本发明涉及车载网络数据接收技术领域,特别涉及一种基于卷积神经网络的车载网络传输计算方法及装置。
背景技术
现有车载网络中对于不同的目标和服务如:提高数据吞吐量、优化数据的分发和存储、降低数据传输时延和高效的路边辅助单元部署方案等等,已出现大量的网络计算方案。由于车载网络的高实时性要求,各地区交通流量的不均匀分布和地理位置的原因等等,使得大多数的车载网络计算方案难以得到广泛的应用。我们设计的方法可以通过利用深度卷积神经网络去优化车载网络的计算方案,将原始的gps数据转化为可供cnn训练的图像集,依据cnn网络架构去训练收敛图像集,从而得到能够有效快速计算车载网络传输方案目标的模型。
车载网络是由大量装载在快速移动车辆上的具备感知、存储、数据处理和无线通信能力的传感器节点构成的移动自组织网络,在实时性要求高、数据通信量大和服务质量要求高的车载场景中部署固定数量的路边基础设施,构建车路协同系统,从而提升车载网络的服务性能。
目前对于车载网络数据接收方法的研究大多都聚集于数据吞吐量、响应时延和高实时性,由于车辆的快速移动且轨迹复杂多变,加之车辆通信的拥塞和安全性问题,给车载网络计算实时性带来极大的挑战。目前大多数车载网络传输方案都有对与自己方案的泛化性和实时性做出一些优化和对比,但应用与实际场景当中,其计算时间还远远大于预期的要求。
技术实现要素:
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于卷积神经网络的车载网络传输计算方法,该方法具有大大提高了车载网络传输方案的时效性和应用性的优点。
本发明的另一个目的在于提出一种基于卷积神经网络的车载网络传输计算装置。
为达到上述目的,本发明一方面实施例提出了一种基于卷积神经网络的车载网络传输计算方法,包括:获取gps网格图;遍历gps网格图的每个格子,以获取训练集;以及利用cnn网络和所述训练集进行训练,获取网络传输计算模型,以通过所述网络传输计算模型得到车载网络传输计算结果。
本发明实施例的基于卷积神经网络的车载网络传输计算方法,通过将车载网络gps数据转化为可供深度卷积神经网络训练的图片集,并且利用深度卷积神经网络的高识别、快速计算的特性,训练并得到能高效近似计算的模型,大大提高了车载网络传输方案的时效性和应用性,满足现实车载网络中,对数据服务的实时性需求,加快了车载网络的发展,提升用户体验。
另外,根据本发明上述实施例的基于卷积神经网络的车载网络传输计算方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述获取gps网格图,进一步包括:选定被优化车载网络传输方案,并确定区域范围;根据预设条件确定边长,并将区域面积划分为多个大小相同的网格;从车辆轨迹数据集读入车辆的gps数据,并映射入网格图;从所述车辆轨迹数据集读入路边单元的gps数据,且确定最大值。
进一步地,在本发明的一个实施例中,所述遍历gps网格图的每个格子,以获取训练集,进一步包括:遍历所述gps网格图中所有格子,并根据车载节点的通信半径和路边单元节点的通信半径遍历周边的网格,以将gps网格图的每个格子转化为网格覆盖图;根据预设周期组合相应的目标数量的网格覆盖图得到训练图;遍历所有周期,利用被优化的车载网络传输方案得到对应周期的网络计算目标,以得到所述训练集。
进一步地,在本发明的一个实施例中,所述利用cnn网络和所述训练集进行训练,获取网络传输计算模型,进一步包括:在获取所述对应周期的网络计算目标后,根据所述训练集构建深度卷积神经网络模型;根据图像大小得到卷积矩阵,以根据所述卷积矩阵获取卷积图像,并进行池化;在多层卷积和池化后,生成等量输出;在完成一遍前向传播后,利用反向传播算法进行每一层的权重更新,以减小误差和损失,直至输出收敛并满足预设条件。
进一步地,在本发明的一个实施例中,所述利用cnn网络和所述训练集进行训练,获取网络传输计算模型,还包括:在训练得到所述网络传输计算模型后,生成测试集,并输入到所述网络传输计算模型中,以得到对应周期的网络计算目标。
