CN107622309B - 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 - Google Patents

Abstract

本发明公开了一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法，包括以下步骤：步骤1，设道路上行驶有n辆车，通过n辆车中每辆车的速度和车流密度，根据拥堵指数集合Θ得到每辆车的拥堵指数集合A_i；步骤2，计算n辆车中的每辆车在其每个拥堵指数下的基本概率分配函数；步骤3，将n辆车中的每辆车在其每个拥堵指数下的基本概率分配函数进行合成，得到道路在每个拥堵指数下的基本概率分配函数m(A)；步骤4，根据道路在每个拥堵指数下的基本概率分配函数m(A)，得到道路的拥堵指数为A^a。本发明既能对分布式的道路拥堵检测结果进行融合，提高道路拥堵信息的可靠性，同时又能减少车辆节点对拥堵信息的转发，有效地抑制广播风暴。

Description

一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法

技术领域

本发明属于城市道路拥堵检测技术领域，具体涉及一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法。

背景技术

随着汽车保有量的持续增加，城市道路交通拥堵问题日益凸显。同时，车联网技术的蓬勃发展为解决城市交通拥堵问题提供了可能。车联网技术是指在交通参与者之间(Vehicle to Vehicle，V2V)，或者交通参与者与交通基础设施之间(Vehicle toInfrastructure，V2I)利用无线通信进行信息交互，从而实现车辆运动控制，交通信号的控制，交通信息处理以及发布的技术。V2V主要用在交通信息搜集、检测、简单处理等领域，V2I主要用在交通信息综合处理，预警发布等领域。

目前，道路交通拥堵检测主要有两种方法，即固定式道路交通拥堵检测和移动式道路交通拥堵检测。固定式道路交通拥堵检测方法是通过铺设地磁线圈或架设摄像机实现道路交通拥堵检测，该方法虽然在固定点检测的准确性高，但是地磁线圈和摄像机只能检测其覆盖区域的道路交通信息。此外，由于受成本、土地规划、环境保护、交通秩序等影响，地磁线圈和摄像机无法进行大范围铺设。移动式道路交通拥堵检测方法是通过装有GPS的浮动车辆作为传感节点来检测其行驶区域的道路交通拥堵水平。与固定式道路交通拥堵检测方法相比，移动式道路交通拥堵检测方法检测的交通区域更广。但移动式道路交通拥堵检测由于GPS定位无法精确到车道级、浮动车数量少以及分布不均匀等原因，其检测的准确性不高。针对上述方法的缺点，文献[Fahmy M F,Ranasinghe D N.Discoveringautomobile congestion and volume using vanet’s[C].International Conference onITS Telecommunications.IEEE,2008:367-372.]提出基于VANETs技术检测道路交通拥堵。该方法是在车辆拥塞时建立路由树，根据路由树来统计车辆拥塞的数目。该方法采用分布式的道路拥堵检测方法，不受道路基础设施建设情况的约束，并且检测的准确率较高。但是该方法需要建立并且维护路由树，网络开销较大。文献[Bauza R,Gozalvez J.Trafficcongestion detection in large-scale scenarios using vehicle-to-vehiclecommunications[J].Journal of Network&Computer Applications,2013,36(5):1295-1307.]提出基于V2V的协作式道路交通拥堵检测方法，无需建立路由树，同时在发生交通拥堵时，车车之间才进行数据通信，因此该方法降低了车辆通信网络的开销和负载。但是该方法无法融合分布式检测结果以及准确地得出整个检测区域的道路交通拥堵水平。

发明内容

本发明的目的在于提供一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法，既能对分布式的道路拥堵检测结果进行融合，提高道路拥堵信息的可靠性，同时又能减少车辆节点对拥堵信息的转发，有效地抑制广播风暴。

为达到上述目的，本发明采用如下技术方案：

一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法，包括以下步骤：

步骤1，设道路上行驶有n辆车，通过n辆车中每辆车的速度和车流密度，得到每辆车的至少一个拥堵指数，其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合A_i，其中i＝1,2,..,n，n为大于等于1的自然数，A_i＝{A_i ¹,A_i ²,...,A_i ^a,...,A_i ^M},M≤2⁴，A_i ^a表示车辆i的第a个拥堵指数，a＝1,2,..,M；

