本发明属于算力分配，尤其涉及一种基于云边协同的算力智能分配方法及服务系统。
背景技术：
1、智能驾驶是利用计算机、通信、传感器等技术，对汽车实现自动驾驶的一种技术。智能驾驶过程中通过车载传感器（如雷达、激光雷达、摄像头等）收集周围环境信息，识别道路、车辆、行人、交通标志等信息。将来自不同传感器的数据进行整合和处理，提高感知的准确性和鲁棒性。通过全球定位系统或其他导航技术确定汽车在地图上的精确位置，并根据预定的目的地规划行驶路线。根据感知、数据处理和导航的结果，控制汽车的加速、减速、转向等动作，实现自动驾驶。通过与驾驶员和乘客的交互，提供实时的路况信息、导航信息等，使驾驶员能够更好地了解汽车状态和环境信息。安全与紧急处理：在发生紧急情况时，自动采取避险措施，保证行车安全。
2、因此，智能驾驶车辆在进行智能驾驶的过程中，存在非常多的任务或者数据需要处理，在这些任务或者数据进行处理的过程中，必须要考虑的是算力资源如何进行分配，即如何将任务或者数据分配至相应算力中心进行处理。现有技术中的算力分配原则为将时延敏感性高的任务或者数据卸载至边缘计算机进行处理，将时延敏感低的任务或者数据卸载至中心云服务器进行处理。但是，在智能驾驶快速发展，导致智能驾驶过程中的任务量或者数据量剧增，如果仅以时延敏感性作为算力分配的参考标准，显然无法满足现有智能驾驶需求。
3、因此，如何对现有的算力分配方法进行改进，以实现算力分配的均衡协同，是目前亟需解决的技术问题。
技术实现思路
1、本发明的目的在于提供一种基于云边协同的算力智能分配方法及服务系统，用以对现有的算力分配方法进行改进，在多个维度上实现算力分配的均衡协同。
2、为解决上述技术问题，本发明采用的技术方案如下：
3、第一方面，提供一种基于云边协同的算力智能分配方法，包括以下具体过程：
4、s1：获取指定期间内的智能驾驶任务数据，构建历史智能驾驶任务数据集，并创建智能驾驶任务预测模型，将历史智能驾驶任务数据集输入所述智能驾驶任务预测模型对其进行训练，并通过所述智能驾驶任务预测模型对t时刻的待处理的智能驾驶任务数据进行预测，并输出预测的智能驾驶任务数据；
5、s2：将预测的智能驾驶任务数据基于最低时延要求划分至不同的时延梯度，包括第一时延梯度、第二时延梯度、第三时延梯度；所述第一时延梯度中的任务数据由边缘节点进行处理，所述第三时延梯度中的任务数据由云中心节点进行处理，并把处理后的数据经边缘节点返给智能驾驶终端设备；所述第二时延梯度中的任务数据由边缘节点或者云中心节点进行处理；
6、s3：分别对第一时延梯度、第二时延梯度和第三时延梯度中的各项任务数据进行任务优先级评分，并按照优先级评分值大小进行排序，并根据排序结果进行算力预分配；其中，所述任务优先级评分的指标包括时延、传输时间成本、传输费用成本；
7、s4：实时采集t时刻待处理的智能驾驶任务数据，并对实时采集的待处理智能驾驶任务数据与预测的t时刻的待处理的智能驾驶任务数据进行差分计算，得到差分结果，并基于差分结果按照步骤s3中进行重新排序；
8、s5：对各边缘节点和云中心节点进行节点优先级评分，所述节点优先级评分指标包括计算能力、剩余任务数据，基于节点优先级评分和任务优先级评分进行算力预分配的调节，得到实时算力分配结果，各节点根据实时算力分配结果对接收到的任务数据进行处理；
9、s6：将实时采集t时刻待处理的智能驾驶任务数据并入步骤s1中的历史智能驾驶任务数据集，并迭代执行步骤s1至s5。
10、优选的，步骤s1中的智能驾驶任务预测模型为长短期记忆网络模型，并设置一个输出层、多个lstm层和一个输出层，并定义每层的神经元数量以及超参数；对所述智能驾驶任务预测模型进行训练的过程如下：
11、将历史智能驾驶任务数据集输入所述智能驾驶任务预测模型进行向前传播，对lstm层的细胞状态和隐藏状态的更新并计算智能驾驶任务预测模型的输出；
12、将所述智能驾驶任务预测模型的输出与真实标签进行对比，并计算损失函数值，以获取智能驾驶任务预测模型的输出与真实值之间的差异；
13、根据损失函数值进行反向传播计算梯度，并基于共轭梯度法对智能驾驶任务预测模型的权重和偏置进行更新，以拟合训练数据；
14、迭代执行上述三个步骤，直至达到预设的迭代次数或者损失函数值小于设定阈值；
15、获取另一指定期间的智能驾驶任务数据并输入所述智能驾驶任务预测模型，对该模型进行验证，并判断验证结果是否满足预设要求，若是，执行下一步骤，若否，重新进行训练。
16、优选的，步骤s2中的第一时延梯度的时延长度最短，第三时延梯度的时延长度最长，所述第二时延梯度的时延长度长于第一时延梯度的时延长度，小于第三时延梯度的时延长度。
