CN112738728A - 大范围城市路网下基于时空可信度的群智感知节点选择方法 - Google Patents

Abstract

本发明提供一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，通过优化有限资源下感知节点的选择来提高大范围城市路网环境中感知任务的服务质量。包括如下步骤：步骤一：构建大范围城市路网群智感知系统；步骤二：计算车辆时空可信度；步骤三：根据车辆节点的轨迹信息与时空可信度，计算每个节点的覆盖面积；步骤四：基于时空可信度选择车辆感知节点。本发明中所提出的节点时空可信度，综合考虑大范围城市路网中车辆节点的历史信誉和时空特性，可有效提升感知节点的质量，在有限的路网资源内获得更大的感知覆盖范围和更高的数据准确性。

Description

大范围城市路网下基于时空可信度的群智感知节点选择方法

技术领域

本发明涉及群智感知和智能交通技术领域，具体涉及一种大范围城市路网下基于时空可信度的群智感知节点选择方法。

背景技术

由于具有维护容易、部署成本低、可扩展性强的优势，移动群智感知已成为目前应用最为广泛的感知方式之一。而对于大范围城市路网下的感知，因为面向对象的不同和交通系统中感知任务的特有性质，与普通群智感知相比具有明显的差异。

大范围城市路网下的群智感知，要求的感知节点为车辆，感知区域为路段。与其他移动设备相比，车辆有更强的移动性，完成感知任务时可以快速到达所要求的位置采集数据，易获得更大的感知覆盖范围与更高的数据准确性。其次，由于城市交通的限制性，车辆移动的约束较大，只能按照特定的道路网络进行移动，导致其轨迹的规律性和可预测性很强，便于路网平台合理分配感知任务。另外，车辆中可安装多个传感器、无线通信及数据储存设备，不会受到严格的能源约束，进一步增强了进行大范围路网感知活动的便利性。且相较于传统的交通监测手段，如在交叉口和关键路段设置摄像头、感应线圈等，大范围城市路网下的群智感知覆盖区域更加完整，使交通感知到信息服务的过程更加敏捷与实时。

但在大范围城市路网群智感知中，平台的路网招募成本、计算能力、通信能力都是有限的，使得路网平台选择的车辆数目受到限制。同时在大范围道路网络中，车辆密度具有时空分布不均的特性，这会造成感知数据过载上传和感知数据缺失的情况，将严重影响感知质量，降低系统的感知精度。通过优化感知节点选择可以优化感知节点在路网中分布，从而提升整个系统的服务质量，因此优化感知节点选择的方法十分关键且必要。

而在现有技术中，大多没有关注大范围城市路网下的感知节点选择问题，有提出一些对于道路交通系统中节点选择的方案，但仍然存在缺陷。部分技术考虑了城市环境中的车辆属性，但并未考虑路段的特征和路网的拓扑结构。且大多技术对感知节点的选取较为单一，基本只会考虑节点位置或节点历史信誉某一因素，而没有关注城市环境中大范围路网下车辆具有的时空特性。因此，现有的节点选择方法对于评估大范围城市路网下的群智感知任务是不适用且不准确的。

发明内容

根据现有技术缺陷，本发明充分利用城市路网系统中车辆感知的特点和优势，提供一种大范围城市路网下基于时空可信度的群智感知节点选择方案，其目的是为了获得更大的感知覆盖范围和更高的数据准确性。

本发明技术提供一种大范围城市路网下基于时空可信度的群智感知节点选择方法，包括以下步骤：步骤一、计算车辆时空可信度，根据车辆节点的信誉度初值、在之前任务中的表现参数，以及本次任务中车辆的位置轨迹和预计提交感知数据时间参数，确定当前评估车辆节点的时空可信度；步骤二、根据车辆节点的轨迹信息与时空可信度，计算所有车辆节点的覆盖面积；其中，首先计算模块根据每个车辆的轨迹信息，计算每个车辆节点的感知覆盖范围和所有车辆节点执行感知任务的有效覆盖效用值；所述有效覆盖效用值为由感知节点覆盖的面积与目标区域面积之比；当车辆的覆盖路段有重叠部分时，将重叠部分视为时空可信度较高的车辆节点的覆盖范围；步骤三、根据路网总资源与每个车辆所消耗的资源，向当前可参与感知的车辆节点中时空可信度最高的发送感知请求，若车辆节点接受感知任务，则按时空可信度递减的顺序依次向其发送感知请求，直至路网资源不足。

