CN116612641B - 基于智能网联的车辆队列控制数据处理方法 - Google Patents
基于智能网联的车辆队列控制数据处理方法 Download PDFInfo
- Publication number
- CN116612641B CN116612641B CN202310883663.1A CN202310883663A CN116612641B CN 116612641 B CN116612641 B CN 116612641B CN 202310883663 A CN202310883663 A CN 202310883663A CN 116612641 B CN116612641 B CN 116612641B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- data
- added data
- newly
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000001276 controlling effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 12
- 230000006855 networking Effects 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于智能网联的车辆队列控制数据处理方法,包括:获取多维历史前车行驶数据,通过获取到的实时新增数据确定新增数据点的距离邻域,获取实时新增数据中实时新增数据点的实时性优化因子,根据实时新增数据中实时新增数据点的实时性优化因子得到实时新增数据中实时新增数据点的准确性异常程度,根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控。本发明通过实时数据点的采集时间戳与数据包中的前车数据监测时间戳的离群因子的度量对实时数据点的准确性判断过程进行优化,可以进一步对出现数据点实时性问题时的数据准确性进行更准确的判断。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于智能网联的车辆队列控制数据处理方法。
背景技术
在基于智能网联的车辆队列控制中,车辆的协同行驶需要基于车辆的实时行驶数据(如,位置,速度和方向等数据)进行调控。在这个过程中主要的问题包括数据的实时性、准确性和一致性等问题,这些问题可能会影响车辆协同行驶过程的平稳性。对于车辆之间数据的实时性在动态的驾驶环境中,数据的延迟可能会导致车辆的控制策略失效,甚至引发安全问题。在数据实时性的基础上对于车辆之间通信获取到的前车行驶数据之后需要根据已知行驶数据进行数据的准确性判断,防止数据的误差也可能影响车辆的协同行驶,例如,当出现前车位置数据的变化过大,可能会导致车辆的行驶路径出现偏差,所以在接收到前车的行驶数据之后需要对数据进行实时性与准确性的检测,从而保证基于智能网联的车辆队列协同行驶过程的稳定。
在现有的对于前车行驶的时序数据进行检测的方法中只可以通过数据点连续变化进行数据的准确性检测,对于前车的行驶数据点通过数据包之间的时间戳差异与实时数值差异进行数据异常变化的检测。当实时数据点与之前的历史数据点之间存在较大的差异时则需要对该数据点进行异常判断,以更短的时间间隔向前车发出数据请求以验证车辆行驶数据点的准确性,从而保证行驶安全。
在现有的通过时序数据中实时数据点的异常检测过程中,对于前车的实时数据进行准确性判断的过程中存在着数据实时性的问题,当前车的行驶数据在传输的过程中出现了信号的延迟,那么对于存在延迟的数据点进行异常检测的过程中,存在着实际时间与数据包中行驶数据的采样时间的差异。
发明内容
本发明提供基于智能网联的车辆队列控制数据处理方法,以解决现有的问题。
本发明的基于智能网联的车辆队列控制数据处理方法采用如下技术方案:
本发明一个实施例提供了基于智能网联的车辆队列控制数据处理方法,该方法包括以下步骤:
获取多维历史前车行驶数据和实时新增数据,所述实时新增数据中包含实时新增数据点;
预设实时新增数据中实时新增数据点的距离邻域,根据实时新增数据中实时新增数据点的/>距离邻域,得到实时新增数据中实时新增数据在/>距离邻域中的链接距离,根据实时新增数据中实时新增数据在/>距离邻域中的链接距离,得到实时新增数据中实时新增数据点的实时性优化因子;
获取实时新增数据中实时新增数据点在距离邻域的离群因子,根据实时新增数据中实时新增数据点的实时性优化因子以及实时新增数据中实时新增数据点在/>距离邻域的离群因子,得到实时新增数据中实时新增数据点的准确性异常程度;
根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控。
进一步地,所述根据实时新增数据中实时新增数据点的距离邻域,得到实时新增数据中实时新增数据在/>距离邻域中的链接距离,具体获取方法如下:
