一种基于边缘服务器的电动汽车充电需求感知方法及系统

技术领域

本发明涉及电动汽车领域，具体涉及一种基于边缘服务器的电动汽车充电需求感知方法及系统。

背景技术

由于充电比加油所需时间更长，效率没有加油高，依然会出现新能源汽车充电排队、等待时间过长的问题。提前感知电动汽车驾驶员的充电需求进行合理安排与预警，可以缓解与减少充电排队时间过长问题。

发明内容

为解决上述问题，本发明提供了一种基于边缘服务器的电动汽车充电需求感知方法及系统，在充分保护驾驶员隐私的情况下，通过车外摄像头与边缘服务器，提前感知驾驶员充电需求，对预估会出现排队时间过长的充电站进行预警。

在第一方面，本发明提供了一种基于边缘服务器的电动汽车充电需求预警方法，具体方案包括：

S1.确定目标区域内每一个目标应用场景的设备的型号，所述设备包括边缘服务器和摄像头；

S2.基于摄像头的部署位置，以最小化响应时延和部署成本为优化目标建立边缘服务器位置部署问题；

S3.采用改进遗传算法求解边缘服务器位置部署问题，得到边缘服务器放置策略；

S4.根据边缘服务器放置策略，每个摄像头将采集的视频分解为多个视频单元传输到对应的边缘服务器上进行任务卸载；

S5.边缘服务器处理接收到的视频单元得到对应的单元组合信息，并将单元组合信息传输到云端；

S6.云端根据边缘服务器提供的单元组合信息进行综合判断和预警。

在第二方面，本发明基于第一方面所提方法，提供了一种基于边缘服务器的电动汽车充电需求感知系统，包括：

设备位置管理系统，用于管理目标区域内所有摄像头和边缘服务器的位置，其包括设备统计单元和服务器部署策略单元，其中：

设备统计单元，用于根据目标区域内的摄像头数量、摄像头类型以及交通流量，确定边缘服务器的数量和类型；

服务器部署策略单元，用于根据目标区域内所有摄像头的部署位置，以最小化响应时延和部署成本为优化目标建立边缘服务器位置部署问题，采用改进遗传算法求解边缘服务器位置部署问题输出边缘服务器放置策略；

数据控制系统，用于管理目标区域内所有摄像头的数据采集分割和所有边缘服务器的数据处理，其包括摄像头视频处理单元、任务卸载单元和任务处理单元，其中：

摄像头视频处理单元，用于根据视频配置将摄像头所采集的视频分段得到多个视频单元；

任务卸载单元，用于根据边缘服务器的资源容量、摄像头的资源需求量和数据传输时延，将视频单元分配到相应的边缘服务器上；

任务处理单元，用于对边缘服务器所接收的视频单元进行处理得到单元组合信息，并将单元组合信息上传给云端系统；

云端系统，用于接收单元组合信息并处理得到电动汽车的充电需求综合概率，根据充电需求综合概率判断电动汽车是否具有充电倾向；根据具有充电倾向的电动汽车数量向地图软件发送预警信息，告知驾驶员充电桩的排队情况；同时也向最近充电桩的运营商发送预警信息。

本发明的有益效果：

本发明提供了一种基于边缘服务器的电动汽车充电需求感知方法，该方法主要分为三步进行，首先根据目标区域选定摄像头的类型和数量，并结合目标区域的交通流量确定边缘服务器的类型；然后根据响应时延和部署成本来确定边缘服务器的具体部署位置，即考虑边缘服务器具体配置在哪一个摄像头处从而为其服务范围内的所有摄像头进行服务；最后考虑实际道路流量波动问题，实现多台边缘服务器的协同作用，将负载高的边缘服务器上的任务卸载到空闲边缘服务器上，提高整体系统的CPU利用率。

具体来说，本发明对摄像头与边缘服务器的部署位置进行了针对化选型，提高了图像采集效果与处理速率，并在一定程度上控制了成本。其中对于边缘服务器的部署位置进行了两步选址(先确定摄像头位置，再根据摄像头位置确定边缘服务器位置)，并采用了改进的遗传算法确定了边缘服务器位置，在考虑实际情况的同时，减少了时延。

将视频分割为视频单元进行传输与处理，并采用少数者博弈的模型进行任务卸载。减少了视频处理任务的时延，提高了边缘服务器的CPU利用率。将图像处理步骤部署在边缘上，将处理好的脱敏数据上传云服务器，减少了信息泄露风险。

通过驾驶员的面部表情与动作特征的识别及融合，更加精准的判断驾驶员是否具有充电需求。

附图说明

图1为本发明的基于边缘服务器的电动汽车充电需求预警方法流程图；

图2为本发明的采用改进遗传算法求解边缘服务器位置部署问题流程图；

图3为本发明的视频单元特征提取流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种基于边缘服务器的电动汽车充电需求感知方法，如图1所示，包括以下步骤：

