GR1010554B - Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g - Google Patents
Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g Download PDFInfo
- Publication number
- GR1010554B GR1010554B GR20220100816A GR20220100816A GR1010554B GR 1010554 B GR1010554 B GR 1010554B GR 20220100816 A GR20220100816 A GR 20220100816A GR 20220100816 A GR20220100816 A GR 20220100816A GR 1010554 B GR1010554 B GR 1010554B
- Authority
- GR
- Greece
- Prior art keywords
- performance indicators
- cam
- different sets
- geographic area
- vehicles
- Prior art date
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000010801 machine learning Methods 0.000 title description 4
- 230000010267 cellular communication Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 abstract description 9
- 230000002596 correlated effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Stored Programmes (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
Η μοντελοποίηση των συνδεδεμένων και αυτοματοποιημένων υπηρεσιών κινητικότητας (ΣΑΚ) 5G για βελτιστοποίηση περιλαμβάνει τον ορισμό διαφόρων παραμέτρων διαμόρφωσης δικτύου επικοινωνιών 5G οι οποίες διαμορφώνουν ένα κυψελωτό δίκτυο επικοινωνιών 5G το οποίο περιβάλλει μια γεωγραφική περιοχή υποστηρίζοντας τις μετακινήσεις αυτόνομων οχημάτων. Η μέθοδος περιλαμβάνει περαιτέρω την ανάθεση διαφορετικών τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύου και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των αυτόνομων οχημάτων. Η μέθοδος περιλαμβάνει ακόμη περαιτέρω την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων. Τέλος, η μέθοδος περιλαμβάνει την αποστολή ερωτήματος στη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση της αποστολής ερωτήματος, συσχετισμένων δεικτών από τους αντίστοιχους δείκτες απόδοσης CAM.
Description
ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΜΗΧΑΝΙΚΗΣ ΕΚΜΑΘΗΣΗΣ (ΜΕ) ΓΙΑ ΣΥΝΔΕΔΕΜΕΝΕΣ ΚΑΙ ΑΥΤΟΜΑΤΟΠΟΙΗΜΕΝΕΣ ΥΠΗΡΕΣΙΕΣ ΚΙΝΗΤΙΚΟΤΗΤΑΣ (ΣΑΚ) 5G
ΥΠΟΒΑΘΡΟ ΤΗΣ ΕΦΕΥΡΕΣΗΣ
[0001] Πεδίο της εφεύρεσης
[0002] Η παρούσα εφεύρεση σχετίζεται με το τεχνικό πεδίο της μοντελοποίησης παροχής υπηρεσιών 5G και πιο συγκεκριμένα με τη μοντελοποίηση παροχής υπηρεσιών 5G CAM.
[0003] Περιγραφή της σχετικής τεχνικής
[0004] Η ασύρματη τεχνολογία πέμπτης γενιάς (5G) είναι η τελευταία επανάληψη κυψελωτής τεχνολογίας, ενώ έχει σχεδιαστεί ώστε να αυξάνει σημαντικά την ταχύτητα και την ικανότητα απόκρισης των ασύρματων δικτύων. Τα δεδομένα που μεταδίδονται μέσω συνδέσεων ευρείας ζώνης με υποστήριξη 5G μεταδίδονται με ταχύτητες πολλών gigabit, οι οποίες σε πολλές περιπτώσεις, ξεπερνούν τις ταχύτητες που μπορούν να επιτυγχάνονται σε ένα ενσύρματο δίκτυο, προσφέροντας συνεχώς λανθάνοντες χρόνους μετάδοσης δεδομένων μικρότερους από πέντε χιλιοστά του δευτερολέπτου. Αυτό καθαυτό, το δίκτυο επικοινωνιών 5G μπορεί να υποστηρίζει υπολογιστικές εφαρμογές που απαιτούν συντονισμό πραγματικού χρόνου. Δεδομένων των δυνατοτήτων των κυψελωτών επικοινωνιών 5G, αναμένεται ότι θα γίνει προσπάθεια για ένα πλήθος ανέφικτων μέχρι τώρα εφαρμογών πραγματικού χρόνου, οι οποίες θα συνυπάρχουν στο ίδιο πλέγμα μιας ανάπτυξης 5G -συγκεκριμένα με δεδομένη τη δυνατότητα του 5G να υποστηρίζει μια σημαντικά μεγαλύτερη ποσότητα μεταδιδόμενων δεδομένων σε σχέση με τους προκατόχους του χάρη στη μεγαλύτερη διαθεσιμότητα εύρους ζώνης και στην προηγμένη τεχνολογία κεραιών.
[0005] Οι υπηρεσίες CAM έχουν αναδειχθεί ως μια σημαντική κατηγορία τεχνολογίας ικανή να υποστηρίζεται από την πλατφόρμα ασύρματων κυψελωτών επικοινωνιών 5G. Οι υπηρεσίες CAM αναφέρονται σε γενικές γραμμές σε εφαρμογές οι οποίες υποστηρίζουν τη συντονισμένη δραστηριότητα διαφορετικών ακραίων σημείων που μοιράζονται ένα ίδιο γενικό πλαίσιο. Αυτό το γενικό πλαίσιο μπορεί να κυμαίνεται από την ενορχήστρωση της μετακίνησης διαφορετικών ανεξάρτητα μετακινούμενων αντικειμένων εντός ενός καθορισμένου γεωγραφικού χώρου, έως την ενορχήστρωση πληροφοριών που μεταδίδονται ανάμεσα σε μετακινούμενα αντικείμενα εντός ενός καθορισμένου γεωγραφικού χώρου. Ο ομαδικός συντονισμός αυτόνομων οχημάτων αντιπροσωπεύει ένα περιβόητο παράδειγμα υπηρεσιών CAM το οποίο περιλαμβάνει στοιχεία όπως η δυναμική απεικόνιση και ο ακριβής προσδιορισμός θέσης. Άλλα παραδείγματα περιλαμβάνουν τη συνεργατική ανίχνευση των συνθηκών μιας διαδρομής μετακίνησης, την οδήγηση επίγνωσης για μεμονωμένα οχήματα που διατρέχουν μια οδό, την αδιάλειπτη παροχή ενημέρωσης και ψυχαγωγίας σε μεμονωμένα οχήματα που διατρέχουν μια οδό και την πολυτροπική εφοδιαστική με χρήση οδικών, σιδηροδρομικών, αεροπορικών και θαλάσσιων μεταφορών. Μολονότι όλες οι υπηρεσίες μοιράζονται κοινές απαιτήσεις υποδομών του δικτύου 5G, οι ειδικές ανάγκες απόδοσης κάθε μιας διαφέρουν με ορισμένες απόψεις του δικτύου 5G να είναι σημαντικότερες από άλλες απόψεις ανάλογα την περίπτωση χρήσης.
