【技术实现步骤摘要】
本申请的实施例涉及任务卸载，特别涉及一种基于轨迹预测的mec车载网络计算预卸载方法。
技术介绍
1、近年来，在车载网络中，车载应用程序和服务逐渐多元化，这位用户提供了更好使用体验，但是车辆终端的计算能力非常有限，车载应用程序和服务的增加给车辆终端带来了巨大的计算压力。为了解决这个问题，智能汽车行业引入了云计算技术，通过计算卸载将车联网计算任务传输到云计算中心执行，突破了车载设备的资源限制，同时降低了车辆的能耗，保证任务的高效执行。但是云计算技术也存在一定的问题：首当其冲的是数据传输问题，随着车联网应用数量激增，数据传输的带宽成本越来越高；其次是车载任务处理及时性问题，云计算中心离终端较远，数据处理和传输速度时延较大，这严重影响了车载应用的实时性和效率；最后是数据安全与隐私问题，海量数据的上传需要耗费的时间较长，在这期间存在着数据丢失、信息泄露的安全问题。
2、移动边缘计算被认为是解决这一问题的有效方法，由于边缘服务器距离车辆终端的距离更近，近距离的计算卸载降低了能耗，在相同的传输速率，传输时延明显降低，而且边缘服务器就近部署具有规模小、分布式特性，对用户信息保护性更强。但是移动边缘计算面临着车辆的移动性问题，周边可用的边缘服务器在不断变化的问题，单个任务在计算需求、延迟敏感性、数据大小等方面存在差异的问题，因此选择合适的卸载策略是非常关键的。
3、目前，国内外的许多团队已对任务卸载展开研究，基于不同的优化目标，目前已提出的任务卸载算法大致可以分为三大类：面向时延优化的算法、面向能耗成本优化的算法、以及面向
技术实现思路
1、为了解决上述技术问题，本申请的实施例提出了一种基于轨迹预测的mec车载网络计算预卸载方法，通过车辆的历史轨迹来预测车辆下一个时刻的位置，并根据预测位置进行任务卸载策略研究，这使得边缘服务器能够提前为任务的到来做好准备，从而减少整体任务处理延迟，提高资源利用效率。
2、第一方面，本申请的实施例提出了一种基于轨迹预测的mec车载网络计算预卸载方法，包括以下步骤：面向多车辆多mec场景构建通信模型、边缘服务器计算模型和本地计算模型，并基于构建的模型搭建最小化时延的目标函数；获取各车辆的历史轨迹数据并进行预处理，将各预处理后的车辆的历史轨迹数据输入至预训练的lstm模型中，获得lstm模型输出的各车辆在下一时刻的预测位置；基于各车辆在下一时刻的预测位置、各mec服务器的位置、以及各mec服务器的服务范围，确定各车辆在下一时刻可用的mec服务器；对各车辆的任务的优先级、重要性和资源需求进行标准化处理后再进行综合评分，确定各车辆的任务的加权重要性得分；将各车辆在下一时刻的预测位置、各车辆在下一时刻可用的mec服务器、各车辆的任务的加权重要性得分，输入至预训练的ddqn网络中，获得ddqn网络基于最小化时延的目标函数输出的任务卸载策略；执行ddqn网络输出的任务卸载策略，完成各车辆的任务卸载。
3、可选地，设多车辆多mec场景中的mec服务器集合为m，m＝{1,2,…,m}，共包含m个mec服务器，设多车辆多mec场景中的车辆集合为n，n＝{1,2,…,n}，共包含n台车辆，时间被划分为若干个时间片，每个时间片的时间长度相同，时间片集合表示为t，t＝{t0,t1,…,tm}，在每一个时间片中，各车辆随机生成离散且不同属性的不可拆分的任务，时间片也称为时刻；
4、任务集合表示为taskj,i＝(lj,i,cj,i,τj,i,zj,i)，其中，taskj,i表示第i台车辆在第j个时刻生成的任务，lj,i表示任务的数据量，cj,i表示完成任务所需的计算量，τj,i表示任务的截止时间，zj,i表示任务的加权重要性得分；
5、设fj+1,k表示第k个mec服务器在第j+1个时刻的资源，设ωj+1,i,k表示第k个mec服务器在第j+1个时刻分配给第i台车辆的资源比例；
6、本地计算模型面向计算复杂度低、实时性要求高、数据量小且对安全和隐私有较高要求的任务，设任务在本地执行的时延为：
7、
8、其中，表示第i台车辆在第j+1个时刻执行任务的计算能力，表示第i台车辆在第j个时刻生成的任务在本地执行的时延；
9、通信模型面向车辆与mec服务器进行通信的情况，设传输速率为：
10、
11、其中，b表示带宽，n表示信道总数，信道总数与车辆的总数相同，信道与车辆一一对应，ei表示第i台车辆的传输功率，gj+1,i,k表示在j+1个时刻第i台车辆与第k个mec服务器之间的信道增益，σ2表示噪声干扰，ij+1,i表示第i个信道在第j+1个时刻的信道干扰，vj+1,i,k表示在j+1个时刻第i台车辆与第k个mec服务器之间的传输速率，h0为路径损耗常数，r为路径损耗指数，r设置为2，d0为预设的参考距离，dj+1,i,k表示在第j+1个时刻第i台车辆与第k个mec服务器之间的距离；
