CN102945604B - 一种拥塞事件的判断方法 - Google Patents

Abstract

本发明公开了一种拥塞事件的判断方法，该方法包括：通过证据合并准则将通信范围内车辆的拥塞事件概率与所述通信范围内车辆的可信度进行融合，获得拥塞事件的全局概率指派函数m(A)及非拥塞事件的全局概率指派函数m(B)；其中，所述车辆的可信度的高低由该车辆发送消息时的传输时间、传输距离及车辆的物理质量决定；计算所述通信范围内车辆的最大及最小等待时间的差值；当所述最大及最小等待时间的差值大于拥塞最小等待阈值，且拥塞事件的全局概率指派函数m(A)与非拥塞事件的全局概率指派函数m(B)之差大于等于预定的判决阈值时，确定当前为拥塞事件。根据本发明公开的方法，避免了因短时间等待事件造成的决策误判，提高了判断的准确率。

Description

一种拥塞事件的判断方法

技术领域

本发明涉及道路交通系统，尤其涉及一种拥塞事件的判断方法。

背景技术

VANET（Vehicular Ad-hoc Network，车辆自组织网络）是一种通过传感器采集车辆及周围数据信息，在V2V（Vehicular To Vehicular，车辆与车辆），V2B（Vehicular ToBase Station，车辆与基站）之间进行信息交换处理的技术。由于它能很好的交换行车信息，从而对车辆提供高效安全的导航等服务，已在多个国家应用。

在众多服务之中，对于车辆拥塞检测显得尤为重要。截止2012年2月，仅我国北京市，机动车数量就突破五百万，政府采取了购车摇号，尾号限行等方法来减少车辆拥塞；但是随着车辆数目的与日俱增，拥塞将不可避免的发生，如何准确、及时地检测拥塞事件从而将信息在第一时间分发给其他车辆，是解决拥塞的关键。

拥塞事件的检测基于车辆与车辆间的通信，每一辆车都能收集并转发交通拥塞信息给邻居节点车辆，接收车辆对收到的所有拥塞（异常）信息进行整合和分析，帮助驾驶员提前避开拥塞地段。

由于车载自组织网络的高速移动和大规模特性，需要采用信息融合的方法对各类拥塞（异常）信息进行整合，从而减小数据传输开销和计算量。信息融合分为特征层融合和决策层融合。决策层融合属于高级别的信息融合，收到传来的拥塞信息后对其关联处理进行决策层融合判决，得到最终的判定结果。常见的决策层融合有多贝叶斯估计法和基于信任函数的决策等。

多贝叶斯估计法主要用于测量不确定性和条件概率。通过该方法进行运算时，要求给出先验概率与条件概率，但是当删除一个规则后需要重新计算所有概率，在车辆自组织网络的大规模移动性下，该方法难以应用。

基于信任函数的决策证据理论是由Dempster（登普斯特）于1967年首先提出，由他的学生shafer（谢弗）于1976年进一步发展起来的一种不精确推理理论，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力。该方法利用m信任函数进行判决，是一种软判决，且该方法判决条件单一，不能很好地适用于情况多变的车辆自组织网拥塞判决。

并且，由于车辆自组织网络的情况多变，现有技术对于经常出现的短时间等待事件（例如，红灯等）无法准确的做出判断，使得拥塞事件无法得到缓解。因此，研究一种行之有效的方法来提高拥塞事件的判断准确率成为解决拥塞事件的先决条件。

发明内容

本发明的目的是提供一种拥塞事件的判断方法，避免了因短时间等待事件造成的决策误判，提高了判断的准确率。

一种拥塞事件的判断方法，该方法包括：

通过证据合并准则将通信范围内车辆的拥塞事件概率与所述通信范围内车辆的可信度进行融合，获得拥塞事件的全局概率指派函数m(A)及非拥塞事件的全局概率指派函数m(B)；其中，所述车辆的可信度的高低由该车辆发送消息时的传输时间、传输距离及车辆的物理质量决定；

计算所述通信范围内车辆的最大及最小等待时间的差值；

当所述最大及最小等待时间的差值大于拥塞最小等待阈值，且拥塞事件的全局概率指派函数m(A)与非拥塞事件的全局概率指派函数m(B)之差大于等于预定的判决阈值时，确定当前为拥塞事件。

