基于車聯網的實時路況估計方法

胡 杰，吳志林，石國勇，劉昌林

（1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室，汽車零部件技術湖北省協同創新中心，湖北 武漢 430063；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545007）

基于車聯網的實時路況估計方法

胡 杰1，吳志林1，石國勇2，劉昌林1

（1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室，汽車零部件技術湖北省協同創新中心，湖北 武漢 430063；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545007）

針對實時路況估計和交通數據采集方法沒有統一標準的問題，提出了一種基于車聯網的實時路況估計架構，由車輛數據采集、數據管理和路況顯示組成。車輛數據采集系統基于Android系統開發，采用模塊化架構使系統適用于不同廠商的車型；通過對武漢市部分道路進行VISSIM建模，采集大量仿真數據，分別建立RBF神經網絡模型和支持向量機模型，并使用遺傳算法對支持向量機參數進行優化，兩種模型估計結果表明支持向量機的估計效果優于RBF神經網絡。最后將支持向量機估計結果應用于路況顯示系統，向社會公眾提供實時路況。

車聯網；實時路況；數據采集系統；RBF神經網絡；支持向量機；遺傳算法

1 引言

我國汽車保有量的急速增加，給人們的生活和工作帶來了便捷，也導致了頻繁發生的城市交通擁堵現象。交通擁堵造成環境污染、出行時間增加及“路怒癥”現象增加等諸多負面影響[1-3]。而傳統的增修道路和控制車輛數目增加的方法不能從長遠發展的角度解決此問題。目前，國內外研究機構利用現有的先進技術對原有道路交通狀態進行分析，為出行者提供最優的實時路況信息，從而達到疏通交通的目的。Corrado de Fabritiis等人基于浮動車系統采集行程時間和速度等數據，采用人工神經網絡和模式匹配算法，以估算當前和之前的路段行程速度為輸入，實現對路段行程速度的短時預測[4]。Ayalew Belay Habtie等人提出一種使用車載手機作為數據采集裝置，采用人工神經網絡估計城市道路交通狀態的架構，實現交通數據采集、處理、分析、狀態估計優化以及向用戶呈現交通流量信息功能[5]。清華大學的吳森森等人在使用極少輛探測車采集數據的情況下，對城市主干道路況分類識別系統進行了研究[6]。上述研究存在如下缺陷：①道路需要新增基礎硬件設施，實現對固定點的監測，無法監控具體路段實時路況；②浮動車必須配備專用設備大規模使用，成本過高[7-10]。

針對實時路況估計方法存在的問題，以武漢市內運行的各種類型車輛為研究對象，提出了一種基于車聯網的實時路況估計架構，即Android系統的車載終端、智能手機等移動終端通過車輛自身的OBD-II接口采集車輛數據，通過無線網絡實時傳送至服務器，并采用RBF神經網絡和SVM（Support Vector Machine，支持向量機）對采集的數據進行建模估算路段行程速度，并將估算結果發布給用戶，以減少交通擁堵。

2 系統總體方案

所設計的系統主要由車輛數據采集、數據管理及路況顯示三部分組成，其架構如圖1所示。車輛數據采集系統與車載網絡通信，獲取車輛相關數據，包括當前時間、ID、當前地理位置的經緯度、行駛方向、車速、發動機轉速以及全車故障診斷結果，與此同時移動終端通過無線網絡將車輛數據以固定時間10s循環發送至服務器端，數據管理中心對數據進行模型算法處理估計道路的路段行程速度；數據管理中心再將估計的路段行程速度以固定周期1min發布至移動終端的路況顯示系統，路況顯示系統以百度地圖為基礎，向公眾提供實時路況查詢功能、歷史行程回放等功能。

圖1 總體架構

3 車輛數據采集系統

由圖1可知，車輛數據采集系統由車機平臺和數據采集軟件組成。車機平臺分兩類：一類是移動式車機平臺，因為智能手機、平板電腦等移動終端與其他設備的通信方式主要是藍牙、3G/4G、WiFi和USB，無法直接與CAN總線網絡通信，需要采用自主研發的車輛通信接口（Vehicle Communication Interface，VCI）設備，通過VCI的藍牙模塊與移動終端的藍牙模塊配對建立通信，將CAN總線網絡接口信號電平與移動終端通信接口電平進行轉換，以實現移動終端與汽車間的通信；另一類是搭載式車機平臺，車載智能終端通過自身CAN模塊直接與ECU建立通信[11]。

