
Citation: | ZHU Li, GONG Taiyuan, LIANG Hao, TANG Tao, WANG Xi, WANG Hongwei. Application of Edge Intelligence in Rail Transit: Prospects and Future Outlook[J]. Journal of Electronics & Information Technology, 2023, 45(4): 1514-1528. doi: 10.11999/JEIT220116 |
当前,随着全球科技革命浪潮的兴起,人工智能逐渐在各传统产业中占据越来越重要的位置。近年来,轨道交通领域信息化、智能化建设的步伐逐渐加快,也因此正面临着越来越多的问题和挑战。边缘智能技术作为一种将人工智能推向网络边缘的新型技术,正成为充分发展人工智能技术时不可或缺的一环。
边缘智能技术的构想最早于2009年由微软公司提出[1],他们尝试构建了一个给予边缘设备的移动语音识别支持的系统。随后,边缘智能的概念经历了两个阶段的更迭[2]。第1阶段,通常认为边缘智能的概念仅限于在数据生产的终端设备上运行人工智能应用。随后,学者将边缘智能的概念扩展至包括云计算中心、边缘节点、终端设备的全场景架构模式[3]。边缘智能是通过边缘计算技术将人工智能技术推广到网络边缘的一种新型技术[4]。边缘智能作为一种可以充分利用现有云、边、端网络带宽资源、计算资源的整体架构,为人工智能算法大规模部署提供了基础平台。这意味着,边缘智能技术将解决传统计算中心模式下单节点故障、隐私泄露、主干网络带宽资源不足的情况,同时解决终端设备计算资源紧缺的问题。
轨道交通作为一种运力大、速度高的交通方式,在保障游客出行、货物运输和缓解交通压力等方面发挥着巨大的作用[5]。轨道交通的安全、高效运行,是轨道交通运营的核心目标[6]。近年来,我国在建设智能化、信息化轨道交通的建设上高速发展。为进一步提升轨道交通运行安全性、可靠性,提高运输能力,减少人为失误,智能驾驶、智能调度、智能运维等基于人工智能算法的应用被广泛使用[7]。现如今,随着大数据赋能的人工智能技术的广泛研究及应用,轨道交通信息化及智能化的进程得到了进一步提高。例如,京张铁路就将人工智能技术深度融合至智能车站、智能列车、智能运输、旅客智能出行等各方面[8]。与此同时,人工智能应用带来的庞大的算力需求对轨道交通基础设施提出了挑战。在大量人工智能技术运用到轨道交通中各个方面的同时,一些应用场景对低时延、高算力、高信息隐私安全的需求及传统的轨道交通数据提出了新的要求。
轨道交通传统数据处理方式以云计算架构为主[9]。云计算中心具有算力强、数据存储空间大等特点,但依然存在以下问题严重阻碍了人工智能在轨道交通中的应用:轨道交通中的智能驾驶、智能调度等业务需要很强的实时性,云计算架构的集中式远端服务器由于物理传输时延无法消除等因素,无法满足系统进一步实时性的需求;轨道交通系统是极度依赖于传感网络的系统,由于各种传感设备数量的指数式增加,轨道交通现有的通信架构无法满足大量、异构结构数据的上传;基于云平台的轨道交通系统多依赖于集中式服务器,这给轨道交通系统的安全性带来极大的挑战。同时,由于传统轨道交通烟囱式业务系统存在基础设施重复建设、运维成本高、信息孤岛等问题,导致虽然轨道交通海量传感器产生的大数据无法赋能人工智能应用。
张春杰等人[10]对物联网及人工智能技术在城市轨道交通监控系统中的应用进行了讨论,探索了先进的城市轨道交通综合监控系统的可能性。其中,人工智能技术作为核心推动力,是无人化、智能化监控系统的保障。魏秀琨等人[11]系统性地总结了机器视觉在轨道交通系统状态检测中的应用,详细分析了基于人工智能的机器视觉检测方式相较于人工检测方法有着更高的效率及准确率。文中详述了人工智能技术在弓/网系统检测、轨道交通线路状态检测上,基于机器视觉的自动化检测方式相较于传统人工巡检、接触式检测等方式具备显著的成本成本,检测灵活性高,准确度高,设备智能程度高,并且对正常行车干扰影响小等优势。同时,在诸如司机行为检测、车站安全监控等机器视觉传统优势场景下,人工智能的广泛引用进一步推进了轨道交通智能化等进程。然而,车载服务器算力限制、基于边缘计算等技术的架构设计等尚未得到充分研究等问题,制约了人工智能技术在轨道交通中的实际应用。周超等人[12]研究了云边协同技术在轨道交通中的应用,并提出了城市轨道交通的典型应用场景视频监控系统云边协同技术架构。通过利用云计算高算力及边缘计算高实时性的优势,对客流密度、人员行为等任务进行合理的资源分配,完成高效的感知识别。然而该研究中未考虑车载算力,架构设计上欠缺了云-边-端协同架构。以上这些研究主要着眼于人工智能技术或边缘计算技术在轨道交通中的应用。然而,当前尚未有研究者尝试将边缘智能技术及其计算架构引入轨道交通中,也没有研究者尝试综合分析边缘智能技术在轨道交通中的应用前景。
在轨道交通中采用边缘智能的架构,由于边缘计算的固有特性,不仅可以有效解决轨道交通应用对低延时、高数据安全的要求,同时可以将更多传感器数据应用起来,打破信息孤岛,赋能智能轨道交通。目前,我国正大力建设轨道交通信息化、智能化发展,边缘智能作为一种新型技术,通过灵活的计算架构,将充分利用有限资源最大化人工智能在轨道交通中的应用。本文研究了边缘智能技术及其在轨道交通中的应用。首先阐述了边缘智能的定义及其架构;然后对边缘智能技术在轨道交通领域的应用前景进行详细分析,并介绍了本文设计与实现的轨道交通边缘智能应用,以及系统性能测试;最后总结了边缘智能在轨道交通应用中的挑战与问题。由于边缘智能技术在轨道交通中的应用尚处于极其早期的起步阶段,相关研究仍有巨大空缺,因此我们希望通过本文为研究者构建起连接边缘智能与轨道交通的桥梁,为未来更加智能化的轨道交通系统提供可能性。
边缘智能是利用边缘计算技术运行人工智能应用程序的一种范式,其能充分利用边缘资源。边缘计算是边缘智能的基础,从原理上讲,边缘计算是将计算单元部署在终端设备以及云计算中心的新型计算范式[13]。随着人工智能应用的大数据属性不断提升,大数据使能的人工智能应用正逐渐成为主导[14]。近年来,轨道交通大数据化已成为趋势[15]。然而,现有的计算架构在面临海量数据处理时面临着不可避免的缺陷。终端设备由于其自身算力薄弱,无法支撑海量数据的计算任务。与此同时,云计算架构又面临着巨大的主干网络压力以及较大的传输时延。因此,通过将人工智能应用推向网络边缘,边缘智能的理念应运而生。