步骤2，通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数m_i(A^a _i)，即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数；

m_i(A^a _i)＝1-H(v_i,ρ_i) (1)

其中，i＝1,2,..,n，a＝1,2,..,M，H(v_i,ρ_i)＝-p(v_i)log₂p(v_i)+(-p(ρ_i)log₂p(ρ_i))，

v_i为车辆i的速度，v_thi为车辆i在第a个拥堵指数下的速度下限值，v_T为道路上车辆速度的限速值，ρ_i为车辆i的车流密度，ρ_thi为车辆i在第a个拥堵指数下的车流密度的下限值，ρ_T为道路上车流密度的饱和值；

步骤3，通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成，得到道路在第a个拥堵指数下的基本概率分配函数m(A^a)，即可得到道路在每个拥堵指数下的基本概率分配函数m(A)，其中m(A)＝{m(A¹),m(A²),..,m(A^a),...,m(A^M)}；

其中，a＝1,2,..,M，

ε＝e^-k，m_j(A^a _j)为车辆j在第a个拥堵指数下的基本概率分配函数，j＝1,2,..,n，i≠j；

步骤4，设m(A^a)＝max{m(A)}，m(A^a′)＝large{m(A),2}；

若m(A^a)-m(A^a′)>ε₁，则道路的拥堵指数为第a个拥堵指数；

其中，ε₁＝10^-4。

进一步地，步骤1中所述的根据拥堵指数集合Θ得到每辆车的拥堵指数集合，包括：

步骤11，设置4个车辆速度模糊区间，分别是SV：[0，v_th1]，SL：[v_th1，v_th2]，SM：[v_th2，v_th3]，SH：[v_th3，v_T]；设置4个车流密度模糊区间，分别是DL：[0,ρ_th1],DM：[ρ_th1,ρ_th2],DH：[ρ_th2,ρ_th3],DV：[ρ_th3,ρ_T]；

步骤12，根据表1得到每辆车的拥堵指数集合。

表1

与现有技术相比，本实用新型具有以下技术效果：

(1)本发明将人对于交通参数的定性描述运用模糊理论进行分级，如对车辆速度的快慢，车流密度的高低等进行等级划分，各等级无明显分界点，这更符合人们对于交通的直观认知；

(2)本发明采用信息熵表示车辆节点对检测到的拥堵指数的信任度，用处在模糊区间的概率表示不确定性，实现由模糊到量化的过程；

(3)本发明基于改进的D-S证据理论融合道路交通拥堵信息，有效地区分出车辆节点检测出交通拥堵指数的信任度和不确定性，考虑了证据之间的冲突，使RSU得到融合后的交通拥堵指数更加准确；

(4)本发明在融合过程中采用V2I通信，即车辆节点无需转发任何拥堵消息，车路之间采用单跳广播通信，有效抑制了广播风暴，提高了带宽的利用率。

附图说明

图1为速度的隶属度；

图2为车流密度的隶属度。

具体实施方式

本发明中的拥堵指数指的是根据表1判断出的拥堵指数集合Θ中的任一个值；

下面通过附图和实施例对本发明作进一步说明。

实施例1

本实施例提供了一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法，包括以下步骤：

步骤1，设道路上行驶有n辆车，通过n辆车中每辆车的速度和车流密度，根据拥堵指数集合Θ得到每辆车的至少一个拥堵指数，其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合A_i，其中i＝1,2,..,n，n为大于等于1的自然数，A_i＝{A_i ¹,A_i ²,...,A_i ^a,...,A_i ^M},M≤2⁴，A_i ^a表示车辆i的第a个拥堵指数，a＝1,2,..,M；