其中,表示第/>个实时新增数据点的/>距离邻域中的路径数量,/>表示第/>个实时新增数据点的/>距离邻域中的第/>个路径的路径距离,/>表示第/>个路径的索引值,表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离。
进一步地,所述实时新增数据点的距离邻域中的第/>个路径的路径距离,具体获取方法如下:
第个路径的路径距离为实时新增数据点的/>距离邻域中第一个数据点到第/>个数据点之间的欧式距离。
进一步地,所述根据实时新增数据中实时新增数据在距离邻域中的链接距离,得到实时新增数据中实时新增数据点的实时性优化因子,包括的具体步骤如下:
其中,表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离,/>表示实时新增数据中实时新增数据点的总个数,/>表示对实时新增数据在/>距离邻域中的所有链接距离量化得到的值进行线性归一化处理。
进一步地,所述根据实时新增数据中实时新增数据点的实时性优化因子以及实时新增数据中实时新增数据点在距离邻域的离群因子,得到实时新增数据中实时新增数据点的准确性异常程度,包括的具体步骤如下:
其中,表示实时新增数据中第/>个实时新增数据点的准确性异常程度,/>表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列,/>表示任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列与任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列之间的/>距离;
表示对所有实时新增数据点的/>距离邻域形成的序列分别与所有多维历史前车行驶数据中每个数据点的/>距离邻域形成的序列之间的/>距离进行线性归一化处理,/>表示选取线性归一化处理后的最小/>距离值,/>表示实时新增数据中第/>个实时新增数据点在/>距离邻域的离群因子,/>表示对实时新增数据中所有实时新增数据点在/>距离邻域的离群因子进行线性归一化。
进一步地,所述根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控,包括的具体步骤如下:
预设实时数据准确程度阈值,获取实时新增数据中所有实时新增数据点的准确性异常程度,将所有实时新增数据点的准确性异常程度均值作为实时新增数据的准确性异常程度,当实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,将实时新增数据作为准确数据进行车辆行驶调控,当实时新增数据的准确性异常程度大于等于实时数据准确程度阈值/>时,则向前车进行新的实时新增数据请求,重新获取新的实时新增数据的准确性异常程度,当新的实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,通过新的实时新增数据进行车辆行驶的调控。
本发明的技术方案的有益效果是:本发明通过实时车辆行驶数据点在历史数据点中形成的新的路径在历史路径中发生的偏移情况,根据智能网联车辆队列协同行驶过程中的车辆行驶数据变化情况,获取到实时数据点的车辆信息准确程度,相较于通过设定偏离阈值进行实时数据点的准确性判断,可以避免车辆行驶过程中将一些突发情况判断为数据不准确的问题。
本发明通过实时数据点的采集时间戳与数据包中的前车数据监测时间戳的离群因子的度量,对实时数据点的准确性判断过程进行优化,相较于直接通过车辆行驶的数据进行数据准确性的判断,根据这个过程可以进一步对出现数据点实时性问题时的数据准确性进行更准确的判断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于智能网联的车辆队列控制数据处理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于智能网联的车辆队列控制数据处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于智能网联的车辆队列控制数据处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于智能网联的车辆队列控制数据处理方法的步骤流程图,该方法包括以下步骤:
步骤S001、在车辆队列行驶过程中采集车辆获取到的多维历史前车行驶数据。
