CN117952285A - 针对无人机移动充电站的动态调度方法 - Google Patents
针对无人机移动充电站的动态调度方法 Download PDFInfo
- Publication number
- CN117952285A CN117952285A CN202410355208.9A CN202410355208A CN117952285A CN 117952285 A CN117952285 A CN 117952285A CN 202410355208 A CN202410355208 A CN 202410355208A CN 117952285 A CN117952285 A CN 117952285A
- Authority
- CN
- China
- Prior art keywords
- grid
- traffic flow
- unmanned aerial
- aerial vehicle
- traffic
- 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 117
- 230000006855 networking Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 25
- 230000001965 increasing effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000026817 47,XYY syndrome Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请目的在于提供一种针对无人机移动充电站的动态调度方法,包括:将待研究区域的地图划分为栅格,并在任一所述栅格中部署为车联网节点提供服务的且携带有边缘服务器的无人机和为所述无人机进行充电的移动无线充电站;获取任一所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到栅格集合;对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量;根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的动态调度。本申请所述的方法能够有效为无人机提供充电服务,确保提供持续的服务。
Description
技术领域
本申请涉及无线通信网络技术,具体涉及一种针对无人机移动充电站的动态调度方法,本申请的主要目标是通过对城市交通流量模式的分析实现最优的移动无线充电站调度策略,旨在高效的解决大多数的无人机都受限于其电池续航时间的问题。
背景技术
边缘计算是智能车联网未来的核心技术之一,它通过将边缘服务器置于靠近车联网用户的网络边缘,为用户提供高吞吐、低延迟、海量连接的计算服务。
针对动态变化的计算卸载需求,现有技术均考虑引入无人机作为移动载体搭载边缘计算服务器节点。无人机MEC(U-MEC)系统具有灵活的移动性和更强的计算能力。无人机载边缘服务器凭借其部署速度快、可扩展性强、机动灵活等优势,能够更加高效地为物联网移动设备提供计算卸载服务。且相比服务车辆,无人机的移动性更强,可以低空飞行而不影响路面交通,适合需要高机动性和快速响应的任务;其及时性与高效性使得无人机MEC(U-MEC)可以在移动边缘计算服务中起到关键的作用。同时相比于固定站点的边缘服务器,移动边缘服务器以其灵活性和可伸缩性,更能满足车辆时空变化下的计算需求。
虽然目前无人机在移动边缘计算领域的应用存在一些理论研究,但在实际部署方面仍面临诸多挑战,未能将研究的部署方案应用到城市交通中。普遍的,现有的研究主要考虑了理想状态下的部署策略和移动单元边缘服务器的路径规划,同时还有无人机的充电计划,例如在合适的位置建造充电站,但在真实情况下,诸多不确定因素可能会使部署策略因多种问题而发生彻底变化,影响服务的质量和效率。
然而,无人机作为移动边缘服务器的载体依旧是未来移动边缘计算领域的着重研究重点,但面临着一个关键的挑战,即续航能力有限。由于飞行控制系统的高功耗和所用电池容量的限制,大多数的无人机都受限于其电池续航时间。市面上的民用无人机的飞行时间一般在 10 分钟到 30 分钟之间,这使得它们在执行任务时需要频繁地返回充电,或是需要调度多架无人机进行更替服务,无人机在能源补充时可能导致的服务空缺,进而影响了其服务质量和服务效率,同时降低了服务的可靠性,在某些应用中无法完全实现其预期用途,同时占用过多的资源。在实际情况下,搭载边缘计算服务器的无人机为车联网用户提供计算服务时,充电问题仍然是一个重要的考虑因素。
为了解决无人机充电问题,为无人机配备移动无线充电站,使得移动无线充电站跟随无人机进行移动为无人机提供充电服务,即无人机不需要频繁的往返充电站进行充电,将充电计划包含在服务计划中,不需要另外指定充电计划,只需要为移动无线充电站指定调度计划,在城市交通系统中,使用卡车等运输车辆搭载无人机无线耦合充电平台,作为无人机移动无线充电站。通过把充电计划赋予移动性,这不仅可以实现无人机在任务执行过程中的实时充电,从而延长其服务时间,还可以为其提供更大的灵活性,使其能够更好地适应不同的交通环境和场景。
但是,如何在不同区域的车辆数量动态地部署搭载移动边缘服务器的无人机和相应数量的无线充电站,从而实现资源的最优分配和利用,仍然是无人机移动无线充电站调度的难点和痛点。
基于此,一种能够在每个时间段通过对移动无线充电站进行调度,满足地图中搭载边缘服务器的无人机的充电需求的调度方法亟待研发。
发明内容
本申请的目的在于提供一种针对无人机移动充电站的动态调度方法,用于至少解决现有技术中的一个技术问题。
本申请的技术方案是:
一种针对无人机移动充电站的动态调度方法,包括:
将待研究区域的地图划分为至少2个栅格,并在任一所述栅格中部署至少1个为车联网节点提供服务的且携带有边缘服务器的无人机和至少1个为所述无人机进行充电的移动无线充电站,并将所述移动无线充电站的最优调度作为优化目标;
根据历史交通数据,获取任一所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到至少2个栅格集合;
对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量;
根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的动态调度。
所述根据历史交通数据,获取任一所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到至少2个栅格集合,包括:
将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据;
利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数;
获取每一种交通流量模式的车流量特性,并将具有同种交通流量模式的所述栅格视为具有相同的流量变化,作为一个所述栅格集合。
所述将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据,包括:
将所述地图对应的每一个栅格的流量数据化,得到每个栅格在每一个时刻的流量数据矩阵;
提取所述流量数据矩阵中任一栅格在任一时间对应的流量数据;
将所述流量数据中的异常值进行更新,得到所述对应时隙的交通流量数据。
所述利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数,包括:
将每个所述栅格对应的交通流量向量视为一个初始簇;
获取所有簇之间的距离,得到距离矩阵;
将最近的两个簇合并为一个新的簇;
每次簇合并后,更新所述距离矩阵,以反映新合并的簇与其它簇之间的距离;
通过迭代的方法,利用Calinski-Harabasz指数确定最佳交通流量模式的个数。
所述获取每一种交通流量模式的车流量特性,并将具有同种交通流量模式的所述栅格视为具有相同的流量变化,作为一个所述栅格集合,包括:
设有种交通流量模式,每种模式包含一系列栅格,每个栅格每天有个时
刻的流量数据;;
对于第种模式,设其包含的栅格编号集合为,每个栅格编
号为g,其中;每个栅格在第个时刻的流量数据表示为,其中;
第种模式在第个时刻的平均流量数据:;
其中, 表示第种模式在第个时刻的平均流量,表示第种模式
包含的栅格数量;