所述拥堵指数集合Θ＝{Ⅰ，Ⅱ，Ⅲ，Ⅳ}；

其中，拥堵指数Ⅰ表示畅通，市民感受的定性描述为：路上车很少，畅行无阻；拥堵指数Ⅱ表示基本畅通，市民感受的定性描述为：基本还是畅通的；拥堵指数Ⅲ表示轻度拥堵，市民感受的定性描述为：有一些拥堵，但不严重；拥堵指数Ⅳ表示中度拥堵，市民感受的定性描述为：拥堵严重；

包括：

步骤11，根据道路通行能力手册及拥堵评级系统，将车辆速度值划分为4个车辆速度模糊区间，分别是SV：[0，v_th1]，SL：[v_th1，v_th2]，SM：[v_th2，v_th3]，SH：[v_th3，v_T]；其中v_T表示车辆速度的限速值，本实施例中v_T取值为120，车辆速度单位为km/h。设置4个车流密度模糊区间，分别是DL：[0,ρ_th1],DM：[ρ_th1,ρ_th2],DH：[ρ_th2,ρ_th3],DV：[ρ_th3,ρ_T]；其中ρ_T表示车流密度的饱和值，本实施例中ρ_T取值为100，车流密度的单位为veh/km。

本实施例中，SV：[0，45]，SL：[15，70]，SM：[40，90]，SH：[75，v_T]；DL：[0,35],DM:[25,45],DH：[30,60],DV：[40,ρ_T]。

步骤12，根据表1得到每辆车的拥堵指数集合，如图1、2。

表1

步骤2，通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数m_i(A^a _i)，即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数；

m_i(A^a _i)＝1-H(v_i,ρ_i) (1)

其中，i＝1,2,..,n，a＝1,2,..,M，H(v_i,ρ_i)＝-p(v_i)log₂p(v_i)+(-p(ρ_i)log₂p(ρ_i))，

v_i为车辆i的速度，v_thi为车辆i在第a个拥堵指数下的速度下限值，v_T为道路上车辆速度的限速值，ρ_i为车辆i的车流密度，ρ_thi为车辆i在第a个拥堵指数下的车流密度的下限值，ρ_T为道路上车流密度的饱和值；

本实施例中，车辆i检测得到v_i＝43km/h，ρ_i＝20veh/(km*ln)。

查表1，根据速度v_i和密度ρ_i各自所在的区间，速度v_i＝43km/h时处于SV：[0，45]，SL：[15，70]，SM：[40，90]三个速度区间中，ρ_i＝20veh/(km*ln)时处于DL:[0,35]车流密度区间中。由图1可知：v_i＝43km/h处于SV：[0，45]中对应的隶属度p(v_i,SV)＝0.02，v_i＝43km/h处于SL：[15，70]中对应的隶属度p(v_i,SL)＝0.98，v_i＝43km/h处于SM：[40，90]中对应的隶属度p(v_i,SH)＝0.03。由图2可知：ρ_i处于DL:[0,35]中的隶属度p(ρ_i,DL)＝0.9。

同时确定车辆i检测到的拥堵指数A_i，速度v_i和密度ρ_i同时一个或者对应多个拥堵指数；v_i＝43km/h，ρ_i＝20veh/(km*ln)，则查表1有(SV，DL)->Ⅱ,(SL,DL)->Ⅰ,(SM,DL)->Ⅰ，即检测到v_i＝43km/h，ρ_i＝20veh/(km*ln)时，拥堵指数可能取Ⅱ和Ⅰ。

计算车辆i的速度v_i的自信息I(v_i)＝-log₂p(v_i)，其中p(v_i)表示v_i的隶属度。v_i＝43km/h处于SV：[0，45]中的信息量I(v_i,SV)＝-log₂p(v_i,SV)＝-log₂0.02＝5.64，v_i＝43km/h处于SL：[15，70]中的信息量I(v_i,SL)＝-log₂p(v_i,SL)＝-log₂0.98＝0.029，v_i＝43km/h处于SM：[40，90]中的信息量I(v_i,SM)＝-log₂p(v_i,SM)＝-log₂0.03＝5.06，计算车辆i所在车流的密度ρ_i的信息量I(ρ_i)＝-log₂p(ρ_i)，其中p(ρ_i)表示ρ_i的隶属度；ρ_i处于DL:[0,35]中的信息量I(ρ_i,DL)＝-log₂p(ρ_i,DL)＝-log₂0.9＝0.15。

