论文部分内容阅读
随着大数据和智能时代的到来,智能辅助驾驶正改变着人们的出行方式,缓解交通拥堵和提高出行安全成为人们“智慧出行”的重要方面。汽车CPS(Vehicular Cyber-physical Systems,VCPS)是一个集信息、计算、网络和物理环境于一体的深度融合系统,实现系统的实时感知、动态控制和信息服务等功能。交通流预测作为汽车驾驶中为路径规划提供有效信息服务的重要手段,已成为汽车CPS认知计算的重要课题。本文以汽车CPS认知计算为研究目标,以交通流大数据为例,重点研究基于张量的汽车CPS大数据表示、汽车CPS大数据认知方法及并行应用的计算资源分配策略,从数据表示、认知算法和并行化方法角度来为汽车CPS中个人智能辅助驾驶提供实时准确的信息服务,并对提出方法进行了实验验证。论文的主要研究工作与贡献包括:(1)针对汽车CPS大数据认知计算问题,首先介绍了汽车CPS认知计算,然后以交通流预测为例综述了交通流预测方法。针对汽车CPS大数据带来的问题,结合深度学习方法,综述了近年来大数据环境下基于深度学习认知计算的研究进展,并重点从汽车CPS大数据表示、认知方法、并行计算等方面进行了前沿概括、比较和分析,然后归纳出深度学习认知计算的应用与挑战。基于此,本文工作从汽车CPS大数据表示、认知算法和大数据应用的并行方法等关键点展开了研究。(2)针对汽车CPS大数据多样性问题,构建了基于张量的数据表示,提出了张量训练的深度计算模型。以汽车CPS大数据应用交通流预测为例,首先构建张量数据表示和深度卷积网预测模型,然后提出基于张量的深度计算模型TDCN(Tensor-based Deep Convolutional Network)。然而,汽车CPS计算资源有限,基于张量的深度模型计算复杂。为了降低模型的计算复杂度,引入Tucker分解到深度计算模型中,提出了汽车CPS大数据预测的Tucker分解深度计算模型。在TaxiBJ数据集上的实验结果验证了提出方法在预测准确率、参数减少和加速等方面的有效性。(3)针对汽车CPS大数据的不确定性问题,以交通流大数据为例,提出了基于模糊深度卷积网的交通流预测方法FCNN(Fuzzy Convolutional Neural Networks)和FDCN(Fuzzy Deep Convolutional Networks)。提出方法将模糊理论引入到深度学习模型中,通过构建模糊深度卷积网模型和设计参数自学习算法,不仅能自适应生成模糊规则,而且能减少数据不确定性的影响。FDCN模型利用深度残差网的深层结构,不仅有效探索了交通流数据的时空相关特性以改进预测准确度,还有效避免了模型训练的过拟合问题。实验从模型的收敛性、模型结构优化、预测的准确性等方面进行了验证,结果表明提出方法比已有方法有更好的性能。(4)针对汽车CPS大数据应用的实时性能需求问题,研究了异构云环境下并行应用的执行时间最小化和执行成本最小化计算资源分配策略,分别提出了有成本限制的并行应用执行时间最小化算法MSLBL(Minimizing the Schedule Length using the Budget Level)和有时间限制的并行应用执行成本最小化算法DUCO(Downward Upward Cost Optimization)。提出方法采用首先构建系统模型,然后将研究问题分解成两个子问题,最后将问题转化并提出启发式算法解决。MSLBL算法定义预支水平参数来公平地预分配成本给每个任务,DUCO算法采用从向上和向下两个角度优化成本的启发式算法来给任务分配计算资源。实验结果验证了提出方法的有效性。总之,本文围绕实时准确的汽车CPS大数据认知计算问题展开研究,分别对汽车CPS大数据表示、认知算法及其并行应用方法进行分析,提出相应的模型、算法和策略,研究成果对提高汽车CPS认知的准确性和实时性效能具有一定的理论意义和实践意义。