Terminplanung der Operation eines verbundenen Fahrzeugnetzwerks unter Verwendung von Deep Reinforcement Learning

Getrieben durch die rasante Entwicklung des Internets der Dinge werden sich die konventionellen fahrzeugbasierten Ad-hoc-Netzwerke in Richtung Internet der Fahrzeuge (IoV) entwickeln. Mit der schnellen Entwicklung von Computer- und Kommunikationstechnologien verspricht IoV enormes kommerzielles Interesse und Forschungswert, wodurch zahlreiche Unternehmen und Forscher angezogen werden. Um das Wohlbefinden des Fahrers und die Nachfrage nach kontinuierlicher Konnektivität im IoV-Zeitalter zu erfüllen, befasst sich dieses Papier sowohl mit Sicherheits- als auch mit Qualitätsdienstleistungs (QoS)-Anliegen in einem grünen, ausgewogenen, verbundenen und effizienten Fahrzeugnetzwerk. Mit den jüngsten Fortschritten im Training tiefer neuronaler Netze nutzen wir das Modell des tiefen Reinforcement Learning, insbesondere ein deep Q-network, das eine Zeitplanungsrichtlinie aus hochdimensionalen Eingaben lernt, die den aktuellen Eigenschaften des zugrunde liegenden Modells entsprechen. Die realisierte Richtlinie dient dazu, die Lebensdauer des batteriebetriebenen Fahrzeugnetzwerks zu verlängern und gleichzeitig ein sicheres Umfeld zu schaffen, das akzeptable QoS-Niveaus erfüllt. Unser vorgestelltes Modell des tiefen Reinforcement Learning übertrifft mehrere Zeitplanung Benchmarks hinsichtlich des Anteils erfolgreicher Anfragen (10-25 %), der durchschnittlichen Antragsverzögerung (10-15 %) und der gesamten Netzwerklebensdauer (5-65 %).