CN103824456A - 一种车载传感器网络实时路况事件推荐方法 - Google Patents

Abstract

本发明一种车载传感器网络实时路况事件推荐方法。将待监测道路区域划分为若干矩形子小区，由于车辆高移动性，部分子小区可能存在“稀疏”数据问题而影响监测效果。由路侧基站决策是否需要对子小区启动路况事件推荐，若符合条件则开始针对子小区的车载传感器网络的事件推荐方法；拟利用道路路段基于路况事件的相关性，采用有效的协同信息过滤和实时推荐系统等相关技术，计算各子小区的基于历史事件频度的相关性，提取与当前待推荐子小区观测数据相近的子小区参与事件推荐，根据计算的预测值结果得到由高到低事件推荐序列，取预测值最高的事件作为当前子小区的推荐判定事件。

Description

一种车载传感器网络实时路况事件推荐方法

技术领域

本发明涉及车载无线传感器网络的数据处理、监测应用以及协同过滤和推荐系统领域，更具体地，涉及一种车载传感器网络实时路况事件推荐方法。

背景技术

随着智能交通技术的发展，汽车厂商给车辆安装传感器节点设备已经成为可能，随着技术发展将逐步普及和扩展安装传感器节点的能力。这些安装智能传感器节点的车辆，在道路上行驶的过程中，通过无线方式互联，可自组织成无线车载传感器网络；车载传感器网络可采集道路行车过程中道路环境相关的数据，通过车辆间的协作感知和处理，获取道路交通路况等信息，是实现智能交通的重要手段和方式。实时道路路况事件监测是车载传感器网络面向智能交通的重要应用之一，然而由于车辆的高移动性，部分路段可能出现“稀疏”数据的问题，从而影响监测结果准确性。一种车载传感器网络实时路况事件推荐方法拟利用道路路段区域基于路况事件的相关性，采用有效的协同信息过滤和实时推荐系统等相关技术，有效对道路区域的、道路交通安全相关的事件进行推荐。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。

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。相较某些路段区域车辆传感器节点的有限监测能力等问题，道路路段区域间的车载传感器协同监测能有效提高监测准确性。事件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，导致网络的拓扑变化较快；某些道路路段区域的车辆节点采集信息存在着“稀疏”数据等问题，导致无法有效判定路况事件。

当前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；但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；因此这些方法不能很好的适应于无线车载网络自组织机动网络环境和实时监测的要求。如果使用了不适当的车载传感器数据进行处理，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。实时路况事件推荐方法应当针对路段中的“稀疏”数据问题，根据模型和感知数据选择合适的车辆节点数据、现有路段信息进行协同处理和事件推荐，用于提高事件监测性能。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种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、车辆的高移动性而造成网络动态性等影响为有效监测带来的技术挑战，提高事件监测的准确性和有效性的一种车载传感器网络实时路况事件推荐方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种车载传感器网络实时路况事件推荐方法，其特征在于，主要的方法是：待监测道路区域和车载传感器网络初始化后，当某个子小区在当前t时刻由于子小区内车辆节点过少或提供的感知能力不足，而无法有效获取监测数据时，则由路侧基站对该子小区启动路况事件推荐。

在本发明中，首先将待监测道路区域和车载传感器网络初始化，即：根据城市道路地形图，将待监测道路区域近似为一个或多个矩形区域，在此基础上，根据监测精度要求将近似的道路矩形区域再划分为若干个矩形子小区称为监测子小区；所有监测子小区初始状态为尚未启动事件推荐状态；装配传感器的车辆节点通过自组织方式组网、并与路侧基站组成车载传感器网络，各子小区车辆节点通过车载传感器周期性采集路况相关的数据，并将观察数据发送至路侧基站，由路侧基站判定事件并通过广播消息发布事件。本发明的方法，是建立在初始化后的基础上进行的。

一种车载传感器网络实时路况事件推荐方法，具体包括以下步骤：

步骤1、周期性执行车辆节点数据采集，对于某个采集周期在t时刻，若子小区c_i内车辆节点数N(c_i)小于等于给定阈值N_th即满足：N(c_i)≤N_th，或子小区c_i内车辆节点提供的平均监测能力

小于等于给定阈值w_th即满足：如有符合条件的子小区c_i，则修改c_i状态为启动事件推荐状态，进入步骤2；

步骤2、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在一个较长历史时间间隔为T的由路侧基站确定、发布并记录的路况事件E={e₁,e₂,…e_K}，据此可得到矩阵R(I,K),矩阵中每一项R_i,k为子小区c_i发生事件e_k的频度即为R_i,k=freq(c_i,e_k)|T；

步骤3、在步骤2得到的矩阵R基础上，计算路侧基站覆盖范围内的各子小区c_i∈C的M个T时间间隔的平均事件频度记为

$\stackrel{\‾}{R}\left(c_i\right)=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{freq}(c_i,e_k)|T_m$

