CN108810846B - 一种基于城市公共交通的车载网络群感知覆盖方法 - Google Patents

Abstract

本发明提出一种基于城市公共交通的车载网络群感知覆盖方法，属于无线通信领域。具体流程包括：初始化处理平台；并预测各车辆位置；对车辆位置信息归一化处理计算相关系数矩阵，根据分簇阈值和相关系数对车辆进行分簇，对候选车辆集合进行筛选；计算各区域感知数据的权重并计算边际收益E_i，判断车辆参是否与感知；计算总支出是否大于总预算，如果是，获得最优集合，如果否，循环上一步骤，并将参与感知的车辆加入集合。本发明充分利用公共交通移动轨迹的可预测性以及充分考虑车辆移动路径的相关性，通过本发明方法实现了全城连续的时空联合数据采集，给用户提供准确，完整的数据服务，提升在有限的成本预算下最大化感知覆盖，最小化冗余覆盖。

Description

一种基于城市公共交通的车载网络群感知覆盖方法

技术领域

本发明属于无线通信领域，具体涉及通过结合移动群体感知技术和嵌入式传感技术，使搭载各种各样的城市交通工具成为一个移动的信息载体，形成一种车载网络群感知覆盖方法。

背景技术

近些年，移动群体感知被广泛应用于智慧交通应用中[1][2]。用户针对道路周边的信息发出请求(如空气质量，道路拥塞情况等等)，为了获得用户请求的信息，一种可行的解决方案是在道路旁部署大量的信息感知节点[3]，保证所有道路环境均能被覆盖，用户可以直接与感知节点进行信息交互直接获得感兴趣的信息。然而，通常为了获得较好的感知能力需要投入大量的感知节点，部署成本非常高。同时，节点分布不合理可能导致感知重叠区和感知盲区。

移动群体感知技术可以作为一种新的解决思路，北京市交通线网四通八达，利用布遍全城的“移动公共基础设施”搭载信息采集设备，使其成为一个能参与城市感知的“移动信息载体”来完成用户请求信息的采集[4][5]。但在这样的移动群体感知系统中，由于服务中心的预算成本受限使得能够参与任务感知的移动车辆数目受限，因此如何在用户发起任务的感兴趣时间内选择合适的车辆集合进行信息感知，提升感知信息质量成为移动群体感知系统感知调度的重要研究方向[6]。而且目前，基于移动群体架构的研究主要集中在如何招募尽可能多的感知参与者来提升系统的移动感知收益[7][8]。但是在实际应用中，不同参与者的感知能力之间存在相关性[9]，例如，在基于位置的移动群体感知应用中，具有相似移动特征的参与者之间可能存在高度相关的感知观测能力[9]。在这种情况下，对感知能力相似的移动群体进行招募不仅导致感知覆盖冗余，而且中心节点的处理数据的压力过大导致网络传输速率降低[10]。如果感知任务发起点是像阿里巴巴，百度这样的大型企业或者国家公安部门，那么它们在招募感知参与者的时候通常可以不考虑预算成本问题，但是如果任务发起点是个人或者小型企业，那么它们的预算成本通常都是受限的，因此，在成本受限的情况下需要设计一个有效的参与者招募策略，确保尽可能大的移动感知收益。

以往针对移动群体感知网络的研究主要基于移动的人群，大多数学者在研究参与者招募策略时都没有考虑感知参与个体的移动特性，普遍认为移动个体的位置是已知的[10][11][12]。然而，在现实场景中，感知参与者可能频繁移动，他们的移动都是一种主观意识，具有随机性。因此，在观测时段，网络中所有参与者的具体位置很难被预测。所以在研究参与者招募策略时，如果假定移动群体的移动位置可知，实际应用参与者招募策略时就会引入较大的观测偏差，甚至造成局部观测冗余或者局部观测“空洞”[13]。以往的车载网络的研究往往是让所有搭载有车载感知系统的车辆全部参与感知工作，然而，由于车辆运行轨迹的不确定性，在同一时刻的同一感兴趣区域可能会出现多辆感知车辆，这样会造成感知数据冗余，没有充分利用动态车载网络的优势。

现有的基于智慧交通的移动群体感知框架大多数认为车载移动感知节点的未来位置是已知的，实际上大多数移动车辆(如出租车)的移动都是不可预测的，具有一定的随机性。此外，在选择车辆的参与城市感知的过程中，没有充分考虑移动车辆行驶轨迹的相关性，大多数车辆的移动轨迹是相似的，同时选择路径相似的车辆参与感知一方面造成覆盖冗余，浪费预算成本，另一方面增加服务中心处理数据的负荷。

参考文献：

[1]熊英,史殿习,丁博,等.移动群体感知技术研究[J].计算机科学,2014,41(4):1-8.