边缘智能中的资源涵盖了从云计算中心到终端设备上所有的计算、网络资源。边缘智能,即将人工智能技术应用于边缘计算框架中。边缘智能涵盖了协同训练及协同推断,如图1所示,其基础架构可分为7层(Level):模型放置与云计算中心训练,并由云-边协同推理模型(Level 1)、模型放置与云计算中心训练,边缘侧协同推理模型(Level 2)、模型放置与云计算中心训练,模型均于终端设备推理(Level 3);基于边缘侧训练模型的云-边协同推理(Level 4)、全于边缘侧推理(Level 5)、边缘-终端协同推理(Level 6)、全于终端设备推理(Level 7)。
在边缘智能框架中,数据更多地留在边缘服务器或终端设备中处理,原始数据将避免在主干网络中直接传输。其中,随着边缘智能等级(Level)的提升,网络中数据的上传量越少,因此由于数据传输过程中的网络攻击带来的信息泄露、信息被篡改的风险也将显著降低。特别地,在全于终端设备推理(Level 7)模式下,所有的数据将在终端设备本地生成、处理、推理计算,具备离线运行属性,满足部分高隐私敏感性应用的运行需求。因此,对于隐私高敏感性的数据源来说,其数据由于在主干网络的传输过程中由于数据泄露、黑客攻击导致的隐私安全问题将得以缓解。与此同时,相较于传统的基于云计算中心的计算架构模式,在边缘智能架构中由于边缘服务器与终端设备间物理距离相较云计算服务器与终端设备间显著缩短,其数据传输时延将显著降低,具备更强的数据处理低延迟特性。将计算过程从云计算服务器移动至边缘服务器,极大减少了不可避免的数据网络传输时延,可以让实时性要求较高的应用成为可能。同时,对比传统的边缘计算模式,边缘智能将人工智能技术引入其架构之中,依托人工智能技术将更好地完成任务卸载、资源费配的决策,从系统架构上赋予了智能化服务的能力。智能化的服务卸载策略将根据实际情况动态做最优化判断,保证用户始终拥有最好的服务水平。由于边缘服务器可以对数据进行预处理,终端设备产生的原始数据不再需要全部上传至云计算中心,边缘服务器可以选择性地上传数据处理后的信息至云计算中心。因此,主干网络的压力将得到极大的缓解。边缘智能同时还具有更高的隐私安全性。综上,在边缘智能框架中,既可以将人工智能软件部署在边缘计算框架中以实现低延迟、高隐私安全的智能化应用,又可以应用人工智能算法实现边缘服务器智能切换以提升服务质量。
在过去的几十年里,人工智能(Artificial Intelligence, AI)一直是最热门的研究领域之一。现代基于机器学习的算法可以设计成3类:监督学习、无监督学习和强化学习。监督学习使用标记数据来训练模型[16]。一些典型的算法,如线性回归、支持向量机、决策树、神经网络,已经在轨道交通中表现出强大的能力。无监督学习使用未标记的多维数据训练模型。最著名的算法K-means已用于交通规划[17]行程时间预测[18]。强化学习通过不断的试验和奖励设置来学习模型。强化学习在交通领域有着广泛的应用。使用强化学习可以在具有大量数据的轨道交通中获得良好的模型,而不需要大量的人工标注。近年来,深度强化学习通过将深度学习引入强化学习,在轨道交通中展现出巨大的潜力[19]。
种类繁多的算法和方法为人工智能在轨道交通系统中的各种应用提供了可能性。在轨道交通系统中,人工智能应用是帮助实现“智能目标”的最重要手段。轨道交通中的大数据特性对人工智能至关重要。轨道交通收集的数据比较复杂,具有大数据特征[15]。有了前面提到的人工智能方法,轨道交通系统中的各种隐藏信息将通过大数据显露出来。在这些数据的驱动下,AI在轨道交通中各个方面都发挥着不可替代的作用[20]。
作为人工智能应用的核心驱动力,深度学习算法经历了快速的迭代发展。深度学习算法尝试通过使用多层的层次结构来学习表示[21]。深度学习可以克服人工设计特征的弊端,变得更加灵活和通用。从传统的机器学习方法到深度学习方法,随着模型能力的发展,计算需求正以惊人的速度增长。与决策树、线性回归和支持向量机等方法相比,深度学习方法中的参数随着网络的深度暴增而显著增加,所需算力也显著增加。但是,蓬勃发展的计算能力需求从计算成本和能源成本两方面对设备提出了新的挑战。
自物联网(Internet of Things, IoT)提出以来,其发展速度与日俱增。物联网的核心概念是结合几乎所有的物理设备,包括智能手机、传感器、执行器和任何其他嵌入式设备,这些设备将相互连接以交换数据并合作以达到共同的目标[22]。同时,5G移动网络和Wi-Fi6的广泛部署有助于显著提升网络性能[23],使物联网更加普及。
物联网通常由3个层组成:设备、网关和云。传感器是物联网的核心元素,大量传感器部署在“无处不在”。它们连接到网络并负责从环境中收集数据。终端设备也是数据的主要生成者,也可以作为人和计算机的接口。物联网网关连接到骨干网络以及物联网传感器和终端设备。物联网网关将收集传感器和设备产生的数据,并将它们发送到计算服务器进行处理和存储。然而,传感器和设备产生的数据需要进行预处理,因此网关通常会进行预处理以减少骨干网络的消耗。服务器作为服务层,处理来自其余层的所有数据和需求[24]。
物联网的概念推进了边缘智能在轨道交通中的发展。不论是列车、铁轨还是车站,轨道交通系统中都部署了大量的传感器及终端设备。这些设备将采集大量数据并产生海量的待处理任务。为了更好地应用这些终端设备及传感器采集的“边缘大数据”,边缘智能在轨道交通中的应用已迫在眉睫。
边缘计算是指将数据计算和存储的完成推向更接近用户的网络“边缘”。边缘计算通过在终端设备和云计算中心之间架设边缘服务器,实现了网络边缘应用潜力的提升。由于边缘计算架构中服务器与用户的物理距离远低于云计算中心模型,因此数据传输延迟将显著降低。同时,边缘计算也是一种使能技术,通过在网络边缘侧提供这些资源,满足行业在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等。边缘服务器通常具备传统中央服务器的数据处理及分析能力,并可以进行短期的数据存储及终端设备及服务器之间中继的作用。通过将计算任务卸载至边缘服务器上,终端产生的海量数据将经过筛选及预处理后再汇总至云计算中心进行长期数据分析,可极大程度地缓解主干网络的传输压力。但是,由于边缘节点的计算能力无法与传统的集中式云计算服务中心竞争,因此对于一些需要巨大计算能力的应用在边缘节点进行计算并不划算。实践证明,边云协同可以弥补边缘计算在大数据分析、存储、聚合方面的不足[24]。
边缘智能的架构及技术优势使其成为未来各行各业智能化的推进剂,其降低计算时延、提高隐私保护能力、缓解主干网络压力等能力将赋能更多的高性能人工智能软件在边缘侧部署。世界各国都在加速边缘智能的技术革新与产业应用布局,中国在《“十三五”国家信息化规划》中强调了发展人工智能、边缘计算的重要性;欧盟委员会已发起招标,以研究下一代物联网中边缘计算、人工智能的经济潜力,并推动了人工智能的法律框架;美国的CISCO公司已成为工业化边缘智能技术标准的引领者。