优选地，车辆时空可信度包含车辆节点基础信誉、时间折扣函数、地点折扣函数；其中，车辆节点的基础信誉

a是历史感知成功任务数量a和历史感知失败任务数量b；车辆节点提交感知数据的时间折扣函数δ_ti＝1-max[0，min[log_et-st(t_i-st)，1]]，其中，et大范围城市路网感知任务开始时间，st为感知任务结束时间，t_i为车辆节点提交感知数据的时间。车辆节点提交感知数据的地点折扣函数δ_si＝1-max[0，min[log_R(D_i)，1]]，其中，R为感知区域半径、R>1，D为车辆位置距离感知任务间的直线距离。

优选地，将城市道路网格化为m个大小一致的网格，单个网格用g_j表示，目标感知区域中所有网格集合为G＝{g_j|j＝1，2，…，m}。f(g_j)＝1表示网格j在大范围城市路网感知任务时间内被车辆感知节点覆盖和感知；f(g_j)＝0，表示网格j在感知任务时间内未被任何感知节点覆盖到；路网效用由感知节点覆盖的网格数量之和与目标区域所有网格数量之比表示，即感知覆盖率

优选地，所述步骤三包括：S301设定存放选中感知服务节点的数组W[]，以及存放车辆节点时空可信度之和的数组Q[]，其数组长度都为E；S302：在路网资源e＝1到e＝E的不同情况下，寻找最大化时空可信度的各感知节点集合；被选中的车辆节点编号存放在数组W中，其索引值即为当前所选感知节点集合所需网络资源。例如，W[10]为路网资源e＝10时所选择的感知节点集合。算法e＝1到e＝E每种情形下遍历所有感知节点集合，直到遍历完所有网格。若Q[e+i]<Q[e]+RU(wi)，表示当前保存在Q[e+i]中的时空可信度的值小于Q[e]+RU(wi)的值，后者将前者替换存入数组R，同时相应选取的感知节点集合也进行更新，W[e+i]＝W[e]+wi；S303：遍历结束后，返回存放在数组W[E]中的选中感知节点集合，以及存放在数组Q[E]中总的时空可信度值。

优选地，所述方法采用如下系统来实现，所述系统包括大范围城市路网群智感知平台和车辆感知节点；其中，大范围城市路网群智感知平台包括通信模块、任务发布模块、云计算模块和车辆节点选择模块，车辆感知节点包括车辆状态上报模块和车辆数据采集模块；所述通信模块用于大范围城市路网群智感知系统内各种指令和数据的传输；所述车辆感知节点即为道路中可能参与感知的车辆，其中，车辆状态上报模块和车辆数据采集模块都与车辆中安装的各种传感器模块相关联，通过所述传感器进行车辆位置状态上传、感知数据的采集及上报。

本发明的上述方案至少有如下的有益效果：

1.在大范围城市路网感知系统的计算能力、通信能力、招募成本有限的情况下，选择合适数量的车辆感知节点，降低系统预算。

2.将车辆节点对路网的有效覆盖视为第一决策目标，对标大范围路网环境中绝大多数以感知覆盖面积为首要目标的感知任务。

3.降低由于大范围城市道路网络中车辆密度分布不均，造成感知数据过载上传和感知数据缺失的风险。

本发明方案综合考虑车辆节点的历史信誉和时空特性，基于车辆的时空可信度进行感知节点的选择，以在大范围城市路网环境下的群智感知任务中获得最大的感知效用值，也就是最大的有效感知覆盖面积。通过仿真，在路网资源有限的情况下，提高了大范围城市路网平台的效用，降低了感知数据的无效率与错误率，减少了低质量车辆节点参与感知的次数。仿真结果表明，该算法可使大范围城市路网感知平台获得更好的感知效用，提高感知效率。