所述栅格每个时刻的平均流量;
则,任一交通流量模式的平均流量数据,作为所述
交通流量模式的车流量特性。
所述对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量,包括:
通过二维卷积对输入的流量进行图像块化,对所述栅格对应的流量区域进行提取
特征,且在该步骤中将流量中的时间信息 转换为通道信息 ,得到特征维度Token;
经过串联的特征提取模块,进行特征提取,且在特征提取过程中特征维度Token的维度保持不变;所述特征提取模块由卷积门控线性单元和混合专家模型组成;
拓展所述特征维度Token的维度,再通过1×1卷积将其降维,得到预测结果。
所述经过串联的特征提取模块,进行特征提取,且在特征提取过程中特征维度Token 的维度保持不变,包括:
对待研究区域的流量数据进行处理,得到交通序列,并对数据随机划分,得到训练集和验证集;
采用卷积门控线性单元作为特征提取网络;
采用混合专家模型对时间进行投票。
所述根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的调度,包括:
根据交通流量模式识别的结果,得到任一所述栅格的所属交通流量模式的标签;
对具有同一种交通流量模式的栅格内至少2个连续的时间点的流量数据进行处理;
将任一所述栅格作为一个个体,并且同种交通流量模式的栅格中的移动无线充电站在调度时作为一个整体进行调度,同一个交通流量模式之间的栅格不进行调度。
所述在栅格集合之间进行所述移动无线充电站的动态调度,包括:
对任一所述栅格每个时间段内的未来交通流量进行计算,通过比较连续时间段内的车流量变化,确定出现需求增加的区域,将需求增加的栅格作为买家,拥有额外可供调度的移动无线充电站的栅格作为卖家;
所述无人机移动无线充电站的调度仅在不同交通流量模式的栅格之间进行;
将移动无线充电站从一个栅格移动到另一个栅格,以满足该栅格内增加的车流量需求;
使携带有边缘服务器的无人机满足车流量需求;再以无人机需求对应移动无线充电站需求,并以移动无线充电站需求作为具体交易;
根据买家以及卖家双方的需求和供应量协商确定交易量,以反映实际调度的移动无线充电站数量;
基于所述买家和所述卖家之间的需求-供应关系,通过拍卖的方式确定移动无线充电站的重新分配,以进行调度成本优化。
所述通过拍卖的方式确定移动无线充电站的重新分配的步骤,包括:
所述买家的需求量、所述卖家的供应量以及所述买家和所述卖家对应栅格之间的曼哈顿距离来代表对卖家的出价;
选择出价最高的交易进行执行,并更新移动无线充电站在栅格中的分布。
本申请的有益效果至少包括:
本申请所述的方法,通过将待研究区域的地图划分为多个栅格,并在所述栅格中部署多个为车联网节点提供服务的且携带有边缘服务器的无人机和多个为所述无人机进行充电的移动无线充电站;再根据历史交通数据,获取所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到栅格集合; 对所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量;根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的动态调度;本申请所述的方法,提出使用移动载体,如车辆,搭载无人机充电站,提升边缘计算服务的灵活性,使得无人机的不会受到充电计划的约束,只需要对移动的无人机充电站进行调度满足无人机的充电需求,搭载边缘服务器的无人机可以在服务区域内进行充电不需要特别移动到指定的充电站;并结合了城市交通流量模式的识别、城市车流量的预测、无人机的移动无线充电站的智能调度策略,为无人机搭载边缘服务器提供了可行的解决方案,能够有效提升无人机的任务执行能力,确保提供持续的服务,提升了服务的效率,为未来智能城市等领域提供重要的技术支持。
附图说明
图1是本申请所述方法的应用场景图;
图2是车联网系统模型图;
图3是某市交通流量数据视化处理结果图;
图4是交通流量数据集中的主要频率分量图;
图5是多维的层次聚类(Hierarchical Clustering)无监督学习算法流程图;
图6是交通流量模式识别结果可视图;
图7是某市栅格地图中的交通流量模式分布图;
图8是不同交通流量模式对应的工作日车流量变化图;
图9是不同交通流量模式对应的周末车流量变化图;
图10是移动无线充电站调度的期望效果图;
图11是拍卖算法的流程图;
图12是“无调度法”与本申请所述方法的车流量对比图;
图13是本申请所述方法与“贪心法”和“随机匹配法”利用工作日数据的车流量对比图;
图14是本申请所述方法与“贪心法”和“随机匹配法”利用工作日数据的调度里程对比图;
图15是图13与图14的全时间段的双Y图;
图16是本申请所述方法与“贪心法”和“随机匹配法”利用周末车流量数据的车流量对比图;
图17是本申请所述方法与“贪心法”和“随机匹配法”利用周末车流量数据的调度里程对比图;
图18是图16与图17的全时间段的双Y图。
具体实施方式
由于移动单元搭载边缘服务器可以解决固定站点边缘服务器不能有效对车辆位置和负载的动态变化进行跟踪的问题,所以选择合适的载体并规划其适当的路径是该领域中需要解决的问题。现有技术中,存在:使用无人机和地面基站协同处理北京欢乐谷游客的动态计算需求,最大化任务卸载成功率,并设计贪心算法求解,以及在基于空天地一体化车联网体系架构的基础上,提出了用无人机来辅助基站进行数据转发,主要从通信和数据传输的角度来规划无人机移动路径,最大化数据传输率;还有的,针对小规模场景,各区域的负载恒定,通常将轨迹规划问题被建模为一个非凸整数优化问题,最大化用户任务卸载速率,使用连续逼近方法求解;再有,面向校园部署场景,提出了一种基于ARIMA-XGBoost混合模型预测的无人机部署机制,根据负载预测值决定每个时间段无人机的分派数量和位置,辅助固定站点进行计算卸载,解决网络负载不均的问题。以上这些针对无人机搭载边缘服务器的方案都需要一个假设前提,那就是无人机的运行时间为无限长,无需进行能源补给,并没有考虑到无人机本身的能耗问题和供能问题,这导致无人机充电过程中无法保持在服务区域提供服务,无法实现全时段对区域的持续服务能力。充电过程中的服务中断可能降低用户体验,尤其是对于需要持续计算卸载服务的车联网用户而言。而且,一般的无人机充电站是静态部署的,一旦部署后无法进行调动,尽管无人机搭载的边缘服务器是移动的,但是仍然很大程度的受到了充电计划的限制,导致无人机的可移动性受到影响,在经过一定的服务时间后需要不断往返固定的充电站进行充电。
基于此,如图1,本实施例所述的技术方案可以在满足无人机供能问题的情况下最小化搭载边缘服务器的无人机集群调度的总里程,也就是在考虑无人机搭载边缘服务器对车联网用户提供计算卸载服务时的能源补给的对上述已有方案或优化方案的补充方案,更加满足在真实场景下的移动边缘服务器的运行状态,且可以在无人机满足充电的条件下对区域进行全时段服务。
本实施例中所述的无人机移动无线充电站使用无人无线耦合充电技术对无人机进行充电;无线耦合充电技术,也被称为无线电能传输或电磁感应充电技术,是一种无线充电技术,用于通过电磁场将能量从发射设备传输到接收设备,实现无需物理连接的充电过程。该技术利用电磁感应原理,通过在发射和接收设备之间建立电磁场耦合来传输能量。无需使用物理连接,设备只需靠近充电器即可开始充电,提供了更便捷的充电方式。
本申请的总体思路是:
对城市不同区域的交通流量模式进行识别,根据交通流量模式在连续时间隙中的流量互补性以解决无人机的充电需求,也就是解决在真实情况下无人机能源补充可能导致的服务空缺问题,并通过深度学习预测和智能的调度优化,以最小化无人机移动无线充电站调度的总里程,最大程度满足地图上作为移动边缘服务器载体的无人机的充电需求。
下面,结合附图对本申请进行进一步的说明。
具体实施例1
本申请提供一种实施例:一种针对无人机移动充电站的动态调度方法,包括如下步骤:
步骤一:将待研究区域的地图划分为多个栅格,并在栅格中部署若干个为车联网节点提供服务的且携带有边缘服务器的无人机和若干为所述无人机进行充电的移动无线充电站。
具体的,在基于移动边缘计算的智能交通系统中,建立一个车联网场景,考虑一个具有车辆计算卸载请求的车联网系统,如图2;在该车联网系统中,具有计算卸载请求的车辆称为车联网节点,并运行在城市中;将城市地图栅格化,分为一个一个的栅格。该该车联网系统部署一定数量的无人机,携带边缘服务器,搭载边缘服务器的无人机,无人机在城市各个地方为该区域的车联网节点提供计算卸载服务。在本实施例中,这些搭载边缘服务器的无人机都在每个栅格中提供服务,为了对这些无人机进行充电,每个栅格中部署有初始数量的移动无线充电站。