[0006] Όπως φαίνεται, η δυνατότητα ενός δικτύου 5G να παρέχει αποτελεσματικά τις προαναφερόμενες υπηρεσίες CAM εξαρτάται σε μεγάλο βαθμό από τον τρόπο με τον οποίο έχει διαμορφωθεί το δίκτυο 5G. Μικρές διαφορές στη διαμόρφωση ενός δικτύου 5G, μολονότι μπορεί να είναι βέλτιστες σε μια περίπτωση χρήσης, μπορεί να είναι κατώτερες των βέλτιστων σε άλλες περιπτώσεις χρήσης. Η μοντελοποίηση της επίδρασης αυτών των διαφορών, ειδικά της επίδρασης στην απόδοση της τελικής περίπτωσης χρήσης— η ενορχήστρωση αυτόνομων οχημάτων σε μια κοινόχρηστη γεωγραφική περιοχή- είναι ζήτημα μη αυτόματης παρατήρησης και επαναληπτικών πειραμάτων. Πράγματι, η μοντελοποίηση της επίδρασης ενός συνόλου διαμόρφωσης ενός δικτύου 5G που υποστηρίζει πολλές διαφορετικές περιπτώσεις χρήσης μπορεί να απαιτεί πολύ εντατική προσπάθεια για να είναι ρεαλιστική.
ΣΥΝΟΠΤΙΚΗ ΠΕΡΙΛΗΨΗ ΤΗΣ ΕΦΕΥΡΕΣΗΣ
[0007] Οι υλοποιήσεις της παρούσας εφεύρεσης αντιμετωπίζουν τις τεχνικές ελλείψεις της τεχνικής σε σχέση με τη βελτιστοποίηση της παροχής των υπηρεσιών CAM σε μια γεωγραφική περιοχή που υποστηρίζει μετακινήσεις αυτόνομων οχημάτων. Για το σκοπό αυτό, οι υλοποιήσεις της παρούσας εφεύρεσης προβλέπουν μια πρωτότυπη και μη προφανή μέθοδο για τη μοντελοποίηση υπηρεσιών 5G CAM για βελτιστοποίηση. Οι υλοποιήσεις της παρούσας εφεύρεσης προβλέπουν επίσης μια πρωτότυπη και μη προφανή υπολογιστική συσκευή προσαρμοσμένη ώστε να υλοποιεί την προαναφερθείσα μέθοδο. Τέλος, οι υλοποιήσεις της παρούσας εφεύρεσης προβλέπουν ένα πρωτότυπο και μη προφανές σύστημα επεξεργασίας δεδομένων που ενσωματώνει την προαναφερθείσα συσκευή ώστε να υλοποιεί την προαναφερθείσα μέθοδο.
[0008] Σε μια υλοποίηση της εφεύρεσης, μια μέθοδος μοντελοποίησης υπηρεσιών 5G CAM για βελτιστοποίηση περιλαμβάνει τον ορισμό διαφόρων παραμέτρων διαμόρφωσης δικτύων επικοινωνιών 5G οι οποίες διαμορφώνουν ένα κυψελωτό δίκτυο επικοινωνιών 5G το οποίο περιβάλλει μια γεωγραφική περιοχή που υποστηρίζει μετακινήσεις αυτόνομων οχημάτων. Η μέθοδος περιλαμβάνει περαιτέρω την ανάθεση διαφορετικών τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύου και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των αυτόνομων οχημάτων. Η μέθοδος περιλαμβάνει περαιτέρω την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων. Τέλος, η μέθοδος περιλαμβάνει την αποστολή ερωτήματος προς τη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση αποστολής του ερωτήματος, των συσχετισμένων συνόλων των αντίστοιχων δεκτών απόδοσης CAM.
[0009] Σε μια άποψη της υλοποίησης, η δομή δεδομένων είναι ένα βαθύ νευρωνικό δίκτυο εκπαιδευμένο με τα διαφορετικά σύνολα των διαμορφώσεων δικτύων και τους συσχετισμένους αντίστοιχους δείκτες απόδοσης CAM για κάθε ένα από τα διαφορετικά σύνολα επιση ραίνοντας το ένα από τα διαφορετικά σύνολα ως αλήθεια εδάφους στο βαθύ νευρωνικό δίκτυο. Σε μια άλλη άποψη της υλοποίησης, οι δείκτες απόδοσης CAM περιλαμβάνουν την ελάχιστη απόσταση διαχωρισμού μεταξύ των οχημάτων που διατρέχουν τη γεωγραφική περιοχή ή τον μέγιστο αριθμό των οχημάτων που υπάρχουν στη γεωγραφική περιοχή. Σε ακόμη μια άποψη της υλοποίησης, οι συσχετισμένοι αντίστοιχοι δείκτες απόδοσης CAM υπολογίζονται από δεδομένα αισθητήρων που λαμβάνονται ασύρματα στο κυψελωτό δίκτυο επικοινωνιών 5G από τα διάφορα οχήματα καθώς τα διάφορα οχήματα διατρέχουν τη γεωγραφική περιοχή.
[0010] Σε μια άλλη υλοποίηση της εφεύρεσης, ένα σύστημα επεξεργασίας δεδομένων προσαρμόζεται για μοντελοποίηση υπηρεσιών 5G CAM σε ένα κυψελωτό δίκτυο επικοινωνιών 5G, για τη βελτιστοποίηση των δεικτών απόδοσης της μετακίνησης των αυτόνομων οχημάτων εντός μιας γεωγραφικής περιοχής που εξυπηρετείται από το κυψελωτό δίκτυο επικοινωνιών 5G. Το σύστημα περιλαμβάνει μια κεντρική υπολογιστική πλατφόρμα με έναν ή περισσότερους υπολογιστές, κάθε ένας με μνήμη και μια ή περισσότερες μονάδες επεξεργασίας που περιλαμβάνουν έναν ή περισσότερους πυρήνες επεξεργασίας. Το σύστημα περιλαμβάνει επίσης μια μονάδα βελτιστοποίησης υπηρεσιών CAM. Η μέθοδος περιλαμβάνει εντολές προγράμματος υπολογιστή που έχουν τη δυνατότητα, κατά την εκτέλεσή τους στη μνήμη τουλάχιστον μιας από τις μονάδες επεξεργασίας της κεντρικής υπολογιστικής πλατφόρμας, να καθορίζουν διάφορες παραμέτρους διαμόρφωσης δικτύων επικοινωνιών 5G που διαμορφώνουν το κυψελωτό δίκτυο επικοινωνιών 5G, για την ανάθεση διαφορετικών τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύων και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των αυτόνομων οχημάτων, για την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων και την αποστολή ερωτήματος προς τη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση της αποστολής ερωτήματος, συσχετισμένων συνόλων των αντίστοιχων δεικτών απόδοσης CAM.