需要说明的是,在智能网联环境下,通过V2X通信设备周期性的向外发送的信息为信标信息,该信标信息包括车辆的位置、速度以及车头朝向等其他的车辆状态信息。V2X通信是基于DSRC技术的。在DSRC技术中,其在物理层以及数据链路层使用IEEE802.11p协议,该协议是从IEEE802.11的一种扩充与延伸,从而使其能够在智能运输系统中发挥更大的作用,保证通信的稳定性与高效性。其中IEEE802.11p使用载波侦听多路访问/避免碰撞协议CSMA/CA,该协议是一种介质访问控制的协议。其中载波侦听指任何连接到介质的设备在准备发送数据包之前必须对介质进行侦听,确认其当前没有正在通信才可以发送信息。多路访问指多个设备可以同时访问介质,一个设备发送的帧也可以被多个设备接受。CSMA/CA协议采用主动避免碰撞而非被动侦测的方式来解决碰撞问题,从而保证同一通信系统的不同节点能够顺利有序将信标消息发出。
在上述的车辆之间数据通信的过程中,因为车辆队列中在实际的数据传输过程中因为存在着无线网络信号的多路径效应与信号衰减和干扰所以存在着本发明所述的车辆队列中前车行驶数据传输到后车过程中的准确性和实时性的问题。为解决上述的实时数据的准确性问题,首先需要获取前车行驶数据。
具体的,获取车辆接收到的历史前车行驶数据包,所述历史前车行驶数据包包括多维历史前车行驶数据,不同的历史前车行驶数据包包括多个多维历史前车行驶数据,所述多维包括前车的实时速度、加速度、行驶方向以及相对位置坐标;本实施例获取近1000多维前车行驶数据,采样时间间隔设置为5ms,同一时间点采集到的多维前车行驶数据构成一个历史前车行驶数据包,则得到了若干历史前车行驶数据包。
至此,获得了多维历史前车行驶数据。
需要说明的是,在智能网联的车辆队列中,对于其中的一个车辆在获取到前车的历史行驶数据之后,为了衡量实时的新增前车行驶数据的准确性;首先需要确定对于实时数据点进行准确性评估的距离邻域,在获取到进行准确性判断的/>距离邻域之后,对于实时的前车行驶数据的数据点通过多维数据中的数据包时间戳与数据包中的前车行驶数据变化情况通过历史数据进行准确性评估;从而消除因为数据传输过程中的延迟情况造成的检测不准确的问题,同时也可以保证智能网联的车辆队列协同行驶数据的实时性。
步骤S002、获取实时新增数据,通过获取到的实时新增数据确定新增数据点的距离邻域。
需要说明的是,在对智能网联车辆队列中的车辆之间的实时行驶数据进行准确性检测过程中,对于新采集到的前车实时行驶数据,需要通过新增数据点的局部变化信息进行前车行驶数据的实时监测。
具体的,从若干多维历史前车行驶数据中,按照时序的第个数据点,作为实时新增数据点开始分析,预设智能网联车辆队列的实时新增数据中实时新增数据点的/>距离邻域/>,即通过实时新增数据点的前/>个数据点进行新增数据点的准确性判断。所述通过实时新增数据点的前/>个数据点进行新增数据点的准确性判断,目的是通过前车行驶过程中的最近的/>个历史车辆行驶数据进行新增数据点的行驶变化的准确性判断。
至此,确定了实时新增数据点的距离邻域。
步骤S003、根据实时新增数据中实时新增数据在距离邻域的链接距离,得到实时新增数据中实时新增数据点的实时性优化因子。
需要说明的是,在确定了前车行驶数据的距离邻域之后,即可通过实时新增的前车行驶数据点进行离群性判断,从而通过实时新增数据点的离群性与历史数据中的相似性进行判断。与历史数据中的显示变化情况进行现实性判断的目的是为了评估实时新增数据点的准确性。其逻辑过程为:在基于智能网联的车辆队列行驶过程中,对于队列中的车辆接收到的前车的实时行驶数据中,因为存在着车辆数据的传输不及时与前车在行驶数据采集过程中的数据采集错误问题;所以需要通过历史前车行驶数据进行评估,当一个后车获取到的前车的实时新增数据点,在前车行驶多维时序数据中,带来了历史已知数据中相似的变化,则通过变化的相似性对前车的实时新增数据点进行准确性的评估。
进一步需要说明的是,在车辆队列中前车传输至后车的历史前车行驶数据中,包含了其中行驶数据的采样时间,对于行驶数据来说,在对其进行准确性判断的过程中,需要通过历史前车行驶数据中的时间戳的变化差异,对行驶数据的准确性判断进行优化,从而在确定行驶数据准确性的基础上保证前车新增数据点的实时性。
具体的,以任意一个维度的实时新增数据为例进行如下分析,根据实时新增数据中实时新增数据在距离邻域链接距离得到实时新增数据中实时新增数据点的实时性优化因子,具体如下:
其中,表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域,本实施例中/>,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离,/>表示实时新增数据中实时新增数据点的总个数,/>表示对实时新增数据在/>距离邻域中的所有链接距离量化得到的值,即/>进行线性归一化处理。
进一步地,所述链接距离具体为:
其中,表示第/>个实时新增数据点的/>距离邻域中的路径数量,/>,所述路径具体为/>距离邻域中相邻两个数据点即为一个路径,/>表示第/>个实时新增数据点的/>距离邻域中的第/>个路径的路径距离,所述第/>个路径的路径距离为实时新增数据点的距离邻域中第一个数据点到第/>个数据点之间的欧式距离,需要说明的是,此处进行计算的时序数据横轴为后车获取到的前车数据包的索引,纵轴为数据包中的时间戳数据,/>表示第/>个路径的索引值,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离。