步骤二:根据历史交通数据,获取所述栅格的交通流量模式,并将所述栅格按交通流量模式进行划分,得到至少2个栅格集合。
所述步骤二中的具体步骤有:将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据;利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数;获取每一种交通流量模式的车流量特性,并将具有同种交通流量模式的所述栅格视为具有相同的流量变化,作为一个所述栅格集合。
进一步的,“将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据”的步骤,包括:首先将32×32的栅格地图的每一个栅格的流量数据向量化。原本的数据是每个栅格有每一个时刻的流量数据矩阵,现在将每个矩阵的同一个栅格的所有时间的流量提取出来,在对极少数的异常值或离群值进行更新,此举将大规模的交通流量数据转换为交通流量向量。以1024个栅格的时域交通流量作为输入,将每个栅格的交通流量转换成一个时域流量向量;由于交通流量模式既包括交通流量在时域的特征,又包含交通流量在幅值上的特征,而且最终的目的是找到交通流量的互补关系作为接下来的调度工作的数据支撑,所以并不对每个向量进行归一化的处理。本实施例中定义每一个栅格i的流量向量为,其中表示第i个栅格的第j个30分钟的时隙交通流量。由于交通流量数据由连续的236天组成,如2015年3月1日至6月26日的交通流量数据。因此,N可以为236天的30分钟分段数,可以在交通流量向量化输入中N为5664。
进一步的,“利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数”的步骤,包括:将每个栅格的交通流量向量化后,利用每个栅格的向量化后的交通流量数据进行交通流量模式识别,获取最佳交通流量模式的个数。
具体的,首先将每个输入点视为一个簇,这个输入点为流量数据向量,是一个多维的输入,然后自底向上迭代合并最近的两个簇,多次迭代,设置簇的个数从2到11,根据Calinski-Harabasz系数来确定最优的模式数量。Calinski-Harabasz系数是一种基于簇间和簇内方差之比的评估指标,是一种用于评估聚类效果的指标,适用于衡量聚类的紧密度和分离度。该指数的值越大,表示聚类效果越好,Calinski-Harabasz系数通过比较簇间的协方差矩阵和簇内的协方差矩阵的比值来评估聚类的质量,其计算方法如下:
其中,CH是Calinski-Harabasz系数; 是类间的协方差矩阵,表示不同簇之间
的分离度; 是类内的协方差矩阵,表示簇内的紧密度;是簇的数量;是样本总
数。
其中的计算公式如下:
是第个簇中的样本数量;是第个簇的中心点;是所有样本的全局
中心点;表示转置操作。
是第h个簇。是中的一个样本点。是第个簇的中心点。
在层次聚类中,使用欧氏距离作为距离度量,来计算中心点之间的距离,并将聚类
之间的距离定义为平均距离,而两个多维数据点、,其中、代表第个时刻的该栅格的交通流量数据,在使用
的数据中n的值为48,也就是以半小时为时间间隔,一天则分为48个时刻,它们之间的欧式
距离的计算公式如下:
,
其中,、代表在、数据点中的对应时间的交通流量;
接下来使用多维的层次聚类(Hierarchical Clustering)无监督学习算法,对交通流量数据的特征进行区分,得到数个不同的交通流量模式,如图3,算法流程如下:
数据准备:首先,任意城市的32×32栅格地图中每个栅格的交通流量数据进行向量化处理。这意味着从每个栅格的连续时间序列中提取交通流量数据,形成向量。每个向量代表一个栅格在整个连续时间的交通流量变化,总时间为236天,每天分为48个时段,每30分钟一个时段,共计5664个时间点。
初始化簇:将每个栅格的交通流量向量视为一个初始簇。因此,如果有1024个栅格,就有1024个初始簇。
距离计算:计算所有簇之间的距离。使用欧式距离计算距离,衡量两个交通流量向量之间的相似性、差异性。
簇合并:找到最近的两个簇并将它们合并为一个新的簇。这一过程基于前一步计算的距离。合并的结果减少了簇的总数,形成更大的簇,这些簇代表了更广泛区域内的交通流量模式。
更新距离矩阵:每次簇合并后,更新距离矩阵,以反映新合并的簇与其它簇之间的距离。
聚类质量评估:在每次迭代后,使用Calinski-Harabasz指数来评估当前的聚类质量,记录Calinski-Harabasz值的大小。
改变簇的个数重复上述过程。
通过Calinski-Harabasz指数的大小确定最佳交通流量模式的个数。
可通过上述方法对某市的交通流量模式进行分析,具体过程如下:
对某市四环内2015年3月1日至6月26日的交通流量数据进行可视化处理,可视化处理结果如图4所示。
通过如图4的可视化结果可以发现,在这一段连续的时间内,每一个栅格都有其特有的交通流量变化特征,这个连续的流量数据以每30分钟为时间间隙,在每个时间点有一个流量数据。选取了5664个连续时间点的车流量数据,根据该市四环内的32×32的栅格地图的交通流量随时间变化的特征区分出多种交通流量模式,这种交通流量模式需要在时间层面找到交通流量的互补关系,分析出几种交通流量模式,例如交通流量模式A、交通流量模式B,两种交通流量模式之间在某些时间点的交通流量可能呈现的互补性,例如模式A上午10点的车流量较多;模式B下午上午10点流量较少这就是单个时刻不同模式之间呈现出的车流量互补性;在调度中考虑在同一时刻从几种有互补关系的模式中进行调度。
考虑到连续的时间内有时域上的特征和幅值上的特征,需要根据不同栅格在连续时间段内的变化趋势找出存在的几种交通流量模式,所以本处使用离散傅里叶变换对每个栅格的5664个时刻的流量数据进行处理,得到其时域特征和幅值特征,离散傅里叶变换的计算如下:
在变换中,表示第个频率分量的复数幅值;是时间序列中该栅
格第n个时刻的交通流量数据; 是时间序列中数据点的总数; 是当前频率分量的
索引,范围0从到;找出其主要的频率分量,其所代表的频率和幅值能有效的体现
时间序列时域上的特征和幅值上的特征,也就是幅值较高的分量作为该栅格的流量特征;
幅值的计算公式如下,以复数的实部Re和虚部Im来计算:
;
得到主要频率分量如图5所示。
由于每个栅格均为一个变换的个体,所以每个栅格的主要频率分量有微小差异,所以本方案取基波分量,第118 次分量,第 236次分量,第17次分量作为离散傅里叶变换的主要频率分量放入下面的交通流量模式中,以在不影响算法的准确率的情况下简化算法的复杂度。
通过以上方法,得到如图6的交通流量模式识别结果;并且最终聚类结果得到了不同的交通流量模式的流量变化。由以上结果可以得到不同交通流量模式反映了不同栅格区域间在交通流量变化上的相似性和差异性。在具体的栅格地图中的交通流量模式的分布如图7所示。
对于交通流量模式识别的分析和验证:
经过交通流量模式识别后得到某市交通流量模式,每一种模式都有其特定的特征其变化特征呈现出相同的趋势;对不同的交通流量模式的不同时间周期的交通流量数据分别进行分析,得到每一种交通流量模式的车流量特性,分析得到具体的差异体现;同时,在本实施例中,同种交通流量模式的栅格的流量变化是相同的,所以使用周期平均法总结计算出同种交通流量模式代表工作日、周末一天48个时间的车流量变化;周期平均法的具体步骤如下:
设有种交通流量模式,每种模式包含一系列栅格,每个栅格每天有个时
刻的流量数据;=1,2,3……;优选的,=48。设其包含的栅格编号集合为,每
个栅格编号为,其中;每个栅格在第个时刻的流量数据表示为,其中
1≤≤;
获取第种模式在第个时刻的平均流量数据:
其中, 表示第种模式在第个时刻的平均流量,表示第种模式包含的
栅格数量。
对于得到的每个时刻的平均流量,进行四舍五入并转换为整数:
最终输出:对每种交通流量模式,将得到一系列处理后的平均流量数据。
通过以上方法就可以得到交通流量模式识别出的每种交通流量模式的流量变化,如图8所示的工作日车流变化图和图9所示的周末车流量变化图;由图8和9可知,在不同交通流量模式中,其峰值、波动都不同,在时间上呈现差异;同时,在同种交通流量模式中,周末和工作日的交通流量也存在一定的差异。说明本实施例中的交通流量模式识别方法可以准确的识别不同交通流量模式之间的差异,同时也能区分同种交通流量模式之间工作日和周末的异同。