[0011] Με αυτό τον τρόπο, οι τεχνικές ελλείψεις της μοντελοποίησης της επίδρασης των διαφόρων παραμέτρων δικτύων επικοινωνιών 5G στους δείκτες απόδοσης CAM αντιμετωπίζονται χάρη στην πρόβλεψη μηχανικής εκμάθησης της απόδοσης των υπηρεσιών CAM σε απόκριση μιας ενδεχόμενης διαμόρφωσης ενός υποστηρικτικού κυψελωτού δικτύου επικοινωνιών 5G χωρίς να απαιτείται μια μη αυτόματη εντατική επαναληπτική διαδικασία υποθέσεων. Επιπλέον απόψεις της εφεύρεσης θα παρατεθούν μερικώς στην περιγραφή που ακολουθεί και μερικώς θα γίνουν προφανείς από την περιγραφή ή μπορούν να μαθαίνονται με εφαρμογή της εφεύρεσης. Οι απόψεις της εφεύρεσης θα υλοποιούνται και επιτυγχάνονται μέσω των στοιχείων και των συνδυασμών που αναδεικνύονται συγκεκριμένα στις συνημμένες αξιώσεις. Θα πρέπει να γίνει κατανοητό ότι τόσο η προαναφερθείσα γενική περιγραφή όσο και η ακόλουθη λεπτομερής περιγραφή αποτελούν μόνο παραδείγματα και επεξηγήσεις και δεν περιορίζουν την εφεύρεση, όπως αξιώνεται.
ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ ΤΩΝ ΔΙΑΦΟΡΩΝ ΟΨΕΩΝ ΤΩΝ ΣΧΕΔΙΑΓΡΑΜΜΑΤΩΝ
[0012] Τα συνοδευτικά σχεδιαγράμματα, τα οποία ενσωματώνονται και αποτελούν τμήμα της παρούσας προδιαγραφής, απεικονίζουν υλοποιήσεις της εφεύρεσης και μαζί με την περιγραφή, εξυπηρετούν στην επεξήγηση των αρχών της εφεύρεσης. Οι υλοποιήσεις που απεικονίζονται στο παρόν προτιμώνται επί του παρόντος, αφού γίνει κατανοητό, ωστόσο, ότι η εφεύρεση δεν περιορίζεται στις ακριβείς διατάξεις και τα μέσα που δείχνονται, όπου:
[0013] Το Σχήμα 1 είναι μια εικονογραφημένη απεικόνιση που αντιπροσωπεύει διαφορετικές απόψεις μιας διαδικασίας μοντελοποίησης υπηρεσιών 5G CAM για βελτιστοποίηση,
[0014] Το Σχήμα 2 είναι ένα διάγραμμα βαθμιδών που απεικονίζει ένα σύστημα επεξεργασίας δεδομένων προσαρμοσμένο ώστε να πραγματοποιεί μια από τις απόψεις της διαδικασίας του Σχήματος 1, και,
[0015] Το Σχήμα 3 είναι ένα διάγραμμα ροής που απεικονίζει μια από τις απόψεις της διαδικασίας του Σχήματος 1.
ΛΕΠΤΟΜΕΡΗΣ ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΕΦΕΥΡΕΣΗΣ
[0016] Οι υλοποιήσεις της εφεύρεσης προβλέπουν τη μοντελοποίηση των υπηρεσιών 5G CAM για βελτιστοποίηση. Σύμφωνα με μια υλοποίηση της εφεύρεσης, μετρούνται οι δείκτες απόδοσης για την παροχή των υπηρεσιών CAM καθώς διάφορα οχήματα διατρέχουν μια γεωγραφική περιοχή που υποστηρίζεται από ένα συσχετισμένο κυψελωτό δίκτυο επικοινωνιών 5G διαμορφωμένο με διαφορετικό τρόπο σε διαφορετικούς χρόνους σύμφωνα με διαφορετικές παραμέτρους κυψελωτών δικτύων επικοινωνίας 5G. Μια προβλεπτική δομή δεδομένων καταγράφει μια συσχέτιση ανάμεσα στις διαφορετικές παραμέτρους διαμόρφωσης του κυψελωτού δικτύου επικοινωνιών 5G και τους μετρούμενους δείκτες απόδοσης που προκύπτουν για κάθε μια από τις διαφορετικές υπηρεσίες CAM. Μετέπειτα, η προβλεπτική δομή δεδομένων λαμβάνει ένα προτεινόμενο νέο σύνολο παραμέτρων διαμόρφωσης για το κυψελωτό δίκτυο επικοινωνιών 5G και επιστρέφει τους δείκτες απόδοσης CAM που προβλέφθηκαν για το νέο σύνολο παραμέτρων διαμόρφωσης σε σχέση με ένα αντίστοιχο των υπηρεσιών CMA χωρίς να απαιτείται η ενασχόληση με επαναληπτικές υποθέσεις.
[0017] Ως απεικόνιση μιας άποψης της υλοποίησης, το Σχήμα 1 δείχνει εικονογραφημένα μια διαδικασία μοντελοποίησης υπηρεσιών 5G CAM για βελτιστοποίηση. Όπως δείχνεται στο Σχήμα 1, διαφορετικές υπηρεσίες CAM 110 παρέχονται από ένα ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 120 σε διάφορα οχήματα 105 που διατρέχουν μια διαδρομή εντός μιας γεωγραφικής περιοχής 100. Αυτές οι υπηρεσίες CAM 110 μπορούν να περιλαμβάνουν τον ομαδικό συντονισμό αυτόνομων οχημάτων, τη συνεργατική ανίχνευση των συνθηκών μιας διαδρομής μετακίνησης, την οδήγηση επίγνωσης για μεμονωμένα οχήματα που διατρέχουν μια οδό, την αδιάλειπτη παροχή ενημέρωσης και ψυχαγωγίας σε μεμονωμένα οχήματα που διατρέχουν μια οδό και την πολυτροπική εφοδιαστική με χρήση οδικών, σιδηροδρομικών, αεροπορικών και θαλάσσιων μεταφορών. Πιο ειδικές περιπτώσεις υπηρεσιών CAM 110 περιλαμβάνουν τη δημιουργία φάλαγγας οχημάτων, τη συντεταγμένη αλλαγή λωρίδων οχημάτων, τη διαχείριση εισόδου και εξόδου οχημάτων σε μια οδό και άλλες παρόμοιες.