当前,边缘智能技术赋能的应用场景主要有以下3类:(1)对实时性要求较高,需要低延迟处理能力的领域;(2)网络带宽有限,拥有边缘侧海量待处理数据的领域;(3)对数据隐私敏感程度高,原始数据不宜接入网络的领域。边缘智能依托人工智能和边缘计算高速发展的红利,已逐渐成为各行各业推进边缘智能化的重要环节,基于边缘智能的应用正与实体经济相结合已成为大趋势。
Kai等人[25]研究了云-边-端协同服务卸载架构,充分发挥各部分相应优势,解决了终端设备计算资源紧缺、能耗敏感,边缘服务器存储、计算能力相较云计算中心存在不足,主干网络压力大等固有问题。Li等人[26]提出了一种边缘智能下模型分割方法,通过将神经网络模型切分开,将计算密集的部分卸载至边缘服务器进行运算,而计算不密集的部分留在终端本地进行计算,在保证计算效率的同时,也可兼顾隐私保护。Han等人[27]提出了模型裁剪的技巧,去除模型中冗余的神经元,使得神经网络模型计算量降低,以适应边缘环境。Li等人[28]使用深度神经网络模型结合边缘计算技术应用到列车障碍物检测中,通过智能的模型切割及计算卸载,在仅占用列车少量计算资源的前提下实现了实时目标检测任务。
当前,边缘智能技术在城市交通中的研究已经有了长足的发展,其中汽车自动驾驶、车辆边缘计算(Vehicular Edge Computing, VFC)、智能交通系统中已有广泛的研究。例如,在汽车自动驾驶研究中,Tang等人[29]提出的基于边缘智能的汽车自动驾驶平台“LoPECS”通过边-端协同,实现了高效节能的车辆定位、障碍物识别、语音指令处理,为基于边缘智能的列车自动驾驶平台提供了思路。在VFC系统中,Dai等人[30]研究了多用户、多服务器情况下的任务卸载和负载均衡问题,提出了VEC网络和负载联合优化的负载均衡算法,给予了解决边缘智能赋能的列车计算资源分配问题的方向。在智能交通系统中,车路协同(Vehicle to everything, V2X)技术让车辆可以获取周围车辆、基础设施、路侧单元、网络中的信息帮助感知及决策,极大拓展了车辆可获知信息的范围[31]。在轨道交通中,列车全自动驾驶可借鉴V2X技术拓展信息的接受范围,帮助列车更全面的感知决策。在这些研究的启发下,结合边缘智能技术所带来的优势,边缘智能赋能的轨道交通下一次革新已箭在弦上。
轨道交通凭借其高可靠、高容量、高乘坐舒适性、实效性高等特性,已成为最受公众欢迎的出行方式之一。轨道交通作为民生保障的重要基础建设环节之一,近年来中国及世界各国都在加紧轨道交通的建设工作。虽然云计算技术已在轨道交通建设过程中的投入使用已帮助轨道交通建设走向智能化,但在轨道交通智能化建设中的过程管理控制、建设数据采集分析、现场设备接入等方面依旧面临着挑战。边缘智能技术能在这些方面给出有效的解决方案。
轨道交通建设中的智慧化过程管理控制是保障轨道交通高效、安全建设的关键因素[32]。轨道交通施工地点通常地处偏远地带,施工环境复杂、安全事故频发。施工现场监控摄像头作为现场安全监控的常用手段之一,可对人工作业、机械运行情况、工地周围情况等进行监视,及时预防不规范操作、保障施工质量、进行安全预警等,以提高过程管控水平。轨道交通传统的云计算模式虽然具备较强的数据计算能力,但其数据传输延迟较高的特性无法满足过程管控的实时性要求。例如,在安全管控方面,安全隐患总是发生在瞬息之间,及时的安全提醒至关重要,传统的云计算模式将难以满足安全管控的快速响应需求。
边缘智能技术将进一步赋能智慧化过程管理控制。使用边缘智能技术,可以让过程管理控制实现高度自治。例如,基于卷积神经网络的智能监控系统,可以通过神经网络自动分析摄像头所捕捉的画面,对操作安全隐患、不规范作业等情况实时自动做出判断并发出警告。部署在工地的大量摄像头可以将视频分析任务卸载到建设工地部署的边缘服务器中。由于边缘服务器低延迟的特性,可以保障智能监控系统的实时运行,从而进一步加快风险预警响应速度,提高现场施工的安全性。与此同时,由于海量的视频数据仅需停留在边缘侧进行分析处理,解决了传统云计算模式下数据容易堵塞主干网络的不足。
在轨道交通建设环节中,设备及传感器将产生海量的数据。这些数据通常具有大数据属性,其存在揭示现场建设情况的潜在价值。然而,由于现场各类数据量巨大,传统的云计算模式受限于网络带宽资源无法支持如此海量的原始数据处理。同时,对于施工建设过程中对实时分析要求较高的环节,云计算由于其与建设现场物理距离远的关系,将存在不可避免的数据传输时延,拖慢现场数据实时分析。并且,由于建设环节中涉及多专业共同参与,各专业间数据存在难以融合、异构性强的特点,使得现场采集的数据难以有效地被分析、挖掘。
针对上述问题,边缘智能由于其技术优势将解决以上难点。针对海量数据中数据冗余量较大的问题,采用云-边-端协作的方式将有效解决[33]。首先,由边缘服务器收集各物联网传感器数据并在边缘侧进行数据预处理,剔除冗余数据并保留具有分析意义的数据。随后,这些数据将被上传至云服务器,进行长期存储和大数据分析。通过这样的协作架构既可以保障现场施工数据得到长期存储并进行大数据分析,又保证了数据不会堵塞主干网络导致网络拥塞。对于对实时性敏感程度较高的应用场景,可以通过边缘服务器直接进行数据处理及分析,减少数据在网络中传递的时间损失,保证数据分析的实效性。面对不同专业数据难以融合的问题,可以通过边缘部署的高度自治的人工智能分析软件提取关键特征并进行标准化输出,使得跨专业数据融合分析成为现实。
从轨道交通跨入大数据驱动的智能化时代以来,基于大数据的各类智能服务成为轨道交通行业发展的主要方向。近年来,基于大数据的智能化应用已广泛应用于轨道交通运输的各个方面,例如智能旅客信息服务系统、人脸识别闸机系统、新一代客票系统等。这些智能化应用的部署显著提高了轨道交通运行维护水平。与此同时,当今智能化应用的自我演进速度也在不断加快,如强化学习等人工智能技术的引入让AI软件有自主提升性能的能力。为达到不断地更新迭代人工智能软件,不断地收集轨道交通相关信息至关重要[34]。以上智能技术主要基于集中式机器学习,在轨道交通领域中面临着很多挑战。轨道交通相关信息种类繁杂,属多源异构信息,且数据量巨大。传统的集中式信息处理模式存在的诸如回传数据导致主干网络拥塞、回传链路负载激增、隐私安全无法得以保障等问题。为此,将边缘智能技术引入轨道交通信息共享环节,有助于解决上述问题。为解决传统的集中式信息处理模式带来的诸如回传数据导致主干网络拥塞、回传链路负载激增、隐私安全无法得以保障等问题,将边缘智能技术引入轨道交通信息共享环节。
