一种车联网的资源优化方法、装置、设备、系统及介质与流程

1.本发明实施例涉及无线通信技术领域，尤其涉及一种车联网的资源优化方法、装置、设备、系统及介质。


背景技术：

2.随着车辆的普及率的迅速提高，道路拥堵程度愈发严重，交通事故也频繁增加。车辆具备“智慧化”，道路具备“聪明化”，缓解拥堵问题，减少安全事故，提升出行效率等愈加成为人们关注的焦点。在车联网通信中，由于车辆的移动和电磁波的随机散射，通信信道会发生快速的变化，而通信资源的优化，需要根据信道变化进行快速的实时的调整。但目前已有的资源优化方法均是根据信道状态信息进行迭代搜索，寻找最优的资源优化解。这些已有的迭代搜索资源优化方法均存在计算复杂度高、计算时延长的问题，会导致资源优化解计算出来时，信道状态已经发生改变，从而使资源优化解失效，系统性能变差。


技术实现要素：

3.本发明提供了一种车联网的资源优化方法、装置、设备、系统及介质，以实现车联网的资源优化。
4.第一方面，本发明实施例提供了一种车联网的资源优化方法，包括：
5.获取信道状态信息，信道状态信息包括路侧单元(road side unit，rsu)到车辆的第一信道矩阵、智能超表面(reconfigurable intelligence surface，ris)到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；
6.将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；
7.根据资源优化参数优化车联网的资源。
8.第二方面，本发明实施例提供了一种车联网的资源优化装置，包括：
9.信息获取模块，用于获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；
10.信息输入模块，用于将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；
11.资源优化模块，用于根据资源优化参数优化车联网的资源。
12.第三方面，本发明实施例提供了一种电子设备，包括：
13.至少一个处理器；以及
14.与至少一个处理器通信连接的存储器；其中，
15.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够实现如第一方面所述的车联网的资源优化方法。
16.第四方面，本发明实施例提供了一种车联网通信系统，包括：
17.rsu、ris以及车辆，该系统能够实现如第一方面所述的车联网的资源优化方法。
18.第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时能够实现如第一方面所述的车联网的资源优化方法。
19.本发明实施例提供了一种车联网的资源优化方法、装置、设备、系统及介质，通过获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差，再将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数，最后根据资源优化参数优化车联网的资源。上述技术方案针对信道状态信息，利用深度神经网络模型即可输出资源优化参数，实现了低时延、快速的车联网的资源优化，使资源优化可以根据信道状态变化快速做出响应，进而可根据资源优化结果进行快速且准确的通信，便于实时且准确的获取网络服务和道路上的信息，有助于提升公众的出行效率和出行安全。
20.应当理解，本部分所描述的内容并非旨在标识本发明实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
21.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
22.图1为本发明实施例一提供的一种车联网的资源优化方法的流程图；
23.图2为本发明实施例二提供的一种车联网的资源优化方法的流程图；
24.图3为本发明实施例二提供的一种深度神经网络模型的示意图；
25.图4为本发明实施例二提供的一种车联网的资源优化方法的仿真实验结果的示意图；
26.图5为本发明实施例三提供的一种车联网的资源优化装置的结构示意图；
27.图6为本发明实施例四提供的一种车联网通信系统的结构示意图；
28.图7为本发明实施例四提供的一种车联网通信场景的示意图；
29.图8为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
30.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
