基于数字孪生与AI仿真技术的数据中心能耗优化研究与实践

针对数据中心扩容与粗放运维引起的高能耗、低运行效率问题,以及数智化建设和绿色运维需求,文章提出并验证了一种可以根据数据中心运行监控数据进行设备工况、气流组织和动环参数自优化的机制。该系统通过对数据中心进行数字孪生建模及其与深度强化学习模型的迭代交互,实现对能耗优化策略与系统温度、能耗等参数的持续训练,进而在实际系统中,针对给定的网络状态,采用深度强化学习进行训练后的模型优化设备工况、气流组织和动环参数,降低了系统的总能耗。     

导弹打击地面弱红外目标的数字孪生导引律

当红外制导导弹攻击地面目标时,自然或人为因素会导致目标红外特征减弱或消失,致使导引头无法探测或间断探测目标,极大影响制导精度。为解决这一问题,提出一种导弹攻击地面弱红外目标的数字孪生导引律。根据红外导引头在物理世界的导引过程,在数字世界构建目标及导引律的孪生数字模型,通过仿真得到并保存制导全过程中各时间点上导弹运动及控制的状态参数,作为制导过程的数字孪生。实际引导中,当导引头无法得到测量信号时,它的数字孪生数据立即被激活接管导引头的工作,以导引头的孪生数据为控制系统提供加速度指令。仿真算例表明,导引头的数字孪生可在导引头无法捕获信号时,为控制系统提供机动指令对导弹实施精确引导。数字孪生导引律对红外伪装、红外干扰及恶劣气候具有鲁棒性,有广阔的应用前景。     

数字孪生使能的智能超表面边缘计算网络任务卸载

针对新兴的计算密集型应用对移动用户高计算性能需求问题,该文提出一种数字孪生(DT)结合智能反射面(RIS)辅助的移动边缘计算(MEC)任务卸载方案。首先,在满足用户传输功率、用户和资源设备能耗、计算资源限制条件下,通过联合优化用户卸载决策、用户传输功率、RIS 相移、波束成形矢量、计算资源分配,建立一个系统能耗最小化问题;其次,将该非凸组合优化问题分解为3个子问题,使用深度双Q网络(DDQN)方法确定用户卸载策略;然后对每个训练时间步进行一次求解,基于交替迭代方法得到问题的优化解。仿真结果表明,基于DDQN的算法训练速度较快,有效降低了系统总能耗。     

深度学习在城市交通流预测中的实践研究

短时交通流状态预测对于实现城市智能交通系统至关重要。在过去,很多神经网络模型被提出来用以预测交通流,但是效果并不是很显著。究其原因,是因为大多数都是利用浅层模型在学习,浅层模型由于容易陷入局部极值而且不能模拟更复杂的数学运算,所以并不适合于模拟现实的交通状况。深度学习作为机器学习的新兴学科,在语音与图像处理方面取得了显著的成效,它能够非监督地从数据中学习出有效的特征用以预测,故在此利用深度学习进行建模用以城市主干道交通流预测。实验表明,模型取得了不错的交通流预测效果。     

5G电力虚拟专网和数字孪生相结合的系统架构和构建

设计了一种5G电力虚拟专网和数字孪生相结合的系统架构，并考虑了终端数字孪生时同步的构建方法，提出了一种分层多智能强化学习算法。该算法决定分配给电力用户终端的资源和数字孪生体的放置，上层通过深度Q网络实现切片通信资源的分配，下层通过多智能体深度强化学习实现电力用户终端的数字孪生体放置。实验结果表明，所提出的分层多智能体算法在电力用户终端数字孪生体的同步强度上能获得较好的系统收益。     

工业物联网中数字孪生辅助任务卸载算法

针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。     

数字孪生城市——新型智慧城市建设的基础

数字孪生城市（Digital Twin City）的概念自提出之日起,便凭借其在虚拟空间、实体空间以及虚实空间之间的信息交互等方面的创新理念,而获得了来自学术界与产业界的极大关注。通过在虚拟数字空间构建数字孪生城市,作为物理城市在虚拟空间的镜像实体,实现对实体城市空间从宏观表象到微观细节的精准、全面、智能的数字化还原,从而为我国新型智慧城市的建立提供全新的思路与方法。     

基于数字孪生技术的智能产线设计与实现

本文基于酒泉职业技术数字智能制造产线建设,介绍了基于数字孪生技术的总体架构,并展开说明了数字孪生关键技术及其工业数据采集和处理方法、智能产线的总体运行流程等,最后重点展示了该系统的实际运行场景和运行效果。     

基于MPU9250和数字孪生的人体动作识别系统设计

随着传感器技术的发展,人体动作识别被广泛应用于健康监测、运动跟踪和异常动作检测等领域。本文设计了一款基于MPU9250和数字孪生的人体动作识别系统。首先,通过MPU9250惯性传感器采集人体运动数据,通过对传感器数据进行预处理,构建了一个包含10种人体运动的数据集(静止、站-蹲、蹲-坐、坐-躺、蹲-站、坐-蹲、躺-坐、走、跑和摔倒);其次,我们提出了一种多特征提取融合的深度学习模型,将人工特征提取和自动特征提取相结合;最后,利用卷积神经网络和递归神经网络的特性,对数据集进行分类,同时采用结合数字孪生的方法,将人体运动以网页界面的形式进行在线可视化展示。实验结果表明：本文提出算法在人体动作识别上实现了99.13%的准确度,该系统可以很好地将人体动作数据流进行在线可视化展示,在人体动作识别领域具有良好的应用价值。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

