车联网环境下交通信息采集与处理方法研究

发布时间：2014-12-22 10:05

 

【摘要】 依托国家高技术研究发展计划（863计划）课题《多源多维城市交通状态感知与交互处理》，本文对车联网环境下的交通信息采集与处理方法进行了深入研究。在对国内外研究现状和研究趋势进行分析的基础上，本文首先对车联网的系统架构和关键技术进行了分析。接下来在对车联网关键技术分析的基础上，得出路侧单元布设及优化方法是车联网环境下交通信息采集方法中的重要一环这一结论，并通过分析及实验，给出路侧单元的布设方法和调度优化方案。之后，在车联网环境下交通信息处理方法方面，根据车联网下对车辆定位技术的需求，提出了一个基于非参数动态模型的自适应数据融合框架结构以及一个适应信号强度和到达时间的自适应似然粒子滤波方法，实现基于已有的基础设施对车辆精确定位。最后，在行程时间预测技术方面，针对车联网下交通信息的特点，提出改进的人工神经网络（ANN）和改进的支持向量回归（SVR）方法，对行程时间进行预测，设计了一个仿真平台，并采用实际数据进行仿真，仿真结果表明提出的改进支持向量回归的行程时间预测模型具有良好的性能。 

第1章   绪论

 

1.1  研究背景

1.1.1 选题背景

根据公安部交管局的统计，2011年全国涉及人员伤亡的道路交通事故共发生 210812起，事故造成62387人死亡。经统计，2011 年世界上汽车保有量排名前 6 的国家因交通事故死亡的人数，其中美国为 32310 人，日本为 4612 人，德国为 4009 人，意大利为 3800人，俄罗斯为 27900 人。我国的交通事故死亡人数是美国的 2 倍，日本 14 倍。即使是按万车死亡率，我国也是美国的2倍。虽然近年来我国在交通设施建设、交通法规完成程度、驾驶员和行人的交通安全意识等方面取得了一定成绩，交通事故死伤人数有所减少，但相比主要发达国家仍有较大差距。引起交通事故发生的原因是多方面的，包括驾驶员本身对驾驶技能的掌握、危险发生时的反应能力、遵守交通法规意识的强弱、车辆本身状态如何、道路本身的路况以及天气等等。车联网环境下，驾驶员能获得邻近车辆的实时信息，如车速、行驶方向和位置等，如果能在危险到来前，提前警示驾驶员，以确保其有足够的反应时间实施紧急避险行为，能避免交通事故的发生或者将事故造成的损失尽可能降低。

车联网的建设和发展彻底改变了人们未来的出行模式，大大提升道路交通网络的运输效率、安全水平、智能化水平及环保水平，为建成一种适应现代道路交通网络运输发展的建设、运营、管理模式提供突破口。此外，车联网的应用还可以很大程度的解决停车困难问题，减少了在寻找车位过程中带来的能源消耗，一定程度上也减少了对道路资源的占用。

车联网下的交通管理方式将车作为主要管理对象，以车作为信息节点，把接入系统的每辆汽车都作为信息感知源，再通过无线通信手段连接到网络中，将汽车和通信进行融合，从而实现对车辆的大规模统一管理。

 

1.2  国内外研究现状

1.2.1  国外研究现状

1.  美国

从本世纪开始，美国将智能交通的战略向车辆安全及车路协调技术方面转移，开始对综合运输协调技术、车辆安全技术、车车/车路通信技术、车辆感知技术等进行研究。主要开展的项目有：智能车辆计划（IVI）、车辆-基础设施集成项目（VII）、商用车辆安全计划、CICAS、IVBSS等。

代表性的相关项目有：

1）车辆-基础设施集成计划 VII（Vehicle  Infrastructure  Integration）：该计划致力于利用无线通信技术使行驶中的车辆更紧密地与周围的环境相联系，从而提高交通系统的安全性，该计划的主要参与者包括美国交通运输部、加州交通部以及戴姆勒、福特、通用等汽车公司，并在加州 101 公路和密歇根 Novi 市部署了数十个路边基站，用于测试汽车与路边基站的通信能力。

