一种基于MEC的车辆防碰撞深度学习方法及其系统

一种基于mec的车辆防碰撞深度学习方法及其系统
技术领域
1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.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：
8.步骤1，获得t+1时刻每个mec服务器连接的车辆数量；
9.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；
10.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；
11.步骤4，mec服务器搭载运行防碰撞应用程序实例。
12.优先地，获得t+1时刻每个mec服务器将要连接的车辆数量，包括：
13.获取t时刻车辆的位置；
14.t时刻车辆的位置输入训练获得的lstm移动预测模型，获得t+1时刻车辆的位置；
15.基于t+1时刻车辆的位置，统计得到每个mec服务器将要连接的车辆数量。
16.优先地，训练获得lstm移动预测模型，包括：
17.步骤1.1，构建初始预测模型：
18.步骤1.2，将训练集输入初始预测模型，采用随机梯度下降法对初始预测模型进行训练，利用softmax函数对初始预测模型的输出结果进行归一化处理；
19.步骤1.3，将包括多个测试样本的测试集输入初始预测模型，若初始预测模型满足合格条件，则将该输出预测模型作为最终的lstm移动预测模型，否则重新获取训练集，执行步骤1.2。
20.优先地，采用随机梯度下降法对初始预测模型进行训练，学习率选取为0.01，batch-size选取为50。
21.优先地，初始预测模型包括全连接输入层、三个堆叠lstm层和全连接输出层，全连接输入层、三个堆叠lstm层和全连接输出层依次连接。
22.优先地，初始预测模型满足合格条件为：
23.初始预测模型预测输出车辆的位置，均方差误差rmse小于设定的误差阈值；
24.均方差误差rmse的计算公式为：
[0025][0026]
式中，n为测试样本总数，observed
x
为x时刻的车辆实际位置，predicted
x
为初始预测模型预测输出的x时刻车辆的位置。
[0027]
一种基于mec的车辆防碰撞深度学习方法系统，包括：
[0028]
lstm移动预测模块，用于获得t+1时刻每个mec服务器连接的车辆数量；
[0029]
cls决策模块，用于基于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，直到所有mec服务器序不存在过载情况；
[0030]
防碰撞应用程序实例模块，用于mec服务器搭载运行防碰撞应用程序实例。
[0031]
本发明所达到的有益效果：
[0032]
本发明方法考虑了车联网中车辆之间的碰撞检测和避免的服务，该方法考虑了mec服务器与云服务器相比容量有限，mec服务器的资源使用负担较大。为了确保低时延的通信，提前对所需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，并推导出碰撞检测应用所需的确切计算资源，计算并分配防碰撞应用程序实例所需的计算资源以达到碰撞避免的预期，优化了mec服务器的计算资源，以达到最佳运行状态。
附图说明
[0033]
图1是本发明车联网防碰撞系统示意图；
[0034]
图2是本发明lstm移动预测模型预测车辆位置的流程图。
具体实施方式
[0035]
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0036]
实施例一
[0037]
一种基于mec的车辆防碰撞深度学习方法，包括：
[0038]
步骤1，获得t+1时刻每个mec服务器连接的车辆数量；
[0039]
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；
[0040]
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；
[0041]
步骤4，mec服务器搭载运行防碰撞应用程序实例。
[0042]
进一步地，本实施例中获得t+1时刻每个mec服务器将要连接的车辆数量，包括：
[0043]
获取t时刻车辆的位置；
[0044]
t时刻车辆的位置输入训练获得的lstm移动预测模型，获得t+1时刻车辆的位置；
[0045]
