CN117768925A - 一种基于lstm的车联网节点失效检测方法及系统 - Google Patents
一种基于lstm的车联网节点失效检测方法及系统 Download PDFInfo
- Publication number
- CN117768925A CN117768925A CN202311605805.4A CN202311605805A CN117768925A CN 117768925 A CN117768925 A CN 117768925A CN 202311605805 A CN202311605805 A CN 202311605805A CN 117768925 A CN117768925 A CN 117768925A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- representing
- time
- information
- heartbeat
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000006855 networking Effects 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 210000004027 cell Anatomy 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明公开了一种基于LSTM的车联网节点失效检测方法及系统,属于车联网技术领域,方法包括:获取车辆节点周期性广播的心跳信息;判断是否成功接收到心跳信息;若是,进入下一步;否则,判定车辆节点发生失效,将车辆节点加入怀疑列表;提取心跳信息中的轨迹点信息;基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;计算接收到的下一心跳信息的时间;判断是否成功接收到下一时刻的心跳信息;若是,进入下一步;否则,判定车辆节点发生失效,将车辆节点加入怀疑列表;判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定车辆节点发生失效,将车辆节点加入怀疑列表;否则,判定车辆节点正常。
Description
技术领域
本发明属于车联网技术领域,具体涉及一种基于LSTM的车联网节点失效检测方法及系统。
背景技术
车联网(Vehicular Ad Hoc Networks,VANETs)是移动自组织网络(Mobile AdHoc Networks,MANETs)的一个子类,具有动态、无结构、自组织、异步和分布式的特点。随着网络技术的进步,车联网的服务能力日益增强,通过车辆与路侧单元的充分连接和信息传递,越来越多的基于车联网的新型应用涌现。因此,车联网的正常运行需要车辆和路侧单元稳定可靠地运行。然而,由于车联网涉及大规模车辆和路侧单元,软件和硬件故障无法避免,导致它们无法始终可靠运行。对于基于车联网的应用,其通常依赖多个车辆和路侧单元的可靠运行。如果不能准确了解这些设备的运行状况,将严重影响应用的可用性。因此,及时准确地了解车辆和路侧单元的实时运行状况,对于车联网应用的可靠运行至关重要。失效检测技术可以及时发现系统中节点存在的故障,从而确保车联网应用的高可靠性。
失效检测技术是高可用分布式系统的基础服务之一。它通过定期发送心跳消息来监测系统中各个组成部分的状态,以便及时准确地发现系统中发生故障的部分。这为后续的系统路由恢复和更新、数据传输、任务调度以及负载均衡提供了有力支持。对于车联网而言,失效检测的及时发现系统中发生失效的车辆和路侧单元的故障至关重要。它确保了基于车联网的应用能够在可靠的设备上运行,保障了应用的高可用性。因此,失效检测可以作为保障车联网高可用性的基础服务。目前,针对大规模分布式系统的失效检测方法主要有自适应失效检测和共享失效检测两种。自适应失效检测需要对网络环境的变化做出前提假设。然而,现有的概率假设方法无法很好地描述车联网的多变环境。而共享失效检测则需要系统具备特殊的拓扑结构。但是,由于车联网的拓扑结构经常变化,使用现有的共享失效检测机制进行检测变得困难。因此,当前失效检测难以适应环境变化,可拓展性差,失效检测准确性低。
发明内容
为了解决当前失效检测难以适应环境变化,可拓展性差,失效检测准确性低的技术问题,本发明提供一种基于LSTM的车联网节点失效检测方法及系统。
第一方面
本发明提供了一种基于LSTM的车联网节点失效检测方法,包括:
S1:获取车辆节点周期性广播的心跳信息;
S2:判断是否成功接收到所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
S3:提取所述心跳信息中的轨迹点信息,所述轨迹点信息包括:车辆位置信息、速度信息和方向信息;
S4:根据所述轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;
