CN117768923B - 基于5g短切片专网的新能源汽车数据传输优化方法及系统 - Google Patents
基于5g短切片专网的新能源汽车数据传输优化方法及系统 Download PDFInfo
- Publication number
- CN117768923B CN117768923B CN202410197083.1A CN202410197083A CN117768923B CN 117768923 B CN117768923 B CN 117768923B CN 202410197083 A CN202410197083 A CN 202410197083A CN 117768923 B CN117768923 B CN 117768923B
- Authority
- CN
- China
- Prior art keywords
- new energy
- energy automobile
- data
- data transmission
- transmission
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及数据传输技术领域。更具体地，本发明涉及一种基于5G短切片专网的新能源汽车数据传输优化方法及系统。其中的方法包括：选取各辆新能源汽车的数据对应的最佳边缘节点；对于每辆新能源汽车的数据，通过对应的最佳边缘节点进行传输；在实时传输的过程中，利用新能源汽车故障预测模型监测每辆新能源汽车运行状态，并依据每辆新能源汽车运行状态分别对每辆新能源汽车的数据传输频率进行调整，以增大运行状态异常的新能源汽车的数据传输频率，减小运行状态正常的新能源汽车的数据传输频率。采用本发明的方法可以提高新能源汽车数据传输的合理性，及时监测到新能源汽车的故障状态。
Description
技术领域
本发明一般地涉及数据传输技术领域。更具体地，本发明涉及一种基于5G短切片专网的新能源汽车数据传输优化方法及系统。
背景技术
5G短切片技术是5G通信的关键技术之一。它基于虚拟化技术，将现有物理网络进行业务逻辑分割，形成独立的业务逻辑网络，为具有不同业务要求的行业提供相互隔离、管理功能可协商定制的网络服务。其设备（核心、承载、用户面、接入、基站）切片之间相互隔离和逻辑独立，任何一个切片及其链接成的网络发生故障时都不会影响其他切片及其所属虚拟网络。切片与传统网络的虚拟专用网络（Virtual Private Network,VPN）虚拟通道应用出发点相似，其目的是为在公网上应用的专网开辟相对独立安全和快捷的通道，以此实现专网应用需求与公网5G网络的有机复合。基于5G短切片的数据传输方法与传统的数据传输方法相比有很多优点，如采用专用通道进行传输，安全性较高，不易泄露，降低了传输的成本；同时，使用专用通道进行传输，不会形成堵塞，传输的可靠性增强。
随着通信技术的发展，不断向其他应用场合进行辐射。例如在新能源汽车领域，为了保障数据传输的效率，在对新能源汽车的运行数据进行传输时通常会选用5G短切片专网进行传输。但是现有的现有技术中在利用5G短切片专网对新能源汽车的数据进行传输时，若新能源汽车有多辆，通常是无差别地对所有新能源汽车的全部运行数据按照一定的频率进行周期性传输，导致出现传输数据冗余的问题；此外由于边缘节点每次传输的数据量有一定的上限，会导致传输效率低下的问题，此外，当某辆新能源汽车出现故障时可能无法被及时地监测到，导致无法及时分析出其故障原因。
发明内容
为解决上述一个或多个技术问题，本发明在如下的多个方面中提供方案。
在第一方面中，本发明提供了一种基于5G短切片专网的新能源汽车数据传输优化方法，包括：根据每辆新能源汽车和各个边缘节点之间的距离以及各个边缘节点实时的传输任务量选取各辆新能源汽车的数据对应的最佳边缘节点，新能源汽车的数据通过对应的最佳边缘节点进行传输；对于每辆新能源汽车的数据，通过对应的最佳边缘节点进行传输；在实时传输的过程中，利用新能源汽车故障预测模型监测每辆新能源汽车运行状态，并分别依据每辆新能源汽车运行状态对每辆新能源汽车的数据传输频率进行调整，以增大运行状态异常的新能源汽车的数据传输频率，减小运行状态正常的新能源汽车的数据传输频率，其中所述新能源汽车故障预测模型用于依据新能源汽车各个指标数据获取新能源汽车运行正常的概率和运行异常的概率。
在一个实施例中，对于某辆新能源汽车，其最佳边缘节点的确定方法是首先计算该辆新能源汽车与各个边缘节点的不匹配度，从中选取不匹配度最小的边缘节点作为其最佳边缘节点，其中不匹配度的计算表达式如下：