子小区c_i和c_i’之间基于事件频度的相关性记为sim(c_i,c_i')，实现方式如下：

$\mathrm{sim}(c_i,c_{i^{\′}})=\frac{\underset{e_k\∈E(c_i,c_{i^{\′}})}{\mathrm{\Σ}}\stackrel{\‾}{w}{\left(c_{i^{\′}}\right)}^2(R_{i,k}-\stackrel{\‾}{R}\left(c_i\right))(R_{i^{\′},k}-\stackrel{\‾}{R}\left(c_{i^{\′}}\right))}{\sqrt{\underset{e_k\∈(c_i,c_{i^{\′}})}{\mathrm{\Σ}}\stackrel{\‾}{w}{\left(c_{i^{\′}}\right)}^2{(R_{i,k}-\stackrel{\‾}{R}\left(c_i\right))}^2}\sqrt{\underset{e_k\∈E(c_i,c_{i^{\′}})}{\mathrm{\Σ}}{\stackrel{\‾}{w}\left(c_{i^{\′}}\right)}^2{(R_{i^{\′},k}-\stackrel{\‾}{R}\left(c_{i^{\′}}\right))}^2}}$

其中E(c_i,c_i')为子小区c_i和c_i’上发生的事件集合；

步骤4、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在与当前时间t间隔为Δt时间范围内（Δt可取值为与当前时刻临近的若干个数据采样周期时间间隔），与当前子小区c_i的监测数据差值ΔO(c_i,c_i’)满足小于阈值ΔO_th且大于0的所有子小区；如有子小区c_i’∈C满足0<ΔO(c_i,c_i')<ΔO_th，则进入步骤5；如没有找到符合条件的子小区c_i’则无法进行事件推荐，返回步骤1继续监视网络状态以触发下一次推荐过程；

步骤5、由步骤4得到所有与当前子小区c_i所有相似的子小区c_i’，计算当前子小区c_i发生事件e_k∈E的预测值P(c_i,e_k)，实现方式如下，

$P(c_i,e_k)=\stackrel{\&OverBar;}{R}\left(c_i\right)+\frac{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})\&times;(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})};$

步骤6、由步骤5得到预测值由高到低，可得到子小区c_i发生事件e_k∈E的可能性由高到低事件推荐序列，取预测值最高的事件作为子小区c_i在t时刻的推荐判定事件。

在上述的一种车载传感器网络实时路况事件推荐方法，而且，步骤1中，提取t时刻落在子小区c_i内的任一车辆节点n_j’的监测能力，实现方式如下：

步骤1.1，对于满足d(n_j',c_i)≤r的车辆节点n_j’，计算车辆节点n_j’对子小区c_i提供的监测能力w(n_j’,c_i)，

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

其中，子小区c_i内的某个车辆节点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为监测有效距离；

步骤1.2，对于t时刻落在子小区c_i内j个车辆节点，计算对子小区c_i提供的平均监测能力

$\stackrel{\&OverBar;}{w}\left(c_i\right)=\frac{1}{j}\underset{j^{\&prime;}=0}{\overset{j}{\mathrm{\&Sigma;}}}w(n_{j^{\&prime;}},c_i).$

在上述的一种车载传感器网络实时路况事件推荐方法，所述步骤4的具体实现方法包括以下子步骤，

步骤4.1，τ∈(t-Δt,t)时刻子小区c_i的平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\&tau;})=\left\{\begin{array}{cc}\frac{1}{j}\underset{j^{\&prime;}=1}{\overset{j}{\mathrm{\&Sigma;}}}O(n_{j^{\&prime;}},\mathrm{\&tau;})& j\&GreaterEqual;1\\ 0& j<1\end{array}\right.$

其中，j为τ时刻子小区c_i中进行事件监测的车辆节点的数目；

步骤4.2，Δt时间间隔内子小区c_i的平均监测数据O(c_i,Δt)如下式，

$\mathrm{\&Delta;O}(c_i,\mathrm{\&Delta;t})=\frac{1}{m}*\underset{m=1}{\overset{\mathrm{\&Delta;t}/f}{\mathrm{\&Sigma;}}}O(c_i,{\mathrm{\&tau;}}_m),O(c_i,{\mathrm{\&tau;}}_m)\&NotEqual;0,\mathrm{\&Delta;t}\&NotEqual;0$

其中，τ∈(t-Δt,t),τ_m为Δt时间间隔内的对道路环境进行数据采样的时间点，f为采样频率；

步骤4.3，除当前子小区c_i外，由路侧基站覆盖范围内的任一子小区c_i’∈C且c_i’≠c_i在Δt时间范围内，与子小区c_i的监测数据差值ΔO(c_i,c_i’)如下式，

ΔO(c_i,c_i')=|ΔO(c_i,Δt)-ΔO(c_i',Δt)|。

因此，本发明具有如下优点：针对应用场景下复杂多变的道路、自然环境的特点，监测过程中易出现“稀疏”数据等问题，本发明充分挖掘和利用监测道路区域的相关性包括：历史事件频度相关性和监测数据相关性，进行协同过滤处理和事件推荐，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、车辆的高移动性而造成网络动态性等影响为有效监测带来的技术挑战，提高事件监测的准确性和有效性。