S5:根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间;
S6:判断是否成功接收到下一时刻所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
S7:判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;否则,判定所述车辆节点正常。
第二方面
本发明提供了一种基于LSTM的车联网节点失效检测系统,包括:
获取模块,用于获取车辆节点周期性广播的心跳信息;
第一判断模块,用于判断是否成功接收到所述车辆节点发出的所述心跳信息;若是,执行提取模块;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
提取模块,用于提取所述心跳信息中的轨迹点信息,所述轨迹点信息包括:车辆位置信息、速度信息和方向信息;
预测模块,用于根据所述轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;
计算模块,用于根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间;
第二判断模块,用于判断是否成功接收到下一时刻所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
第三判断模块,用于判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;否则,判定所述车辆节点正常。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,可以基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息,进而预测接收到的下一心跳信息的时间,若在规定时间为接收到心跳信息,则判定车辆节点发生失效。可以适应不同车辆节点的行为模式和网络环境的变化,不受拓扑结构变化的影响,可拓展性强,失效检测准确性高,使得车联网节点失效检测更加智能、准确、实时,提高了系统的可靠性和稳定性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于LSTM的车联网节点失效检测方法的流程示意图。
图2是本发明提供的一种fail-stop模型进行失效检测的示意图。
图3是本发明提供的一种LSTM的结构示意图。
图4是本发明提供的一种LSTM的隐含层的结构示意图。
图5是本发明提供的一种基于LSTM的车联网节点失效检测系统的结构示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的一种基于LSTM的车联网节点失效检测方法的流程示意图。
本发明提供的一种基于LSTM的车联网节点失效检测方法,应用于路侧单元中,路侧单元中安装了失效检测模块。当车辆节点进入网络后,它会定期发送心跳消息,其中包含位置、速度和方向等信息。失效检测模块根据接收到的心跳消息来预测车辆的未来状态,从而实现对心跳消息到达时间的预测,并进行车辆失效检测。
参考说明书附图2,示出了本发明提供的一种fail-stop模型进行失效检测的示意图。
可选地,采用了fail-stop模型作为失效检测故障模型,同时采用广播模型作为失效节点的消息传播机制。假设fair-lossy链路是节点之间的通信链路,在这种链路中,消息不会被复制或篡改,也不会无缘无故地产生。即使存在消息丢失或延迟的可能性,节点之间的通信也不会发生拜占庭故障。在车联网中,系统中的各个节点都需要尽快了解失效节点的信息,以便快速进行数据恢复、迁移和启动备用节点等工作。在本方法中,一旦有失效检测模块发现了失效节点,它会立即向周围的邻居节点广播消息。由于只有在发现失效节点时才会广播消息,因此并不会增加太多的网络负载。
本发明提供的一种基于LSTM的车联网节点失效检测方法,包括:
S1:获取车辆节点周期性广播的心跳信息。
其中,心跳信息通常指的是网络中设备、服务或节点定期发送的小型信号,用于确认其正常运行。这种信号类似于生物学中心脏的跳动,因此被称为心跳。
进一步地,心跳信息包括位置信息、速度信息和方向信息等信息。
具体而言,车辆节点以固定周期广播发送心跳消息,覆盖车辆节点的路侧单元会接收到这些心跳消息以便进行车辆节点状态的判断。
S2:判断是否成功接收到车辆节点发出的心跳信息。若是,进入下一步。否则,判定车辆节点发生失效,将车辆节点加入怀疑列表。
在本发明中,通过及时检测是否成功接收到心跳信息,系统能够实时了解车辆节点的状态,有助于系统及时发现节点失效或异常,提高了监测的实时性。如果未能成功接收到心跳信息,系统可以判定车辆节点发生了失效。将失效的节点加入怀疑列表有助于明确哪些节点可能存在问题,为后续的维护和修复提供了方便。
S3:提取心跳信息中的轨迹点信息,轨迹点信息包括:车辆位置信息、速度信息和方向信息。
S4:根据轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息。