由上述本发明提供的技术方案可以看出，通过证据合并准则对信息的决策层进行融合，降低了运算量，提高了判断效率；同时，通过设定拥塞最小等待阈值避免了因短时间等待事件造成的决策误判，提高了判断的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例一提供的一种拥塞事件的判断方法的流程图；

图2为本发明实施例二提供的又一种拥塞事件的判断方法的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例一

图1为本发明实施例一提供的一种拥塞事件的判断方法的流程图，该方法可以包括如下步骤：

步骤101、通过证据合并准则将通信范围内车辆的拥塞事件概率与所述通信范围内车辆的可信度进行融合，获得拥塞事件的全局概率指派函数m(A)及非拥塞事件的全局概率指派函数m(B)。

其中，所述车辆的可信度的高低由该车辆发送消息时的传输时间、传输距离及车辆的物理质量决定。具体的：首先，拥塞情况随时间变化，因此，传输时间的越长长，消息的可靠性会越低；其次，受到信道衰落的影响，每一跳的传输距离越长，可靠性就会越低；最后，车辆的物理质量越高级，它所携带的传感处理器也越好，从而能得到更加准确的原子消息。

步骤102、计算所述通信范围内车辆的最大及最小等待时间的差值。

本步骤与步骤101可同时进行。

步骤103、当所述最大及最小等待时间的差值大于拥塞最小等待阈值，且拥塞事件的全局概率指派函数m(A)与非拥塞事件的全局概率指派函数m(B)之差大于等于预定的判决阈值时，确定当前为拥塞事件。

本步骤中，将车辆的最大及最小等待时间的差值与拥塞最小等待阈值做比较的目的在于避免短时间等待事件（例如，红灯）造成的决策误判。

本发明实施例通过证据合并准则对信息的决策层进行融合，降低了运算量，提高了判断效率；同时，通过设定拥塞最小等待阈值避免了因短时间等待事件造成的决策误判，提高了判断的准确率。

实施例二

为了便于理解本发明，本实施例以图2为例对一种拥塞事件的判断方法进行详细介绍。

步骤201、筛选所述通信范围内车辆发送的状态消息获得拥塞状态信息。

决策车辆在段时间内会收到通信范围内车辆发送的大量状态消息，为减少计算量的同时保证判断的准确率，则对状态消息进行筛选。

车辆的状态消息的筛选公式为： $\left\{\begin{array}{c}0\≤s_i\≤{\mathrm{\θ}}_s\\ 0\≤a_i\≤{\mathrm{\θ}}_a\end{array}\right.;$

其中，s_i为第i辆车的速度，a_i第i辆车的加速度，θ_s为速度阈值，θ_a为加速度阈值。

由于拥堵发生时，车辆速度和加速度都较小，因此，通过速度阈值θ_s与加速度阈值θ_a将较大的值剔除从而减小运算量，而θ_s、θ_a的选取可以根据当地道路实际情况进行动态的调整。

步骤202、根据拥塞状态信息计算拥塞事件概率。

假设事件集合U＝{A，B}；其中事件A代表有拥塞事件发生，B代表没有拥塞事件发生；第i辆车的消息的拥塞事件预测概率为P_i(A)，计算公式为：

$P_i\left(A\right)=\frac{{\mathrm{\θ}}_a\·|{\mathrm{\θ}}_s-s_i|+{\mathrm{\θ}}_s\·|{\mathrm{\θ}}_a-a_i|}{2\·{\mathrm{\θ}}_s\·{\mathrm{\θ}}_a};$

从公式中可以看出，当速度和加速度的属性值越小，说明拥塞事件发生的可能性越大。

步骤203、计算车辆的可信度。本步骤与步骤202同时进行。

计算车辆的可信度，主要是计算车辆发送的状态消息的可信度。每一个决策的车辆节点消息都会通过若干个中继节点转发之才后到达接受节点，因此，消息的可信度受传输距离、传输时间和物理质量的影响。具体的：（1）状态消息被中继转发的次数越多，该消息失真的可能性越大；（2）受到信道衰落的影响，每一跳的传输距离越长，可靠性就会越低；（3）拥塞情况随时间变化，随着传输时间的增长，消息的可靠性也会降低；（4）车辆的物理质量越高级，它所携带的传感处理器也越好，从而能得到更加准确的状态消息。