式中，表示不匹配度，/>表示第i个新能源汽车和第j个边缘传输节点之间的距离，/>表示第j个边缘节点实时的传输任务量。
在一个实施例中，所述新能源汽车故障预测模型的构建方法包括：
采集新能源汽车历史运行过程中各个时刻的运行数据，并对各个时刻的运行数据进行标注标签，从而获取新能源车运行数据集；所述标签包括新能源车运行正常以及新能源车运行异常两种标签；所述运行数据包括新能源汽车的各项指标数据；
使用新能源车运行数据集对神经网络模型进行训练，直至模型达到设定的最大训练次数或损失小于设定的损失阈值，根据模型预测的准确率选择最优的模型作为新能源汽车故障预测模型。
在一个实施例中，所述指标数据包括：电池系统数据、电动机数据以及汽车运行中的车速和加速度。
在一个实施例中，所述对每辆新能源汽车的数据传输频率进行调整包括：依据新能源汽车初始的数据传输频率、新能源汽车运行正常的概率以及新能源汽车运行异常的概率确定出新能源汽车新的数据传输频率f，其计算表达式为：
式中，表示初始的传输频率，/>表示神经网络输出的新能源汽车运行异常的概率，/>表示神经网络输出的新能源汽车运行正常的概率。
在一个实施例中，还包括：若在某一时刻，有多辆新能源汽车的数据在某个时刻同时通过同一个边缘节点传输，则对于该边缘节点，分析历史传输数据的情况得出该边缘节点的最佳数据传输量，并根据最佳数据传输量和通过该边缘节点传输数据的新能源汽车数量计算每辆新能源汽车可传输数据的总量，并使每次传输的新能源汽车的数据不超过对应的所述可传输数据的总量；所述新能源汽车可传输数据的总量的计算表达式为：
其中，表示第i辆新能源汽车可传输数据的总量，/>表示第j个边缘传输节点的最佳数据传输量，/>表示第j个边缘传输节点传输新能源汽车的数量。
在一个实施例中，对于一辆新能源汽车，在传输一次对应的所有指标数据后，再传输优先级最高的指标数据一次。
在一个实施例中，所述指标数据的传输优先级的确定方法是：基于所述新能源汽车故障预测模型获取各个指标对新能源汽车正常运行的重要程度，重要程度越高，其对应的传输优先级越高，其中，通过cam算法获取各个指标对新能源汽车正常运行的重要程度。
在一个实施例中，获取边缘节点的最佳数据传输量包括：对边缘节点的历史数据的传输质量进行聚类，从而得到传输质量好的聚类簇和传输质量差的聚类簇；计算传输质量好的聚类簇中每次传输的数据量的均值，从而得到该边缘节点的最佳数据传输量。
在第二方面中，本发明提供了一种基于5G短切片专网的新能源汽车数据传输优化系统，包括存储器和处理器，所述存储器内存储有计算机指令，当所述计算机程序指令被所述处理器执行时实现本发明的基于5G短切片专网的新能源汽车数据传输优化方法。
本发明的技术效果为：本发明的基于5G短切片专网的新能源汽车数据传输优化方法，在利用5G短切片专网对新能源汽车数据进行传输时不再是无差别地使所有新能源汽车的数据传输频率保持一致，而是在传输过程中实时监测每辆新能源汽车的运行状态，依据每辆新能源汽车的运行状态动态调整新能源汽车的数据传输频率，从而提高运行状态异常的新能源汽车的数据传输频率，降低运行状态正常的新能源汽车的数据传输频率，可及时监测到新能源汽车的故障状态，以便分析出其故障原因。
在某些特殊情况下，对各个指标的数据进行传输时可能会出现数据丢失的情况，本发明的方法对新能源汽车的运行数据进行传输时不再是将新能源汽车的全部指标数据按照相同的传输频率进行传输，而是考虑到数据传输通道的可传输数据的总量和各项指标数据的传输优先级，传输优先级越高的指标数据，其对新能源汽车安全的重要程度越高，通过对传输优先级最高的数据多传输两次，对传输优先级次高的数据多传输一次，从而保障重要的指标数据能够被可靠地传输，从而进一步保障能够及时监测到新能源汽车的故障状态
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出本发明的实施例的基于5G短切片专网的新能源汽车数据传输优化方法流程图；
图2是示意性示出本发明的实施例的构建新能源汽车故障预测模型方法流程图；
图3是示意性示出本发明的实施例的某一次指标数据传输方式示意图；
图4是示意性示出本发明的实施例的获取边缘节点的最佳数据传输量方法流程图；
图5是示意性示出本发明的实施例的基于5G短切片专网的新能源汽车数据传输优化系统结构示意图。
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。
下面结合附图来详细描述本发明的具体实施方式。
基于5G短切片专网的新能源汽车数据传输优化方法实施例：