计算速度v_i和密度ρ_i的信息熵H(v_i,ρ_i)＝-p(v_i)log₂p(v_i)+(-p(ρ_i)log₂p(ρ_i))；处在H(v_i,SV,ρ_i,DL)＝-p(v_i,SV)log₂p(v_i,SV)+(-p(ρ_i,DL)log₂p(ρ_i,DL))

＝5.64*0.02+0.15*0.9

＝0.2478；

H(v_i,SL,ρ_i,DL)＝-p(v_i,SL)log₂p(v_i,SL)+(-p(ρ_i,DL)log₂p(ρ_i,DL))

＝0.029*0.98+0.15*0.9

＝0.1634；

H(v_i,SM,ρ_i,DL)＝-p(v_i,SM)log₂p(v_i,SM)+(-p(ρ_i,DL)log₂p(ρ_i,DL))

＝5.06*0.03+0.15*0.9

＝0.2868；

本实施例确定车辆i的各拥堵指数的基本概率分配m_i(A_i)＝1-H(v_i,ρ_i)；对于拥堵指数Ⅱ：

H(v_i,SV,ρ_i,DL)＝0.2478；

对于拥堵指数Ⅰ：

H(v_i,SL,ρ_i,DL)+H(v_i,SM,ρ_i,DL)＝0.1634+0.2686＝0.432；

m_i(A_i)＝1-m_i(Ⅱ)-m_i(I)＝1-0.2478-0.432＝0.3202；A_i表示识别框架中2^{Ⅲ，Ⅳ}的子集。

步骤3，通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成，得到道路在第a个拥堵指数下的基本概率分配函数m(A^a)，即可得到道路在每个拥堵指数下的基本概率分配函数m(A)，其中m(A)＝{m(A¹),m(A²),..,m(A^a),...,m(A^M)}；

其中，a＝1,2,..,M，

ε＝e^-k，m_j(A^a _j)为车辆j在第a个拥堵指数下的基本概率分配函数，j＝1,2,..,n，i≠j；

步骤4，设设m(A^a)＝max{m(A)}，m(A^a′)＝large{m(A),2}；

若m(A^a)-m(A^a′)>ε₁，则道路的拥堵指数为第a个拥堵指数；

其中，ε₁＝10^-4。

检测周期内，若某4辆同向行驶的车辆检测到其行驶速度和所在车流密度分别为(43km/h,20veh(km*ln)),(45km/h,19veh(km*ln)),(40km/h,25veh(km*ln))(38km/h,28veh(km*ln))，某个RSU接收到其通信范围内该4辆车广播的拥堵指数集合A_i分别为：{m₁(I)＝0.330，m₁(Ⅱ)＝0.279，m₁(θ)＝0.028}，{m₂(I)＝0.336，m₂(Ⅱ)＝0.283，m₂(θ)＝0.027}，{m₃(I)＝0.25，m₃(Ⅱ)＝0.292，m₃(θ)＝0.033}，{m₄(I)＝0.236，m₄(Ⅱ)＝0.299，m₄(Ⅲ)＝0.174，m₄(Ⅳ)＝0.111，m₄(θ)＝0.015}。

依据合成公式：m(A)＝p(A)+k*ε*q(A),

A≠X，其中w(A)＝∑m₁(A)m₂(A)…m_n(A)，4辆车检测得到的拥堵指数集合A₁,A₂,A₃,A₄之间无冲突，因此k＝0,ξ＝1。

wⅠ)＝0.33*0.336*0.25*0.236+0.028*0.336*0.25*0.236*3+0.330*0.027*0.25

*0.236*3+0.330*0.027*0.25*0.236*3+0.033*0.330*0.25*0.236*3

＝0.013

m(Ⅰ)＝w(Ⅰ)＝0.013

同理：

wⅠ)＝0.279*0.283*0.292.0.299+0.028*0.283*0.292*0.299*3+0.279*0.027*0.299*3+0.279*0.283*0.033*0.299+0.279*0.283*0.292*0.015*3

