买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京信息职业技术学院;南京源然人工智能科技有限公司申请的专利一种基于5G多接入边缘计算的车联网多参数监测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119233227B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411749595.0，技术领域涉及：H04W4/44；该发明授权一种基于5G多接入边缘计算的车联网多参数监测方法及系统是由朱启文;李建林;周亚凤;蒋安丽;陈凡;陈梓赫设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种基于5G多接入边缘计算的车联网多参数监测方法及系统在说明书摘要公布了：本发明公开了一种基于5G多接入边缘计算的车联网多参数监测方法及系统，包括:利用车载传感器实时采集多源异构数据；利用5G网络将采集的多源异构数据实时传输至最近的边缘计算节点；在边缘计算节点对多源异构数据进行预处理；将融合后的数据输入到边缘节点上部署的局部模型中，进行车辆状态和驾驶员状态的实时监测和实时评估；将得到的评估结果上传到云端平台，云端平台再根据车辆行驶工况、环境数据，对驾驶辅助决策和控制指令进行动态调整，生成最优决策结果；将最优决策结果通过5G网络下发至车载执行单元。本发明的方法实现对车辆速度、驾驶员生理状态等关键参数的监测，提升了监测系统的实时性和准确性。

本发明授权一种基于5G多接入边缘计算的车联网多参数监测方法及系统在权利要求书中公布了：1.一种基于5G多接入边缘计算的车联网多参数监测方法，其特征在于，包括以下步骤：步骤一，利用车载传感器实时采集多源异构数据，包括车辆操作参数、驾驶员生理和行为数据；步骤二，利用5G网络将采集的多源异构数据实时传输至最近的边缘计算节点；步骤三，在边缘计算节点对多源异构数据进行预处理，包括数据融合；数据融合包括以下步骤：1设定初始状态估计值及初始协方差矩阵P0，定义状态转移函数f·和观测函数h·，初始化粒子集合其中为第i个粒子，为其对应的权重，N为粒子总数；2根据上一时刻的状态估计值和状态转移函数，预测当前时刻的先验状态估计及先验协方差矩阵Pk|k-1，并更新粒子集合： 其中，Fk为状态转移矩阵，Qk为过程噪声协方差矩阵；p·表示概率密度函数，给出当前状态的概率分布；3根据当前时刻的观测值zk，计算卡尔曼增益Kk，并更新后验状态估计及后验协方差矩阵Pk|k： Pk|k＝I-KkHkPk|k-1其中，Hk为观测矩阵，Rk为观测噪声协方差矩阵；4根据当前时刻的观测值和观测函数，计算每个粒子的似然概率，并更新相应权重： 其中，为归一化后的粒子权重；∝为比例常数，用于表示权重更新的比例关系，最终通过归一化步骤来确定具体的权重值；5根据粒子权重，对粒子集合进行重采样，消除权重退化问题；6根据5更新后的粒子集合，计算当前时刻的状态估计值： 7根据融合结果的残差统计特性，自适应调整卡尔曼滤波器的过程噪声协方差矩阵Qk和观测噪声协方差矩阵Rk；8重复2～7，直至数据处理完毕；步骤四，将融合后的数据输入到边缘节点上部署的局部模型中，所述局部模型为深度学习模型，所述深度学习模型利用时空注意力机制和长短时记忆网络，提取输入数据中的时空特征，进行车辆状态和驾驶员状态的实时监测和实时评估，得到评估结果；同时，采用联邦学习算法对多个车载边缘节点上的局部模型进行训练，实现多节点间协同优化；在对局部模型进行训练的过程包括加密的梯度聚合和差分隐私步骤：s1在加密的梯度聚合过程中，各边缘节点在本地计算模型参数的梯度并通过加密方式发送到中心节点进行聚合： 