如图1所示，本发明的基于5G短切片专网的新能源汽车数据传输优化方法包括：
S101、选取最佳边缘节点，具体为：根据每辆新能源汽车和各个边缘节点之间的距离以及各个边缘节点实时的传输任务量选取各辆新能源汽车的数据对应的最佳边缘节点，新能源汽车的数据通过对应的最佳边缘节点进行传输；
通常情况下，对于某辆新能源汽车来说，新能源汽车的数据需选取距离该新能源距离最近且具备足够多的空闲传输空间的边缘节点进行传输，例如：对于某辆新能源汽车，其最佳边缘节点的确定方法是首先计算该辆新能源汽车与各个边缘节点的不匹配度，从中选取不匹配度最小的边缘节点作为其最佳边缘节点，其中不匹配度的计算表达式如下：
（1）
式中，表示不匹配度，/>表示第i个新能源汽车和第j个边缘传输节点之间的距离，/>表示第j个边缘节点实时的传输任务量。
边缘节点包括边缘网关、边缘控制器、边缘服务器等边缘侧产品形态。边缘侧产品形态具备边缘侧实时数据分析、本地数据存储以及实时网络连接等功能。
S102、动态调整每辆新能源汽车的数据传输频率，具体为：对于每辆新能源汽车的数据，通过对应的最佳边缘节点进行传输，在实时传输的过程中，利用新能源汽车故障预测模型监测每辆新能源汽车运行状态，并分别依据每辆新能源汽车运行状态对每辆新能源汽车的数据传输频率进行调整，以增大运行状态异常的新能源汽车的数据传输频率，减小运行状态正常的新能源汽车的数据传输频率；其中所述新能源汽车故障预测模型用于依据新能源汽车各项指标数据获取新能源汽车运行正常的概率和运行异常的概率。
新能源汽车故障预测模型可采用神经网络模型、灰色预测模型、时间序列模型、逻辑回归模型、线性回归模型、随机森林模型或者其他合适的预测模型。
分别将传输的每辆新能源汽车各个指标的数据输入至新能源汽车故障预测模型中，即可获取每辆新能源汽车在相应时刻运行正常的概率和运行异常（即故障）的概率，当运行异常的概率大于预设的阈值时说明监测结果为新能源汽车在相应时刻的运行状态为故障状态。
在传输新能源汽车数据的过程中，一般情况下各辆新能源汽车的运行数据的初始传输频率是固定的，但在实际情况中每辆新能源车的运行状态不同，当新能源汽车的运行状态异常时，应该加大对其运行数据的传输频率，以更好的分析出现故障的原因。因此，通过增大运行状态异常的新能源汽车的数据传输频率，减小运行状态正常的新能源汽车的数据传输频率，可保障在新能源汽车出现故障时及时对其运行数据进行检测，从而分析出其故障原因。
本发明的基于5G短切片专网的新能源汽车数据传输优化方法，在利用5G短切片专网对新能源汽车数据进行传输时不再是无差别地使所有新能源汽车的数据传输频率保持一致，而是在传输过程中实时监测每辆新能源汽车的运行状态，依据每辆新能源汽车的运行状态动态调整新能源汽车的数据传输频率，从而提高运行状态异常的新能源汽车的数据传输频率，降低运行状态正常的新能源汽车的数据传输频率，可及时监测到新能源汽车的故障状态，以便分析出其故障原因。
在一个实施例中，新能源汽车故障预测模型采用神经网络模型，如图2所示，新能源汽车故障预测模型的构建方法包括：
S201、获取新能源汽车运行数据集，具体为：采集新能源汽车历史运行过程中各个时刻的运行数据，并对各个时刻的运行数据进行标注标签，从而获取新能源车运行数据集；所述标签包括新能源车运行正常以及新能源车运行异常两种标签；所述运行数据包括新能源汽车的各项指标的数据。
采集的运行数据包括新能源汽车运行过程中的各项指标数据，例如电池系统数据、电动机数据以及汽车运行中的车速、加速度等。其中电池系统数据包括电池电压、充放电电流以及单体电池温度；电动机数据包括电动机的温度、转速、工作电压、工作电流等。以上这些数据均可通过相应的传感器获取。
S202、训练新能源汽车故障预测模型，具体为：利用新能源汽车运行数据集对神经网络模型进行训练，直至模型达到设定的最大训练次数或损失小于设定的损失阈值，根据模型预测的准确率选择最优的模型作为新能源汽车故障预测模型。
神经网络模型的损失函数采用交叉熵损失函数，在训练时使用梯度下降算法。
在一个实施例中，所述对每辆新能源汽车的数据传输频率进行调整包括：依据新能源汽车初始的数据传输频率、新能源汽车运行正常的概率以及新能源汽车运行异常的概率确定出新能源汽车新的数据传输频率f，其计算表达式为：
（2）
式中，表示初始的传输频率，/>表示神经网络输出的新能源汽车运行异常的概率，/>表示神经网络输出的新能源汽车运行正常的概率。