[2]张继德,袁印,张新英.移动群体感知中协作方法研究[J].电脑迷,2017(2).

[3]Margreiter M,Mayer P,Orfanou F.A Concept for Crowdsourcing of In-Vehicle Data to Improve Urban On-Street Parking[J].Proceedings ofInternational Scientific Conference mobile TUM,2015,1-8

[4]Ali K,Al-Yaseen D,Ejaz A,et al.CrowdITS:Crowdsourcing inintelligent transportation systems[C]//Wireless Communications and NETWORKINGConference.IEEE,2012:3307-3311.

[5]Kanhere S S.Participatory Sensing:Crowdsourcing Data from MobileSmartphones in Urban Spaces[C]//IEEE International Conference on Mobile DataManagement.IEEE,2011:3-6.

[6]Carisi R,Giordano E,Pau G,et al.Enhancing in vehicle digital mapsvia GPS crowdsourcing[C]//Eighth International Conference on Wireless On-Demand Network Systems and Services.IEEE,2011:27-34.

[7]Dolberg L,Francis J,Engel T.Tracking spoofed locations incrowdsourced vehicular applications[C]//NOMS 2014-2014IEEE/IFIP NetworkOperations and Management Symposium.IEEE,2014:1-9.

[8]Hussain R,Abbas F,Son J,et al.Vehicle Witnesses as a Service:Leveraging Vehicles as Witnesses on the Road in VANET Clouds[C]//IEEEInternational Conference on Cloud Computing Technology and Science.IEEEComputer Society,2013:439-444.

[9]Hu M,Zhong D Z,Niu Y,et al.Duration-variable ParticipantRecruitment for Urban Crowdsourcing with Indeterministic Trajectories[J].IEEETransactions on Vehicular Technology,2017,PP(99):1-1.

[10]Reddy S,Estrin D,Srivastava M.Recruitment Framework forParticipatory Sensing Data Collections[M]//\textit{PervasiveComputing.Springer Berlin Heidelberg},2010:138-155.v

[11]Gerla M,Pau G,Weng J T.Pics-on-wheels:Photo surveillance in thevehicular cloud[C]//\textit{International Conference on Computing,NETWORKINGand Communications.IEEE},2013:1123-1127.

[12]X.Zhang,Z.Yang,Y.Liu,J.Li and Z.Ming,“Toward efficient mechanismsfor mobile crowdsensing,”\textit{IEEETrans.Veh.Technol}.,vol.66,no.2,pp.1760–1771,Feb.2017.

[13]Feng Z,Zhu Y,Zhang Q,et al.``TRAC:Truthful auction for location-aware collaborative sensing in mobile crowdsourcing[C]"//\textit{INFOCOM,2014Proceedings IEEE.}IEEE,2014:1231-1239.

发明内容

为了克服静态网络中数据空间上离散，没有时间维度，以及动态网络中覆盖冗余的缺点。本发明综合考虑城市感知覆盖的时空覆盖度及城市公共交通的轨迹可预测的特点，提出一种基于城市公共交通的车载网络群感知覆盖方法。

本发明提供的一种基于城市公共交通的车载网络群感知覆盖方法，在公交车上搭载传感器，在车辆参与感知的时候车载采集终端将传感器采集的异构感知数据上传到云服务端的处理平台，实现时空连续的数据采集。本发明方法的实现步骤具体包括如下：

步骤1：处理平台初始化感知任务的最大预算支出C_max和候选比率β；

步骤2：在感知时刻，处理平台获得车辆的位置信息矩阵L(V)；

其中，l_n(t_m)表示在感知时刻t_m候选车辆v_n的位置；V＝{v₁,v₂,…,v_n}表示候选车辆集合；m、n均为正整数；

步骤3：将车辆的位置信息归一化处理，然后计算两两车辆间的相关系数，根据得到的相关系数矩阵，利用分簇算法将候选车辆集合V按照候选比率β进行筛选，筛选后的候选车辆集合表示为V^′＝β·V；