其中，N为节点数，nk为满足∈，δ-差分隐私的高斯噪声，∈和δ分别控制隐私保护的强度和概率；s2中心节点利用聚合后的梯度更新全局模型参数Θk，并将更新后的模型广播给各节点，完成一轮联邦学习迭代；gk表示聚合后的梯度，是所有边缘节点计算的梯度的平均值加上噪声项； 表示第i个边缘节点在本地计算的模型参数梯度；N为边缘节点的数量； 表示nk是从均值为0、协方差为的高斯分布中采样的噪声； 为高斯噪声的方差，控制噪声的幅度；I为单位矩阵，表示噪声在各维度上是独立同分布的；Θk+1＝Θk-ηkgk其中，ηk为学习率；s3重复s1-s2，直至全部模型收敛或达到预设的迭代轮数；在联邦学习过程中，利用稀疏化方法筛选出重要的梯度分量进行聚合，量化后的梯度和稀疏化后的梯度分别表示为： 其中，bk为量化位宽，ρk为稀疏化阈值；步骤五，将步骤四得到的评估结果上传到云端平台，云端平台根据所有边缘节点上传的评估结果进行全局决策和优化，生成驾驶辅助决策和控制指令；云端平台再根据车辆行驶工况、环境数据，对驾驶辅助决策和控制指令进行动态调整，生成最优决策结果；在动态调整过程中，利用随机微分博弈模型描述驾驶员、车辆行驶工况、道路交通状况的动态交互，通过求解纳什均衡，获得各参与者的最优决策结果；定义博弈模型为其中，为博弈参与者的集合，Si和Ai分别为参与者i的状态空间和动作空间，Ji为参与者i的效用函数，表示其在博弈过程中获得的收益，所述博弈参与者包括驾驶员、车辆、环境；表示一个有序的集合或元组，为博弈模型的结构和组成部分；博弈过程描述为如下随机微分方程：dsit＝fisit，ait，a-itdt+gisit，ait，a-itdwit其中，sit和ait分别为参与者i在t时刻的状态和动作，a-it为其他参与者的动作，wit为布朗运动，反映环境的不确定性，fi·和gi·分别为漂移函数和扩散函数，描述参与者状态的变化规律，dsit为参与者i在时刻t的状态变化；步骤六，将最优决策结果通过5G网络下发至车载执行单元，根据最优决策结果对车辆进行安全控制或向驾驶员发出告警，具体过程如下：ss1最优决策结果通过5G网络传输至车载系统，使车辆能够根据实时的道路和网络状况做出快速反应；ss2利用深度强化学习算法对车载计算资源、存储资源和通信资源进行动态调整，定义强化学习模型为其中：状态空间S包括系统队列状态、网络状态；动作空间A代表资源调度决策；状态转移概率P描述从一个状态转移到另一个状态的可能性；奖励函数用于评估每个动作的效果；折扣因子γ用于权衡未来奖励的重要性；深度强化学习算法的目标函数是最大化长期累积奖励的期望： 其中，rst，at＝-β1Dst，at-β2Est，at是考虑任务延迟D·和能耗E·的奖励函数，β1和β2分别为权重系数，D*和E*为相应的约束阈值；ss3采用基于对偶梯度下降的优化方法求解ss2中的目标函数，将原问题转化为无约束的拉格朗日函数最大化问题： 其中，Lπ，λ1，λ2为拉格朗日函数，通过交替优化策略网络π和拉格朗日乘子一λ1、拉格朗日乘子二λ2，能够逐步收敛到满足约束的最优策略；动态调整包括：更新策略网络参数： 其中，θ为策略网络参数，α为学习率，Vθ表示对θ求梯度；更新拉格朗日乘子：λ1←max0，λ1-βD*-Dmaxλ2←max0，λ2-βE*-Emax其中，Dmax和Emax分别为任务延迟和能耗的最大允许值，β为学习率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息职业技术学院;南京源然人工智能科技有限公司，其通讯地址为：210023 江苏省南京市栖霞区仙林大学城文澜路99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。