17、优选的，步骤s3的具体过程如下：
18、s31：为所述任务优先级评分的指标中的时延、传输时间成本、传输费用成本设置相应的权重，分别得到时延权重、传输时间成本权重、传输费用成本权重；
19、s32：基于所述任务优先级评分的指标对各项任务数据进行任务优先级评分，评分公式如下：
20、优先级评分值=时延权重*α+传输时间成本权重*β、传输费用成本权重* γ。
21、其中α为时延权重参数，取值范围为[0-1]，表示时延对优先级的影响程度的大小；β为传输时间成本权重参数，取值范围为[0-1]，表示传输时间成本对优先级的影响程度的大小；γ为传输费用成本权重参数取值范围为[0-1]，表示传输费用成本对优先级的影响程度的大小；
22、s33：将第一时延梯度中的任务数据按照优先级评分值分别预分配给边缘节点，并优先级评分值更高的预分配给计算能力更强的边缘节点；
23、将第二时延梯度中的任务数据优先级评分值大于指定阈值的任务数据预分配至边缘节点，并将优先级评分值更高的预分配给计算能力更强的边缘节点；
24、将第二时延梯度中的任务数据优先级评分值小于等于指定阈值的任务数据预分配至云中心节点，并将优先级评分值更高的预分配给计算能力更强的云中心节点；
25、将第三时延梯度中的任务数据按照优先级评分值分别预分配给云中心节点；并将优先级评分值更高的预分配给计算能力更强的云中心节点。
26、优选的，步骤s4中对实时采集的待处理智能驾驶任务数据与预测的t时刻的待处理的智能驾驶任务数据进行差分计算的具体过程如下：
27、s41：构建差分数据组，并定义一个原数据组m和一个差分数据组n，其中差分数据组n中的n[ i]为原数据组m中从第一个数据元素到第 i个数据元素之间的差值，即n[ i]= m[ i]- m [ i-1]；
28、s42：通过将n[ l]增加数据 c，n[ r+1]减去数据 c，实现对原数据组m中的指定区间[ l， r]进行增加一个数据 c的修改；
29、s43：通过计算差分数据组n的前缀对原数据组m进行恢复，所述前缀为差分数组n的第一项开始累加到当前项的所有项的和，这个和就等于原数据组m中对应位置的数据元素。
30、优选的，s5中对各边缘节点和云中心节点进行节点优先级评分的具体过程如下：
31、s51：为所述节点优先级评分指标分配相应权重，得到计算能力权重、剩余任务数据权重；
32、s52：基于计算能力、计算能力权重以及剩余任务数据、剩余任务数据权重计算节点优先级评分值，计算公式如下：
33、节点优先级评分值=计算能力*计算能力权重-剩余任务数据*剩余任务数据权重；
34、其中所述计算能力=每秒钟cpu最大执行的时钟周期数*每个时钟周期执行浮点运算的次数*cpu数目。
35、优选的，步骤s5中的基于节点优先级评分和任务优先级评分进行算力预分配的调节过程为：将根据任务优先级评分值更高的任务数据分配至节点优先级评分值更高的节点。
36、第二方面，一种基于云边协同的算力智能分配服务系统，用于实现任意一项所述的一种基于云边协同的算力智能分配方法，包括数据获取模块、模型创建模块、智能驾驶任务预测模型、优先级计算模块、数据采集模块、差分计算模块、算力分配模块和主控模块，所述数据获取模块、模型创建模块、智能驾驶任务预测模型、优先级计算模块、数据采集模块、差分计算模块、算力分配模块均与所述主控模块连接；
37、所述数据获取模块，用于获取指定期间内的智能驾驶任务数据，构建历史智能驾驶任务数据集；
38、所述模型创建模块，用于创建智能驾驶任务预测模型，将历史智能驾驶任务数据集输入所述智能驾驶任务预测模型对其进行训练；
39、所述智能驾驶任务预测模型，用于对t时刻的待处理的智能驾驶任务数据进行预测，并输出预测的智能驾驶任务数据；
40、所述优先级计算模块，用于对第一时延梯度、第二时延梯度和第三时延梯度中的各项任务数据进行任务优先级评分值的计算，以及基于计算能力、剩余任务数据对各边缘节点和云中心节点进行节点优先级评分值进行计算；
41、所述数据采集模块，用于实时采集t时刻待处理的智能驾驶任务数据；
42、所述差分计算模块，用于对实时采集的待处理智能驾驶任务数据与预测的t时刻的待处理的智能驾驶任务数据进行差分计算，得到差分结果；
43、所述算力分配模块，用于将所述第一时延梯度中的任务数据预分配至边缘节点，将所述第三时延梯度中的任务数据预分配至云中心节点，将所述第二时延梯度中的任务数据预分配边缘节点或者云中心节点，以及基于节点优先级评分值进行预分配的调节；
44、所述主控模块，用于对所述数据获取模块、模型创建模块、智能驾驶任务预测模型、优先级计算模块、数据采集模块、差分计算模块、算力分配模块进行控制。