數據采集軟件不僅要實現具體的數據采集功能，同時要保證向用戶提供友好的交互界面。鑒于Android系統開源性以及強大的功能特性，數據采集軟件采用Java語言進行設計，在Eclipse集成開發環境下進行代碼的編寫、編譯與調試。采集的車速等數據需要上傳至服務器，移動終端與服務器通信的方式是通過終端自身的3G或4G等無線網絡功能。

4 建模與仿真估計實時路況

路段是指兩個相鄰交叉口之間的道路，是城市路網的基本組成單元。路段行程速度是指所有樣本車輛通過目標路段的平均速度，是對路段狀況最直觀的評價標準。

4.1 數據預處理

實時數據的精確性和有效性是制約實時路況估計發揮效益的瓶頸之一。因此，在接收并保存車輛數據后，需要對原始數據進行預處理，然后按照相關指標和算法，估算路段行程速度。數據預處理是指由于設備通信、天氣等因素的影響，在采集、發送或接收過程中會出現一些不在規定范圍內的數據，為提高實時路況估計的可靠性，需要按規定范圍等要求，剔除原始數據中的無效數據，并對無效數據和缺失數據進行修復，最后將數據保存在車輛數據庫，為路況估計模型建立和評估奠定基礎。

4.1.1 數據清洗。數據清洗主要包括GPS定位錯誤、時間錯誤、車速錯誤三方面。在原始數據剔除過程中，需建立剔除日志，當無效數據率超過1％時發出警報，及時進行故障排查。

（1）GPS定位錯誤。在采集數據過程中，由于種種不確定因素影響，如惡劣天氣、周圍環境（如高樓、立交橋）等，采集的GPS信息可能會出現漂移現象。在數據清洗過程中，規定武漢市之外的定位點屬于無效數據，經緯度數據應剔除。另外，在百度地圖匹配過程中，對于在合理誤差范圍內但采用匹配算法仍不能匹配到路網中的定位點，也劃歸為無效數據，經緯度數據應剔除。

（2）時間錯誤。車速數據采樣周期可達200ms，GPS定位數據的采樣周期1s左右，而且數據采樣周期越短，數據精度越高，但通信成本和數據處理量會顯著增加，因此需要選擇合適的采樣周期。允許數據采集系統將車輛數據發送服務器的周期定為10s，超出這一時間認為不可接受，剔除整組數據。

（3）車速錯誤。采集的車速數據不再依賴GPS，在惡劣天氣及高樓大廈間仍能夠采集車輛的準確速度。由于車輛在行駛過程中可能會產生故障從而導致車速異常，此時采集的速度不能準確反映車輛運行狀態，須剔除掉。其具體流程如圖2所示。

圖2 無效車速數據剔除流程

①服務器接收到車速數據后，與道路規定的限速值相比較，如果超出限值，需利用故障診斷結果進行故障狀態判斷，如果服務器接收的診斷結果為1，表示當前該車輛發生故障，則認為該車速數據為無效數據，應剔除；如果診斷結果為0，表示該車輛正常，此條數據為有效數據，保存至車輛數據庫。

②如果服務器接收的車速未超過道路規定的限速值，則需進一步判別，如果車速不為0，則認為該車輛正常行駛，此條車速數據為有效數據，保存至車輛數據庫；否則，需要通過轉速數據進一步判斷。

③若轉速為0，認為該車輛已停止運行，不是正常的交通狀態反應，此條車速數據為無效數據，應剔除；否則保存至車輛數據庫。

4.1.2 數據修復。在數據清洗過程中，由于各種隨機因素的影響，對異常數據進行了處理，使得車輛數據不能很好地反映路況，因此需要對這些數據進行修復。需要修復的數據對象包括錯誤數據和缺失數據。缺失數據是指車輛以固定周期10s發送數據至服務器，如果服務器在某個時刻沒有接收到車輛數據，即可認為發生車輛數據丟失。

采用相鄰時段的算數平均值修復異常數據。使用的公式如下：

4.2 基于VISSIM建立路網模型

雖然車輛數據采集系統已實現不同廠商的車輛數據采集功能，但大規模地采集實際車輛數據仍存在一定難度，因此采用微觀仿真軟件VISSIM模擬實際路網中的車輛運行狀態，提供現實路況中數據采集系統采集的車輛數據。

