时刻车载用户/>的QoE/QoS感知量化综合水平，函数/>和/>分别为细胞活跃度相关物质代谢激励与抑制函数。
可选的，所述最大化多输入多输出能效优化模型的目标函数的表达式为：
；
所述最大化多输入多输出能效优化目标函数的约束条件如下：
；
其中，W是多输入多输出信号波束成形权重矩阵，是输出信号的自相关矩阵，是总传输功率的协方差矩阵；/>表示半正定矩阵约束，/>表示半负定矩阵约束，/>是有效信道矩阵，/>是干扰噪声矩阵。
可选的，所述资源优化配置收益函数模型的表达式如下：
；
其中，为车载用户节点/>时的综合收益；/>为节点用于处理数据计算的剩余能量百分比；/>为节点的通信带宽估计值；/>是车载用户节点同请求节点的相对存储速度；/>分别为计算、通信和存储资源在收益函数中的权重因子。
可选的，在所述得到最优资源调度方案之后，还包括：
对所述车路云交互数据进行安全检测。
可选的，对所述车路云交互数据进行安全检测，具体包括：
利用孤立森林算法与窗口信息熵算法设计加权检测算法对所述车路云交互数据进行安全检测。
本发明还提供了一种车路云协同的通算存资源优化配置系统，所述系统包括：
交互数据获取模块，用于获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵；
时空图建立模块，用于基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台；
传输链路获取模块，用于根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路；
权重求解模块，用于建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值；
资源优化配置模型建立模块，用于基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点；
资源优化配置模块，用于对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
可选的，所述资源优化配置收益函数模型的表达式如下：
；
其中，为车载用户节点/>时的综合收益；/>为节点用于处理数据计算的剩余能量百分比；/>为节点的通信带宽估计值；/>是车载用户节点同请求节点的相对存储速度；/>分别为计算、通信和存储资源在收益函数中的权重因子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种车路云协同的通算存资源优化配置方法及系统，该方法包括：获取目标路段的车路云交互数据；车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；路况包括路况拥堵和路况不拥堵；基于双向图论模型，根据车路云交互数据建立时空图；时空图的节点对应行驶车辆、路侧设备或云平台；时空图的边对应边连接的两个节点的时空交互关系；路侧设备，为设置于目标路段的计算设备，用于将行驶车辆的交互信息传输至云平台；根据时空图获取行驶车辆、路侧设备与云平台的多个传输链路；传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路；建立传输链路的最大化多输入多输出能效优化模型，并对最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；最大化多输入多输出能效优化模型包括目标函数和约束条件；最优多输入多输出信号波束成形权重矩阵中的每一元素为传输链路的输出信号与传输功率的比值；基于最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；请求节点为路侧设备节点或云平台节点；对资源优化配置收益函数模型进行求解，得到最优资源调度方案；资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。本发明基于上述方法，解决了车路云协同下的多维度、多场景、多域、高动态的辅助数据交互需求，有效解决了车路云应用场景中有限单车计算存储能力和高精度低延迟通信需求之间的矛盾，实现了车路云协同的通算存资源优化配置。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的车路云协同的通算存资源优化配置方法流程示意图；
图2为本发明实施例1提供的车路云协同的通算存资源优化配置方法具体实施流程示意图；
图3为本发明实施例2提供的车路云协同的通算存资源优化配置系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种车路云协同的通算存资源优化配置方法及系统，解决了车路云协同下的多维度、多场景、多域、高动态的辅助数据交互需求。其中多维度需求包括了数据的通信、计算、存储等网络资源协同调度与配置，多场景包括智慧城市为主的全地形全路况驾驶场景，多域需求指车车协同、车路协同、车云协同的统筹管理需求，而高动态意为车辆通信节点的高速移动性与数据流量的波动性；有效解决了车路云应用场景中有限单车计算存储能力和高精度低延迟通信需求之间的矛盾；在收集车路云数据的同时考虑增强数据链路的鲁棒性，在优化车路云通算存资源配置的同时考虑数据传输安全威胁，对接入数据进行安全性检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明提供了一种车路云协同的通算存资源优化配置方法，所述方法包括：