数字孪生技术在智能交通应用中的态势与建议

随着数字孪生应用从工业制造向城市治理拓展,城市交通成为数字孪生率先应用的重要领域。数字孪生成为智能交通发展的重要方向和必然趋势。概括了数字孪生技术在智能交通应用的理念,分析了我国智能交通发展历程和发展现状,阐述了数字孪生在交通领域的应用态势,提出了推动数字孪生在交通领域应用的发展建议。     

New method of traffic flow forecasting based on quantum particle swarm optimization strategy for intelligent transportation system

Traffic flow forecasting is one of the essential means to realize smart cities and smart transportation. The accurate and effective prediction will provide an important basis for decision‐making in smart transportation systems. This paper proposes a new method of traffic flow forecasting based on quantum particle swarm optimization (QPSO) strategy for intelligent transportation system (ITS). We establish a corresponding model based on the characteristics of the traffic flow data. The genetic simulated annealing algorithm is applied to the quantum particle swarm algorithm to obtain the optimized initial cluster center, and is applied to the parameter optimization of the radial basis neural network prediction model. The function approximation of radial basis neural network is used to obtain the required data. In addition, in order to compare the performance of the algorithms, a comparison study with other related algorithms such as QPSO radial basis function (QPSO‐RBF) is also performed. Simulation results show that compared with other algorithms, the proposed algorithm can reduce prediction errors and get better and more stable prediction results.     

互联网智能路由架构及算法

突发流量在网络中非常普遍,会严重损害用户体验。突发流量往往能在短时间（如毫秒级别）内充满链路,导致网络拥塞和频繁分组丢失,端到端时延增加。传统路由算法要么是流量无关（如 OSPF（open shortest path first,开放式最短路径优先））的,无法对实时流量的变化做出调整;要么是集中式控制的（如线性规划）,面临求解时延过大而无法有效应对突发流量的问题。提出了一种新的智能路由算法解决突发流量的问题。一方面,提出的算法能利用机器学习强大的建模能力,通过对网络历史数据的挖掘来学习“隐式”的路由决策依据。另一方面,提出的算法能借助机器学习的快速推理能力降低决策时延,提高系统对突发流量的响应速度。实验结果表明,在真实流量数据集下,相比较其他路由算法,提出的智能路由算法能降低13%～70%的瓶颈链路利用率。     

数字孪生城市开启城市数字化转型新篇章

论述了数字孪生城市起源,指明了数字孪生城市主体结构、整体架构和创新应用,提出了数字孪生城市业务发展建议。     

Optimized traffic flow prediction based on cluster formation and reinforcement learning

In recent days, the traffic flow information is collected using the global positioning system through the Internet, which is yet to become ubiquitous. A novel technique is proposed for the intelligent transportation system, which leads to reduce the traffic congestion that will become an unavoidable phenomenon in the near future. This system uses a magnetic sensor to identify the type of the vehicle and the exact vehicle count in the traffic environment based on variation in the magnetic flux. This information is transmitted to the cloud server with the help of cluster by utilizing the nearby proximity services. An intelligent agent that uses reinforcement learning is implemented in the cloud server to learn the real-time traffic flow from multiple sources for the prediction of a valid and optimized route suggestion for the registered users. This work is implemented, and implementation results show that the proposed work achieves an accuracy of 98.36%. Hence, this intelligence method for VANETs will certainly account for improved traffic prediction to the vehicle transportation. It can reduce the vehicles waiting time in traffic and that would minimize the fuel consumption. It will make an eco-friendly environment of reduced carbon dioxide emissions in urban cities.     

面向通信机房的数字孪生技术及其应用

数字技术和智能设计的快速发展,如物联网(IoT)、大数据分析、人工智能(AI)、信息物理系统(CPS),已经成为第四次工业革命(工业4.0)的催化剂.其中,工业4.0中两个最先进的关键概念是工业物联网(IIoT)和数字孪生.本文基于数字化通信机房智能运维监控系统,从信息集成,模型构建,二维监控的角度,采用三维虚拟监控手...     

基于深度学习的流量工程算法研究与应用

随着5G网络的发展和应用,网络中的业务数量呈现出爆发式增长,网络中的带宽资源日趋紧张。为了提高网络资源利用率,并满足用户日益提高的业务服务质量要求,基于软件定义网络(SDN)提出了一种基于深度学习的流量工程算法(DL-TEA)。通过仿真证明该算法不仅能够实时地为业务计算一条高效的路径,同时还能够提升业务的QoS、网络资源利用率,降低网络阻塞率。     

基于深度强化学习的智能决策方法

针对传统深度强化学习算法难以快速解决长时序复杂任务的问题,提出了一种引入历史信息和人类知识的深度强化学习方法,对经典近端策略优化(Proximal Policy Optimization, PPO)强化学习算法进行改进,在状态空间引入历史状态以反映环境的时序变化特征,在策略模型中基于人类认知增加无效动作掩膜,禁止智能体进行无效探索,提高探索效率,从而提升模型的训练性能。仿真结果表明,所提方法能够有效解决长时序复杂任务的智能决策问题,相比传统的深度强化学习算法可显著提高模型收敛效果。     

Study on traffic scene semantic segmentation method based on convolutional neural network

In order to improve the semantic segmentation accuracy of traffic scene,a segmentation method was proposed based on RGB-D image and convolutional neural network.Firstly,on the basis of semi-global stereo matching algorithm,the disparity map was obtained,and the sample library was established by fusing the disparity map D and RGB image into the four-channel RGB-D image.Then,with two different structures,the networks were trained by using two different learning rate adjustment strategy respectively.Finally,the traffic scene semantic segmentation test was carried out with RGB-D image as the input,and the results were compared with the segmentation method based on RGB image.The experimental results show that the proposed traffic scene segmentation algorithm based on RGB-D image can achieve higher semantic segmentation accuracy than that based on RGB image.