边缘智能技术具有自治性的固有属性。通过在网络边缘侧部署人工智能软件,可以将轨道交通信息共享环节转变为边缘化、智能化的共享,架构如图2所示。例如,面对海量冗余、庞杂、异构的轨道交通相关数据,首先通过边缘服务器(边)从各传感器来源(端)收集,随后通过人工智能软件进行数据特征提取、数据筛选、数据分析等智能化数据处理。同时为保证信息隐私安全,通过在边、端上部署分割的神经网络模型,使得各传感器的原始数据不再在网络中传输,以防止黑客攻击及信息泄露造成的信息安全隐患。随后,通过抛弃冗余数据、仅汇总有价值数据至集中式云服务器(云)进行长期存储及进一步数据分析的方式进行云-边-端协作式轨道交通信息共享。这样保障了轨道交通中海量终端(传感器)数据得到运用,又充分发挥了云计算中心存储、计算能力强的特性,利用了边缘服务器进行简单处理以缓解主干网络压力的优势,使得如今轨道交通信息共享中网络拥塞、隐私安全的问题得以解决。
轨道交通的运行维护和管理是轨道交通安全营运的重要环节。随着轨道交通里程不断提升、轨道交通速度逐级提高,为保证轨道交通安全、稳定、高效的运行,智能化运维是必然的趋势。轨道交通智能化运维的起步较晚,发展较为缓慢,尽管能满足基本需求,但仍存在着不少缺陷。例如,轨道交通的通信、信号各系统间存在壁垒,分属各自领域自行运维,系统间难以协调运作,开放性差;运维与管理过程中智能化程度较低,信息孤岛效应限制更高维度的智能运维等。
智能化运维中的故障预测与健康管理系统面临的一个重要难题:如何提升设备对感知监测数据的处理能力和效率。轨道交通中运维相关数据繁多,种类复杂,如有视频、图像、压力、震动、倾角、形变、位移等,具有大数据属性。这些海量的异构数据需要进行处理、整合、深度挖掘才能体现出其数据价值。然而由于车载设备的计算能力有限,难以支撑如深度神经网络等大计算量需求的智能化应用。同时,云计算模式下海量的数据传输对主干网络造成的巨大压力又不可忽视。通过将边缘计算框架应用至轨道交通智能运维中,应用人工智能、深度学习算法,可以极大程度地改善处理能力及效率问题。
如图3所示的基于边缘智能的轨道交通智能运维架构,以边缘计算为核心,将人工智能、深度学习软件部署于边缘计算服务器中,对从各终端、传感器收集海量数据进行大数据预处理并进行数据挖掘。该数据若为实时性要求较高的数据,例如智能巡检机器人等,则边缘服务器将直接回传运行结果,在保障实时性的同时具有相较车载设备更强的处理能力。若数据为长期型统计数据,则经过边缘服务器的初筛后,边缘服务器将有价值的数据上传至云计算中心进行长期的存储及进一步大数据分析,如车载数据分析、数据趋势判断、异常监测、故障预警等。云计算中心将发挥其计算能力及存储能力强的优势,进行更复杂的数据分析及挖掘以提供大数据统计分析结果。通过基于深度学习、强化学习的智能服务选择策略,应用可根据实际需求选择在云、边、端计算模式下进行数据分析处理,以获得最大化性能表现。使用边缘智能架构可以兼顾实时性需求和长期存储、分析需求。
轨道交通调度系统是指挥轨道交通日常运行的“大脑”,调度系统先进性是轨道交通运行安全、高效、稳定的关键。智能化轨道交通调度系统的核心是智能列车运行计划和列车近路与命令安全智能卡控。传统的智能化列车调度系统主要基于云计算中心模式,虽然其计算能力强,但却在进一步智能化的道路上面临着以下问题:(1)响应时间较长,由于大量原始数据都集中在云计算中心进行队列化计算,导致其无法及时感知处理突发事件,且云计算中心通常距离传感器物理距离较远,传输时延较大。(2)故障-影响风险较高,由于大多数数据都依托云计算中心进行处理,若云计算节点发生故障,将造成极大的事故风险,对单节点故障的抗风险能力较差。(3)数据链路压力较大,由于智能化调度需要大量实时数据作为支撑,数据上传至云计算中心时将对主干网络造成较大压力。
基于边缘智能的轨道交通智能调度架构如图4所示。面对精细化、智能化的轨道交通调度对实时性的进一步要求,通过边缘智能架构中边缘计算服务器与现场间物理距离近、分区域服务的特性,通过更低的传输时延及专项化服务缩短的数据队列,依托人工智能、深度学习应用为核心进行高时效性的调度计划调整。针对突发事件感知、响应方面,由于边缘服务器、各传感器网络及车载设备均具有一定的计算能力,通过边缘侧部署的人工智能应用对数据进行本地分析处理,将节约与云计算中心间通信时间以达到更快感知响应能力。通过将计算任务更多地卸载至边缘而非云计算中心,可避免云计算中心单节点故障造成显著影响的风险,提升抗风险能力。边缘通过向云端汇总分析结果的方式,形成云中心、边缘服务器、列车及传感器端的树状层次感知网络,扩大云计算中心的数据感知能力的同时减小主干网络带宽的压力。最终形成云计算中心根据从各边缘节点收集的信息进行长期调度策略指定,边缘节点进行精细化、时效化精确调度,各端节点智能化自治危险告警的云、边、端协同轨道交通智能调度体系。
列车智能自动运行控制系统是近年来轨道交通智能化发展的主要方向之一[35]。列车自动驾驶系统虽然已得到应用,但其依然面临着无法全场景使用、运行环境复杂等特点。轨道交通智能自动驾驶系统的主要环节为感知和决策。当前,轨道交通自动驾驶系统主要依托控制中心的统一调度命令进行控制。设立在控制计算中心的列车自动监控子系统 (Automatic Train Supervision, ATS) 向列车发送任务命令,列车按照任务命令的计划运行区线控制车速。然而,该系统对于环境中危险因素的判断依然主要来源于列车驾驶员,其面临着反应速度、列车员集中程度等不确定因素,安全性仍有隐患。在未来进一步智能化的轨道交通列车自动驾驶系统中,更高效、安全的智能化感知、控制程序是替代列车驾驶员的重要改变。
环境感知是列车自动驾驶安全性的保证,由于列车运行环境中不可预见的因素较多,高效、精确的环境感知将为列车自动驾驶的决策提供依据。随着深度学习技术的不断发展,通过光学、雷达、激光传感器感知列车前方状况的理论研究已趋于成熟。然而,由于列车车载资源紧缺,无法支持深度神经网络的高效推理视频数据;同时传统的云计算中心架构无法支撑列车自动驾驶系统对环境感知的实时性要求。边缘智能的计算框架中边缘节点靠近终端车辆,将任务卸载至边缘相较于卸载至云计算中心有着更低的数据传输时延;相较于列车终端孱弱的计算能力,边缘服务器将显著加速数据处理、模型推理的速度,以更低的处理、传输延迟以及更契合列车车载分布式控制的特征,为列车实时感知环境做出保障。
列车控制的决策过程将影响车辆的运行安全、运行效率、旅客舒适程度等各个方面。通过在列车本地、边缘节点部署人工智能控制及决策系统,将充分发挥人工智能应用其相较于人类控制的稳定性优势。列车的智能控制对实时性有着极高的需求,人工智能模型的推理复杂性也限制了其完全部署在本地的性能表现。通过模型切割、分布式部署的方式,将人工智能模型切分部署于边缘服务器以及车载系统上,可以在保障信息安全的前提下提升模型推理速度,同时以较低的传输延迟获得优异的实时性表现。
边缘智能可发挥的另一大优势在于其为感知系统提供了不断改进性能的能力。近年来随着迁移学习、深度强化学习的兴起,人工智能系统通过运行中的不断迭代更新模型使其具有不断“演进”的能力。通过用运行中具有终端自身特性的数据来改进自身模型,人工智能应用将具有更强的特定场景下的性能表现。但这同时要求在边缘侧需要相较于模型推理更强的计算能力。通常来说,模型训练需要数百倍于模型推理的计算资源消耗,这使得列车本地的计算资源无法支持这样的模型演进。同时,由于强化学习过程中需要大量的数据传输,基于云计算中心的训练模式将面临着网络带宽的巨大压力。边缘节点凭借其靠近终端、算力强的特性将边缘侧强化学习变为现实。通过在边缘侧进行人工智能模型的深度强化学习、迁移学习的方式,部署在列车上的智能自动驾驶系统将具有随着时间的推移不断增强自身性能的能力,这将使得该系统变得“更智能”。
列车协同控制是提高城市轨道交通运行效率的重要方式之一。当前,为了在运载高峰期缩短列车时距以提高载客能力,列车协同控制是可行的解决方案之一。这需要列车具备自动化、智能化的协同控制,以在保障列车安全、高效、舒适运行的前提下提供更强的运载能力。同时,城市轨道交通具有更强的随机客流特性,其客流量随时间波动较大,需要列控系统具备动态调整车辆间隔的能力,因此列车协同控制对列控系统的实时性提出了很高的要求。由于国内现有的基于无线通信的列车自动控制系统(Communication-Based Train Control, CBTC)需要将列车运行信息和线路状态上传至云服务器中心进行移动授权,较大的传输时延将极大影响列车精确控制。这样的处理时延在车距较短的列车协同控制场景下是无法接受的。因此,边缘智能技术将通过其技术优势赋能列车协同控制。
传统CBTC中车-车间数据传输在中央服务器、基站中转所增加的额外传输延时,边缘智能框架中端-端协作模式将极大减少计算延时,如图5所示。列车之间的控制运行数据将具备直接在列车之间传输的能力,同时部署在终端上的本地服务器具备本地计算的能力。此时,列车通过车车通信传递关键控制信息,并结合列车自身所掌握的信息进行联合决策完成智能控制。在该架构下协同控制过程将具有更低的时延,以满足列车低时距前提下的精确控制。同时,通过部署在边缘服务器上的人工智能应用,通过采集到的多辆列车及周边传感器信息进行编队智能控制,来应对根据乘客需求,智能调整多车协同运行;多车协同运行减少能耗,最大化牵引制动重叠率;多车协同运行实时处理数据和分析决策的列车协同控制。
现在,全球正经历新一轮技术革新,大数据、人工智能、物联网、边缘计算、边缘智能等新技术推陈出新,全球产业格局正在加速变局。边缘智能作为将人工智能推广至网络边缘侧的全新技术,依托边缘计算特性构建出适应边缘侧智能的新智能范式,为将人工智能推广至万物互联的每个角落提供了可能性。边缘智能应用正在逐渐构建其新生态,成为推动社会经济发展的新动能。
如图6所示,边缘智能凭借其低延迟、高可靠、配置灵活性强的特性,在轨道交通智能化进程中打破数据孤岛、充分利用边缘大数据、构建低时延高可靠智能架构、推进终端智能化等各个方面具备重要价值。边缘智能技术可以满足轨道交通改造升级中自动化、智能化、安全、高效、舒适运行的需求,赋能智慧车站、智慧列车运行控制、智慧旅客信息系统、智慧轨道交通运维调度等。边缘智能是推进全方位智慧化转型的重要动力,挖掘轨道交通新的经济增长点。
此外,依托边缘智能范式的灵活部署特性,与传统架构相结合,将增强对数据的开发利用,进一步推动轨道交通大数据、轨道交通智能化的进程。通过结合云、边、端协同及混合计算的模式,满足轨道交通智能化应用对实时性、安全性、算力、网络带宽的各式需求。边缘智能的框架将为未来轨道交通智能化发展提供坚实的技术指导,从而引领行业进一步产业升级。
为验证及实践边缘智能技术在轨道交通领域中的先进性与可行性,以列车前方障碍物识别级测距为例,本文设计并搭建了基于机器视觉和强化学习的边缘智能平台,并验证其作用于列车障碍物告警系统的可能性。
作为典型人工智能应用场景之一,障碍物检测和预警是在轨道交通智能化运行中列车自动驾驶系统不可或缺的重要环节。轨道交通运行过程中,由于障碍物侵入轨道造成的安全隐患事件屡见不鲜。传统情况下,对障碍物入侵事件的判断主要基于驾驶员人工判断的方式。在未来轨道交通全自动驾驶场景中,列车自行对前方轨道环境进行分析判断,并在发现障碍物时及时做出减速、停车等动作是安全自动驾驶的必要环节。基于人工智能及机器视觉的轨道交通障碍物检测系统具有成本低、检测效率高、部署容易的优势。然而,列车车载计算资源难以支撑高帧率的人工智能障碍物检测系统。传统的云计算模式又由于较长的传输时延导致实时性低,无法满足列车自动驾驶系统对障碍物检测的高实时性需求。因此,我们提出面向轨道交通沿线障碍物识别与测距的边缘智能系统作为典型边缘智能实验场景。如图7所示,通过在轨旁部署边缘计算服务器,将人工智能计算任务卸载至边缘服务器中,以较低的传输时延及更强的计算性能保障人工智能应用整体高效运行。系统架构如图6所示,其中人工智能计算任务的卸载策略由基于DQN强化学习的智能体决定。基于DQN的智能卸载策略将选择最优的计算任务卸载方案,保障列车在运行过程中拥有最低的计算任务时延。
由于列车运行途中,会途径不同边缘服务器的覆盖范围,因此为了保证服务的连续性,边缘服务器切换问题至关重要。不同的MEC服务器可能由于瞬时负载不同,导致其服务质量存在区别。因此,若采用基于列车驶入固定位置即进行服务切换的基础切换策略,可能将面临切换服务器后服务质量显著下降导致无法满足列车对障碍物识别的实时性要求。基于DQN强化学习的服务选择策略将根据实际情况动态做出最优化判断,保证列车始终拥有最好的服务水平。
在基于DQN网络中,中央控制器获取每一辆车的位置、任务量、边缘服务器的覆盖范围、边缘服务器负载状况,组成当前状态并输入DQN网络中。DQN网络通过计算不同动作带来的价值,选择最优动作—服务器卸载决策为DQN网络输出。列车将在本地计算、卸载至不同边缘服务器之间进行选择。
本文首先定义DQN智能体的具体状态、动作和奖励。强化学习中有3个关键要素:状态、动作、奖励。系统状态由两个部分组成
DQN是一种结合经典Q学习方法和深度神经网络的强化学习方法。每一个状态动作都有一个对应的值
首先搭建基于人工智能的机器视觉轨道交通障碍物检测系统,作为验证系统中的主要计算任务。本文使用轻量化的MobileNetV3作为主干神经网络,构建语义分割模型。通过像素级语义分割,该模型具备精确判断障碍物是否入侵轨道范围的能力。随后,通过搭建仿真平台模拟将该人工智能计算任务卸载至边缘计算服务器,并训练DQN智能服务卸载网络。该平台如图8所示,其中障碍物检测系统虚拟运行于边缘服务器上。
如图9所示,首先对该平台计算时延进行测试,通过障碍物检测系统单帧检测时长可以反映该系统性能。通常来说,单帧监测时长越低,则列车判断障碍物的延迟越小,列车可以更早地做出相应反应,以提高安全性。测试对比了通过DQN智能体将障碍物监测任务智能卸载至边缘服务器、将任务留存于本地计算、将任务卸载至云计算中心3种不同计算方式。其中,云计算中心拥有最强的计算能力,同时其数据传输时延也是3种方式中最高的;列车本地计算没有数据传输时延,但其可使用计算资源是最少的;边缘服务器相较于云计算中心有着显著降低的数据传输时延,其计算能力介于云计算中心和列车车载计算资源之间。从图表中的结果可以看出,随着任务数量增加,边缘智能系统平台具备任务平均计算时长更低的特性,随着任务数量的增加,由于边缘服务器资源有限,单个任务分配到的计算资源有所下降,导致任务的计算时延略有增长。云计算模式计算能力较强,随任务数量的增加并未显著影响任务的计算实验,但由于无法缩短的传输时延限制了其性能表现,导致实验中任务计算时延均于120 ms左右,无法满足列车实时性要求。本地计算模式则由于本地计算资源极其紧缺,任务计算时延随任务数量的增加显著升高,列车资源无法及时应对大量的计算任务,导致实时性显著下降且无法满足实时性需求。综合来看,边缘计算模式拥有着最低的计算时延,其实时性为3种模式中最佳,云计算模式过高的时延无法满足列车实时性需求。
列车在运行过程中涉及边缘服务器切换问题。列车沿线的不同服务器负载状况不同将导致不同的服务水平,负载越高的服务器处理障碍物监测任务的时延就越高。同时,列车不断运行过程中与边缘服务器之间的距离也在不断改变,其传输时延也是动态变化的。因此,选择合适的边缘服务器或直接在本地进行计算的智能卸载策略十分重要。本文测试比较了基于DQN强化学习的智能卸载策略,并对比了基准线固定策略和本地计算策略在不同边缘服务器负载情况下计算时延。其中,基于DQN的智能卸载策略将根据列车与边缘服务器间距离、边缘服务器负载状况、网络连接水平等因素在本地计算、边缘服务器计算间选择策略,并在边缘计算模式下自动选择合适的边缘节点。固定策略则是仅使用边缘计算一种模式,根据列车到达固定位置而选择切换服务器。本地计算策略则将计算任务完全放置于列车车载计算单元上计算。本测试模拟了不同的边缘服务器负载情况,测试结果如图10所示,可以看出,完全将任务放置于列车本地运算的实时性低,计算资源的不足导致该卸载策略的时延总体偏高。固定切换策略受到服务器负载影响较大,容易出现时延巨大波动。基于DQN智能卸载策略在边缘服务器负载压力较大时可以保障障碍物检测系统的实时性,具备更强的系统性能。
轨道交通行业智能化进程中对算力的需求不断攀升,各类人工智能应用对实时性的要求不断提高,运用边缘智能框架将有助于高效地运行轨道交通人工智能应用,降低主干网络压力、提升任务处理效率、增加数据信息安全性,并进一步赋能各类复杂人工智能应用在轨道交通的部署及应用。然而,由于边缘智能依然处于其发展初期阶段,部分技术仍需要迭代改进,特别是应用至轨道交通实际运行中仍然存在一些挑战与问题急需解决:
(1)轨道交通运行中安全性要求极高,现有的边缘智能平台在安全性方面仍然缺乏针对轨道交通运行场景的优化考量。边缘智能技术在各行业的应用均处于初步阶段,尚无成熟且稳定的平台可供参考。边缘智能技术在轨道交通实际得以运用必须建立在系统安全、稳定的前提下,因此边缘智能的安全保障研究仍需加强。
(2)边缘智能的服务卸载策略仍然需要针对轨道交通实际运行场景进行优化。轨道交通运行中通信条件复杂、不同人工智能任务对实时性要求不同,这便要求边缘智能服务器通过先进策略满足各任务实际需求。
(3)边缘智能技术在轨道交通中的应用势必将引入更多部署在轨旁的边缘服务器,由此带来的建设成本是无法忽视的问题。边缘智能的经济效益研究目前仍处于空缺阶段,边缘智能技术对轨道交通公司的商业吸引力仍待研究。
(4)边缘智能落地轨道交通领域需要其与轨道交通现行系统框架相结合。然而,边缘智能的总体目前仅为普适性框架,仍缺乏针对轨道交通领域优化的研究。
边缘智能技术作为近年来最受关注的新型技术之一,结合了人工智能技术及边缘计算技术的优势,通过发挥构建云、边、端协同运作的人工智能应用的优势,为各行各业的进一步智能化进程提供了坚实的保障,引领产业变革。本文对边缘智能技术原理、架构、比较优势进行了重点分析,分别研究了其在轨道交通运营维护及调度、轨道交通运行控制、轨道交通规划建设和轨道交通改造升级方面的赋能作用。随后本文设计并实现了轨道交通边缘智能平台,通过运行入侵检测智能应用进行了平台测试及验证。最后,本文对边缘智能技术在轨道交通中应用的问题与挑战进行了分析。
[1] |
SATYANARAYANAN M, BAHL P, CACERES R, et al. The case for VM-based cloudlets in mobile computing[J]. IEEE Pervasive Computing, 2009, 8(4): 14–23. doi: 10.1109/MPRV.2009.82
|
[2] |
DENG Shuiguang, ZHAO Hailiang, FANG Weijia, et al. Edge intelligence: The confluence of edge computing and artificial intelligence[J]. IEEE Internet of Things Journal, 2020, 7(8): 7457–7469. doi: 10.1109/JIOT.2020.2984887
|
[3] |
ZHOU Zhi, CHEN Xu, LI En, et al. Edge intelligence: Paving the last mile of artificial intelligence with edge computing[J]. Proceedings of the IEEE, 2019, 107(8): 1738–1762. doi: 10.1109/JPROC.2019.2918951
|
[4] |
PELTONEN E, BENNIS M, CAPOBIANCO M, et al. 6G white paper on edge intelligence[J]. arXiv preprint arXiv: 2004.14850, 2020.
|
[5] |
朱卫国. 城市轨道交通综述[J]. 城市车辆, 2001(3): 37–40.
ZHU Weiguo. An overview of urban rail transportation[J]. Urban Vehicles, 2001(3): 37–40.
|
[6] |
张殿业, 金键, 杨京帅. 城市轨道交通安全研究体系[J]. 都市快轨交通, 2004, 17(4): 1–3. doi: 10.3969/j.issn.1672-6073.2004.04.001
ZHANG Dianye, JIN Jian, and YANG Jingshuai. The safety research system of urban rail transit[J]. Urban Rapid Rail Transit, 2004, 17(4): 1–3. doi: 10.3969/j.issn.1672-6073.2004.04.001
|
[7] |
史天运. 中国高速铁路信息化现状及智能化发展[J]. 科技导报, 2019, 37(6): 53–59.
SHI Tianyun. Present situation of wide applications of information and intelligence in the field of high-speed railway in China[J]. Science &Technology Review, 2019, 37(6): 53–59.
|
[8] |
王同军. 智能铁路总体架构与发展展望[J]. 铁路计算机应用, 2018, 27(7): 1–8. doi: 10.3969/j.issn.1005-8451.2018.07.003
WANG Tongjun. Overall framework and development prospect of intelligent railway[J]. Railway Computer Application, 2018, 27(7): 1–8. doi: 10.3969/j.issn.1005-8451.2018.07.003
|
[9] |
刘芽, 刘占英, 麻永华, 等. 基于云计算技术的城市轨道交通信息化平台发展探索[J]. 现代城市轨道交通, 2019(9): 121–125.
LIU Ya, LIU Zhanying, MA Yonghua, et al. Exploration on development of urban rail transit informatization platform based on cloud computing technology[J]. Modern Urban Transit, 2019(9): 121–125.
|
[10] |
张春杰, 武智博, 张硕桐. 物联网及人工智能技术在城市轨道交通综合监控系统中的应用探究[J]. 电子世界, 2020(7): 55–56. doi: 10.19353/j.cnki.dzsj.2020.07.029
ZHANG Chunjie, WU Zhibo, and ZHANG Shuotong. Exploring the application of Internet of things and artificial intelligence technology in urban rail transit integrated monitoring system[J]. Electronics World, 2020(7): 55–56. doi: 10.19353/j.cnki.dzsj.2020.07.029
|
[11] |
魏秀琨, 所达, 魏德华, 等. 机器视觉在轨道交通系统状态检测中的应用综述[J]. 控制与决策, 2021, 36(2): 257–282. doi: 10.13195/j.kzyjc.2020.1199
WEI Xiukun, SUO Da, WEI Dehua, et al. A survey of the application of machine vision in rail transit system inspection[J]. Control and Decision, 2021, 36(2): 257–282. doi: 10.13195/j.kzyjc.2020.1199
|
[12] |
周超, 林湛, 李樊, 等. 城市轨道交通视频监控系统云边协同技术应用研究[J]. 铁道运输与经济, 2020, 42(12): 106–110,125. doi: 10.16668/j.cnki.issn.1003-1421.2020.12.18
ZHOU Chao, LIN Zhan, LI Fan, et al. Cloud-edge collaboration technology of CCTV system for urban rail transit[J]. Railway Transport and Economy, 2020, 42(12): 106–110,125. doi: 10.16668/j.cnki.issn.1003-1421.2020.12.18
|
[13] |
施巍松, 孙辉, 曹杰, 等. 边缘计算: 万物互联时代新型计算模型[J]. 计算机研究与发展, 2017, 54(5): 907–924. doi: 10.7544/issn1000-1239.2017.20160941
SHI Weisong, SUN Hui, CAO Jie, et al. Edge computing-an emerging computing model for the internet of everything era[J]. Journal of Computer Research and Development, 2017, 54(5): 907–924. doi: 10.7544/issn1000-1239.2017.20160941
|
[14] |
O'LEARY D E. Artificial intelligence and big data[J]. IEEE Intelligent Systems, 2013, 28(2): 96–99. doi: 10.1109/MIS.2013.39
|
[15] |
ZHU LI, YU F R, WANG Yige, et al. Big data analytics in intelligent transportation systems: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(1): 383–398. doi: 10.1109/TITS.2018.2815678
|
[16] |
MICHALSKI R S, CARBONELL J G, and MITCHELL T M. Machine Learning: An Artificial Intelligence Approach[M]. Berlin: Springer Science & Business Media, 2013.