[0018] Ένας βελτιστοποιητής 200 λαμβάνει μέσω του ασύρματου κυψελωτού συστήματος επικοινωνιών 5G 120, ανεπεξέργαστα δεδομένα από κάθε ένα από τα οχήματα 105 συμπεριλαμβανομένων πληροφοριών θέσης και ταχύτητας ώστε ο βελτιστοποιητής 200 να υπολογίζει τους δείκτες απόδοσης 115 για κάθε μια από τις υπηρεσίες CAM 110. Αυτοί οι δείκτες απόδοσης 115 μπορούν να περιλαμβάνουν, για παράδειγμα, δείκτες απόστασης ανάμεσα στα οχήματα 105 στη γεωγραφική περιοχή 100, λογιστική δεικτών πυκνότητας οχημάτων για έναν αριθμό από τα οχήματα 105 που φιλοξενούνται εντός της γεωγραφικής περιοχής 100 σε ένα μετρούμενο χρονικό διάστημα, χρονισμό πρόβλεψης ανάπτυξης κυκλοφοριακής κίνησης για τη γεωγραφική περιοχή 110 υποδεικνύοντας μια χρονική περίοδο εκ των προτέρων για την ανάπτυξη συνθηκών κυκλοφοριακής κίνησης κατά τη χρονική στιγμή που προβλέπονται οι συνθήκες κυκλοφοριακής κίνησης και μια ποσότητα δεδομένων ροής που έχουν παραδοθεί στα οχήματα 105 στην περιοχή σε ένα μετρούμενο χρονικό διάστημα.
[0019] Ο βελτιστοποιητής 200 στη συνέχεια συσχετίζει σε ένα υπολογιστικό προϊόν 130 όπως ένα έγγραφο, τις παραμέτρους διαμόρφωσης 135 για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 120 κατά το χρόνο λήψης των υπολογιζόμενων δεικτών απόδοσης 115 με τους υπολογιζόμενους δείκτες απόδοσης 115. Ο βελτιστοποιητής 200 στη συνέχεια παρέχει το υπολογιστικό προϊόν 130 ως είσοδο εκμάθησης σε μια προβλεπτική δομή δεδομένων 160 όπως ένα ελικοειδές νευρωνικό δίκτυο ώστε οι παράμετροι διαμόρφωσης 135 να συσχετίζονται με την "αλήθεια εδάφους" των υπολογιζόμενων δεικτών απόδοσης 115. Ως εκ τούτου, μετά τη λήψη ενός αριθμού στιγμιοτύπων του εγγράφου εκμάθησης 130, η προβλεπτική δομή δεδομένων 160 θα έχει εκπαιδευθεί ώστε να επιστρέφει μια πρόβλεψη 180, με κάποια βεβαιότητα, των δεικτών απόδοσης 170 που αναμένονται λαμβάνοντας υπόψη ένα υποθετικό σύνολο 140 παραμέτρων διαμόρφωσης 150 για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 120.
[0020] Απόψεις της διαδικασίας που περιγράφεται σχετικά με το Σχήμα 1 μπορούν να υλοποιούνται στα πλαίσια ενός συστήματος επεξεργασίας δεδομένων. Σε μια περαιτέρω απεικόνιση, το Σχήμα 2 δείχνει σχηματικά ένα σύστημα επεξεργασίας δεδομένων προσαρμοσμένο ώστε να πραγματοποιεί μοντελοποίηση υπηρεσιών 5G CAM για βελτιστοποίηση. Στο σύστημα επεξεργασίας δεδομένων που απεικονίζεται στο Σχήμα 1, παρέχεται μια κεντρική υπολογιστική πλατφόρμα 200. Η κεντρική υπολογιστική πλατφόρμα 200 περιλαμβάνει έναν ή περισσότερους υπολογιστές 210, κάθε ένας με μνήμη 220 και μια ή περισσότερες μονάδες επεξεργασίας 230. Οι υπολογιστές 210 της κεντρικής υπολογιστικής πλατφόρμας (δείχνεται μόνο ένας υπολογιστής για λόγους απλότητας απεικόνισης) μπορούν να βρίσκονται ο ένας εντός του άλλου και σε επικοινωνία μεταξύ τους μέσω ενός τοπικού δικτύου ή μέσω ενός διαύλου επικοινωνίας δεδομένων ή οι υπολογιστές μπορούν να διατάσσονται απομακρυσμένα ο ένας από τον άλλο και σε επικοινωνία ο ένας με τον άλλο μέσω μιας διασύνδεσης δικτύου 260 και ενός δικτύου επικοινωνίας δεδομένων 240.
[0021] Η κεντρική υπολογιστική πλατφόρμα 200 συνδέεται επικοινωνιακά με ένα ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 μέσω του δικτύου επικοινωνίας δεδομένων 240. Το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 παρέχει ασύρματες κυψελωτές επικοινωνίες 5G σε διάφορο εξοπλισμό χρηστών (user equipment ή UE) 290 (σχετίζεται με διαφορετικά οχήματα). Το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 παρέχει περαιτέρω προγραμματικές υπηρεσίες CAM 275 στον UE 290 όπως διαχειρίζονται από την απομακρυσμένη υπολογιστική συσκευή 270 που λειτουργεί σε σύνδεση με το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280. Ως εκ τούτου, η απομακρυσμένη υπολογιστική συσκευή 270 συλλέγει δεδομένα εντοπισμού και μετακίνησης πραγματικού χρόνου από τον UE 290 και υπολογίζει τους δείκτες απόδοσης των υπηρεσιών CAM 245 για τις διάφορες υπηρεσίες CAM 275 οι οποίοι με τη σειρά τους μεταδίδονται επικοινωνιακά στην κεντρική υπολογιστική πλατφόρμα 200 μέσω του δικτύου επικοινωνίας δεδομένων 240.
[0022] Αξιοσημείωτα, μια υπολογιστική συσκευή 250 που περιλαμβάνει ένα μη προσωρινό μέσο αποθήκευσης με δυνατότητα ανάγνωσης από υπολογιστή μπορεί να περιλαμβάνεται στο σύστημα επεξεργασίας δεδομένων 200 και να δέχεται πρόσβαση από τις μονάδες επεξεργασίας 230 ενός ή περισσότερων από τους υπολογιστές 210. Η υπολογιστική συσκευή αποθηκεύει 250 σε αυτή ή συγκρατεί σε αυτή μια μονάδα προγράμματος 300 η οποία περιλαμβάνει εντολές προγράμματος υπολογιστή οι οποίες όταν εκτελούνται από μια ή περισσότερες από τις μονάδες επεξεργασίας 230, πραγματοποιεί μια προγραμματικά εκτελέσιμη διαδικασία για μοντελοποίηση υπηρεσιών 5G CAM για βελτιστοποίηση. Συγκεκριμένα, οι εντολές προγράμματος κατά την εκτέλεση εκπαιδεύουν μια προβλεπτική δομή δεδομένων συσχέτισης 215 για τη συσχέτιση διαφόρων συνόλων παραμέτρων διαμόρφωσης 225 για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 με τους δείκτες απόδοσης των υπηρεσιών CAM 245 να προσδιορίζονται για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 ενώ το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 διαμορφώνεται σύμφωνα με τις παραμέτρους διαμόρφωσης 225.
