CN102932812A - 一种面向道路路况的车载传感器协同监测方法 - Google Patents

Abstract

本发明提供了一种面向道路路况的车载传感器协同监测方法，由携带传感器的车辆节点和路侧基站协作共同完成。车辆节点将传感器采集的数据、经过本地数据融合得到的观察数据发送到本地路侧基站，路侧基站接收并存储该观察数据，并决策是否需要启动协同监测，若符合条件则开始基于车载传感器数据的协同事件监测过程；挖掘位置相关、时间相关和行驶行为相关的车载传感器数据，在获取这些数据相关性后，采用投票加权方式进行处理；路侧基站根据处理结果判定本地子小区是否有路况事件产生，若能判定事件则由路侧基站发布事件。

Description

一种面向道路路况的车载传感器协同监测方法

技术领域

本发明涉及车载自组织传感器网络的协同信息处理和事件监测领域，更具体地，涉及一种利用在城市道路区域行驶并携带各类型传感器节点的车辆，采集道路路况事件相关数据，通过与路侧基站协作，进行位置相关、时间相关和车辆行驶行为相关的协同数据处理，从而准确有效的监测道路区域是否存在异常路况事件如路面坑穴、湿滑、滞留等的方法。

背景技术

随着汽车的普及、传感器技术和无线通信等领域的发展，可在道路行驶的车辆上安装各类型智能传感器节点设备用于感知行车路况相关物理量，这些安装了传感器的车辆之间，通过无线方式机动组网连接，形成自组织的无线车载传感器网络。车载传感器网络中车辆节点安装的传感器可采集到道路行车路况相关的物理量，并可利用这些采集数据进行信息处理，监测路况事件，实现实时路况监测，从而有效节省人力物力。道路路况监测是车载传感器网络面向智能交通系统的重要应用之一，车载传感器协同监测方法是实现准确有效的车载传感器网络路况事件监测的关键技术。车载传感器协同监测方法拟通过挖掘数据相关性，进行有效的信息协同、数据融合及智能信息决策等技术，有效推断道路区域的路况事件。车载传感器网络、无线传感器网络的事件监测方法与应用是该领域的热点问题之一，在近年来技术文献和研究论文中均有论述。

有关文献:T.He et al.VigilNet:An Integrated Sensor Network System for Energy-EfficientSurveillance.ACM Transactions on Sensor Networks[J],2006,2(1);U.Lee et al.Mobeyes:SmartMobs for Urban Monitoring with a Vehicular Sensor Network.IEEE Wireless Communications[J],2006,13(5);F.Kong et al.A Collaboration-based Hybrid Vehicular Sensor Network Architecture.In:Proc.International Conference on Information and Automation[c],2008;余玲飞等.车载传感器网络的研究进展[J].计算机科学,2011,(S1);孙荣丽等.交通无线传感器网络研究进展[J].计算机研究与发展,2011,(S2);任倩倩等.无线传感器网络中可容错的事件监测算法[J].计算机学报,2012,(03).

车载传感器网络事件监测主要通过机动的自组织无线传感器网络等技术，对采集的数据进行智能处理，从而监测出道路环境中影响道路交通的异常路况事件。相比较单一车辆传感器节点的有限监测能力和噪音等问题，多车辆多传感器的协同能有效提高监测准确性。目前关于无线传感器网络的协同监测方法主要可分为2大类。第1类是基于传感器感知覆盖度的协同调度方法，如利用传感器节点的感知覆盖范围构建树和簇等结构，通过能量优化的调度，实现事件感知和监测；通常选取本地至少k个节点工作用于保证覆盖一个监测事件发生的位置，而让其它节点睡眠以节省能量，即实现监测感知准确性和能量效率的折衷，k为工作节点下限数目。第2类是基于智能计算的方法，通过本地节点的协作同时实现节能的事件监测，例如通过机器学习、神经网络支持向量机、知识模型等进行事件特征的提取和分类、或运用隐马尔科夫模型（HMM）判断事件产生的概率、以及基于特征分类和HMM的混合方法等。

协同监测技术的实现方法与具体应用相关，无线传感器网络的监测方法无法很好的适应于车载网络应用环境。在车载传感器网络环境下，由于车辆的高移动性、城市道路交通路况环境的复杂性，导致机动网络的拓扑变化较快；此外，道路交通和车辆行驶中受自然环境、道路地形特征和人为因素等影响较大，车辆节点采集信息存在着噪声和稀疏数据等问题，从而易出现误检(false alarm)，导致监测准确性低。一些研究者针对移动自组织网络、无线传感器网络的事件监测，提出了基于人工智能的方法，通过本地节点协同，利用机器学习、支持向量机、贝叶斯神经网络、或运用隐马尔可夫模型等，进行事件特征提取和分类、判断事件产生的概率，实现事件监测；这些事件监测方法用于车载网络应用环境时，需要事先对道路车辆特定环境下的数据集进行训练，由于道路交通和车辆行驶中受自然环境、道路地形特征和人为因素等影响较大，实时数据集的训练有一定困难，并直接影响事件监测系统性能；这些方法计算复杂度高，不能很好的适应于无线车载网络自组织机动的分布式网络环境。如果使用了不适当的车载传感器数据进行协同，或在其性能、误差统计等方面给出错误的先验信息，都很难准确有效的监测事件。协同监测方法应当保证事件监测的准确性、低代价以及易于实现，根据模型和感知数据选择合适的车辆节点数据进行协同处理，用于提高事件监测性能，同时满足操作简单性。

有关文献:S Dipti.Evaluation of Adaptive Neural Network Models for Freeway IncidentDetection[J].IEEE Trans.On Intelligent Transportation Systems,2004,5(1);A.Nasipuri et al.Multisensor Collaboration in Wireless Sensor Networks for Detection of Spatially CorrelatedSignals[J].International Journal of Mobile Network Design and Innovation,2006,1(3/4);C.-B.Joaquin et al.A New Collaborative Knowledge-Based Approach for Wireless Sensor Networks[J].Sensors,2010,10;潘泉等.交通事件检测算法研究进展[J].武汉理工大学学报(交通科学与工程版),2005,(02);康健等.无线传感器网络数据融合技术[J].计算机科学,2010,(04);向敏等.基于数据关联性的无线传感器网络簇内数据管理算法[J].自动化学报.2010,(09).

