【摘 要】
：
近年来,车联网（IoV）技术快速发展,车辆可以提供多媒体娱乐、自动驾驶等智能车载服务,为用户提供各种实时便捷信息,但是车辆任务对延迟、带宽和能耗的要求都变得更高。边缘计算引入了接近最终用户的分布式处理能力,提高车联网系统的服务质量（QoS）,但边缘计算的高能耗和高碳排放引发了人们对绿色边缘计算的强烈需求。为了提供令人满意的计算性能并实现绿色计算,本文研究了面向车辆网的绿色边缘计算系统（GEC-Lo
论文部分内容阅读
近年来,车联网（IoV）技术快速发展,车辆可以提供多媒体娱乐、自动驾驶等智能车载服务,为用户提供各种实时便捷信息,但是车辆任务对延迟、带宽和能耗的要求都变得更高。边缘计算引入了接近最终用户的分布式处理能力,提高车联网系统的服务质量（QoS）,但边缘计算的高能耗和高碳排放引发了人们对绿色边缘计算的强烈需求。为了提供令人满意的计算性能并实现绿色计算,本文研究了面向车辆网的绿色边缘计算系统（GEC-LoV）,一方面,此系统集成软件定义网络（SDN）架构,使移动计算节点（即移动车辆）和固定边缘计算节点（即边缘服务器）协同计算,另一方面,此系统集成能量收集技术（EH）,以有效利用具有时变性的混合可再生能源,实现边缘计算节点的自我可持续供电。本文制定基于能量收集的协作任务调度问题,提出一种有效的计算卸载策略和能量收集策略,即近似比为（2-ε）的协作任务调度算法（CTSEH）;该算法根据时变性的系统任务量和混合可再生能源,在计算节点之间动态调度任务,最小化系统响应时间。理论分析和仿真实验结果均证明了CTSEH算法在有效利用绿色能源的同时降低系统响应时间。固定边缘计算节点的覆盖范围有限,部署车载边缘（V-edge）的新型移动边缘网络更能适用智慧城市多样化的计算需求,因此本文面向多用户的大规模车载边缘系统,设计了基于V-edge的用户分组任务调度机制（PUSTM）,基于Bisecting K-means算法将用户分组,在任务组内执行高效的任务调度机制（TSM）得到高效的V-edge的调度方案,最大化V-edge的运行收益。理论分析表明TSM提供了 O（log OPT）近似比。最后,本文进行了广泛的仿真实验,结果表明,TSM的运行收益比随机任务调度算法的高出41.3%,比“树”启发式算法的多出14.9%,性能方面得到较大的提高,具有良好的有效性和可拓展性。
其他文献
车辆自组织网络（Vehicular Ad Hoc Network,VANET）在智能交通中发挥着重要作用,它可以降低驾驶员的交通事故风险,并提供多种娱乐设施服务。但是,由于VANETs的开放通信性质,车辆传播的信息很容易受到安全攻击。近年来,已有许多解决上述问题的方案被提出,但大多数方案都存在较大的计算和通信开销。在车联网实际应用场景中,车辆入网会经历注册与认证过程,车辆访问控制的认证是车辆间和车
近年来,由于电力市场的不断发展,改革也取得初步成果,发电和售电两者开放程度不断增加,月度集中竞价交易作为当前国内电力市场建设的重要内容也取得了一定的发展成果。然而由于月度集中竞价交易参与者具有不同的背景和特点,同时一些新的交易类型如碳排放权交易和绿证交易也在对稳定发展的月度集中竞价交易造成冲击。为了保障用户在月度竞价交易中能够以较低的成本满足电力需求,也为了优化市场主体的竞争格局,需深入理解市场交
