[发明专利]一种面向智慧城市的社会化学习方法

说明书

本发明公开了一种面向智慧城市的社会化学习方法，包括：构建分层社会化学习系统；基于深度强化学习建立任务评估模型，利用所有物联网设备的任务状态和信道状态优化任务评估模型获得基本决策；边缘服务器利用联邦学习边缘聚合接收的任务评估模型，并根据基本决策优化边缘服务器上的任务评估模型获得高层决策；边缘服务器利用迁移学习对物联网设备中的模型进行指导；云服务器利用联邦学习云聚合接收到的任务评估模型，根据高层决策和云服务器上的任务评估模型制定市级决策，并利用迁移学习对边缘服务器上任务评估模型进行指导。本发明利用联邦学习提高层内智能体间的协作，层间利用迁移学习实现了上层对下层的引导，提高了模型的性能。

技术领域

本发明属于大数据技术领域，具体涉及一种面向智慧城市的社会化学习方法。

背景技术

近期城市化进程中出现的人口爆炸、资源失衡、交通拥堵等恶化趋势，对市民的高品质生活提出了日益高涨的要求。随着5G、物联网(InternetofThings,IoT)和人工智能(Artificial Intelligence,AI)的空前繁荣，智慧城市成为城市发展的新趋势指日可待。随着智慧城市的普及，2021年来自物联网设备的数据量将急剧增加，将达到850Zettabytes。数十亿的物联网设备与智慧城市相关联，为整个城市构建各种智能小区域。这些物联网设备通常部署有中等计算能力，例如智能路灯、智能交通灯、智能监控摄像头和智能手机。此外，通信功能弥合了物联网设备、用户乃至整个城市之间的鸿沟，为智慧城市提供了血管。一些资源因素，例如未充分利用的频谱资源、巨大的带宽成本和有限的计算能力，推翻了智慧城市的好处，即智慧城市中的细胞和血管逐渐贫乏和拥挤。

为了释放智慧城市的潜力，有许多研究趋势可以解决上述挑战。例如，认知物联网使物联网设备能够灵活感知和动态接入频谱，从而缓解智慧城市的频谱需求。边缘计算和雾计算将计算任务和服务从云服务器推送到网络边缘，进一步降低带宽消耗。但仍有许多问题有待解决。1)由于智慧城市对延迟的严格要求，对于频谱接入和计算分配的决策需要提前做出，并具有较高的精度，这些要求催生了大量关于人工智能受益策略的研究；2)构建智能决策的传统人工智能方法，通常依赖于提供海量数据，并在一个或几个云服务器上进行训练，这些问题进一步加剧了带宽成本、时间效率等问题；3)边缘智能包括将学习智能从一个或几个云服务器推送到网络边缘，但它们忽略了边缘服务器之间的协作特性，导致学习资源低效甚至学习性能下降；4)智慧城市运营的背后，存在着明显的社会等级制度，该层次结构由物联网设备、决定物联网设备运行的边缘服务器和决定边缘服务器操作的云服务器组成。现有的边缘智能也忽略了智慧城市的社会化决策。

发明内容

针对以上技术问题，受人类社会高效协作的运行机制和人与人之间的社会互动的启发，本发明提出了一种面向智慧城市的社会化学习方法，它是一种社会化的、基于学习的和认知的方案，它根据智能体的特征构建等级，做出相互关联的决策，使信息交互流动，可以解决智慧城市的各种需求，例如合理的资源配置。为解决以上技术问题，本发明所采用的技术方案如下：

一种面向智慧城市的社会化学习方法，包括如下步骤：

S1，构建包括云服务器、边缘服务器和物联网设备的分层社会化学习系统，物联网设备通过无线网络与边缘服务器连接，边缘服务器与云服务器连接；

S2，基于深度强化学习在物联网设备、边缘服务器和云服务器中分别建立任务评估模型；

S3，物联网设备利用所有物联网设备获得的任务状态和信道状态对任务评估模型进行优化，根据优化后的任务评估模型获得任务处理基本决策，并将任务处理基本决策和优化后的任务评估模型发送给对应的边缘服务器；

S4，边缘服务器利用联邦学习对物联网设备发送的任务评估模型进行边缘聚合，根据物联网设备发送的任务处理基本决策对边缘服务器上的任务评估模型进行优化获得任务处理高层决策，并将任务处理高层决策发送给物联网设备；