发明内容

本发明针对在道路路况监测所面临的挑战和现有基于无线传感器网络的事件监测方法存在的问题和不足，提出一种面向智能交通道路监测应用的、有效提高监测准确性的车载传感器协同监测方法，由在城市道路区域行驶、携带智能无线传感器的车辆机动自组织成网络，通过提取位置相关、时间相关和行驶行为相关的多车辆、多传感器的数据，进行协同信息融合和事件决策处理，用于判定路况事件，从而提高道路路况事件监测的准确性。

本发明的技术方案为一种面向道路路况的车载传感器协同监测方法，将待监测区域近似为矩形区域，提取待监测区域的城市道路地形图，将待监测区域划分为若干监测子小区；所有监测子小区初始状态为尚未启动协同监测状态；待监测区域中车辆节点的车载传感器周期性采集路况相关的数据并处理得到周期性融合数据；确定覆盖待监测区域的路侧基站，路侧基站接收并存储待监测区域中的车辆节点传感器发送的周期性融合数据，挖掘数据的位置相关性、时间相关性和车辆行驶行为相关性用于协同数据处理，从而监测道路路况事件，并通过广播消息发布事件，包括执行以下步骤，

步骤1、在收到车辆节点发送的周期性融合数据后，路侧基站存储该观察数据，设在时刻τ车辆节点n_j的观察数据为O(n_j,τ)，车辆节点n_j当前位置落在子小区c_i内，

根据协同监测条件进行处理，所述协同监测条件为车辆节点n_j的观察数据O(n_j，τ)大于等于预设的阈值；如果满足协同监测条件且子小区c_i尚未启动协同监测，则进入步骤2；

步骤2、由路侧基站启动子小区c_i的车载传感器协同监测过程，提取位置相关、时间相关和行驶行为相关的数据并进行处理，包括提取τ时刻与子小区c_i位置相关的车辆节点数据并处理得到车辆节点n_j的监测可信度，提取子小区c_i在时间间隔[τ-T，τ]内时间相关的车辆节点数据并处理得到基于事件的历史数据相关度，以及提取与子小区c_i中具有行驶行为相关度的所有车辆节点数据并处理得到子小区c_i车辆节点的行为改变度；

步骤3、由路侧基站根据步骤2所得车辆节点n_j的监测可信度、基于事件的历史数据相关度和子小区c_i车辆节点的行为改变度，采用加权投票的方法，得到在τ时刻子小区c_i路况事件产生概率P_E(c_i,τ)；

步骤4、由路侧基站进行判定，若由步骤3所得概率P_E(c_i,τ)大于或等于预设阈值P_th，则判定τ时刻子小区c_i有路况事件产生，路侧基站记录该路况事件并向其覆盖范围内车辆节点和其它路侧基站广播该事件；子小区c_i初始状态恢复为尚未启动协同监测状态”，协同监测流程回到步骤1处继续执行。

而且，步骤2中，提取τ时刻与子小区c_i位置相关的车辆节点数据并处理得到车辆节点n_j的监测可信度，实现方式如下，

（1）将满足d(n_j′，c_i)≤r的车辆节点n_j’作为位置相关的协同监测车辆节点，计算车辆节点n_j’到子小区c_i的监测能力a(n_j’,c_i)，

$a(n_{j^{\′}},c_i)=\left\{\begin{array}{cc}1-{\left(\frac{d(n_{j^{\′}},c_i)}{r}\right)}^2& d(n_{j^{\′}},c_i)\≤r\\ 0& d(n_{j^{\′}},c_i)>r\end{array}\right.$

其中，从路侧基站覆盖的某个车辆节点n_j’的坐标(x_nj’,y_nj’)到所在子小区c_i的中心点坐标(x_ci,y_ci)的几何距离d(n_j’,c_i)=||(x_nj’,y_nj’)-(x_ci,y_ci)||，r为感知距离参数，取值为车载传感器的最大感知距离；

（2）根据所有位置相关的协同监测车辆节点在τ时刻的数据，得到τ时刻子小区c_i的加权平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\τ})=\frac{1}{\underset{j^{\′}=1}{\overset{K}{\mathrm{\Σ}}}a(n_{j^{\′}},c_i)}\underset{j^{\′}=1}{\overset{K}{\mathrm{\Σ}}}a(n_{j^{\′}},c_i)\×O(n_{j^{\′}},\mathrm{\τ})$

其中，K为所有位置相关的协同监测车辆节点的数目；

（3）由所有位置相关的协同监测车辆节点的加权平均监测数据O(c_i,τ)，得到τ时刻车辆节点n_j的监测可信度f(n_j,τ)如下式，

$f(n_j,\mathrm{\τ})=1-\frac{|O(n_j,\mathrm{\τ})-O(c_i,\mathrm{\τ})|}{\max \left(\right|O(n_j,\mathrm{\τ})-O(c_i,\mathrm{\τ})|,O(c_i,\mathrm{\τ}))}$

其中，O(n_j,τ)为τ时刻车辆节点n_j的观察数据。

而且，步骤2中，提取子小区c_i在时间间隔[τ-T，τ]时间相关的车辆节点数据并处理得到基于事件的历史数据相关度，实现方式如下，

用ω₁表示事件数据类别，用ω₀表示非事件数据类别，每个类别发生概率分别为P(ω₁)和P(ω₀)；对于τ时刻车辆节点n_j未知类别的样本观察数据O(n_j,τ)记为O_nj,τ，得到基于事件的历史数据相关度g_m(O_nj，τ)如下式，