附图说明

图1为本发明方法中大范围城市路网环境下群智感知系统的结构示意图；

图2为本发明方法的流程示意图；

图3为本发明方法与其他两种感知节点选择方法的有效感知覆盖率随路网资源变化示意图；

图4为本发明方法覆盖的路网区域示意图；

图5本发明方法与其他两种感知节点选择方法选取的车辆感知节点数量对比示意图。

具体实施方式

以下结合附图和实施例对本发明技术方案进行具体的说明。

如图1所示，本发明提供一种大范围城市路网环境下基于时空可信度的感知节点选择方法，包括如下步骤：

S1：构建大范围城市路网群智感知系统：

大范围城市路网群智感知系统主要包括大范围城市路网群智感知平台和车辆感知节点。其中，大范围城市路网群智感知平台包括通信模块、任务发布模块、云计算模块、车辆节点选择模块，车辆感知节点包括车辆状态上报模块和车辆数据采集模块。所述通信模块用于大范围城市路网群智感知系统内各种指令和数据的传输；所述车辆感知节点即为道路中可能参与感知的车辆，其中，车辆状态上报模块和车辆数据采集模块都与车辆中安装的各种传感器模块相关联，如GPS、激光雷达、车载导航模块、车载通信模块、车载诊断模块等，通过各种传感器进行车辆位置状态上传、感知数据的采集及上报等。

S2：计算车辆时空可信度：

大范围城市路网群智感知平台的任务发布模块发布新的感知任务后，车辆节点将自身状态上传至云平台。平台根据车辆节点的信誉度初值和在之前任务中的表现，以及本次任务中车辆的位置轨迹和预计提交感知数据时间，重新评估车辆节点的时空可信度。

时空可信度是对车辆节点历史信誉、所处位置、数据提交时间的综合评定。由于传感器误差、车辆感知水平、对感知要求的理解差异等因素，都会导致收集到的数据质量参差不齐。若随意采纳车辆提交的数据，可能出现数据质量较低或数据完全无效的情况，这会在很大程度上打击任务发布者的积极性，甚至使其退出感知系统。也就是说，车辆节点的时空可信度越高，感知数据的质量就越高。车辆i的时空可信度RU_i表示为：

RU_i＝r_i×δ_ti×δ_si

其中，r_i为车辆i的基础信誉，δ_ti和δ_si分别为考虑时间因素和地点因素的折扣函数。

基础信誉：基础信誉用来记录车辆节点的历史感知情况，可避免感知数据的误用和滥用，并在一定程度上保护系统不受感知水平低下或其他恶意行为得到的感知数据的损坏。定义车辆节点的基础信誉范围为0到1，对于初次进行感知活动的车辆，其基础信誉为0.5。用r_i表示车辆i的基础信誉，即0≤r_i≤1。为了通过历史感知情况来描述车辆基础信誉，将历史感知任务结果量化为“感知成功”和“感知失败”。对于不同类型的感知任务，“感知成功”表示“感知数据在要求范围之内”或“感知结果与绝大多数节点一致”，用S_i表示；“感知失败”表示“感知数据不在要求范围之内”或“感知结果与绝大多数节点不一致”，用F_i表示。

因此，车辆i基础信誉为：

时间因子：车辆感知节点提交数据的时间越早，感知平台收集到足够数量和质量感知数据的速度越快，采用时间因子δ_t作为车辆可信度的折扣函数：

δ_ti＝1-max[0，min[log_et-st(t_i-st)，1]]

其中，et感知任务开始时间，st为感知任务结束时间，t_i为车辆节点提交感知数据的时间。

地点因子：当车辆节点距离感知任务越近时，其采集到高质量数据的可能性越高，反之，距感知任务越远，采集到高质量数据的可能性越低。采用地点因子δ_s作为车辆可信度的折扣函数。