附图说明

附图1a为本发明提取监测道路区域道路路段的示意图。

附图1b为本发明各路段近似为矩形区域并根据监测精度划分子小区的示意图。

附图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。

附图3为本发明事件推荐事件监测功能模块结构图。

附图4为本发明实施例网络初始化产生的网络场景图。

附图5为本发明实施例t=2000s网络场景图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

一、首先，介绍一下本发明的方法步骤：

在待监测道路区域初始化后，当某个子小区在当前t时刻由于子小区内车辆节点过少或提供的感知能力不足，而无法有效获取监测数据时，将对该子小区启动路况事件推荐，其过程包括以下步骤：

步骤1、周期性执行车辆节点数据采集，对于某个采集周期在t时刻，若子小区c_i内车辆节点数N(c_i)小于等于给定阈值N_th即满足：N(c_i)≤N_th，或子小区c_i内车辆节点提供的平均监测能力

小于等于给定阈值w_th即满足：

如有符合条件的子小区c_i，则修改c_i状态为启动事件推荐状态，进入步骤2；

而且，步骤1中，提取t时刻落在子小区c_i内的任一车辆节点n_j’的监测能力，实现方式如下，

（1）对于满足d(n_j',c_i)≤r的车辆节点n_j’，计算车辆节点n_j’对子小区c_i提供的监测能力w(n_j’,c_i)，

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

其中，子小区c_i内的某个车辆节点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为监测有效距离；

（2）对于t时刻落在子小区c_i内j个车辆节点，计算对子小区c_i提供的平均监测能力

$\stackrel{\&OverBar;}{w}\left(c_i\right)=\frac{1}{j}\underset{j^{\&prime;}=0}{\overset{j}{\mathrm{\&Sigma;}}}w(n_{j^{\&prime;}},c_i)$

步骤2、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在一个较长历史时间间隔为T的由路侧基站确定、发布并记录的路况事件E={e₁,e₂,…e_K}。据此可得到矩阵R(I,K),矩阵中每一项R_i,k为子小区c_i发生事件e_k的频度即为R_i,k=freq(c_i,e_k)|T。

步骤3、在步骤2得到的矩阵R基础上，计算路侧基站覆盖范围内的各子小区c_i∈C的M个T时间间隔的平均事件频度记为

$\stackrel{\&OverBar;}{R}\left(c_i\right)=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{freq}(c_i,e_k)|T_m$

子小区c_i和c_i’之间基于事件频度的相关性记为sim(c_i,c_i')，实现方式如下，

$\mathrm{sim}(c_i,c_{i^{\&prime;}})=\frac{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\sqrt{\underset{e_k\&Element;(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2{(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))}^2}\sqrt{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}{\stackrel{\&OverBar;}{w}\left(c_{i^{\&prime;}}\right)}^2{(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}^2}}$

其中E(c_i,c_i')为子小区c_i和c_i’上发生的事件集合。

步骤4、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在与当前时间t间隔为Δt时间范围内（Δt可取值为与当前时刻临近的若干个数据采样周期的时间间隔），与当前子小区c_i的监测数据差值ΔO(c_i,c_i’)满足小于阈值ΔO_th且大于0的所有子小区，实现方式如下，

（1）τ∈(t-Δt,t)时刻子小区c_i的平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\&tau;})=\left\{\begin{array}{cc}\frac{1}{j}\underset{j^{\&prime;}=1}{\overset{j}{\mathrm{\&Sigma;}}}O(n_{j^{\&prime;}},\mathrm{\&tau;})& j\&GreaterEqual;1\\ 0& j<1\end{array}\right.$

其中，j为τ时刻子小区c_i中进行事件监测的车辆节点的数目；

（2）Δt时间间隔内子小区c_i的平均监测数据O(c_i,Δt)如下式，

$\mathrm{\&Delta;O}(c_i,\mathrm{\&Delta;t})=\frac{1}{m}*\underset{m=1}{\overset{\mathrm{\&Delta;t}/f}{\mathrm{\&Sigma;}}}O(c_i,{\mathrm{\&tau;}}_m),O(c_i,{\mathrm{\&tau;}}_m)\&NotEqual;0,\mathrm{\&Delta;t}\&NotEqual;0$

其中，τ∈(t-Δt,t),τ_m为Δt时间间隔内的对道路环境进行数据采样的时间点，f为采样频率。

（3）除当前子小区c_i外，由路侧基站覆盖范围内的任一子小区c_i’∈C且c_i’≠c_i在Δt时间范围内，与子小区c_i的监测数据差值ΔO(c_i,c_i’)如下式，

ΔO(c_i,c_i')=|ΔO(c_i,Δt)-ΔO(c_i',Δt)|

如有子小区c_i’∈C满足0<ΔO(c_i,c_i')<ΔO_th，则进入步骤5；如没有找到符合条件的子小区c_i’则无法进行事件推荐，返回步骤1，继续监视网络状态以触发下一次推荐过程。