$g_m\left(O_{\mathrm{nj},\mathrm{\τ}}\right)=\exp [-\frac{{(O_{\mathrm{nj},\mathrm{\τ}}-{\mathrm{\μ}}_m)}^H(O_{\mathrm{nj},\mathrm{\τ}}-{\mathrm{\μ}}_m)}{2D_m}-\frac{\mathrm{\λ}}{2}\ln 2\mathrm{\π}-\frac{1}{2}\ln |D_m|+\ln P\left({\mathrm{\ω}}_m\right)]$

其中，λ为维度，m=0,1，μ_m为ω_m类样本的均值，D_m为ω_m类多维样本数据的方差矩阵。

而且，步骤2中，提取与子小区c_i中具有行驶行为相关度的所有车辆节点数据并处理得到子小区c_i车辆节点的行为改变度，实现方式如下，

根据预设的距离阈值d_th，提取满足条件为τ时刻落在子小区c_i质心(x_ci,y_ci)的距离范围d_th内的所有车辆节点数据，满足条件的所有车辆节点数目记为L，设满足条件的任一车辆节点为n_l，计算车辆节点n_l在一个最近时间间隔T’的行为改变度h(c_i,τ)如下式，

$h(c_i,\mathrm{\τ})=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}[\mathrm{\ξ}\frac{1-\cos \mathrm{\θ}({\stackrel{\→}{v}}_{l1},{\stackrel{\→}{v}}_{l2})}{2}+(1-\mathrm{\ξ})\frac{|V_{l1}-v_{l2}|}{\max (v_{l1},v_{l2})}]$

其中，车辆节点n_l在时刻τ-T’的速率为v_l1，车辆节点n_l在时刻τ的速率为v_l2，max(v_l1，v_l2)为速率v_l1和v_l2中的较大值，ξ为权重参数，为速率v_l1的矢量变化到速率v_l2的矢量的方向夹角，l的取值为1,2…L。

本发明所提供技术方案适用于动态的车载传感器自组织网络拓扑环境下道路路况事件监测应用，针对车载传感器感知监测能力易受到复杂多变的道路、自然环境等影响的特点，本发明充分利用车载传感器数据的位置相关性、时间相关性和车辆行驶行为相关性，进行协同监测处理和事件判定，解决车载传感器网环境下，路况事件监测因受到传感器感知能力、硬件、天气、道路和障碍物等影响而导致的准确率不高的问题，提高事件监测的准确性和有效性。

附图说明

图1为本发明道路区域划分为子小区的示意图；

图2为本发明面向道路路况监测应用的车载传感器组网示意图；

图3为本发明协同监测功能模块结构图；

图4为本发明协同监测方法的流程图；

图5为本发明实施例应用初始化示意图。

图6为本发明实施例t＝2000s网络拓扑图。

具体实施方式

本发明结合附图，对发明的实施例做详细说明。本实施例在本发明方法前提下进行实施，给出了详细的实施方式与具体的操作过程，但本发明的实施例不限于下述的实施例。

本发明提供一种基于位置相关、时间相关和车辆行驶行为相关的车载传感器协同路况事件监测方法。如图1所示，本发明将待监测区域近似为矩形区域，提取待监测区域的城市道路地形图（提供道路区域），将待监测区域划分为若干监测子小区。各子小区协同初始状态均为“尚未启动协同监测状态”。如图2，带传感器的车辆即作为车辆节点。待监测区域中车辆节点的车载传感器实时采集路况相关的数据；根据上层应用给定信息（如智能交通路况监测中心发布信息等）确定覆盖待监测道路区域的路侧基站，路侧基站一般是道路交通部门在特定道路区域位置布设的、被认证授权的专门设备。路侧基站和车辆节点通过消息机制进行网络通信维护，此外，路侧基站在得到判定事件结果及收到上层应用指令时，可通过消息广播执行事件发布、特点位置或特定节点数据请求以及参数阈值调整等。

如图3所示，车载传感器一般包括GPS、3轴加速度传感器、温湿度传感器、气体传感器，传感器采集数据后周期性进行本地数据融合，得到融合后观察数据。数据传输到路侧基站后，由路侧基站记录观察数据，并决策是否启动协同监测过程，如果符合条件则启动协同监测，具体包括挖掘位置相关、时间相关和行驶行为相关的车辆节点数据，进行协同数据处理，根据协同处理的结果进行事件判定，如判定有路况事件时，由路侧基站记录该事件并向路侧基站覆盖的所有车辆节点和其它路侧基站广播事件（即进行事件发布）。协同监测过程中相关的阈值、参数可由上层应用根据实际道路应用环境选定并可进行调整。

为描述简单起见，实施例由布设在某特定道路监测区域的20个自由行驶的车辆节点（各车辆装载有一个类型相同的加速度传感器，用于测量z轴方向加速度）组网，区域内有多个水平和垂直方向的平行车行道，车辆可沿着与车行道平行的两个方向行驶，道路交叉口的车辆可沿着水平和垂直的四个方向行驶，最大行驶速率30m/s。道路区域中心位置布设一个路侧基站，该基站可覆盖整个道路监测区域。路侧基站可向覆盖范围内的车辆节点和其它路侧基站发送广播消息，包括周期性的网络维护消息、发布道路事件消息、数据请求消息和参数阈值调整消息等。路侧基站可通过Internet连接到智能交通路况监测中心，向监测中心提交事件数据并由监测中心对实时路况监测进行全局管理。

首先，执行路况监测应用的网络初始化。将待监测的城市道路区域近似为500×500平面矩形区域、监测区域划分为规模相同的5×5的网格状的子小区，分别按行和列位置索引号来各标记子小区，即c₁(0,0),c₂(0,1),…c₅(0,4),c₆(1,0),c₇(1,1),…c₁₀(1,4),…c₂₁(4,0),c₂₂(4,1)…c₂₅(4,4)。提取主干车行道路地形图如图5中粗实线标记所示，该粗实线标记的是多车行道的城市道路，车辆在该区域各自车道上沿与车道平行的两个方向行驶，主干道路交界处车辆可以沿着水平和垂直的四个方向即+x,-x,+y,-y行驶。各车辆节点在网络初始化时被分配了唯一id号，车辆节点标记为N＝{n₁,…n₂₀}，道路中央的路侧基站id号为0，该基站可覆盖整个道路区域。上述过程如图5所示。取车辆携带的同类型传感器通信半径为100，通信范围内的车辆在行驶过程中机会性的产生无线通信链路，感知距离参数为60。