为了提升调度效率,本实施例将同一种交通流量模式的栅格作为整体调度对象,具有相同的交通流量模式的栅格在时间上具有相似的变化特征,通过以上交通流量模式的处理以简化无人机无线充电站调度的过程和复杂度。
步骤三:对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量。
预测未来车流量对于移动边缘服务器搭载在无人机上以及移动无线充电站的系统设计和优化至关重要。往往在车辆的调度中,需要提前预测未来的车流量,因为在车辆的调度中并不是瞬时的,往往需要一定的时间才能完成调度任务,同时交通流量也是瞬息万变的,所以如果不对未来的车流量进行预测,将可能导致系统在移动无线充电站调度方面面临一系列挑战,在没有足够准确的未来车流量信息的情况下,可能浪费或是剩余过多的调度资源;同时,缺乏对未来车流量的准确预测可能导致无人机和充电站在不必要的时候进行充电和服务。这会影响能源效率,增加运营成本,并可能对节能的目标产生负面影响;在调度系统的鲁棒性方面,如果在不考虑未来车流量的情况下,可能更容易受到外部因素的影响,如交通堵塞等意外事件,都会影响调度的效率。所以如果不对未来车流量提前预测,则会增加调度任务的随机性,也不利于该解决方案应用在现实工程中。
为了解决这些问题,本实施例首先通过卷积核大小且步长为 的二维卷积对输
入的流量进行图像块化的操作,将对应的长和宽为的流量区域提取特征,且在该步骤中
将流量的时间信息 转换为通道信息 ,将所有的流量块化后,得到的特征维度 R T’
×H/K×W/K 的 Token。接着 Token 会经过串联的特征提取模块,特征提取模块由卷积门
控线性单元和专家混合模型组成,经过特征提取模块后,Token 的维度保持不变。最终,拓
展所述特征维度Token的维度,再通过1×1卷积将其降维,得到预测结果。
本实施例对未来的连续时间的车流量进行了合理预测,并区分工作如和周末的差异,预测出代表工作日的一天48个时刻的车流量数据和代表周末的一天48个时刻的车流量数据。通过预先预测车流量,有利于移动无线充电站提前规划和优化移动无线充电站的调度,根据实际情况预测出一段时间内可能具有的车流量变化,以及时响应交通状况,有助于提高系统的实时性和灵活性,以适应交通环境的不断变化,确保调度能够及时响应当前和未来的需求。
具体的,本实施例使用卷积门控线性单元的专家混合模型网络(ConvGLUMoENet)进行交通流量预测,将网络的隐藏特征维数C设置为512,并使用批量大小为16。选择AdamW优化器进行初始学习速率为0.002的训练,并采用Warmup和余弦退火策略来动态调整学习速率,提高了模型的训练性能。为了训练ConvGLUMoENet模型,使用均方误差损失MSELoss来最小化ConvGLUMoENet预测和实际值之间的差异。
同时,在TaxiBJ,即某市交通流量数据,数据集上与目前使用的最佳方法TAU和SimVP进行了比较,以及专门为TaxiBJ数据集设计的STResNet模型。为了确保公平的比较,调整了STResNet模型,使用来自相同的前7天的数据进行预测;现有的,大多数采用利用过去4个时间点的数据预测未来4个时间点的数据,而在本实施例的任务中为了实现对未来一天48个时间点的预测效果,采用利用过去7天的相同时间点预测后一天相同时间点的数据。为了保证目前的最佳方案能实现相同的效果,采用1×1卷积将未来7天数据降维为1天。此外,为了验证预测模型的有效性,建立了Avg作为空白参照组,不进行预测,只在同一时间点的平均数据,以获得接下来1天相同时间点的数据。针对工作日的数据,取前7天的第一天为工作日的数据进行预测;针对周末的数据,前7天的第一天为周末的数据进行预测。
车流量预测过程的具体原理如下:
针对 TexiBJ 的交通流量预测问题,使用 ConvGLUMoENet (Convolutional Gated Linear Unit Mixture of Expert Net)对前T天相同时间点进行特征提取,并对T+1天的流量进行预测。
其中, ConvGLUMoENet的使用主要包括:
1.对 TexiBJ 的数据进行处理,得到长度为T+1的交通序列,并对数据随机划分,得到训练集和验证集。
2.采用 ConvGLU 和噪声因果 MoE 混合专家模型作为特征提取网络;ConvGLU 为卷积门控线性单元;
3.利用 ConvGLUMoENet 对处理后的数据进行训练,完成训练后得到的网络模型进行部署。
其中,在通过二维卷积进行图像块化时,得到的数据维度为(T,H,W)通过卷积核大
小和步长相等设为且通道从映射到的二维卷积对数据进行滑块,滑块后得到数
据维度为 ,经过转置和空间形变后得到 ;为了更好的捕
捉时空维度上的特征,以ConvGLU 特征提取模块和MoE模块作为 Token 的特征提取网络;
具体描述如下:
首先,Token 将通过两个不共享权重的全连接网络分别得到权重特征和值特征,
其中ConvGLU 特征提取的全连接层输入通道,输出通道都为,权重和值
构成一个门控的效果。
然后,在权重支路中,经过全连接层后的特征会先转换数据维度,恢复图像维度 ,接着通过一个深度可分离二维卷积获取各个通道自身的特征,其中深度
可分离卷积核大小为,输入通道和输出通道都为,得到的权重特征再经过激
活函数,最后转换为一维 Token;其中,是为了对内部通道进行拓展,增强特征提取
能力设置的,m可以可以根据情况自行选择。
最后,经过权重支路和值支路的特征最后相乘,经过全连接层得到最后的特征,其
中全连接层的输入通道为,输出通道为。
以上为单个 ConvGLU 特征提取的步骤,在完整的 ConvGLUMoENet 网络中通过多个 ConvGLU 模块和MoE 模块,即多层感知器,进行堆叠,MoE 模块主要由3个子模块组成,分别包括多头因果注意力机制,专家模型构建以及噪音稀疏专家模型。
其中,上述的 MoE 模块:
1.在通过 ConvGLU 模块后的特征为一维特征,维度为,首先
经过多头注意力特征,其中包括三个输入输出通道都为的全连接层,将Token分别
映射为 Q,K,V。并将Q 和 K 进行矩阵相乘得到注意力特征 Attn,为了实现序列的因果关
系,提出使用上三角矩阵对注意力特征进行对位相乘后通过Softmax函数得到因果注意力
特征 CauAttn。将CauAttn与V进行矩阵相乘后通过输入输出维度都为的全连接层
得到最后的输出。
2.为了构建专家模型,采用几个稀疏激活的前馈网络取代标准的前馈神经网络,其中稀疏激活的专家模型通过 MLP 构建(Multi Layer Perceptron),MLP 的输入输出维度相同
3.专家模型应该被稀疏激活,所以需要利用网络判断哪些 Tokens 通过哪些专家
模型处理,为此需要构建专家选择网络对专家进行选择,这里使用全连接层作为专家选择
网络,输入维度为,输出维度为专家数量N E 。在通过专家选择网络后,选择输出维度
中的最大的K top 个专家模型进行预测对应的Token,为了使专家模型可以更稳定的训练,在
训练过程中会生成与N E 维度相同的高斯噪声,再对高斯噪声进行softmax 与专家选择网络
的投票结果进行相加。
由此完成ConvGLU 特征提取模块和 MoE 模块的构建,通过 N 个 ConvGLU 和MoE 模块的堆叠完成交通流量特征的特征提取。
最后通过一个输入输出通道分别为和将Token的特征维度拓展,并
转变维度到,再通过1×1卷积将其降维到1×H×W作为预测结果。
上文中所述交通流量预测过程的效果验证:
在交通流量预测的指标上,上述的方法领先于其他的方法,在预测精度中,也远领先于其他的方法,所以,本实施例中所述的交通流量预测方法在交通流量预测方面优于其他方法,具体参见表1。
表1:交通流量预测方法间的比较:
ConvGLUMoENet | TAU | SimVP | STResNet | |
均方误差 | 0.0175 | 0.0187 | 0.0193 | 0.0227 |
根据表1可知,本实施例所述的交通流量预测方法,在预测工作日和周末单日的48个时刻的交通流量方面具有良好的性能,优于其他方法。实施例所述的交通流量预测方法仍然保持了较高的预测精度,平均均方误差为0.0175,明显优于TAU的0.0187,SimVP的0.0193和STResNet的0.0227。综上所述,本实施例中使用的ConvGLUMoENet预测方法,将MoE和门控机制引入到流量预中,构成卷积门控线性单元的专家混合模型网络(ConvGLUMoENet),实现了预测结果的绝对差异和对历史数据的充分利用,为未来移动无线充电站的调度提供了准确的交通流量预测数据。
