CN109743708B - 一种基于车流密度的车联网数据采集方法 - Google Patents
一种基于车流密度的车联网数据采集方法 Download PDFInfo
- Publication number
- CN109743708B CN109743708B CN201811316524.6A CN201811316524A CN109743708B CN 109743708 B CN109743708 B CN 109743708B CN 201811316524 A CN201811316524 A CN 201811316524A CN 109743708 B CN109743708 B CN 109743708B
- Authority
- CN
- China
- Prior art keywords
- cluster
- phi
- node
- measurement matrix
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明主要讲的是一种基于车流密度的车联网数据采集方法,其主要内容为:首先,根据RSU发出的挑选簇头并完成簇的组建,然后,用压缩感知的方法进行数据收集。其中要求通过多次迭代,来重新优化测量矩阵以及收集更多的信息。本发明通过优化压缩感知中的测量矩阵加速了车联网中的数据采集,具有广泛的适应性。
Description
技术领域
本发明提出一种利用压缩感知技术在车联网中进行数据采集的方法,属于信号处理领域。
背景技术
目前,车联网技术飞速发展,车联网中许多应用需要实时收集、存储、处理和分发大量感知信息。但是由于车辆的高速移动性、节点规模广、网络拓扑结构变化快等特点,在车联网中进行数据采集变得十分困难。压缩感知作为一种新兴的数据采集技术,具有采集速率极低,可以直接感知有用信息的优点。本发明将压缩感知技术应用于车联网,利用车联网中的数据的极大的空间相关性,在车联网中进行数据采集。
目前,利用压缩感知在无线传感网络中进行数据采集主要是将测量矩阵分布到网络中的各个节点。已有文献证明,利用稀疏随机测量矩阵能够很好地适用于无线传感网,由于矩阵中大多数元素为零,利用传感网中多数节点具有空间相关性,极大减少了单次测量的网络传输代价。
发明内容
综上所述,提出了一种基于车流密度的车联网数据收集方法,具体步骤如下:
步骤一、进行簇的组建:
1、RSU发布请求消息,并且计算、广播分簇范围R:
其中μ(0<μ<1)为数据相关程度阈值,ρ为道路车流密度,α(α>0)为权衡系数。
2、节点计算以R为半径的圆范围内节点的数目,节点数目最多为簇头,若节点间计算节点数一样多且距离小于R,则计算范围R内到各节点间的平均距离|RD|,|RD|最小者为簇头。
3、其他节点选择最近的簇头组建簇,簇头广播自身信息。
步骤二、进行数据的采集;
1、RSU为每个节点分配不同的ID,广播并保存。
2、RSU计算稀疏随机测量矩阵Φ的稀疏度S:
s=βρ(1<s<3),
其中β为稀疏度s与车流密度ρ的正相关系数;将稀疏度S作为随机种子广播至簇头节点,簇头节点广播至簇内节点。
3、簇内节点nj收到簇头信息后,根据稀疏随机测量矩阵Φ的稀疏度S与自身ID结合,随机生成测量矩阵Φ的第j列Φj:
4、簇内节点nj收集信息,判断Φij,如果Φij不为零,则发送节点信息Φij·Xj至簇头节点,否则不发送。
6、RSU根据随机种子S以及节点的ID重新生成测量矩阵,由测量矩阵以及收集的数据Y恢复出感知信息。
7、RSU更新道路车流密度ρ以及稀疏随机测量矩阵Φ的稀疏度S。
综上所述,本发明优点如下:
1)将压缩感知技术运用到车联网中,能够更快、更准确的对车流密度数据进行采集;
2)提出了一种压缩感知中追踪缩减补偿机制测量矩阵的构造方法,优化了随机测量矩阵,具有广泛的适应性。
附图说明
图1是本发明的流程图;
图2是本发明中以簇头为中心组建簇的示意图。
具体实施方法
本发明设计了一种基于车流密度的车联网数据收集方法,结合图1,数据收集的具体实施方法如下:
步骤一、进行簇的组建:
1、RSU发布请求消息,并且计算、广播分簇范围R:
其中μ(0<μ<1)为数据相关程度阈值,ρ为道路车流密度,α(α>0)为权衡系数。
2、节点计算以R为半径的圆范围内节点的数目,节点数目最多为簇头,若节点间计算节点数一样多且距离小于R,则计算范围R内到各节点间的平均距离|RD|,|RD|最小者为簇头。
3、其他节点选择最近的簇头组建簇,簇头广播自身信息。
步骤二、进行数据的采集;
1、RSU为每个节点分配不同的ID,广播并保存。
2、RSU计算稀疏随机测量矩阵Φ的稀疏度S:
s=βρ(1<s<3) (2)
其中β为稀疏度s与车流密度ρ的正相关系数;将稀疏度S作为随机种子广播至簇头节点,簇头节点广播至簇内节点。
4、簇内节点nj收到簇头信息后,根据稀疏随机测量矩阵Φ的稀疏度S与自身ID结合,随机生成测量矩阵Φ的第j列Φj:
