买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利基于数字孪生的车辆社交网络缓存方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119484559B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410292069.X，技术领域涉及：H04L67/12；该发明授权基于数字孪生的车辆社交网络缓存方法是由胡敏;李永杰;黄宏程设计研发完成，并于2024-03-14向国家知识产权局提交的专利申请。

本基于数字孪生的车辆社交网络缓存方法在说明书摘要公布了：本发明涉及一种基于数字孪生的车辆社交网络缓存方法，属于车辆社交网络领域。该方法包括：S1、提取车辆网络和社交网络之间的联系纽带；S2、基于数字孪生技术将车辆网络从物理层映射至孪生网络层；S3、从孪生网络层中提取车辆的关系特征并建立车辆社交网络层；S4、建立车辆社交网络层中的缓存云；S5、基于车辆社交网络层以及其内的缓存云确定车辆缓存协作策略。本发明有效地提高了车载网络的内容分发效用，在效用和卸载成功率指标方面都有一定的优势。

本发明授权基于数字孪生的车辆社交网络缓存方法在权利要求书中公布了：1.一种基于数字孪生的车辆社交网络缓存方法，其特征在于：所述方法包括以下步骤： S1、提取车辆网络和社交网络之间的联系纽带； S2、基于数字孪生技术将车辆网络从物理层映射至孪生网络层； S3、从孪生网络层中提取车辆的关系特征并建立车辆社交网络层； S4、建立车辆社交网络层中的缓存云； S5、基于车辆社交网络层以及其内的缓存云确定车辆缓存协作策略； 在步骤S1中，车辆受到驾驶者的社交活动影响而具备社交属性，社交网络中的社会关系、用户兴趣以及社会活动是车辆网络和社交网络之间的联系纽带；根据社交网络中的用户兴趣对车辆网络中的驾驶者进行个性化推荐；社交网络中的社会关系与车辆网络中的网络拓扑相对应，根据社会关系预测车辆网络中的网络拓扑、维系社交网络中的网络拓扑，根据网络拓扑延拓社交网络中的社交关系；车辆网络中的移动模型抽象得到社交网络中的社会活动，根据社会活动的群体性进行预测或发现移动模型； 在步骤S2中，在物理层中，设定道路上有N辆运动的车辆和M个路边单元RSU，车辆的集合定义为，RSU的集合定义为； 将车辆的需求内容分为G类，每种类型的需求内容表示为，其中表示内容类型的大小，表示其内容的最大延迟，表示其延迟的敏感系数； 每个RSU都配有一个边缘缓存服务器，每个边缘缓存服务器具备缓存能力；车辆的需求内容预先存储于车辆或RSU的边缘缓存服务器中； 在步骤S3中，采用LSTM网络提取辆社会关系至少包括两个关系特征，其分别为供给双方的内容匹配和车辆的通信接触率； 用概率描述内容匹配元素，设定车辆需要G类内容，其需求的概率为，其中，车辆的需求内容与通信区域内存在匹配需求内容的概率为； 通信接触率取决于区域内车辆的分布密度和行驶速度；假定车辆以速度行驶，该段路程中的规定速度为，两辆连续的车辆之间的平均距离表示为： 其中表示两车之间的安全距离，表示车辆的反应时间，表示车辆的速度变化因子；根据该通信区域的覆盖范围和平均距离，求得该通信区域的车辆分布密度； 则车辆的社会关系的两个关系特征表示为； 在步骤S4中，每个缓存云由若干个在此区域内的车辆组成，每个缓存云包括一种需求内容；每个车辆包括若干种需求内容，每种需求内容对应一个缓存云；由此，缓存云与车辆之间形成多维映射； 在进行通信传递时，内容需求者获取缓存的车辆数量受到两个因素的制约，一个是提供方的缓存内容大小，另一个是两者之间的传输速率； 在步骤S5中，缓存调度考虑通信成本、模型精度和系统效用之间的平衡； 设表示缓存云上预存储g类内容的概率，表示RSU服务器上预存储g类内容的概率；在缓存大小和传递时延的约束条件下，使缓存系统的效用最大化的最优边缘缓存问题表示为： 其中，N表示车辆的集合；M表示RSU的集合；表示车辆社交网络层的精度；为数字孪生中用于训练LSTM网络并获得车辆社交网络层所收集的系统信息量；为遇到需要g类内容车辆的概率；表示车辆从缓存云获取g类内容的时间；表示车辆从RSUr获取内容所花费的时间；表示RSUr服务器上预存储g类内容的概率；为车辆v的传输成本；为车辆与RSUr的传输成本；为车辆向数据中心请求的传输成本；{Z}为指标函数，表示为当{Z}为真时为1，当{Z}为假时为0； 在步骤S5中，采用基于强化学习的迭代方式设定最优缓存策略以求解最优边缘缓存问题，在每一次的迭代中，先根据给定的车辆社交网络层获得缓存调度策略，再根据确定的策略修改车辆社交网络层构建过程中收集的信息量，继续迭代，直至系统收敛； 根据给定的车辆社交网络层和精度函数，探索最优决策的效用函数表示为： 最优缓存策略表示为： 其中，表示折扣因子，用于权衡效用函数； 在步骤S5中，将DDPG运用到边缘缓存协作管理场景中，对于给定的缓存策略设定为，其状态和行动下所获得的平均系统效用表示为： DDPG算法包括主网络和目标网络；每个网络都有一个actor部分和critic部分，目标网络视为主网络的一种迭代，生成训练主网络的目标值，最后通过计算损失函数更新策略；DDPG算法的经验回放池存储动作奖励和状态变化的学习经验，用于训练行动者和批评者参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。