为达到上述目的,本发明另一方面实施例提出了一种基于卷积神经网络的车载网络传输计算装置,包括:获取模块,用于获取gps网格图;训练集获取模块,用于遍历gps网格图的每个格子,以获取训练集;以及建模模块,用于利用cnn网络和所述训练集进行训练,获取网络传输计算模型,以通过所述网络传输计算模型得到车载网络传输计算结果。
本发明实施例的基于卷积神经网络的车载网络传输计算装置,通过将车载网络gps数据转化为可供深度卷积神经网络训练的图片集,并且利用深度卷积神经网络的高识别、快速计算的特性,训练并得到能高效近似计算的模型,大大提高了车载网络传输方案的时效性和应用性,满足现实车载网络中,对数据服务的实时性需求,加快了车载网络的发展,提升用户体验。
另外,根据本发明上述实施例的基于卷积神经网络的车载网络传输计算装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述获取模块,进一步包括:确定单元,用于选定被优化车载网络传输方案,并确定区域范围;划分单元,用于根据预设条件确定边长,并将区域面积划分为多个大小相同的网格;映射单元,用于从车辆轨迹数据集读入车辆的gps数据,并映射入网格图;读入单元,用于从所述车辆轨迹数据集读入路边单元的gps数据,且确定最大值。
进一步地,在本发明的一个实施例中,所述训练集获取模块,包括:遍历单元,用于遍历所述gps网格图中所有格子,并根据车载节点的通信半径和路边单元节点的通信半径遍历周边的网格,以将gps网格图的每个格子转化为网格覆盖图;组合单元,用于根据预设周期组合相应的目标数量的网格覆盖图得到训练图;获取单元,用于遍历所有周期,利用被优化的车载网络传输方案得到对应周期的网络计算目标,以得到所述训练集。
进一步地,在本发明的一个实施例中,所述建模模块,用于:在获取所述对应周期的网络计算目标后,根据所述训练集构建深度卷积神经网络模型;根据图像大小得到卷积矩阵,以根据所述卷积矩阵获取卷积图像,并进行池化;在多层卷积和池化后,生成等量输出;在完成一遍前向传播后,利用反向传播算法进行每一层的权重更新,以减小误差和损失,直至输出收敛并满足预设条件。
进一步地,在本发明的一个实施例中,所述建模模块,进一步用于在训练得到所述网络传输计算模型后,生成测试集,并输入到所述网络传输计算模型中,以得到对应周期的网络计算目标。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于卷积神经网络的车载网络传输计算方法的流程图;
图2为根据本发明一个实施例的基于卷积神经网络的车载网络传输计算方法的地图网格化流程图;
图3为根据本发明实施例的基于卷积神经网络的车载网络传输计算方法的获取gps网格图流程图;
图4为根据本发明一个实施例的基于卷积神经网络的车载网络传输计算方法的车载网络训练集转化示意图;
图5为根据本发明实施例的基于卷积神经网络的车载网络传输计算方法的获取训练集流程图;
图6为根据本发明一个实施例的基于卷积神经网络的车载网络传输计算方法的车载网络计算模型结构示意图;
图7为根据本发明实施例的基于卷积神经网络的车载网络传输计算方法的获取modela流程图;
图8为根据本发明实施例的基于卷积神经网络的车载网络传输计算装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于卷积神经网络的车载网络传输计算方法及装置,首先将参照附图描述根据本发明实施例提出的基于卷积神经网络的车载网络传输计算方法。
图1是本发明一个实施例的基于卷积神经网络的车载网络传输计算方法的流程图。
在本发明的一个实施例中,进行以下定义、设定以下规则和建立以下模型:
定义1:将车载节点记为:
定义2:将路边单元(rsu)记为:
定义3:将计算区域划分为矩形的网格图,并且每个网格的大小相同,其边长记为:width。
定义4:只含有车辆和路边单元gps数据点的网格图记为:gps网格图。记网格中的值为x,最大值为max_u,则有:0≤x≤max_u。而当0<x<max_u时,则表示网格中的车辆数为x;当x=max_u时,则该网格部署了一个路边单元;当x=0时,表示该网格既无车辆也无路边单元。