4、簇内节点nj收集信息,判断Φij,如果Φij不为零,则发送节点信息Φij·Xj至簇头节点,否则不发送。
5、簇头节点收集信息Y=[y1,y2,...yM]T,其中:
收集信息之后将数据发送至RSU。
6、RSU根据随机种子S以及节点的ID重新生成测量矩阵,由测量矩阵以及收集的数据Y恢复出感知信息。
7、RSU更新道路车流密度ρ以及稀疏随机测量矩阵Φ的稀疏度S。
Claims (1)
1.基于车流密度的车联网数据收集方法,其特征在于将压缩感知技术用于采集车联网中的数据,通过优化随机测量矩阵,更准确且快速的收集数据,至少还包括以下步骤,
步骤一、进行簇的组建:
1)RSU发布请求消息,并且计算、广播分簇范围R,
2)确定以R为半径的圆范围内的簇头,
3)组建簇,簇头广播信息;
步骤二、进行数据的采集:
1)RSU为每个节点分配不同的ID,广播并保存,
2)计算稀疏随机测量矩阵Φ的稀疏度s,
3)簇内节点nj收到簇头信息后,根据稀疏随机测量矩阵Φ的稀疏度s与自身ID结合,随机生成测量矩阵Φ的第j列Φj,
4)簇内节点nj收集信息,判断Φij,根据Φij的值发送节点,
5)簇头节点收集信息Y,将数据发送至RSU,
6)RSU重新生成测量矩阵,恢复感知信息,
7)RSU更新道路车流密度ρ以及稀疏随机测量矩阵Φ的稀疏度s;
具体步骤包括:
步骤一、进行簇的组建:
1)计算分簇范围R:
其中μ(0<μ<1)为数据相关程度阈值,ρ为道路车流密度,α(α>0)为权衡系数,
2)确定以R为半径的圆范围内节点的数目,节点数目最多为簇头,若节点间计算节点数一样多且距离小于R,则计算范围R内到各节点间的平均距离|RD|,|RD|最小者为簇头,
3)其他节点选择最近的簇头组建簇,簇头广播自身信息;
步骤二、进行数据的采集:
1)RSU为每个节点分配不同的ID,广播并保存,
2)计算稀疏随机测量矩阵Φ的稀疏度s:
s=βρ(1<s<3),
其中β为稀疏度s与车流密度ρ的正相关系数;将稀疏度s作为随机种子广播至簇头节点,簇头节点广播至簇内节点:
3)随机生成测量矩阵Φ的第j列Φj:
4)簇内节点nj收集信息,判断Φij,如果Φij不为零,则发送节点信息Φij·Xj至簇头节点,否则不发送,
5)簇头节点收集信息Y=[y1,y2,...yM]T:
收集信息后将数据发送至RSU,
6)RSU根据随机种子s以及节点的ID重新生成测量矩阵,由测量矩阵以及收集的数据Y恢复出感知信息,
7)RSU更新道路车流密度ρ以及稀疏随机测量矩阵Φ的稀疏度s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316524.6A CN109743708B (zh) | 2018-11-07 | 2018-11-07 | 一种基于车流密度的车联网数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316524.6A CN109743708B (zh) | 2018-11-07 | 2018-11-07 | 一种基于车流密度的车联网数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109743708A CN109743708A (zh) | 2019-05-10 |
CN109743708B true CN109743708B (zh) | 2022-03-18 |
Family
ID=66355520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316524.6A Active CN109743708B (zh) | 2018-11-07 | 2018-11-07 | 一种基于车流密度的车联网数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109743708B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN105007599A (zh) * | 2015-07-01 | 2015-10-28 | 湘潭大学 | 一种基于连通度分簇的数据压缩收集方法 |
CN105120469A (zh) * | 2015-07-06 | 2015-12-02 | 湘潭大学 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
CN107071800A (zh) * | 2017-03-01 | 2017-08-18 | 北京邮电大学 | 一种分簇无线传感器网络数据收集方法及装置 |
WO2018098748A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳天珑无线科技有限公司 | 分布式网络的通信方法、节点及系统 |
