[发明专利]工业互联网信任值共享方法、装置、电子设备及存储介质

权利要求书

1.一种工业互联网信任值共享方法，其特征在于，包括：

获取工业互联网中的运动节点和基站节点；

获取所述运动节点的路径信息和信任值；

将所述路径信息输入预先训练好的深度学习网络模型；

通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；

基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。

2.根据权利要求1所述的方法，其特征在于，所述将所述路径信息输入预先训练好的深度学习网络模型，包括：

根据所述路径信息构建具有颜色特征的像素图；

将所述像素图作为所述深度学习网络模型的输入。

3.根据权利要求2所述的方法，其特征在于，所述路径信息包括所述运动节点的当前位置和终点、以及所述工业互联网的事故信息、障碍信息和拥堵信息；

所述根据所述路径信息构建具有颜色特征的像素图，包括：

将包括所述路径信息的地图转换为所述像素图，其中，将所述地图中的路口标记为所述像素图中的交叉像素点，将所述地图中的相邻路口之间的道路标记为所述像素图中的线段；

将所述像素图中所述当前位置对应的像素点设置为第一颜色；

将所述像素图中所述终点对应的所述像素点设置为第二颜色；

将所述像素图中所述事故信息对应的所述像素点设置为第三颜色；

将所述像素图中所述障碍信息对应的所述像素点设置为第四颜色；

将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色。

4.根据权利要求3所述的方法，其特征在于，所述将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色，包括：

基于所述拥堵信息中的交通流量信息调整所述第五颜色的深度。

5.根据权利要求1所述的方法，其特征在于，所述通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向，包括：

响应于确定所述运动节点遇到路口，计算所述运动节点在每个行驶方向的所述奖励函数对应的奖励值；

根据如下公式计算所述奖励值：

其中，reward_t为所述奖励函数，r_barrier为遇到所述障碍信息的所述奖励值，r_accident为接收所述事故信息的所述奖励值，flow_threshold为满足所述运动节点正常行驶速度的所述交通流量信息，r_flow为所述交通流量信息满足正常行驶速度时所述奖励值，r_reach为所述运动节点到达目的地时的所述奖励值；

将最大所述奖励值对应的所述行驶方向作为所述运动节点的预测行驶方向。

6.根据权利要求1所述的方法，其特征在于，所述深度学习网络的训练过程包括：

获取多个训练像素图作为训练集；

获取所述训练集对应的初始奖励函数；

基于所述训练集对所述深度学习网络中的所述初始奖励函数进行训练；

将训练完成的所述初始奖励函数作为所述奖励函数。

7.根据权利要求1所述的方法，其特征在于，所述基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点，包括：

采用椭圆曲线和哈希函数对所述信任值进行加密，得到加密信任值；

将所述加密信任值发送到所述预测行驶方向上的下一个所述基站节点。