S1：获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵。
S2：基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台。
S3：根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路。
S4：建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值。
S5：基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点。
S6：对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
在基于双向图论模型，根据所述车路云交互数据建立时空图之前，还包括：
对所述车路云交互数据进行聚类处理。具体地：
首先，提取并收集车辆、道路基础设施和云平台的高并发多维度交互数据信息。具体地：
针对海量车路云场景数据，首先利用主成分-因子分析方法提出表征车路云关键功能特性的测评要素提取方法，标准化处理多源数据，实现其语义统一与结构化整合。基于双向图论模型刻画车路云物理设备和场景功能的时空耦合拓扑结构，利用信息瓶颈理论和自动编码器模型建立车路云场景-功能时空耦合拓扑图网络的层级解耦方法，其具体方法如下：
（1）移动对象聚类：定义移动对象数据库和时间域数据库/>，通过时间聚类，把移动对象数据库/>划分为/>个空间子集。将对象的轨迹按照时间片划分到每一个快照/>。之后对每一个快照中的移动对象根据空间、社交等维度进行聚类。
对象域数据库和时间域数据库里的数据是一一匹配的关系。时间域数据库代表对应数据发生的时间，对象数据库的数据为车路云场景下不同对象各自的数据，对象包括路网在内的道路基础设施，行驶的各个车辆，云平台，一个对象有对应的多维度数据，如行驶速度、车辆位置、路况和气象。
（2）创建时空图：时空图由点集/>和边集/>组成，集合代表图中的点集，对应移动对象聚类/>，集合代表图中的边集，对应移动对象聚类间的时空关系。提取移动对象聚类节点，每一节点包含组成聚类的移动对象信息，聚类的形成时间和位置。时空图的节点对应目标区域道路上的多个车辆、路侧设备和云平台；路侧设备用于传输和存储车辆多维度数据，一个车辆可与设定距离内的多个路侧设备连接，车辆多维度数据通过路侧设备传输至云平台。
移动对象聚类C里面的每一个元素C1、C2...等元素就是上述一个对象对应的多维度数据，如C1包括一辆车A的速度、位置、加速度和油耗。
然后，将语义关联后的车-路-云网联环境状态抽象为一个复杂语义关联网络图G，定义顶点通过边随机游走的概率/>，这里用边的属性值权重来表示顶点间链接的强度，/>为边e的权重，l为边e包含属性的个数。定义顶点间总的游走可能性，h表示顶点/>和/>之间边的数目。针对不同车联网服务需求，根据顶点属性的不同重要程度，计算顶点的属性加权值，其中，/>表示第i个属性的权重，m为属性数量，且/>，/>或者/>表示属性的存在或不存在顶点中，/>表示存在第i个属性，/>表示不存在第i个属性。
然后，为了在有限资源开销下尽可能收集更多的智慧城市车路云交互场景下的多维度、全链路端到端数据，建立车辆端、路侧与云端的高效交互链路。针对在高延迟、高并发的不确定性信道干扰环境下通信端到端物理层传输链路的构建难题，可以使用以下公式表示最大化多输入多输出能效优化模型的目标函数：
。
其中，W是多输入多输出信号波束成形权重矩阵，是输出信号的自相关矩阵，是总传输功率的协方差矩阵。同时，物理层链路速率、传输功率和不确定性干扰三重因素可以表示为以下矩阵不等式约束条件：
。
其中，表示半正定矩阵约束，/>表示半负定矩阵约束，/>是有效信道矩阵，/>是干扰噪声矩阵，/>为总传输功率的协方差矩阵中左上角的第一的元素到右下角的最后一个元素构成的对角线上元素的传输功率的协方差相加得到。最终，可以使用基于半正定矩阵规划的多输入多输出无线信号波束鲁棒成形方法优化目标函数，得到最优的多输入多输出信号波束成形权重矩阵W。基于上述过程得到了各个传输链路间的能量分配，W中每一元素是对应点之间的能量分配权重。传输链路包括：车辆-云平台的传输链路；车辆-路侧设备-云平台的传输链路。
基于上述目标函数求解结果得到车辆、道路基础设施和云平台的高并发多维度数据信息。
在基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型之前，还包括：
以所述车载用户节点与所述请求节点的适配水平为决策变量，建立链路抗干扰性模型，并对所述链路抗干扰性模型进行求解，得到链路抗干扰性最优解；所述链路抗干扰性最优解为与每一所述车载用户节点适配水平最大的请求节点组成的传输链路。具体如下：