参考说明书附图3,示出了本发明提供的一种LSTM的结构示意图。
参考说明书附图4,示出了本发明提供的一种LSTM的隐含层的结构示意图。
其中,长短时记忆神经网络(Long Short-Term Memory,LSTM)是一种循环神经网络(Recurrent Neural Network,RNN)的变体,专门设计用于处理序列数据,并能够有效地解决传统RNN中的梯度消失问题。
在本发明中,车辆的轨迹点信息通常包含时间关系,LSTM能够更好地捕捉这些时序特征,提高预测的准确性。
在一种可能的实施方式中,S4具体包括子步骤S401至S406:
S401:在输入门中,通过以下公式,得到输入门的输出向量:
it=σ(Wi[Xt,ht-1]+bi)
其中,it表示t时刻的输入门的输出向量,σ()表示激活函数,Wi表示输入门的权重矩阵,Xt表示t时刻输入的轨迹点信息,ht-1表示前一时刻记忆单元的输出,bi表示输入门的阈值参数。
S402:在输出门中,通过以下公式,得到输出门的输出向量:
ot=σ(Wo[Xt,ht-1]+bo)
其中,ot表示t时刻的输出门的输出向量,Wo表示输出门的权重矩阵,bo表示输出门的阈值参数。
S403:在遗忘门中,通过以下公式,得到遗忘门的输出向量:
ft=σ(Wf[Xt,ht-1]+bf)
其中,ft表示t时刻的遗忘门的输出向量,Wf表示遗忘门的权重矩阵,bf表示遗忘门的阈值参数。
S404:在细胞存储单元中,通过以下公式,计算当前时刻的临时细胞状态:
C't=softsign(WC[Xt,ht-1]+bC)
其中,C't表示t时刻的临时细胞状态,softsign()表示softsign激活函数,WC表示细胞存储单元的权重矩阵,bC表示细胞存储单元的阈值参数。
S405:在细胞存储单元中,通过以下公式,计算当前时刻的细胞状态:
Ct=ft×Ct-1+it×C't
其中,Ct表示t时刻的细胞状态,Ct-1表示前一时刻的细胞状态。
S406:在输出层中,通过以下公式,计算轨迹点预测值:
其中,y't表示t时刻的轨迹点预测值,by表示输出层的神经元阈值参数,表示t时刻第n个记忆单元的输出,/>表示t时刻第n个记忆单元与输出层之间的权重,第n=1,2,...,N,N表示隐含层中记忆单元的总数。
在本发明中,通过输入门、输出门、遗忘门等门控机制,LSTM能够更好地捕捉时序信息,能够更好地处理长期依赖关系,有助于模型更准确地理解和学习轨迹点信息中包含的时间相关的动态特征,提高了对车辆状态的连续预测准确性和鲁棒性,使得车联网系统更能适应复杂的道路交通和车辆运行情况。
S5:根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间。
在一种可能的实施方式中,S5具体包括子步骤S501至S503:
S501:根据预测得到的下一时刻的车辆位置信息,计算下一时刻车辆与路侧单元之间的距离:
其中,d表示下一时刻车辆与路侧单元之间的距离,表示下一时刻的车辆坐标,(xR,yR)代表路侧单元的所在位置的坐标。
S502:根据下一时刻车辆与路侧单元之间的距离以及心跳信息的传播速度,计算车辆发出心跳信息到达路侧单元所需的时间:
其中,tm表示车辆发出心跳信息到达路侧单元所需的时间,vm表示心跳信息的传播速度。
S503:根据车辆发出心跳信息到达路侧单元所需的时间,计算下一心跳信息的到达时间:
tarr=tm+tlast
其中,tarr表示下一心跳信息到达时间,tlast表示上一心跳消息到达时间。
在本发明中,通过计算下一时刻车辆与路侧单元之间的距离,根据心跳信息的传播速度,预测车辆发出心跳信息到达路侧单元所需的时间,进而计算下一心跳信息的到达时间,能够提供对车辆状态的实时性估计。这有助于及时发现车辆节点的状态变化,保持系统的实时性和准确性。
S6:判断是否成功接收到下一时刻车辆节点发出的心跳信息。若是,进入下一步。否则,判定车辆节点发生失效,将车辆节点加入怀疑列表。
S7:判断下一时刻接收到的心跳信息的时间是否超过预设时间值。若是,判定车辆节点发生失效,将车辆节点加入怀疑列表。否则,判定车辆节点正常。
在本发明中,通过比较接收到心跳信息的时间和预设时间值,系统能够实时监测车辆节点的状态。一旦超过了预设时间值,就能够迅速判定车辆节点可能发生了失效。有助于系统及时采取措施,防止失效节点对整个车联网系统造成不良影响。同时,及时发现失效的车辆节点,将其加入怀疑列表,有助于提高整个车联网系统的可靠性。这种机制使系统能够更有效地识别问题并采取措施,防止失效的节点对整体通信和协作产生负面影响。
在一种可能的实施方式中,预设时间值的计算方式为:
ttimeout=η+AM
其中,ttimeout表示预设时间值,η表示车辆发送心跳消息的时间间隔,AM表示安全边界值。
在本发明中,通过安全边界值AM,系统可以在一定程度上容忍车辆节点发送心跳消息的时间间隔的变化。提高了系统的灵活性,使其能够应对车辆网络中可能出现的不同通信情况,增强了系统的鲁棒性。
在一种可能的实施方式中,安全边界值的计算方式为:
AM=(α+1)·η
