CN109615851B - 一种在群智感知系统中基于关键路段的感知节点选取方法 - Google Patents

Abstract

本专利公开了一种基于路网关键路段的群智感知系统的感知节点的选取方法，所述方法包括如下步骤：步骤一、构建群智感知系统；步骤二、确定关键路段；步骤三：云平台选择关键路段并下发感知任务；步骤四：云平台基于关键路段选择感知节点。本发明采用群智感知技术对路网的交通状态进行监测，解决了固定检测器安装和维护成本过高的问题。

Description

一种在群智感知系统中基于关键路段的感知节点选取方法

技术领域

本发明涉及智能交通和群智感知技术领域，具体而言是在一种在群智感知系统中基于关键路段进行感知节点选取的方法。

背景技术

中国城市化的进程，使得全国汽车占有量不断增加，路网交通状态随之变得复杂。为了保障数量众多的车辆可以在道路上稳定的行驶，交通管理人员往往需要借助路侧及路面检测设施进行交通参数的提取，以期进行交通状态的准确预测，完成对路面车辆的交通管控和诱导。然而面对不断扩大的路网规模，建设完备的传统道路交通检测系统所需的花费巨大，因此传统检测设备的维护和管理也非常困难。

为了解决这一问题，相关研究机构提出了“基于车辆群智感知系统进行交通状态监测”的方法并进行了简单的试验，试验表明了这一交通检测方法的的可行性。基于车辆群智感知进行交通状态监测，是选取合适的车辆作为感知节点，再通过感知节点对目标区域的交通状态进行监测。试验结果表明，在这种监测模型中，感知节点的选取对感知结果的准确性有着很大的影响。

现有的感知节点选取方法有“基于遗传算法的群智感知服务节点选取机制”和“基于车辆轨迹的群智感知节点选取机制”。基于遗传算法的选取机制，对感知节点的选取是随机的，没有考虑感知个体自身的属性和路网的属性，不适合应用在实际的感知场景中。基于车辆轨迹的选取机制，以车辆的行驶轨迹为选择依据，可以保证在感知车辆选取数目较少的情况下，获得较高的道路覆盖率，并保证感知精度。在该方法中，覆盖道路的选取依据感知车辆的选取，该方法没有考虑到目标区域内各个道路的重要程度，因而没有办法保证目标区域路网中的关键路段可以被覆盖。

发明内容

本发明的目的在于改进车辆群智感知系统中感知节点的选取方法，在选取路网中感知节点——感知车辆的过程中，充分考虑路网中路段的关键程度。为此，本发明提出了一种在车辆群智感知系统中基于关键路段选取感知节点的方法。

为解决上述技术问题，本专利提供的技术方案包括：

一种基于路网关键路段的群智感知系统的感知节点的选取方法，其特征在于，所述方法包括如下步骤：

步骤一、构建群智感知系统

所述群智感知系统包括：云平台和感知节点。所述云平台包括通信模块、数据存储模块和数据计算模块，所述通信模块用于实现与外界的通信，传输数据和指令；所述感知节点包括感知车辆，用于感知具体的交通信息，所述感知车辆搭配有GPS模块、导航模块、车速记录模块、车辆状态实时诊断模块和通信模块；

步骤二、确定关键路段

在目标区域路网使用群智感知系统进行路况监测的前期，云平台获取路网各路段上所有车辆的行驶数据，所有的感知车辆都参与感知，并在规定的时间段内将感知数据上传；然后云平台基于时空相关性的方法，以监测前期获得的数据作为数据集，处理数据得到各时段下各路段的关键度；关键度排序后结果被保存在云平台的存储模块中；

步骤三：云平台选择关键路段并下发感知任务

利用群智感知系统对交通状态进行监测时，云平台根据当前时刻选择相应时间段内目标路网中的关键路段；进而，云平台向路网中所有车辆下发感知任务；车辆接到感知任务后，根据自身的情况决定是否参加，并向云平台进行反馈；决定参加感知任务车辆的集合用V0表示；

步骤四：云平台基于关键路段选择感知节点

云平台对反馈回来的车辆信息进行整合，综合考虑关键路段的属性和车辆的属性选择合适的感知车辆作为感知点，从而确定感知节点选取方案；路段的属性包括但不局限于路段的长度、路段的车道数和路段的出入口位置；车辆的属性包括但不局限于车辆的位置、车辆的导航轨迹和车载各模块的完整性；选择过程包括：

S401云平台对感知节点进行预选择；云平台把所有的感知模块显示状态为1 的车辆从V0中选出，得到集合V1，V1代表愿意参加感知任务且具备正常感知能力的车辆的集合；

S402云平台根据车辆的属性和关键路段的属性的匹配度对感知节点进行深度选择；

首先，将车辆的经纬度与关键路段的地理位置进行匹配，选择位于关键路段上的车辆，这些车辆的集合为V2；按照关键路段的编号，对V1中的车辆进行分类，得到集合Vi，其中i＝路段编号；Vi∩V2＝0，代表编号为i的路段上没有符合条件的车辆；

然后，对于Vi∩V2＝0的关键路段，利用K-means聚类和距离分析法从集合 V3中选择合适的感知车辆，其中V3＝V1-V2；根据车辆的经纬度坐标利用K-means 聚类算法对V3集合中的车辆进行分类，同时记录每一个聚群中心的经纬度坐标；接着利用距离分析法为每一个Vi∩V2＝0的关键路段选择合适的感知车辆，对于每一个Vi∩V2＝0的关键路段，从到其聚群中心距离di最小的车辆群中选择感知车辆；感知车辆群中已经接收感知任务的车辆将被标记，选择感知车辆时从未被标记的车辆中选择，最终被选择的感知车辆的集合为V4。

本发明采用群智感知技术对路网的交通状态进行监测，解决了固定检测器安装和维护成本过高的问题。本发明采用基于路网关键路段的感知节点选取方法，相对于现有的感知节点选取方法，该方法考虑了城市路网中路段重要程度不同的特性，可以更加科学地进行路网感知模型中感知节点的选取。本发明采用基于路网关键路段的感知节点选取方法，可有效减少被选节点的数目，减少系统的运行成本并减轻系统的运行负担。

附图说明

图1是本发明中的群智感知系统的架构示意图；

图2是本发明中的感知节点选取方法流程图。

具体实施方式

下面结合附图对本专利的具体实施方式进行详细说明。需要指出的是该具体实施方式仅仅是对本专利优选技术方案的举例，并不能理解为对本专利保护范围的限制。

本具体实施方式提供了一种基于路网关键路段的群智感知系统的感知节点的选取方法。如图1所示，所示方法包括如下步骤：

步骤一、构建感知系统

在本步骤中首先需要构建用于实施本具体实施方式的方法的感知系统。所述感知系统包括：云平台和感知节点。

所述云平台包括通信模块、数据存储模块和数据计算模块，所述通信模块用于实现与外界的通信，传输数据和指令。在本具体实施方式中，所述通模块主要完成与所述感知节点的通信，通信的内容包括由云平台向感知节点发送的任务查询指令，感知车辆选择指令，以及由感知节点向云平台发送的车辆状态信息、感知数据等。

所述感知节点包括感知车辆，用于感知具体的交通信息，所述感知车辆搭配有GPS模块、导航模块、车速记录模块、车辆状态实时诊断模块和通信模块。所述GPS模块、导航模块、车速记录模块、车辆状态实时诊断模块负责收集以及处理相关的交通信息，所述通信模块负责与云平台的通信模块进行通信。所述感知车辆接收到感知任务后，采集相关的交通参数然后根据云平台的需要将所需的参数和指令上传。

步骤二、确定关键路段

路网中关键路段的确定依据路网中车辆上传的历史数据。假设在目标区域路网使用群智感知技术进行路况监测的前期(3个月)，为了测试设备的成熟度、掌握路网全面的交通状况，云平台将获取路网各路段上所有车辆的行驶数据。为此引入“感知车辆完全参与假设”，即在监测前期，所有的感知车辆都参与感知，并在规定的时间段内将感知数据上传。云平台基于时空相关性的方法，以监测前期获得的数据作为数据集，处理数据得到各时段下各路段的关键度。关键度排序后结果被保存在云平台的存储模块中。

关键路段是指路网中车流量大且对整个路网通行能力起着关键影响作用的路段。关键路段通行能力的大小是决定城市道路交通是否畅通的重要因素之一，实时监测城市路网中关键路段的交通状态可为交通规划、居民出行等提供重要的决策支撑。

步骤三：云平台选择关键路段并下发感知任务。

利用群智感知系统对交通状态进行监测时，云平台根据当前时刻选择相应时间段内目标路网中的关键路段；进而，云平台向路网中所有车辆下发感知任务。车辆接到感知任务后，根据自身的情况决定是否参加，并向云平台进行反馈。

在本步骤中，云平台根据当前时刻所属的时段从存储模块所保存的关键度排序结果中获取所需比例的路段作为关键路段。从关键路段中获取所需要的信息，信息包括路段的名称(Name)、编号(LinkID)、路段的长度(Length)、路段起始点编号(OnID)、路段终点编号(OffID)、路段车道数(Lane-Number(LN))。

选取路段数为100的区域路网进行研究。如表一所示，将一天按照标准划分为四个时间段；分别为早高峰(7：30-10：30)、晚高峰(17：30-20：30)、平峰(10：30-17：30)和全天。在选取关键路段时，系统根据当前时刻所属的时间段来获取总路段中前25％的路段作为关键路段。不同统计时段下路段属性及重要性排序结果如表一所示：

表一不同统计时段下路段属性及重要性排序

获取关键路段后，云平台向区域路网中的所有车辆下发感知任务，决定参加感知任务的车辆将向云平台反馈信息。决定参加感知任务车辆的集合用V0表示。

步骤四：云平台基于关键路段选择感知节点。

云平台基于关键路段选择感知节点。云平台对反馈回来的车辆信息进行整合，综合考虑关键路段的属性和车辆的属性选择合适的感知车辆作为感知点，从而确定感知节点选取方案。路段的属性包括但不局限于路段的长度、路段的车道数和路段的出入口位置；车辆的属性包括但不局限于车辆的位置、车辆的导航轨迹和车载各模块的完整性。

云平台对反馈回来的车辆信息进行整合，从车辆反馈的信息中获取所需的字段，包括车辆的位置Location(Longitude,Latitude)、行驶目的地Destination、导航模块所使用的导航轨迹Navigation-Trail、感知模块的完整性。感知模块功能完整，显示状态为1、反之为0。本实施方式所用到的感知模块包括GPS模块和车速记录模块，当且仅当这两个模块都能正常使用时，感知模块的显示状态为1。

本实施方式中感知节点的选择过程如下：

S401云平台对感知节点进行预选择。

云平台把所有的感知模块显示状态为1的车辆从V0中选出，得到集合V1； V1代表愿意参加感知任务且具备正常感知能力的车辆的集合。

S402云平台根据车辆的属性和关键路段的属性的匹配度对感知节点进行深度选择。

V1集合中的车辆，其属性可表示为{(Longitude,Latitude)，Destination，Navigation-Trail,1}。云平台将车辆的属性与关键路段的属性进行匹配，从而实现感知节点的选择；匹配的过程包括：

(1)车辆的经纬度与关键路段的地理位置进行匹配，选择位于关键路段上的车辆，这些车辆的集合为V2。按照关键路段的编号，对V1中的车辆进行分类，得到集合Vi，其中i＝LinkID。Vi∩V2＝0，代表编号为i的路段上没有符合条件的车辆。

(2)对于Vi∩V2＝0的关键路段，利用K-means聚类和距离分析法从集合 V3中选择合适的感知车辆，其中V3＝V1-V2。具体实现过程为：根据车辆的经纬度坐标利用K-means聚类算法对V3集合中的车辆进行分类，同时记录每一个聚群中心的经纬度坐标。接着利用距离分析法为每一个Vi∩V2＝0的关键路段选择合适的感知车辆。