＝0.0128

m(Ⅱ)＝w(Ⅱ)＝0.0128

因为其他拥堵指数的基本概率分配均小于m_i(A)，所以其合成后结果均小于m(I)、m(Ⅱ)，即在步骤4中只需比较m(I)、m(Ⅱ)。

m(θ)＝w(θ)+k*ε*q(θ)+k*(1-ε)＝0

步骤4，设m(A^a)＝max{m(A),A∈Θ}，m(A^a′)＝large{m(A),2}；

若m(A^a)-m(A^a′)>ε₁且m(θ)<ε₂且m(A^a)>m(θ)，则道路的拥堵指数为A^a；令I＝A^a,Ⅱ＝A^a'。本实施例中取ε₁＝ε₂＝10^-4。

m(I)-m(Ⅱ)＝0.013-0.0128＝0.0002>10^-4

m(θ)＝0<10^-4

0.013>0即,m(I)>m(θ)

因此，判决结果得到拥堵指数为Ⅰ，即车辆行驶的当前路段处在畅通的状态。

Claims (2)

1.一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法，其特征在于，包括以下步骤：

步骤1，设道路上行驶有n辆车，通过n辆车中每辆车的速度和车流密度，根据拥堵指数集合Θ得到每辆车的至少一个拥堵指数，其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合A_i，其中i＝1,2,..,n，n为大于等于1的自然数，A_i＝{A_i ¹,A_i ²,...,A_i ^a,...,A_i ^M},M≤2⁴，A_i ^a表示车辆i的第a个拥堵指数，a＝1,2,..,M；

所述拥堵指数集合Θ＝{Ⅰ，Ⅱ，Ⅲ，Ⅳ}；

步骤2，通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数m_i(A^a _i)，即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数；

m_i(A^a _i)＝1-H(v_i,ρ_i) (1)

其中，i＝1,2,..,n，a＝1,2,..,M，H(v_i,ρ_i)＝-p(v_i)log₂p(v_i)+(-p(ρ_i)log₂p(ρ_i))，

v_i为车辆i的速度，v_thi为车辆i在第a个拥堵指数下的速度下限值，v_T为道路上车辆速度的限速值，ρ_i为车辆i的车流密度，ρ_thi为车辆i在第a个拥堵指数下的车流密度的下限值，ρ_T为道路上车流密度的饱和值；

步骤3，通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成，得到道路在第a个拥堵指数下的基本概率分配函数m(A^a)，即可得到道路在每个拥堵指数下的基本概率分配函数m(A)，其中m(A)＝{m(A¹),m(A²),..,m(A^a),...,m(A^M)}；

其中，a＝1，2，..，M，

ε＝e^-k，m_j(A^a _j)为车辆j在第a个拥堵指数下的基本概率分配函数，j＝1，2，..，n，i≠j；

步骤4，设m(A^a)＝max{m(A)}，m(A^a′)＝large{m(A)，2}；

若m(A^a)-m(A^a′)＞ε₁，则道路的拥堵指数为第a个拥堵指数；

其中，ε₁＝10^-4。

2.如权利要求1所述的道路拥堵检测方法，其特征在于，步骤1中所述的根据拥堵指数集合Θ得到每辆车的拥堵指数集合，包括：

步骤11，设置4个车辆速度模糊区间，分别是SV：[0，v_th1]，SL：[v_th1，v_th2]，SM：[v_th2，v_th3]，SH：[v_th3，v_T]；设置4个车流密度模糊区间，分别是DL：[0，ρ_th1]，DM：[ρ_th1，ρ_th2]，DH：[ρ_th2，ρ_th3]，DV：[ρ_th3，ρ_T]；

步骤12，根据表1得到每辆车的拥堵指数集合；

表1

表1为每辆车的拥堵指数集合。

Images