-
2018
- 2018-11-07 CN CN201811316524.6A patent/CN109743708B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN105007599A (zh) * | 2015-07-01 | 2015-10-28 | 湘潭大学 | 一种基于连通度分簇的数据压缩收集方法 |
CN105120469A (zh) * | 2015-07-06 | 2015-12-02 | 湘潭大学 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
WO2018098748A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳天珑无线科技有限公司 | 分布式网络的通信方法、节点及系统 |
CN107071800A (zh) * | 2017-03-01 | 2017-08-18 | 北京邮电大学 | 一种分簇无线传感器网络数据收集方法及装置 |
Non-Patent Citations (2)
Title |
---|
压缩感知的能量异构WSN分簇路由协议;蒋文贤;《传感技术学报》;20130615(第06期);全文 * |
基于混合压缩感知的分簇式网络数据收集方法;李哲涛;《计算机研究与发展》;20170315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109743708A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A compressive sensing approach to urban traffic estimation with probe vehicles | |
US20190156161A1 (en) | System and Method for Generating a Map From Activity Data | |
WO2019007111A1 (zh) | 一种公路异常事件的判断方法 | |
CN108983599B (zh) | 一种车联网下多参数融合的自适应监控方法 | |
CN105792110A (zh) | 一种多数据来源的数据融合、智能搜索的处理方法 | |
CN109117856B (zh) | 基于智能边缘云的人及物追踪方法、装置及系统 | |
CN110969142B (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
WO2018122817A1 (zh) | 一种使用wi-fi探针检测公共场所人流量的方法 | |
CN113033957B (zh) | 一种多模式降水预报及实时动态检验评估系统 | |
CN102521981A (zh) | 一种基于消息中间件的交通态势计算方法 | |
CN117390378B (zh) | 一种双碳平台数据智能管理方法及系统 | |
CN105355047A (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
Xu | The analytics and applications on supporting big data framework in wireless surveillance networks | |
CN109743708B (zh) | 一种基于车流密度的车联网数据采集方法 | |
Wei et al. | Detecting latest local events from geotagged tweet streams | |
CN103646541A (zh) | 一种基于Hadoop的车辆拥挤度获取方法 | |
US20160188631A1 (en) | Locating call measurement data | |
CN110516923B (zh) | 一种车联网信息综合评价方法 | |
CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
CN106603197B (zh) | 一种基于压缩网络编码的高能效无线传感网数据传输方法 | |
CN105260714A (zh) | 一种可见光遥感图像信息提取性能变化检测方法 | |
CN111131999B (zh) | 一种基于位置轨迹预测目的地的方法及装置 | |
CN109520474B (zh) | 一种不良地质体稳定性监测系统及方法 | |
CN118035308A (zh) | 车联网数据存储方法与交通量化指标分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |