35、边缘计算网络与交通流量预测算法研究

边缘计算网络与交通流量预测算法研究

1. 边缘计算网络中的多播吞吐量最大化算法

1.1 算法介绍

在边缘计算（MEC）网络中，为了实现延迟约束下的多播吞吐量最大化，有几种重要的算法。
- MinDelayStenier算法 ：将参数λ的值设为0，这意味着该算法始终沿着延迟最小的路径路由任务和结果。在多播组中，可能存在多个多播树共存的情况。为了最大化网络资源利用率并防止链路拥塞，这些多播树通过一种称为“打包”的全局操作进行协调。它是对相关方法的扩展，适用于本研究的特定场景。
- MinCostSteiner算法 ：将λ的值设为1，该算法旨在为每个任务找到最优的路由路径，最小化边和节点的总权重。此方法不考虑延迟要求，仅关注成本效率，是相关工作的扩展。

1.2 不同算法的性能评估

评估了GKGST算法与MinCostSPT、MinDelaySPT和TradeoffSteiner算法在吞吐量和任务接纳成本方面的性能。总数据量在250MB到1000MB之间变化，同时保持云小站与路由器的比例|Vc|/|V|为1/5，多播组的平均大小为5。
- 吞吐量方面 ：如图3(a)所示，GKGST算法始终优于所有基线算法，实现了最高的吞吐量。当数据量较小时（小于250MB），GKGST、MinDelayStenier和MinCostSteiner之间的性能差异相对较小，因为此时网络资源充足，所需资源最少。然而，随着总数据量的增加，多播算法与单播算法之间的性能差距变得更加明显。当数据量超过750MB时，单播算法的吞吐量下降。当总数据量达到1000MB时，GKGST的吞吐量分别比MinCostStenier、MinDelayStenier和TradeoffSPT算法高出26.5%、59.3%和214.9%。
- 接纳成本方面 ：如图3(b)所示，任务接纳的总成本随着总数据量的增加而增加，而GKGST始终比三个基线算法实现更低的接纳成本。这是因为GKGST构建GAP实例来有效地搜索计算云小站，从而可以捕获各种任务接纳选项的计算成本，并有效利用网络资源。此外，GKGST规划GST来同时路由任务和结果，与SPT和Steiner树相比，GST连接多播组内至少一个基站，减少了边和顶点的数量，显著降低了路由成本。

算法	吞吐量提升（数据量1000MB时与GKGST对比）	接纳成本优势（数据量1000MB时与GKGST对比）
MinCostStenier	低26.5%	高 -
MinDelayStenier	低59.3%	高 -
TradeoffSPT	低214.9%	高 -

1.3 参数分析

1.3.1 云小站与路由器比例|Vc|/|V|的影响

评估了GKGST算法与MinDelaySteiner、MinCostSteiner和TradeoffSPT算法在吞吐量和总接纳成本方面的性能，将云小站数量（|Vc|）与路由器数量（|V|）的比例在0.1到0.5之间变化，同时将KH(t)和RH的数据量设置为1000MB，多播组的平均大小为5。
- 吞吐量方面 ：如图4(a)所示，GKGST算法在吞吐量方面始终优于所有基线算法。所有算法的吞吐量通常随着|Vc|/|V|的增加而增加。单播算法TradeoffSPT的吞吐量受|Vc|/|V|比例的影响小于基于Steiner树的算法。当|Vc|/|V|从0.1增加到0.5时，TradeoffSPT的吞吐量仅增加了19.9%，而MinDelaySteiner、MinCostSteiner和GKGST的性能分别增加了36.2%、37.4%和49.1%。这是因为GKGST利用基于GAP问题的快速搜索方案来定位计算云小站，而其他基线算法采用贪心策略，在按和解成本升序排序后选择转弯成本最低的云小站。
- 接纳成本方面 ：如图4(b)所示，总接纳成本随着|Vc|/|V|的增加而趋于降低。与三个基线算法相比，GKGST始终实现更低的接纳成本。这是因为在网络中节点数量不变的情况下，随着云小站比例的增加，具有空闲计算能力的云小站数量增加。当|Vc|/|V|较低时，任务要么找不到可用的计算云小站，要么被迫使用接近其计算容量极限的云小站。例如，在|Vc|/|V|为0.1时，云小站的可用性有限，GKGST与MinCostSteiner、MinDelaySteiner和TradeoffSPT算法相比，分别节省了36.2%、39.7%和48.5%的接纳成本。