31.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
32.需要注意，本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分，并非用于限定这些装置、模块、单元或其他对象所执行的功
能的顺序或者相互依存关系。
33.实施例一
34.图1为本发明实施例一提供的一种车联网的资源优化方法的流程图，本实施例可适用于优化车联网的资源的情况。具体的，该车联网的资源优化方法可以由车联网的资源优化装置执行，该车联网的资源优化装置可以通过软件和/或硬件的方式实现，并集成在电子设备中。进一步的，电子设备包括但不限定于：台式计算机、笔记本电脑、服务器以及车辆等电子设备。
35.如图1所示，该方法具体包括如下步骤：
36.s110、获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差。
37.本实施例中，信道可以理解为由无线电线路提供的信号通路。信道状态信息可以理解为无线通信中描述信道的数据，可表示通信链路的信道属性，可描述信道中散射、衰落、功率衰减等多种效应的联合影响，即可描述信号在每条传输路径上的衰弱因子，信道增益矩阵中每个元素的值，如信号散射、环境衰弱、距离衰减等信息，可由传感器采集获取，信道状态信息可包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差。rsu可以理解为安装在路侧，采用dsrc(dedicated short range communication)技术，与车载单元(onboardunit，obu)进行通讯的装置。ris可由重构的无源反射单元组成，通过对ris每个反射单元的振幅与相位的可编程动态调控，可实现对入射电磁波的调控，从而可改变传统无线信道不可控的特点，提高信号的传输质量，具有低成本、低功耗、易部署、可编程等优点。噪声方差可以理解为在一组数据信号中，由于各种随机因素导致数据信号出现变动的程度，可为数据信号噪声水平和质量的一个重要指标。
38.示例性的，预设一定时间周期内信道状态信息保持不变，获取rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差。
39.s120、将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数。
40.本实施例中，深度神经网络模型可以理解为机器学习领域中的一种技术模型。约束条件可以理解为在优化设计中，设计变量时对变量的取值范围的各种限制条件。车辆的总速率可以理解为各车辆的和速率或者速率之和。资源优化参数可以理解为在满足约束条件的前提下，使车辆的总速率最大的资源优化参数。
41.具体的，深度神经网络模型的输入可为信道状态信息，其输出为满足约束条件的前提下，使车辆的总速率最大的资源优化参数。
42.s130、根据资源优化参数优化车联网的资源。
43.本实施例中，车联网可以理解为车辆物联网，以行驶中的车辆为信息感知对象，实现车与车、人、路、服务平台之间的网络连接，提升车辆整体的智能驾驶水平。
44.具体的，根据资源优化参数优化车联网的资源，进而可根据资源优化结果进行通信。
45.本发明实施例一提供的一种车联网的资源优化方法，通过获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差，再将信道状态信息输入至深度神经网络模型，得到在约束条件下
使得车辆的总速率最大的资源优化参数，最后根据资源优化参数优化车联网的资源。上述技术方案针对信道状态信息，利用深度神经网络模型即可输出资源优化参数，实现了低时延、快速的车联网的资源优化，使资源优化可以根据信道状态变化快速做出响应，进而可根据资源优化结果进行快速且准确的通信，便于实时且准确的获取网络服务和道路上的信息，有助于提升公众的出行效率和出行安全。
46.实施例二
47.图2为本发明实施例二提供的一种车联网的资源优化方法的流程图，本实施例是在上述实施例的基础上进行细化，对车联网的资源优化方法进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
48.具体的，如图2所示，该方法具体包括如下步骤：
49.s210、构建最优化问题，最优化问题的目标函数包括车辆的总速率最大，最优化问题的解包括rsu发送波束赋形参数、ris反射系数以及车辆时隙分配参数。
50.本实施例中，资源优化问题可以被建模成为一个最优化问题，最优化问题的目标函数可包括车辆的总速率最大。最优化问题的解可以理解为资源优化问题的解。波束赋形参数可以理解为波束赋形过程相关的参数，可由rsu发送。其中，波束赋形技术可为一种使用传感器阵列定向发送和接收信号的信号处理技术，可通过调整相位阵列的基本单元的参数，使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉。波束赋形既可以用于信号发射端，又可以用于信号接收端。车辆时隙分配参数可以理解为分配车辆时隙的参数。其中，车辆时隙可为以车辆的个数为时隙的个数将一定时间周期划分成各车辆所占用的时隙。
51.s220、采用基于交替优化的迭代搜索方法求解最优化问题，以确定训练数据集。
52.本实施例中，基于交替优化的迭代搜索方法的基本思想可为将需要优化的参数集合分成多个子集，每次只对其中一个子集进行优化，而其他的子集则被固定为一个常数。通过不断交替更新这些参数子集，交替优化可以在迭代中逐渐逼近一组最优参数。基于交替优化的迭代搜索方法的流程可为：首先对参数进行初始化，为所有参数设置一个初始值，可以随机生成，也可以根据经验设置为一些合理的值；下一步确定需要优化的目标函数，可以使用一些常见的损失函数，比如交叉熵、均方误差等；下一步将所有需要优化的参数划分成若干个子集，可根据参数的性质和依赖关系，合理地划分子集；下一步在每次迭代中，交替地更新每个参数子集，对于每个子集，将其他子集看作为常数，固定住其取值，然后使用优化算法(比如梯度下降)对该子集进行优化，直到其达到收敛条件或达到预设的迭代次数，在每次迭代结束后，需要判断是否达到收敛，可以通过比较相邻两次迭代中目标函数的差异，或者比较当前迭代中参数的变化量，来判断算法是否收敛；最后，输出优化后的参数值，以及对应的目标函数值。训练数据集可以理解为用于训练机器学习模型(如深度神经网络模型)的数据集，可为一组用于拟合机器学习模型的参数的样本。
53.s230、采用训练数据集训练深度神经网络模型。
54.本实施例中，训练数据集可以为最优化问题和最优化问题的解的数据集合。
55.具体的，首先构建最优化问题，其次采用基于交替优化的迭代搜索方法求解最优化问题，得到训练数据集，最后采用训练数据集训练深度神经网络模型，以得到可以自主求解最优化问题的深度神经网络模型。
56.s240、获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差。
57.s250、将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数。
58.s260、根据资源优化参数优化车联网的资源。
59.可选的，最优化问题基于以下车联网通信的相关参数构建：服务周期、每个车辆所占用的时隙、ris在第每个时隙的反射系数矩阵、rsu在每个时隙发送给相应车辆的信号、发送波束赋形矩阵、rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差。
60.本实施例中，服务周期可以理解为在车联网通信系统正常工作的时间内预设的一个时间范围，例如可以是2分钟。其中，车联网通信系统可以理解为构成车联网通信的系统。每个车辆所占用的时隙可以理解为将服务周期划分为多个时隙，每个车辆可以占用一个时隙，所有车辆的时隙求和可为服务周期。
61.示例性的，基于以下车联网通信的相关参数构建最优化问题：在服务周期t内，有k个车辆需要使用一个ris进行rsu到车辆的下行通信(基站到终端的通信)，k个车辆分别记为1，
…
k，
…
k，这k个车辆可采用时分多址的通信方式，将服务周期t划分为k个时隙，分别记为时隙λ1，
…
λk，
…
λk，其中第k个时隙λk为第k个车辆所占用的时隙，ris具有n个无源反射单元，第n个反射单元在第k个时隙的反射系数记为β
n，k
，其中n∈{1，2，
…
，n}，k∈{1，2，
…
，k}，α
n，k
为第n个反射单元在第k个时隙的反射幅度，ψ
n，k
为第n个反射单元在第k个时隙的反射相位，则ris在第k个时隙的反射系数矩阵为其中表示n行n列的复数矩阵；rsu配有m根天线，在第k个时隙发送给车辆k的信号为发送波束赋形矩阵为设服务周期t内信道状态信息保持不变，rsu到ris的信道矩阵为ris到车辆k的信道矩阵为rsu到车辆k的信道矩阵为第k个时隙的噪声记为nk，噪声方差为nk。
62.可选的，采用基于交替优化的迭代搜索方法求解最优化问题，以确定训练数据集，包括：
63.随机生成以下车联网通信的相关参数：rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差；
64.基于随机生成的参数求解最优化问题，得到最优化问题的解，随机生成的参数以及最优化问题的解构成一个训练样本；
65.重复上述随机生成操作和求解操作设定次数，得到设定数量的训练样本，设定数量的训练样本构成训练数据集。
66.示例性的，对于所有的车辆k∈{1，2，
…
，k}，随机生成一组车联网通信的相关参数：rsu到ris的信道矩阵h
br
、rsu到每个车辆的信道矩阵ris到每个车辆的信道矩阵
以及噪声方差nk；利用基于交替优化的迭代搜索方法求解最优化问题，得到对应的资源优化解：rsu发送波束赋形参数fk、ris反射系数φk以及车辆时隙分配参数λk，这样就构成了一个训练样本通过重复这样的操作设定次数，例如10万次，生成10万个样本，这些样本就构成了训练数据集。
67.可选的，深度神经网络模型包括输入层、隐藏层和输出层；
68.输入层包括mn+(m+n+1)k个节点；
69.隐藏层的每一层中包括mn+(m+n+1)k个节点，采用的神经元激活函数均为线性整流函数；
70.输出层包括(m2+n2+1)k个节点，采用的神经元激活函数均为归一化指数函数；
71.其中，m为rsu的天线数量，n为ris的无源反射单元的数量，k为车辆数量。
72.可选的，约束条件包括ris的反射单元在每个时隙的反射系数约束条件、每个车辆所占用时隙的约束条件、rsu发送给每个车辆的最大发送功率约束条件。
73.示例性的，基于以下车联网通信的相关参数构建最优化问题：在服务周期t内，有k个车辆需要使用一个ris进行rsu到车辆的下行通信(基站到终端的通信)，k个车辆分别记为1，
…
k，
…
k，这k个车辆可采用时分多址的通信方式，将服务周期t划分为k个时隙，分别记为时隙λ1，
…
λk，
…
λk，其中第k个时隙λk为第k个车辆所占用的时隙，ris具有n个无源反射单元，第n个反射单元在第k个时隙的反射系数记为β
n，k
，其中n∈{1，2，
…
，n}，k∈{1，2，
…
，k}，α
n，k
为第n个反射单元在第k个时隙的反射幅度，ψ
n，k
为第n个反射单元在第k个时隙的反射相位，则ris在第k个时隙的反射系数矩阵为其中表示n行n列的复数矩阵；rsu配有m根天线，在第k个时隙发送给车辆k的信号为发送波束赋形矩阵为设服务周期t内信道状态信息保持不变，rsu到ris的信道矩阵为ris到车辆k的信道矩阵为rsu到车辆k的信道矩阵为第k个时隙的噪声记为nk，噪声方差为nk。
74.最优化问题的目标函数包括车辆的总速率最大，最优化问题的解包括rsu发送波束赋形参数、ris反射系数以及车辆时隙分配参数，则第k个时隙车辆k接收到的rsu发送信号为第k个时隙车辆k的接收信息速率为为了求解满足约束条件下，使所有车辆的总速率最大的rsu发送波束赋形fk、ris反射系数φk、车辆时隙分配λk，可以将资源优化问题归结为最优化问题p1：其中约束条件α
n，k≤
1和ψ
n，k
∈(0，2π]是ris的第n个反射
单元在第k个时隙的反射系数约束，约束条件和λk＞0是对第k个车辆占用时隙的约束，约束条件|fk|2≤p
max
是最大发送功率约束，表示rsu发送给第k个车辆的发送功率不大于p
max
；对于所有的车辆k∈{1，2，
…
，k}，随机生成一组车联网通信的相关参数：rsu到ris的信道矩阵h
br
、rsu到每个车辆的信道矩阵ris到每个车辆的信道矩阵以及噪声方差nk；利用基于交替优化的迭代搜索方法求解最优化问题，得到对应的资源优化解：rsu发送波束赋形参数fk、ris反射系数φk以及车辆时隙分配参数λk，这样就构成了一个训练样本通过重复这样的操作设定次数，例如10万次，生成10万个样本，这些样本就构成了训练数据集；建立用于资源优化的深度神经网络模型，利用训练数据集对深度神经网络模型进行训练直至收敛。
75.图3为本发明实施例二提供的一种深度神经网络模型的示意图，如图3所示，深度神经网络模型包括输入层、隐藏层和输出层；输入层有mn+(m+n+1)k个节点，分别对应输入参数h
br
，nk，中的每一个元素；隐藏层有l层，每一层有mn+(m+n+1)k个节点，每一层都是先计算前一层各节点的权重和，然后进行神经元的激活，神经元激活函数均为relu函数，即f
relu
(a)＝max(0，a)；输出层有(m2+n2+1)k个节点，先计算前一层各节点的权重和，然后进行神经元的激活，各神经元激活函数为softmax函数，即通过传感器获取实际的信道状态信息：rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；将实际的信道状态信息输入至收敛以后的深度神经网络模型进行快速的资源优化，得到在约束条件下使得车辆的总速率最大的资源优化参数fk，φk，λk；最后根据资源优化参数优化车联网的资源。
76.示例性的，对本发明实施例二提供的一种车联网的资源优化方法进行仿真实验，以说明该方法的可行性和有效性。仿真时设信道矩阵中的每个元素均为瑞利衰落，噪声方差均为1，rsu与ris之间的距离为50米，车辆与ris之间的最远距离为200米，车辆与rsu之间的最远距离为300米。图4为本发明实施例二提供的一种车联网的资源优化方法的仿真实验结果的示意图，如图4所示，横坐标为车辆个数k，纵坐标为资源优化时延，“基于深度神经网络的资源优化”为本发明公开的资源优化方法；“迭代搜索资源优化”为已有的迭代搜索资源优化方法，从图4可以看出，随着车辆个数的增加，“基于深度神经网络的资源优化”和“迭代搜索资源优化”的资源优化时延都在增加，这是由于两种方法的计算复杂度都是随着车辆数的增大而增大；而且“基于深度神经网络的资源优化”的资源优化时延明显小于“迭代搜索资源优化”的资源优化时延，这是由于“基于深度神经网络的资源优化”直接利用收敛后的机器学习模型求解，其计算复杂度远小于“迭代搜索资源优化”的计算复杂度。因此，“基于深度神经网络的资源优化”与“迭代搜索资源优化”相比，可以降低求解资源优化的时延，使资源优化根据信道状态变化快速做出响应。
77.本发明实施例二提供的一种车联网的资源优化方法，在上述实施例的基础上进行细化，首先构建最优化问题，最优化问题的目标函数包括车辆的总速率最大，最优化问题的解包括rsu发送波束赋形参数、ris反射系数以及车辆时隙分配参数，通过ris辅助车联网通
信资源优化，ris可以改善信道状况，有助于快速求解最优化问题；再采用基于交替优化的迭代搜索方法求解最优化问题，以确定训练数据集，交替优化有效地处理参数间的复杂依赖关系和非凸问题，有助于快速求解最优化问题；再采用训练数据集训练深度神经网络模型；再获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数，通过收敛以后的深度神经网络模型可以快速得到资源优化参数，降低了车联网的资源优化的时延；最后根据资源优化参数优化车联网的资源。上述技术方案针对信道状态信息，利用深度神经网络模型即可输出资源优化参数，实现了低时延、快速的车联网的资源优化，使资源优化可以根据信道状态变化快速做出响应，进而可根据资源优化结果进行快速且准确的通信，便于实时且准确的获取网络服务和道路上的信息，有助于提升公众的出行效率和出行安全。
78.实施例三
79.图5为本发明实施例三提供的一种车联网的资源优化装置的结构示意图，该装置可以执行本发明实施例所提供的车联网的资源优化方法。本实施例提供的车联网的资源优化装置包括：
80.信息获取模块310，用于获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；
81.信息输入模块320，用于将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；
82.资源优化模块330，用于根据资源优化参数优化车联网的资源。
83.本发明实施例三提供的一种车联网的资源优化装置，通过获取信道状态信息，信道状态信息包括rsu到车辆的第一信道矩阵、ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差，再将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数，最后根据资源优化参数优化车联网的资源。上述技术方案针对信道状态信息，利用深度神经网络模型即可输出资源优化参数，实现了低时延、快速的车联网的资源优化，使资源优化可以根据信道状态变化快速做出响应，进而可根据资源优化结果进行快速且准确的通信，便于实时且准确的获取网络服务和道路上的信息，有助于提升公众的出行效率和出行安全。
84.在上述实施例的基础上，所述装置还包括：
85.构建模块，用于构建最优化问题，最优化问题的目标函数包括车辆的总速率最大，最优化问题的解包括rsu发送波束赋形参数、ris反射系数以及车辆时隙分配参数；
86.确定模块，用于采用基于交替优化的迭代搜索方法求解最优化问题，以确定训练数据集；
87.训练模块，用于采用训练数据集训练深度神经网络模型。
88.可选的，最优化问题基于以下车联网通信的相关参数构建：服务周期、每个车辆所占用的时隙、ris在第每个时隙的反射系数矩阵、rsu在每个时隙发送给相应车辆的信号、发送波束赋形矩阵、rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差。
89.可选的，确定模块包括：
90.生成单元，用于随机生成以下车联网通信的相关参数：rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差；
91.求解单元，用于基于随机生成的参数求解最优化问题，得到最优化问题的解，随机生成的参数以及最优化问题的解构成一个训练样本；
92.构成单元，用于重复上述随机生成操作和求解操作设定次数，得到设定数量的训练样本，设定数量的训练样本构成训练数据集。
93.可选的，深度神经网络模型包括输入层、隐藏层和输出层；
94.输入层包括mn+(m+n+1)k个节点；
95.隐藏层的每一层中包括mn+(m+n+1)k个节点，采用的神经元激活函数均为线性整流函数；
96.输出层包括(m2+n2+1)k个节点，采用的神经元激活函数均为归一化指数函数；
97.其中，m为rsu的天线数量，n为ris的无源反射单元的数量，k为车辆数量。
98.可选的，约束条件包括ris的反射单元在每个时隙的反射系数约束条件、每个车辆所占用时隙的约束条件、rsu发送给每个车辆的最大发送功率约束条件。
99.本发明实施例三提供的车联网的资源优化装置可以用于执行上述任意实施例提供的车联网的资源优化方法，具备相应的功能和有益效果。
100.实施例四
101.图6为本发明实施例四提供的一种车联网通信系统的结构示意图，该系统可以执行本发明实施例所提供的车联网的资源优化方法。本实施例提供的车联网通信系统包括：rsu 410、ris 420以及车辆430。
102.本实施例中，rsu 410可分布在道路的上，可以有多个。ris 420可部署在覆盖盲区、建筑物表面或室内，可以有多个。车辆430可以分布在观测区域内的不同道路上，可以有一个或多个。其中，该系统中的rsu 410、ris 420的智能控制器、以及车辆430的控制器可以作为执行资源优化方法的电子设备，也可以利用额外的台式计算机、笔记本电脑、服务器、基站或车载终端等执行资源优化方法，本实施例对此不做限定。
103.具体的，在车联网的资源优化过程中，电子设备首先获取信道状态信息，信道状态信息包括rsu 410到车辆430的第一信道矩阵、ris 420到车辆430的第二信道矩阵、rsu 410到ris 420的第三信道矩阵以及噪声方差；其次将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；最后根据资源优化参数优化车联网的资源。
104.示例性的，图7为本发明实施例四提供的一种车联网通信场景的示意图，如图7所示，包括rsu 410到车辆430的信道，ris 420到车辆430的信道，rsu 410到ris 420的信道。
105.本实施例四提供的一种车联网通信系统与上述任意实施例提供的车联网的资源优化方法属于同一发明构思，具备相应的功能和有益效果，未在本实施例中详细说明的技术细节可参见上述任意实施例。
106.实施例五
107.图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备10还可以表示各种
形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、用户设备、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
108.如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
109.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络、无线网络与其他设备交换信息/数据。
110.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如车联网的资源优化方法。
111.在一些实施例中，车联网的资源优化方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车联网的资源优化方法。
112.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
113.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
114.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算
机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
115.为了提供与用户的交互，可以在电子设备10上实施此处描述的系统和技术，该电子设备10具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备10。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