步骤四:根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的动态调度。
本实施例在基于移动边缘计算的智能交通系统中,考虑了一个车联网场景,该场景中的车辆(称为车联网节点,在本发明中车流量即车联网节点)具有计算卸载请求。车联网系统中部署了一定数量的无人机,这些无人机携带边缘服务器,为城市各个区域的车联网节点提供计算卸载服务。为了维持无人机的持续运营并确保服务质量,调度移动无线充电站以满足无人机的充电需求至关重要。
在本实施例中,需要使用交通流量模式识别的结果,得到某市栅格地图中的每个栅格的所属交通流量模式的标签。接着使用同一种交通流量模式的栅格一天内48个连续的时间点的流量数据进行一定的处理,尽管它们属于同一种交通流量模式,但是在车流量的大小上仍然会有微小的差异,为了更好的模拟真实的城市交通系统,在同种交通流量模式的栅格的流量数据上加上一定的波动,对不同地理位置的同一种交通流量模式的栅格进行微小差异化处理,保证不影响该栅格所属的交通流量模式的同时增加每个栅格区域的流量的微小差异,这样就得到了1024个栅格单日00:00到24:00的48个时刻的交通流量数据,在这个数据的基础上实现无人机移动无线充电站的调度优化。
接下来,在某市地图栅格地图中的每一个栅格为一个个体,并且同种交通流量模式的栅格中的移动无线充电站在调度时作为一个整体进行调度,同一个交通流量模式之间的栅格不进行调度。
在具有明确交通流量模式的栅格地图中,每个交通流量模式有0点开始到24点结束的每隔30分钟的车流量数据,也就是每种交通流量模式有48个连续时间的一个交通流量序列,然后根据每种交通流量模式在每一个时刻的流量之间的互补关系进行调度决策,将同一种交通流量模式的栅格中的无线移动无线充电站调度到属于另一种交通流量模式的栅格进行服务,确保在所有时间段都能尽量满足地图上所有无人机的充电需求。
在实际工作中,初始时刻每个区域都有满足初始状态的无线移动无线充电站数量,但根据时间的变化,每个交通流量模式的所代表的栅格的车流量也在变化,也就是说假设某一种交通流量模式的所代表的栅格在上一时刻车流量少,搭载边缘服务器的无人机的服务需求少需要的无人机的数目较少,则当前该区域的无线移动无线充电站也许就是充足的,而随着时间的变化,某种交通流量模式的所代表的栅格在下个时间车流量变多,所需要的搭载边缘服务器的无人机的需求量也会变多,而上一个时刻的无线移动无线充电站的个数就会有可能不足以满足下一个时间的无人机的充电需求,这是认为这些栅格的无线移动无线充电站资源是缺乏的,需要从别的交通流量模式的栅格调度到缺少无线移动无线充电站资源的栅格中,构成调度优化任务,最终的将调度的优化目标映射到最大化满足的车流量上。
将城市区域被划分为32×32的网格,一天分割为48个时间段,并从交通流量模式的分析得到共有6种交通流量模式,同时为某市栅格地图中的每个栅格都做好标签。此外,设置每个网格点上移动无线充电站的最大数量和每个无人机可以服务的车辆数和每辆充电站可以服务的无人机数,以及移动无线充电站允许的最大调度距离。最后,基于拍卖算法的无人机移动无线充电站调度方法,动态调整充电站的分布以适应车流量变化。
上述的基于拍卖算法的无人机移动无线充电站调度方法,包括:
流量变化的获取方法:获取栅格每通过二维卷积对输入的流量进行图像块化,个时间段内的车流量,通过比较连续时间段内的车流量变化,确定哪些区域出现了需求增加,用于识别买家、卖家。
买家的定义方法:在本算法中,买家代表需求增加的栅格,即那些相对于上一时刻车流量增加,从而导致搭载边缘服务器无人机的服务需求增加的栅格。通过获取每个时间段内各栅格的车流量变化,可以识别出哪些栅格需要额外的无人机服务,从而无人机的充电需求也更高,所以需要为该区域提供更多的无人机移动无线充电站,从而将这些区域视为“买家”。
卖家的定义方法:卖家则代表那些拥有额外可供调度的移动无线充电站的栅格。这通常意味着,如果在下一个时间某些栅格中的充电站数量超过了该栅格当前服务的需求,也就是下一个时刻车流量增加,无人机服务需求增加的栅格。满足这样条件的栅格可以将多余的移动无线充电站调度到车流量增加也就是无人机充电需求增加的栅格以满足该栅格新增的充电需求,将这些区域视为“卖家”。
交易商品的定义方法:无人机移动无线充电站被视作交易的商品。交易的具体表现为将移动无线充电站从一个栅格移动到另一个栅格,以满足该栅格内增加的无人机充电需求。交易量则根据买卖双方的需求和供应量协商确定,反映了实际调度的移动无线充电站数量。
拍卖交易进行的方法:基于买家和卖家之间的需求-供应关系,通过拍卖的方式确
定充电站的重新分配。无人机移动无线充电站的调度仅在不同交通流量模式的栅格之间进
行,买家基于其需求量、卖家的供应量以及双方栅格之间的曼哈顿距离来获取对卖家的出
价。两个栅格的坐标若为和则它们之间的曼哈顿距离为。出价考虑了服务的需求量和调度的成本。在拍卖过程中,选择出
价最高的交易进行执行,更新充电站在栅格中的分布。
所述基于拍卖算法的无人机移动无线充电站调度方法的具体执行过程如下:
(1)环境设定与初始化:
初始化每个栅格内的车流量数据,这些数据来源于真实数据集,按照30分钟为一个时间段,将24小时分为48个时间段;初始化每个栅格内部署初始数量的移动无线充电站,利用历史数据分析每个栅格的平均车流量,根据车流量的多少预估每个栅格可能需要的无人机数量,进而获取所需的移动无线充电站数量。车流量越大的区域需要更多的无人机来满足计算服务需求,相应地移动无线充电站来满足充电需求;初始化每个栅格的交通流量模式,初始化的依据是交流流量模式识别结果。
(2)车流量变化的获取:
对于每一个相邻的时间,获取每个栅格内车流量的变化量,即当前时刻的车流量减去前一时刻的车流量。通过车流量的增减来识别出需求变化,即需求增加的区域(买家)和有余力提供服务的区域(卖家)。
(3)买家列表和卖家列表的确定:
A:确定买家列表:
遍历整个栅格地图。获取每个栅格的交通流量变化。通过比较当前时间段与前一时间段的交通流量来得出,正值表示需求增加,即有更多的车辆需要服务。但是不一定需要更多的搭载边缘服务器的无人机提供服务,有可能仍然满足需求,所以需要确定当前栅格的移动无线充电站是否缺少,通过交通流量变化得到每个栅格可能新增的无人机需求量。这一步骤是通过将正的流量变化值转换为无人机的需求量来实现的,即考虑到每个无人机能服务的车流量,获取需要多少无人机来满足增加的车流量。接下来,需要确定为了支持这些额外的无人机的充电服务,每个栅格中需要多少移动无线充电站。这考虑到每个移动无线充电站能够支持的无人机数量,从而获取满足新增无人机需求所需的最小充电站数量。接下来,通过比较每个栅格中现有的移动无线充电站数量与上述步骤得到的需求量,可以确定是否存在缺口。如果一个栅格的现有充电站数量小于需求量,则意味着该栅格缺少充电站,无法完全满足新增的无人机需求,即被视为“买家”。
B:确定卖家列表:
同样,遍历整个栅格地图。对于每个栅格,获取当前无人机需求量(根据车流量计算得出)、检查该栅格中的充电站数量。如果某个栅格的充电站数量能够满足当前需求,并且还有额外的充电站,则该栅格视为一个潜在的卖家,并将其添加到卖家列表中。
(4)拍卖过程与出价计算:
每个买家基于自身的增加需求(需求增加的无人机数量),对每个潜在的卖家(有额外充电站的栅格)进行出价。出价的计算考虑到买卖双方的距离、买家的需求量、卖家的供应量及当前所有出价的平均值,公式如下:
;作为所述交通流量模式
其中,B为买家对卖家的出价, 为所有出价的平均值, D为买家的需求量即充电站需求量, W d 为距离权重, W l 为需求量权重, d为买家和卖家之间曼哈顿距离。
以此来确定每个买家对卖家的出价。
(5)交易执行与资源调度:
对于每个买家,选择出价最高的卖家进行交易,即将充电站从卖家栅格调度到买家栅格。每次交易都会更新栅格内的充电站分布,获取买家、卖家交易后的充电站数量。
本实施例记录每次交易的总里程(卖家到买家的距离),以及通过调度充电站满足的无人机服务需求量。通过比较交易前后的服务能力和满足的需求量来评估算法的效果,优化调度策略。