δ_si＝1-max[0，min[log_R(D_i)，1]]

其中，R为感知任务区域半径(R>1)，D为车辆位置距离感知任务间的直线距离。

S3：根据车辆节点的轨迹信息与时空可信度，计算每个节点的覆盖面积：

云计算模块根据每个车辆的轨迹信息，计算每个车辆节点的感知覆盖范围，若车辆的覆盖路段有重叠部分，则将重叠部分视为时空可信度较高的车辆节点的覆盖范围。

对于大部分城市路网环境下的感知任务，如何获得最大的感知覆盖面积是感知任务所要解决的第一目标，例如道路路面质量普查、城市空气污染指数、交通实时路况等。为了将路网范围细化，先将整个路网区域划分为m个大小一致的小网格，每个网格对应大小为D×D平方米的子区域，单个网格用g_j表示，目标感知区域中所有网格集合为G＝{g_j|j＝1，2，…，m}，那么位于网格g_j的节点x_i表示为

根据车辆所上报的轨迹信息，将其转化为对网格g_j的覆盖情况，单个网格的覆盖范围为：

其中，f(g_j)表示g_j的覆盖范围，f(g_j)＝1表示网格j在感知任务时间内被感知节点覆盖和感知，否则，f(g_j)＝0。

由于感知的目标是使感知覆盖面积尽可能大，所以车辆节点所覆盖的面积越大，对大范围城市路网群智感知平台的效用也越高。用有效覆盖率C表征感知节点对本次任务的覆盖效用值，即路网感知效用由感知节点覆盖的网格数量之和与目标区域所有网格数量之比表示：

其中，m为感知任务范围内的网格总数。

S4：基于时空可信度选择车辆感知节点：

车辆节点选择模块根据路网总资源与每个车辆所消耗的资源，向当前可参与感知的车辆节点中时空可信度最高的发送感知请求，若车辆节点接受感知任务，则按时空可信度递减的顺序依次向其发送感知请求，直至路网资源不足。车辆节点确认接受本次感知任务后，向大范围城市路网感知平台发送确认信息，准备开始进行感知数据的采集。依据车辆时空可信度在大范围城市路网环境中选择进行感知活动节点的流程如下：

S401：初始化存放选中感知服务节点的数组W[]，以及存放车辆节点时空可信度之和的数组Q[]，其数组长度都为E；

S4：基于时空可信度选择车辆感知节点：

车辆节点选择模块根据路网总资源与每个车辆所消耗的资源，向当前可参与感知的车辆节点中时空可信度最高的发送感知请求，若车辆节点接受感知任务，则按时空可信度递减的顺序依次向其发送感知请求，直至路网资源不足。车辆节点确认接受本次感知任务后，向大范围城市路网感知平台发送确认信息，准备开始进行感知数据的采集。依据车辆时空可信度在大范围城市路网环境中选择进行感知活动节点的流程如下：

S401：初始化存放选中感知服务节点的数组W[]，以及存放车辆节点时空可信度之和的数组Q[]，其数组长度都为E；

S402：算法基本思想是在路网资源e＝1到e＝E的不同情况下，寻找最大化时空可信度的各感知节点集合。被选中的车辆节点编号存放在数组W中，其索引值即为当前所选感知节点集合所需网络资源。例如，W[10]为路网资源e＝10时所选择的感知节点集合。算法e＝1到e＝E每种情形下遍历所有感知节点集合。ei为备选节点i所消耗的资源。若Q[e+ei]<Q[e]+RU(i)，表示当前保存在Q[e+ei]中的时空可信度的值小于Q[e]+RU(i)的值，后者将前者替换存入数组R，同时相应选取的感知节点集合也进行更新，W[e+ei]＝W[e]+i；