步骤5、由步骤4得到所有与当前子小区c_i所有相似的子小区c_i’，计算当前子小区c_i发生事件e_k∈E的预测值P(c_i,e_k)，实现方式如下，

$P(c_i,e_k)=\stackrel{\&OverBar;}{R}\left(c_i\right)+\frac{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})\&times;(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})};$

步骤6、由步骤5得到预测值由高到低，可得到子小区c_i发生事件e_k∈E的可能性由高到低事件推荐序列，取预测值最高的事件作为子小区c_i在t时刻的推荐判定事件。

二、以下是采用上述方法的一个具体实施例：

首先，执行路况监测应用的网络初始化。如图1a和图1b所示，将待监测的十字形道路监测区域近似为200×500和500×200的两个平面矩形区域、监测区域划分为规模相同网格状的子小区，各子小区大小为100×100。为每个子小区分配唯一的标识号即c₁,c₂,...c₁₆。

如图2，装配有传感器的车辆即为车辆节点。待监测道路区域中行驶的车辆节点通过车载传感器采集路况相关的数据并发送至路侧基站；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，可通过消息广播向其覆盖范围内的车辆节点进行路况事件预警、事件修正（在事件预警基础上，经过与视频数据/人工数据核对后修订的事件消息发布）、维护消息通知（如：参数阈值调整消息）等。

如图3所示，车辆节点一般装配有一种或者几种类型传感器如：GPS、3轴加速度传感器、温湿度传感器等，车辆节点周期性采集数据，得到本地观察数据，这些数据传输到路侧基站后，由路侧基站决策是否对某个子小区启动事件推荐监测过程，如果符合条件则启动事件推荐，根据协同过滤结果进行事件推荐，由路侧基站记录预测事件结果并向路侧基站覆盖的所有车辆节点和其它路侧基站广播推荐事件。事件推荐监测过程中涉及的相关阈值、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，实施例由布设在十字形道路监测区域的30个自由往返行驶的车辆节点（各车辆装载有一个类型相同的温湿度传感器，用于测量当前路面温湿度）组网，且车辆上装配有获取当前位置的GPS设备，本实施例中用（x，y）来对车辆行驶位置进行坐标标识。道路内有多个平行车行道，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。

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4所示。

网络初始化后周期性执行车辆节点数据采集，以某个采样点t时刻（实施例取网络初始化后2000s，采样周期为1小时）为例，说明车载传感器网络实时路况事件推荐方法的具体实施过程。具体按照以下方式执行：

步骤1、对于某个采集周期在t时刻，若子小区c_i内车辆节点数N(c_i)小于给定阈值N_th即满足：N(c_i)<N_th，或子小区c_i内车辆节点提供的平均监测能力

小于给定阈值w_th即满足：

则进入步骤2；

实施例取网络初始化后t=2000s，图5为时刻t=2000s的网络场景图。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：446,Y坐标：376移动方向:水平向左移动速率：1

