[发明专利]一种基于MEC的车辆防碰撞深度学习方法及其系统在审
申请号: | 202210277647.3 | 申请日: | 2022-03-21 |
公开(公告)号: | CN114691359A | 公开(公告)日: | 2022-07-01 |
发明(设计)人: | 江凌云;顾佳赛 | 申请(专利权)人: | 南京邮电大学 |
主分类号: | G06F9/50 | 分类号: | G06F9/50;G06N3/04;G06N3/08 |
代理公司: | 南京纵横知识产权代理有限公司 32224 | 代理人: | 韩红莉 |
地址: | 210037 江苏*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 mec 车辆 碰撞 深度 学习方法 及其 系统 | ||
1.一种基于MEC的车辆防碰撞深度学习方法,其特征在于,包括:
步骤1,获得t+1时刻每个MEC服务器连接的车辆数量;
步骤2,基于t+1时刻每个MEC服务器连接的车辆数量,依次判断t+1时刻每个MEC服务器所需的虚拟CPU数量是否大于等于该MEC服务器当前实际虚拟CPU数量,若是则该MEC服务器存在过载,搜索其他MEC服务器,将其他MEC服务器空闲的虚拟CPU分配给该MEC服务器;
步骤3,重复执行步骤2,直到所有MEC服务器序不存在过载情况;
步骤4,MEC服务器搭载运行防碰撞应用程序实例。
2.根据权利要求1所述的一种基于MEC的车辆防碰撞深度学习方法,其特征在于,
获得t+1时刻每个MEC服务器将要连接的车辆数量,包括:
获取t时刻车辆的位置;
t时刻车辆的位置输入训练获得的LSTM移动预测模型,获得t+1时刻车辆的位置;
基于t+1时刻车辆的位置,统计得到每个MEC服务器将要连接的车辆数量。
3.根据权利要求1所述的一种基于MEC的车辆防碰撞深度学习方法,其特征在于,
训练获得LSTM移动预测模型,包括:
步骤1.1,构建初始预测模型:
步骤1.2,将训练集输入初始预测模型,采用随机梯度下降法对初始预测模型进行训练,利用Softmax函数对初始预测模型的输出结果进行归一化处理;
步骤1.3,将包括多个测试样本的测试集输入初始预测模型,若初始预测模型满足合格条件,则将该输出预测模型作为最终的LSTM移动预测模型,否则重新获取训练集,执行步骤1.2。
4.根据权利要求3所述的一种基于MEC的车辆防碰撞深度学习方法,其特征在于,
采用随机梯度下降法对初始预测模型进行训练,学习率选取为0.01,batch-size选取为50。
5.根据权利要求3所述的一种基于MEC的车辆防碰撞深度学习方法,其特征在于,
初始预测模型包括全连接输入层、三个堆叠LSTM层和全连接输出层,全连接输入层、三个堆叠LSTM层和全连接输出层依次连接。
6.根据权利要求3所述的一种基于MEC的车辆防碰撞深度学习方法,其特征在于,
初始预测模型满足合格条件为:
初始预测模型预测输出车辆的位置,均方差误差RMSE小于设定的误差阈值;
均方差误差RMSE的计算公式为:
,
式中,N为测试样本总数,
7.一种基于MEC的车辆防碰撞深度学习方法系统,其特征在于,包括:
LSTM移动预测模块,用于获得t+1时刻每个MEC服务器连接的车辆数量;
CLS决策模块,用于基于t+1时刻每个MEC服务器连接的车辆数量,依次判断t+1时刻每个MEC服务器所需的虚拟CPU数量是否大于等于该MEC服务器当前实际虚拟CPU数量,若是则该MEC服务器存在过载,搜索其他MEC服务器,将其他MEC服务器空闲的虚拟CPU分配给该MEC服务器,直到所有MEC服务器序不存在过载情况;
防碰撞应用程序实例模块,用于MEC服务器搭载运行防碰撞应用程序实例。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京邮电大学,未经南京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210277647.3/1.html,转载请声明来源钻瓜专利网。