45、本发明的有益效果包括：
46、本发明提供的基于云边协同的算力智能分配方法及服务系统，构建历史智能驾驶任务数据集，并输入创建的智能驾驶任务预测模型进行训练，对待处理的智能驾驶任务数据进行预测；将预测的智能驾驶任务数据划分至不同的时延梯度，对第一时延梯度、第二时延梯度和第三时延梯度中的各项任务数据进行任务优先级评分并进行算力预分配；实时采集待处理的智能驾驶任务数据，并对实时采集的待处理智能驾驶任务数据与预测的待处理的智能驾驶任务数据进行差分计算，得到差分结果，并基于差分结果进行重新排序；对各边缘节点和云中心节点进行节点优先级评分，对算力预分配的调节各节点对接收到的任务数据进行处理。
47、第一，通过构建智能驾驶任务预测模型，并基于历史智能驾驶任务数据集进行训练，实现对待处理的智能驾驶任务数据进行精确预测，并基于待处理的智能驾驶任务数据的预测结果实现对算力的预分配，通过算力的预分配，可以在终端设备采集到任务数据后直接进行分配，有效减少数据分配时间，降低数据处理时延。
48、第二，通过将预测的智能驾驶任务数据根据其时延要求划分至不同的时延梯度，即第一时延梯度、第二时延梯度和第三时延梯度，此三个时延梯度代表了待处理的智能驾驶任务数据不同的时延要求，比如有的数据的时延敏感性较高，需要在极短的时间内完成处理，就划分至第一时延梯度。有的数据的时延敏感性较低，可以在较长的时间内完成，就划分至第三时延梯度。而有的数据介于第一时延梯度和第三时延梯度的时延要求之间，则划分至第二时延梯度，第二时延梯度中的任务可以灵活地进行处理，可以根据任务的具体需求以及边云节点当前的状态进行实时云边算力的分配，进而实现云边算力的均衡协同。
49、第三，通过对第一时延梯度、第二时延梯度和第三时延梯度中的各项任务数据分别进行任务优先级评分，在各梯度中再次任务优先级评分，即基于各梯度中任务优先级进行任务先后分配及处理的排序，再结合对各边缘节点以及云中心节点的优先级评分，使得各梯度的任务能够实现更精细的算力分配和处理。
50、第四，对实时采集的待处理智能驾驶任务数据与预测的待处理的智能驾驶任务数据进行差分计算，以找到预测的待处理任务与实时的待处理数据之间的差异，并针对差异结果进行预分配的调节，大大节省对实时的待处理数据的算力分配时间，降低任务数据处理时延，有效提升了任务数据处理效率。
51、第五，将实时采集待处理的智能驾驶任务数据并入历史智能驾驶任务数据集，并迭代执行整个过程，使得对指定时刻的待处理任务数据的预测是由智能驾驶任务预测模型基于随时新增的智能驾驶任务数据进行的，确保每次任务数据预测的准确性，进而确保后续的算力分配的准确，实现基于云边的算力分配的均衡协同。
1.一种基于云边协同的算力智能分配方法，其特征在于，包括以下具体过程：
2.根据权利要求1所述的一种基于云边协同的算力智能分配方法，其特征在于，步骤s1中的智能驾驶任务预测模型为长短期记忆网络模型，并设置一个输出层、多个lstm层和一个输出层，并定义每层的神经元数量以及超参数；对所述智能驾驶任务预测模型进行训练的过程如下：
3.根据权利要求1所述的一种基于云边协同的算力智能分配方法，其特征在于，步骤s2中的第一时延梯度的时延长度最短，第三时延梯度的时延长度最长，所述第二时延梯度的时延长度长于第一时延梯度的时延长度，小于第三时延梯度的时延长度。
4.根据权利要求1所述的一种基于云边协同的算力智能分配方法，其特征在于，步骤s3的具体过程如下：
5.根据权利要求4所述的一种基于云边协同的算力智能分配方法，其特征在于，步骤s4中对实时采集的待处理智能驾驶任务数据与预测的t时刻的待处理的智能驾驶任务数据进行差分计算的具体过程如下：
6.根据权利要求1所述的一种基于云边协同的算力智能分配方法，其特征在于，s5中对各边缘节点和云中心节点进行节点优先级评分的具体过程如下：
7.根据权利要求6所述的一种基于云边协同的算力智能分配方法，其特征在于，步骤s5中的基于节点优先级评分和任务优先级评分进行算力预分配的调节过程为：将根据任务优先级评分值更高的任务数据分配至节点优先级评分值更高的节点。
8.一种基于云边协同的算力智能分配服务系统，用于实现权利要求1-7任意一项所述的一种基于云边协同的算力智能分配方法，其特征在于，包括数据获取模块、模型创建模块、智能驾驶任务预测模型、优先级计算模块、数据采集模块、差分计算模块、算力分配模块和主控模块，所述数据获取模块、模型创建模块、智能驾驶任务预测模型、优先级计算模块、数据采集模块、差分计算模块、算力分配模块均与所述主控模块连接；
