Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning

Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning

基于联邦学习的车辆边缘计算驱动推荐系统
论文阅读

摘要：通过历史行车数据的分析，计算驾驶员的驾驶应力及其对不同驾驶行为的影响
使用长短期记忆全卷积网络来预测驾驶员相应的压力水平
建立了压力与驾驶行为之间的关系
开发了推荐司机后续出行的智能推荐系统
为满足人工智能需求，提出的系统架构中利用车辆边缘计算中的联邦学习，它能让路边单元做所有数据计算

主要工作：搜集了公用可用数据集和数据收集方案的研究、驾驶员压力与行为分析、驾驶员燃油效率估算等相关工作

提出了一个基于联邦学习的车辆边缘计算系统用来解决上面提到的驾驶员压力和燃油效率等问题

系统架构

1. 使用专用短程通信（DSRC）在 车辆与车辆 、车辆与道路侧单元之间创建车辆网络，
2. 再在道路侧单元上建立边缘网络
3. 通过联邦学习来处理所有驾驶员的数据，从而增强其计算能力，也被称为局部模型

用户使用出租车公司的移动应用程序申请行程时，会提供行程来源和目的地的详细信息。根据旅程的起点，全局服务器的请求被转发到附近的道路侧单元，一旦道路侧单元收到任何出行请求，它就会预测与之相关的所有驾驶员未来的压力水平，并将请求转发给最合适的司机。司机可以选择是否接受出行请求，如果司机接受了请求，出租车公司和提出请求的客户确认，当一个司机拒绝行程请求时，它会转到附近的另一个司机。它会不断请求，直到得到确认，或者附近所有的司机都有已存在的行程，没有可用的车辆来接受请求，系统会向客户发送消息，在一段时间后重试。

工作任务

1. 基于LSTM-FCN的应力水平识别
2. 采用Hemming Markov模型计算驾驶员行为得分
3. 驾驶员燃油效率计算
4. 司机推荐

1、2是主要工作，但我不关心
想看怎么推荐，只带过是利用压力和驾驶行为评估值来开发，没有使用特定的推荐算法，失望