Collaborative Edge Intelligence Service Provision in Blockchain Empowered Urban Rail Transit Systems
Notice bibliographique
Résumé
With the advancement of Urban Rail Transits (URTs), the demand for artificial intelligence (AI) based URTs services grows exponentially. Edge intelligence (EI) leverages computing resources on the network edge to provide realtime intelligent services in close proximity. As it enables fast distributed learning, EI is envisioned to be a potential component of URTs, and ideal EI service provision is a critical concern for the intelligent development of URTs. The existing EI-related research concentrates on the computation offloading of general AI-based tasks, whereas both the edge server deployment and AI model training process are not explicitly designed for URTs. The URTs AI service characteristics such as model training demand, priority, and security are largely ignored. In this paper, we propose a novel collaborative EI service provision framework for URTs. Blockchain is used along with the EI server to construct a trusted computing infrastructure. To address the EI service credit crisis, a blockchain-based trust management mechanism including short-term reward incentives and long-term reputation evaluation is designed in the trusted computing infrastructure. An HRL-based collaborative training service optimization model is proposed to improve the learning efficiency and edge resource utilization rate in URTs. Specifically, the proposed two-stage collaborative optimization model jointly considers high-level service scheduling and low-level task offloading. In addition, we present an intelligent train control model based on the state-ofthe-art decision transformer (DT), with the training service as a case study to demonstrate the effectiveness of the proposed collaborative EI service provision. Extensive simulation results show that the proposed EI service provision framework can provide trusted, efficient, and high-quality AI training services, simultaneously improving URTs operational efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».