距离分析法表示如下：

①计算每一个Vi∩V2＝0的关键路段的直线方程。云计算平台可根据关键路段的位置信息对其进行直线拟合，根据选取拟合结果中关键点的经纬度坐标，可计算该路段的直线方程。方程的形式为：

Ax+By+C＝0 (1)

②计算每个聚群中心到每一个Vi∩V2＝0的关键路段的距离。用Pi(x0,y0) 代表某个聚群中心的坐标,Pi到关键路段的距离可用下面的公式计算：

③根据距离di选择每一个Vi∩V2＝0的关键路段的感知车辆群。对于每一个 Vi∩V2＝0的关键路段，根据成本最低的原则选择为其选择感知车辆；即从到其距离di最小的车辆群中选择感知车辆。感知车辆群中已经接收感知任务的车辆将被标记，选择感知车辆时从未被标记的车辆中选择。最终被选择的感知车辆的集合为V4。

S403感知节点选取方案的确定。

匹配的过程完成后，云平台选择集合V2和V4中的车辆作为感知节点，且每个关键路段所匹配的感知节点不同。最终，云平台根据关键路段和感知车辆最终的匹配结果，制定详细的感知节点选取方案。

步骤五、根据感知节点的感知结果确定路网的交通状态。

云平台根据感知节点的选取方案向被选择的感知车辆下发感知任务，得到感知任务的车辆到目的地进行感知。在本具体实施方式中，感知车辆到达自己所匹配的关键路段后根据当前的路况以正常的状态行驶，同时根据感知任务的要求将自己的实时车速上传给云平台。在本具体实施方式中，云平台需要根据感知车辆的车速来感知当前路段的交通状态，从而根据关键路段的交通状态来确定整个路网的交通状态。具体过程如下：

(1)各个关键路段上的感知车辆以2s每次的频率上传自己的车速，感知车辆上传的数据根据关键路段的不同进行分类存储。

(2)云平台根据感知车辆上传的车速获得关键路段的平均行程速度：

用单个车辆的瞬时速度序列进行积分估计单车路段行程速度vj，公式如下：

其中，n表示编号为j的感知汽车在某时间间隔内向云平台上传车速的次数,vi表示车辆的瞬时速度。

根据同一时段内在某一路段上的不同编号车辆的单车路段行程速度计算该路段平均行程速度。公式如下：

其中，v_li表示关键路段的平均行程速度，m为这一路段上感知车辆的数量。

(3)云平台根据关键路段的平均行程速度确定整个路网的交通状态。

计算得到所有关键路段的平均行程速度后，根据关键路段的平均行程速度可得到所有关键路段的交通运行状态。根据路段平均行程速度与路段自由流车速的比值确定路段的拥堵程度。最终根据所有关键路段的拥堵程度来判断整个路网的交通状态，并进行局部路网的交通状态优化指导。

Claims (4)

1.一种基于路网关键路段的群智感知系统的感知节点的选取方法，其特征在于，所述方法包括如下步骤：

步骤一、构建群智感知系统

所述群智感知系统包括：云计算平台和感知节点；所述云计算平台包括通信模块、数据存储模块和数据计算模块，所述通信模块用于实现与外界的通信，传输数据和指令；所述感知节点包括感知车辆，用于感知具体的交通信息，所述感知车辆搭配有GPS模块、导航模块、车速记录模块、车辆状态实时诊断模块和通信模块；

步骤二、确定关键路段

在目标区域路网使用群智感知系统进行路况监测的前期，云计算平台获取路网各路段上所有车辆的行驶数据，所有的感知车辆都参与感知，并在规定的时间段内将感知数据上传；然后云计算平台基于时空相关性的方法，以监测前期获得的数据作为数据集，处理数据得到各时段下各路段的关键度；关键度排序后结果被保存在云计算平台的存储模块中；

步骤三：云计算平台选择关键路段并下发感知任务

利用群智感知系统对交通状态进行监测时，云计算平台根据当前时刻选择相应时间段内目标路网中的关键路段；进而，云计算平台向路网中所有车辆下发感知任务；车辆接到感知任务后，根据自身的情况决定是否参加，并向云计算平台进行反馈；决定参加感知任务车辆的集合用V0表示；