步骤4：感知设备接收处理平台发布的感知任务后，确定需要感知的内容，根据业务数据流量确定自身期望得到的报酬C发送给处理平台；

步骤5：处理平台根据车辆历史轨迹数据为车辆各时刻各个路段的感知数据设置权重因子；对车辆v_i在时刻t_j的区域l_i的感知数据的权重因子设置为如下：

其中，为时刻t_j感兴趣区域l_i的拥塞等级；

步骤6：计算V′中车辆v_i的时空感知覆盖度STC(v_i)，如下：

其中，T表示感知时刻的集合；

步骤7：计算V′中各车辆的边际收益，选出边际收益最大的车辆；设最优覆盖参与感知的车辆集合为Ω，Ω初始为空；车辆v_i的边际收益E_i计算如下：

Ω′＝Ω∪v_i

其中，STC(Ω)为集合Ω中所有车辆的时空感知覆盖度的并集；

步骤8：判断若将车辆v_i加入集合Ω后，集合Ω中所有车辆的总的期望报酬和是否大于最大的预算支出C_max，如果是，则不将车辆v_i加入集合Ω，输出当前的集合Ω；否则，将车辆v_i加入集合Ω，并从集合V′中删除，然后继续转步骤7执行。

本发明与现有技术相比，具有以下明显优势：

(1)综合考虑感知个体的当前位置和未来位置信息，建立系统模型，实现时空连续的数据采集；

(2)为了更有效利用有效的雇用成本预算，提出雇用时段可变的调度策略，保证时空覆盖最大化的同时，系统开销达到最小；

(3)考虑了感知个体之间轨迹的相关性，通过分簇方式对参与个体进行筛选，使数据采集的时间复杂度降低。

附图说明

图1是本发明的车载群感知网络应用场景示意图；

图2是本发明的车载网络群感知覆盖方法的整体流程示意图；

图3是本发明方法与现有方法在服务平台最大预算支出相同时空间覆盖度的对比示意图；

图4是本发明方法与现有方法在不同感知时段的感知覆盖度的对比示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明作进一步的详细描述。

与传统移动群体感知网络不同，基于公共交通的车载移动感知网络，感知参与者的移动严格遵循行驶时刻表，因此它们的轨迹是完全可以预测的。本发明针对在静态车载网络中，车辆运行轨迹的不确定性及网络节点的大量分布造成资源浪费和覆盖冗余，提出一种基于城市公共交通的车载网络群感知覆盖方法，充分利用公共交通移动轨迹的可预测性的优点以及充分考虑车辆移动路径的相关性，在分析城市感知数据的空间和时间特性的基础上，设计基于城市公共交通的车载网络群感知覆盖模型，在模型的基础上选择合适的车辆参与城市感知，实现全城连续的时空联合数据采集，给用户提供准确，完整的数据服务，提升在有限的成本预算下最大化感知覆盖，最小化冗余覆盖。

本发明首先基于城市公共交通建立城市车载感知模型，在此基础上，通过优化的组合查询算法选择合适的车辆参与城市感知任务，从而保证感知数据在空间和时间上连续的同时，实现城市感知覆盖的最大化，确保服务数据的可靠性。

如图1所示，为本发明的车载群感知网络应用场景示意图。在此场景中，每辆公交车上都搭载有多种传感器，如GPS、视频传感器、气体传感器等，在车辆经过城市各个区域时进行时-空联合的信息采集，将获得的异构的感知信息利用车载采集终端(嵌入式平台)上传到云服务系统进行数据融合、处理。

本发明基于城市公共交通的车载网络群感知覆盖方法，在公交车上搭载传感器，在车辆参与感知的时候车载采集终端将采集的异构感知数据上传到云服务端的处理平台，整体流程如图2所示，下面对实现的各步骤进行详细说明。

步骤1：处理平台初始化感知任务的最大支出预算值C_max，即处理平台的总支出预算，根据感知任务设定候选比率β。

最大支出预算值C_max限定处理平台的总支出，从而避免由于所有车辆参与感知导致数据冗余。仿真时用于对候选的车辆集合进行筛选，筛选后车辆集合大小＝候选比率*原车辆集合大小。

