System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 车载边缘计算中基于移动性预测的服务迁移方法技术_技高网
当前位置: 首页 > 专利查询>东北大学专利>正文

车载边缘计算中基于移动性预测的服务迁移方法技术

技术编号:40965671 阅读:6 留言:0更新日期:2024-04-18 20:45
本发明专利技术属于边缘计算应用技术领域,公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据,使用车辆移动性预测模型预测车辆位置;根据预测的车辆位置,使用预测误差估计模型进行预测误差估计,并根据估计的预测误差修正车辆位置预测结果;基于修正的车辆位置预测结果,通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明专利技术可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式,加快模型的学习速度,增强模型的探索能力,提升模型决策的效果。通过引入动作价值函数,让服务迁移策略的评价不再只依赖于状态价值函数,而是转换为动作价值函数与状态价值函数的比较,以提升蒸馏效率。

【技术实现步骤摘要】

本专利技术涉及边缘计算应用,尤其涉及一种车载边缘计算中基于移动性预测的服务迁移方法


技术介绍

1、车载边缘计算是指在车辆周围部署的边缘节点上进行计算的技术。在车联网中,车辆需要与周围环境如其他车辆和道路设施等进行通信和数据交换,因此需要处理大量的数据。传统的方式是将这些数据传输到云端进行处理,但是由于带宽限制和网络延迟等问题,这种方式存在一定的局限性。而车载边缘计算则可以将数据处理和存储转移到车辆周围的边缘节点上,这样可以降低数据传输的延迟和带宽要求,同时提高数据安全性和隐私保护。车载边缘计算可以支持实时的数据处理和决策,如智能导航、车辆诊断和预警等。中国专利“cn202211697891,一种基于移动性预测的边缘服务主动迁移方法”,该专利技术基于用户移动的历史轨迹预测获得用户移动的下一个位置,并直接将该位置所在的边缘服务器作为迁移的目标边缘服务器。而本专利技术使用强化学习方法来制定服务迁移决策,所制定的服务迁移决策的服务质量更高;中国专利“cn201910885221,一种车联网服务动态迁移方法”,该专利技术考虑迁移过程中业务qos的降级和移动速度对迁移决策的影响的问题,根据车辆的移动速度进行迁移成本和服务qos的动态均衡。而本专利技术先预测用户移动性,然后基于预测的用户位置使用强化学习制定服务迁移决策,所制定决策更加高效。


技术实现思路

1、针对上述问题,本专利技术针对性地提出一种车载边缘计算中基于移动性预测的服务迁移方法。

2、本专利技术的技术方案如下:一种车载边缘计算中基于移动性预测的服务迁移方法,具体步骤如下;

3、步骤一、获取车辆位置数据,使用车辆移动性预测模型预测车辆位置;

4、步骤二、根据预测的车辆位置,使用预测误差估计模型进行预测误差估计,并根据估计的预测误差修正车辆位置预测结果;

5、步骤三、基于修正的车辆位置预测结果,通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。

6、所述车辆移动性预测模型包括tcn编码器、两阶段注意力机制、全连接层、车辆交互感知模块和lstm预测模块;两阶段注意力机制分别为时间通道注意力机制、交互感知注意力机制;

7、给定一个车辆位置的输入序列,设为目标车辆的历史位置数据,将输入到时间通道注意力机制中:

8、

9、为目标车辆经时间通道注意力机制输出的车辆位置特征、为时间通道注意力机制;

10、将周围车辆的历史位置数据输入到时间通道注意力机制中表示为:

11、

12、为周围车辆经时间通道注意力机制输出的周围车辆位置特征;

13、将、分别作为tcn编码器的输入,分别得到目标车辆的位置特征、周围车辆的位置特征,表示为:

14、

15、

16、将tcn编码器输出的周围车辆的位置输入到车辆交互感知模块中,表示为:

17、

18、将目标车辆的位置特征输入到全连接层,表示为:

19、

20、将交互感知模块的输出和全连接层的输出结果进行拼接,表示为:

21、

22、将输入到交互感知注意力机制中,表示为:

23、

24、其中,为交互感知注意力机制的权重向量;

25、将交互感知注意机制的输出作为lstm预测模块的输入,得到目标车辆的预测位置,表示为:

26、。

27、所述时间通道注意力机制具体为:

28、给定一个车辆历史位置时间序列,先经过一个全局池化,设表示学习的卷积核集合,其中表示第个卷积核的参数,将全局池化的输出表示为,其中,

29、

30、进行压缩操作,将一个时间通道上整个空间特征编码为一个全局特征,表示为:

31、

32、为大小的向量;表示平均池化操作;表示时间通道的维度大小;表示第个特征;应用激励操作调整每个通道特征的权重,表示为:

33、

34、其中,,,表示形函数,relu表示relu激活函数;通过激励操作重新调整后的权重序列与相乘得到重新调整的时间序列数据:

35、。

36、所述交互感知注意力机制具体为:给定交互感知特征和目标车辆历史位置特征的拼接向量,将拼接向量通过非线性函数映射到,表示为:

37、

38、其中,为交互感知注意力机制的权重向量,定义为:

39、

40、其中, ,和是需要学习的参数,是偏差项。

41、所述预测误差估计模型具体为:

42、获取目标车辆个时隙的历史预测误差作为误差序列,表示为;目标车辆的个位置样本表示为;使用自回归函数来计算误差,表示为:

43、

44、其中,为随机干扰项;自回归函数表示为:

45、

46、其中,为利用最终预测误差法确定的维数,为通过交叉验证法确定的最优带宽;为使用核密度估计计算的联合概率密度函数,表示如下:

47、

48、其中,为核函数或窗函数,代表第个移动性预测误差变量的平滑系数。

49、所述步骤三的服务迁移决策模型具体为;状态集合表示为,其中,表示车辆用户时隙修正车辆位置预测结果,表示当前正在使用的服务器编号,表示车辆用户与服务器间的传输速率,表示处理车辆用户请求任务所需要的cpu周期,表示任务大小;服务迁移决策结果为一组0、1向量,表示为,表示服务器数量,表示第个服务器的动作向量,表示是否迁移服务到服务器;当动作为1时,将服务迁移到此服务器,动作为0时,服务则不迁移到此服务器;

50、

51、双策略蒸馏是在同一环境下使运行的两个服务迁移策略之间进行知识转移,和为两种服务迁移策略;通过比较两个服务迁移策略的优劣,来执行双策略蒸馏,当策略优于,则将蒸馏置,令,当策略优于,则将蒸馏置,令;

52、使用经典的ddpg算法进行两个服务迁移策略的求解,求解服务迁移决策的目标函数表示为:

53、

54、其中,为时间步长的状态分布,为ddpg中的actor网络的策略函数,为值函数参数,为动作;

55、actor网络的损失函数为:

56、

57、其中,为批处理大小;

58、值函数的更新式为:

59、

60、其中,为折扣因子,和为目标网络。

61、本专利技术的有益效果:

62、(1)本专利技术提出了一种针对车辆实时位置预测的新方法,该方法基于时间卷积网络框架,并引入了两阶段注意力机制,以提高车辆预测的准确性和合理性。该方法在第一阶段中采用时间通道注意力机制来放大贡献较大的历史节点。然后,通过交互感知注意力机制对目标车辆历史位置特征和周围车辆交互感知特征进行加权,以捕获周围车辆不同的影响程度,并考虑目标车辆自身历史特征和周围车辆交互特征之本文档来自技高网...

【技术保护点】

1.一种车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,具体步骤如下;

2.根据权利要求1所述的车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,所述车辆移动性预测模型包括TCN编码器、两阶段注意力机制、全连接层、车辆交互感知模块和LSTM预测模块;两阶段注意力机制分别为时间通道注意力机制、交互感知注意力机制;

3.根据权利要求2所述的车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,所述时间通道注意力机制具体为:

4.根据权利要求2或3所述的车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,所述交互感知注意力机制具体为:

5.根据权利要求4所述的车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,所述预测误差估计模型具体为:

【技术特征摘要】

1.一种车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,具体步骤如下;

2.根据权利要求1所述的车载边缘计算中基于移动性预测的服务迁移方法,其特征在于,所述车辆移动性预测模型包括tcn编码器、两阶段注意力机制、全连接层、车辆交互感知模块和lstm预测模块;两阶段注意力机制分别为时间通道注意力机制、交互感知注意力机制;

3....

【专利技术属性】
技术研发人员:毕远国刘羽霏肖嘉池黄子烜刘雨衡胡兵樊彦伯张星
申请(专利权)人:东北大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1