[0023] Ως εκ τούτου, οι εντολές προγράμματος μπορούν στη συνέχεια να λαμβάνουν ένα υποθετικό σύνολο από τις παραμέτρους διαμόρφωσης για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280 σε σχέση με μια ή περισσότερες από τις υπηρεσίες CAM 275. Σε απόκριση, οι εντολές προγράμματος αποστέλλουν ερώτημα στη δομή δεδομένων συσχέτισης 215 με το υποθετικό σύνολο από τις παραμέτρους διαμόρφωσης για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G 280. Μετέπειτα, οι εντολές προγράμματος λαμβάνουν από τη δομή δεδομένων συσχέτισης 215 ένα προβλεφθέν σύνολο δεικτών απόδοσης για τη μια ή τις περισσότερες υπηρεσίες CAM 275.
[0024] Σε μια περαιτέρω απεικόνιση ενός παραδείγματος λειτουργίας της μονάδας σε σχέση με την εκπαίδευση της δομής δεδομένων συσχέτισης 215, το Σχήμα 3 είναι ένα διάγραμμα ροής που απεικονίζει μια διαδικασία για την εκπαίδευση της δομής δεδομένων συσχέτισης. Ξεκινώντας στη βαθμίδα 305, λαμβάνεται ένα σύνολο παραμέτρων διαμόρφωσης για το ασύρματο κυψελωτό σύστημα επικοινωνιών 5G. Στη συνέχεια, κατά τη λειτουργία του ασύρματου κυψελωτού συστήματος επικοινωνιών 5G, λαμβάνονται διάφοροι δείκτες οχημάτων, για παράδειγμα θέση και ταχύτητα. Στη βαθμίδα 330, επιλέγεται μια συγκεκριμένη από τις αναπτυσσόμενες υπηρεσίες CAM στο ασύρματο κυψελωτό σύστημα επικοινωνιών 5G για συσχέτιση με τους δείκτες οχημάτων και στη βαθμίδα 340, υπολογίζεται ένας ή περισσότεροι δείκτες απόδοσης για τη συγκεκριμένη από τις αναπτυσσόμενες υπηρεσίες CAM, όπως η απόσταση των οχημάτων ή η πυκνότητα των οχημάτων ή η μέση ταχύτητα των οχημάτων ή η δυναμικότητα των οχημάτων, ως αναφορά λίγων παραδειγμάτων.
[0025] Στη βαθμίδα 350, οι υπολογισθέντες δείκτες απόδοσης για τη συγκεκριμένη από τις αναπτυσσόμενες υπηρεσίες CAM αποθηκεύονται σε ένα υπολογιστικό προϊόν σε σχέση με τις παραμέτρους διαμόρφωσης 5G και τη συγκεκριμένη από τις αναπτυσσόμενες υπηρεσίες CAM. Μετέπειτα, στη βαθμίδα απόφασης 360, προσδιορίζεται εάν παραμένουν προς επεξεργασία περαιτέρω υπηρεσίες CAM που αναπτύσσονται στο ασύρματο κυψελωτό σύστημα επικοινωνιών 5G. Εάν παραμένουν, η διαδικασία επιστρέφει στη βαθμίδα 330. Διαφορετικά, η διαδικασία επαναλαμβάνεται για ένα νέο σύνολο παραμέτρων διαμόρφωσης 5G στη βαθμίδα 310. Ανεξάρτητα ωστόσο, περιοδικά, τα αποθηκευμένα έγγραφα χρησιμοποιούνται στη συνέχεια για την ενημέρωση της δομής δεδομένων προβλέπουσας ως παράμετροι διαμόρφωσης εισόδου επισημασμένα με την αλήθεια εδάφους των δεικτών απόδοσης των αναφερόμενων υπηρεσιών CAM. Με αυτό τον τρόπο, η δομή δεδομένων προβλέπουσας ενημερώνεται συνεχώς με παρατηρούμενους δείκτες απόδοσης σε συσχέτιση με τη διαμόρφωση του ασύρματου κυψελωτού συστήματος επικοινωνιών 5G.
[0026] Είναι σημαντικό ότι το προαναφερθέν διάγραμμα ροής και το διάγραμμα βαθμιδών που αναφέρεται στο παρόν, απεικονίζουν την αρχιτεκτονική, τη λειτουργικότητα και τη λειτουργία των δυνατών υλοποιήσεων συστημάτων, μεθόδων και υπολογιστικών συσκευών σύμφωνα με διάφορες υλοποιήσεις της παρούσας εφεύρεσης. Από αυτή την άποψη, κάθε βαθμίδα στο διάγραμμα ροής ή στα διαγράμματα βαθμιδών μπορεί να αντιπροσωπεύει μια μονάδα, ένας τομέας ή ένα τμήμα εντολών, το οποίο περιλαμβάνει μια ή περισσότερες εκτελέσιμες εντολές για την υλοποίηση της καθορισμένης λογικής συνάρτησης ή των συναρτήσεων. Σε ορισμένες εναλλακτικές υλοποιήσεις, οι συναρτήσεις που σημειώνονται στη βαθμίδα μπορούν να συμβαίνουν εκτός της σειράς που σημειώνεται στα σχήματα. Για παράδειγμα, δύο βαθμίδες που δείχνονται σε σειρά μπορούν, πράγματι, να εκτελούνται ουσιαστικά ταυτόχρονα ή οι βαθμίδες μπορούν ορισμένες φορές να εκτελούνται με αντίστροφη σειρά, ανάλογα τη λειτουργικότητα που εμπλέκεται. Θα σημειωθεί επίσης ότι κάθε βαθμίδα των διαγραμμάτων βαθμιδών και/ή απεικόνισης διαγραμμάτων ροής, και συνδυασμοί βαθμιδών στα διαγράμματα βαθμιδών και/ή στις απεικονίσεις διαγραμμάτων ροής, μπορούν να υλοποιούνται από ειδικού σκοπού συστήματα βασισμένα στο υλικό τα οποία πραγματοποιούν τις καθορισμένες συναρτήσεις ή ενέργειες ή εκτελούν συνδυασμούς υλικού ειδικού σκοπού και εντολών υπολογιστή.