基于t+1时刻车辆的位置，统计得到每个mec服务器将要连接的车辆数量。
[0046]
进一步地，本实施例中训练获得lstm移动预测模型，包括：
[0047]
步骤1.1，构建初始预测模型：
[0048]
步骤1.2，将训练集输入初始预测模型，采用随机梯度下降法对初始预测模型进行训练，利用softmax函数对初始预测模型的输出结果进行归一化处理；
[0049]
步骤1.3，将包括多个测试样本的测试集输入初始预测模型，若初始预测模型满足合格条件，则将该输出预测模型作为最终的lstm移动预测模型，否则重新获取训练集，执行步骤1.2。
[0050]
进一步地，本实施例中采用随机梯度下降法对初始预测模型进行训练，学习率选取为0.01，batch-size选取为50。
[0051]
进一步地，本实施例中初始预测模型包括全连接输入层、三个堆叠lstm层和全连接输出层，全连接输入层、三个堆叠lstm层和全连接输出层依次连接。
[0052]
进一步地，本实施例中初始预测模型满足合格条件为：
[0053]
初始预测模型预测输出车辆的位置，均方差误差rmse小于设定的误差阈值；
[0054]
均方差误差rmse的计算公式为：
[0055][0056]
式中，n为测试样本总数，observed
x
为x时刻的车辆实际位置，predicted
x
为初始预测模型预测输出的x时刻车辆的位置。
[0057]
一种基于mec的车辆防碰撞深度学习方法系统，包括：
[0058]
lstm移动预测模块，用于获得t+1时刻每个mec服务器连接的车辆数量；
[0059]
cls决策模块，用于基于t+1时刻每个mec服务器连接的车辆数量，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，直到所有mec服务器序不存在过载情况；
[0060]
防碰撞应用程序实例模块，用于mec服务器搭载运行防碰撞应用程序实例。
[0061]
第一、防碰撞应用程序部署在网络运营商的所有mec服务器上，允许对较大的地理区域进行低延迟访问。
[0062]
第二、域名服务可以确保mec服务器无缝重新定向到新的防碰撞应用程序实例。dns服务器记录正在运行的防碰撞应用程序实例的ip地址及其地理位置。因此，当车辆试图连接到新的防碰撞应用程序实例时，它必须将服务的url解析为一个ip地址。dns服务器将记录车辆的ip地址。
[0063]
第三、确保具有低延迟连接的网络的广泛覆盖。这可以在5g中使用mec服务器并在所有mec服务器上复制防碰撞应用程序来实现。显然，随着应用程序实例数量的增加，消耗的总体mec资源也会增加。
[0064]
第四、mec资源管理编排器负责请求cpu资源，并在认为适当的情况下通过扩大或减少所需的虚拟cpu，即增加或减少分配给防碰撞应用程序的虚拟cpu的数量来更新请求。第五，资源管理算法在mec资源管理编排器上运行，为了预测车辆的移动性，使用深度递归神经网络rnn和lstm方法。
[0065]
假设一个防碰撞应用程序实例在不增加响应时间的情况下有效地处理n个已连接的车辆。在mec中的虚拟化环境中，防碰撞应用程序实例将作为防碰撞应用程序在虚拟化平台上运行。因此，一个防碰撞应用程序实例将使用一定数量的计算资源，即虚拟cpu，应该给出最佳的虚拟cpu的分配方案，以确保运行服务的低响应时间。
[0066]
mec资源管理编排器在优化mec服务器计算资源和确保优化运行服务的低响应时间之间进行权衡，从而获得每个防碰撞应用程序实例所需的虚拟cpu数量。每次车辆从一个mec服务器的覆盖范围移动到另一个mec服务器的覆盖范围时，mec资源管理编排器上运行的资源管理算法计算其管理的每个防碰撞应用程序实例所需的虚拟cpu。使用lstm移动预测模型，预测车辆的下一个位置，获得每个单元格上的车辆密度，便于后续预测每个防碰撞应用程序实例所需的虚拟cpu资源的更新。其目的不仅是优化mec资源，而且还确保防碰撞应用程序实例执行最佳性能。
[0067]
从防碰撞应用程序实例获得的车辆gps坐标作为输入，并通过lstm移动预测模块预测车辆的下一个位置。首先，初始化碰撞应用程序的所有防碰撞应用程序员实例的配置。然后，预测t+1时刻的车辆的新位置，预测到t+1时刻车辆的新位置后，得到每个防碰撞应用
程序实例需要连接的用户数量。
[0068]