S1.确定目标区域内每一个目标应用场景的设备的型号，所述设备包括边缘服务器和摄像头。

具体地，步骤S1确定目标应用场景的设备的型号，包括：

S11.确定目标区域内的目标应用场景数量，并为每一个目标应用场景配置一个摄像头，其中：

S111.若目标应用场景为道路路侧，则根据道路的限速要求选择对应帧率的摄像头；具体来说，若道路限速为30-70km/h，则选择帧率为30fps的摄像头；若道路限速为70-100km/h，则选择帧率为60fps的摄像头；若道路限速为1000km/h以上，则选择帧率为120fps的摄像头，这样能够避免拍摄时出现画面拖尾现象。同时后续固定摄像头时还需要提高摄像头的位置高度，将摄像头的位置高度设置在5～6m，以此提高检测区域宽度，以避免出现大型车辆遮挡整个摄像头场景的情况。

S112.若目标应用场景为道路路口，则选取小焦距的广角高清摄像头，或选取小焦距的广角超清摄像头，这样选取的目的在于方便拍摄多方向来车。同时将摄像头的拍摄视角尽量向道路中间靠拢，以正、俯视角为主，避免选取侧视角，使车道的宽度过度失真，同时减少车辆相互遮挡的现象。

S12.根据摄像头的数量和目标区域的交通流量选取不同性能的Jetson系统嵌入式平台作为边缘服务器，比如Jetson Xavier NX、Jetson TX2(8GB)、Jetson TX2i。具体考虑目标区域内所有边缘服务器的总性能基本满足目标区域内所有摄像头的资源需求量，其中还需要考虑到交通流量特征确定每个摄像头对应的边缘服务器。

一般来说，边缘服务器的数量小于摄像头的数量，一台边缘服务器会同时服务多个相近的摄像头。

S2.基于摄像头的部署位置，以最小化响应时延和部署成本为优化目标建立边缘服务器位置部署问题。

具体地，首先根据边缘服务器位置部署问题构建数学模型，包括：

定义目标区域内的边缘服务器集合E＝{e

每一台边缘服务器自身的资源容量不小于其服务的所有摄像头的资源需求量之和，即表示为：

其中，r

目标区域内所有边缘服务器的平均响应时延

其中，ED

其中，V表示电磁波传播速率，P

其中，

其中，

λ

边缘服务器的部署成本的计算公式为：

其中，f表示所有边缘服务器的部署成本，μ为权重系数；W

其中，t

S3.采用改进遗传算法求解边缘服务器位置部署问题，得到边缘服务器放置策略。

具体地，采用改进遗传算法求解边缘服务器位置部署问题，如图2所示，包括：

S31.设置初始温度、截止温度、冷却速率和突变速率；然后进行种群初始化，包括：根据摄像头数量、摄像头位置和边缘服务器数量随机生成多条染色体；

S32.计算初始化种群中每一条染色体的适应度，然后进入步骤S33；初始化种群中每一条染色体都通过计算自身所有边缘服务器的部署成本作为初始的适应度；

S33.选取当前种群中适应度小于适应度阈值的染色体组成第一种群；

S34.对第一种群进行交叉操作后得到第二种群，采用模拟退火算法更新第二种群中的染色体；

S35.对更新后的第二种群进行变异操作后得到第三种群，采用模拟退火算法更新第三种群中的染色体；

S36.计算更新后的第三种群中每一条染色体的适应度，并提取出最优适应度，判断最优适应度是否大于历史最大值(即之前的最大适应度)，若是，则更新最优解并进入步骤S37，若不是，则直接进入步骤S37；

S37.计算当前温度是否小于截止温度，若是，则输出最优解，若不是，则更新温度并返回步骤S33。

具体地，采用模拟退火算法更新第二种群或第三种群的过程包括：

S301.计算种群中任一染色体的适应度，并判断适应度是否小于0，若是，则保留该染色体，若不是，则进入步骤S302；其中某一染色体的适应度计算公式为：

Δf＝f(child)-min(f(parent1),f(parent2))

其中，Δf表示该染色体的适应度，f(child)表示该染色体的部署成本，f(parent1),f(parent2)表示分别表示该染色体的两个父染色体的部署成本；

S302.计算染色体的概率值ρ，并在区间[0,1]中选取一个随机数rand；若rand<ρ，则采用该染色体替换其父染色体，否则丢弃该染色体并保留其父染色体；其中概率值ρ的计算公式为：

其中，k为常数，T为模拟退火算法的当前温度。

S4.根据边缘服务器放置策略，每个摄像头将采集的视频分解为多个视频单元传输到对应的边缘服务器上进行任务卸载。

具体地，步骤S4中，将第j个摄像头采集的视频分解传输到对应的边缘服务器进行任务卸载的过程包括：

S41.为了充分利用边缘服务器的计算能力，考虑基站网络上下行宽带，将第j个摄像头采集的视频根据配置进行分段得到s

其中，l

设置截断值集合α＝{α

S42.根据截断值集合分配视频单元，将更多的视频单元分配给具有较大截断值的边缘服务器，计算第j个摄像头初次卸载到第i台边缘服务器的视频单元数，并使用舍入整数方法来近似初次的视频单元数I

