科研背景：

现有电动汽车充电桩推荐系统相关研究可主要分为两类：
一种是围绕配电网和充电设施，主要考察大规模充电行为对区域电网峰值可能造成的不利影响，通过优化区域调度或合理安排充电站位置，避免配电网出现超负荷运行的危险。
另一种是以用户的角度来做出判断，考虑在当前时空环境下，最佳的充电站选择。结合用户的出行特点、车辆的具体配置、用户的个性化需求以及为享受充电服务付出的时间成本、经济成本等诸多因素，对衡量最佳充电站的目标函数进行优化。

近几年，区块链技术已被应用于车辆数据管理场景中，以便不仅解决安全和隐私问题，而且在边缘节点之间建立信任。
[21]中介绍的工作利用了财团区块链，并开发了一种基于信誉的数据共享方案，使车辆能够选择具有高质量数据的最佳和更可靠的数据源。区块链还成功应用于智能交通系统(ITS)中的安全车辆数据共享。
[22]中介绍了一种基于区块链和密码技术的多媒体数据共享方法，该方法可部署在车辆社交网络中。该方法采用区块链，以利用其不变性特征来应对恶意共享多媒体数据篡改的挑战。

科研问题：

在传统的框架中存在的服务可信问题：
1.如何保障车辆上传数据的可用性；
2.如何保障车辆位置隐私信息的安全性。

解决方案：

进度报告：

1）优化模型：采用多目标优化的方法确定目的充电桩，从车辆行驶距离与车辆等待时间两大方面进行优化，优化目标函数为：

2）整体架构：

3）隐私保护机制：

用户在参与推荐过程中时，首先要确认自身的隐私保护级别∂。在本文提出的电动汽车充电桩推荐系统中，共有两个隐私保护级别。其中低级别为不进行隐私保护，直接将自身位置信息上传至系统中参与推荐；高级别则需要采用K-means算法隐藏自身实际的位置信息。

4）工作流

研究计划：

基于知识的虚假信息检测

科研背景

• 近年来，随着社交媒体与社交平台的发展与普及，极大地改善了人们的生活质量，改变了人们对于信息的获取方式。然而，谣言、骗局、阴谋论等虚假信息的泛滥给社交网络和现实世界产生了恶劣的社会影响。因此，虚假信息检测作为目前热门的一个研究领域，受到了极大的关注。
• 对于网络上存在的大量信息进行人工核查显然是不现实的。因此如何利用模型进行自动的虚假信息检测且检测结果具有较高的准确性是目前研究的一个热点。

科研问题

• 一些信息并不能直接判断出其真假，或者信息包含的内容较少，需要借助外部文本来进行辅助判断。如何从大量的外部文本中找到有用的内容并融合到虚假信息检测中是目前研究存在的一个问题。
• 文本的语义是复杂的，一个词语在不同的语境下可能具有不同的含义。如何对词语在不同语境下进行恰当的表示也是应该考虑的问题。 目前许多的自然语言处理任务都会使用预训练语言模型，但单纯依靠大规模的文本的预训练语言模型可能还是很难理解复杂的问题，那么如果加入充分的先验知识，也许模型会学习到更加精细化的语义表示。

整体思路

提出融入非结构化的文本和结构化的知识图谱来提高虚假信息检测的准确率。

综合能源系统短期电力负荷预测

文献来源

（1）Xuan W, Shouxiang W, Qianyu Z, et al. A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems[J]. International Journal of Electrical Power & Energy Systems, 2021, 126: 106583.
（2）Zhou B, Meng Y, Huang W, et al. Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers[J]. International Journal of Electrical Power & Energy Systems, 2021, 126: 106542.
（3）Chen B, Wang Y. Short-term electric load forecasting of integrated energy system considering nonlinear synergy between different loads[J]. IEEE Access, 2021, 9: 43562-43573.
（4）Wang C, Wang Y, Ding Z, et al. A Transformer-Based Method of Multi-energy Load Forecasting in Integrated Energy System[J]. IEEE Transactions on Smart Grid, 2022.

科研背景

1.综合能源系统：以电力系统为核心，通过其内部种类众多的能量转换设备和能源储存设备，实现各种能源系统之间的协调规划、优化运行、协同管理、交互响应和互补互济。

2.构建综合能源系统，有助于
（1）可再生能源规模化开发
（2）传统一次能源利用效率提升
（3）实现社会能源可持续发展

3.实现高效、准确的多能源负荷预测可以为综合能源系统的规划和运行设计提供重要的数据支持，具有重要的现实意义和经济价值。

科研问题

合理有效地对不同能源负荷之间的耦合关系进行建模

整体流程：

本次组会主要介绍《Preemptive Cost-aware Job Scheduling  for Hybrid Cloud using Deep Reinforcement Learning》的研究进展。

科研背景

1. 云计算由于其低成本、高数据处理能力的优势受到了越来越多企业的青睐，很多企业选择把他们的数据迁移到云平台上。
2. 为了适应企业对数据保密性的要求，云计算提供三种不同的服务模式：公有云、私有云和混合云，其中，混合云服务模式是一种融合公有云和私有云的个性化服务模式，企业将私密数据存储在私有云上，但在作业执行过程中借助公有云的计算资源来扩展计算能力，从而达到既节约成本又安全高效的目的。

科研问题

1. 云平台提供的计算资源总是动态变化的，云服务提供商无法实时跟踪到这种变化来智能调度作业从而为使用者提供更高效的服务。
2. 传统的调度算法大多面向批处理作业而不是实时作业调度，也更少人考虑混合云中的实时任务。
3. 在云计算作业调度算法中，大多数都是非抢占式作业调度，没有考虑作业的优先级。

科研目的

本文中我们提出一种基于深度强化学习的混合云抢占式成本感知作业调度框架，用于在混合云中实时调度作业，有效利用计算资源，从而满足用户对作业响应时间的要求，降低执行成本。此外我们还在该框架中加入抢占机制，从而提高作业执行的成功率。

研究内容

图1所示为基于深度强化学习（DRL）的抢占式智能作业调度框架。在该框架中，我们使用DRL方法创建一个智能体代理来实时调度作业，做出合理决策。通过使用DQN算法来不断地训练神经网络，使智能体做出更好地决策，不断优化作业调度机制，从而降低使用者的成本。此外，为了提高作业执行的成功率，我们引入了最短剩余响应时间优先的抢占机制，根据不同作业的优先级合理分配资源，高效利用。

实验结果

图2是加入抢占式机制前后，作业调度成功率的对比图，实验结果表明，加入抢占式机制的作业调度机制可以有效提高作业的执行成功率，但由于实验过程还存在一些问题，目前的提高效果不是很明显，还在继续优化实验结果。

下一步研究计划

1. 优化实验结果
2. 同步开始论文写作（2022.5.20左右）