初始化后，路侧基站和车辆节点通过消息机制周期性进行网络通信维护，路侧基站还可根据监测结果以及由上层应用指定，通过消息广播执行事件发布、特点位置或特定节点数据请求以及参数阈值调整等。

以网络初始化后t=τ时刻（实施例取网络初始化后2000s），在道路指定区域子小区c₁₄即子小区行索引号为3、列索引号为2的(3,2)位置产生一个路况事件为例，说明进行基于路况事件的协同监测的具体实施过程。如图4所示，具体按照以下方式执行：

在监测应用中，车辆形成的无线自组织传感器网络随应用场景变化如道路交通场景改变而发生拓扑变化，包括车辆节点的加入和离开等，从而导致网络节点和通信链路的变化。网络通信维护由路侧基站周期性消息广播和车辆节点应答机制实现，通过该广播过程完成节点和链路的发现与更新。车辆节点装载的传感器执行感知任务进行数据采集，并周期性由车辆节点融合本地监测数据，融合的观察数据通过多跳、机会性无线链路发送到路侧基站。因此具体实施时，周期性进行网络通信维护与传感器感知、车辆节点本地数据融合以及融合数据的发送。图6为某时刻τ的网络拓扑图。各车辆节点坐标、移动方向及速率如下所示：

节点id：1,X坐标：168.067,Y坐标：318.171移动方向:水平向左移动速率：18

节点id：2,X坐标：408.352,Y坐标：396.039移动方向:水平向左移动速率：6

节点id：3,X坐标：169.517,Y坐标：220.863移动方向:水平向右移动速率：10

节点id：4,X坐标：167.258,Y坐标：259.316移动方向:垂直向下移动速率：19

节点id：5,X坐标：256.813,Y坐标：276.513移动方向:水平向左移动速率：6

节点id：6,X坐标：401.485,Y坐标：447.401移动方向:水平向右移动速率：27

节点id：7,X坐标：408.063,Y坐标：218.132移动方向:水平向左移动速率：8

节点id：8,X坐标：244.652,Y坐标：440.855移动方向:水平向左移动速率：20

节点id：9,X坐标：171.988,Y坐标：443.419移动方向:垂直向下移动速率：23

节点id：10,X坐标：397.473,Y坐标：216.896移动方向:水平向右移动速率：6

节点id：11,X坐标：164.405,Y坐标：297.647移动方向:水平向左移动速率：27

节点id：12,X坐标：285.852,Y坐标：247.017移动方向:水平向右移动速率：7

节点id：13,X坐标：407.834,Y坐标：442.381移动方向:垂直向下移动速率：22

节点id：14,X坐标：197.821,Y坐标：224.144移动方向:水平向右移动速率：14

节点id：15,X坐标：272.423,Y坐标：210.091移动方向:水平向左移动速率：0

节点id：16,X坐标：326.868,Y坐标：210.06移动方向:垂直向上移动速率：0

节点id：17,X坐标：171.362,Y坐标：405.744移动方向:垂直向下移动速率：15

节点id：18,X坐标：284.967,Y坐标：313.608移动方向:水平向左移动速率：13

节点id：19,X坐标：398.709,Y坐标：220.467移动方向:垂直向上移动速率：10

节点id：20,X坐标：183.584,Y坐标：400.327移动方向:垂直向下移动速率：10

车辆传感器周期性进行感知任务；当某车辆节点n_j的车载传感器采集到数据时，周期性进行本地数据融合，设当前数据融合周期执行本地数据融合后，时刻为τ，得到车辆节点n_j融合后的观察数据为O(n_j，τ)，并将该观察数据发送至路侧基站。

实施例处理方式为：根据周期性采集的感知数据按照同一类型传感器进行本地数据融合。这里为了简单起见，只考虑同一类型传感器的情况，在t＝τ时刻车辆节点n_j的本地观察数据O(n_j,τ)如公式1所示，为车辆节点上所有同类型传感器在τ时刻采集数据的累加和。

$O(n_j,\mathrm{\τ})=\underset{m=1}{\overset{k_j}{\mathrm{\Σ}}}O(s_{\mathrm{jm}},\mathrm{\τ})$ 公式1

各车辆节点n_j装载有k_j个传感器并标记为 $S=\{s_{11},s_{12},...s_{{1k}_1},s_{21},s_{22},...s_{{2k}_2},...,s_{n1},$ $s_{n2},...s_{n{k}_n)}\},$ 其中代表第j个车辆节点上的k_j个传感器。公式1中s_jm表示第j个车辆节点上的第m个传感器，m的取值为1,2…k_j。

以子小区c₁₄为例，在τ时刻子小区c₁₄有车辆节点n₁₆，n₁₉和n₁₀，分别有车辆节点n₁₆本地采集数据为5m/s²，n₁₉本地采集数据为2m/s²，n₁₀本地采集数据为2.5m/s²。根据公式1进行本地融合后有：O(n₁₆,τ)=5m/s²，O(n₁₉,τ)=2m/s²，O(n₁₀,τ)=2.5m/s²。

实施例基于路侧基站实现的流程包括以下步骤，具体实施时可采用软件技术实现自动运行：

步骤1、路侧基站接收并存储车辆数据：在接收到τ时刻的本地车辆节点n_j的观察数据后，路侧基站存储该观察数据。设车辆节点n_j的当前位置落在子小区c_i，根据协同监测条件进行判断，即判断车辆节点n_j的观察数据O(n_j,τ)是否超过阈值。具体实施时，可根据预先设定的事件阈值O_e进行比较。

