技术特征：
1.一种基于mec的车辆防碰撞深度学习方法，其特征在于，包括：步骤1，获得t+1时刻每个mec服务器连接的车辆数量；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；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；步骤4，mec服务器搭载运行防碰撞应用程序实例。2.根据权利要求1所述的一种基于mec的车辆防碰撞深度学习方法，其特征在于，获得t+1时刻每个mec服务器将要连接的车辆数量，包括：获取t时刻车辆的位置；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；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。3.根据权利要求1所述的一种基于mec的车辆防碰撞深度学习方法，其特征在于，训练获得lstm移动预测模型，包括：步骤1.1，构建初始预测模型：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；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。4.根据权利要求3所述的一种基于mec的车辆防碰撞深度学习方法，其特征在于，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。5.根据权利要求3所述的一种基于mec的车辆防碰撞深度学习方法，其特征在于，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。6.根据权利要求3所述的一种基于mec的车辆防碰撞深度学习方法，其特征在于，初始预测模型满足合格条件为：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；均方差误差rmse的计算公式为：，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。7.一种基于mec的车辆防碰撞深度学习方法系统，其特征在于，包括：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；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；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。
技术总结
本发明公开了一种基于MEC的车辆防碰撞深度学习方法及其系统，步骤1，获得t+1时刻每个MEC服务器连接的车辆数量；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；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；步骤4，MEC服务器搭载运行防碰撞应用程序实例。本发明对所需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，并计算和分配MEC服务器所需的确切计算资源，以达到最佳运行状态。佳运行状态。佳运行状态。
技术研发人员：江凌云 顾佳赛
受保护的技术使用者：南京邮电大学
技术研发日：2022.03.21
技术公布日：2022/7/1