在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预...在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预测缓存请求内容成为待解决的重要问题.本文从文件请求的时变性出发,针对实际的城市场景,采用Simulation of Urban MObility(SUMO)对交通流进行建模;其次,通过采集实际网站分时分类的点击量数据,并根据各路段交通流规律进行预处理,构建用户请求模型;最后,利用Long Short-Term Memory(LSTM)深度学习模型进行训练,预测各基站的文件请求.仿真结果表明,在网易新闻流行度分布和请求间隔分布形成的文件请求下,vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.展开更多
文摘在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预测缓存请求内容成为待解决的重要问题.本文从文件请求的时变性出发,针对实际的城市场景,采用Simulation of Urban MObility(SUMO)对交通流进行建模;其次,通过采集实际网站分时分类的点击量数据,并根据各路段交通流规律进行预处理,构建用户请求模型;最后,利用Long Short-Term Memory(LSTM)深度学习模型进行训练,预测各基站的文件请求.仿真结果表明,在网易新闻流行度分布和请求间隔分布形成的文件请求下,vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.