S403：遍历结束后，返回存放在数组W[E]中的选中感知节点集合，以及存放在数组Q[E]中总的时空可信度值。

核心算法如下所示：

表1算法伪代码

如图2所示，上述方法可以归纳成如下过程：首先向大范围城市路网的目标感知区域内所有车辆发送首次感知请求，若车辆接受请求则授权平台获取自己的位置轨迹；否则拒绝本次感知请求。大范围城市路网平台收到参与本次感知的车辆信息后，将目标感知区域进行网格化，根据车辆的轨迹信息，记录每个车辆对道路网格的覆盖情况。若参与本次感知的车辆为首次进行感知任务，则平台默认其基础信誉值为0.5，然后计算其时空可信度；否则根据车辆之前完成的感知任务情况直接计算其参与本次感知的时空可信度。接着将所有接受本次感知任务的车辆按照时空可信度进行降序排列，在满足路网资源的情况下选择时空可信度高的车辆，并向他们发送第二次感知请求(进入时空可信度计算队列的车辆已接受过首次感知请求，感知确认是排除车辆临时毁约或发生突发事件等情况)。车辆若接受平台发送的第二次感知请求，则开始执行感知任务，并按照任务要求将感知数据上报；否则拒绝。平台根据第二次感知请求的接受情况确定参与本次感知任务的服务节点(即接受二次感知请求的车辆)后，接收服务节点上报的感知数据并计算本次感知的效用值，同时记录车辆对本次感知任务的完成情况。对于完整参与本次感知过程且感知成功的车辆，增加其基础信誉；对于接受了首次感知请求但拒绝了二次感知请求的车辆，以及本次感知失败的车辆，减少其基础信誉，便于下一次对其时空可信度的评估。

将实施例中的发明方法称为STC(the node selection method based onSpatio-Temporal Credibility)，并与其他两种传统的感知节点选择方案(随机选择算法(RS)和基于轨迹的选择方法(TBR))进行仿真对比实验。RS中所有备选节点都有相同的几率被选中进行感知活动，直到路网资源用尽；TBR通过应用最小覆盖贪婪算法，选择最少数量的车辆使其轨迹覆盖最大的感知区域。具体结果如下：

图3反映了随着路网资源的增加，各选择方案的感知结果变化情况。可以看到随着网络资源的增加，三种方案对路网的覆盖率都在增长。且STC的覆盖程度始终高于RS和TBR，且远超RS，只有在路网资源在400-500时TBR的覆盖率略微超过本发明方法。造成这种结果的原因为本发明方法引入车辆信誉与其进行感知时的时空特性相结合的方法，并且能在每一次任务结束后，对车辆节点的信誉重新评估，那随着大范围城市路网平台发布感知任务数量次数的增加，选取高质量车辆节点进行感知的可能性更大，进而能够显著提升感知数据的质量与感知效率。而对于另外两种方法，RS对大范围城市路网中的备选节点随机选择，选中的节点质量参差不齐；TBR较为注重车辆轨迹对于感知区域的覆盖，因此其路网覆盖率也相对较高，但因为它仅考虑车辆轨迹一个方面，总体表现仍不如本发明方法。

为了更直观地观察本发明方法在感知过程中对于感知区域的覆盖情况，在网格化的道路中将其描绘出来。如图4所示，浅色部分为实验区域的道路，深色部分是在不同的路网资源E下，选择的感知节点有效覆盖轨迹所经过的区域，图中B为有效覆盖区域包含的网格数量。可以发现，当路网资源E＝400时，大范围城市路网的感知区域基本完全被深色覆盖(此时感知覆盖率为79.2％)，说明本发明方法选择的感知节点能够覆盖大范围城市路网的大多数路段。

图5为本发明方法与其他两种节点选择方案在不同路网资源下所选择感知节点的数量对比情况。由以上分析得知，每种方案的感知效用都与路网资源成正比，而随着路网资源的增长，三种方案能够选择的节点数量也越来越多，表明在需要达到同样路网感知效用的要求下，所需感知节点数量越少，节点选择方法的性能就越优。从图5可以看到，相同网络资源下，本发明方法选择的节点数量最少，TBR次之，RS最多，表明本发明方法可通过选择数量最少的感知节点来节约网络资源，并实现较高的系统感知质量。

Claims (5)

