【技术实现步骤摘要】
本专利技术涉及一种基于5g多接入边缘计算的车联网多参数监测方法及系统，属于车联网。
技术介绍
1、随着车联网和自动驾驶技术的快速发展，车辆安全和驾驶体验的提升对于智能交通系统至关重要。传统的车联网系统主要依赖于中心化的数据处理模式，存在数据传输延迟高、信息瓶颈严重、实时响应能力不足等问题。此外，现有的数据处理方法难以有效应对车联网场景下海量、异构、高维的传感器数据，导致数据的利用率和决策的准确性受到限制。
2、5g通信技术的出现为解决上述问题提供了基础，5g网络具有高带宽、低延迟、大连接的特点，使得车辆产生的数据能够快速地传输到网络边缘并得到实时处理。多接入边缘计算（mec）将计算、存储等资源部署在靠近用户的网络边缘，可以大幅减少数据传输时延，提高服务质量。然而，如何在多接入边缘计算环境下实现车联网数据的高效融合与处理，并充分发挥5g和mec的技术优势，仍然是一个需要解决的问题。
技术实现思路
1、本专利技术所要解决的技术问题是：在车联网多参数监测过程中，如何利用5g和多接入边缘计算实现车辆和驾驶员状态的实时、准确、安全地监测和分析。
2、为解决上述技术问题，本专利技术提供一种基于5g多接入边缘计算的车联网多参数监测方法，包括以下步骤：
3、步骤一，利用车载传感器实时采集多源异构数据，包括车辆操作参数、驾驶员生理和行为数据；
4、步骤二，利用5g网络将采集的多源异构数据实时传输至最近的边缘计算节点；
5、步骤三，在边缘计算
6、步骤四，将融合后的数据输入到边缘节点上部署的局部模型中，所述局部模型为深度学习模型，所述深度学习模型利用时空注意力机制和长短时记忆网络，提取输入数据中的时空特征，进行车辆状态和驾驶员状态的实时监测和实时评估，得到评估结果；同时，采用联邦学习算法对多个车载边缘节点上的局部模型进行训练，实现多节点间协同优化；
7、步骤五，将步骤四得到的评估结果上传到云端平台，云端平台根据所有边缘节点上传的评估结果进行全局决策和优化，生成驾驶辅助决策和控制指令；云端平台再根据车辆行驶工况、环境数据，对驾驶辅助决策和控制指令进行动态调整，生成最优决策结果；
8、步骤六，将最优决策结果通过5g网络下发至车载执行单元，根据最优决策结果对车辆进行安全控制或向驾驶员发出告警。
9、前述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤三中，数据融合包括以下步骤：
10、1)设定初始状态估计值 及初始协方差矩阵 ，定义状态转移函数 和观测函数 ，初始化粒子集合 ，其中 为第个粒子， 为其对应的权重， 为粒子总数；
11、2)根据上一时刻的状态估计值和状态转移函数，预测当前时刻的先验状态估计及先验协方差矩阵 ，并更新粒子集合：
12、，
13、，
14、，
15、其中， 为状态转移矩阵， 为过程噪声协方差矩阵； 表示概率密度函数，给出当前状态的概率分布；
16、3)根据当前时刻的观测值 ，计算卡尔曼增益 ，并更新后验状态估计 及后验协方差矩阵 ：
17、，
18、，
19、，
20、其中， 为观测矩阵， 为观测噪声协方差矩阵；
21、4)根据当前时刻的观测值和观测函数，计算每个粒子的似然概率，并更新相应权重：
22、，
23、，
24、其中， 为归一化后的粒子权重；为比例常数，用于表示权重更新的比例关系，最终通过归一化步骤来确定具体的权重值；
25、5)根据粒子权重，对粒子集合进行重采样，消除权重退化问题；
26、6)根据5)更新后的粒子集合，计算当前时刻的状态估计值：
27、，
28、7)根据融合结果的残差统计特性，自适应调整卡尔曼滤波器的过程噪声协方差矩阵 和观测噪声协方差矩阵 ；
29、8)重复2）~7），直至数据处理完毕。
30、前述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤四中，在对局部模型进行训练的过程包括：
31、s1)在加密的梯度聚合过程中，各边缘节点在本地计算模型参数的梯度 ，并通过加密方式发送到中心节点进行聚合：
32、，
33、其中， 为节点数， 为满足 -差分隐私的高斯噪声，和分别控制隐私保护的强度和概率；
34、s2)中心节点利用聚合后的梯度更新全局模型参数，并将更新后的模型广播给各节点，完成一轮联邦学习迭代；
35、表示聚合后的梯度，是所有边缘节点计算的梯度的平均值加上噪声项；表示第个边缘节点在本地计算的模型参数梯度；为边缘节点的数量；
36、，
37、其中，为学习率；通过多轮迭代，利用联邦学习算法在不直接共享原始数据的情况下，实现车载节点间的局部模型协同优化；
38、s3）重复s1）~s2），直至全部模型收敛或达到预设的迭代轮数。
39、前述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤四中，在联邦学习过程中，量化后的梯度 和稀疏化后的梯度 分别表示为：
40、，
41、，
