(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210551476.9 (22)申请日 2022.05.18 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 邵苏杰　徐思雅　郭少勇　柴睿均　 郑俊韬　邱雪松　亓峰　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 张文玄 (51)Int.Cl. H04W 4/029(2018.01) H04W 4/40(2018.01) H04W 24/02(2009.01) G06F 9/50(2006.01) G06N 20/00(2019.01) (54)发明名称 基于位置预测的智慧公路任务协同处理方 法、 系统 (57)摘要 本发明提供一种基于位置预测的智慧公路 任务协同处理方法、 系统， 所述方法包括： 获取车 辆的状态信息和任务信息； 基于所述状态信息， 预测出车辆位置； 基于强化学习模型， 以最小化 所述任务的整体时延为目标， 将所述任务协同分 配至多个移动边缘计算服务器， 其中， 所述移动 边缘计算服务器临近预测出的所述车辆位置。 通 过预测车辆轨迹， 将车辆任务在多个MECS上进行 横向协同分配， 配合车辆运动节省传输时延， 使 得整体车辆任务的分配是最 为优化的。 权利要求书1页 说明书12页 附图4页 CN 115103313 A 2022.09.23 CN 115103313 A 1.一种基于位置预测的智慧公路任务协同处 理方法， 其特 征在于， 所述方法包括： 获取车辆的状态信息和任务信息； 基于所述状态信息， 预测出 车辆位置； 基于强化学习模型， 以最小化所述任务的整体时延为目标， 将所述任务协同分配至多 个移动边 缘计算服务器， 其中， 所述移动边 缘计算服务器临近预测出的所述车辆位置 。 2.根据权利要求1所述的基于位置预测的智慧公路任务协同处理方法， 其特征在于， 所 述基于强化学习模型， 以最小化所述任务的整体时延为目标， 包括： 获取时隙内多个任务； 以所述时隙内多个任务的平均整体时延的最小化， 作为所述强化学习模型的目标。 3.根据权利要求2所述的基于位置预测的智慧公路任务协同处理方法， 其特征在于， 所 述以所述时隙内多个任务的平均整体时延的最小化， 作为所述强化学习模型的目标， 包括： 对于所述时隙内多个任务分配的所有移动边 缘计算服务器构成的计算网络； 以所述时隙内多个任务的平均整体时延的最小化， 作为所述强化学习模型的目标， 同 时， 以所述计算网络的负载均衡作为目标。 4.根据权利要求1所述的基于位置预测的智慧公路任务协同处理方法， 其特征在于， 所 述将所述任务协同分配至多个移动边 缘计算服务器， 包括： 在将所述任务进行协同分配时， 应满足， 车辆行驶至当前移动边缘计算服务器范围的 时延大于等于任务的整体时延， 且小于任务所能接受的最大时延。 5.根据权利要求1所述的基于位置预测的智慧公路任务协同处理方法， 其特征在于， 所 述基于所述状态信息， 预测出 车辆位置， 包括： 通过GRU神经网络模型， 基于车辆的历史位置、 时间和速度， 对车辆位置做出 预测。 6.根据权利要求1 ‑5中任一项所述的基于位置预测的智慧公路任务协同处理方法， 其 特征在于， 所述强化学习模型为D DQN模型。 7.一种基于位置预测的智慧公路任务协同处 理系统， 其特 征在于， 所述系统包括： 获取模块， 所述获取模块获取 车辆的状态信息和任务信息； 预测模块， 所述预测模块基于所述状态信息， 预测出 车辆位置； 协同模块， 所述协同模块基于强化学习模型， 以最小化所述任务的整体时延为目标， 将 所述任务协同分配至多个移动边缘计算服务器， 其中， 所述移动边缘计算服务器临近预测 出的所述车辆位置 。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑6中任一项 所 述基于位置预测的智慧公路任务协同处 理方法的步骤。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处理器执行时实现如权利要求 1‑6中任一项 所述基于位置预测的智慧公路任务协同 处理方法的步骤。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1 ‑6中任一项所述基于位置预测的智慧公路任务协同处理方法的步 骤。权　利　要　求　书 1/1 页 2 CN 115103313 A 2基于位置 预测的智慧公路任务协同 处理方法、 系统 技术领域 [0001]本发明涉及智慧公路技术领域， 尤其涉及 一种基于位置预测的智慧公路任务协同 处理方法、 系统。 背景技术 [0002]智慧公路是一个借助新一代信息通信技术， 以人车路环境的全面精准感知智能决 策为核心， 通过人车路互联与协作， 构建可实现协同管控与创新服务的公路系统。 智慧公路 依托通信系统、 监控系统等基础设施， 并对车辆实施自动安全检测、 发布相关的公路环境信 息以及实施实时自动操作， 为实现智能化的公路运输提供更为安全、 经济、 舒适的基础服 务。 智慧公路使得新兴的车辆服务成为可能， 例如道路状况提醒， 包括桥梁、 隧道、 急弯 等事 故易发路段的提醒； 道路智慧监测， 利用道路侧的感知设备收集天气、 环境、 交通路况等信 息， 为司机提供最新的道路信息； 车辆辅助驾驶， 包括碰撞预警、 紧急制动预警、 变道辅助和 车辆失控预警等基本应用。 显而易见， 上述服务的实现将建立在海量数据的快速精准处理 和计算基础之上， 需要智慧公路信息通信系统能够满足相应的低时延、 高可靠等 业务需求。 [0003]移动边缘计算(Mobile  Edge Computing， MEC)以其边缘处理和支持移动性等特点 与智慧公路场景高度契合。 并且随着5G技术的发展， 作为能够充分发挥5G高带宽、 低时延、 大连接等网络优势的在边缘侧提供算力的关键技术， MEC已成为智慧公路 的首选。 MEC技术 极大的减缓了车辆自身的计算压力， 降低了业 务处理时延， 提高了整体效能。 [0004]然而目前， 对于车辆任务的协同， 是基于向路侧单元(RoadSideUnit， 又称RSU)、 MEC和云端服务器分配任务而进行 的纵向协同， 也未能考虑车辆高速移动带来的传输时延 导致的不利影响。 发明内容 [0005]针对现有技术存在的问题， 本发明提供一种基于位置预测的智慧公路任务协同处 理方法、 系统。 [0006]本发明提供的一种基于位置预测的智慧公路任务协同处 理方法， 所述方法包括： [0007]获取车辆的状态信息和任务信息； [0008]基于所述状态信息， 预测出 车辆位置； [0009]基于强化学习模型， 以最小化所述任务的整体时延为目标， 将所述任务协同分配 至多个移动边 缘计算服务器， 其中， 所述移动边 缘计算服务器临近预测出的所述车辆位置 。 [0010]根据本发明提供的一种基于位置预测的智慧公路任务协同处理方法， 所述基于强 化学习模型， 以最小化所述任务的整体时延为目标， 包括： [0011]获取时隙内多个任务； [0012]以所述时隙内多个任务的平均整体时延的最小化， 作为所述强化学习模型的目 标。 [0013]根据本发明提供的一种基于位置预测的智慧公路任务协同处理方法， 所述以所述说　明　书 1/12 页 3 CN 115103313 A 3