本文通过云计算和机器学习的方式探讨了如何推动智能物联网监控和控制。通过将物联网和边缘计算相结合，可以降低延迟、提高效率和增强安全性，从而推动智能系统的发展。论文还介绍了物联网监控和控制技术的发展、边缘计算在物联网监控和控制中的应用以及机器学习在数据分析和故障检测中的作用。最后，通过实际案例和实验研究展示了智能物联网监控和控制系统在工业、农业、医疗等领域的应用和效果。

Mar, 2024

基于深度强化学习和边缘计算的优化控制系统，通过云边协同合作，在边缘部署轻量级策略网络，预测系统状态，以高频输出控制，实现对工业目标的监控和优化，并设计了动态资源分配机制，确保边缘计算资源的合理调度，实现全局优化，证明了该方法减少了云边通信延迟，加速对异常情况的响应，降低系统故障率，延长设备平均运行时间，节省了人工维护和更换的成本，从而确保了实时和稳定的控制。

Feb, 2024

本文介绍了边缘计算智能（如边缘人工智能 / 机器学习）的应用和挑战，为解决现有方法存在的采用障碍，提出了一种基于模型为中心的设计，以建立分散体系结构下的高效协作学习。

Jun, 2023

我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

Feb, 2022

本文提出一种基于人工智能的协同计算方法，通过将任务分配和调度算法与决策流程相结合，实现车辆网络中任务的外包与协同计算，进而减少计算服务延迟，提高服务可靠性，并实现服务成本最小化。在复杂的城市交通网络中，基于提出的协同计算方法，仿真结果表明该方法适应高度动态环境且性能表现优异。

Oct, 2020

提出了一个基于深度强化学习的知识驱动服务卸载决策框架，用于解决车辆互联网中多任务服务的卸载问题，并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。

Dec, 2018

本文介绍了一种适用于智能运输系统的边缘分析架构，其中数据在车辆或路边的智能传感器水平上处理，以克服联网通信延迟和数据可靠性问题，并提出了针对异构数据、自主控制、车队控制和网络安全等挑战的不同深度学习解决方案，能够为 ITS 提供可靠、安全和真正的智能交通环境。

Dec, 2017

本文综述了在边缘计算设备上部署机器学习系统的主要研究工作，重点关注了智能边缘系统成功应用中使用的压缩技术、工具、框架和硬件等方面的运营问题。

Jul, 2019

本论文提出了一个基于轻量级物联网和微服务架构的智能公共安全 (LISPS) 框架，该框架能够监测、跟踪人体活动、识别可疑行为，并解决了边缘计算中的部分问题。实验结果表明了该方法的可行性。

Mar, 2019

本文提出了一种新的结合了边缘计算、缓存和通信的异构物联网智能边缘架构，并通过 Smart-Edge-CoCaCo 算法对其进行性能优化，实验结果表明该算法对于计算任务数据和并发用户数量的增加，相较于传统的云计算模型，其计算延迟更低。

Jan, 2019