一种基于自主学习的车载边缘计算方法及系统与流程

本发明涉及边缘计算，特别是一种基于自主学习的车载边缘计算方法及系统。

背景技术：

1、随着车辆智能化和互联技术的不断发展，车载边缘计算成为提升车辆智能性能的关键技术之一；在过去的几年里，相关技术取得了显著的进展，传感器技术、深度学习算法和边缘计算架构的不断创新，使得车辆能够更加智能地感知周围环境和学习驾驶者行为，并实现动态的边缘计算策略调整；首先，传感器技术的快速发展为车载边缘计算提供了强有力的数据支持，通过使用各类传感器，包括但不限于摄像头、雷达和激光雷达，我们能够实时采集车辆驾驶数据和环境数据，这些数据的预处理是实现精准分析和学习的前提，而预处理的有效性直接影响到后续深度学习模型的建立和性能；其次，深度学习技术的广泛应用使得车辆能够更加智能地理解和分析驾驶者的行为特征，通过构建深度学习模型，我们能够更好地理解驾驶者的习惯、偏好和应对复杂交通环境的能力，这为个性化的边缘计算服务奠定了基础，使得系统能够更好地适应不同驾驶者的需求。

2、但目前常见的解决方案存在诸多缺点，包括：传统的边缘计算策略通常依赖于固定的规则和预设的参数，无法灵活应对复杂多变的交通状况，在高流动性的交通环境中，由于车流、行人和天气因素的变化，传统策略可能无法充分考虑到这些动态因素，导致系统在提供边缘计算服务时效果不佳；传统系统的决策过程相对较为静态，缺乏对实时数据的敏感性和响应速度，在需要即时决策的场景下，传统的边缘计算策略可能存在延迟问题，无法满足用户对快速响应的需求，从而影响了系统的实时性和可靠性。

技术实现思路

1、鉴于对车辆进行车载边缘计算时，现有技术中无法灵活应对复杂多变的交通状况，存在延迟问题，无法满足用户对快速响应的需求等问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种根据用户的行为特征和环境数据动态调整边缘计算策略，提高边缘计算的适应性和效率的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于自主学习的车载边缘计算方法，其包括利用传感器采集车辆驾驶数据和环境数据并进行预处理；根据所述车辆驾驶数据构建深度学习模型并分析和学习用户的行为特征；根据所述用户的行为特征和所述环境数据动态调整边缘计算策略；基于所述用户的行为特征预测用户需求并制定个性化边缘计算服务；建立反馈机制，根据用户反馈和监测数据实时优化所述深度学习模型。

5、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述车辆驾驶数据包括加速行为、刹车行为和方向盘的转动情况；所述环境数据包括道路状况、天气信息和周围车辆位置；所述用户的行为特征包括驾驶风格和驾驶习惯；所述边缘计算策略为进行边缘计算节点的资源分配；所述边缘计算节点的资源分配包括处理速度和存储容量。

6、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述构建深度学习模型包括以下步骤：将所述车辆驾驶数据进行划分并生成用户行为标签；基于循环神经网络rnn构建深度学习模型并提取用户行为特征；利用无监督学习方法对提取的用户行为特征进行进一步学习和分析；对模型进行评估并根据评估结果调整模型结构或参数；所述用户行为特征的具体公式如下：

7、

8、其中，ht为t时刻的用户行为特征；xi为每个时间点t的车辆驾驶数据；tanh为双曲正切函数；t为时间序列长度；e为自然对数的底。

9、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述处理速度的具体公式如下：

10、

11、所述存储容量的具体公式如下：

12、

13、其中，p为处理速度；s为存储容量；var为方差；max为最大值；min为最小值；count为计数；mean为均值；h为用户行为特征；u为用户行为特征中的某个具体特征；e为某种事件发生的次数。

14、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述动态调整边缘计算策略包括以下步骤：将用户行为特征和环境数据进行结合并建立综合数据集；基于所述综合数据集制定自适应计算算法，动态调整边缘计算策略；确定边缘计算节点的资源分配；制定边缘计算策略的实时更新机制并实时更新边缘计算策略；所述自适应计算算法的具体公式如下：

15、

16、其中，sadaptive为动态调整边缘计算策略的概率；n为综合数据集中的样本数；ui为用户行为特征；ei为环境数据。

17、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述动态调整边缘计算策略的具体情况如下：若动态调整边缘计算策略的概率sadaptive大于第一阈值，则系统进入主动模式，根据实时数据频繁调整边缘计算策略，增加边缘计算节点的资源分配，提高处理速度和存储容量；若动态调整边缘计算策略的概率sadaptive不大于第一阈值，则系统进入稳定模式，维持边缘计算节点的静态策略，不频繁进行调整；若环境数据的变化大于第二阈值，则系统进入主动模式，根据新的环境数据灵活调整边缘计算策略；若环境数据的变化不大于第二阈值，则系统进入稳定模式，保持相对稳定；每隔时间t检测动态调整边缘计算策略的概率sadaptive，若变化幅度大于第三阈值，则系统进入主动模式；若变化幅度不大于第三阈值，则进入稳定模式。

18、作为本发明所述基于自主学习的车载边缘计算方法的一种优选方案，其中：所述实时更新边缘计算策略的具体公式如下：

19、

20、其中，supdate为实时更新边缘计算策略的概率；t为系统的运行时间；e为自然对数的底；若实时更新边缘计算策略的概率supdate大于第四阈值，则系统进行实时更新边缘计算策略；若实时更新边缘计算策略的概率supdate不大于第四阈值，则系统采用非实时的更新方式。

21、第二方面，本发明为进一步解决车载边缘计算中存在的安全问题，实施例提供了一种基于自主学习的车载边缘计算系统，其包括：模型构建模块，用于采集车辆驾驶数据和环境数据并构建深度学习模型，分析和学习用户的行为特征；策略调整模块，用于根据用户的行为特征和环境数据动态调整边缘计算策略并实时更新边缘计算策略；服务制定模块，用于根据用户的行为特征预测用户需求并制定个性化服务；反馈优化模块，用于收集用户的反馈和实时监测数据并优化深度学习模型。

22、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于自主学习的车载边缘计算方法的任一步骤。

23、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于自主学习的车载边缘计算方法的任一步骤。

24、本发明的有益效果为：本发明通过利用循环神经网络rnn和无监督学习方法构建深度学习模型，能够更好地捕捉时间序列的特征，提高对用户行为特征分析的准确性；通过动态调整边缘计算策略，能够根据实时情况进行处理速度和存储容量的资源分配，适应不同用户和环境需求，提高边缘计算的适应性和效率。