1.3.2 多播组大小的影响

研究了多播组平均大小在2到5之间变化时，对GKGST算法与MinDelaySteiner、MinCostSteiner和TradeoffSPT算法在吞吐量和接纳成本方面的影响。将KH(t)和RH的数据量设置为1000MB，|Vc|/|V|的比例设置为0.2。
- 吞吐量方面 ：如图5(a)所示，GKGST的吞吐量相对不受平均组大小的影响，而三个基线算法表现出更高的敏感性。具体而言，MinCostSteiner和MinDelaySteiner随着平均组大小的增加呈现下降趋势。TradeoffSPT在组大小超过3时吞吐量显著下降，即使组大小继续增加，也保持较低的值。
- 接纳成本方面 ：如图5(b)所示，GKGST的接纳成本在很大程度上不受平均组大小的影响。相反，三个基线算法的接纳成本随着平均组大小的增加而增加。这是因为GKGST是一种GST，其根节点与组内每个成员之间至少有一条路径，只要有可行路径，就可以构建GST，而与组大小的变化无关。而三个基线算法本质上为组内的每个基站构建一个单独的路由树，随着组大小的扩大，需要为路由树构建更多的叶节点，导致接纳成本增加，在运营成本受限的情况下，吞吐量也会相应降低。

1.4 任务接纳比例与延迟的关系

图6展示了不同延迟要求的任务接纳比例。所有算法都主要倾向于接纳延迟要求较大（≥500ms）的任务。通过比较延迟要求大于700ms和小于300ms的两个极端类别，发现GKGST、MinCostSteiner、MinDelaySteiner和TradeoffSPT接纳的延迟要求超过700ms的任务分别占总接纳任务的33.4%、49.2%、37.3%和55.6%；而延迟要求在100 - 300ms之间的任务占总接纳任务的比例分别为19.5%、14.3%、13.4%和6.8%。通过计算四个不同延迟要求组的总接纳任务百分比的标准差，GKGST、MinCostSteiner、MinDelaySteiner和TradeoffSPT分别为6.7%、14.3%、13.8%和19.4%。这表明GKGST更倾向于以更平衡的方式接纳具有不同延迟要求的任务，这可能是因为GKGST基于本研究中定义的路由效率对项目重要性进行排序，在路由树规划过程中考虑任务的延迟需求和资源消耗时，能够最小化对单一维度的偏好。而三个基线算法采用基于贪心的选择方法，可能会无意中放大延迟对路径规划的影响。

2. 基于混合扩张卷积的进化Transformer网络用于交通流量预测

2.1 交通流量预测的背景与挑战

高速公路上的交通拥堵一直是大城市的主要问题。随着城市化和汽车保有量的快速增长，交通出行数据的规模和复杂性日益增大。准确的交通流量预测有助于做出具有成本效益的交通决策，缓解道路拥堵并提高高速公路运营效率。

交通流量预测任务是通过技术手段从历史数据中提取有用信息，然后输出最可能的未来交通流量。该任务具有以下特点：
- 由于大量的交通数据，数据之间关系的复杂性增加，难以有效地提取关键数据之间的相关性。
- 道路上的交通流量数据除了受历史交通流量的影响外，还与数据点的周围环境密切相关。
- 交通流量数据时间序列通常表现出明显的周期性（小时、天、周），这也是研究人员需要考虑的问题。

2.2 现有Transformer网络在交通流量预测中的局限性

近年来，原始Transformer网络在捕获序列中的长距离依赖和交互方面表现出强大的能力。与传统的深度学习网络如卷积神经网络（CNNs）或循环神经网络（RNNs）相比，原始Transformer用多头自注意力替换了编码器 - 解码器架构中最常用的循环层，并完全基于注意力机制对序列进行建模，允许网络并行处理所有输入数据，以确保模型学习时间序列的全局相关性。此外，它还提出了位置编码机制来保留序列中元素的顺序。例如，Traffic Transformer使用Transformer框架捕获交通流量时间序列的连续性和周期性，RPConvformer使用一维卷积来嵌入交通流量时间序列数据，替代原始Transformer的词嵌入方法。