节点id：2,X坐标：123,Y坐标：315移动方向:水平向右移动速率：11

节点id：3,X坐标：319,Y坐标：156移动方向:垂直向下移动速率：10

节点id：4,X坐标：350,Y坐标：14移动方向:垂直向上移动速率：4

节点id：5,X坐标：68,Y坐标：327移动方向:水平向左移动速率：26

节点id：6,X坐标：106,Y坐标：242移动方向:水平向左移动速率：21

节点id：7,X坐标：311,Y坐标：441移动方向:垂直向下移动速率：6

节点id：8,X坐标：427,Y坐标：395移动方向:水平向右移动速率：30

节点id：9,X坐标：450,Y坐标：293移动方向:水平向左移动速率：5

节点id：10,X坐标：13,Y坐标：385移动方向:水平向右移动速率：28

节点id：11,X坐标：469,Y坐标：203移动方向:水平向右移动速率：22

节点id：12,X坐标：116,Y坐标：303移动方向:水平向左移动速率：8

节点id：13,X坐标：220,Y坐标：63移动方向:垂直向上移动速率：21

节点id：14,X坐标：343,Y坐标：380移动方向:垂直向下移动速率：1

节点id：15,X坐标：393,Y坐标：500移动方向:垂直向下移动速率：27

节点id：16,X坐标：363,Y坐标：128移动方向:垂直向下移动速率：28

节点id：17,X坐标：498,Y坐标：335移动方向:水平向左移动速率：11

节点id：18,X坐标：187,Y坐标：210移动方向:水平向右移动速率：3

节点id：19,X坐标：22,Y坐标：280移动方向:水平向左移动速率：27

节点id：20,X坐标：365,Y坐标：469移动方向:垂直向下移动速率：5

节点id：21,X坐标：222,Y坐标：229移动方向:垂直向上移动速率：21

节点id：22,X坐标：429,Y坐标：273移动方向:水平向右移动速率：28

节点id：23,X坐标：272,Y坐标：68移动方向:垂直向上移动速率：14

节点id：24,X坐标：83,Y坐标：290移动方向:水平向右移动速率：16

节点id：25,X坐标：426,Y坐标：355移动方向:水平向左移动速率：18

节点id：26,X坐标：298,Y坐标：137移动方向:垂直向上移动速率：6

节点id：27,X坐标：261,Y坐标：482移动方向:垂直向下移动速率：16

节点id：28,X坐标：448,Y坐标：391移动方向:水平向左移动速率：25

节点id：29,X坐标：360,Y坐标：233移动方向:水平向左移动速率：24

节点id：30,X坐标：183,Y坐标：244移动方向:水平向右移动速率：10

具体实施时，依次执行以下步骤：

步骤a，提取t时刻落在子小区c_i内的任一车辆节点n_j’的监测能力，其具体实现过程是：

对于满足d(n_j',c_i)≤r的车辆节点n_j’，计算车辆节点n_j’对子小区c_i提供的监测能力w(n_j’,c_i)，

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

其中，子小区c_i内的某个车辆节点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为监测有效距离；

实施例取r=50由公式1可计算得到各车辆节点对子小区提供的监测能力如下，

节点1对所在子小区中心位置(450,350)监测能力是：0.7232

节点2对所在子小区中心位置(150,350)监测能力是：0.2184

节点3对所在子小区中心位置(350,150)监测能力是：0.6012

节点4对所在子小区中心位置(350,50)监测能力是：0.4816

节点5对所在子小区中心位置(50,350)监测能力是：0.6588

节点6对所在子小区中心位置(150,250)监测能力是：0.2

节点7对所在子小区中心位置(350,450)监测能力是：0.3592

节点8对所在子小区中心位置(450,350)监测能力是：0

节点9对所在子小区中心位置(450,250)监测能力是：0.2604

节点10对所在子小区中心位置(50,350)监测能力是：0

节点11对所在子小区中心位置(450,250)监测能力是：0

节点12对所在子小区中心位置(150,350)监测能力是：0

节点13对所在子小区中心位置(250,50)监测能力是：0.5724

节点14对所在子小区中心位置(350,350)监测能力是：0.6204

节点15对所在子小区中心位置(350,550)监测能力是：0

节点16对所在子小区中心位置(350,150)监测能力是：0.7388

节点17对所在子小区中心位置(450,350)监测能力是：0

节点18对所在子小区中心位置(150,250)监测能力是：0

节点19对所在子小区中心位置(50,250)监测能力是：0.3264

节点20对所在子小区中心位置(350,450)监测能力是：0.7656

节点21对所在子小区中心位置(250,250)监测能力是：0.51

节点22对所在子小区中心位置(450,250)监测能力是：0.612

节点23对所在子小区中心位置(250,50)监测能力是：0.6768

节点24对所在子小区中心位置(50,250)监测能力是：0

节点25对所在子小区中心位置(450,350)监测能力是：0.7596

节点26对所在子小区中心位置(250,150)监测能力是：0.0108

节点27对所在子小区中心位置(250,450)监测能力是：0.542

节点28对所在子小区中心位置(450,350)监测能力是：0.326

节点29对所在子小区中心位置(350,250)监测能力是：0.8444

节点30对所在子小区中心位置(150,250)监测能力是：0.55

步骤b，提取t时刻落在子小区c_i内j个车辆节点，计算对子小区c_i提供的平均监测能力

$\stackrel{\&OverBar;}{w}\left(c_i\right)=\frac{1}{j}\underset{j^{\&prime;}=0}{\overset{j}{\mathrm{\&Sigma;}}}w(n_{j^{\&prime;}},c_i).$      公式2

实施例由公式2可计算得到车辆对各子小区平均监测能力如下，

子小区c₁平均监测能力:0.6246

子小区c₂平均监测能力:0.4816

子小区c₃平均监测能力:0.0108

子小区c₄平均监测能力:0.67

子小区c₅平均监测能力:0.1632

子小区c₆平均监测能力:0.25

子小区c₇平均监测能力:0.51

子小区c₈平均监测能力:0.8444

子小区c₉平均监测能力:0.2908

子小区c₁₀平均监测能力:0.3294

子小区c₁₁平均监测能力:0.1092

子小区c₁₂平均监测能力:0

子小区c₁₃平均监测能力:0.6204

子小区c₁₄平均监测能力:0.36176

子小区c₁₅平均监测能力:0.542

子小区c₁₆平均监测能力:0.374933

实施例中取N_th=0，w_th=0.0100，由图5网络场景可得N(c₁₂)小于等于给定阈值N_th即满足：N(c₁₂)≤N_th，由公式1和2计算各子小区车辆节点提供的平均监测能力，可得

小于等于给定阈值w_th即满足：修改子小区c₁₂状态为启动事件推荐状态，进入步骤2；

步骤2、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在一个较长历史时间间隔为T的由路侧基站确定、发布并记录的路况事件E={e₁,e₂,…e_K}。据此可得到矩阵R(I,K),矩阵中每一项R_i,k为子小区c_i发生事件e_k的频度即为R_i,k=freq(c_i,e_k)|T。

实施例中提取各子小区C={c₁,c₂...,c₁₆}过去48小时时间间隔内的由路侧基站确定、发布并记录的路况事件E={e₁,e₂},e₁表示道路结冰的路况事件,e2表示道路高湿的路况事件。实施例中获取的矩阵R(I,K)如下：

