论文部分内容阅读
物联网的日新月异促使了以服务为驱动的网络智能化快速发展,其中车载通信作为智能交通系统的重要应用而备受关注。然而,目前车载通信的边缘计算环境中采用的任务分配算法和行车安全预测算法并不能满足智能交通中诸如安全预测,信号灯控制等服务对低时延和低容错的要求。因此,本文围绕车载通信中的边缘计算环境,着重研究面向车辆自组织网络的基于边缘深度学习的行车安全预测技术,通过提出一种边缘计算环境下的深度学习任务分配算法和一种基于深度学习的行车安全预测算法,降低了行车安全预测的时延,提高了预测的效率和准确性,本文主要研究工作如下:(1)针对目前边缘计算环境中采用的任务分配算法在对深度学习任务进行分配时产生的时延过高,效率低下等问题,研究了一种车辆自组织网络中边缘计算环境下的深度学习任务分配算法,该算法根据深度学习任务产生的计算开销,带宽需求来综合考虑确定云服务器分配到边缘服务器中的神经网络的层数,从而更有效地利用边缘服务器的计算资源,提高深度学习任务的处理效率,仿真结果表明,较目前边缘计算环境下采用的任务分配算法来说,本文提出的深度学习任务分配算法有效地减少了边缘端传输到云端的数据,释放了网络的带宽资源,减少了传输时延,且本文提出的分配算法能在满足时延要求的基础上提高行车安全预测的效率。(2)针对现有的行车安全预测算法难以考虑到驾驶信息,路况信息和驾驶员信息之间的特征交叉带来的预测准确度降低以及需要大量特征工程所造成的预测效率低下的问题,提出了一种因子分解机组合的神经网络(FMCNN)来对车载自组织网络中车辆的行车安全进行预测。FMCNN通过在预训练阶段使用因子分解机和深度神经网络对驾驶信息,交通信息和驾驶员信息之间的复杂特征交叉进行学习,提高了深度学习模型对特征交叉的学习能力,在FMCNN的预训练阶段之后,由深度神经网络的最后隐藏层提取的高阶特征交叉和由因子分解机器训练得到的低阶特征交叉将被输入到一个新的深度神经网络进行训练,并最终根据神经网络的输出对车辆的行车安全进行预测。仿真结果表明,本文提出的FMCNN具有更高的预测准确度,且FMCNN在AUC和Logloss两种评价指标下均优于DNN和FM算法。