|
[17] |
MENG Yan and LIU Xiyu. Application of K-means algorithm based on ant clustering algorithm in macroscopic planning of highway transportation hub[C]. 2007 First IEEE International Symposium on Information Technologies and Applications in Education, Kunming, China, 2007: 483–488.
|
[18] |
NATH R P D, LEE H J, CHOWDHURY N K, et al. Modified K-means clustering for travel time prediction based on historical traffic data[C]. 14th International Conference on Knowledge-Based and Intelligent Information and Engineering Systems, Cardiff, UK, 2010: 511–521.
|
[19] |
HAYDARI A and YILMAZ Y. Deep reinforcement learning for intelligent transportation systems: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(1): 11–32. doi: 10.1109/TITS.2020.3008612
|
[20] |
ABDULJABBAR R, DIA H, LIYANAGE S, et al. Applications of artificial intelligence in transport: An overview[J]. Sustainability, 2019, 11(1): 189. doi: 10.3390/su11010189
|
[21] |
LECUN Y and RANZATO M. Deep learning tutorial[C]. Tutorials in International Conference on Machine Learning (ICML’13), Atlanta, USA, 2013: 1–29.
|
[22] |
ATZORI L, IERA A, and MORABITO G. The internet of things: A survey[J]. Computer Networks, 2010, 54(15): 2787–2805. doi: 10.1016/j.comnet.2010.05.010
|
[23] |
OUGHTON E J, LEHR W, KATSAROS K, et al. Revisiting wireless internet connectivity: 5G vs Wi-Fi 6[J]. Telecommunications Policy, 2021, 45(5): 102127. doi: 10.1016/j.telpol.2021.102127
|
[24] |
CHEN Xu, JIAO Lei, LI Wenzhong, et al. Efficient multi-user computation offloading for mobile-edge cloud computing[J]. IEEE/ACM Transactions on Networking, 2016, 24(5): 2795–2808. doi: 10.1109/TNET.2015.2487344
|
[25] |
KAI Caihong, ZHOU Hao, YI Yibo, et al. Collaborative cloud-edge-end task offloading in mobile-edge computing networks with limited communication capability[J]. IEEE Transactions on Cognitive Communications and Networking, 2021, 7(2): 624–634. doi: 10.1109/TCCN.2020.3018159
|
[26] |
LI En, ZHOU Zhi, and CHEN Xu. Edge intelligence: On-demand deep learning model co-inference with device-edge synergy[C]. The 2018 Workshop on Mobile Edge Communications, Budapest, Hungary: ACM, 2018: 31–36.
|
[27] |
HAN Song, POOL J, TRAN J, et al. Learning both weights and connections for efficient neural networks[C]. The 28th International Conference on Neural Information Processing Systems, Montreal, Canada, 2015: 1135–1143.
|
[28] |
LI Song, ZHAO Hongli, and MA Jinmin. An edge computing-enabled train obstacle detection method based on YOLOv3[J]. Wireless Communications and Mobile Computing, 2021, 2021: 7670724. doi: 10.1155/2021/7670724
|
[29] |
TANG Jie, LIU Shaoshan, LIU Liangkai, et al. LoPECS: A low-power edge computing system for real-time autonomous driving services[J]. IEEE Access, 2020, 8: 30467–30479. doi: 10.1109/ACCESS.2020.2970728
|
[30] |
DAI Yueyue, XU Du, MAHARJAN S, et al. Joint load balancing and offloading in vehicular edge computing and networks[J]. IEEE Internet of Things Journal, 2019, 6(3): 4377–4387. doi: 10.1109/JIOT.2018.2876298
|
[31] |
GARCIA M H C, MOLINA-GALAN A, BOBAN M, et al. A tutorial on 5G NR V2X communications[J]. IEEE Communications Surveys & Tutorials, 2021, 23(3): 1972–2026. doi: 10.1109/COMST.2021.3057017
|
[32] |
李迎九. 智能建造技术在铁路建设管理中的应用探索[J]. 中国铁路, 2018(5): 1–7. doi: 10.19549/j.issn.1001-683x.2018.05.001
LI Yingjiu. The application of intelligent building technology in railway construction management[J]. China Railway, 2018(5): 1–7. doi: 10.19549/j.issn.1001-683x.2018.05.001
|
[33] |
李得伟, 张天宇, 周玮腾, 等. 轨道交通大数据运用现状及发展趋势研究[J]. 都市快轨交通, 2016, 29(6): 1–7. doi: 10.3969/j.issn.1672-6073.2016.06.001
LI Dewei, ZHANG Tianyu, ZHOU Weiteng, et al. State-of-the-art and trend analysis of big data application in rail transit[J]. Urban Rapid Rail Transit, 2016, 29(6): 1–7. doi: 10.3969/j.issn.1672-6073.2016.06.001
|
[34] |
端嘉盈, 沈海燕, 李智. 边缘计算在铁路“智能车站”物联网中的应用研究[J]. 物联网技术, 2020, 10(10): 53–56,61. doi: 10.16667/j.issn.2095-1302.2020.10.015
DUAN Jiaying, SHEN Haiyan, and LI Zhi. Application research of edge computing in railway "smart station" internet of things[J]. Internet of Things Technologies, 2020, 10(10): 53–56,61. doi: 10.16667/j.issn.2095-1302.2020.10.015
|
[35] |
王悉. 基于机器学习的重载列车智能驾驶方法研究[D]. [博士论文], 北京交通大学, 2017.
WANG Xi. Machine learning based intelligent operation methods for heavy haul train[D]. [Ph. D. dissertation], Beijing Jiaotong University, 2017.
|