-
公开(公告)号：CN114928893A
公开(公告)日：2022-08-19
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
公开(公告)号：CN114925857A
公开(公告)日：2022-08-19
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
公开(公告)号：CN114925857B
公开(公告)日：2024-08-13
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
IPC: G06N3/098 , G06N3/0442 , G06N3/092 , G08G1/01 , G06F21/62
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
公开(公告)号：CN114928893B
公开(公告)日：2024-04-16
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
-
-
Search Results
4
records
(took 0.032 seconds)
