-
公开(公告)号：CN117688257B
公开(公告)日：2024-07-05
申请号：CN202410120177.9
申请日：2024-01-29
Applicant: 东北大学
IPC: G06F16/9537 , G06F18/23213 , G06F18/22 , G06N3/092
Abstract: 本发明属于智能交通技术领域，公开了一种面向异构用户行为模式的长期轨迹预测方法。度量轨迹中多个维度的相似性，构建可学习的距离权重矩阵，获得融合多维距离得分；构建邻接矩阵，进行轨迹聚类，聚类结果用于强化学习中优化可学习的距离权重矩阵中的参数；使用轨迹聚类每一个聚类簇中的轨迹数据训练轨迹预测模型，训练后的轨迹预测模型作为轨迹预测。本发明将具有相同行为模式的轨迹划分在一个类内差异较小的簇中，然后使用引入时间和速度信息编码的堆叠Transform结构来提取并融合多属性轨迹中的多维特征，并进一步产生长期轨迹预测结果。对于智能交通场景，面向异构用户行为模式的长期轨迹预测方法具有相当的适用价值。
-
公开(公告)号：CN117880858A
公开(公告)日：2024-04-12
申请号：CN202410275005.9
申请日：2024-03-12
Applicant: 东北大学
Abstract: 本发明属于机器人智能决策与控制技术领域，公开了一种基于通信学习的多无人机轨迹优化和功率控制方法，能够在较低能耗的情况下最大化满足服务质量的用户数量。本发明设计了一个通信机制，增设记忆存储设备以帮助UAV‑ABS获取和利用其他无人机的经验，并存储自身学习到的经验。为了构建更有效的无人机合作策略并降低网络模型部署的成本，本发明设计了集中注意力评论家神经网络，能够减少冗余信息，并解决随着UAV‑ABS和地面用户数量增加而出现的维度灾难问题。
-
公开(公告)号：CN119907049A
公开(公告)日：2025-04-29
申请号：CN202510114803.8
申请日：2025-01-24
Applicant: 东北大学
IPC: H04W28/08 , H04W28/084 , H04W84/06 , G06N3/092 , G06N3/0442 , G06N3/0499
Abstract: 本发明属于卫星边缘计算领域，公开一种卫星边缘计算中星地协同服务迁移方法。构建信息提取结构进行信息提取，得到关键时序信息；设计一种星地协同的服务迁移多智能体强化学习算法，关键时序信息作为星地协同的服务迁移多智能体强化学习算法中的观测值，强化学习得到最优服务迁移策略。本发明提出结合时间注意力机制和双向门控循环单元的信息提取方法，有效捕捉历史数据中的时序模式，提高服务迁移决策精度。结合地面基站与低轨卫星网络的协同优化，采用Actor‑Critic结构和全局Critic机制，优化跨网络服务迁移，降低迁移成本和服务中断时间，提升用户服务体验。本发明在奖励值、迁移成本和用户获取服务时延方面表现出显著优势。
-
公开(公告)号：CN117880858B
公开(公告)日：2024-05-10
申请号：CN202410275005.9
申请日：2024-03-12
Applicant: 东北大学
Abstract: 本发明属于机器人智能决策与控制技术领域，公开了一种基于通信学习的多无人机轨迹优化和功率控制方法，能够在较低能耗的情况下最大化满足服务质量的用户数量。本发明设计了一个通信机制，增设记忆存储设备以帮助UAV‑ABS获取和利用其他无人机的经验，并存储自身学习到的经验。为了构建更有效的无人机合作策略并降低网络模型部署的成本，本发明设计了集中注意力评论家神经网络，能够减少冗余信息，并解决随着UAV‑ABS和地面用户数量增加而出现的维度灾难问题。
-
Patent Agency Ranking
公开(公告)号：CN117891532B
公开(公告)日：2024-07-05
申请号：CN202410298713.4
申请日：2024-03-15
Applicant: 东北大学
Abstract: 本发明属于移动边缘计算网络技术领域，公开了一种基于注意力多指标排序的终端能效优化卸载方法。旨在优化移动边缘计算网络中的任务卸载效率，特别关注于时延和能耗的优化。这种方法综合考虑了任务的多个关键因素，如退出任务频率、计算工作负载、时间紧迫性以及每比特的应用完成率，以确定任务的优先级顺序。该方法采用强化学习算法和图卷积网络，以有效提取依赖性任务之间的图结构特征，并引入注意力机制来专注于重要特征的权重训练，同时使用熵奖励概念来提高训练的收敛速度和稳定性。这一方法为移动边缘计算领域提供了一种全新的优化卸载策略，有助于满足5G时代对高性能移动服务的需求。
-
公开(公告)号：CN117835329B
公开(公告)日：2024-07-05
申请号：CN202410241235.3
申请日：2024-03-04
Applicant: 东北大学
IPC: H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
Abstract: 本发明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。
-
公开(公告)号：CN117891532A
公开(公告)日：2024-04-16
申请号：CN202410298713.4
申请日：2024-03-15
Applicant: 东北大学
Abstract: 本发明属于移动边缘计算网络技术领域，公开了一种基于注意力多指标排序的终端能效优化卸载方法。旨在优化移动边缘计算网络中的任务卸载效率，特别关注于时延和能耗的优化。这种方法综合考虑了任务的多个关键因素，如退出任务频率、计算工作负载、时间紧迫性以及每比特的应用完成率，以确定任务的优先级顺序。该方法采用强化学习算法和图卷积网络，以有效提取依赖性任务之间的图结构特征，并引入注意力机制来专注于重要特征的权重训练，同时使用熵奖励概念来提高训练的收敛速度和稳定性。这一方法为移动边缘计算领域提供了一种全新的优化卸载策略，有助于满足5G时代对高性能移动服务的需求。
-
公开(公告)号：CN117835329A
公开(公告)日：2024-04-05
申请号：CN202410241235.3
申请日：2024-03-04
Applicant: 东北大学
IPC: H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
Abstract: 本发明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。
-
公开(公告)号：CN117688257A
公开(公告)日：2024-03-12
申请号：CN202410120177.9
申请日：2024-01-29
Applicant: 东北大学
IPC: G06F16/9537 , G06F18/23213 , G06F18/22 , G06N3/092
Abstract: 本发明属于智能交通技术领域，公开了一种面向异构用户行为模式的长期轨迹预测方法。度量轨迹中多个维度的相似性，构建可学习的距离权重矩阵，获得融合多维距离得分；构建邻接矩阵，进行轨迹聚类，聚类结果用于强化学习中优化可学习的距离权重矩阵中的参数；使用轨迹聚类每一个聚类簇中的轨迹数据训练轨迹预测模型，训练后的轨迹预测模型作为轨迹预测。本发明将具有相同行为模式的轨迹划分在一个类内差异较小的簇中，然后使用引入时间和速度信息编码的堆叠Transform结构来提取并融合多属性轨迹中的多维特征，并进一步产生长期轨迹预测结果。对于智能交通场景，面向异构用户行为模式的长期轨迹预测方法具有相当的适用价值。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.012 seconds)