VISSIM是一種基于時間間隔和駕駛行為的仿真建模工具，可以模擬和分析各種交通條件下（交通構成、交叉口信號控制、公交車站等）城市交通的運行狀況。其縱向運動采用了Wiedmann教授的心理-生理類跟車模型，車道變換采用Sparmann設計和建立的相關規則模型[12]。

以武漢市街道口附近的珞獅路、珞喻路、武珞路和石牌嶺路四條道路為例構建路網，如圖3所示。建立城市路網的具體流程如下：

（1）創建VISSIM文件。建立一個精準模型的必要條件是載入一張具體比例尺的反映實際路網的背景圖片，根據實際比例尺設置模型比例尺為1:100m，添加路段、連接器等建立路網。

（2）定義交通屬性。主要包括設置車輛類型、期望車速分布、車輛重量分布、車輛功率分布。根據城市道路的實際情況，車輛類型分乘用車、重型貨車和客車三種。

（3）確定行駛規則。主要包括速度控制規則、優先規則和交叉口信號燈控制規則。速度控制規則設置道路限速；優先規則是為避免車輛突然變道；經實際監測，街道口處的信號燈周期為220s。

（4）設置仿真參數。主要包括選擇評估項（車輛記錄和路段評估），設置仿真運行時的方式（單步或連續）、仿真時間區間、仿真運行速度等。

使用VISSIM時，通過設置模型中的不同車輛類型比例以及不同的期望速度分布等，采集盡量多的車輛數據報告和路段評估報告。

圖3 VISSIM中建立的城市路網

4.3 基于RBF神經網絡估算路況

RBF神經網絡在解決實時路況估計這類復雜的函數關系問題上具有明顯優勢。RBF神經網絡中的每個節點工作方式都是接受上一級神經元輸入，然后將信號經過函數處理后輸出到下一級節點中，不存在從下一級節點向上一級節點的反饋方式情況[13]。

RBF神經網絡估算路段行程速度的流程為：

（1）選擇參數建立RBF神經網絡。在MATLAB軟件中建立RBF神經網絡的函數為net=newrb(P,T,goal,spread,mn,df)，其中，P為輸入參數；T為輸出參數；goal為均方誤差，設為0.001 5；spread表示徑向基函數的擴展速度，設為1；mn為神經元的最大數目，設為30；df為顯示頻率，設為1。

在城市路網中，路段行程速度受多方面因素的影響。采用RBF神經網絡需要選擇獨立地對路段行程速度有影響的因素作為輸入變量，選取目標路段上同類型車輛的平均車速和不同類型車輛數比例作為輸入參數。

（2）使用VISSIM提供的車輛數據對RBF神經網絡進行訓練。輸入參數P_train=[Carspeed;HGVspeed;Busspeed;Carrate;HGVrate;Busrate]，輸出參數T_train為VISSIM軟件提供的目標路段平均速度值，共1 100組樣本數據。為了避免輸入參數中各變量數量級相差過大影響訓練效果，必須對數據進行[0,1]歸一化處理。以乘用車速度為例，速度歸一化公式見式3。

其中，car為乘用車速度集合；min(car)為乘用車速度中的最小值；max(car)為最大速度。

使用RBF神經網絡之前需要對其進行訓練，因此實驗隨機選取了550組的訓練數據。RBF神經網絡訓練的基本思想是，每次循環會產生一個新神經元，新增的神經元盡量擬合輸入數據和輸出數據。如果沒有達到均方誤差要求，則繼續增加新的神經元。當擬合誤差小于等于均方誤差時，RBF神經網絡滿足要求，完成訓練，程序結束；如果神經元個數達到設置的最大神經元數時，程序也會結束，但訓練因未能達到均方誤差而失敗。

（3）使用網絡進行估算。RBF神經網絡訓練完成后，使用剩余的550組數據作為測試樣本，估算出目標路段的路段行程速度。

4.4 基于SVM估算路況

SVM是一種新穎的機器學習方法，在解決小樣本、非線性問題及高維模式識別中表現出其特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。SVM可分為線性回歸和非線性回歸兩類[14]。得到的最佳回歸函數見式4。

其中，ai、ai*為拉格朗日乘積因子；xi和x為兩個獨立的變量；C為懲罰因子，是一個自然數；K(xi,x)為核函數，用以計算樣本在高維特性空間內的內積。

SVM通過核函數將輸入向量非線性映射到高維特征空間，以便進行線性映射。因此核函數的類型就決定了特征空間的結構，常用的核函數有4種，由于在相同條件下，徑向基核函數的精度最高，同時徑向基核函數對非線性和高維數據也有較好的適應性[15]。因此選取徑向基核函數作為SVM核函數。其數學表達式見公式5，其中g為核函數半徑。