若有多辆新能源汽车的数据在某个时刻同时通过同一个边缘节点传输，若其中个别新能源汽车的数据传输量过大，可能会导致线路拥堵，进而导致其他新能源汽车的数据不能正常传输，为了保障数据传输质量，在一个实施例中，还包括：若在某一时刻，有多辆新能源汽车的数据在某个时刻同时通过同一个边缘节点传输，则对于该边缘节点，分析历史传输数据的情况得出该边缘节点的最佳数据传输量，并根据最佳数据传输量和通过该边缘节点传输数据的新能源汽车数量计算每辆新能源汽车可传输数据的总量，并使每次传输的新能源汽车的数据不超过对应的所述可传输数据的总量；每辆新能源汽车可传输数据的总量的计算表达式为：
（3）
其中，表示第i辆新能源汽车可传输数据的总量，/>表示第j个边缘传输节点的最佳数据传输量，/>表示第j个边缘传输节点传输新能源汽车的数量。
在计算出每辆新能源汽车可传输数据的总量后，可在传输数据量不超过每辆新能源汽车可传输数据的总量的前提下，按照传输优先级从高到低的顺序，选取传输的指标数据。
历史传输数据的情况包括历史各个时刻传输的数据量以及数据传输质量，其中数据传输的质量可依据数据传输速度、数据在传输过程中是否受到干扰、是否失真、是否丢包以及是否损耗进行评价。通过分析各个时刻传输的数据量以及数据传输质量，可确定出该边缘节点的最佳数据传输量；当数据传输量为最佳数据传输量时既可保障数据传输效率又可保障数据传输质量。
通过计算每辆新能源汽车可传输数据的总量，为每辆新能源汽车分配一定的带宽，从而避免数据传输量过大，导致传输线路拥堵，数据传输效率低下的问题。
在一个实施例中，对于一辆新能源汽车，在传输一次对应的所有指标数据后，再传输优先级最高的指标数据一次。
如图3所示，假设该辆新能源汽车的数据共包括三项指标数据，分别为X指标数据、Y指标数据、Z指标数据，其中X指标数据的优先级大于Y指标数据的优先级，Y指标数据的优先级大于Z指标数据的优先级，则在该辆新能源汽车的该次数据传输时间段内对X指标数据共传输两次。
在某些特殊情况下，对各个指标的数据进行传输时可能会出现数据丢失的情况，本发明的方法对新能源汽车的运行数据进行传输时不再是将新能源汽车的全部指标数据按照相同的传输频率进行传输，而是考虑到数据传输通道的可传输数据的总量和各项指标数据的传输优先级，传输优先级越高的指标数据，其对新能源汽车安全的重要程度越高，通过对传输优先级最高的数据多传输两次，对传输优先级次高的数据多传输一次，从而保障重要的指标数据能够被可靠地传输，从而进一步保障能够及时监测到新能源汽车的故障状态。
在一个实施例中，指标数据的传输优先级的确定方法是：基于所述新能源汽车故障预测模型获取各个指标对新能源汽车正常运行的重要程度，重要程度越高，其对应的传输优先级越高。可采用cam算法得到每项指标数据对新能源汽车正常运行的重要程度。cam算法为一种特征可视化技术，可计算出输入特征对预测模型的输出的贡献分布，即各类输入特征的重要程度。新能源汽车故障预测模型的输入为新能源汽车的各项指标数据，采用cam算法即可得到各个指标对新能源汽车安全的重要程度。
每个指标数据异常均会影响到新能源汽车正常运行，若某一指标对新能源汽车正常运行的重要程度很高，说明该指标对应的数据对新能源汽车正常运行的影响程度很大，该指标对应的数据一旦异常，很大可能会导致新能源汽车运行异常，为了及时监测到新能源汽车异常运行状态，在汽车行驶中，需重点监测重要程度高的指标数据。
由以上实施例可知，通过分析边缘节点的历史传输数据的情况可得出该边缘节点的最佳数据传输量，如图4所示，在一个实施例中，获取边缘节点的最佳数据传输量包括：
S301、对边缘节点的历史数据的传输质量进行聚类，从而得到传输质量好的聚类簇和传输质量差的聚类簇；
聚类算法可采用K均值聚类、均值漂移聚类、基于密度的聚类方法或其它合适的聚类算法。
S302、计算传输质量好的聚类簇中每次传输的数据量的均值，从而得到该边缘节点的最佳数据传输量。
例如：传输质量好的聚类簇中传输了3次数据，第一次传输的数据量为a，第二次传输的数据量为b，第三次传输的数据量为c，则传输质量好的聚类簇每次传输的数据量的均值为(a+b+c)/3，并将其作为该边缘节点的最佳数据传输量。
基于5G短切片专网的新能源汽车数据传输优化系统实施例：
本发明还提供了基于5G短切片专网的新能源汽车数据传输优化系统。如图5所示，所述基于5G短切片专网的新能源汽车数据传输优化系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的基于5G短切片专网的新能源汽车数据传输优化方法。