cls决策模块运行cls决策算法，依次搜索防碰撞应用程序时刻所需的虚拟cpu数量是否小于当前实际虚拟cpu数量，若是，则依次搜索所有防碰撞应用程序中的空闲防碰撞应用程序，将其空余的虚拟cpu分配到该过载防碰撞应用程序中。继续搜索直到所有防碰撞应用程序不存在过载情况。最后，对于所有需要更新的防碰撞应用程序实例，将向mec资源管理编排器发送一个请求。
[0069]
资源分配算法的性能主要取决于基于lstm移动预测模型的准确性。基于lstm移动预测模型估计每个单元的车辆数量的效率，从而提高了资源分配算法准确预测每个防碰撞应用程序实例所需资源的效率，从而提高了mec服务器的整体资源。
[0070]
防碰撞应用程序实例用于进行防碰撞预测预警，假设防碰撞应用程序实例是重复的，并部署在网络运营商的所有mec服务器上，允许对较大的地理区域进行低延迟访问。mec服务器包括一个虚拟化平台，该虚拟化平台以虚拟机或容器的形式运行防碰撞应用程序实例。每个mec服务器都有一个计算能力，这取决于所使用的硬件，这些硬件被限制为一个集中的云。图1描述了所设想的体系结构。假设一个mec服务器被部署来覆盖一个特定的地理位置，这对应于在一个跟踪区域(ta)中组织的一组gnbs(5g基站)。ta是蜂窝网络中使用的一个概念，它包括将一组细胞分组在一起。其目的是通过简化ta组内的程序来优化移动性管理方法。如图一所示，mec服务器1覆盖了由ta1和ta2组成的地理图形位置，所有在此区域移动的联网车辆都由mec服务器1上防碰撞应用程序实例提供服务。
[0071]
如果车辆从ta2开始移动到ta3，它将由在mec服务器2中实例化的防碰撞应用程序实例提供服务。当车辆试图连接到所在区域的防碰撞应用程序实例时，必须将车辆服务的url解析为一个ip地址，dns服务器记录车辆的ip地址。
[0072]
在物联网环境中成功部署防碰撞应用程序实例的一个关键挑战是确保具有低延迟连接的网络工作的广泛覆盖。这可以在5g中使用mec服务器并在所有mec服务器上复制防碰撞应用程序实例来实现，以保证网络的广泛覆盖，从而实现道路。显然，随着防碰撞应用程序实例数量的增加，消耗的总体mec服务器的计算资源也会增加。在这项工作中，假设该防碰撞应用程序实例在不增加响应时间的情况下有效地处理n个已连接的车辆。实际上，防碰撞应用程序实例的响应时间是确保低端到端延迟的关键指标。在mec服务器中的虚拟化环境的上下文中，防碰撞应用程序实例将在虚拟化平台上运行。因此，一个防碰撞应用程序实例将使用一定数量的计算资源，即虚拟cpu。为了确保运行服务的低响应时间，应该分配出最佳虚拟cpu。
[0073]
在mec中，mec资源管理编排器会处理并协调防碰撞应用程序实例的计算资源。mec资源管理编排器负责在mec服务器的虚拟化平台上部署防碰撞应用程序实例。这些防碰撞应用程序实例使用应用程序描述符进行描述，其中包括配置信息，如应用程序映像和应用程序所需的计算资源。然后，mec资源管理编排器负责请求计算资源，并在认为适当的情况下通过扩大或减少所需的虚拟cpu，即增加或减少分配给防碰撞应用程序的虚拟cpu的数量来更新请求。
[0074]
mec资源管理编排器的作用是使得mec服务器计算资源和确保优化运行服务的低响应时间之间进行权衡，从而获得每个防碰撞应用程序实例所需的虚拟cpu数量。一个解决方案是，每次车辆(或一批周期)从一个mec服务器移动到另一个主机时，mec资源管理编排
器上运行的资源管理方法计算其管理的每个防碰撞应用程序实例所需的虚拟cpu。然而，这个解决方案需要在网络层连续跟踪车辆的移动性，资源的利用率很低。因此，利用上述解决方案和使用lstm移动预测模型，以预测每个防碰撞应用程序实例所需的虚拟cpu资源的更新。其目的不仅是优化mec资源，而且还确保防碰撞应用程序实例执行最佳性能(低响应时间)，考虑连接到它的车辆数量。
[0075]
该算法在mec资源管理编排器上运行，它由移动性预测模块和cls决策模块组成。移动性预测模块，以从避免碰撞的防碰撞应用程序实例获得的车辆gps坐标作为输入，并通过lstm移动预测模块预测车辆的下一个位置。cls决策模块，使用预测的下一个车辆位置来获得每个防碰撞应用程序实例所需的计算资源，从而允许避免碰撞服务的最佳运行。mec资源管理编排器通过mec边缘平台管理器执行cls决策模块。该全局算法的运行方式如下：
[0076]
初始化所有防碰撞应用程序实例的配置。
[0077]
1)移动性预测模块：从防碰撞应用程序接收一批车辆的gps坐标。
[0078]
2)移动性预测模块：预测时刻t+1的车辆的新位置，从而确定时刻t+1每个防碰撞应用程序实例需要连接的车辆数量。
[0079]