4.4.1 遺傳算法優化SVM參數。對于一個基于徑向基核函數的SVM，其性能由懲罰系數C和核函數半徑g共同決定，選擇不同的C和g組合對SVM的訓練時間和學習精度都有不同程度的影響。目前沒有規定的選擇標準或理論依據，采用用遺傳算法（Genetic Algorithm，GA）[16]和交叉驗證方法對模型參數C和g進行優化。

使用GA優化SVM參數C和g的流程如圖4所示，具體流程如下：

（1）需要給定參數C和g的范圍，目前一般都是根據經驗給定，取C∈[0,100]和g∈[0,10]；

圖4 GA優化SVM參數

（2）由步驟1中的參數C和g的范圍，生成二進制編碼的初始隨機種群，每一個個體均有兩條染色體，分別代表參數C和g；

（3）計算初始隨機種群中每一個體SVM精度；

（4）以SVM模型精度為優化目標，通過選擇、交叉、變異三種主要操作，生成更優的子代種群。交叉率和變異率分別定為0.9和0.05；

（5）計算子代種群中每一個個體的SVM模型精度，重復進行步驟4，直到滿足遺傳算法停止條件（SVM的精度足夠高或遺傳代數達到給定值）。

經過以上步驟，能夠找到全局最優的參數C和g組合，從而得到最優的SVM模型。

4.4.2 基于GA-SVM估算路段行程速度。采用GASVM估計路段行程速度的流程如圖5所示，具體流程依次為：對VISSIM提供的樣本數據進行歸一化處理；利用GA優化SVM參數C和g，隨機抽取550個數據樣本對SVM進行訓練，得到最優的SVM模型；使用剩余的550個測試樣本數據作為測試樣本，對路段行程速度進行估算。訓練樣本的選取和對樣本數據的歸一化處理同RBF神經網絡一致，在此不再贅述。

5 結果分析及應用

均方誤差（Mean Square Error，MSE）與平均絕對百分比誤差（Mean Absolute Percent Error，MAPE）作為評價指標，用以評估RBF神經網絡和GA-SVM的預測能力和誤差。其具體定義見公式（6）和（7）。

圖5 GA-SVM流程

式中，n為測試樣本個數；Vpredict(i)為估算出的路段行程速度；Vreal(i)為VISSIM提供的路段行程速度。

由表1中RBF神經網絡和GA-SVM的評價指標可知，測試樣本的GA-SVM估計的MSE為2.149 3，MAPE為6.947 5％，均比RBF神經網絡小。

表1 兩種估計模型的評價指標

兩種算法模型部分估計結果與VISSIM提供的標準值對比如圖6所示，橫軸表示通過設置VISSIM的不同車輛構成和交通參數所得到的測試樣本；縱軸表示目標路段的路段行程速度,單位為KM/H。線為RBF神經網絡估計的路段行程速度；線為GA-SVM估計的路段行程速度；線為VISSIM提供的標準值。

RBF神經網絡和GA-SVM的每個測試樣本點的絕對百分比誤差如圖7所示，橫軸表示通過設置VISSIM的不同車輛構成和交通參數所得到的550個測試樣本；縱軸表示絕對百分比誤差。線表示RBF神經網絡估計的絕對百分比誤差；線表示GA-SVM估計的絕對百分比誤差。

圖6 兩種算法部分預測結果

圖7 兩種算法的絕對百分比誤差

從圖6和圖7所示曲線可知，與RBF神經網絡估計的路段行程速度曲線變化規律對比，GA-SVM更接近VISSIM軟件提供的變化曲線，從整體上來說，GA-SVM的絕對百分比誤差要小于RBF神經網絡誤差。其中，后面的測試樣本的誤差偏大，造成這種現象的主要原因是，本實驗的測試樣本的路段行程速度隨著樣本序列增加而減小，速度值較小時，微小的變化也會導致誤差偏大。

綜上，GA-SVM的估計效果相比于RBF神經網絡更可靠和準確，因此，以GA-SVM的估計結果作為目標路段的路段行程速度，并將其用于向社會公眾提醒道路的交通狀態，采用百度地圖開發實時路況顯示系統。路況顯示系統根據城市道路交通的實際運行狀態，把目標道路的交通狀態分為暢通、緩行和擁堵三個級別。由于百度地圖中使用黃色線條表示道路，為了能夠清晰地顯示道路交通狀況，對道路狀況顏色做了如下定義：紅色表示道路擁堵，藍色表示緩行，綠色表示暢通，通過不同顏色用戶可以直觀地了解道路狀況。