其中,AM表示安全边界值,α表示调整参数,η表示车辆发送心跳消息的时间间隔。
在本发明中,通过调整参数α使得系统对车辆发送心跳消息的时间间隔η有更大的适应性,有助于系统更好地适应不同车辆通信网络中的动态变化,包括网络负载、信道状况等因素,提高了系统的稳定性。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,可以基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息,进而预测接收到的下一心跳信息的时间,若在规定时间为接收到心跳信息,则判定车辆节点发生失效。可以适应不同车辆节点的行为模式和网络环境的变化,不受拓扑结构变化的影响,可拓展性强,失效检测准确性高,使得车联网节点失效检测更加智能、准确、实时,提高了系统的可靠性和稳定性。
实施例2
在一个实施例中,参考说明书附图5,示出了本发明提供的一种基于LSTM的车联网节点失效检测系统的结构示意图。
本发明提供的一种基于LSTM的车联网节点失效检测系统20,包括:
获取模块201,用于获取车辆节点周期性广播的心跳信息;
第一判断模块202,用于判断是否成功接收到所述车辆节点发出的所述心跳信息;若是,执行提取模块;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
提取模块203,用于提取所述心跳信息中的轨迹点信息,所述轨迹点信息包括:车辆位置信息、速度信息和方向信息;
预测模块204,用于根据所述轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;
计算模块205,用于根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间;
第二判断模块206,用于判断是否成功接收到下一时刻所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
第三判断模块207,用于判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;否则,判定所述车辆节点正常。
在一种可能的实施方式中,所述预测模块204具体用于:
在输入门中,通过以下公式,得到输入门的输出向量:
it=σ(Wi[Xt,ht-1]+bi)
其中,it表示t时刻的输入门的输出向量,σ()表示激活函数,Wi表示输入门的权重矩阵,Xt表示t时刻输入的轨迹点信息,ht-1表示前一时刻记忆单元的输出,bi表示输入门的阈值参数;
在输出门中,通过以下公式,得到输出门的输出向量:
ot=σ(Wo[Xt,ht-1]+bo)
其中,ot表示t时刻的输出门的输出向量,Wo表示输出门的权重矩阵,bo表示输出门的阈值参数;
在遗忘门中,通过以下公式,得到遗忘门的输出向量:
ft=σ(Wf[Xt,ht-1]+bf)
其中,ft表示t时刻的遗忘门的输出向量,Wf表示遗忘门的权重矩阵,bf表示遗忘门的阈值参数;
在细胞存储单元中,通过以下公式,计算当前时刻的临时细胞状态:
C't=softsign(WC[Xt,ht-1]+bC)
其中,C't表示t时刻的临时细胞状态,softsign()表示softsign激活函数,WC表示细胞存储单元的权重矩阵,bC表示细胞存储单元的阈值参数;
在细胞存储单元中,通过以下公式,计算当前时刻的细胞状态:
Ct=ft×Ct-1+it×C't
其中,Ct表示t时刻的细胞状态,Ct-1表示前一时刻的细胞状态;
在输出层中,通过以下公式,计算轨迹点预测值:
其中,y't表示t时刻的轨迹点预测值,by表示输出层的神经元阈值参数,表示t时刻第n个记忆单元的输出,/>表示t时刻第n个记忆单元与输出层之间的权重,第n=1,2,,N,N表示隐含层中记忆单元的总数。
在一种可能的实施方式中,所述计算模块205具体用于:
根据预测得到的下一时刻的车辆位置信息,计算下一时刻车辆与路侧单元之间的距离:
其中,d表示下一时刻车辆与路侧单元之间的距离,表示下一时刻的车辆坐标,(xR,yR)代表路侧单元的所在位置的坐标;
根据下一时刻车辆与路侧单元之间的距离以及心跳信息的传播速度,计算车辆发出心跳信息到达路侧单元所需的时间:
其中,tm表示车辆发出心跳信息到达路侧单元所需的时间,vm表示心跳信息的传播速度;
根据车辆发出心跳信息到达路侧单元所需的时间,计算下一心跳信息的到达时间:
tarr=tm+tlast
其中,tarr表示下一心跳信息到达时间,tlast表示上一心跳消息到达时间。
在一种可能的实施方式中,所述预设时间值的计算方式为:
ttimeout=η+AM
其中,ttimeout表示预设时间值,η表示车辆发送心跳消息的时间间隔,AM表示安全边界值。
在一种可能的实施方式中,所述安全边界值的计算方式为:
AM=(α+1)·η
其中,AM表示安全边界值,α表示调整参数,η表示车辆发送心跳消息的时间间隔。