定义5:根据vr和ur将gps网格图赋值扩展周围被覆盖的网格,并记为:网格覆盖图。
定义6:将车载网络传输方案计算的周期记为:t。
定义7:将被优化的车载网络传输方案记为:optzed。
定义8:将optzed的网络计算目标记为:target。
定义9:将转化得到的网格覆盖图集和根据optzed计算得到对应的target记为:trainingset。
定义10:将cnn训练得到的模型记为:modela,并将modela计算出的结果记为:target'。
规则1:方案optzed所使用的数据必须是车辆和路边单元的gps数据。
规则2:在确定格子长度width时,满足条件:
规则3:在gps网格图扩展为网格覆盖图时,只有当车辆或路边单元的通信范围完全覆盖该格子时,才能对该格子进行赋值。
规则4:当一个格子同时存在路边单元和车辆信息时,该格子的值依然为:max_u。这样为了cnn在训练时候加快收敛,且所需求的训练集样本相对较少。
规则5:optzed的计算周期为t=ξ·t,其中t为单位时刻,则trainingset的一组训练图包含了ξ张网格覆盖图和该周期对应的target。
建立模型,该模型以图像集来表示车辆和路边单元的gps数据,利用optzed方案计算出对应图像的target,并将其作为cnn网络模型的训练标签,从而收敛得到modela。
如图1所示,该基于卷积神经网络的车载网络传输计算方法包括以下步骤:
在步骤s101中,获取gps网格图;
在被发明的一个实施例中,结合图2、图3和图4,选定被优化车载网络传输方案optzed,并确定计算的区域范围;根据条件
在步骤s102中,遍历gps网格图的每个格子,以获取训练集;
在本发明的一个实施例中,如图5所示,在转化为网格覆盖图时,首先遍历gps网格图中所有格子,当该格子grid为车辆格子时,即值为xgrid,0<xgrid<max_u。根据vr遍历其周边的网格grid',当vr≥dis(grid,grid')且xgrid'=0时,便将grid'赋值为xgrid,即xgrid'=xgrid,其中dis(grid,grid')指的是格子grid到格子grid'之间的最远距离。
同上,遍历gps网格图中所有格子,当该格子grid为路边单元格子时,即值为xgrid,xgrid=max_u。根据ur遍历其周边的网格grid',当ur≥dis(grid,grid')且xgrid'<max_u时,便将grid'赋值为xgrid,即xgrid'=xgrid。
在将所有的gps网格图转化为网格覆盖图之后,根据周期t=ξ·t,组合相应的ξ张网格覆盖图作为一组训练图,即为训练集的基本训练单位。如gps总周期数为:numt,则训练集图像组数量为:numt,每组图像对应一个训练标签target且由ξ张网格覆盖图衔接构成。
遍历所有周期,利用方案optzed计算对应周期的target。由此完成所有训练集的构造。
在步骤s103中,利用cnn网络和训练集进行训练,获取网络传输计算模型,以通过网络传输计算模型得到车载网络传输计算结果。
在本发明的一个实施例中,如图6和图7所示,建立模型的步骤为:
步骤3.1:在获取trainingset之后,根据训练集特点,构建深度卷积神经网络模型,其中包括:池化层、卷积层和输出层。
步骤3.2:根据图像大小,初始化时可选择适当大小的卷积矩阵,如4×4、6×6等等,从图像中提取一定的特征。
步骤3.3:根据步骤3.2得出的卷积图像,可选取最小池化、平均池化或最大池化,这样可以有效减小图像的大小,加快训练速度。
步骤3.4:在进行多层卷积和池化之后,需要以分类的形式进行输出。而卷积和池化只会提取特征,所以需要全连接层来生成一个相等类数量的输出。
步骤3.5:在步骤3.2到步骤3.4便完成了一遍前向传播,然后利用反向传播算法,如backpropagation等进行每一层的权重更新,以减小误差和损失。重复步骤3.2到步骤3.4,直至输出收敛并保证一定精度。