然而，现有的基于Transformer网络的交通流量预测模型仍然存在局限性：
- 静态数据嵌入方法无法使模型很好地学习时间序列的动态相关性。能够学习序列局部相关性的卷积操作的增加受卷积核大小的限制。
- 大多数现有的基于注意力的模型没有考虑层与层之间注意力模式的继承性。它们只是简单地重复堆叠编码模块，并分别学习每层的注意力分数。

2.3 HDCformer网络的提出

为了解决上述问题，提出了一种基于混合扩张卷积的进化Transformer网络，称为HDCformer，用于交通流量预测。
- 混合扩张卷积层嵌入数据 ：为了在关注局部区域相关性的同时捕获时间序列的动态相关性，使用混合扩张卷积层对原始时间序列数据进行嵌入。扩张卷积可以在标准一维卷积的基础上增加感受野，同时解决最大池化操作导致的精度降低问题。
- 连接相邻层的注意力模块 ：为了捕获不同层注意力分数之间的依赖关系，直接连接相邻层的注意力模块，使注意力计算可以依赖于前一层的结果，并促进不同层之间的信息共享。

2.4 HDCformer的主要贡献

• 提出了一种基于扩张卷积的新型序列嵌入层，能够动态学习交通流量时间序列的局部相关性。
• 在相邻层的注意力模块之间添加了残差连接，以充分捕获层与层之间注意力模式的演变趋势。
• 在两个真实世界的数据集上对HDCformer进行了评估，结果表明该模型在平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面优于现有最先进的基线模型。

综上所述，边缘计算网络中的多播吞吐量最大化算法和基于混合扩张卷积的交通流量预测网络HDCformer都针对各自领域的现有问题提出了有效的解决方案，在性能上展现出了优势，为相关领域的研究和应用提供了新的思路和方法。

3. 算法性能对比总结

3.1 边缘计算网络算法性能对比

为了更直观地对比边缘计算网络中各算法的性能，我们将前面提到的各项指标进行综合整理，如下表所示：

|算法|吞吐量（数据量1000MB）|接纳成本（数据量1000MB）|吞吐量随|Vc|/|V|变化（0.1 - 0.5）|接纳成本随|Vc|/|V|变化（0.1 - 0.5）|吞吐量随组大小变化（2 - 5）|接纳成本随组大小变化（2 - 5）|延迟任务接纳平衡性|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|GKGST|最高|最低|增加49.1%|降低 - |相对稳定|相对稳定|较好|
|MinCostStenier|比GKGST低26.5%|比GKGST高 - |增加37.4%|降低 - |下降|上升|较差|
|MinDelayStenier|比GKGST低59.3%|比GKGST高 - |增加36.2%|降低 - |下降|上升|较差|
|TradeoffSPT|比GKGST低214.9%|比GKGST高 - |增加19.9%|降低 - |大幅下降|上升|较差|

从这个表格中可以清晰地看到，GKGST算法在吞吐量、接纳成本以及对不同参数变化的适应性方面都表现出色，尤其是在处理不同延迟要求的任务接纳时，能够更加平衡地进行选择。

3.2 交通流量预测算法性能对比

对于交通流量预测算法，我们对比HDCformer与现有基于Transformer的其他模型，如下表所示：

算法	MAE	RMSE	MAPE
HDCformer	最低	最低	最低
现有Transformer模型	较高	较高	较高

从这个表格中可以明显看出，HDCformer在各项误差指标上都优于现有基于Transformer的模型，说明它在交通流量预测方面具有更高的准确性。

4. 算法应用场景分析

4.1 边缘计算网络算法应用场景

• 低延迟高吞吐量场景 ：在一些对延迟要求极高，同时需要处理大量数据的场景中，如实时视频流传输、自动驾驶车辆的实时数据交互等，GKGST算法能够充分发挥其优势。它可以在保证低延迟的情况下，实现高吞吐量的数据传输，确保数据的及时处理和响应。
• 多播数据分发场景 ：在需要将相同数据同时分发给多个接收者的场景中，如在线直播、软件更新推送等，GKGST算法通过构建GST来路由任务和结果，能够有效减少路由成本，提高网络资源利用率。