$\left[\begin{array}{cc}0& 1\\ 1& 0\\ 1& 4\\ 0& 5\\ 0& 0\\ 2& 6\\ 0& 3\\ 1& 4\\ 1& 6\\ 0& 0\\ 2& 7\\ 0& 3\\ 0& 4\\ 0& 0\\ 0& 2\\ 0& 1\end{array}\right]$

矩阵R中各项表示近48小时时间间隔内，根据周期采样得到数据判定并经确认后的路况事件发生的频度。

步骤3a、在步骤2得到的矩阵R基础上，计算路侧基站覆盖范围内的各子小区c_i∈C的M个T时间间隔的平均事件频度记为

$\stackrel{\&OverBar;}{R}\left(c_i\right)=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{freq}(c_i,e_k)|T_m$      公式3

本实施例提取最近3个48小时时间间隔的R矩阵值，

$R_1=R=\left[\begin{array}{cc}0& 1\\ 1& 0\\ 1& 4\\ 0& 5\\ 0& 0\\ 2& 6\\ 0& 3\\ 1& 4\\ 1& 6\\ 0& 0\\ 2& 7\\ 0& 3\\ 0& 4\\ 0& 0\\ 0& 2\\ 0& 1\end{array}\right],R_2=\left[\begin{array}{cc}0& 0\\ 1& 1\\ 1& 2\\ 0& 2\\ 0& 1\\ 1& 3\\ 0& 2\\ 0& 3\\ 0& 3\\ 0& 0\\ 1& 4\\ 0& 0\\ 0& 2\\ 0& 1\\ 0& 0\\ 0& 2\end{array}\right],R_3=\left[\begin{array}{cc}0& 1\\ 0& 0\\ 1& 4\\ 0& 2\\ 0& 1\\ 0& 2\\ 0& 1\\ 0& 2\\ 0& 2\\ 0& 1\\ 1& 3\\ 0& 2\\ 1& 2\\ 0& 1\\ 0& 0\\ 0& 0\end{array}\right]$

根据公式3，计算得到各子小区的平均事件频度为，

$\stackrel{\&OverBar;}{R}=\left[\begin{array}{cc}0& 0.6667\\ 0.6667& 0.3333\\ 1& 3.3333\\ 0& 3\\ 0& 0.6667\\ 1& 0.6667\\ 0& 2\\ 0.3333& 3\\ 0.3333& 3.6667\\ 0& 0.3333\\ 1.3333& 4.6667\\ 0& 1.6667\\ 0.3333& 2.6667\\ 0& 0.6667\\ 0& 0.6667\\ 0& 1\end{array}\right]$

步骤3b、计算子小区c_i和c_i’之间基于事件频度的相关性记为sim(c_i,c_i')，实现方式如下，

$\mathrm{sim}(c_i,c_{i^{\&prime;}})=\frac{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\sqrt{\underset{e_k\&Element;(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2{(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))}^2}\sqrt{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}{\stackrel{\&OverBar;}{w}\left(c_{i^{\&prime;}}\right)}^2{(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}^2}}$      公式4

其中E(c_i,c_i')为子小区c_i和c_i’上发生的事件集合。

本实施例根据公式4，计算得到子小区c₁₂与各子小区基于事件频度的相关性，

子小区12和子小区1相关性为：1

子小区12和子小区2相关性为：-0.707107

子小区12和子小区3相关性为：1

子小区12和子小区4相关性为：1

子小区12和子小区5相关性为：-1

子小区12和子小区6相关性为：0.919143

子小区12和子小区7相关性为：1

子小区12和子小区8相关性为：0.832038

子小区12和子小区9相关性为：0.961519

子小区12和子小区10相关性为：-1

子小区12和子小区11相关性为：0.961519

子小区12和子小区13相关性为：0.970147

子小区12和子小区14相关性为：-1

子小区12和子小区15相关性为：1

子小区12和子小区16相关性为：0

步骤4、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在与当前时间t间隔为Δt时间范围内（本实施例Δt取与当前时刻临近的3个数据采样周期），与当前子小区c_i的监测数据差值ΔO(c_i,c_i’)满足小于阈值ΔO_th且大于0的所有子小区，具体实现方式如下，

步骤a、τ∈(t-Δt,t)时刻子小区ci的平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\&tau;})=\left\{\begin{array}{cc}\frac{1}{j}\underset{j^{\&prime;}=1}{\overset{j}{\mathrm{\&Sigma;}}}O(n_{j^{\&prime;}},\mathrm{\&tau;})& j\&GreaterEqual;1\\ 0& j<1\end{array}\right.$      公式5