[0027] Πιο συγκεκριμένα, η παρούσα εφεύρεση μπορεί να υλοποιείται ως μια προγραμματικά εκτελέσιμη διαδικασία. Επίσης, η παρούσα εφεύρεση μπορεί να υλοποιείται στα πλαίσια μιας υπολογιστικής συσκευής στην οποία αποθηκεύονται προγραμματικές εντολές και από την οποία δίνεται η δυνατότητα στις προγραμματικές εντολές να φορτώνονται στη μνήμη ενός συστήματος επεξεργασίας δεδομένων και να εκτελούνται από εκεί ώστε να πραγματοποιείται η προαναφερθείσα προγραμματικά εκτελέσιμη διαδικασία. Περαιτέρω, η παρούσα εφεύρεση μπορεί να υλοποιείται στα πλαίσια ενός συστήματος επεξεργασίας δεδομένων προσαρμοσμένου ώστε να φορτώνει τις προγραμματικές εντολές από μια υπολογιστική συσκευή και στη συνέχεια να εκτελεί τις προγραμματικές εντολές ώστε να πραγματοποιεί την προαναφερθείσα προγραμματικά εκτελέσιμη διαδικασία.
[0028] Για το σκοπό αυτό, η υπολογιστική συσκευή είναι ένα μη προσωρινό μέσο αποθήκευσης με δυνατότητα ανάγνωσης από υπολογιστή ή μέσα που συγκρατούν σε αυτά ή αποθηκεύουν σε αυτά εντολές προγράμματος με δυνατότητα ανάγνωσης από υπολογιστή. Αυτές οι εντολές, όταν εκτελούνται από τη μνήμη από μια ή περισσότερες μονάδες επεξεργασίας ενός συστήματος επεξεργασίας δεδομένων, εξαναγκάζουν τις μονάδες επεξεργασίας να πραγματοποιούν διάφορες προγραμματικές διαδικασίες που αποτελούν παράδειγμα διαφόρων απόψεων της προγραμματικά εκτελέσιμης διαδικασίας. Από αυτή την άποψη, κάθε μια από τις μονάδες επεξεργασίας περιλαμβάνει μια συσκευή εκτέλεσης εντολών όπως μια κεντρική μονάδα επεξεργασίας (central processing unit) ή "CPU" ενός υπολογιστή. Ένας ή περισσότεροι υπολογιστές μπορούν να περιλαμβάνονται στο σύστημα επεξεργασίας δεδομένων. Ας σημειωθεί ότι ενώ η CPU μπορεί να είναι μια CPU μονού πυρήνα, θα γίνει κατανοητό ότι πολλαπλοί πυρήνες CPU μπορούν να λειτουργούν εντός της CPU και σε κάθε περίπτωση, οι εντολές φορτώνονται απευθείας από τη μνήμη σε έναν ή περισσότερους από τους πυρήνες μιας ή περισσότερων από τις CPU για εκτέλεση.
[0029] Εκτός από την απευθείας φόρτωση των εντολών από τη μνήμη για εκτέλεση από έναν ή περισσότερους πυρήνες μιας CPU ή πολλαπλών CPU, οι εντολές προγράμματος με δυνατότητα ανάγνωσης από υπολογιστή που περιγράφονται στο παρόν μπορούν εναλλακτικά να ανακτώνται μέσω ενός δικτύου επικοινωνίας υπολογιστών στη μνήμη ενός υπολογιστή του συστήματος επεξεργασίας δεδομένων για εκτέλεση σε αυτό. Επίσης, μόνο ένα τμήμα των εντολών προγράμματος μπορεί να ανακτάται στη μνήμη μέσω του δικτύου επικοινωνίας υπολογιστών, ενώ άλλα τμήματα μπορούν να φορτώνονται από διατηρούμενη μνήμη του υπολογιστή. Ακόμη περαιτέρω, μόνο ένα τμήμα των εντολών προγράμματος μπορεί να εκτελείται από έναν ή περισσότερους πυρήνες επεξεργασίας μιας ή περισσότερων CPU ενός από τους υπολογιστές του συστήματος επεξεργασίας δεδομένων, ενώ άλλα τμήματα μπορούν να εκτελούνται συνεργατικά σε έναν διαφορετικό υπολογιστή του συστήματος επεξεργασίας δεδομένων ο οποίος είτε βρίσκεται μαζί με τον υπολογιστή ή τοποθετείται απομακρυσμένα από τον υπολογιστή μέσω του δικτύου επικοινωνίας υπολογιστών με τα αποτελέσματα των υπολογισμών και των δύο υπολογιστών να χρησιμοποιούνται από κοινού μεταξύ τους.
[0030] Οι αντίστοιχες δομές, τα υλικά, οι ενέργειες και τα ισοδύναμα όλων των μέσων ή των στοιχείων της λειτουργίας βήματος συν στις αξιώσεις παρακάτω έχουν σκοπό να περιλαμβάνουν οποιαδήποτε δομή, υλικό ή ενέργεια για την πραγματοποίηση της λειτουργίας σε συνδυασμό με άλλα αξιούμενα στοιχεία όπως αξιώνεται συγκεκριμένα. Η περιγραφή της παρούσας εφεύρεσης έχει παρουσιαστεί με σκοπό την απεικόνιση και την περιγραφή, αλλά δεν έχει σκοπό να είναι εξαντλητική ή να περιορίζεται στην εφεύρεση με τη μορφή που δημοσιοποιείται. Πολλές τροποποιήσεις και παραλλαγές θα διαφανούν στα άτομα συνήθους δεξιότητας στην τεχνική χωρίς παρέκκλιση από το αντικείμενο και πνεύμα της εφεύρεσης. Η υλοποίηση επελέγη και περιγράφηκε ώστε να επεξηγεί με τον βέλτιστο τρόπο τις αρχές της εφεύρεσης και την πρακτική εφαρμογή και να δίνει τη δυνατότητα σε άλλα άτομα συνήθους δεξιότητας στην τεχνική να κατανοούν την εφεύρεση για διάφορες υλοποιήσεις με διάφορες τροποποιήσεις όπως είναι κατάλληλες στη συγκεκριμένη χρήση που εξετάζεται.
[0031] Έχοντας συνεπώς περιγράψει την εφεύρεση της παρούσας εφαρμογής λεπτομερώς και μέσω παραπομπής στις υλοποιήσεις αυτής, θα διαφανεί ότι είναι δυνατές τροποποιήσεις και παραλλαγές χωρίς παρέκκλιση από το αντικείμενο της εφεύρεσης που ορίζεται στις συνημμένες αξιώσεις ως ακολούθως:
Claims (15)
1. Μια μέθοδος για τη μοντελοποίηση συνδεδεμένων και αυτοματοποιημένων υπηρεσιών κινητικότητας (CAM) 5G για βελτιστοποίηση, η οποία περιλαμβάνει:
τον ορισμό διαφόρων παραμέτρων διαμόρφωσης ενός δικτύου επικοινωνιών 5G που διαμορφώνουν ένα κυψελωτό δίκτυο επικοινωνιών 5G που περιβάλλει μια γεωγραφική περιοχή υποστηρίζοντας τις μετακινήσεις οχημάτων,
την ανάθεση διαφόρων τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύου και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των οχημάτων,
την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων, και την αποστολή ερωτήματος στη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση της αποστολής ερωτήματος, συσχετισμένων δεικτών από τους αντίστοιχους δείκτες απόδοσης CAM.