若车辆节点观察数据O(n_j,τ)大于等于事件阈值O_e，则表明车辆节点n_j当前所属监测子小区c_i可能有异常路况事件发生。此时如果子小区c_i已经启动协同监测，则路侧基站不再对子小区启动新的协同监测，返回步骤1。当满足上述条件且此时子小区c_i尚未启动协同监测，则进入步骤2，即由路侧基站启动子小区c_i的协同监测，执行车载传感器数据的协同计算和处理。具体实施时启动协同监测的实现如公式2所示，其中flag(c_i)表示子小区c_i是否启动协同监测状态的布尔值，1表示启动状态，0表示未启动状态。这里事件阈值O_e由上层应用指定，并可根据事件监测结果真值，在应用过程中进行动态调整。

flag(c_i)=1当O(n_j,τ)≥O_e且flag(c_i)=0    公式2

实施例中，路侧基站接收到τ时刻的车辆节点n₁₆、n₁₉和n₁₀的观察数据后记录下这些观察数据。本实施例中取O_e=3.5m/s²。车辆节点n₁₆观察数据满足协同监测条件即O(n₁₆,τ)>O_e,此时子小区c₁₄为“尚未启动协同监测状态”，由公式2可得flag(c_i)=1，即路侧基站启动子小区c₁₄(3,2)的协同监测过程，子小区c₁₄的协同状态为“启动协同监测状态”。

若车辆节点观察数据O(n_j,τ)小于事件阈值O_e，即不满足协同监测条件，则路侧基站不启动对基于该观察数据子小区的协同监测，返回步骤1。实施例中，车辆节点n₁₉和n₁₀不满足协同监测条件，即车辆节点观察数据O(n₁₉,τ)<O_e，O(n₁₀,τ)<O_e。

步骤2、路侧基站对子小区c_i启动基于车载传感器数据的协同监测过程，车载传感器协同数据的获取包括：提取τ时刻与子小区c_i位置相关的车辆节点数据，提取子小区c_i在时间间隔[τ-T，τ]的时间相关的车辆节点数据，以及提取子小区c_i中具有行驶行为相关度的车辆节点数据，获取协同数据后由路侧基站进行协同数据处理。T为时间间隔参数，由上层应用指定并可根据应用要求动态调整。

实施例提取τ时刻与子小区c₁₄位置相关的车辆节点数据，提取子小区c₁₄时间相关的车辆节点数据，以及提取子小区c₁₄中具有行为相关度的车辆节点数据。

具体实施时，路侧基站依次执行以下步骤：

步骤a，提取τ时刻子小区c_i的位置相关车辆节点的观察数据，由路侧基站计算得到监测可信度。其具体实现过程是：

首先，取满足d(n_j′，c_i)≤r的车辆节点n_j’作为位置相关的协同监测车辆节点，计算位置相关的各车辆节点到子小区c_i的监测能力。设从当前路侧基站覆盖的某个车辆节点n_j’的坐标(x_{n j’},y_nj’)到所在子小区c_i的中心点坐标(x_ci,y_ci)的几何距离，其距离函数记为d(n_j’,c_i)=||(x_nj’,y_nj’)-(x_ci，y_ci)||，车辆节点n_j’对子小区c_i的监测能力a(n_j’,c_i)按公式3计算，

$a(n_{j^{\&prime;}},c_i)=\left\{\begin{array}{cc}1-{\left(\frac{d(n_{j^{\&prime;}},c_i)}{r}\right)}^2& d(n_{j^{\&prime;}},c_i)\&le;r\\ 0& d(n_{j^{\&prime;}},c_i)>r\end{array}\right.$     公式3

其中，r为感知距离参数，取值为车载传感器的最大感知距离；

所有位置相关的协同监测车辆节点在τ时刻的数据将由路侧基站进行协同处理，得到位置相关车辆节点加权平均监测数据O(c_i,τ)，如公式4所示。其中，K为满足公式3的车辆节点数目。

$O(c_i,\mathrm{\&tau;})=\frac{1}{\underset{j^{\&prime;}=1}{\overset{K}{\mathrm{\&Sigma;}}}a(n_{j^{\&prime;}},c_i)}\underset{j^{\&prime;}=1}{\overset{K}{\mathrm{\&Sigma;}}}a(n_{j^{\&prime;}},c_i)\&times;O(n_{j^{\&prime;}},\mathrm{\&tau;})$ 公式4

由车辆节点n_j观察值与所有位置相关的协同监测车辆节点的加权平均监测数据O(c_i,τ)，可得到τ时刻、车辆节点n_j的监测可信度f(n_j,τ)如公式5所示。

$f(n_j,\mathrm{\&tau;})=1-\frac{|O(n_j,\mathrm{\&tau;})-O(c_i,\mathrm{\&tau;})|}{\max \left(\right|O(n_j,\mathrm{\&tau;})-O(c_i,\mathrm{\&tau;})|,O(c_i,\mathrm{\&tau;}))}$ 公式5

实施例提取τ时刻与子小区c₁₄位置相关车辆节点的观察数据。实施例中r=60，由公式3得到：a(n₁₀,c₁₄)=0.0695682,a(n₁₆,c₁₄)=0.408251,a(n₁₉,c₁₄)=0.0986766。

路侧基站将协同处理车辆节点n₁₀、n₁₆、n₁₉在τ时刻的数据，实施例中O(n₁₆,τ)=5m/s²,O(n₁₀,τ)=2.5m/s²,O(n₁₉,τ)=2m/s²。由公式4得到加权平均监测数据O(c₁₄,τ)=4.1848，并根据公式5可得到监测可信度f(n₁₆,τ)=0.8052。