步骤3.6:在训练得到modela之后,利用步骤2.1到步骤2.4制造一批测试集testset,输入到modela中,最后快速计算得到对应周期的target'。
具体地,在本发明的一个实施例中,以图6为例,说明利用卷积神经网络优行求解optzed的过程。由图6可知首先划分好计算区域面积并将地图网格化,然后根据车辆和路边单元的gps信息投射到网格图当中,接下来根据车辆传输半径vr和路边单元传输半径ur将gps网格图转化为通信网格覆盖图,进一步的根据t=ξ·t组合衔接覆盖图,并利用optzed计算对应周期的target得到训练集,最后根据数据集特点构建cnn网络模型,训练得到modela,从而能通过modela快速计算得到结果相近的target',大大加强了车载网络传输方案optzed的实效性和应用性。
本发明实施例的基于卷积神经网络的车载网络传输计算方法,通过将车载网络gps数据转化为可供深度卷积神经网络训练的图片集,并且利用深度卷积神经网络的高识别、快速计算的特性,训练并得到能高效近似计算的模型,大大提高了车载网络传输方案的时效性和应用性,满足现实车载网络中,对数据服务的实时性需求,加快了车载网络的发展,提升用户体验。
其次参照附图描述根据本发明实施例提出的基于卷积神经网络的车载网络传输计算装置。
图8是本发明一个实施例的基于卷积神经网络的车载网络传输计算装置的结构示意图。
如图8所示,该基于卷积神经网络的车载网络传输计算装置10包括:获取模块100、训练集获取模块200和建模模块300。
其中,获取模块100用于获取gps网格图。训练集获取模块200用于遍历gps网格图的每个格子,以获取训练集。建模模块300用于利用cnn网络和所述训练集进行训练,获取网络传输计算模型,以通过所述网络传输计算模型得到车载网络传输计算结果。该于卷积神经网络的车载网络传输计算装置10具有提高车载网络传输方案的时效性和应用性的优点。
进一步地,在本发明的一个实施例中,获取模块100,进一步包括:确定单元,用于选定被优化车载网络传输方案,并确定区域范围;划分单元,用于根据预设条件确定边长,并将区域面积划分为多个大小相同的网格;映射单元,用于从车辆轨迹数据集读入车辆的gps数据,并映射入网格图;读入单元,用于从车辆轨迹数据集读入路边单元的gps数据,且确定最大值。
进一步地,在本发明的一个实施例中,训练集获取模块200,包括:遍历单元,用于遍历gps网格图中所有格子,并根据车载节点的通信半径和路边单元节点的通信半径遍历周边的网格,以将gps网格图的每个格子转化为网格覆盖图;组合单元,用于根据预设周期组合相应的目标数量的网格覆盖图得到训练图;获取单元,用于遍历所有周期,利用被优化的车载网络传输方案得到对应周期的网络计算目标,以得到训练集。
进一步地,在本发明的一个实施例中,建模模块300用于:在获取对应周期的网络计算目标后,根据训练集构建深度卷积神经网络模型;根据图像大小得到卷积矩阵,以根据卷积矩阵获取卷积图像,并进行池化;在多层卷积和池化后,生成等量输出;在完成一遍前向传播后,利用反向传播算法进行每一层的权重更新,以减小误差和损失,直至输出收敛并满足预设条件。
进一步地,在本发明的一个实施例中,建模模块300,进一步用于在训练得到网络传输计算模型后,生成测试集,并输入到网络传输计算模型中,以得到对应周期的网络计算目标。
需要说明的是,前述对基于卷积神经网络的车载网络传输计算方法实施例的解释说明也适用于该实施例的基于卷积神经网络的车载网络传输计算装置,此处不再赘述。
本发明实施例的基于卷积神经网络的车载网络传输计算装置,通过将车载网络gps数据转化为可供深度卷积神经网络训练的图片集,并且利用深度卷积神经网络的高识别、快速计算的特性,训练并得到能高效近似计算的模型,大大提高了车载网络传输方案的时效性和应用性,满足现实车载网络中,对数据服务的实时性需求,加快了车载网络的发展,提升用户体验。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。