本发明提供的一种基于LSTM的车联网节点失效检测系统20可以实现上述实施例1中的基于LSTM的车联网节点失效检测方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,可以基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息,进而预测接收到的下一心跳信息的时间,若在规定时间为接收到心跳信息,则判定车辆节点发生失效。可以适应不同车辆节点的行为模式和网络环境的变化,不受拓扑结构变化的影响,可拓展性强,失效检测准确性高,使得车联网节点失效检测更加智能、准确、实时,提高了系统的可靠性和稳定性。
以上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。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于LSTM的车联网节点失效检测方法,其特征在于,包括:
S1:获取车辆节点周期性广播的心跳信息;
S2:判断是否成功接收到所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
S3:提取所述心跳信息中的轨迹点信息,所述轨迹点信息包括:车辆位置信息、速度信息和方向信息;
S4:根据所述轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;
S5:根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间;
S6:判断是否成功接收到下一时刻所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
S7:判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;否则,判定所述车辆节点正常。
2.根据权利要求1所述的基于LSTM的车联网节点失效检测方法,其特征在于,所述S4具体包括:
S401:在输入门中,通过以下公式,得到输入门的输出向量:
it=σ(Wi[Xt,ht-1]+bi)
其中,it表示t时刻的输入门的输出向量,σ()表示激活函数,Wi表示输入门的权重矩阵,Xt表示t时刻输入的轨迹点信息,ht-1表示前一时刻记忆单元的输出,bi表示输入门的阈值参数;
S402:在输出门中,通过以下公式,得到输出门的输出向量:
ot=σ(Wo[Xt,ht-1]+bo)
其中,ot表示t时刻的输出门的输出向量,Wo表示输出门的权重矩阵,bo表示输出门的阈值参数;
S403:在遗忘门中,通过以下公式,得到遗忘门的输出向量:
ft=σ(Wf[Xt,ht-1]+bf)
其中,ft表示t时刻的遗忘门的输出向量,Wf表示遗忘门的权重矩阵,bf表示遗忘门的阈值参数;
S404:在细胞存储单元中,通过以下公式,计算当前时刻的临时细胞状态:
C't=softsign(WC[Xt,ht-1]+bC)
其中,Ct'表示t时刻的临时细胞状态,softsign()表示softsign激活函数,WC表示细胞存储单元的权重矩阵,bC表示细胞存储单元的阈值参数;
S405:在细胞存储单元中,通过以下公式,计算当前时刻的细胞状态:
Ct=ft×Ct-1+it×C't
其中,Ct表示t时刻的细胞状态,Ct-1表示前一时刻的细胞状态;
S406:在输出层中,通过以下公式,计算轨迹点预测值:
其中,y't表示t时刻的轨迹点预测值,by表示输出层的神经元阈值参数,表示t时刻第n个记忆单元的输出,/>表示t时刻第n个记忆单元与输出层之间的权重,第n=1,2,…,N,N表示隐含层中记忆单元的总数。
3.根据权利要求1所述的基于LSTM的车联网节点失效检测方法,其特征在于,所述S5具体包括:
S501:根据预测得到的下一时刻的车辆位置信息,计算下一时刻车辆与路侧单元之间的距离:
其中,d表示下一时刻车辆与路侧单元之间的距离,表示下一时刻的车辆坐标,(xR,yR)代表路侧单元的所在位置的坐标;
S502:根据下一时刻车辆与路侧单元之间的距离以及心跳信息的传播速度,计算车辆发出心跳信息到达路侧单元所需的时间:
其中,tm表示车辆发出心跳信息到达路侧单元所需的时间,vm表示心跳信息的传播速度;
S503:根据车辆发出心跳信息到达路侧单元所需的时间,计算下一心跳信息的到达时间:
tarr=tm+tlast
其中,tarr表示下一心跳信息到达时间,tlast表示上一心跳消息到达时间。
4.根据权利要求1所述的基于LSTM的车联网节点失效检测方法,其特征在于,所述预设时间值的计算方式为:
ttimeout=η+AM
其中,ttimeout表示预设时间值,η表示车辆发送心跳消息的时间间隔,AM表示安全边界值。
5.根据权利要求4所述的基于LSTM的车联网节点失效检测方法,其特征在于,所述安全边界值的计算方式为:
AM=(α+1)·η
其中,AM表示安全边界值,α表示调整参数,η表示车辆发送心跳消息的时间间隔。
6.一种基于LSTM的车联网节点失效检测系统,其特征在于,包括:
获取模块,用于获取车辆节点周期性广播的心跳信息;