在VII 系统中，车载单元（Onboard Unit，OBU）将其通过安置在车辆上的各类传感器采集到的信息（如车辆的行驶速度、位置信息等）上传至路侧单元（Roadside Unit，RSU）中，同时也接受路侧单元发送的周围车辆的实时状态信息以及各类交通服务信息（所处区域的交通状态信息、道路环境信息等）。车载单元和路侧单元之间采用短程无线通信技术（Dedicated  Short  Range Communications，DSRC）相连。

 

2）IntelliDrive 项目：针对推广 VII 系统时遇到基础设施运营商和汽车厂商对采用单一标准的路侧系统建设和运营兴趣不大的问题，美国交通运输部推进IntelliDrive 项目的研发。在 IntelliDrive 项目中，考虑采用移动通信技术、WIMAX、卫星通信等方式，建立开放式通信平台，为车辆提供无缝的通信服务。IntelliDrive提供的服务重点在车辆主动安全方面，同时兼顾多种运输方式和出行模式的解决方案，为驾驶员提供动态、连续的服务。IntelliDrive 项目把出行者、管理中心、场地和车辆四个主体，利用广义的无线移动通信和固定的骨干有线网相连，完成车辆之间和车辆与路侧之间的信息交互。 

 

第2章   车联网系统框架

 

本章对车联网环境下交通信息需求进行分析，在此基础上，提出车联网的系统架构，分析了车车/车路通信技术、智能车载系统技术和智能路侧系统技术等车联网的关键技术。

 

2.1  概述

交通信息是车联网系统中最核心的内容。以交通信息应用为中心，展开车联网系统的各个功能模块。交通信息的来源分为直接信息源和间接信息源。其中直接信息源主要指人（包括驾驶员和乘客）、车（车辆的运行状态等）和路（路况等）；间接信息源包含以地形、地貌、气象等为代表的自然环境因素和以政治、经济、人文等为代表的社会环境因素。

根据变化频率，交通信息可以分为静态交通信息和动态交通信息。静态交通信息指在一个较长时间段内相对稳定的交通信息，包括：包含有路网信息和交通管理设施信息等的交通基础信息；道路交通量和车辆保有量等统计信息；交通参与者出行规律信息等。静态交通信息的获得主要是通过建立基础信息数据库，其数据来源既可以通过从相关部门（如城市规划部门、城市建设及道路养护部门、交通管理部门等）和各个系统中已有的数据库获得，也可以通过交通调查或地理信息系统（GIS）、全球定位系统（GPS）和空间遥感（RS）等技术手段获得。动态交通信息指的是交通系统中随时间和空间变化的交通信息，主要包括：道路网交通流状态特征信息、交通事件信息、车辆及驾驶员的状态信息、道路环境信息以及交通动态管理控制信息等。

2.1.1  交通信息感知需求

作为智能交通的一个延伸，车联网本身具有智能交通所拥有的信息采集功能。同时，车联网是物联网的一个具体应用，具有物联网的特点，即信息感知。

信息感知能够为车联网提供信息来源，是车联网应用的基础。它最基本的形式是数据收集，即节点将感知数据通过网络传输到汇聚节点。但由于在原始感知数据中往往存在异常值、缺失值，因此在数据收集时要对原始感知数据进行数据清洗，并对缺失值进行估计。信息感知的目的是获取用户感兴趣的信息，这些在车联网中具体表现为：

1.  对车况及控制系统感知

主要是汽车运行过程中的各种工况信息，例如车速、各种介质的温度、驱动系/转向系的运行状况等。这些信息通常是利用安装在汽车上的车用传感器获得。车用传感器是车联网最终端的神经末梢。常见的车用传感器有车速传感器、加速度传感器、车身高度传感器、进气温度传感器、冷却液温度传感器等。