12、边缘服务器计算模型面向任务卸载到mec服务器的情况，包括任务传输到mec服务器的时间、任务在mec服务器中被执行的时间、以及任务计算结果从mec服务器的回传时间，任务计算结果从mec服务器的回传时间忽略不计，设总体时间为：
13、
14、其中，表示在j+1个时刻第i个任务传输到第k个mec服务器的时间，表示在j+1个时刻第i个任务在第k个mec服务器中被执行的时间，表示总体时间。
15、可选地，基于构建的模型搭建的最小化时延的目标函数，表示为：
16、
17、其中，xi∈{0,1}，xi＝0表示第i个任务在本地执行，xi＝1表示第i个任务卸载到mec服务器执行，yi,k∈{0,1}，yi,k＝0表示第i个任务没有卸载到第k个mec服务器执行，yi,k＝1表示第i个任务卸载到第k个mec服务器执行，ωt,k表示第k个mec服务器分给第t台车辆的资源比例，c表示搭建的最小化时延的目标函数；
18、最小化时延的目标函数的约束条件为：yi,1+yi,2+yi,3+...+yi,m＝1和c<τ*，其中，τ*表示各任务的截止时间的最小值。
19、可选地，基于各车辆在下一时刻的预测位置、各mec服务器的位置、以及各mec服务器的服务范围，确定各车辆在下一时刻可用的mec服务器，包括：
20、设第i台车辆在下一时刻的预测位置为设第k个mec服务器的位置为设车辆本文档来自技高网...
【技术保护点】
1.一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，设多车辆多MEC场景中的MEC服务器集合为M，M＝{1,2,…,M}，共包含M个MEC服务器，设多车辆多MEC场景中的车辆集合为N，N＝{1,2,…,N}，共包含N台车辆，时间被划分为若干个时间片，每个时间片的时间长度相同，时间片集合表示为T，T＝{t0,t1,…,tm}，在每一个时间片中，各车辆随机生成离散且不同属性的不可拆分的任务，时间片也称为时刻；
3.根据权利要求2所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，基于构建的模型搭建的最小化时延的目标函数，表示为：
4.根据权利要求3所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，基于各车辆在下一时刻的预测位置、各MEC服务器的位置、以及各MEC服务器的服务范围，确定各车辆在下一时刻可用的MEC服务器，包括：
5.根据权利要求4所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在
6.根据权利要求5所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，获得DDQN网络基于最小化时延的目标函数输出的任务卸载策略，包括：
7.根据权利要求1至6中任一项所述的一种基于轨迹预测的MEC车载网络计算预卸载方法，其特征在于，在训练LSTM模型时，使用MAE指标、MSE指标和RMSE指标验证训练出的LSTM模型的有效性和准确性；
8.一种基于轨迹预测的MEC车载网络计算预卸载系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，能够实现如权利要求1至7中任一项所述的基于轨迹预测的MEC车载网络计算预卸载方法。
...【技术特征摘要】
1.一种基于轨迹预测的mec车载网络计算预卸载方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轨迹预测的mec车载网络计算预卸载方法，其特征在于，设多车辆多mec场景中的mec服务器集合为m，m＝{1,2,…,m}，共包含m个mec服务器，设多车辆多mec场景中的车辆集合为n，n＝{1,2,…,n}，共包含n台车辆，时间被划分为若干个时间片，每个时间片的时间长度相同，时间片集合表示为t，t＝{t0,t1,…,tm}，在每一个时间片中，各车辆随机生成离散且不同属性的不可拆分的任务，时间片也称为时刻；
3.根据权利要求2所述的一种基于轨迹预测的mec车载网络计算预卸载方法，其特征在于，基于构建的模型搭建的最小化时延的目标函数，表示为：
4.根据权利要求3所述的一种基于轨迹预测的mec车载网络计算预卸载方法，其特征在于，基于各车辆在下一时刻的预测位置、各mec服务器的位置、以及各mec服务器的服务范围，确定各车辆在下一时刻可用的mec服务器，包括：
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。