如图10所示的移动无线充电站调度的期望效果,在示意图中假设一个搭载边缘服务器的无人机可以服务10辆车,而一个移动无线充电站可以为5台无人机提供充电服务。在由t-1时刻变为t时刻时,g 1和g 4的车流量增加,相应的该栅格区域的搭载边缘服务器的无人机的需求量增加,移动无线充电站需求可能增加;而g 2和g 3的车流量减少,应的该栅格区域的搭载边缘服务器的无人机的需求量也会减少,移动无线充电站需求可能增加。通过买家、卖家的确定方法,g 1和g 4成为买家,g 2和g 3成为卖家,这时需要调度无人机移动无线充电站,移动无线充电站由g 2和g 3调度到g 1和g 4;根据交易原则,g 1出价为2个移动无线充电站, g 4出价为3个移动无线充电站,g 2有2个空闲移动无线充电站,g 3有4个空闲移动无线充电站,接下来进行交易,交易完成后情况如t时刻所示,g 3向g 4调度了3个移动无线充电站,g 2向g 1调度了2个移动无线充电站。评价指标为移动总里程和总满足车辆数,这个过程的移动总里程为5,满足的g 4车流量为170、g 1的车流量为100,总满足车流量为270。满足的车流量反映了调度的效果。这里假设g 1、g 4和g 2、g 3非同种交通流量模式并且调度距离满足最大限制距离。具体计算流程可以参考图11。
对基于拍卖算法的无人机移动无线充电站调度方法的验证:
使用经过处理后的某市公开交通数据集,处理包括经过交通流量模式识别、交通流量预测得到代表工作日和周末单天48个连续时间的流量数据进行实验验证,基于拍卖算法的无人机移动无线充电站调度方法表现了优异的性能。首先,我们设置“无调度法”对初始的充电站进行验证,“无调度法”就类似于在每个区域设置固定充电站,使用“无调度法”计算每两个时间之间满足的变化的车流量,得到如图12的结果。在图12中,图中a处左边代表了工作日的车流量曲线图;b处代表了周末车流量曲线图。可以从结果中发现,如果不对无人机移动充电站进行调度,只是设置适当的固定充电站是远远无法满足服务需求的,会造成搭载边缘服务器的无人机的充电无法得到满足,从而导致车辆的计算服务无法得到满足,造成服务缺口。如果设置更多的固定充电站,即使能够满足需求,但是部署成本过高,同时会在很多时段造成资源浪费。事实证明,本申请提出的调度方法是必要的。同时,在本环节中设置了两种调度对比方法,分别为“贪心法”和“随机匹配法”,“贪心法”会优先选择充电站数量最多的栅格作为销售方;“随机匹配法”会随机选择栅格作为销售方和购买方,然后进行交易,没有明确的优先级或策略。在图13-18中,满足车流量和调度里程为0的时刻代表当前时刻不需要调度即可满足下一时刻车流量。从实验对比结果可以看出,基于拍卖算法的无人机移动无线充电站调度方法能有效的减小调度总里程,增大满足的车流量,同时优于其他两种对比方法; 其中,图13-15是针对工作日的实验结果,对于工作日,本方案的方法能够满足的车流量与“贪心法”相比提高了约27.68%,在调度总里程方面比“贪心法”降低了约10.95%,说明本方案的方法在满足车流量方面效果显著,同时可以减少充电站调度总里程;与“随机匹配法”相比,本方案的方法在满足的车流量上的提升更为显著,达到了112.62%。同时,本方案的方法减少了总移动距离,降低了约39.77%。图16-18是针对于周末的实验结果,对于周末,本方案的方法虽然在调度总里程方面比“贪心法”高出58.19%,但是能够满足的车流量与“贪心法”相比却增加了7.68%,说明本方案的方法在满足车流量方面效果显著,但它在减少总里程方面付出了一定的代价,但程度在优化任务可接受范围内,同时我们可以发现我们的方法在各个时间段之间移动里程的变化较为稳定,不会激增,这说明算法较为稳定;与“随机匹配法”相比,本方案的方法在满足的车流量上的提升更为显著,同时,本方案的方法减少了总移动距离,降低了22.88%。
综上所述,本申请所述的针对无人机移动充电站的动态调度方法,通过历史交通流量数据找到了城市固有的数种交通流量模式,同时使用预测手段预测未来可能发生的变化,并基于城市交通流量模式和预测的流量为搭载边缘服务器的无人机的移动无线充电站指定智能的调度策略;并且,实现了移动边缘计算和移动充电计划相结合,让二者都具有移动性,使无人机搭载的边缘服务器作为提供移动边缘计算的载体,无人机移动无线充电站作为移动充电计划的载体,二者结合,提高了边缘计算服务的效率、减小了边缘计算服务部署的成本,考虑了移动边缘计算服务中的约束和限制并进行解决。最后,使用智能多时间隙拍卖算法,通过优化无人机移动无线充电站的调度策略,提高无人机的充电效率,同时减小了无人机的充电成本,从另一层面提升了移动边缘计算的服务质量和可靠性。
本申请所述的方法,为搭载边缘服务器的无人机提供了新颖的充电方案,解决了能耗和充电问题,同时引入了移动的无人机充电站,使无人机能够在原本的服务区域内在移动平台上实现自动化充电,降低了无人机原本需要到达指定充电站位置进行充电的复杂性,降低了人工成本和操作复杂度,提高了能源补给的效率和可靠性,也变向提高了移动边缘计算服务的质量和效率。而且,本申请针对城市固有的交通流量模式进行了识别与分析,基于城市的交通流量在连续时间上的互补性而制定的无人机移动无线充电站的调度优化策略,具有可靠性和实用性;并且,将交通流量模式进行分类,能够在真实的调度计划中快速的运行而实时调度无人机移动无线充电站,而不需要对数据集进行训练,提高了方案的可行性。
总的来说,本申请所述的方法填补了现有技术中的关键问题,提供了高效、稳定和经济的移动边缘计算部署解决方案,解决了部分移动边缘计算服务中的限制。本申请所述的方法能够推动边缘计算的发展,为移动边缘计算及相关领域带来更广阔的应用前景。同时,本申请也将对智慧城市、智能交通等领域产生积极的影响,为构建更智能、高效的城市基础设施和服务体系贡献力量。
以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。上述本申请序号仅仅为了描述,不代表实施场景的优劣。
Claims (10)
1.一种针对无人机移动充电站的动态调度方法,应用于移动边缘计算场景的场景中,其特征在于,包括:
将待研究区域的地图划分为至少2个栅格,并在任一所述栅格中部署至少1个为车联网节点提供服务的且携带有边缘服务器的无人机和至少1个为所述无人机进行充电的移动无线充电站,并将所述移动无线充电站的最优调度作为优化目标;
根据历史交通数据,获取任一所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到至少2个栅格集合;
对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量;
根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的动态调度。
2.根据权利要求1所述的针对无人机移动充电站的动态调度方法,其特征在于,所述根据历史交通数据,获取任一所述栅格的交通流量模式,并将任一所述栅格按交通流量模式进行划分,得到至少2个栅格集合,包括:
将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据;
利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数;
获取每一种交通流量模式的车流量特性,并将具有同种交通流量模式的所述栅格视为具有相同的流量变化,作为一个所述栅格集合。
3.根据权利要求2所述的针对无人机移动充电站的动态调度方法,其特征在于,所述将所述地图对应的每一个栅格的流量数据向量化,得到对应时隙的交通流量数据,包括:
将所述地图对应的每一个栅格的流量数据化,得到每个栅格在每一个时刻的流量数据矩阵;
提取所述流量数据矩阵中任一栅格在任一时间对应的流量数据;
将所述流量数据中的异常值进行更新,得到所述对应时隙的交通流量数据。
4.根据权利要求2所述的针对无人机移动充电站的动态调度方法,其特征在于,所述利用所述对应时隙的交通流量数据,以栅格为单位,获取最佳交通流量模式的个数,包括:
将每个所述栅格对应的交通流量向量视为一个初始簇;
获取所有簇之间的距离,得到距离矩阵;
将最近的两个簇合并为一个新的簇;
每次簇合并后,更新所述距离矩阵,以反映新合并的簇与其它簇之间的距离;
通过迭代的方法,确定最佳交通流量模式的个数。
5.根据权利要求2所述的针对无人机移动充电站的动态调度方法,其特征在于,所述获取每一种交通流量模式的车流量特性,并将具有同种交通流量模式的所述栅格视为具有相同的流量变化,作为一个所述栅格集合,包括:
设有种交通流量模式,每种模式包含一系列栅格,每个栅格每天有/>个时刻的流量数据;/>;