需要说明的是,在智能网联的车辆队列中,每一个车辆对于前车传输过来的实时行驶数据包,需要通过数据包中的数据时间戳进行车辆行驶数据实时性优化因子的获取,其目的是通过时间戳之间的变化来判断是否存在着网络延迟的波动,从而对车辆队列协同行驶进行智能控制。当接收到的前车数据包中的时间戳与已知数据包时间戳的变化情况出现差异时,也就是上述的越大,则说明实时数据点的时间戳的实时性出现了变化,也就对应着实际场景中车辆之间的网络通信出现了多路径效应或者其他网络延迟情况。基于上式所述的通过实时数据点的采集时间戳与数据包中的前车数据监测时间戳的离群因子的度量,对实时数据点的准确性判断过程进行优化,相较于直接通过车辆行驶的数据进行数据准确性的判断,可以进一步对出现数据点实时性问题时的数据准确性进行更准确的判断。
步骤S004、根据实时新增数据中实时新增数据点的实时性优化因子,得到实时新增数据中实时新增数据点的准确性异常程度。
需要说明的是,在获取到前车实时行驶数据信息的实时性优化因子后,即可通过该优化因子对前车行驶数据的准确性进行判断。与时间戳信息不同,对于车辆行驶过程中的车辆实时信息数据,包括其中的车辆实时速度,加速度,行驶方向,相对位置坐标数据。其中每一个维度都是一个单独的时序数据,共同形成多维时序数据。
进一步需要说明的是,对于其中一个维度的新增实时数据点通过该新增数据点形成的局部变化信息在历史数据中进行相似性判断,通过历史数据中的相似波动情况与局部变化情况共同进行新增实时数据点的准确性判断。当实时数据点带来的局部路径变化在历史数据中存在着相似的情况那么对于新增的数据点是存在已知的行驶状态变化的,那么则可以根据与历史数据的相似程度进行准确程度的判断,当同时出现实时新增数据点在其局部范围中出现了极具变化则根据其离群情况在历史数据相似程度的基础上进行实时数据准确程度的判断。
具体的,根据实时新增数据中实时新增数据点的实时性优化因子以及实时新增数据点在距离邻域的离群因子,得到实时新增数据中实时新增数据点的准确性异常程度,具体如下:
其中,表示实时新增数据中第/>个实时新增数据点的准确性异常程度,/>表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列,/>表示任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列与任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列之间的/>距离,/>表示对所有实时新增数据点的/>距离邻域形成的序列分别与所有多维历史前车行驶数据中每个数据点的/>距离邻域形成的序列之间的/>距离进行线性归一化处理,/>表示选取线性归一化处理后的最小/>距离值,/>表示实时新增数据中第/>个实时新增数据点在/>距离邻域的离群因子,所述离群因子为现有获取方法,此处不再赘述,/>表示对实时新增数据中所有实时新增数据点在/>距离邻域的离群因子进行线性归一化。
需要说明的是,在车辆队列中,前车的实时行驶数据的变化形态,在历史数据中存在相似程度越高的数据局部变化,则说明新增实时数据点带来的行驶数据变化越正常;并且对于新增数据点单独的离群情况,也可以作为实时新增数据的准确性判断,这个离群因子的度量同时可以弥补历史数据的相似性度量过程中,因为动态规划导致的数据点相位差过多引发的距离不准确的问题。最后,通过车辆队列中前车的新增数据点进行实时性的优化,当数据点的实时性优化因子越高,则说明该数据点的异常程度越高,那么准确性异常程度也就越高。
进一步需要说明的是,在上述过程中对于实时新增的前车行驶数据点与历史数据点之间的距离计算过程中,在出现实时新增前车行驶数据点出现实时性差异时,会导致实时数据点发生更多的变化,例如,当前车处于加速状态时,在历史数据中也存在同样的加速情况,如果没有实时性差异那么该新增数据点在/>衡量过程中的距离会更小,这里就存在着实时性差异导致的子序列度量距离增大,使得实时数据点的准确性异常程度衡量不准确的情况。所以在上述过程中对于实时数据点的子序列/>与进行距离度量的过程中,需要通过实时性优化因子对该距离度量进行优化,从而使得实时数据点在历史数据中的实时数据正常程度的衡量准确。
对于上式中在度量的过程中对于实时数据点/>在动态规整过程中对应的数据点的距离通过/>进行优化,即距离矩阵中对于数据点/>对应的距离数值/>通过/>,进行乘法优化,从而使得/>动态规整过程是准确的。并根据优化后的/>距离进行上述准确性异常程度的计算。在获取到车辆队列中前车实时行驶数据的准确性异常程度评估方法之后,后续即可通过该方法确定新增数据点的准确性异常程度。
至此,得到了实时新增数据点的准确性异常程度。