其中，j为τ时刻子小区c_i中进行事件监测的车辆节点的数目；

步骤b、Δt时间间隔内子小区c_i的平均监测数据O(c_i,Δt)如下式，

     公式6

其中，τ∈(t-Δt,t),τ_m为Δt时间间隔内的对道路环境进行数据采样的时间点，f为采样频率。

本实施例Δt取值为与当前时刻临近的3个数据采样周期的时间间隔，并取得Δt时间间隔各子小区平均监测数据O(c_i,Δt)为，O(c₁,Δt)=(50%RH,3度)，O(c₂,Δt)=(50%RH,5度)，O(c₃,Δt)=(57%RH,1度)，O(c₄,Δt)=(85%RH,0.2度)，O(c₅,Δt)=(40%RH,3度)，O(c₆,Δt)=(55%RH,0.1度)，O(c₇,Δt)=(80%RH,1度)，O(c₈,Δt)=(58%RH,-1度)，O(c₉,Δt)=(58%RH,-1度)，O(c₁₀,Δt)=(70%RH,1度)，O(c₁₁,Δt)=(55%RH,0.5度)，O(c₁₂,Δt)=(75%RH,1度)，O(c₁₃,Δt)=(53%RH,0.1度)，O(c₁₄,Δt)=(80%RH,1度)，O(c₁₅,Δt)=(75%RH,1度)，O(c₁₆,Δt)=(70%RH,1度)，

（3）除当前子小区c_i外，由路侧基站覆盖范围内的任一子小区c_i’∈C且c_i’≠c_i在Δt时间范围内，与子小区c_i的监测数据差值ΔO(c_i,c_i’)如下式，

ΔO(c_i,c_i')=|ΔO(c_i,Δt)-ΔO(c_i',Δt)|     公式7

如有子小区c_i’∈C满足0<ΔO(c_i,c_i')<ΔO_th，则进入步骤5；如没有找到符合条件的子小区c_i’则无法进行事件推荐，返回步骤1，继续监视网络状态以触发下一次推荐过程。

本实施例计算前子小区c₁₂与其他子小区在Δt时间的监测数据差值由公式7可得到，

ΔO(c₁₂,c₁)=(25%RH,2度)，ΔO(c₁₂,c₂)=(25%RH,4度)，ΔO(c₁₂,c₃)=(18%RH,0度)，ΔO(c₁₂,c₄)=(10%RH,0.8度)，ΔO(c₁₂,c₅)=(35%RH,2度)，ΔO(c₁₂,c₆)=(20%RH,0.9度)，ΔO(c₁₂,c₇)=(5%RH,0度)，ΔO(c₁₂,c₈)=(17%RH,2度)，ΔO(c₁₂,c₉)=(17%RH,2度)，ΔO(c₁₂,c₁₀)=(5%RH,0度)，ΔO(c₁₂,c₁₁)=(20%RH,0.5度)，ΔO(c₁₂,c₁₃)=(22%RH,0.9度)，ΔO(c₁₂,c₁₄)=(5%RH,0度)，ΔO(c₁₂,c₁₅)=(0%RH,0度)，ΔO(c₁₂,c₁₆)=(5%RH,0度)，

实施例取ΔO_th=(10%,1)则找到符合条件的子小区c₄,c₇,c₁₀,c₁₄,c₁₅,c₁₆。

步骤5、由步骤4得到所有与当前子小区c_i所有相似的子小区c_i’，计算当前子小区c_i发生事件e_k∈E的预测值P(c_i,e_k)，实现方式如下，

$P(c_i,e_k)=\stackrel{\&OverBar;}{R}\left(c_i\right)+\frac{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})\&times;(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})};$      公式8

实施例根据公式8计算预测值有，

P(c₁₂,e₁)=0，P(c₁₂,e₂)=7。

步骤6、由步骤5得到预测值由高到低，可得到子小区c_i发生事件e_k∈E的可能性由高到低事件推荐序列，取预测值最高的事件作为子小区c_i在t时刻的推荐判定事件。

实施例由步骤5即可得到事件1预测值0，事件2预测值7，因此可得到子小区c₁₂在t时刻的推荐事件为e₂道路高湿的路况事件。

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)

1.一种车载传感器网络实时路况事件推荐方法，其特征在于，主要的方法是：待监测道路区域和车载传感器网络初始化后，当某个子小区在当前t时刻由于子小区内车辆节点过少或提供的感知能力不足，而无法有效获取监测数据时，则由路侧基站对该子小区启动路况事件推荐。

2.根据权利要求1所述的一种车载传感器网络实时路况事件推荐方法，其特征在于，所述步骤2具体包括以下子步骤：

步骤1、周期性执行车辆节点数据采集，对于某个采集周期在t时刻，若子小区c_i内车辆节点数N(c_i)小于等于给定阈值N_th即满足：N(c_i)≤N_th，或子小区c_i内车辆节点提供的平均监测能力

小于等于给定阈值w_th即满足：

如有符合条件的子小区c_i，则修改c_i状态为启动事件推荐状态，进入步骤2；

步骤2、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在一个较长历史时间间隔为T的由路侧基站确定、发布并记录的路况事件E={e₁,e₂,…e_K}，据此可得到矩阵R(I,K),矩阵中每一项R_i,k为子小区c_i发生事件e_k的频度即为R_i,k=freq(c_i,e_k)|T；