针对不同可靠性的车-路-云传输链路，研究生物群体（如微生物细胞群体等）的自组织行为及其分布式协同鲁棒优化机理，以此增强车路云链路的抗干扰性。记参数表示车载用户所请求的V2X（Vehicle-to-Everything）应用j（V2X应用j是路侧设备或云平台）与车辆用户节点i的适配水平；用/>构成决策状态向量，M为不同维度的决策数量。启发于微生物细胞群体基因自适应调控代谢的行为机理，本发明构建自组织动态优化的多维动力学模型（链路抗干扰性模型），其简化形式如下式所示：
。
其中，X为决策状态向量，；/>为环境噪声因子；可用于表示当前t时刻车载用户节点i的QoE/QoS感知量化综合水平，函数/>和分别为细胞活跃度相关物质代谢激励与抑制函数，分别与通信、计算和存储资源分配有关。求解上述决策状态向量的模长最大值即为链路抗干扰性最优解。可使得车-路-云系统数据链路抗干扰性最优。
建立车路云协同的通信、计算和存储资源优化配置模型并进行求解；
在得到车路云交互数据和链路抗干扰性最优解的基础上，建立可重构的用户资源配置策略，动态调度通信、计算与存储资源，保证网络资源的按需分配。综合考虑相对移动性、能量、带宽、存储等属性，定义选择车辆用户节点j时的综合收益为：
。
其中，为节点用于处理数据计算的剩余能量百分比，/>为节点的通信带宽估计值，而/>是候选节点同请求节点的相对存储速度，通过/>三个加权因子可以控制计算、通信和存储资源在收益函数中的权重。可以采用博弈论，使得每个虚拟社区资源节点（即车载用户节点）的综合收益/>达到均衡点集合，将最优均衡点作为最优资源调度方案。
经过上述求解过程，可得到每一车辆用户节点j对应的三个加权因子。
例如，整个时空图有A、B、C、D、E五个车辆，求解得到每一车辆对应的用户节点j的通信带宽估计值的通信权重的值分别为0.1、0.1、0.2、0.3、0.4，则将车-路-云系统的总通信带宽值按照0.1、0.1、0.2、0.3、0.4比例分配给每一车辆所在的传输链路。当求解得到每一车辆对应的用户节点j的通信带宽估计值的通信权重/>的值分别为0.1、0.2、0.3、0.3、0.4时，此时五个车辆的通信权重/>的值0.1、0.2、0.3、0.3、0.4相加超过了1，为1.3，则本实施例将总通信带宽值分别按照0.1/1.3、0.2/1.3、0.3/1.3、0.3/1.3、0.4/1.3的比例为每一车辆所在的传输链路分配通信带宽。
在本实施例中，在所述得到最优资源调度方案之后，还包括：
对所述车路云交互数据进行安全检测，具体包括：
利用孤立森林算法与窗口信息熵算法设计加权检测算法对所述车路云交互数据进行安全检测。实现资源的动态调整并构建数据汇聚及网络接入安全保障机制。将上述求解得到的最优资源调度方案应用于车路云资源配置。同时，为了规避潜在安全威胁，保护车-路-云系统的数据安全，本发明基于孤立森林算法与窗口信息熵算法设计加权检测算法，对接入数据进行了的安全检测。数据汇聚及网络接入安全保障机制的流程如下：
Step1：篡改类数据异常检测。
计算数据异常分数并判断是否高于正常值10%以上：
。
如果高于，拒绝接入数据；否则跳至Step2。
Step2：非篡改类数据异常检测。
计算待测数据的信息熵并判断是否在阈值范围内：
。
如果不在，拒绝接入数据，否则跳至Step3。
Step3：数据异常加权检测。
计算数据加权检测分数并进行排序：
。
分数前5%判断为异常数据，拒绝接入，其他数据接入。
Step4：更新汇入数据量，判断迭代次数是否达到终止次数。
如果未达到终止次数，跳至Step1，对更新数据重新进行检测，否则结束。具体步骤如下：
对于篡改类的周期性攻击，首先从给定的检测数据集中随机抽取子数据集并为每个子数据集构建一棵孤立树。重复此过程，将多棵孤立树组成孤立森林。将数据质量比值的概念引入原始孤立森林算法中，通过计算最大数据质量比，增强对于局部异常的检测敏感度。改进之后的异常分数的计算方法如下式：
。
其中，为决策状态为/>时异常分数；/>是最大数据质量比，即在遍历过程中，数据点经过的父节点与子节点的数据质量比的最大值；/>为检测敏感系数，在本实施例中/>取该数据的访问路径长度；/>为数据的平均访问路径长度；/>为最大数据质量比，公式为：
。
其中，是父节点的数据质量；/>是子节点的数据质量。在计算出每一个数据质量比后，取最大值，这样不管是全局异常还是局部异常都被考虑到，改善了原始算法对于局部异常不敏感的缺点。
对于每一条待测数据，经过ID分类后将其与从正常数据库采样出的待组合数据库进行组合，并对这个组合得到的不同ID的子集建立孤立森林模型，输出每一条数据的异常分数，如果待测数据是异常的，那么输出的异常分数会明显高于其他正常库中数据的异常分数；如果待测数据是正常的，那么输出的异常分数与其他正常数据的异常分数无明显差别。本发明以10%的异常分数差距作为待测数据是否为篡改类异常数据的判定依据。若输出的异常分数与其他正常库中数据的异常分数的差距超过10%，则判定该输出的异常分数为篡改类异常数据。