步骤b，提取子小区c_i在时间间隔T的时间相关的车辆节点数据，由路侧基站进行协同数据处理得到基于事件的历史数据相关度。其实现过程是：对于子小区c_i，采用最大似然分类法，寻找τ时刻、与车辆节点n_j的观察数据在T时间间隔（即时间间隔[τ-T，τ]）的基于路况事件的车辆节点历史数据相关度，该历史数据相关度即当前n_j的观察数据是事件数据的概率。对于T时间间隔的历史观察数据而言，共有两种类别的观察数据：分别是发生路况事件的事件数据和非事件数据。这两种类别分别用ω₁表示事件数据类别和ω₀表示非事件数据类别，每个类别发生概率（先验概率）分别为P(ω₁)和P(ω₀)。对于τ时刻车辆节点n_j未知类别的样本观察数据O(n_j,τ)记为O_nj，τ，样本观察数据O(n_j,τ)的事件数据类别条件概率、非事件数据类别条件概率分别为P(O_nj，τ|ω₁)和P(O_nj，τ|ω₀)。以样本观察数据O(n_j,τ)出现的后验概率作为判别函数来确定样本所属类别（即事件类别或者非事件类别），分类判别函数g_m(O_nj,τ)如公式6所示。

$g_m\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right)=P\left({\mathrm{\&omega;}}_m\right|O_{\mathrm{nj},\mathrm{\&tau;}})=\frac{P\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right|{\mathrm{\&omega;}}_m)P\left({\mathrm{\&omega;}}_m\right)}{\underset{l=0}{\overset{1}{\mathrm{\&Sigma;}}}P\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right|{\mathrm{\&omega;}}_l)P\left({\mathrm{\&omega;}}_l\right)}m=\mathrm{0,1}$ 公式6

由分类判别函数g_m(O_nj,τ),m=0,1，如对于所有m≠l都满足g_m(O_nj,τ)＞g_l(O_nj，τ)，则当前样本O(n_j,τ)属于类别ω_m，且属于该分类的可能性为g_m(O_nj,τ)函数。

上述过程中，对于P(O_nj,τ|ω_m),m=0,1的概率分布采用多维正态分布建模，即假定特征空间中某一类特征较多的分布在该类的均值附近且远离均值的点较少，据此可得P(O_nj，τ|ω_m)函数如公式7所示。

$P\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right|{\mathrm{\&omega;}}_m)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\mathrm{\&lambda;}/2}{\left|D_m\right|}^{1/2}}\exp [-\frac{{(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}^H(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}{2D_m}]$ 公式7

公式7中，λ为维度，μ_m为ω_m类样本的均值，D_m为ω_m类多维样本数据的方差矩阵。据此类判别函数g_m(O_nj,τ)经过化简变换可表示为如下公式8所示。

$g_m\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right)=\exp [-\frac{{(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}^H(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}{2D_m}-\frac{\mathrm{\&lambda;}}{2}\ln 2\mathrm{\&pi;}-\frac{1}{2}\ln |D_m|+\ln P\left({\mathrm{\&omega;}}_m\right)]$ 公式8

实施例提取子小区c₁₄在时间间隔T的时间相关车辆节点数据。实施例中T＝120s，分别有前2次各车辆节点本地融合观察数据序列Oc_14,T＝{(2m/s²，1.7m/s²),(4.9m/s²，5.2m/s²，5.5m/s²)}，且由路侧基站的事件记录可知：上一周期子小区c₁₄监测出路况事件。采用最大似然分类法，计算τ时刻、与车辆节点n₁₆在T时间间隔（即时间间隔[τ-T，τ]）的基于路况事件的车辆节点历史数据相关度，由公式8计算得到分类判别函数g₁(O_n16,τ)=e^(-0.5385)=0.5836且g₀(O_n16,τ)<g₁(O_n16,τ)，即车辆节点n₁₆当前观察样本属于类别ω₁即事件数据，其与历史数据的相关度即车辆节点n₁₆为路况事件数据的概率是0.5836。

步骤c，提取子小区c_i中具有行驶行为相关度的所有车辆节点数据，由路侧基站进行协同数据处理得到子小区c_i车辆节点行为改变度。在事件区域附近，车辆节点通常会产生避让、减速等行驶行为变化。其具体步骤是：给定应用相关的距离阈值d_th，计算涉及τ时刻落在子小区c_i质心(x_ci，y_ci)的距离范围d_th内的所有车辆节点，路侧基站提取τ时刻这些相关车辆节点数据。设满足条件的任一车辆节点为n_l，车辆节点n_l到子小区c_i质心(x_ci，y_ci)的距离d(n_l,c_i)≤d_th。计算这些车辆节点在一个最近时间间隔T’即[τ-T’,τ]的行为改变度函数h(c_i,τ)，即计算在T’时间间隔、与c_i质心距离d_th范围内的其它车辆节点在行驶方向和速度的平均改变程度，如公式9所示。

$h(c_i,\mathrm{\&tau;})=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}[\mathrm{\&xi;}\frac{1-\cos \mathrm{\&theta;}({\stackrel{\&RightArrow;}{v}}_{l1},{\stackrel{\&RightArrow;}{v}}_{l2})}{2}+(1-\mathrm{\&xi;})\frac{|V_{l1}-v_{l2}|}{\max (v_{l1},v_{l2})}]$ 公式9

在公式9中，车辆节点n_l在时刻τ-T’的速率为v_l1，车辆节点n_l在时刻τ的速率为v_l2，max(v_l1,v_l2)为速率v_l1和和v_l2中的较大值，ξ为权重参数，

速率v_l1的矢量变化到速率v_l2的矢量的方向夹角。L为所有满足d(n_l,c_i)≤d_th的车辆节点数目，即所有与子小区c_i距离满足条件的车辆节点数目，l的取值为1,2…L。上述过程中，各时刻速率可以通过路侧基站存储的历史数据记录得到，阈值和参数T’、ξ等的选取由上层应用指定并可根据应用要求动态调整。

实施例中取距离阈值d_th=70，计算τ时刻落在子小区c₁₄质心(350，250)的距离范围d_th内的所有车辆节点，分别是：n₇,n₁₀,n₁₂,n₁₆,n₁₉。路侧基站提取τ时刻这些相关车辆节点数据，并计算这些车辆节点在一个最近时间间隔T’=20s的行为改变度函数，实施例在(τ-T’)时刻网络拓扑数据如下：