 

2.2  车联网系统架构研究

车联网作为一种特殊的移动自组织网络，与其他自组织网络相比，具有如下特点：

1.  节点拓扑结构变化快。这是由于车辆具有快速移动的特性，导致了网络的拓扑结构频繁发生变化。这个特点导致车辆节点间的通信链路生存时间缩短，网络连通性下降。

2.  很难建立精确的邻居节点。由于快速变化的拓扑结构，使得节点获取全局拓扑结构较难，导致传统基于网络拓扑结构的协议在车联网中效果很差。

3.  通信信道有严重的多普勒效应，衰减严重。实际的城市交通环境下，高大建筑物、桥梁、隧道以及绿化带使本就因车辆高速运动带来的通信信道衰减更加严重。

4.  节点拓扑结构变化具有一定的规律性。由于车辆在道路上行驶受交通法规以及交通控制系统的管理，总体上是具有规律性的，这使得节点的拓扑结构变化也具有一定的规律性，因此可以通过相应算法进行预测其变化。

5.  节点的相关状态信息可以通过相关传感器获得。如节点的速度、加速度、方向等可以通过车载传感器获取，节点的位置信息可通过卫星定位系统、与路侧设施实时通信等获得。

6.  车辆节点对能源消耗的要求相对较低。车辆本身可以提供电力，因此对通信设备的能源消耗要求相对较低。但仍需要考虑路侧单元对能源的要求。

2.2.1  系统架构

车联网作为物联网的一个延伸，具有相似的架构。因此可将车联网的系统（如图2.1所示）分为三个层次，笔耕文化传播，即感知层，网络层和应用层。

车联网感知层：由多种传感器及传感器网关构成，包括车载传感器和路侧传感器。感知层是车联网的神经末梢，是信息的来源。通过这些传感器，可以提供车辆的行驶状态信息、运输物品的相关信息、交通状态信息、道路环境信息等。

车联网网络层：由车载网络、互联网、无线通信网、网络管理系统等构成。网络层在车联网中充当神经中枢和大脑。它能够传递和处理从感知层获取的信息，目前已经制定了车载环境下无线接入（Wireless  Access  in  Vehicular Environment，WAVE）的相关协议。

 

第3 章   车联网环境下路侧单元布设及优化方法研究···········35

3.1  概述 ··················· 35

3.2  路侧单元布设方法研究·············· 36

3.2.1  路侧单元布设影响因素············ 38

3.2.2  路侧单元布设方案设计··············· 38

第4 章   车联网环境下车辆定位方法研究···············57

4.1  概述 ················ 57

4.2  基于数据融合的车辆定位方法研究·············· 58

第5 章   车联网环境下行程时间预测方法研究············79

5.1  概述·············· 79

5.2  基于人工智能的行程时间预测方法·················· 82

 

第5章   车联网环境下行程时间预测方法研究

 

车联网中的一项重要信息服务就是路径优化。作为路径优化的重要依据，行程时间预测方法备受关注。为了达到进行准确及时的路径优化效果，行程时间的预测必须具有实时性、可靠性和更高的精度。在车联网环境下，车辆和基础设施之间可以通过信息交互来确定车流量和密度。采用人工神经网络（artificial neural network，ANN）和支持向量回归（support vector regression，SVR）可以在现有的行程时间和确定的车流量和密度的基础上对行程时间进行预测。本章开发并评价了车联网环境下的基于人工神经网络和支持向量回归的行程时间预测模型，设计了一个仿真平台，采用实际数据进行了仿真，仿真结果表明所提出的改进支持向量回归的行程时间预测模型具有良好的性能。

 