对于非篡改类的周期性攻击，考虑采用信息熵的异常检测方法。信息熵越大，代表待测数据的不确定性和随机性越高；信息熵越小，代表待测数据的不确定性和随机性越低。首先通过界定一个正常的信息熵范围，确定上下阈值极限，如果待测数据的信息熵超出正常的阈值范围，则判定发生异常。
对于ID的信息熵，可以用下式进行计算：
。
其中，表示ID的信息熵，为其所有可能取值的概率的负对数之和，，即在一个窗口内该ID出现的次数与总的ID的数量之比。ID的信息熵在正常无攻击情况下无明显波动，且在正常的信息熵范围内。如果受到周期性的攻击，信息熵发生明显变化，因此采用信息熵方法检测与周期相关的攻击方式是可行的。
对于一些入侵数据可能无法识别是否被篡改，考虑采用上述两种算法的结果进行加权检测，具体公式如下：
。
为所计算的加权检测分数，/>为权重系数，可以根据实际需求调整。根据加权检测分数，对数据进行排序。加权检测分数前5%的数据可能存在较大的安全威胁，需要拒绝接入。
由于攻击者对于车-路-云数据平台的蓄意攻击最终都需通过网络来实施。因此，数据安全接入是车-路-云平台安全的关键。通过所提出改进异常分数计算方法的孤立森林算法和基于间隔数据的窗口信息熵算法对平台的数据接入过程进行篡改性/非篡改性与加权异常分析与入侵检测，如果检测到数据接入异常则拒绝数据汇入，构建数据汇聚及网络接入安全保障机制，保障数据可以安全接入车-路-云平台。
实施例2
如图3所示，本发明还提供了一种车路云协同的通算存资源优化配置系统，所述系统包括：
交互数据获取模块T1，用于获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵。
时空图建立模块T2，用于基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台。
传输链路获取模块T3，用于根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路。
权重求解模块T4，用于建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值。
资源优化配置模型建立模块T5，用于基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点。
资源优化配置模块T6，用于对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
其中，所述资源优化配置收益函数模型的表达式如下：
；
其中，为车载用户节点/>时的综合收益；/>为节点用于处理数据计算的剩余能量百分比；/>为节点的通信带宽估计值；/>是车载用户节点同请求节点的相对存储速度；/>分别为计算、通信和存储资源在收益函数中的权重因子。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车路云协同的通算存资源优化配置方法，其特征在于，所述方法包括：
获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵；
基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台；
根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路；
建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值；
基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点；
对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
2.根据权利要求1所述的车路云协同的通算存资源优化配置方法，其特征在于，在基于双向图论模型，根据所述车路云交互数据建立时空图之前，还包括：
对所述车路云交互数据进行聚类处理。
3.根据权利要求1所述的车路云协同的通算存资源优化配置方法，其特征在于，在基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型之前，还包括：
以所述车载用户节点与所述请求节点的适配水平为决策变量，建立链路抗干扰性模型，并对所述链路抗干扰性模型进行求解，得到链路抗干扰性最优解；所述链路抗干扰性最优解为与每一所述车载用户节点适配水平最大的请求节点组成的传输链路。
4.根据权利要求3所述的车路云协同的通算存资源优化配置方法，其特征在于，所述链路抗干扰性模型的表达式如下：
；
其中，X为决策状态向量；，/>表示车载用户所请求的V2X应用/>与网络资源/>的适配水平，/>为不同维度的决策数量；，/>为环境噪声因子；/>可用于表示当前t时刻车载用户/>的QoE/QoS感知量化综合水平，函数/>和/>分别为细胞活跃度相关物质代谢激励与抑制函数。
5.根据权利要求1所述的车路云协同的通算存资源优化配置方法，其特征在于，所述最大化多输入多输出能效优化模型的目标函数的表达式为：
；
所述最大化多输入多输出能效优化目标函数的约束条件如下：