节点id：1,X坐标：405,Y坐标：318.171移动方向:水平向左移动速率：18

节点id：2,X坐标：405,Y坐标：396.039移动方向:水平向左移动速率：6

节点id：3,X坐标：165,Y坐标：220.863移动方向:水平向右移动速率：10

节点id：4,X坐标：167.258,Y坐标：215移动方向:垂直向下移动速率：19

节点id：5,X坐标：376.813,Y坐标：276.513移动方向:水平向左移动速率：6

节点id：6,X坐标：165,Y坐标：447.401移动方向:水平向右移动速率：27

节点id：7,X坐标：405,Y坐标：218.132移动方向:水平向左移动速率：3

节点id：8,X坐标：405,Y坐标：440.855移动方向:水平向左移动速率：20

节点id：9,X坐标：171.988,Y坐标：215移动方向:垂直向下移动速率：23

节点id：10,X坐标：277.473,Y坐标：216.896移动方向:水平向左移动速率：2

节点id：11,X坐标：405,Y坐标：297.647移动方向:水平向左移动速率：27

节点id：12,X坐标：165,Y坐标：247.017移动方向:垂直向上移动速率：2

节点id：13,X坐标：407.834,Y坐标：215移动方向:垂直向下移动速率：22

节点id：14,X坐标：165,Y坐标：224.144移动方向:水平向右移动速率：14

节点id：15,X坐标：272.423,Y坐标：210.091移动方向:水平向左移动速率：0

节点id：16,X坐标：326.868,Y坐标：210.06移动方向:垂直向上移动速率：0

节点id：17,X坐标：171.362,Y坐标：215移动方向:垂直向下移动速率：15

节点id：18,X坐标：405,Y坐标：313.608移动方向:水平向左移动速率：13

节点id：19,X坐标：398.709,Y坐标：420.467移动方向:垂直向上移动速率：2

节点id：20,X坐标：183.584,Y坐标：215移动方向:垂直向下移动速率：10

实施例取ξ=0.5由公式9得到h(c₁₄,τ)=1/5×(0.3125+0.8333+0.6071+0.5+0.4)=0.5306。

步骤3、路侧基站执行基于位置相关、时间相关和车辆行为相关的车载传感器数据协同处理，即根据步骤2计算得到的车辆节点n_j的监测可信度f(n_j,τ)、基于事件的历史数据相关度g_m(O_nj,τ)和子小区c_i车辆节点行为改变度h(c_i,τ)，采用加权投票的方法，得到在τ时刻子小区c_i路况事件产生概率P_E(c_i,τ)如公式10所示。其中α,β为权重参数且满足0≤α≤1，0≤β≤1,K’为路侧基站记录的所有针对子小区c_i报道疑似事件数据的车辆节点（即子小区c_i中满足观察数据大于等于事件阈值O_e的车辆节点）的最大数目。

$P_E(c_i,\mathrm{\&tau;})=\mathrm{\&alpha;}\&times;\frac{1}{K^{\&prime;}}\underset{j=1}{\overset{K^{\&prime;}}{\mathrm{\&Sigma;}}}f(n_j,\mathrm{\&tau;})+\mathrm{\&beta;}\&times;\frac{1}{K^{\&prime;}}\underset{j=1}{\overset{K^{\&prime;}}{\mathrm{\&Sigma;}}}{g}_1\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right)+(1-\mathrm{\&alpha;}-\mathrm{\&beta;})\&times;h(c_i,\mathrm{\&tau;})$ 公式10

实施例采用加权投票的方法，对子小区c₁₄进行基于路况事件的协同数据融合处理，取α=1/3,β=1/3,由公式10得到在τ时刻子小区c₁₄路况事件产生概率P_E(c₁₄,τ)=1/3(0.8052+0.5836+0.5306)=0.6398。

步骤4、由路侧基站进行判定，判断在τ时刻子小区c_i是否有路况事件产生。

若由步骤3所得协同处理结果P_E(c_i,τ)大于或等于预设阈值P_th即P_E(c_i,τ)≥P_th，则可判定τ时刻子小区c_i有路况事件产生，路侧基站记录该路况事件广播该事件即进行事件发布。步骤4结束后，子小区c_i协同状态恢复为初始状态即“尚未启动协同监测状态”，返回步骤1，即路侧基站在收到车辆节点发送的下一周期（即τ+t_a时刻的数据,其中t_a为车辆节点采样数据的本地数据融合周期）数据后，存储为本地的观察数据后并处理下一周期数据，以继续执行后续监测过程。

实施例给定阈值P_th=0.5，则由P_E(c₁₄,τ)>P_th，可以判定在τ时刻子小区c₁₄有路况事件产生，并由路侧基站发布该事件。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种面向道路路况的车载传感器协同监测方法，其特征在于：将待监测区域近似为矩形区域，提取待监测区域的城市道路地形图，将待监测区域划分为若干监测子小区；所有监测子小区初始状态为尚未启动协同监测状态；待监测区域中车辆节点的车载传感器周期性采集路况相关的数据并处理得到周期性融合数据；确定覆盖待监测区域的路侧基站，路侧基站接收并存储待监测区域中的车辆节点传感器发送的周期性融合数据，挖掘数据的位置相关性、时间相关性和车辆行驶行为相关性用于协同数据处理，从而监测道路路况事件，并通过广播消息发布事件，包括执行以下步骤，

步骤1、在收到车辆节点发送的周期性融合数据后，路侧基站存储该观察数据，设在时刻τ车辆节点n_j的观察数据为O(n_j,τ)，车辆节点n_j当前位置落在子小区c_i内，

根据协同监测条件进行处理，所述协同监测条件为车辆节点n_j的观察数据O(n_j,τ)大于等于预设的阈值；如果满足协同监测条件且子小区c_i尚未启动协同监测，则进入步骤2；