1.一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，其特征在于，所述方法包括如下步骤

步骤一、计算车辆时空可信度，根据车辆节点的信誉度初值、在之前任务中的表现参数，以及本次任务中车辆的位置轨迹和预计提交感知数据时间参数，确定当前评估车辆节点的时空可信度；

步骤二、根据车辆节点的轨迹信息与时空可信度，计算所有车辆节点的覆盖面积；其中，首先计算模块根据每个车辆的轨迹信息，计算每个车辆节点的感知覆盖范围和所有车辆节点执行感知任务的有效覆盖效用值；所述有效覆盖效用值为由感知节点覆盖的面积与目标区域面积之比；当车辆的覆盖路段有重叠部分时，将重叠部分视为时空可信度较高的车辆节点的覆盖范围；

步骤三、根据路网总资源与每个车辆所消耗的资源，向当前可参与感知的车辆节点中时空可信度最高的发送感知请求，若车辆节点接受感知任务，则按时空可信度递减的顺序依次向其发送感知请求，直至路网资源不足。

2.根据权利要求1所述的一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，其特征在于，

车辆时空可信度包含车辆节点基础信誉、时间折扣函数、地点折扣函数；其中，车辆节点的基础信誉

a是历史感知成功任务数量a和历史感知失败任务数量b；车辆节点提交感知数据的时间折扣函数δ_ti＝1-max[0，min[log_et-st(t_i-st)，1]]，其中，et大范围城市路网感知任务开始时间，st为感知任务结束时间，t_i为车辆节点提交感知数据的时间。车辆节点提交感知数据的地点折扣函数δ_si＝1-max[0，min[log_R(D_i)，1]]，其中，R为感知区域半径、R>1，D为车辆位置距离感知任务间的直线距离。

3.根据权利要求1所述的一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，其特征在于，将城市道路网格化为m个大小一致的网格，单个网格用g_j表示，目标感知区域中所有网格集合为G＝{g_j|j＝1，2，…，m}。f(g_j)＝1表示网格j在大范围城市路网感知任务时间内被车辆感知节点覆盖和感知；f(g_j)＝0，表示网格j在感知任务时间内未被任何感知节点覆盖到；路网效用由感知节点覆盖的网格数量之和与目标区域所有网格数量之比表示，即感知覆盖率

4.根据权利要求1所述的一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，其特征在于，所述步骤三包括：

S301设定存放选中感知服务节点的数组W[]，以及存放车辆节点时空可信度之和的数组Q[]，其数组长度都为E；

S302：在路网资源e＝1到e＝E的不同情况下，寻找最大化时空可信度的各感知节点集合；其中，被选中的车辆节点编号存放在数组W中，其索引值RU即为当前所选感知节点集合所需网络资源，e＝1到e＝E每种情形下遍历所有感知节点集合；遍历过程中，ei为备选节点i所消耗的资源，若Q[e+ei]<Q[e]+RU(i)，表示当前保存在Q[e+ei]中的时空可信度的值小于Q[e]+RU(i)的值，后者将前者替换存入数组R，同时相应选取的感知节点集合也进行更新，W[e+ei]＝W[e]+i直到遍历完所有网格；

S303：遍历结束后，返回存放在数组W[E]中的选中感知节点集合，以及存放在数组Q[E]中总的时空可信度值。

5.根据权利要求1所述的一种大范围城市路网环境下基于时空可信度的群智感知节点选择方法，其特征在于，所述方法采用如下系统来实现，所述系统包括大范围城市路网群智感知平台和车辆感知节点；其中，大范围城市路网群智感知平台包括通信模块、任务发布模块、云计算模块和车辆节点选择模块，车辆感知节点包括车辆状态上报模块和车辆数据采集模块；所述通信模块用于大范围城市路网群智感知系统内各种指令和数据的传输；所述车辆感知节点即为道路中可能参与感知的车辆，其中，车辆状态上报模块和车辆数据采集模块都与车辆中安装的各种传感器模块相关联，通过所述传感器进行车辆位置状态上传、感知数据的采集及上报。

Images