设第i辆车发送的状态消息的可信度为MC(X_i)，其计算公式为：

w_s+w_t+w_p＝1，w_s,w_t,w_p∈[0,1]，

其中，MC(X_i)为第i辆车的可信度函数，K为消息传输的跳数，d_j-hop为第j跳的传输距离，Δt为消息的传输时间，R为车辆的通信范围，为物理质量参数，exp为以自然对数e为底指数函数，W_s为消息传输距离的权重，w_t为消息传输时间的权重，w_p为车辆的物理质量的权重。

步骤204、通过证据合并准则将通信范围内车辆的拥塞事件概率与所述通信范围内车辆的可信度进行融合。

首先，计算第i辆车的基本概率指派函数m_i，以发生拥塞事件为例，其公式为：m_i(A)＝MC(X_i)·P_i(A)。

而无拥塞事件基本概率指派函数m_i(B)与拥塞事件基本概率指派函数m_i(A)的计算公式类似：m_i(B)＝MC(X_i)·P_i(B)，根据步骤202确定P_i(A)的大小后可得知非拥塞事件发生的概率P_i(B)的大小（P_i(B)＝1-P_i(A)）。同理可计算出m_i(U)＝MC(x_i)·P_i(U)，P_i(U)=1。

其次，根据证据合并准则进行基本指派函数的合并，例如，第i辆车拥塞事件的基本概率指派函数与其相邻车辆○的拥塞事件基本概率指数函数相融合的公式为：

同理，第i辆车非拥塞事件的基本概率指派函数与其相邻车辆○的非拥塞事件基本概率指数函数相融合与上述公式类似：

最后，分别融合通信范围内车辆拥塞事件基本概率指示函数与非拥塞事件基本概率指示函数获得所述拥塞事件的全局概率指派函数m(A)与所述非拥塞事件的全局概率指派函数m(B)：

$\left(A\right)=m_{1\×2\×...\×n}\left(A\right)m_1\left(A\right)\⊕m_2\left(A\right)\⊕...\⊕m_n\left(A\right);$

$\left(B\right)=m_{1\×2\×...\×n}\left(B\right)m_1\left(B\right)\⊕m_2\left(B\right)\⊕...\⊕m_n\left(B\right)$

其中，n大于i与o。

显然，拥塞事件的全局概率指派函数m(A)的大小由MMC(x)与P(A)决定，而MC(x)相对与一辆车而言一般不会发生变化，因此，可按照同样的方法计算出与m(U)，此处不再赘述。

步骤205、计算所述通信范围内车辆的最大及最小等待时间的差值。

为确保车辆的最大及最小等待时间的差值更为准确，本步骤可以在步骤101同步执行。

步骤206、根据全局指派函数m(A)、m(B)与m(U)及车辆的最大及最小等待时间的差值大小判断是否为拥塞事件；若判断结果为拥塞事件则转入步骤207。

通过步骤204已计算出全局指派函数m(A)、m(B)与m(U)，通过步骤205已计算出车辆的最大及最小等待时间的差值，因此，当其满足下述关系时，可确定当前道路发生拥塞事件：

$\left\{\begin{array}{c}\left|\underset{1\&le;i\&le;s}{\max }\right\{t_i\}-\underset{1\&le;i\&le;s}{\min }\{t_i\left\}\right|\&GreaterEqual;{2T}_{\mathrm{wait}}\\ m\left(A\right)-m\left(B\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A\right)>m\left(U\right)\end{array}\right.$

其中，为第i辆车的最大等待时间，为第i辆车的最小等待时间，T_wait为红灯等待的平均时间，2T_wait为拥塞最小等待阈值，ε₁，ε₂为预定的判决阈值。

步骤207、当确定为拥塞时间后，生成当前道路拥塞消息并向外分发。

本发明实施例通过对状态信息进行筛选，减少了融合的计算量，并通过比较车辆的最大及最小等待时间的差值与拥塞最小等待阈值的大小，避免了短时间等待事件造成的决策误判，提高了预测准确度和融合效率。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (2)

1.一种拥塞事件的判断方法，其特征在于，该方法包括：

通过证据合并准则将通信范围内车辆的拥塞事件概率与所述通信范围内车辆的可信度进行融合，获得拥塞事件的全局概率指派函数m(A)及非拥塞事件的全局概率指派函数m(B)；其计算步骤为：计算第i辆车的拥塞事件基本概率指派函数m_i(A)与非拥塞事件基本概率指派函数m_i(B)：

m_i(A)＝MC(x_i)·P_i(A)；

m_i(B)＝MC(x_i)·P_i(B)；

其中，A与B为集合U＝{A,B}中的子集，A代表有拥塞事件发生，B代表无拥塞事件发生；P_i(A)为第i辆车的拥塞事件概率，P_i(B)为第i辆车非拥塞事件的概率，MC(x_i)为第i辆车的可信度函数；