对于第种模式/>,设其包含的栅格编号集合为/>,每个栅格编号为g,其中/>;每个栅格/>在第/>个时刻的流量数据表示为/>,其中/>;
第种模式在第/>个时刻的平均流量数据:/>;
其中, 表示第/>种模式在第/>个时刻的平均流量,/>表示第/>种模式包含的栅格数量;
所述栅格每个时刻的平均流量;
则,任一交通流量模式的平均流量数据/>,作为所述交通流量模式/>的车流量特性。
6.根据权利要求1所述的针对无人机移动充电站的动态调度方法,其特征在于,所述对任一所述栅格的交通流量进行预测,得到所述栅格在未来连续时间内的未来交通流量,包括:
通过二维卷积对输入的流量进行图像块化,对所述栅格对应的流量区域进行提取特征,且在该步骤中将流量中的时间信息 转换为通道信息/>,得到特征维度Token;
经过串联的特征提取模块,进行特征提取,且在特征提取过程中特征维度Token 的维度保持不变;所述特征提取模块由卷积门控线性单元和混合专家模型组成;
拓展所述特征维度Token的维度,再通过1×1卷积将其降维,得到预测结果。
7. 根据权利要求6所述的针对无人机移动充电站的动态调度方法,其特征在于,所述经过串联的特征提取模块,进行特征提取,且在特征提取过程中特征维度Token 的维度保持不变,包括:
对待研究区域的流量数据进行处理,得到交通序列数据,并对所述交通序列数据随机划分,得到训练集和验证集;
采用卷积门控线性单元作为特征提取网络;
采用混合专家模型对时间进行投票。
8.根据权利要求1所述的针对无人机移动充电站的动态调度方法,其特征在于,所述根据所述栅格对应的交通流量模式确定所述栅格对应的栅格集合以及该栅格对应的未来交通流量,在栅格集合之间进行所述移动无线充电站的调度,包括:
根据交通流量模式识别的结果,得到任一所述栅格的所属交通流量模式的标签;
对具有同一种交通流量模式的栅格内至少2个连续的时间点的流量数据进行处理;
将任一所述栅格作为一个个体,并且同种交通流量模式的栅格中的移动无线充电站在调度时作为一个整体进行调度,同一个交通流量模式之间的栅格不进行调度。
9.根据权利要求1或8所述的针对无人机移动充电站的动态调度方法,其特征在于,所述在栅格集合之间进行所述移动无线充电站的动态调度,包括:
对任一所述栅格每个时间段内的未来交通流量进行计算,通过比较连续时间段内的车流量变化,确定出现需求增加的区域,将需求增加的栅格作为买家,拥有额外可供调度的移动无线充电站的栅格作为卖家;
所述无人机移动无线充电站的调度仅在不同交通流量模式的栅格之间进行;
将移动无线充电站从一个栅格移动到另一个栅格,以满足该栅格内增加的车流量需求;
使携带有边缘服务器的无人机满足车流量需求;再以无人机需求对应移动无线充电站需求,并以移动无线充电站需求作为具体交易;
根据买家以及卖家双方的需求和供应量协商确定交易量,以反映实际调度的移动无线充电站数量;
基于所述买家和所述卖家之间的需求-供应关系,通过拍卖的方式确定移动无线充电站的重新分配,以进行调度成本优化。
10.根据权利要求9所述的针对无人机移动充电站的动态调度方法,其特征在于,所述通过拍卖的方式确定移动无线充电站的重新分配的步骤,包括:
所述买家的需求量、所述卖家的供应量以及所述买家和所述卖家对应栅格之间的曼哈顿距离来代表对卖家的出价;
选择出价最高的交易进行执行,并更新移动无线充电站在栅格中的分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355208.9A CN117952285B (zh) | 2024-03-27 | 2024-03-27 | 针对无人机移动充电站的动态调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355208.9A CN117952285B (zh) | 2024-03-27 | 2024-03-27 | 针对无人机移动充电站的动态调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952285A true CN117952285A (zh) | 2024-04-30 |
CN117952285B CN117952285B (zh) | 2024-06-14 |
Family
ID=90796642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355208.9A Active CN117952285B (zh) | 2024-03-27 | 2024-03-27 | 针对无人机移动充电站的动态调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952285B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061892A1 (en) * | 2002-09-30 | 2004-04-01 | Sharp Laboratories Of America, Inc. | Load-balancing distributed raster image processing |
CN108924936A (zh) * | 2018-07-12 | 2018-11-30 | 南昌大学 | 无人机辅助无线充电边缘计算网络的资源分配方法 |
DE102019002775A1 (de) * | 2019-04-16 | 2019-11-14 | Daimler Ag | Verfahren zur rasterbasierten Georeferenzierung und zur ldentifizierung einzelner Rasterelemente |
CN111324446A (zh) * | 2018-12-17 | 2020-06-23 | 上海讯琥物联网科技有限公司 | 多址接入边缘计算节点及部署一套分布式记账应用的方法 |
CN112308339A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 充电数据的处理方法和装置 |
EP3788769A1 (en) * | 2018-05-02 | 2021-03-10 | View, Inc. | Edge network for building services |
US20220191733A1 (en) * | 2019-03-27 | 2022-06-16 | Apple Inc. | Assistance information indication for rat and interface selection for new radio vehicle-to-everything (v2x) |
CN115361689A (zh) * | 2022-08-08 | 2022-11-18 | 广东工业大学 | 固定站点与无人机搭载边缘服务器的协同部署方法 |
CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网系统 |
CN116781144A (zh) * | 2023-07-11 | 2023-09-19 | 广东工业大学 | 无人机搭载边缘服务器的方法、装置及存储介质 |
CN116805201A (zh) * | 2023-08-02 | 2023-09-26 | 广东工业大学 | 一种无人机的能源补给站部署方法 |
CN117255368A (zh) * | 2023-11-17 | 2023-12-19 | 广东工业大学 | 车载边缘服务器协同固定边缘服务器的边缘动态集成方法 |
-
2024
- 2024-03-27 CN CN202410355208.9A patent/CN117952285B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061892A1 (en) * | 2002-09-30 | 2004-04-01 | Sharp Laboratories Of America, Inc. | Load-balancing distributed raster image processing |
EP3788769A1 (en) * | 2018-05-02 | 2021-03-10 | View, Inc. | Edge network for building services |
