[發明專利]協同計算方法、裝置、設備及存儲介質

有效

• 申請號: 202310371044.4
• 申請日: 2023-04-10
• 公開（公告）號: CN116095753B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 林江;郭露露
• 申請（專利權）人: 北京東遠潤興科技有限公司
• 主分類號: H04W28/086
• 分類號: H04W28/086;H04W28/084;H04W28/08;G06F9/50;G06V10/96;G06V10/94;G06V20/54;G06F18/23213;G06F18/2415;G06N3/047
• 代理公司: 北京恒程知識產權代理有限公司 11914
• 代理人: 許峰

1.一種協同計算方法，其特征在于，所述協同計算方法包括以下步驟：

接收多個基站發送的基于激光雷達點云數據的識別任務；其中，所述識別任務是所述基站中超出其處理能力的；

對所述識別任務進行分類，并將分類后的識別任務存儲至相對應的任務隊列中；

針對每一任務隊列，執行步驟：根據所述任務隊列所對應的任務類型，從可分配任務基站地圖中，選取歸屬于所述任務類型的空閑基站并確定為目標基站集合；按照所述任務隊列中識別任務的排序順序，依次對相應順序的識別任務進行分配，以將所述任務隊列中的識別任務分配至目標基站進行任務執行。

2.如權利要求1所述的協同計算方法，其特征在于，所述對所述識別任務進行分類，并將分類后的識別任務存儲至相對應的任務隊列中的步驟，包括：

將所述識別任務的時延參數和運行負載輸入至預先訓練得到的任務類型分類模型中，輸出所述識別任務所對應的任務類型；

根據所述識別任務所對應的任務類型，將其存儲至相對應的任務隊列中。

3.如權利要求2所述的協同計算方法，其特征在于，所述任務類型分類模型的訓練步驟，包括：

構建初始分類模型；

獲取歷史識別任務的時延參數和運行負載作為訓練樣本數據；

基于均值聚類算法，對所述歷史識別任務進行標注，得到所述歷史識別任務的實際任務類型；

將所述訓練樣本數據輸入至所述初始分類模型，輸出所述訓練樣本數據對應的概率預測值；

根據所述概率預測值，確定所述訓練樣本數據對應的歷史識別任務的預測任務類型；

判斷根據所述實際任務類型和所述預測任務類型計算的模型損失是否收斂，若所述模型損失未收斂，則依據所述模型損失，對所述初始分類模型進行更新，并返回執行將所述訓練樣本數據輸入至所述初始分類模型，輸出所述訓練樣本數據對應的概率預測值的步驟及后續步驟，直至所述模型損失收斂，以得到訓練好的任務類型分類模型。

4.如權利要求3所述的協同計算方法，其特征在于，所述基于均值聚類算法，對所述歷史識別任務進行標注，得到所述歷史識別任務的實際任務類型的步驟，包括：

將所述歷史識別任務表示為S_i（x_i，y_i）；其中，x_i表示所述歷史識別任務的時延參數，y_i表示所述歷史識別任務的運行負載；

初始化K個聚類中心，K個聚類中心分別為U₁，U₂，……，U_k；

將所有歷史識別任務S_i（x_i，y_i），按照最小距離的原則，將其分配到最近的聚類中心所對應的聚類集合中，其中距離采用歐氏距離進行計算；

將每個聚類集合中的所有歷史識別任務S_i（x_i，y_i）的均值作為新的聚類中心，并返回執行步驟：將所有歷史識別任務S_i（x_i，y_i），按照最小距離的原則，將其分配到最近的聚類中心所對應的聚類集合中，直至聚類中心不再發生變化；

當聚類中心不再發生變化后，對每一聚類集合中的歷史識別任務進行標注，得到所述歷史識別任務的實際任務類型；其中，每一聚類集合中的歷史識別任務的實際任務類型是一致的。