第一判断模块,用于判断是否成功接收到所述车辆节点发出的所述心跳信息;若是,执行提取模块;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
提取模块,用于提取所述心跳信息中的轨迹点信息,所述轨迹点信息包括:车辆位置信息、速度信息和方向信息;
预测模块,用于根据所述轨迹点信息,基于长短时记忆神经网络LSTM,预测下一时刻的车辆位置信息、速度信息和方向信息;
计算模块,用于根据预测得到的下一时刻的车辆位置信息、速度信息和方向信息,计算接收到的下一心跳信息的时间;
第二判断模块,用于判断是否成功接收到下一时刻所述车辆节点发出的所述心跳信息;若是,进入下一步;否则,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;
第三判断模块,用于判断下一时刻接收到的心跳信息的时间是否超过预设时间值;若是,判定所述车辆节点发生失效,将所述车辆节点加入怀疑列表;否则,判定所述车辆节点正常。
7.根据权利要求6所述的基于LSTM的车联网节点失效检测系统,其特征在于,所述预测模块具体用于:
在输入门中,通过以下公式,得到输入门的输出向量:
it=σ(Wi[Xt,ht-1]+bi)
其中,it表示t时刻的输入门的输出向量,σ()表示激活函数,Wi表示输入门的权重矩阵,Xt表示t时刻输入的轨迹点信息,ht-1表示前一时刻记忆单元的输出,bi表示输入门的阈值参数;
在输出门中,通过以下公式,得到输出门的输出向量:
ot=σ(Wo[Xt,ht-1]+bo)
其中,ot表示t时刻的输出门的输出向量,Wo表示输出门的权重矩阵,bo表示输出门的阈值参数;
在遗忘门中,通过以下公式,得到遗忘门的输出向量:
ft=σ(Wf[Xt,ht-1]+bf)
其中,ft表示t时刻的遗忘门的输出向量,Wf表示遗忘门的权重矩阵,bf表示遗忘门的阈值参数;
在细胞存储单元中,通过以下公式,计算当前时刻的临时细胞状态:
Ct'=softsign(WC[Xt,ht-1]+bC)
其中,C't表示t时刻的临时细胞状态,softsign()表示softsign激活函数,WC表示细胞存储单元的权重矩阵,bC表示细胞存储单元的阈值参数;
在细胞存储单元中,通过以下公式,计算当前时刻的细胞状态:
Ct=ft×Ct-1+it×C't
其中,Ct表示t时刻的细胞状态,Ct-1表示前一时刻的细胞状态;
在输出层中,通过以下公式,计算轨迹点预测值:
其中,y't表示t时刻的轨迹点预测值,by表示输出层的神经元阈值参数,表示t时刻第n个记忆单元的输出,/>表示t时刻第n个记忆单元与输出层之间的权重,第n=1,2,…,N,N表示隐含层中记忆单元的总数。
8.根据权利要求6所述的基于LSTM的车联网节点失效检测系统,其特征在于,所述计算模块具体用于:
根据预测得到的下一时刻的车辆位置信息,计算下一时刻车辆与路侧单元之间的距离:
其中,d表示下一时刻车辆与路侧单元之间的距离,表示下一时刻的车辆坐标,(xR,yR)代表路侧单元的所在位置的坐标;
根据下一时刻车辆与路侧单元之间的距离以及心跳信息的传播速度,计算车辆发出心跳信息到达路侧单元所需的时间:
其中,tm表示车辆发出心跳信息到达路侧单元所需的时间,vm表示心跳信息的传播速度;
根据车辆发出心跳信息到达路侧单元所需的时间,计算下一心跳信息的到达时间:
tarr=tm+tlast
其中,tarr表示下一心跳信息到达时间,tlast表示上一心跳消息到达时间。
9.根据权利要求6所述的基于LSTM的车联网节点失效检测系统,其特征在于,所述预设时间值的计算方式为:
ttimeout=η+AM
其中,ttimeout表示预设时间值,η表示车辆发送心跳消息的时间间隔,AM表示安全边界值。
10.根据权利要求9所述的基于LSTM的车联网节点失效检测系统,其特征在于,所述安全边界值的计算方式为:
AM=(α+1)·η
其中,AM表示安全边界值,α表示调整参数,η表示车辆发送心跳消息的时间间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605805.4A CN117768925A (zh) | 2023-11-28 | 2023-11-28 | 一种基于lstm的车联网节点失效检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605805.4A CN117768925A (zh) | 2023-11-28 | 2023-11-28 | 一种基于lstm的车联网节点失效检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117768925A true CN117768925A (zh) | 2024-03-26 |
Family
