[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

说明书

本发明公开了一种基于MEC的车辆防碰撞深度学习方法及其系统，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。本发明对所需MEC服务器的计算资源进行预测；该方法使用深度学习来预测由MEC服务器提供服务的车辆密度，并计算和分配MEC服务器所需的确切计算资源，以达到最佳运行状态。

技术领域

本发明涉及一种基于MEC的车辆防碰撞深度学习方法及其系统，属于车辆防碰撞预测技术领域。

背景技术

在5G和车联网的愿景中，联网车辆和自动驾驶是设想的关键应用之一；它们不仅影响移动运营商和汽车制造商的业务，也影响日常生活。连接车辆和自动驾驶涉及几个组件，如传感器、执行器和应用程序，这些组件需要协调，以实现设想的车辆自主性。对自动驾驶的关键服务之一是碰撞消除/回避系统。它包括持续地从车辆上收集数据，并使用这些数据来预测碰撞，传达警报或向车辆发送命令，以避免与其他车辆发生碰撞。碰撞消除/避免服务包括在车辆上运行并收集数据的应用程序，数据包括GPS坐标、速度和加速度，以及托管在云基础设施上运行碰撞检测的远程应用程序。

后者可以在适当时向车辆发送控制命令，如减速、改变方向或刹车。在5G及更高版本中运行防碰撞服务的主要要求之一是车辆和基础设施中的远程应用程序之间的低延迟连接。为了确保低强度的通信，部署几个防碰撞应用程序实例，例如，在道路十字路口和靠近基站使用移动边缘计算。这确保了每个车辆都连接到封闭的防碰撞应用程序实例，从而保证了低延迟的通信。

在终端用户附近部署MEC服务器，例如，在基站附近。因此，所有数据都可以在本地处理，而不涉及远程云服务器，从而减少了延迟和整个网络所携带的流量。MEC服务器分布在整个网络中，为诸如延迟周期碰撞检测/避免应用程序等延迟敏感应用程序提供分布式和低延迟计算资源。实际上，后者需要与远程车辆的低延迟通信，因为控制命令如刹车或减速，需要被车辆接近实时地接收，以应对任何威胁并避免碰撞。如前所述，一个相关的解决方案是在MEC上定位冲突并删除应用程序的几个实例，从而减少端到端通信延迟。不同的实例可用于覆盖所有道路交叉口；每辆车辆应始终与应用实例连接。但是，复制应用程序的实例数可能会增加MEC服务器计算资源的负担，包括CPU使用、内存和存储等。但是，与中央云服务器相比，MEC服务器资源有限。在这种情况下，MEC运营商优化MEC资源的使用是至关重要的，特别是考虑到5G将依赖MEC来支持需要低延迟的服务，如数据缓存和虚拟/增强现实(虚拟R/AR)。因此，确保MEC计算资源的有效共享至关重要。

虽然通过MEC系统能够解决车辆之间的碰撞避免问题，但考虑到MEC服务器与集中式云服务器相比的容量有限，MEC计算资源的使用情况与碰撞检测方案需要深入考虑，它主要取决于避撞系统的余差。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于MEC的车辆防碰撞深度学习方法及其系统，旨在更好地优化整体MEC的计算资源，保证低响应时间。所提出的方法使用长期短期记忆(LSTM)预测车辆的移动性，并根据它们在网络中的位置，获得所需的计算资源：一方面，增加服务于大量车辆的防碰撞应用程序实例的MEC服务器的计算资源；另一方面，减少了覆盖少量连接车辆的防碰撞应用程序实例的计算资源。

为达到上述目的，本发明提供一种基于MEC的车辆防碰撞深度学习方法，包括：

步骤1，获得t+1时刻每个MEC服务器连接的车辆数量；