所述基于5G短切片专网的新能源汽车数据传输优化系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机可读存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种基于5G短切片专网的新能源汽车数据传输优化方法，其特征在于，包括：
根据每辆新能源汽车和各个边缘节点之间的距离以及各个边缘节点实时的传输任务量选取各辆新能源汽车的数据对应的最佳边缘节点，新能源汽车的数据通过对应的最佳边缘节点进行传输；
对于每辆新能源汽车的数据，通过对应的最佳边缘节点进行传输；在实时传输的过程中，利用新能源汽车故障预测模型监测每辆新能源汽车运行状态，并依据每辆新能源汽车运行状态分别对每辆新能源汽车的数据传输频率进行调整，以增大运行状态异常的新能源汽车的数据传输频率，减小运行状态正常的新能源汽车的数据传输频率，其中所述新能源汽车故障预测模型用于依据新能源汽车各个指标数据获取新能源汽车运行正常的概率和运行异常的概率；
对于某辆新能源汽车，其最佳边缘节点的确定方法是首先计算该辆新能源汽车与各个边缘节点的不匹配度，从中选取不匹配度最小的边缘节点作为其最佳边缘节点，其中不匹配度的计算表达式如下：
式中，表示不匹配度，/>表示第i个新能源汽车和第j个边缘传输节点之间的距离，表示第j个边缘节点实时的传输任务量；
若在某一时刻，有多辆新能源汽车的数据在某个时刻同时通过同一个边缘节点传输，则对于该边缘节点，分析历史传输数据的情况得出该边缘节点的最佳数据传输量，并根据最佳数据传输量和通过该边缘节点传输数据的新能源汽车数量计算每辆新能源汽车可传输数据的总量，并使每次传输的新能源汽车的数据不超过对应的所述可传输数据的总量；
所述新能源汽车可传输数据的总量的计算表达式为：
其中，表示第i辆新能源汽车可传输数据的总量，/>表示第j个边缘传输节点的最佳数据传输量，/>表示第j个边缘传输节点传输新能源汽车的数量；
对于一辆新能源汽车，在传输一次对应的所有指标数据后，再传输优先级最高的指标数据一次；
所述对每辆新能源汽车的数据传输频率进行调整包括：依据新能源汽车初始的数据传输频率、新能源汽车运行正常的概率以及新能源汽车运行异常的概率确定出新能源汽车新的数据传输频率f，其计算表达式为：
式中，表示初始的传输频率，/>表示神经网络输出的新能源汽车运行异常的概率，/>表示神经网络输出的新能源汽车运行正常的概率。
2.如权利要求1所述的基于5G短切片专网的新能源汽车数据传输优化方法，其特征在于，所述新能源汽车故障预测模型的构建方法包括：
采集新能源汽车历史运行过程中各个时刻的运行数据，并对各个时刻的运行数据进行标注标签，从而获取新能源车运行数据集；所述标签包括新能源车运行正常以及新能源车运行异常两种标签；所述运行数据包括新能源汽车的各项指标数据；
使用新能源车运行数据集对神经网络模型进行训练，直至模型达到设定的最大训练次数或损失小于设定的损失阈值，根据模型预测的准确率选择最优的模型作为新能源汽车故障预测模型。
3.如权利要求1所述的基于5G短切片专网的新能源汽车数据传输优化方法，其特征在于，所述指标数据包括：电池系统数据、电动机数据以及汽车运行中的车速和加速度。
4.如权利要求1所述的基于5G短切片专网的新能源汽车数据传输优化方法，其特征在于，所述指标数据的传输优先级的确定方法是：基于所述新能源汽车故障预测模型获取各个指标对新能源汽车正常运行的重要程度，重要程度越高，其对应的传输优先级越高，其中，通过cam算法获取各个指标对新能源汽车正常运行的重要程度。
5.如权利要求1所述的基于5G短切片专网的新能源汽车数据传输优化方法，其特征在于，获取边缘节点的最佳数据传输量包括：
对边缘节点的历史数据的传输质量进行聚类，从而得到传输质量好的聚类簇和传输质量差的聚类簇；
计算传输质量好的聚类簇中每次传输的数据量的均值，从而得到该边缘节点的最佳数据传输量。
6.一种基于5G短切片专网的新能源汽车数据传输优化系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，其特征在于，当所述计算机程序指令被所述处理器执行时实现权利要求1～5任意一项所述的基于5G短切片专网的新能源汽车数据传输优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197083.1A CN117768923B (zh) | 2024-02-22 | 2024-02-22 | 基于5g短切片专网的新能源汽车数据传输优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197083.1A CN117768923B (zh) | 2024-02-22 | 2024-02-22 | 基于5g短切片专网的新能源汽车数据传输优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117768923A CN117768923A (zh) | 2024-03-26 |