步骤2：基于城市公共交通的运行轨迹的可预测性，在感知时段内不同感知时刻，处理平台通过GPS或分析车辆历史轨迹，确定车辆的位置信息矩阵L(V)，如公式(1)：

其中，l_n(t_m)表示在感知时刻t_m候选车辆v_n的位置；V＝{v₁,v₂,…,v_n}表示候选车辆集合。m、n均为正整数；n代表总的候选车辆总数。

步骤3：将车辆的位置信息归一化处理，通过公式(2)计算任意车辆v_i,v_j之间感知时段的相关系数r_ij；根据得到的相关系数矩阵，利用分簇算法将候选车辆集合V按照候选比率β进行筛选，筛选完成后的候选车辆集合为V′＝β·V，V′＝{v₁,v₂,…,v_N}。

其中，r_ij表示任意车辆v_i,v_j之间在感知时段的相关系数；m为感知时刻；变量Δm＝1,2,3,….,m；l_i(t_Δm)表示车辆v_i在感知时刻t_Δm时的位置信息；l_j(t_Δm)表示车辆v_j在感知时刻t_Δm时的位置信息；表示车辆v_i在所有感知时刻位置信息的均值；表示车辆v_j在所有感知时刻位置信息的均值。

本发明实施例根据得到的相关系数矩阵，将分簇阈值设置为0.8～1之间，将V中车辆进行分簇，再从各簇中按照候选比率β筛选候选车辆到V′，V′＝β·V。

步骤4：车载采集终端接收处理平台发布的感知任务后，确定处理平台需要感知的内容，根据业务数据流量确定自身期望得到的报酬C，如公式(3)，并作为报价发送给处理平台；

C＝{c₁,c₂,c₃,…,c_N} (3)

其中，C＝{c₁,c₂,c₃,…,c_N}表示筛选完成后的候选车辆期望得到的报酬集合。

步骤5：处理平台根据车辆历史轨迹数据分析每个感兴趣区域的数据重要程度，通过公式(4)计算车辆在各时刻中各个路段感知数据的权重因子

其中，表示车辆v_i在时刻t_j在感兴趣区域l_i的感知数据的权重因子；为时刻t_j区域l_i的拥塞等级。此处的感兴趣区域l_i即车辆v_i在时刻t_j的位置l_i(t_j)。

步骤6：根据公式(5)计算筛选完成后的候选车辆v_i的时空感知覆盖度STC(v_i)，如图2；

其中，l_i(t_j)表示车辆v_i在t_j时刻的位置信息。T表示感知时刻的集合。

步骤7：对筛选完成后的候选车辆集合V′中的各车辆计算边际收益E_i。根据公式(6)计算候选车辆v_i的边际收益E_i。执行改进的贪心算法，如果车辆v_i的边际收益E_i最大，则车辆v_i将参与感知。

Ω′＝Ω∪v_i (7)

其中，Ω为参与感知的车辆集合，初始是一个空集合；公式中Ω′表示选择车辆v_i参与感知的车辆集合；c_i表示车辆v_i期望得到的报酬。STC(Ω)、STC(Ω′)分别为集合Ω、Ω′中所有车辆的时空感知覆盖度的并集。

根据最优覆盖参与感知的车辆集合Ω，采用分时段雇佣的思想，车辆在同一时刻发生重叠覆盖，选择感知报酬最小的车辆在该时段参与感知，其它车辆不参与感知，处理平台不支付在感知时刻不参与感知的车辆的感知报酬，将这部分预算重新选择其它车辆参与感知，根据公式(7)计算最大时空感知覆盖度STC；

根据最大时空感知覆盖度STC，循环执行步骤7。

步骤8：判断若将车辆v_i加入集合Ω后，集合Ω中所有车辆的总的期望报酬和是否大于最大的预算支出C_max，如果是，则不将车辆v_i加入集合Ω，输出当前的集合Ω作为最终的结果；否则，将车辆v_i加入集合Ω，并从集合V′中删除，然后继续转步骤7执行。

