预答辩公告

学位论文简介

汽车CPS是一个集信息、计算、网络和物理环境于一体的深度融合系统，实时准确的交通流预测是面向汽车CPS大数据认知计算的重要课题。论文以面向汽车CPS大数据的认知计算为研究目标，以交通流数据为例，重点研究了基于张量的深度计算模型、交通流预测方法和并行应用的计算资源分配策略，主要研究工作与贡献包括：

（1）针对面向汽车CPS大数据的认知计算问题，首先探讨了汽车CPS认知计算的现状与挑战，然后以交通流预测为例综述了交通流预测方法，最后结合深度学习方法，重点从深度学习数据表示、认知模型和并行计算等方面综述了近年来大数据环境下基于深度学习认知计算的研究进展。

（2）针对汽车CPS大数据多样性问题，构建了基于张量的数据表示，提出了张量训练的深度计算模型。首先搭建深度卷积网预测模型，然后提出基于张量的深度计算模型。为了降低模型的计算复杂度，通过引入Tucker分解到深度计算模型中，最后提出了Tucker深度计算模型TDCN。

（3）针对汽车CPS中数据的不确定性问题，提出了基于模糊深度卷积网的交通流预测方法FCNN和FDCN。提出方法通过构建模糊深度卷积网模型和设计参数自学习算法，能自适应生成模糊规则，减少数据不确定性的影响；利用深度残差网的深层结构，有效探索了交通流的时空相关特性，提高了预测准确度。

（4）针对汽车CPS对认知应用的实时性能需求问题，集成云平台到传统CPS，研究了异构云系统中并行应用的计算资源分配策略，提出了有成本限制的并行应用执行时间最小化算法MSLBL和有时间限制的并行应用执行成本最小化算法DUCO，实验结果验证了提出方法的有效性。

主要学术成果

[1] 陈伟宏，安吉尧，李仁发，李万里. 深度学习认知计算综述 [J]. 自动化学报，2017, 43(11): 1886-1897. （校定重点）

[2] Weihong Chen, Jiyao An, Renfa Li, Li Fu, Guoqi Xie, Md Zakirul Alam Bhuiyanc, and Keqin Li. A novel fuzzy deep-learning approach to traffic flow prediction with uncertain spatial-temporal data features [J]. Future Generation Computer Systems, 2018, 89(C): 78 - 88.  (SCI 二区)

[3] Weihong Chen, Guoqi Xie, Renfa Li, Yang Bai, Chunnian Fan, and Keqin Li. Efficient Task Scheduling for Budget Constrained Parallel Applications on Heterogeneous Cloud Computing Systems [J]. Future Generation Computer Systems, 2017, 74(C): 1 - 11.  (SCI 二区)

[4] Weihong Chen, Guoqi Xie, Renfa Li, and Keqin Li. Execution Cost Minimization Scheduling Algorithms for Deadline-constrained Parallel Applications on Heterogeneous Clouds [J]. Cluster Computing. (Under Review, Minor Revision, SCI 三区)

[5] 陈伟宏，安吉尧，付丽，胡梦，李仁发. 一种实时交通流预测方法：中国，申请号: 201810351027.3[P]. 2018-04-18.（进入实审）