42、其中，为量化位宽，为稀疏化阈值。
43、前述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤五中，在动态调整过程中，利用随机微分博弈模型描述驾驶员、车辆行驶工况、道路交通状况的动态交互，通过求解纳什均衡，获得各参与者的最优决策结果；
44、定义博弈模型为 ，其中 ， 为博弈参与者的集合， 和 分别为参与者 的状态空间和动作空间， 为参与者 的效用函数，表示在博弈过程中获得的收益，所述博弈参与者包括驾驶员、车辆、环境；表示一个有序的集合或元组；
45、博弈过程描述为如下随机微分方程：
46、，
47、其中， 和 分别为参与者 在 时刻的状态和动作， 为其他参与者的动作， 为布朗运动， 和 分别为漂移函数和扩散函数，描述参与者状态的变化规律，为参与者在时刻的状态变化。
48、前述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤六中，包括：
49、ss1)最优决策结果通过5g网络传输至车载系统；
50、ss2)利用深度强化学习算法对车载计算资源、存储资源和通信资源进行动态调整，定义强化学习模型为 ，其中：状态空间 包括系统队列状态、网络状态；动作空间 代表资源调度决策；状态转移概率 描述从一个状态转移到另一个状态的可能性；奖励函数 用于评估每个动作的效果；折扣因子 用于权衡未来奖励的重要性；
51、深度强化学习算法的目标函数是最大化长期累积奖励的期望：
52、，
53、其中， 是考虑任本文档来自技高网...
【技术保护点】
1.一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤三中，数据融合包括以下步骤：
3.根据权利要求1所述的一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤四中，在对局部模型进行训练的过程包括：
4.根据权利要求3所述的一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤四中，在联邦学习过程中，量化后的梯度 和稀疏化后的梯度 分别表示为：
5.根据权利要求1所述的一种基于5G多接入边缘计算的车联网多参数监测方法，在步骤五中，在动态调整过程中，利用随机微分博弈模型描述驾驶员、车辆行驶工况、道路交通状况的动态交互，通过求解纳什均衡，获得各参与者的最优决策结果；
6.根据权利要求1所述的一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤六中，包括：
7.根据权利要求6所述的一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤
8.一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求 1 -7任一项所述基于5G多接入边缘计算的车联网多参数监测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1 -7任一项所述基于5G多接入边缘计算的车联网多参数监测方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1 -7任一项所述基于5G多接入边缘计算的车联网多参数监测方法的步骤。
...【技术特征摘要】
1.一种基于5g多接入边缘计算的车联网多参数监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于5g多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤三中，数据融合包括以下步骤：
3.根据权利要求1所述的一种基于5g多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤四中，在对局部模型进行训练的过程包括：
4.根据权利要求3所述的一种基于5g多接入边缘计算的车联网多参数监测方法，其特征在于，在步骤四中，在联邦学习过程中，量化后的梯度 和稀疏化后的梯度 分别表示为：
5.根据权利要求1所述的一种基于5g多接入边缘计算的车联网多参数监测方法，在步骤五中，在动态调整过程中，利用随机微分博弈模型描述驾驶员、车辆行驶工况、道路交通状况的动态交互，通过求解纳什均衡，获得各参与者的最优决策结果；
6.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：朱启文，李建林，周亚凤，蒋安丽，陈凡，陈梓赫，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：
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。