3)cls决策模块：运行一个cls决策算法，(1)将时刻t+1每个防碰撞应用程序实例需要连接的用户数量作为输入；(2)根据预测的数字提供必要的计算资源，验证防碰撞应用程序实例当前使用的虚拟cpu数量，验证的关键指标有两个：过载的防碰撞应用程序实例(对mec服务器的虚拟cpu的需求超过了mec服务器的容量)和空闲的防碰撞应用程序实例；(3)更改防碰撞应用程序实例的配置，依次搜索防碰撞应用程序在时刻t+1所需的虚拟cpu数量是否小于当前实际工作的虚拟cpu数量，若是，则依次搜索所有防碰撞应用程序实例中的空闲防碰撞应用程序实例，将其空余的虚拟cpu分配到过载的防碰撞应用程序实例中。继续搜索直到所有防碰撞应用程序不存在过载情况，向mec资源管理编排器发送资源调度请求。
[0080]
车辆移动性预测模型的设计：具有lstm算法的rnn非常适合于时间序列的分类、处理和预测。事实上，带有lstm的rnn能够通过使用内存来记住内存中过去的数据来学习与输入数据之间的长期依赖，根据过去的问题来预测车辆的下一个位置。
[0081]
图2展示了基于lstm移动预测模型的预测过程，预测过程包括三个主要步骤：车辆的历史轨迹输入一个包含66个神经元的全连接输入层，将每个车辆的历史位置都被映射到一个66维的基准张量，获得序列，然后将得到的序列发送到由三个堆叠lstm层组成的rnn，每个层有66个神经元。
[0082]
每个lstm层将前一个lstm层的输出视为输入，并将其输出提供给下一个lstm层。最后，一个有48个神经元的全连接输出层将最后一个lstm层的输出映射到单元id，对应于预测车辆位置l
′
t+1
。本发明将地图划分为48个细胞，所以使用48个神经元。
[0083]
最后，lstm移动预测模型的训练旨在最小化预测车辆位置与真实位置之间的距离。因此，根据均方根误差值的比较来判断lstm移动预测模型性能的优劣。均方根误差值越小，表明车辆轨迹预测越准确。均方根误差的公式如下：
[0084]
如前所述，cls决策模块运行cls决策算法，该cls决策算法会为防碰撞应用程序实
例请求计算资源更新。假设v()、u()作为向量，分别表示防碰撞应用程序使用的虚拟cpu数量和连接到防碰撞应用程序实例的车辆数量。
[0085]ct
为时刻t虚拟cpu的数量。在最初的时期(t＝0)，v0＝{c0,c0,l,c0}，和u0＝{0，l，0}，其中c0对应于所有防碰撞应用程序实例的初始虚拟cpu数量，u0是连接到所有防碰撞应用程序实例的初始车辆数量。n是防碰撞应用程序实例总数，虚拟cpu数量的防碰撞应用程序实例可以保持最低响应时间处理2n个已连接的车辆。假设c0＝10，即每个mec主机有10个虚拟cpu，并且一个防碰撞应用程序实例最多可以获得20个虚拟cpu，因此最多可以管理40辆车。
[0086]
cls决策算法主要关注两个主要指标：过载的防碰撞应用程序实例(对虚拟cpu数量的需求超过了mec服务器容量)和空余的防碰撞应用程序实例；这分别对应于防碰撞应用程序实例的高响应时间和mec服务器主机计算资源的非最佳使用。
[0087]
cls决策算法首先验证t+1时刻，依次搜索防碰撞应用程序所需的虚拟cpu数量是否小于当前实际虚拟cpu数量，若存在该情况，则依次搜索所有防碰撞应用程序中的空闲防碰撞应用程序，将其空余的虚拟cpu分配到该过载防碰撞应用程序中。继续搜索直到所有防碰撞应用程序不存在过载情况，则算法流程结束。
[0088]
这项工作为了改进mec资源的总体使用和确保部署的防碰撞应用程序的每个实例分配足够的资源以最佳运行之间进行权衡。为了实现这种权衡，我们的方法使用rnn和lstm来预测每个单元格上的车辆密度，然后通过预测到车辆的具体数量计算防碰撞应用程序实例所需的计算资源，以达到碰撞避免的预期。资源分配方法的性能主要取决于基于lstm移动预测模型的准确性，当均方根误差值时，认为准确率是合格的。结果显示了基于lstm的模型在估计每个小区的车辆数量方面的效率，这反过来又提高了资源分配方法在准确预测每个防碰撞实例所需资源方面的效率，从而提高了mec服务器的整体资源利用率。
[0089]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0090]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0091]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。