步骤S005、根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控。
在获取到智能网联车辆队列中前车的实时行驶数据的准确性异常程度之后,预设实时数据准确程度阈值,本实施例中以实时数据准确程度阈值/>为例进行叙述,获取实时新增数据中所有实时新增数据点的准确性异常程度,将所有实时新增数据点的准确性异常程度均值作为实时新增数据的准确性异常程度,当实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,将实时新增数据作为准确数据进行车辆行驶调控,当实时新增数据的准确性异常程度大于等于实时数据准确程度阈值/>时,则向前车进行新的实时新增数据请求,重新获取新的实时新增数据的准确性异常程度,当新的实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,通过新的实时新增数据进行车辆行驶的调控。
至此,完成了车辆队列中每个车辆根据前车的实时新增数据进行车辆行驶的调控。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于智能网联的车辆队列控制数据处理方法,其特征在于,该方法包括以下步骤:
获取多维历史前车行驶数据和实时新增数据,所述实时新增数据中包含实时新增数据点;
预设实时新增数据中实时新增数据点的距离邻域,根据实时新增数据中实时新增数据点的/>距离邻域,得到实时新增数据中实时新增数据在/>距离邻域中的链接距离,根据实时新增数据中实时新增数据在/>距离邻域中的链接距离,得到实时新增数据中实时新增数据点的实时性优化因子;
获取实时新增数据中实时新增数据点在距离邻域的离群因子,根据实时新增数据中实时新增数据点的实时性优化因子以及实时新增数据中实时新增数据点在/>距离邻域的离群因子,得到实时新增数据中实时新增数据点的准确性异常程度;
根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控;
所述根据实时新增数据中实时新增数据点的距离邻域,得到实时新增数据中实时新增数据在/>距离邻域中的链接距离,具体获取方法如下:
其中,表示第/>个实时新增数据点的/>距离邻域中的路径数量,/>表示第/>个实时新增数据点的/>距离邻域中的第/>个路径的路径距离,/>表示第/>个路径的索引值,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离;
所述根据实时新增数据中实时新增数据在距离邻域中的链接距离,得到实时新增数据中实时新增数据点的实时性优化因子,包括的具体步骤如下:
其中,表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域,/>表示实时新增数据中第/>个实时新增数据在/>距离邻域中的链接距离,/>表示实时新增数据中第/>个实时新增数据在距离邻域中的链接距离,/>表示实时新增数据中实时新增数据点的总个数,/>表示对实时新增数据在/>距离邻域中的所有链接距离量化得到的值进行线性归一化处理;
所述根据实时新增数据中实时新增数据点的实时性优化因子以及实时新增数据中实时新增数据点在距离邻域的离群因子,得到实时新增数据中实时新增数据点的准确性异常程度,包括的具体步骤如下:
其中,表示实时新增数据中第/>个实时新增数据点的准确性异常程度,/>表示实时新增数据中第/>个实时新增数据点的实时性优化因子,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列,/>表示任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列,/>表示实时新增数据中第/>个实时新增数据点的/>距离邻域形成的序列与任意一个多维历史前车行驶数据中第/>个数据点的/>距离邻域形成的序列之间的/>距离;
表示对所有实时新增数据点的/>距离邻域形成的序列分别与所有多维历史前车行驶数据中每个数据点的/>距离邻域形成的序列之间的/>距离进行线性归一化处理,表示选取线性归一化处理后的最小/>距离值,/>表示实时新增数据中第/>个实时新增数据点在/>距离邻域的离群因子,/>表示对实时新增数据中所有实时新增数据点在/>距离邻域的离群因子进行线性归一化。
2.根据权利要求1所述基于智能网联的车辆队列控制数据处理方法,其特征在于,所述实时新增数据点的距离邻域中的第/>个路径的路径距离,具体获取方法如下:
第个路径的路径距离为实时新增数据点的/>距离邻域中第一个数据点到第/>个数据点之间的欧式距离。
3.根据权利要求1所述基于智能网联的车辆队列控制数据处理方法,其特征在于,所述根据实时新增数据中实时新增数据点的准确性异常程度对车辆行驶调控,包括的具体步骤如下:
预设实时数据准确程度阈值,获取实时新增数据中所有实时新增数据点的准确性异常程度,将所有实时新增数据点的准确性异常程度均值作为实时新增数据的准确性异常程度,当实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,将实时新增数据作为准确数据进行车辆行驶调控,当实时新增数据的准确性异常程度大于等于实时数据准确程度阈值/>时,则向前车进行新的实时新增数据请求,重新获取新的实时新增数据的准确性异常程度,当新的实时新增数据的准确性异常程度小于实时数据准确程度阈值/>时,通过新的实时新增数据进行车辆行驶的调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883663.1A CN116612641B (zh) | 2023-07-19 | 2023-07-19 | 基于智能网联的车辆队列控制数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883663.1A CN116612641B (zh) | 2023-07-19 | 2023-07-19 | 基于智能网联的车辆队列控制数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612641A CN116612641A (zh) | 2023-08-18 |
CN116612641B true CN116612641B (zh) | 2023-09-22 |
Family
ID=87675107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310883663.1A Active CN116612641B (zh) | 2023-07-19 | 2023-07-19 | 基于智能网联的车辆队列控制数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612641B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050034871A (ko) * | 2003-10-10 | 2005-04-15 | 현대자동차주식회사 | 선행 차량 판단 및 추종 제어방법 |
CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
JP2020135564A (ja) * | 2019-02-21 | 2020-08-31 | Kddi株式会社 | 危険性判定装置、危険性判定方法、及びプログラム |
KR20200130881A (ko) * | 2019-04-25 | 2020-11-23 | 한국전자통신연구원 | V2x 기반 군집주행 상황별 차간거리 설정 방법 및 장치 |
CN114330449A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于特征时域匹配的车辆碰撞检测方法及系统 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
CN116166978A (zh) * | 2023-04-23 | 2023-05-26 | 山东民生集团有限公司 | 一种用于供应链管理的物流数据压缩存储方法 |
CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166188A1 (en) * | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
-
2023
- 2023-07-19 CN CN202310883663.1A patent/CN116612641B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050034871A (ko) * | 2003-10-10 | 2005-04-15 | 현대자동차주식회사 | 선행 차량 판단 및 추종 제어방법 |
CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
JP2020135564A (ja) * | 2019-02-21 | 2020-08-31 | Kddi株式会社 | 危険性判定装置、危険性判定方法、及びプログラム |
KR20200130881A (ko) * | 2019-04-25 | 2020-11-23 | 한국전자통신연구원 | V2x 기반 군집주행 상황별 차간거리 설정 방법 및 장치 |
CN114330449A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于特征时域匹配的车辆碰撞检测方法及系统 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