随着监控摄像头和无人机等安防设备的快速普及,需要采用自动化的手段对日益增多的视频数据进行分析与理解。时空动作检测可以在未剪裁视频上识别出动作的类别、起止时间以及动作在每一帧中的空间位置,得到了业界越来越多的关注。针对算法在安防应用中,由行人密集场景导致的相邻动作实例间相互干扰问题,以及在不同算力设备和检测需求下模型性能差异较大的问题。本文提出行人密集场景下的动作检测算法与强泛化性在线动作检测算法。
目标检测是计算机视觉领域的基础问题,深度学习如今在常见的检测场景中已取得了广泛的应用,但是在实际的检测场景中由于存在各种干扰因素,如检测目标视角变化、相互遮挡、搭载设备计算能力受限等,导致最终的检测性能准确率低。随着目标检测的应用领域愈发广泛,人们对目标检测速度与精度的需求也日益增加。本文主要研究基于深度学习的车辆检测方法,聚焦于两大类难题,即轻量级设备的快速车辆检测问题与实际场景下多视角车辆的检
新一轮科技革命给世界带来了翻天覆地的变化,也正在驱动着一场新的教育变革。以人工智能、大数据、云计算为代表的新一代信息技术快速渗入教育教学领域,促进了学习方式及学习环境的变革。与此同时,发展智慧教育已成为我国教育信息化工作的重中之重。在科学技术和教育政策的双轮驱动下,各级各类学校、企业开始探索新一代学习环境的特征,智慧教室作为典型的学习空间,得到了广泛关注。面对丰富的智慧教室类型,不禁发问,何为智慧
无人机视角下的露天目标检测与计数是近年来人工智能、计算机视觉领域的一项重要任务,主要运用深度卷积神经网络、特征融合等算法推算图像中露天目标的位置、数量与密度情况。现有工作和进展已经能够基本满足航拍图像中车辆的检测与计数以及街拍图像中的人群密度估计,但由于无人机航拍图像的背景复杂、目标较小等因素,通用目标检测算法经过多次下采样后容易造成对小目标的丢失。因此,对航拍图像中人、车辆等多目标进行同时检测与
社会科技技术迅猛发展,不少城市都提出了打造智慧城市的要求,智慧交通是随着智慧城市的提出而产生的。传统的车牌区域检测系统存在着模型较大、计算量高、部署困难、不同场景识别率低的问题,这些问题已经导致传统车牌检测识别系统不能满足新时代要求。本文通过车牌区域检测以及车牌字符识别两个步骤来进行车牌识别,利用改进轻量化目标检测模型提高车牌区域检测精度与速度,采用端到端的文本识别组合模型进行车牌字符精确识别。针
交通大数据是构建城市智能交通系统的关键技术,带动城市交通在感知、人车路协同、大数据分析以及综合服务等方面整体升级与创新发展。手机信令数据具有时效性、连续性和覆盖广等优势,通过对手机信令数据的交通模式识别与预测研究,可以实现人流出行分析以及路网路况分析,对于实施智能交通大数据服务和建立城市治理体系具有理论意义与实际价值。目前国内外对手机信令数据进行了较多研究,一方面,基于机器学习的出行模式识别方法大
随着新兴自动驾驶等计算密集型应用的出现,车辆通信需求不断增长,车联网（Internet of vehicles,Io V）终端面临端到端时延和能耗的双重挑战。移动边缘计算（Mobile edge computing,MEC）作为5G关键技术之一,通过将计算和存储能力从云端下沉到边缘侧,减少数据处理时延并降低终端能耗,将边缘计算引入车联网,运营商有能力为用户提供更低时延的服务,会在未来的智能车联网中
交通流预测是城市智能交通系统的重要组成部分,高效的预测算法会帮助城市范围内的人们满足他们的出行需求,同时减少城市交通资源的浪费、降低交通拥堵的概率。本文利用深度学习和贝叶斯相关理论对交通流量数据集进行建模,分别引入贝叶斯深度网络、残差校准深度网络方法,设计了两种时空图像的交通流预测模型,通过组合模型设计与时空特征深度挖掘,利用公开数据集对交通流预测性能进行评估,并开发交通流预测系统进行可视化分析和