汽车CPS大数据若干关键技术研究

摘要

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（VehicularCyber-physicalSystems，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-basedDeepConvolutionalNetwork）。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（FuzzyConvolutionalNeuralNetworks）和FDCN（FuzzyDeepConvolutionalNetworks）。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（MinimizingtheScheduleLengthusingtheBudgetLevel）和有时间限制的并行应用执行成本最小化算法DUCO（DownwardUpwardCostOptimization）。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。

目录

声明

第1章 绪论

1.1 研究背景

1.1.1 汽车CPS概述

1.1.2 大数据认知计算

1.2 研究现状与分析

1.3 研究问题与挑战

1.3.1 研究问题

1.3.2 面临的困难与挑战

1.4 研究内容与创新

1.4.1 研究思路

1.4.2 研究内容

1.4.3 研究贡献

1.5 论文的组织

第2章 汽车CPS大数据认知计算

2.1 汽车CPS认知计算

2.2 交通流预测方法

2.3 汽车CPS大数据表示

2.3.1 多模态数据表示

2.3.2 张量数据表示

2.4 汽车CPS大数据的深度学习认知方法

2.4.1 深度学习工作原理

2.4.2 卷积神经网络

2.4.3 栈式自编码器

2.4.4 递归神经网络

2.4.5 基于张量的深度学习

2.4.6 深度学习模型优化

2.5 汽车CPS大数据应用并行计算

2.5.1 数据并行与模型并行

2.5.2 GPU加速与计算集群

2.5.3 并行应用的计算资源分配

2.6 深度学习认知计算应用与挑战

2.6.1 深度学习认知计算应用

2.6.2 深度学习认知计算挑战

2.7 本章小结

第3章 基于张量的汽车CPS大数据表示方法

3.1 本章引言

3.2 张量数据表示

3.3 基于张量的深度计算

3.3.1 基于张量的深度计算模型

3.3.2 重构误差

3.3.3 基于张量训练的学习算法

3.4 Tucker分解深度计算

3.4.1 Tucker分解

3.4.2 Tucker分解深度计算模型

3.4.3 基于Tucker分解的深度计算学习算法

3.5 实验

3.5.1 实验设置

3.5.2 评价指标

3.5.3 实验结果

3.6 本章小结

第4章 基于模糊深度卷积网的汽车CPS大数据认知

4.1 本章引言

4.2 相关技术基础

4.2.1 模糊理论

4.2.2 深度卷积网模型

4.2.3 问题形式化

4.3 模糊卷积网模型及学习算法

4.3.1 模糊深度残差网模型

4.3.2 FDCN学习算法

4.4 实验结果

4.4.1 实验设置

4.4.2 评价指标

4.4.3 模型收敛性分析

4.4.4 模型设计因素分析

4.4.5 预测性能比较

4.5 本章小结

第5章 满足实时需求的汽车CPS大数据应用并行方法

5.1 本章引言

5.2 系统模型和成本模型

5.2.1 系统模型

5.2.2 成本模型

5.2.3 任务优先级

5.3 有成本限制的并行应用执行时间最小化

5.3.1 问题形式化

5.3.2 已有的HBCS算法

5.3.3 成本限制

5.3.4 满足成本限制

5.3.5 执行时间最小化

5.3.6 提出的MSLBL算法

5.3.7 MSLBL算法实例

5.4 有时间限制的并行应用执行成本最小化

5.4.1 问题描述

5.4.2 满足时间限制

5.4.3 提出的DCO算法

5.4.4 提出的DUCO算法

5.5 实验结果

5.5.1 实验设置

5.5.2 评价指标

5.5.3 MSLBL算法性能分析

5.5.4 DCO和DUCO算法性能分析

5.6 本章小结

总结与展望

1.工作总结

2.研究展望

参考文献

附录A 发表论文和参加科研情况说明

致谢