2. Η μέθοδος της αξίωσης 1, όπου η δομή δεδομένων είναι ένα βαθύ νευρωνικό δίκτυο εκπαιδευμένο με τα διαφορετικά σύνολα των διαμορφώσεων δικτύου και τους συσχετισμένους αντίστοιχους δείκτες απόδοσης CAM για κάθε ένα από τα διαφορετικά σύνολα επισημαίνοντας το ένα από τα διαφορετικά σύνολα ως αλήθεια εδάφους στο βαθύ νευρωνικό δίκτυο.
3. Η μέθοδος της αξίωσης 1, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν την ελάχιστη απόσταση διαχωρισμού μεταξύ των οχημάτων που διατρέχουν τη γεωγραφική περιοχή.
4. Η μέθοδος της αξίωσης 1, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν τον μέγιστο αριθμό των οχημάτων που υπάρχουν στη γεωγραφική περιοχή.
5. Η μέθοδος της αξίωσης 1, όπου οι συσχετισμένοι αντίστοιχοι δείκτες απόδοσης CAM υπολογίζονται από δεδομένα αισθητήρων που λαμβάνονται ασύρματα στο κυψελωτό δίκτυο επικοινωνιών 5G από τα διάφορα οχήματα, καθώς τα διάφορα οχήματα διατρέχουν τη γεωγραφική περιοχή.
6. Ένα σύστημα επεξεργασίας δεδομένων προσαρμοσμένο για τη μοντελοποίηση συνδεδεμένων και αυτοματοποιημένων υπηρεσιών κινητικότητας (CAM) 5G για βελτιστοποίηση, με το σύστημα να περιλαμβάνει:
μια κεντρική υπολογιστική πλατφόρμα που περιλαμβάνει έναν ή περισσότερους υπολογιστές, κάθε ένας με μνήμη και μια ή περισσότερες μονάδες επεξεργασίας που περιλαμβάνουν έναν ή περισσότερους πυρήνες επεξεργασίας, και
μια μονάδα βελτιστοποίησης υπηρεσιών CAM που περιλαμβάνει εντολές προγράμματος υπολογιστή με δυνατότητα, κατά την εκτέλεση στη μνήμη τουλάχιστον μιας από τις μονάδες επεξεργασίας της κεντρικής υπολογιστικής πλατφόρμας, να πραγματοποιεί:
τον ορισμό διαφόρων παραμέτρων διαμόρφωσης δικτύου επικοινωνιών 5G που διαμορφώνουν ένα κυψελωτό δίκτυο επικοινωνιών 5G που περιβάλλει μια γεωγραφική περιοχή υποστηρίζοντας τις μετακινήσεις των οχημάτων, την ανάθεση διαφόρων τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύου και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των οχημάτων,
την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων, και
την αποστολή ερωτήματος στη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση της αποστολής ερωτήματος, συσχετισμένων δεικτών από τους αντίστοιχους δείκτες απόδοσης CAM.
7. Το σύστημα της αξίωσης 6, όπου η δομή δεδομένων είναι ένα βαθύ νευρωνικό δίκτυο εκπαιδευμένο με τα διαφορετικά σύνολα των διαμορφώσεων δικτύου και τους συσχετισμένους αντίστοιχους δείκτες απόδοσης CAM για κάθε ένα από τα διαφορετικά σύνολα επιση ραίνοντας το ένα από τα διαφορετικά σύνολα ως αλήθεια εδάφους στο βαθύ νευρωνικό δίκτυο.
8. Το σύστημα της αξίωσης 6, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν την ελάχιστη απόσταση διαχωρισμού μεταξύ των οχημάτων που διατρέχουν τη γεωγραφική περιοχή.
9. Το σύστημα της αξίωσης 6, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν τον μέγιστο αριθμό των οχημάτων που υπάρχουν στη γεωγραφική περιοχή.
10. Το σύστημα της αξίωσης 6, όπου οι συσχετισμένοι αντίστοιχοι δείκτες απόδοσης CAM υπολογίζονται από δεδομένα αισθητήρων που λαμβάνονται ασύρματα στο κυψελωτό δίκτυο επικοινωνιών 5G από τα διάφορα οχήματα, καθώς τα διάφορα οχήματα διατρέχουν τη γεωγραφική περιοχή.
11. Μια υπολογιστική συσκευή που περιλαμβάνει ένα μη προσωρινό μέσο αποθήκευσης με δυνατότητα ανάγνωσης από υπολογιστή με εντολές προγράμματος αποθηκευμένες σε αυτό, με τις εντολές να είναι εκτελέσιμες από τουλάχιστον έναν πυρήνα επεξεργασίας μιας μονάδας επεξεργασίας ώστε να εξαναγκάζει τη μονάδα επεξεργασίας να πραγματοποιεί μοντελοποίηση συνδεδεμένων και αυτοματοποιημένων υπηρεσιών (CAM) 5G για βελτιστοποίηση, η οποία περιλαμβάνει:
τον ορισμό διαφόρων παραμέτρων διαμόρφωσης ενός δικτύου επικοινωνιών 5G που διαμορφώνουν ένα κυψελωτό δίκτυο επικοινωνιών 5G που περιβάλλει μια γεωγραφική περιοχή υποστηρίζοντας τις μετακινήσεις οχημάτων,
την ανάθεση διαφόρων τιμών σε κάθε μια από τις διάφορες παραμέτρους σε διαφορετικά σύνολα διαμορφώσεων δικτύου και τη συσχέτιση κάθε ενός από τα διαφορετικά σύνολα με αντίστοιχους δείκτες απόδοσης CAM των μετακινήσεων των οχημάτων,
την αποθήκευση των συσχετισμένων συνόλων σε μια δομή δεδομένων, και την αποστολή ερωτήματος στη δομή δεδομένων με ένα νέο σύνολο τιμών για τις παραμέτρους και τη λήψη σε απόκριση της αποστολής ερωτήματος, συσχετισμένων δεικτών από τους αντίστοιχους δείκτες απόδοσης CAM.
12. Η συσκευή της αξίωσης 11, όπου η δομή δεδομένων είναι ένα βαθύ νευρωνικό δίκτυο εκπαιδευμένο με τα διαφορετικά σύνολα των διαμορφώσεων δικτύου και τους συσχετισμένους αντίστοιχους δείκτες απόδοσης CAM για κάθε ένα από τα διαφορετικά σύνολα επιση ραίνοντας το ένα από τα διαφορετικά σύνολα ως αλήθεια εδάφους στο βαθύ νευρωνικό δίκτυο.
13. Η συσκευή της αξίωσης 11, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν την ελάχιστη απόσταση διαχωρισμού μεταξύ των οχημάτων που διατρέχουν τη γεωγραφική περιοχή.