116.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
117.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
118.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
119.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种车联网的资源优化方法，其特征在于，包括：获取信道状态信息，所述信道状态信息包括路侧单元rsu到车辆的第一信道矩阵、智能超表面ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；将所述信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；根据所述资源优化参数优化车联网的资源。2.根据权利要求1所述的方法，其特征在于，还包括：构建最优化问题，所述最优化问题的目标函数包括车辆的总速率最大，所述最优化问题的解包括rsu发送波束赋形参数、ris反射系数以及车辆时隙分配参数；采用基于交替优化的迭代搜索方法求解所述最优化问题，以确定训练数据集；采用所述训练数据集训练深度神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述最优化问题基于以下车联网通信的相关参数构建：服务周期、每个车辆所占用的时隙、ris在第每个时隙的反射系数矩阵、rsu在每个时隙发送给相应车辆的信号、发送波束赋形矩阵、rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差。4.根据权利要求2所述的方法，其特征在于，采用基于交替优化的迭代搜索方法求解所述最优化问题，以确定训练数据集，包括：随机生成以下车联网通信的相关参数：rsu到ris的信道矩阵、rsu到每个车辆的信道矩阵、ris到每个车辆的信道矩阵以及噪声方差；基于随机生成的参数求解所述最优化问题，得到所述最优化问题的解，所述随机生成的参数以及所述最优化问题的解构成一个训练样本；重复上述随机生成操作和求解操作设定次数，得到设定数量的训练样本，所述设定数量的训练样本构成训练数据集。5.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型包括输入层、隐藏层和输出层；输入层包括mn+(m+n+1)k个节点；隐藏层的每一层中包括mn+(m+n+1)k个节点，采用的神经元激活函数均为线性整流函数；输出层包括(m2+n2+1)k个节点，采用的神经元激活函数均为归一化指数函数；其中，m为rsu的天线数量，n为ris的无源反射单元的数量，k为车辆数量。6.根据权利要求1所述的方法，其特征在于，所述约束条件包括ris的反射单元在每个时隙的反射系数约束条件、每个车辆所占用时隙的约束条件、rsu发送给每个车辆的最大发送功率约束条件。7.一种车联网的资源优化装置，其特征在于，包括：信息获取模块，用于获取信道状态信息，所述信道状态信息包括路侧单元rsu到车辆的第一信道矩阵、智能超表面ris到车辆的第二信道矩阵、rsu到ris的第三信道矩阵以及噪声方差；信息输入模块，用于将所述信道状态信息输入至深度神经网络模型，得到在约束条件
下使得车辆的总速率最大的资源优化参数；资源优化模块，用于根据所述资源优化参数优化车联网的资源。8.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任一所述的车联网的资源优化方法。9.一种车联网通信系统，其特征在于，包括：路侧单元rsu、智能超表面ris以及车辆。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的车联网的资源优化方法。

技术总结
本发明公开了一种车联网的资源优化方法、装置、设备、系统及介质。该方法包括：获取信道状态信息；将信道状态信息输入至深度神经网络模型，得到在约束条件下使得车辆的总速率最大的资源优化参数；根据资源优化参数优化车联网的资源。上述技术方案针对信道状态信息，利用深度神经网络模型即可输出资源优化参数，实现了低时延、快速的车联网的资源优化，使资源优化可以根据信道状态变化快速做出响应，进而可根据资源优化结果进行快速且准确的通信，便于实时且准确的获取网络服务和道路上的信息，有助于提升公众的出行效率和出行安全。助于提升公众的出行效率和出行安全。助于提升公众的出行效率和出行安全。


技术研发人员：田鹏 丁晓光 石勇
受保护的技术使用者：安徽星云互联科技有限责任公司
技术研发日：2023.06.27
技术公布日：2023/9/9