CN108924936A (zh) * | 2018-07-12 | 2018-11-30 | 南昌大学 | 无人机辅助无线充电边缘计算网络的资源分配方法 |
CN111324446A (zh) * | 2018-12-17 | 2020-06-23 | 上海讯琥物联网科技有限公司 | 多址接入边缘计算节点及部署一套分布式记账应用的方法 |
US20220191733A1 (en) * | 2019-03-27 | 2022-06-16 | Apple Inc. | Assistance information indication for rat and interface selection for new radio vehicle-to-everything (v2x) |
DE102019002775A1 (de) * | 2019-04-16 | 2019-11-14 | Daimler Ag | Verfahren zur rasterbasierten Georeferenzierung und zur ldentifizierung einzelner Rasterelemente |
CN112308339A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 充电数据的处理方法和装置 |
CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网系统 |
CN115361689A (zh) * | 2022-08-08 | 2022-11-18 | 广东工业大学 | 固定站点与无人机搭载边缘服务器的协同部署方法 |
CN116781144A (zh) * | 2023-07-11 | 2023-09-19 | 广东工业大学 | 无人机搭载边缘服务器的方法、装置及存储介质 |
CN116805201A (zh) * | 2023-08-02 | 2023-09-26 | 广东工业大学 | 一种无人机的能源补给站部署方法 |
CN117255368A (zh) * | 2023-11-17 | 2023-12-19 | 广东工业大学 | 车载边缘服务器协同固定边缘服务器的边缘动态集成方法 |
Non-Patent Citations (1)
Title |
---|
徐望胜 等: ""考虑网架动态恢复与灵活资源支持的综合能源系统灾后双层优化调度策略"", 《 《电力系统及其自动化学报》》, 14 November 2023 (2023-11-14) * |
Also Published As
Publication number | Publication date |
---|---|
CN117952285B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A hybrid machine learning model for demand prediction of edge-computing-based bike-sharing system using Internet of Things | |
Ghayekhloo et al. | A combination approach based on a novel data clustering method and Bayesian recurrent neural network for day-ahead price forecasting of electricity markets | |
Majidpour et al. | Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications | |
An et al. | Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance | |
Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
Asadi et al. | A Markov decision process approach for managing medical drone deliveries | |
Mohammad et al. | Energy demand load forecasting for electric vehicle charging stations network based on convlstm and biconvlstm architectures | |
Yuan et al. | A survey on computation offloading for vehicular edge computing | |
Zhou et al. | Task scheduling for mobile edge computing enabled crowd sensing applications | |
Lai et al. | Taxi demand prediction with LSTM-based combination model | |
Saputra et al. | Federated learning meets contract theory: energy-efficient framework for electric vehicle networks | |
Ni et al. | Mobility and energy management in electric vehicle based mobility-on-demand systems: Models and solutions | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
CN117952285B (zh) | 针对无人机移动充电站的动态调度方法 | |
Li et al. | Short-term traffic demand prediction using graph convolutional neural networks | |
Schwemmle et al. | Hyperparameter optimization for neural network based taxi demand prediction | |
Hu et al. | Vehicular task scheduling strategy with resource matching computing in cloud‐edge collaboration | |
Yan et al. | Catcharger: Deploying in-motion wireless chargers in a metropolitan road network via categorization and clustering of vehicle traffic | |
CN114916013B (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
Emami et al. | Rc-tl: Reinforcement convolutional transfer learning for large-scale trajectory prediction | |
Hsieh et al. | A decision framework to recommend cruising locations for taxi drivers under the constraint of booking information | |
Wang et al. | A hybrid deep learning approach for traffic flow prediction in highway domain | |
CN110276970B (zh) | 一种基于轨迹预测的车辆计算资源利用方法 | |
Tian et al. | A SITING URBAN TAXI STATIONS MODEL BASED ON SPATIAL-TEMPORAL ORIGIN-DESTINATION DATA |
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 |