14. Η συσκευή της αξίωσης 11, όπου οι δείκτες απόδοσης CAM περιλαμβάνουν τον μέγιστο αριθμό των οχημάτων που υπάρχουν στη γεωγραφική περιοχή.
15. Η συσκευή της αξίωσης 11, όπου οι συσχετισμένοι αντίστοιχοι δείκτες απόδοσης CAM υπολογίζονται από δεδομένα αισθητήρων που λαμβάνονται ασύρματα στο κυψελωτό δίκτυο επικοινωνιών 5G από τα δι διατρέχουν τη γεωγραφική περιοχή.
άφορα οχήματα, καθώς τα διάφορα οχήματα
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20220100816A GR1010554B (el) | 2022-10-04 | 2022-10-04 | Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g |
| US17/990,701 US11706112B1 (en) | 2022-10-04 | 2022-11-20 | Machine learning (ML) optimization for 5G connected and automated mobility (CAM) services |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20220100816A GR1010554B (el) | 2022-10-04 | 2022-10-04 | Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| GR1010554B true GR1010554B (el) | 2023-10-11 |
Family
ID=85685233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| GR20220100816A GR1010554B (el) | 2022-10-04 | 2022-10-04 | Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11706112B1 (el) |
| GR (1) | GR1010554B (el) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210112441A1 (en) * | 2020-12-23 | 2021-04-15 | Dario Sabella | Transportation operator collaboration system |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL137123A (en) | 2000-07-02 | 2009-07-20 | Ofer Avni | Method for monitoring cellular communications and system therefor |
| US7773985B2 (en) | 2003-09-22 | 2010-08-10 | United Parcel Service Of America, Inc. | Symbiotic system for testing electromagnetic signal coverage in areas near transport routes |
| US10321339B2 (en) | 2014-10-23 | 2019-06-11 | Ge Global Sourcing Llc | Communication system and method for correlating wireless communication performance with vehicle system configurations |
| US10660111B2 (en) | 2018-03-19 | 2020-05-19 | Verizon Patent And Licensing Inc. | Network resource allocation for unmanned aerial vehicles |
| US10965529B2 (en) | 2018-04-05 | 2021-03-30 | Phantom Auto Inc. | Platform for vehicle cooperation and coordination of services |
| US11006282B2 (en) | 2018-04-12 | 2021-05-11 | Phantom Auto Inc. | Optimizing wireless networking using a virtual geographic information system overlay |
| US20240177536A9 (en) * | 2018-09-30 | 2024-05-30 | Strong Force Tp Portfolio 2022, Llc | Intelligent transportation systems including digital twin interface for a passenger vehicle |
| EP3980723B1 (en) * | 2019-06-10 | 2023-04-19 | Joby Aero, Inc. | Time varying loudness prediction system for determining a route for an aerial vehicle |
| US11375352B2 (en) | 2020-03-25 | 2022-06-28 | Intel Corporation | Devices and methods for updating maps in autonomous driving systems in bandwidth constrained networks |
| US11386776B2 (en) * | 2020-10-05 | 2022-07-12 | Qualcomm Incorporated | Managing a driving condition anomaly |
| US11496707B1 (en) * | 2021-03-23 | 2022-11-08 | Zoox, Inc. | Fleet dashcam system for event-based scenario generation |
| AU2022274234A1 (en) * | 2021-05-11 | 2023-12-07 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
-
2022
- 2022-10-04 GR GR20220100816A patent/GR1010554B/el active IP Right Grant
- 2022-11-20 US US17/990,701 patent/US11706112B1/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210112441A1 (en) * | 2020-12-23 | 2021-04-15 | Dario Sabella | Transportation operator collaboration system |
Non-Patent Citations (2)
| Title |
|---|
| BARMPOUNAKIS SOKRATIS ET AL: "AI-driven, QoS prediction for V2X communications in beyond 5G systems", COMPUTER NETWORKS, ELSEVIER, AMSTERDAM, NL, vol. 217, 15 September 2022 (2022-09-15), XP087195345, ISSN: 1389-1286, [retrieved on 20220915], DOI: 10.1016/J.COMNET.2022.109341 * |
| BARMPOUNAKIS SOKRATIS ET AL: "LSTM-based QoS prediction for 5G-enabled Connected and Automated Mobility applications", 2021 IEEE 4TH 5G WORLD FORUM (5GWF), IEEE, 13 October 2021 (2021-10-13), pages 436 - 440, XP034025373, DOI: 10.1109/5GWF52925.2021.00083 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11706112B1 (en) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11132608B2 (en) | Learning-based service migration in mobile edge computing | |
| Feng et al. | AVE: Autonomous vehicular edge computing framework with ACO-based scheduling | |
| US20210112441A1 (en) | Transportation operator collaboration system | |
| US11427215B2 (en) | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment | |
| US11102630B2 (en) | Method for service placement in a multi-access/mobile edge computing (MEC) system | |
| US20180288502A1 (en) | Information collection system and information collection apparatus | |
| US20190320328A1 (en) | Optimizing wireless networking using a virtual geographic information system overlay | |
| CN110579214B (zh) | 无人机路径规划方法和装置 | |
| CN108683468B (zh) | 基于数据预测的水下传感网络中auv移动数据收集算法 | |
| WO2020135278A1 (zh) | 一种数据传输方法、装置及系统 | |
| Abouaomar et al. | A deep reinforcement learning approach for service migration in mec-enabled vehicular networks | |
| EP4175235A1 (en) | Network element management method, network management system, independent computing node, computer device, and storage medium | |
| EP3076728B1 (en) | Wireless network availability for a moving network based on location determination | |
| WO2020152389A1 (en) | Machine learning for a communication network | |
| Christopoulou et al. | Artificial Intelligence and Machine Learning as key enablers for V2X communications: A comprehensive survey | |
| WO2023147892A1 (en) | Long-term accurate crowd estimation in smart cities | |
| CN113179296B (zh) | 一种用于车载边缘计算系统的任务卸载方法 | |
| GR1010554B (el) | Βελτιστοποιηση μηχανικης εκμαθησης (με) για συνδεδεμενες και αυτοματοποιημενες υπηρεσιες κινητικοτητας (σακ) 5g | |
| US20230156520A1 (en) | Coordinated load balancing in mobile edge computing network | |
| US20210120491A1 (en) | Information processing apparatus, control method, and program | |
| CN113422797B (zh) | 一种用于车联网的更新地图的方法及系统 | |
| US11323858B2 (en) | Position delegation for improved vehicular cloud operation | |
| Ucar et al. | Signal phase and timing by a vehicular cloud | |
| EP4211555A1 (en) | Scheduling for federated learning | |
| CN111641969A (zh) | 基于边缘计算的无线多跳自组网数据分发方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PG | Patent granted |
Effective date: 20231113 |