5.1  概述

车联网中的一项重要信息服务就是路径优化。作为路径优化的重要一个依据，行程时间预测方法备受关注。目前常用的做法是使用历史平均出行时间或当前的行程时间作为对短期行程时间预测的依据。信息来源主要为固定型检测器和移动型检测器。前者会采用密集放置的流量传感器，如交通摄像头和线圈检测器，来估计行程时间，这些传感器通常每四分之一英里到半英里放置一个，行程时间可以通过传感器获得的流量、密度以及速度等参数来预测，但也可能引发行程时间预测的其他错误。后者主要采用 GPS 浮动车，具有覆盖范围广、数据精度高以及实时性强等优点，但城市内譬如隧道、停车场以及城市中密集建筑物等复杂环境中，GPS 系统的效果较差，会使行程时间预测出现较大误差。

 

第6章   总结与展望

 

6.1  全文总结

车联网是物联网在智能交通系统领域的延伸，它是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车-车、车辆与互联网之间，进行无线通信和信息交换，以实现智能交通管理控制、车辆智能化控制和智能动态信息服务的一体化网络。车联网的建设和发展彻底改变了未来的出行模式，大大提升道路交通网络的运输效率、安全水平、智能化水平及环保水平，为建成一种适应现代道路交通网络运输发展的建设、运营、管理模式提供突破口。目前，国外虽然已经定义了用于车联网的通信标准和一系列应用场景，但相关的核心技术仍处于实验室研究和试验阶段。我国尚未定义相关标准，但也开始进行相关技术的研究。为了给车联网应用提供信息来源，本文依托国家高技术研究发展计划（863 计划）课题《多源多维城市交通状态感知与交互处理》，对车联网环境下的交通信息采集和处理方法进行研究，主要研究成果包括以下几个方面：

1.  提出车联网系统框架。在对车联网环境下信息需求分析的基础上，提出车联网的系统架构，分析了车联网的关键技术，包括车车/车路通信技术、智能车载系统技术和智能路侧系统技术。

2.  对车联网环境下信息采集方法进行研究，提出了路侧单元布设及调度方案。通过对智能路侧系统技术分析，阐述了路侧单元设置的重要性。指出了影响路侧单元布设的几个因素，并进行了路侧单元布设试验，设计了路侧单元布设方案。以基于节能降耗为出发点，提出了一个路侧单元调度优化方案，在保证系统连通性的同时降低了路侧单元系统的能源消耗。

3.  对车联网环境下车辆定位方法进行研究。提出了一个基于非参数动态模型的自适应数据融合框架结构以及一个适应信号强度和到达时间的自适应似然粒子滤波方法，对车联网环境下的交通信息进行处理，实现基于已有的基础设施对车辆进行精确定位。

参考文献:

[1] 胡永利,孙艳丰,尹宝才.  物联网信息感知与交互技术[J]. 计算机学报. 2012(06)
[2] 邹凤,仲姣菲,伍伟丽,堵丁柱,Lee Junghoon.  解决高度分割的车载自组网络连通性问题的路侧单元最优化调度方案[J]. 计算机工程与科学. 2012(01)
[3] 马杨.  车路协同,还有多远?[J]. 中国交通信息化. 2011(09)
[4] 陈超,吕植勇,付姗姗,彭琪.  国内外车路协同系统发展现状综述[J]. 交通信息与安全. 2011(01)
[5] 王贵槐,万剑.  汽车安全辅助驾驶支持系统信息感知技术综述[J]. 交通与计算机. 2008(03)
[6] 杨兆升,王媛,管青.  基于支持向量机方法的短时交通流量预测方法[J]. 吉林大学学报(工学版). 2006(06)
[7] 姚智胜,邵春福,高永亮.  基于支持向量回归机的交通状态短时预测方法研究[J]. 北京交通大学学报. 2006(03)
[8] 徐启华,杨瑞.  支持向量机在交通流量实时预测中的应用[J]. 公路交通科技. 2005(12)
[9] 朱中,杨兆升.  实时交通流量人工神经网络预测模型[J]. 中国公路学报. 1998(04)



本文编号：10592