根据证据合并准则分别融合第i辆车的拥塞事件基本概率指数函数与其相邻车辆o的拥塞事件基本概率指数函数及第i辆车的非拥塞事件基本概率指数函数与其相邻车辆o的非拥塞事件基本概率指数函数：

其中，m_i(U)＝MC(x_i)·P_i(U)，P_i(U)为1；

分别融合通信范围内车辆拥塞事件基本概率指示函数与非拥塞事件基本概率指示函数获得所述拥塞事件的全局概率指派函数m(A)与所述非拥塞事件的全局概率指派函数m(B)：

$m\left(A\right)=m_{1\&times;2\&times;\&CenterDot;\&CenterDot;\&CenterDot;\&times;n}\left(A\right)=m_1\left(A\right)\&CirclePlus;m_2\left(A\right)\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;\&CirclePlus;m_n\left(A\right),$

$m\left(B\right)=m_{1\&times;2\&times;\&CenterDot;\&CenterDot;\&CenterDot;\&times;n}\left(B\right)=m_1\left(B\right)\&CirclePlus;m_2\left(B\right)\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;\&CirclePlus;m_n\left(B\right),$

其中，n大于i与o；

其中，所述车辆的可信度的高低由该车辆发送消息时的传输时间、传输距离及车辆的物理质量决定；所述车辆的可信度的计算公式为：

w_s+w_t+w_p＝1，w_s,w_t,w_p∈[0,1]，

其中，MC(x_i)为第i辆车的可信度函数，K为消息传输的跳数，d_j-hop为第j跳的传输距离，Δt为消息的传输时间，R为车辆的通信范围，为物理系统质量参数，exp为以自然对数e为底指数函数，w_s为消息传输距离的权重，w_t为消息传输时间的权重，w_p为车辆的物理质量的权重；

计算所述通信范围内车辆的最大及最小等待时间的差值；

当所述最大及最小等待时间的差值大于拥塞最小等待阈值，且拥塞事件的全局概率指派函数m(A)与非拥塞事件的全局概率指派函数m(B)之差大于等于预定的判决阈值时，确定当前为拥塞事件；

所述确定当前为拥塞事件具体包括：

$\left\{\begin{array}{c}\left|\underset{1\&le;i\&le;s}{\max }\right\{t_i\}-\underset{1\&le;i\&le;s}{\min }\{t_i\left\}\right|\&GreaterEqual;{2t}_{\mathrm{wait}}\\ m\left(A\right)-m\left(B\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A\right)>m\left(U\right)\end{array}\right.$

其中，为第i辆车的最大等待时间，为第i辆车的最小等待时间，T_wait为红灯等待的平均时间，2T_wait为拥塞最小等待阈值，ε₁，ε₂为预定的判决阈值；

该方法还包括：筛选所述通信范围内车辆发送的状态消息获得拥塞状态信息，并根据所述拥塞状态信息计算所述车辆的拥塞事件概率；

其中，车辆的状态消息的筛选公式为： $\left\{\begin{array}{c}0\&le;s_i\&le;{\mathrm{\&theta;}}_s\\ 0\&le;a_i\&le;{\mathrm{\&theta;}}_a\end{array}\right.;$

s_i为第i辆车的速度，a_i第i辆车的加速度，θ_s为速度阈值，θ_a为加速度阈值；

所述根据获取到的拥塞状态信息计算拥塞事件概率的公式为：

$P_i\left(A\right)=\frac{{\mathrm{\&theta;}}_a\&CenterDot;|{\mathrm{\&theta;}}_s-s_i|+{\mathrm{\&theta;}}_s\&CenterDot;|{\mathrm{\&theta;}}_a-a_i|}{2\&CenterDot;{\mathrm{\&theta;}}_s\&CenterDot;{\mathrm{\&theta;}}_a};$

其中，P_i(A)为第i辆车的拥塞事件概率，A为集合U＝{A,B}的子集，代表有拥塞事件发生。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

当确定为拥塞时间后，生成当前道路拥塞消息并向外分发。