；
其中，W是多输入多输出信号波束成形权重矩阵，是输出信号的自相关矩阵，/>是总传输功率的协方差矩阵；/>表示半正定矩阵约束，/>表示半负定矩阵约束，/>是有效信道矩阵，/>是干扰噪声矩阵。
6.根据权利要求1所述的车路云协同的通算存资源优化配置方法，其特征在于，所述资源优化配置收益函数模型的表达式如下：
；
其中，为车载用户节点/>时的综合收益；/>为节点用于处理数据计算的剩余能量百分比；/>为节点的通信带宽估计值；/>是车载用户节点同请求节点的相对存储速度；/>分别为计算、通信和存储资源在收益函数中的权重因子。
7.根据权利要求1所述的车路云协同的通算存资源优化配置方法，其特征在于，在所述得到最优资源调度方案之后，还包括：
对所述车路云交互数据进行安全检测。
8.根据权利要求7所述的车路云协同的通算存资源优化配置方法，其特征在于，对所述车路云交互数据进行安全检测，具体包括：
利用孤立森林算法与窗口信息熵算法设计加权检测算法对所述车路云交互数据进行安全检测。
9.一种车路云协同的通算存资源优化配置系统，其特征在于，所述系统包括：
交互数据获取模块，用于获取目标路段的车路云交互数据；所述车路云交互数据包括目标路段上各行驶车辆的速度、位置、路况、气象信息、加速度和油耗；所述路况包括路况拥堵和路况不拥堵；
时空图建立模块，用于基于双向图论模型，根据所述车路云交互数据建立时空图；所述时空图的节点对应所述行驶车辆、路侧设备或云平台；所述时空图的边对应所述边连接的两个节点的时空交互关系；所述路侧设备，为设置于目标路段的计算设备，用于将所述行驶车辆的交互信息传输至所述云平台；
传输链路获取模块，用于根据所述时空图获取所述行驶车辆、所述路侧设备与所述云平台的多个传输链路；所述传输链路为行驶车辆-云平台的传输链路或行驶车辆-路侧设备-云平台的传输链路；
权重求解模块，用于建立所述传输链路的最大化多输入多输出能效优化模型，并对所述最大化多输入多输出能效优化模型进行求解，得到最优多输入多输出信号波束成形权重矩阵；所述最大化多输入多输出能效优化模型包括目标函数和约束条件；所述最优多输入多输出信号波束成形权重矩阵中的每一元素为所述传输链路的输出信号与传输功率的比值；
资源优化配置模型建立模块，用于基于所述最优多输入多输出信号波束成形权重矩阵建立资源优化配置收益函数模型；所述资源优化配置收益函数模型包括节点用于处理数据计算的剩余能量百分比、节点的通信带宽估计值以及车载用户节点同请求节点的相对存储速度；所述请求节点为路侧设备节点或云平台节点；
资源优化配置模块，用于对所述资源优化配置收益函数模型进行求解，得到最优资源调度方案；所述资源调度方案包括每一车辆用户节点的计算、通信和存储资源在收益函数中的权重；所述最优资源调度方案用于目标路段车路云系统的通信、计算和存储资源配置。
10.根据权利要求9所述的车路云协同的通算存资源优化配置系统，其特征在于，所述资源优化配置收益函数模型的表达式如下：
；
其中，为车载用户节点/>时的综合收益；/>为节点用于处理数据计算的剩余能量百分比；/>为节点的通信带宽估计值；/>是车载用户节点同请求节点的相对存储速度；/>分别为计算、通信和存储资源在收益函数中的权重因子。
CN202311360471.9A 2023-10-20 2023-10-20 一种车路云协同的通算存资源优化配置方法及系统 Active CN117097619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311360471.9A CN117097619B (zh) 2023-10-20 2023-10-20 一种车路云协同的通算存资源优化配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311360471.9A CN117097619B (zh) 2023-10-20 2023-10-20 一种车路云协同的通算存资源优化配置方法及系统

Publications (2)

Publication Number Publication Date
CN117097619A true CN117097619A (zh) 2023-11-21
CN117097619B CN117097619B (zh) 2023-12-15

Family

ID=88770189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311360471.9A Active CN117097619B (zh) 2023-10-20 2023-10-20 一种车路云协同的通算存资源优化配置方法及系统

Country Status (1)

Country Link
CN (1) CN117097619B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117271534A (zh) * 2023-11-23 2023-12-22 长春汽车工业高等专科学校 一种汽车零部件的光谱检测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109714421A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于车路协同的智能网联汽车运行系统
CN110930747A (zh) * 2018-09-20 2020-03-27 南京锦和佳鑫信息科技有限公司 一种基于云计算技术的智能网联交通服务系统
CN112911551A (zh) * 2021-01-18 2021-06-04 国汽智控(北京)科技有限公司 一种车路云算力动态分配系统
CN112925657A (zh) * 2021-01-18 2021-06-08 国汽智控(北京)科技有限公司 一种车路云协同处理系统及方法
CN113543074A (zh) * 2021-06-15 2021-10-22 南京航空航天大学 一种基于车路云协同的联合计算迁移和资源分配方法
CN115629873A (zh) * 2022-10-17 2023-01-20 湖南大学 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN115662134A (zh) * 2022-10-28 2023-01-31 东南大学 基于主动管控的城市功能区快速路时空资源动态配置方法
CN116187161A (zh) * 2022-12-16 2023-05-30 江苏大学 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN116261119A (zh) * 2023-02-14 2023-06-13 西安电子科技大学广州研究院 一种车载环境下智能协同任务计算和按需资源分配方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930747A (zh) * 2018-09-20 2020-03-27 南京锦和佳鑫信息科技有限公司 一种基于云计算技术的智能网联交通服务系统
CN109714421A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于车路协同的智能网联汽车运行系统
CN112911551A (zh) * 2021-01-18 2021-06-04 国汽智控(北京)科技有限公司 一种车路云算力动态分配系统
CN112925657A (zh) * 2021-01-18 2021-06-08 国汽智控(北京)科技有限公司 一种车路云协同处理系统及方法
CN113543074A (zh) * 2021-06-15 2021-10-22 南京航空航天大学 一种基于车路云协同的联合计算迁移和资源分配方法
CN115629873A (zh) * 2022-10-17 2023-01-20 湖南大学 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN115662134A (zh) * 2022-10-28 2023-01-31 东南大学 基于主动管控的城市功能区快速路时空资源动态配置方法
CN116187161A (zh) * 2022-12-16 2023-05-30 江苏大学 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN116261119A (zh) * 2023-02-14 2023-06-13 西安电子科技大学广州研究院 一种车载环境下智能协同任务计算和按需资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUN-PENG WANG 等: "Cooperative channel assignment forVANETs based on multiagent reinforcement learning", FRONTIERS OF INFORMATION TECHNOLOGY & ELECTRONIC ENGINEERING, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117271534A (zh) * 2023-11-23 2023-12-22 长春汽车工业高等专科学校 一种汽车零部件的光谱检测方法及系统
CN117271534B (zh) * 2023-11-23 2024-03-05 长春汽车工业高等专科学校 一种汽车零部件的光谱检测方法及系统

Also Published As

Publication number Publication date
CN117097619B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
Xu et al. Service offloading with deep Q-network for digital twinning-empowered internet of vehicles in edge computing
Tong et al. Artificial intelligence for vehicle-to-everything: A survey
Li et al. An end-to-end load balancer based on deep learning for vehicular network traffic control
CN117097619B (zh) 一种车路云协同的通算存资源优化配置方法及系统
Kalkan et al. In-vehicle intrusion detection system on controller area network with machine learning models
ALMahadin et al. VANET network traffic anomaly detection using GRU-based deep learning model
CN109871711B (zh) 海洋大数据共享分发风险控制模型及方法
CN116307275A (zh) 一种基于空域因果传递的自行车流量预测方法
Khalil et al. Artificial Intelligence-based intrusion detection system for V2V communication in vehicular adhoc networks
Wu et al. Vehicle-based secure location clustering for IoT-equipped building and facility management in smart city
Saadane et al. 6G enabled smart environments and sustainable cities: an intelligent big data architecture
Rjoub et al. Active federated yolor model for enhancing autonomous vehicles safety
Hu et al. Dynamic traffic signal control using mean field multi‐agent reinforcement learning in large scale road‐networks
Sun et al. Research on intelligent guidance optimal path of shared car charging in the IOT environment
Liu et al. An intelligent urban traffic data fusion analysis method based on improved artificial neural network
Ding et al. A deep learning based traffic state estimation method for mixed traffic flow environment
Yang et al. Lightweight Fault Prediction Method for Edge Networks
Alghamdi et al. Optimized Contextual Data Offloading in Mobile Edge Computing
Zhao et al. Review of key technologies and applications of intelligent transportation
Shi et al. Data aggregation for road functionality detection based on machine leaning and vanet
Cai et al. Intelligent Prediction of Urban Road Network Carrying Capacity and Traffic Flow Based on Deep Learning
Saxena et al. Latency Analysis and Reduction Methods for Edge Computing
Chu et al. Application of IoT and artificial intelligence technology in smart parking management
CN118197062B (zh) 基于边缘计算的智能交通多模态信息融合系统
Zhang Research on Information Dissemination Security Based on Generative Adversarial Network in Internet of Vehicle 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