步骤2、由路侧基站启动子小区c_i的车载传感器协同监测过程，提取位置相关、时间相关和行驶行为相关的数据并进行处理，包括提取τ时刻与子小区c_i位置相关的车辆节点数据并处理得到车辆节点n_j的监测可信度，提取子小区c_i在时间间隔[τ-T,τ]内时间相关的车辆节点数据并处理得到基于事件的历史数据相关度，以及提取与子小区c_i中具有行驶行为相关度的所有车辆节点数据并处理得到子小区c_i车辆节点的行为改变度；

步骤3、由路侧基站根据步骤2所得车辆节点n_j的监测可信度、基于事件的历史数据相关度和子小区c_i车辆节点的行为改变度，采用加权投票的方法，得到在τ时刻子小区c_i路况事件产生概率P_E(c_i,τ)；

步骤4、由路侧基站进行判定，若由步骤3所得概率P_E(c_i,τ)大于或等于预设阈值P_th，则判定τ时刻子小区c_i有路况事件产生，路侧基站记录该路况事件并向其覆盖范围内车辆节点和其它路侧基站广播该事件；子小区c_i初始状态恢复为尚未启动协同监测状态”，协同监测流程回到步骤1处继续执行。

2.根据权利要求1所述面向道路路况的车载传感器协同监测方法，其特征在于：步骤2中，提取τ时刻与子小区c_i位置相关的车辆节点数据并处理得到车辆节点n_j的监测可信度，实现方式如下，

（1）将满足d(n_j′，c_i)≤r的车辆节点n_j’作为位置相关的协同监测车辆节点，计算车辆节点n_j’到子小区c_i的监测能力a(n_j’,c_i)，

$a(n_{j^{\&prime;}},c_i)=\left\{\begin{array}{cc}1-{\left(\frac{d(n_{j^{\&prime;}},c_i)}{r}\right)}^2& d(n_{j^{\&prime;}},c_i)\&le;r\\ 0& d(n_{j^{\&prime;}},c_i)>r\end{array}\right.$

其中，从路侧基站覆盖的某个车辆节点n_j’的坐标(x_nj’,y_nj’)到所在子小区c_i的中心点坐标(x_ci,y_ci)的几何距离d(n_j’,c_i)=||(x_nj’,y_nj’)-(x_ci,y_ci)||，r为感知距离参数，取值为车载传感器的最大感知距离；

（2）根据所有位置相关的协同监测车辆节点在τ时刻的数据，得到τ时刻子小区c_i的加权平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\&tau;})=\frac{1}{\underset{j^{\&prime;}=1}{\overset{K}{\mathrm{\&Sigma;}}}a(n_{j^{\&prime;}},c_i)}\underset{j^{\&prime;}=1}{\overset{K}{\mathrm{\&Sigma;}}}a(n_{j^{\&prime;}},c_i)\&times;O(n_{j^{\&prime;}},\mathrm{\&tau;})$

其中，K为所有位置相关的协同监测车辆节点的数目；

（3）由所有位置相关的协同监测车辆节点的加权平均监测数据O(c_i,τ)，得到τ时刻车辆节点n_j的监测可信度f(n_j,τ)如下式，

$f(n_j,\mathrm{\&tau;})=1-\frac{|O(n_j,\mathrm{\&tau;})-O(c_i,\mathrm{\&tau;})|}{\max \left(\right|O(n_j,\mathrm{\&tau;})-O(c_i,\mathrm{\&tau;})|,O(c_i,\mathrm{\&tau;}))}$

其中，O(n_j,τ)为τ时刻车辆节点n_j的观察数据。

3.根据权利要求1所述面向道路路况的车载传感器协同监测方法，其特征在于：步骤2中，提取子小区c_i在时间间隔[τ-T，τ]时间相关的车辆节点数据并处理得到基于事件的历史数据相关度，实现方式如下，

用ω₁表示事件数据类别，用ω₀表示非事件数据类别，每个类别发生概率分别为P(ω₁)和P(ω₀)；对于τ时刻车辆节点n_j未知类别的样本观察数据O(n_j,τ)记为O_nj,τ，得到基于事件的历史数据相关度g_m(O_nj，τ)如下式，

$g_m\left(O_{\mathrm{nj},\mathrm{\&tau;}}\right)=\exp [-\frac{{(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}^H(O_{\mathrm{nj},\mathrm{\&tau;}}-{\mathrm{\&mu;}}_m)}{2D_m}-\frac{\mathrm{\&lambda;}}{2}\ln 2\mathrm{\&pi;}-\frac{1}{2}\ln |D_m|+\ln P\left({\mathrm{\&omega;}}_m\right)]$

其中，λ为维度，m=0,1，μ_m为ω_m类样本的均值，D_m为ω_m类多维样本数据的方差矩阵。

4.根据权利要求1所述面向道路路况的车载传感器协同监测方法，其特征在于：步骤2中，提取与子小区c_i中具有行驶行为相关度的所有车辆节点数据并处理得到子小区c_i车辆节点的行为改变度，实现方式如下，

根据预设的距离阈值d_th，提取满足条件为τ时刻落在子小区c_i质心(x_ci,y_ci)的距离范围d_th内的所有车辆节点数据，满足条件的所有车辆节点数目记为L，设满足条件的任一车辆节点为n_l，计算车辆节点n_l在一个最近时间间隔T’的行为改变度h(c_i,τ)如下式，

$h(c_i,\mathrm{\&tau;})=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}[\mathrm{\&xi;}\frac{1-\cos \mathrm{\&theta;}({\stackrel{\&RightArrow;}{v}}_{l1},{\stackrel{\&RightArrow;}{v}}_{l2})}{2}+(1-\mathrm{\&xi;})\frac{|V_{l1}-v_{l2}|}{\max (v_{l1},v_{l2})}]$

其中，车辆节点n_l在时刻τ-T’的速率为v_l1，车辆节点n_l在时刻τ的速率为v_l2，max(v_l1，v_l2)为速率v_l1和v_l2中的较大值，ξ为权重参数，为速率v_l1的矢量变化到速率v_l2的矢量的方向夹角，l的取值为1,2…L。

Images