基于车辆移动性的资源分配方法组成比例

本发明专利技术涉及车联网通信技术领域，具体涉及一种基于车辆移动性的资源分配方法。本发明专利技术在传统的联邦监督学习的基础上提出新的联邦自监督学习的概念，在保护用户隐私的基础上，不再利用标签数据训练模型；在联邦自监督学习的过程中，本发明专利技术在联邦的每一个轮次中考虑能量消耗和时延的问题，建立优化目标，利用深度强化学习找出每辆车最优的传输功率和自身CPU频率；本发明专利技术在车辆上传数据时考虑到上传失败的情况，并且通过限制最低的传输功率将上传失败的概率控制在一定范围；本发明专利技术最终在提升模型分类准确率的基础上，找到本地迭代次数和能量消耗之间的折中。

【技术实现步骤摘要】

本专利技术属于车联网通信，具体涉及一种基于车辆移动性的资源分配方法。

技术介绍

1、车联网(iov)将车辆与其他车辆(v2v)、行人(v2p)、网络(v2n)和基础设施(v2i)通信连接起来，称为v2x通信。车联网的进步使许多实用应用成为可能，包括自动导航、气象信息和路况检测等。这些应用为驾驶员提供了便利，也降低了道路上发生事故的可能性，提升了运输系统的效率。训练一个好模型需要大量数据的支撑，车辆通过自身携带的设备在行驶过程中能够不断收集新鲜的数据，包括速度、道路情况、环境状况等。这些数据大多以图像的形式被车辆捕获。与传统的车载雷达收集图像数据相比，基于视觉的测量(vbm)，例如相机，已成为一种有前途的新图像收集范式，实现收集高质量的环境信息。

2、自动驾驶系统中利用安装在车辆顶部的相机获得环境信息，相机在收集到足够的数据后，车辆利用自身设备训练本地模型。传统监督学习方法依赖大量人工标注数据，导致人工成本显著增加。相比之下，自监督学习无需依赖标签，通过利用数据内在的结构关系实现学习。在物联网环境中，图像数据每天都会产生，自监督学习的应用不仅降低本文档来自技高网...

【技术保护点】

1.基于车辆移动性的资源分配方法，其特征在于：包括：

2.如权利要求1所述的基于车辆移动性的资源分配方法，其特征在于：所述步骤(3)具体训练过程为：车辆自身携带ResNet模型，即本地模型，其结构和BS部署的全局模型一致；

3.如权利要求1所述的基于车辆移动性的资源分配方法，其特征在于：所述步骤(5)模糊等级的计算方法为：BS根据车辆上一轮上传的速度，计算出对应车辆的模糊等级；该速度反映了车辆在上一轮参与训练时图像采集的速度，用以评估图像模糊程度，从而影响模型训练的权重分配。

4.如权利要求3所述的基于车辆移动性的资源分配方法，其特征在于：所述步骤(5...

【技术特征摘要】

1.基于车辆移动性的资源分配方法，其特征在于：包括：

2.如权利要求1所述的基于车辆移动性的资源分配方法，其特征在于：所述步骤(3)具体训练过程为：车辆自身携带resnet模型，即本地模型，其结构和bs部署的全局模型一致；

3.如权利要求1所述的基于车辆移动性的资源分配方法，其特征在于：所述步骤(5)模糊等级的计算方法为：bs根据车辆上一轮上传的速度，计算出对应车辆的模糊等级；该速度反映了车辆在上一轮参与训练时图像采集的速度，用以评估图像模糊程度，...

【专利技术属性】
技术研发人员：顾雪莹，吴琼，茅正冲，
申请(专利权)人：信控宿迁科技有限公司，
类型：发明
国别省市：