6 結論

（1）針對實時路況估計方法存在的問題，提出了一種基于車聯網的實時路況估計架構，即車輛數據采集系統通過車輛自身的OBD-II接口采集車輛數據，經無線網絡實時傳送至服務器，并對數據進行模型算法分析估計，最后將結果發布給社會公眾。

（2）以目標路段內同類型車輛平均速度和不同類型車輛占車輛總數的比重作為輸入變量，分別建立RBF神經網絡和SVM實時路況估計模型，并用GA對SVM參數進行優化，兩種模型估計結果對比發現SVM估計效果更為準確可靠。

（3）所提出的實時路況估計模型，建模簡單，精度較高，能有效估算路況，具有一定的應用價值。

[1]Wen H,Sun J,Zhang X.Study on traffic congestion patterns of large city in China taking Beijing as an example[J].Procedia-Social and Behavioral Sciences,2014,138:482-491.

[2]T Koshizen,M Kamal,H Koike.Traffic Congestion Mitigation Using Intelligent Driver Model(IDM)Combined with Lane Changes-Why Congestion Detection is So Needed[Z].SAE Technical Paper,2015.

[3]De Fabritiis C,Ragona R,Valenti G.Traffic estimation and prediction based on real time floating car data[A].11th International IEEE Conference on Intelligent Transportation Systems[C].2008.

[4]Habtie A B,Abraham A,Midekso D.Cellular Network Based Real-Time Urban Road Traffic State Estimation Framework Using Neural Network Model Estimation[A].Computational Intelligence[C].2015.

[5]吳森森.基于極少輛探測車的城市干線道路路況分類識別系統研究[D].北京:清華大學,2013.

[6]石心耀.車載實時路況信息接收終端的設計與實現[D].蘭州:蘭州理工大學,2013.

[7]洪智兵.基于GPRS的實時交通流數據接發系統的研究[D].昆明:云南大學,2015.

[8]Wu A,Yin W,Yang X.Research on the Real-time Traffic Status Identification of Signalized Intersections Based on Floating Car Data[J].Procedia-Social and Behavioral Sciences,2013,96:1 578-1 584.

[9]Jie H,Hongfei L,Xiangzheng S,et al.Development and Research of Vehicle Fault Diagnosis System[A].Power and Energy Engineering Conference(APPEEC)[C].2012.

[10]王志彪.VISSIM交通仿真適用性研究[D].北京:北京交通大學,2006.

[11]伍駿.基于神經網絡和SVM的短時交通流組合預測研究[D].昆明:昆明理工大學,2014.

[12]李文婷.基于BP神經網絡和SVM的信號分類方法的研究[D].南京:南京師范大學,2015.

A Real-time Road Condition Estimation Method Based on Internet of Vehicles

Hu Jie1,Wu Zhilin1,Shi Guoyong2,Liu Changlin1
(1.Hubei Key Laboratory of Advanced Technology of Automotive Parts,Center for Automotive Components Technology,Wuhan Universityof Technology,Wuhan 430063;2.SGMW Co.,Ltd.,Liuzhou 545007,China)

In this paper,in view of the lack of uniform standard in real-time road condition estimation and traffic data collection,we proposed a real-time road condition estimation framework based on the Internet of Vehicles which was composed by the components of vehicle data collection,data management and road condition readout.The vehicle data collection component was developed based on the Android platform,whose modular architecture rendered it suitable to accommodate the models of different makes.Then through the VISSIM modeling of several highways of Wuhan,we respectively built the RBF neural network model and SVM model of the city and used the genetic algorithm to optimize the parameterization of the support vector machine.At the end,through a numerical example,we demonstrated the superiority of the support vector machine over the RBF neural network in this application.

Internet of Vehicles;real-time road condition;data collection system;RBF neural network;support vector machine;genetic algorithm

F253.9

A

1005-152X(2017)07-0081-06

10.3969/j.issn.1005-152X.2017.07.018

2017-06-01

柳州市科學研究與技術開發計劃項目（2016B050101）

胡杰，男，博士，副教授，研究方向：汽車電控與診斷、車聯網技術、汽車排放控制。