步骤四：云计算平台基于关键路段选择感知节点

云计算平台对反馈回来的车辆信息进行整合，综合考虑关键路段的属性和车辆的属性选择合适的感知车辆作为感知节点，从而确定感知节点选取方案；路段的属性包括路段的长度、路段的车道数和路段的出入口位置；车辆的属性包括车辆的位置、车辆的导航轨迹和车载各模块的完整性；选择过程包括：

S401云计算平台对感知节点进行预选择；云计算平台把所有的感知模块显示状态为1的车辆从V0中选出，得到集合V1，V1代表愿意参加感知任务且具备正常感知能力的车辆的集合；

S402云计算平台根据车辆的属性和关键路段的属性的匹配度对感知节点进行深度选择；

首先，将车辆的经纬度与关键路段的地理位置进行匹配，选择位于关键路段上的车辆，这些车辆的集合为V2；按照关键路段的编号，对V1中的车辆进行分类，得到集合Vs，其中s＝路段编号；Vs∩V2＝0，代表编号为s的路段上没有符合条件的车辆；

然后，对于Vs∩V2＝0的关键路段，利用K-means聚类和距离分析法从集合V3中选择合适的感知车辆，其中V3＝V1-V2；根据车辆的经纬度坐标利用K-means聚类算法对V3集合中的车辆进行分类，同时记录每一个聚群中心的经纬度坐标；接着利用距离分析法为每一个Vs∩V2＝0的关键路段选择合适的感知车辆，对于每一个Vs∩V2＝0的关键路段，从每个聚群中心到关键路段距离ds最小的车辆群中选择感知车辆；感知车辆群中已经接收感知任务的车辆将被标记，选择感知车辆时从未被标记的车辆中选择，最终被选择的感知车辆的集合为V4。

2.根据权利要求1所述的一种基于路网关键路段的群智感知系统的感知节点的选取方法，其特征在于，

距离分析法包括，

①计算每一个Vs∩V2＝0的关键路段的直线方程，云计算平台根据关键路段的位置信息对其进行直线拟合，根据选取拟合结果中关键点的经纬度坐标，计算该路段的直线方程，方程的形式为：

Ax+By+C＝0

②计算每个聚群中心到每一个Vs∩V2＝0的关键路段的距离，用Ps(x0,y0)代表某个聚群中心的坐标,Ps到关键路段的距离可用下面的公式计算：

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括，

步骤五、根据感知节点的感知结果确定路网的交通状态

云计算平台根据感知节点的选取方案向被选择的感知车辆下发感知任务，得到感知任务的车辆到目的地进行感知，感知车辆到达自己所匹配的关键路段后根据当前的路况以正常的状态行驶，同时根据感知任务的要求将自己的实时车速上传给云计算平台；云计算平台需要根据感知车辆的车速来感知当前路段的交通状态，从而根据关键路段的交通状态来确定整个路网的交通状态。

4.根据权利要求3所述的方法，其特征在于，所述步骤五包括，

S501各个关键路段上的感知车辆以2s每次的频率上传自己的车速，感知车辆上传的数据根据关键路段的不同进行分类存储；

S502云计算平台根据感知车辆上传的车速获得关键路段的平均行程速度；用单个车辆的瞬时速度序列进行积分估计单车路段行程速度vj，公式为：

其中，n表示编号为j的感知车辆在某时间间隔内向云计算平台上传车速的次数,vi表示车辆的瞬时速度；根据同一时段内在某一路段上的不同编号车辆的单车路段行程速度计算该路段平均行程速度，公式为：

其中，v_li表示关键路段的平均行程速度，m为这一路段上感知车辆的数量；

S503云计算平台根据关键路段的平均行程速度确定整个路网的交通状态；

计算得到所有关键路段的平均行程速度后，根据关键路段的平均行程速度可得到所有关键路段的交通运行状态；根据每一个关键路段平均行程速度与关键路段自由流车速的比值确定每一个关键路段的拥堵程度；最终根据所有关键路段的拥堵程度来判断整个路网的交通状态。

Images