[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

专利信息
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
【权利要求书】:

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,observedxx时刻的车辆实际位置,predictedx为初始预测模型预测输出的x时刻车辆的位置。

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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top