步骤3、在步骤2得到的矩阵R基础上，计算路侧基站覆盖范围内的各子小区ci∈C的M个T时间间隔的平均事件频度记为

$\stackrel{\&OverBar;}{R}\left(c_i\right)=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{freq}(c_i,e_k)|T_m$

子小区c_i和c_i’之间基于事件频度的相关性记为sim(c_i,c_i')，实现方式如下：

$\mathrm{sim}(c_i,c_{i^{\&prime;}})=\frac{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\sqrt{\underset{e_k\&Element;(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}\stackrel{\&OverBar;}{w}{\left(c_{i^{\&prime;}}\right)}^2{(R_{i,k}-\stackrel{\&OverBar;}{R}\left(c_i\right))}^2}\sqrt{\underset{e_k\&Element;E(c_i,c_{i^{\&prime;}})}{\mathrm{\&Sigma;}}{\stackrel{\&OverBar;}{w}\left(c_{i^{\&prime;}}\right)}^2{(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}^2}}$

其中E(c_i,c_i')为子小区c_i和c_i’上发生的事件集合；

步骤4、提取路侧基站覆盖范围内的各子小区C={c₁,c₂...,c_I}在与当前时间t间隔为Δt时间范围内，与当前子小区c_i的监测数据差值ΔO(c_i,c_i’)满足小于阈值ΔO_th且大于0的所有子小区；如有子小区c_i’∈C满足0<ΔO(c_i,c_i')<ΔO_th，则进入步骤5；如没有找到符合条件的子小区c_i’则无法进行事件推荐，返回步骤1继续监视网络状态以触发下一次推荐过程；其中Δt取值是与当前时刻临近的若干个数据采样周期；

步骤5、由步骤4得到所有与当前子小区c_i所有相似的子小区c_i’，计算当前子小区c_i发生事件e_k∈E的预测值P(c_i,e_k)，实现方式如下，

$P(c_i,e_k)=\stackrel{\&OverBar;}{R}\left(c_i\right)+\frac{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})\&times;(R_{i^{\&prime;},k}-\stackrel{\&OverBar;}{R}\left(c_{i^{\&prime;}}\right))}{\underset{c_{i^{\&prime;}}\&Element;\mathrm{Sim}\_C\left(c_i\right)}{\mathrm{\&Sigma;}}\mathrm{sim}(c_i,c_{i^{\&prime;}})};$

步骤6、由步骤5得到预测值由高到低，可得到子小区c_i发生事件e_k∈E的可能性由高到低事件推荐序列，取预测值最高的事件作为子小区c_i在t时刻的推荐判定事件。

3.根据权利要求1所述的一种车载传感器网络实时路况事件推荐方法，其特征在于，而且，步骤1中，提取t时刻落在子小区c_i内的任一车辆节点n_j’的监测能力，实现方式如下：

步骤1.1，对于满足d(n_j',c_i)≤r的车辆节点n_j’，计算车辆节点n_j’对子小区c_i提供的监测能力w(n_j’,c_i)，

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

其中，子小区c_i内的某个车辆节点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为监测有效距离；

步骤1.2，对于t时刻落在子小区c_i内j个车辆节点，计算对子小区c_i提供的平均监测能力

$\stackrel{\&OverBar;}{w}\left(c_i\right)=\frac{1}{j}\underset{j^{\&prime;}=0}{\overset{j}{\mathrm{\&Sigma;}}}w(n_{j^{\&prime;}},c_i).$

4.根据权利要求1所述的一种车载传感器网络实时路况事件推荐方法，其特征在于，所述步骤4的具体实现方法包括以下子步骤，

步骤4.1，τ∈(t-Δt,t)时刻子小区ci的平均监测数据O(c_i,τ)如下式，

$O(c_i,\mathrm{\&tau;})=\left\{\begin{array}{cc}\frac{1}{j}\underset{j^{\&prime;}=1}{\overset{j}{\mathrm{\&Sigma;}}}O(n_{j^{\&prime;}},\mathrm{\&tau;})& j\&GreaterEqual;1\\ 0& j<1\end{array}\right.$

其中，j为τ时刻子小区c_i中进行事件监测的车辆节点的数目；

步骤4.2，Δt时间间隔内子小区c_i的平均监测数据O(c_i,Δt)如下式，

$\mathrm{\&Delta;O}(c_i,\mathrm{\&Delta;t})=\frac{1}{m}*\underset{m=1}{\overset{\mathrm{\&Delta;t}/f}{\mathrm{\&Sigma;}}}O(c_i,{\mathrm{\&tau;}}_m),O(c_i,{\mathrm{\&tau;}}_m)\&NotEqual;0,\mathrm{\&Delta;t}\&NotEqual;0$

其中，τ∈(t-Δt,t),τ_m为Δt时间间隔内的对道路环境进行数据采样的时间点，f为采样频率；

步骤4.3，除当前子小区c_i外，由路侧基站覆盖范围内的任一子小区c_i’∈C且c_i’≠c_i在Δt时间范围内，与子小区c_i的监测数据差值ΔO(c_i,c_i’)如下式，

ΔO(c_i,c_i')=|ΔO(c_i,Δt)-ΔO(c_i',Δt)|。

Images