ID=90313574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605805.4A Pending CN117768925A (zh) | 2023-11-28 | 2023-11-28 | 一种基于lstm的车联网节点失效检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117768925A (zh) |
-
2023
- 2023-11-28 CN CN202311605805.4A patent/CN117768925A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dwivedi et al. | A study on machine learning approaches for outlier detection in wireless sensor network | |
Rajasegarar et al. | Anomaly detection in wireless sensor networks | |
CN108933694B (zh) | 基于拨测数据的数据中心网络故障节点诊断方法及系统 | |
EP2997756A1 (en) | Method and network device for cell anomaly detection | |
US11443146B2 (en) | Methods, devices, and computer program products for model adaptation | |
CN110380903B (zh) | 一种电力通信网故障探测方法、装置及设备 | |
Nguyen et al. | Applying time series analysis and neighbourhood voting in a decentralised approach for fault detection and classification in WSNs | |
CN101257355A (zh) | 一种无线传感器网络节点故障检测方法 | |
Popentiu-Vladicescu et al. | Software reliability in the fog computing | |
Jia et al. | Fault detection modelling and analysis in a wireless sensor network | |
CN110535704B (zh) | 一种基于灰色马尔可夫算法的sdn多控制器故障检测算法 | |
Huangshui et al. | Online fault diagnosis for controller area networks | |
Gouda et al. | Distributed intermittent fault diagnosis in wireless sensor network using likelihood ratio test | |
CN109495313A (zh) | 基于泊松分布故障模型的无线传感器网络故障检测方法 | |
CN117768925A (zh) | 一种基于lstm的车联网节点失效检测方法及系统 | |
Tong et al. | Fog-computing-based short-circuit diagnosis scheme | |
Wang et al. | Fault-tolerant decision fusion via collaborative sensor fault detection in wireless sensor networks | |
Li | Fully distributed state estimation of smart grids | |
Babu et al. | Comprehensive analysis on sensor node fault management schemes in wireless sensor networks | |
CN109474474B (zh) | 基于泊松分布故障模型的无线传感器网络故障检测系统 | |
CN113794595A (zh) | 一种基于工业互联网的IoT设备高可用方法 | |
CN109117294B (zh) | 适用于证券交易系统的故障检测方法及装置 | |
CN118019045A (zh) | 一种基于卡尔曼滤波的车联网节点失效检测方法及系统 | |
Harbi et al. | Enhancement of iot applications dependability using bayesian networks | |
Vieira et al. | Intelligent fault management system for wireless sensor networks with reduction of power consumption |
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 |