如图3和图4所示，图中ECQA(Efficient Combination Query Algorithm)、ECQA-0.2表示候选比率为0.2时ECQA的空间覆盖度、ECQA-0.4表示候选比率为0.4时ECQA的空间覆盖度、VPR(Vehicle-based Participant Recruitment，对比算法)表示对比算法。图3结果表明当预算支出相同时，当候选比率小于0.2时，ECQA的空间覆盖度优于VPR,即使车辆集合减小，时空覆盖度依然优于VPR,当候选比率过大时会导致空间覆盖度减小，且性能比VPR差。图4表明，随着感知时刻的增加，ECQA和VPR的时空覆盖度也逐渐增大，同时候选比率小于0.2时ECQA优于VPR。仿真数据用的是T-Driver数据集，图中可以看出，本发明方法通过选择合适的车辆参与城市感知，能够在较小的开销下，实现城市感知覆盖最大化，并保证感知数据的时空特性，解决了静态网络中数据空间上离散的问题。通过本发明方法实现了城市覆盖的最大化，并保证采集的数据在时空上的连续。

从本发明考虑了静态网络中存在感知数据空间上离散的问题，以及分析在动态车载网络中，由于运行轨迹具有不确定性，所有搭载有感知设备的车辆参与完成感知任务，会导致覆盖重叠而引起感知数据冗余问题。本发明通过分析城市公共交通的运行轨迹可预测性和城市时空覆盖度的关系，建立系统感知覆盖模型，在该模型的基础上通过优化的贪心算法选择合适的车辆参与城市感知，能够在较小的开销下，实现城市感知覆盖最大化，并保证感知数据的时空特性，解决了静态网络中数据空间上离散的问题。

Claims (1)

1.一种基于城市公共交通的车载网络群感知覆盖方法，其特征在于，在公交车上搭载传感器，在车辆参与感知的时候车载采集终端将传感器采集的感知数据上传到云服务端的处理平台，实现时空连续的数据采集；所述方法包括如下步骤：

步骤1，处理平台初始化感知任务的最大预算支出C_max和候选比率β；

步骤2：在感知时刻，处理平台获得车辆的位置信息矩阵L(V)；

其中，l_n(t_m)表示在感知时刻t_m候选车辆v_n的位置；V＝{v₁,v₂,…,v_n}表示候选车辆集合；m、n均为正整数；

步骤3：将车辆的位置信息归一化处理，然后计算两两车辆间的相关系数，根据得到的相关系数矩阵，利用分簇算法将候选车辆集合V按照候选比率β进行筛选，筛选后的候选车辆集合表示为V′＝β·V；对于集合V中的任意两辆车辆v_i,v_j根据下面公式来计算相关系数r_ij；

其中，m为感知时刻；Δm＝1,2,3,….,m；l_i(t_Δm)表示车辆v_i在感知时刻t_Δm时的位置；l_j(t_Δm)表示车辆v_j在感知时刻t_Δm时的位置；表示车辆v_i在所有感知时刻位置信息的均值；表示车辆v_j在所有感知时刻位置信息的均值；

步骤4：感知设备接收处理平台发布的感知任务后，确定需要感知的内容，根据业务数据流量确定自身期望得到的报酬发送给处理平台；设V′中车辆v_i期望得到的报酬为c_i；

步骤5：处理平台根据车辆历史轨迹数据为车辆各时刻各个路段的感知数据设置权重因子；对车辆v_i在时刻t_j的区域l_i的感知数据的权重因子设置为如下：

其中，为时刻t_j感兴趣区域l_i的拥塞等级；

步骤6：计算V′中车辆v_i的时空感知覆盖度STC(v_i)，如下：

其中，T表示感知时刻的集合；

步骤7：采用分时段雇佣的思想，在同一时刻车辆发生重叠覆盖时，选择感知报酬最小的车辆在该时段参与感知；

计算V′中各车辆的边际收益，选出边际收益最大的车辆；设最优覆盖参与感知的车辆集合为Ω，Ω初始为空；车辆v_i的边际收益E_i计算如下：

Ω′＝Ω∪v_i

其中，STC(Ω)为集合Ω中所有车辆的时空感知覆盖度的并集；

对于集合Ω，计算该集合的时空感知覆盖度STC(Ω)如下：

步骤8：判断若将车辆v_i加入集合Ω后，集合Ω中所有车辆的总的期望报酬和是否大于最大的预算支出C_max，如果是，则不将车辆v_i加入集合Ω，输出当前的集合Ω；否则，将车辆v_i加入集合Ω，并从集合V′中删除，然后继续转步骤7执行。