S43.第j个摄像头初次卸载后，更新每台边缘服务器所接收的视频单元数量，其中第i台边缘服务器更新后的视频单元数量表示为：

λ

其中，λ

S44.获取第j个摄像头还未分配出去的视频单元数，并结合每台边缘服务器当前更新后的视频单元数量计算每台边缘服务器的当前预计时延，然后将第j个摄像头还未分配出去的所有视频单元卸载到当前预计时延最小的边缘服务器上。

具体地，统计步骤S41中因近似法而剩下的视频单元，表示为：

m

其中，

其中，D

其中，W表示信道带宽，P

S5.边缘服务器处理接收到的视频单元得到对应的单元组合信息，并将单元组合信息传输到云端。

具体地，边缘服务器对接收到的任一个视频单元进行处理得到单元组合信息，包括：

S51.采用SSD目标检测算法对视频单元进行分析，提取包含车辆的图像；

S52.根据小波变换锁定图像中车辆的车牌位置及其车牌信息，判断图像中车辆是否为新能源汽车，若是，则对车牌信息进行加密处理和脱敏处理，然后进入步骤S53；

S53.采用轻量化深度网络MobileNet-SSD在图像中获取人脸区域图像，在人脸区域图像上基于dlib库获取人脸的68个特征点，得到面部特征；如图3所示，具体包括：

根据6种基本面部表情(愤怒、厌恶、恐惧、高兴、悲伤、惊讶)的器官运动区域将人脸区域图像划分出眉部、上眼眶部、眼睛及下眼眶部、鼻部、嘴部、颞部、嘴部及颞部和嘴部及下颊共8个局部区域图像；将归一化处理后的8个局部区域图像输入特征提取网络，得到动作时空特征；所述特征提取网络包括8个提取模块和1个融合输出模块，其中每个提取模块对应一个局部区域图像的处理，且每个提取模块包括不同数量的卷积层和池化层，融合输出模块将8个提取模块的输出拼接后输出。

S54.采用C3D网络对图像中驾驶员肢体动作进行特征提取，获取视频单元的动作时空特征。

S55.采用神经网络学习获取面部特征和动作时空特征的后验概率，将面部特征和动作时空特征的后验概率加权求和得到初步概率；

S56.将初步概率、处理后的车牌信息、该视频单元接入的边缘服务器的位置信息和摄像头上传视频单元的时间信息组成该视频单元的单元组合信息发送给云端。

S6.云端根据边缘服务器提供的单元组合信息进行综合判断和预警。

具体地，步骤S6云端根据边缘服务器提供的单元组合信息进行综合判断和预警，包括：

S61.云端获取含有同一车牌信息的所有单元组合信息，并从中提取初步概率；然后将所有初步概率根据其对应的位置信息进行分组，根据时间信息对分组进行排序得到多个集合，其中A

S62.计算每一个集合的均值和方差，根据所有集合的均值和方差得到该车牌信息的充电需求综合概率，计算公式为：

其中，

若充电需求综合概率大于0.7，则认定该车牌信息所对应的车辆具有充电倾向，并记录最新的位置信息；

S63.当一区域内的具有充电倾向的车辆数达到预警阈值，云端向地图软件以及最近充电桩的运营商发送预警信息，然后在相关APP或者小程序的相关页面进行显示，提醒驾驶员该充电站可能出现排队情况。

在一实施例中，本发明还提供了一种基于边缘服务器的电动汽车充电需求感知系统，包括：

设备位置管理系统，用于管理目标区域内所有摄像头和边缘服务器的位置，其包括设备统计单元和服务器部署策略单元，其中：

设备统计单元，用于根据目标区域内的摄像头数量、摄像头类型以及交通流量，确定边缘服务器的数量和类型；

服务器部署策略单元，用于根据目标区域内所有摄像头的部署位置，以最小化响应时延和部署成本为优化目标建立边缘服务器位置部署问题，采用改进遗传算法求解边缘服务器位置部署问题输出边缘服务器放置策略；

数据控制系统，用于管理目标区域内所有摄像头的数据采集分割和所有边缘服务器的数据处理，其包括摄像头视频处理单元、任务卸载单元和任务处理单元，其中：

摄像头视频处理单元，用于根据视频配置将摄像头所采集的视频分段得到多个视频单元；

任务卸载单元，用于根据边缘服务器的资源容量、摄像头的资源需求量和数据传输时延，将视频单元分配到相应的边缘服务器上；

任务处理单元，用于对边缘服务器所接收的视频单元进行处理得到单元组合信息，并将单元组合信息上传给云端系统；

云端系统，用于接收单元组合信息并处理得到电动汽车的充电需求综合概率，根据充电需求综合概率判断电动汽车是否具有充电倾向；根据具有充电倾向的电动汽车数量向地图软件发送预警信息，告知驾驶员充电桩的排队情况；同时也向最近充电桩的运营商发送预警信息。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。