CN116166978A (zh) * | 2023-04-23 | 2023-05-26 | 山东民生集团有限公司 | 一种用于供应链管理的物流数据压缩存储方法 |
CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及系统 |
CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
Non-Patent Citations (4)
Title |
---|
一种改进的局部离群数据检测算法;段培永;崔冲;张洁珏;;黑龙江大学自然科学学报(第04期);全文 * |
基于改进离群算法的多元时间序列异常检测;苑津莎;甘斌斌;李中;万利;李灿;;黑龙江电力(第02期);全文 * |
段培永 ; 崔冲 ; 张洁珏 ; .一种改进的局部离群数据检测算法.黑龙江大学自然科学学报.2017,(第04期),全文. * |
苑津莎 ; 甘斌斌 ; 李中 ; 万利 ; 李灿 ; .基于改进离群算法的多元时间序列异常检测.黑龙江电力.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116612641A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10120003B2 (en) | RSSI based V2X communication plausability check | |
CN111818636B (zh) | 一种车载蓝牙定位系统及其定位方法 | |
CN105007590A (zh) | 一种车联网车路WiFi无线网络性能测试设备及其测试方法 | |
TW202011762A (zh) | 無線定位校準系統及其方法 | |
US20150236940A1 (en) | Method for monitoring an Ethernet-based communication network in a motor vehicle | |
CN111746538A (zh) | 一种严格避撞的车辆队列跟驰控制方法和控制系统 | |
CN116800545B (zh) | 一种地铁通讯数据传输方法及系统 | |
CN104065430A (zh) | 基于节点识别的协作频谱检测方法 | |
CN116612641B (zh) | 基于智能网联的车辆队列控制数据处理方法 | |
CN106851544B (zh) | 一种无线自组织网络的位置校验方法 | |
CN103607727A (zh) | 车联网车-路Zigbee无线网络性能测试方法与设备 | |
CN114070448B (zh) | 一种基于多属性决策的主时钟选取方法 | |
CN109041209B (zh) | 基于rssi的无线传感器网络节点定位误差优化方法 | |
Song et al. | Edge-aided sensor data sharing in vehicular communication networks | |
IT202100022919A1 (it) | Procedimento di protezione da attacchi informatici a un veicolo basato su analisi temporale e corrispondente dispositivo | |
CN111586632B (zh) | 基于通信传感异步数据融合的协作邻居车辆定位方法 | |
CN108684074A (zh) | 基于rssi的测距方法及装置 | |
CN115840363A (zh) | 一种针对信息物理系统远程状态估计的拒绝服务攻击方法 | |
Liu et al. | Ro-raw: run-time restricted access window optimization in IEEE 802.11 ah network with extended kalman filter | |
CN111554083B (zh) | 基于车辆状态信息的无人车队控制方法 | |
CN109842889B (zh) | 一种无线多跳网络中测量节点可用带宽的方法 | |
CN105844961B (zh) | 测量距离的方法、装置和系统 | |
CN106506272B (zh) | 道路通行数据的修正方法和系统 | |
CN109962691A (zh) | 一种用于传感器网络的分布式自适应滤波器设计方法 | |
CN117768351B (zh) | 车联网系统的干扰评估方法及相关设备 |
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 |