| CN117768923B true CN117768923B (zh) | 2024-05-28 |
Family
ID=90310827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410197083.1A Active CN117768923B (zh) | 2024-02-22 | 2024-02-22 | 基于5g短切片专网的新能源汽车数据传输优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117768923B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206181057U (zh) * | 2016-08-31 | 2017-05-17 | 西安市地下铁道有限责任公司 | 一种综合总线报站测试装置 |
| CN110113376A (zh) * | 2019-03-29 | 2019-08-09 | 南京邮电大学 | 一种基于移动边缘计算的多径传输负载均衡优化算法 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
| CN113411754A (zh) * | 2018-05-10 | 2021-09-17 | 华为技术有限公司 | 一种发送消息的方法及相关设备 |
| CN115052262A (zh) * | 2022-06-22 | 2022-09-13 | 东南大学深圳研究院 | 一种基于势博弈的车联网计算卸载与功率优化方法 |
| JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
| CN116193471A (zh) * | 2022-12-28 | 2023-05-30 | 电子科技大学 | 一种基于深度强化学习的边缘计算卸载方法 |
| WO2023216457A1 (zh) * | 2022-05-11 | 2023-11-16 | 中电信数智科技有限公司 | 一种核心网与基站传输网络异常预测及定位的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10298482B2 (en) * | 2017-01-25 | 2019-05-21 | Ringcentral, Inc. | Systems and methods for regulating network resources to improve data-transmission quality |
-
2024
- 2024-02-22 CN CN202410197083.1A patent/CN117768923B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206181057U (zh) * | 2016-08-31 | 2017-05-17 | 西安市地下铁道有限责任公司 | 一种综合总线报站测试装置 |
| CN113411754A (zh) * | 2018-05-10 | 2021-09-17 | 华为技术有限公司 | 一种发送消息的方法及相关设备 |
| CN110113376A (zh) * | 2019-03-29 | 2019-08-09 | 南京邮电大学 | 一种基于移动边缘计算的多径传输负载均衡优化算法 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
| JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
| WO2023216457A1 (zh) * | 2022-05-11 | 2023-11-16 | 中电信数智科技有限公司 | 一种核心网与基站传输网络异常预测及定位的方法 |
| CN115052262A (zh) * | 2022-06-22 | 2022-09-13 | 东南大学深圳研究院 | 一种基于势博弈的车联网计算卸载与功率优化方法 |
| CN116193471A (zh) * | 2022-12-28 | 2023-05-30 | 电子科技大学 | 一种基于深度强化学习的边缘计算卸载方法 |
Non-Patent Citations (2)
| Title |
|---|
| 5G边缘计算和网络切片技术;项弘禹;肖扬文;张贤;朴竹颖;彭木根;;电信科学;20170620(第06期);全文 * |
| 基于深度强化学习的无线网络资源分配算法;李孜恒;孟超;;通信技术;20200810(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117768923A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020211356A1 (zh) | 继电保护系统的风险评估及故障定位方法、装置、设备及介质 | |
| US10716017B2 (en) | Telecommunications network troubleshooting systems | |
| CN103426056B (zh) | 基于风险评估的电力系统薄弱环节辨识方法 | |
| CN106603293A (zh) | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 | |
| CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
| US10346389B2 (en) | Facilitating determination of reliability of crowd sourced information | |
| US11904875B2 (en) | Adaptive prognostics systems and methods for vehicles | |
| CN111526057B (zh) | 一种基于业务类型的网络切片可靠性映射方法 | |
| CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
| CN111027591B (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
| CN117768923B (zh) | 基于5g短切片专网的新能源汽车数据传输优化方法及系统 | |
| CN114244713B (zh) | 一种电力5g网络切片的资源备份方法及装置 | |
| CN113518367B (zh) | 5g网络切片下基于服务特征的故障诊断方法及系统 | |
| Yuan et al. | FedTSE: Low-cost federated learning for privacy-preserved traffic state estimation in IoV | |
| CN116594446B (zh) | 一种大数据中心温控方法及系统 | |
| CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
| CN113572639B (zh) | 一种载波网络故障的诊断方法、系统、设备和介质 | |
| Yang et al. | On‐Line Fault Diagnosis Model of Distribution Transformer Based on Parallel Big Data Stream and Transfer Learning | |
| CN116522213A (zh) | 业务状态级别分类及分类模型训练方法、电子设备 | |
| CN114579373A (zh) | 一种算法资源的修复方法、装置、电子设备及存储介质 | |
| CN110932913A (zh) | 一种基于案例库匹配的自适应服务迁移方法及装置 | |
| CN117896163A (zh) | 一种网络流量监控系统 | |
| CN116566688B (zh) | 基于大数据的网络安全分析方法及系统 | |
| CN117539728B (zh) | 一种分布式数据库监控实现方法、系统、装置及介质 | |
| US20230322242A1 (en) | Autonomous driving control apparatus and method thereof |
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 |