4.2 交通流量预测算法应用场景

• 智能交通系统 ：在智能交通系统中，准确的交通流量预测可以帮助交通管理部门提前做出决策，如调整信号灯时间、规划交通疏导方案等。HDCformer算法的高精度预测能力可以为智能交通系统提供可靠的数据支持。
• 出行规划应用 ：对于出行规划应用，如地图导航软件，交通流量预测可以帮助用户选择最佳的出行路线，避开拥堵路段。HDCformer算法能够更准确地预测未来的交通流量，为用户提供更优质的出行建议。

5. 未来发展趋势探讨

5.1 边缘计算网络算法发展趋势

• 与新兴技术融合 ：未来边缘计算网络算法可能会与人工智能、区块链等新兴技术融合。例如，结合人工智能的机器学习算法可以进一步优化任务调度和资源分配，提高算法的自适应能力；区块链技术可以增强数据的安全性和可信度，确保边缘计算网络中的数据传输和处理的可靠性。
• 支持更多复杂场景 ：随着物联网设备的不断增加和应用场景的日益复杂，边缘计算网络算法需要支持更多复杂的场景，如异构网络环境、多用户并发等。算法需要不断优化，以适应这些新的挑战。

5.2 交通流量预测算法发展趋势

• 多源数据融合 ：未来的交通流量预测算法可能会融合更多的数据源，如社交媒体数据、气象数据等。通过综合分析这些多源数据，可以更全面地了解交通流量的影响因素，提高预测的准确性。
• 实时动态预测 ：为了满足实时交通管理的需求，交通流量预测算法需要实现实时动态预测。算法需要能够快速处理新的交通数据，及时更新预测结果，以应对交通状况的快速变化。

6. 总结

本文主要介绍了边缘计算网络中的多播吞吐量最大化算法和基于混合扩张卷积的进化Transformer网络HDCformer用于交通流量预测的相关内容。在边缘计算网络中，GKGST算法在吞吐量、接纳成本等方面表现出色，能够有效应对不同参数变化和延迟要求的任务。在交通流量预测领域，HDCformer算法通过解决现有Transformer网络的局限性，在准确性方面优于现有基线模型。

未来，这两个领域的算法都将朝着更复杂、更智能的方向发展，不断适应新的应用场景和挑战。这些算法的发展将为边缘计算和交通流量预测领域带来更多的创新和突破，为相关行业的发展提供有力支持。

6.1 边缘计算网络算法总结

• GKGST算法通过构建GAP实例和规划GST，实现了高吞吐量和低接纳成本。
• 该算法在不同参数变化下表现稳定，能够平衡地接纳不同延迟要求的任务。

6.2 交通流量预测算法总结

• HDCformer算法通过混合扩张卷积层和连接相邻层注意力模块，解决了现有Transformer网络的局限性。
• 在真实数据集上的评估表明，HDCformer在误差指标上优于现有基线模型。

通过对这两种算法的研究和分析，我们可以看到它们在各自领域的重要性和应用前景。希望未来能够有更多的研究和创新，推动这些算法不断发展和完善。

下面是一个关于边缘计算网络算法选择的mermaid流程图：

graph TD;
    A[任务需求] --> B{是否对延迟要求高};
    B -- 是 --> C{是否需要多播分发};
    C -- 是 --> D[选择GKGST算法];
    C -- 否 --> E[根据其他因素选择];
    B -- 否 --> F{是否注重成本};
    F -- 是 --> G[选择MinCostStenier算法];
    F -- 否 --> H[根据其他因素选择];

这个流程图展示了在边缘计算网络中，根据任务的不同需求来选择合适算法的过程。如果任务对延迟要求高且需要多播分发，那么GKGST算法是一个很好的选择；如果对延迟要求不高但注重成本，那么MinCostStenier算法可能更合适。