基于車聯網的交通事件智能感知與擁堵疏導技術分析

竇亮 劉小華

摘 要：在智慧交通發展背景下，需進一步引入車聯網等先進技術使路網通行效率得到提高，促使城市道路交通服務水平得到改善。基于此，本文對車聯網技術展開了分析，然后對交通事件智能感知與擁堵疏導關鍵技術及其實現方法進行了探討，提出了信息融合、智能感知等算法，利用車聯網大數據實現交通擁堵治理，希望通過本文的研究為探索交通擁堵治理的科學化發展路徑提供參考。

關鍵詞：車聯網;交通事件智能感知;擁堵疏導

中圖分類號：U495 文獻標識碼：A

0 引言

在城市汽車保有量不斷增長的背景下，交通擁堵問題日漸突出，給行車安全帶來了較大威脅。在智慧交通領域，車聯網技術發展日漸成熟，能夠用于實現交通事件智能感知和擁堵疏導，為城市交通治理提供有力技術支撐。為提高道路交通安全性，還要在車聯網運用基礎上加強交通事件智能感知與擁堵疏導技術研究，從而為實現城市交通智慧管理提供高效方案。

1 車聯網技術概述

車聯網指的是由車輛位置、路線、速度等信息構成的數據交互網絡，能夠運用大數據、云計算等技術完成大量車輛信息分析和處理，生成車輛路線、交通路況等信息。利用汽車安裝的智能終端，可以實現車輛本身及運行數據采集，如通過車載GPS等獲取位置信息，通過OBD數據接口獲取運行數據，然后通過網絡將數據發送至云端數據庫[1]。車聯網除了與車輛終端連接，還能連接汽車制造、售后等業態，構建產業生態圈，為車輛大數據的獲取和利用提供支持。

2 交通事件智能感知與擁堵疏導關鍵技術

2.1 信息融合方法

城市道路出現擁堵情況，與各類交通事件發生直接相關。所以在道路擁堵預判方面，還要通過加強交通事件智能感知對事件發生期間道路交通狀態展開分析，為擁堵疏導提供科學依據。通過信號機線圈、高清卡口、電子警察等異類設備對城市道路交通信息進行采集，還要保證各類信息能夠與車聯網RFID數據順利融合，使采集信息不一致、不完整等問題得到解決，繼而得到準確的道路交通數據信息。采用多Agent方法，通過使各Agent保持協調，能夠完成數據實時獲取，并使系統實現軟硬件和信息共享，使系統魯棒性得到增強，獲得較高自組織能力，使多源異構信息融合問題得到解決[2]。實際采用該技術，還要將不同問題分配給對應Agent，根據局部信息實現自主規劃，保證局部沖突得到解決后，實現全局協作，保證局部目標順利達成。從結構上來看，包含基礎環境層和功能應用層，在基礎層需要設置事件代理Agent用于實現集中事務管理，并通過通訊模塊提供Agent通訊。對應用層進行劃分，包含平臺層、協調執行層、組織層和決策層。平臺層布置各類傳感器、CCD等智能感知設備，執行層布置傳感器融合Agent、通訊系統Agent、綜合導航Agent等多個Agent，用于對任務與平臺荷載進行協調，保證檢測任務順利執行。組織層布置任務和健康的監控Agent，并布置指令計劃生成、執行Agent，能夠為上層決策提供支持。決策層布置人工控制、任務規劃等Agent，可以實現決策制定功能。

2.2 智能感知算法

逐層實現Agent融合，需要做好背景雜波處理，并按照傳感器類型、信息特征等完成數據分類，實現數據濾波處理，以免負載過大。進過校準、互連等處理，能夠對各節點信息進行融合，實現實體目標屬性組合。實際各Agent均可以獲得知識、經驗和存在偏好，因此有各自決策方法，能夠得到多個決策序列構成類別集。根據單個Agent對類別集決策排序，能夠確定Agent的權重，根據排序結果完成判斷矩陣的構造。采用聚類分析法，假設各Agent排序向量為一類，對彼此間相似度進行計算，得到相似性最大的數值作為閾值，實際數值超出閾值可結束聚類，否則將合并并循環比較，直至結束聚類[3]。將單個Agent判斷結果當成是一個向量，將相似度當成是聚類標準，能夠對Agent間相似度進行評判，得到：

式中，dij指的是Agenti和Agentj的相似性，β（i）和β（j）為向量i和j的權重，在dij較小的情況下說明兩個Agent擁有近似權重，能夠歸為同類。擁有較多Agent的類，將給予Agent較大權重，反之則較小。采用P=[pij]n×m矩陣對全部Agent類進行排列，能夠得到元素pij對應排序位置，代表類的列擁有越高可能性，說明元素越大。對n個Agent的算法運用過程展開分析，可以最初需要完成n個類的構造，使p與n相等，各Agent自成一類。完成兩兩相似度計算后，將包含Agent最小的類合并成新類，確定p=2（n-1）的條件是否滿足。如果滿足可以完成結束聚類，得到類別和數量，否則需要添加新類后循環分析。根據得到最優解完成類別排序后，可以實現信息融合。

2.3 交通水平評價

采用上述算法進行交通事件感知，可以對交通事件與不同擁堵狀態的關聯展開分析，通過科學評價交通水平為信號優化配時提供依據。在實際分析過程中，需要采用神經網絡算法對Agent感知序列歷史數據進行自我學習，做好交通事件分類，使擁堵事件類型和擁堵狀態得到科學區分。通過車聯網獲取車輛特征、運行、道路環境等各種信息，能夠完成突發擁堵狀態、陣發擁堵狀態兩類事件的分類，各樣本共包含12個特征。利用10 000個樣本進行神經網絡訓練，并利用3 000個樣本進行測試，能夠得到各交通事件特征集。從分析結果來看，突發擁堵狀態集合中包含車輛事故、道路維護等，將導致道路通行能力變弱。而陣發擁堵狀態集合中包含特定時段（早晚高峰）、特定地點（學校門口）等交通事件，將面臨道路占有率較高的問題。針對突發擁堵事件，實際周圍道路狀態良好，車流量在運載能力范圍內，還要適當縮短交通事件所在區域車輛排隊長度，使車輛在該區域紅綠燈路口等待時間適當縮短，從而通過提高車輛行駛效率避免交通擁堵情況加重。陣發擁堵狀況的發生意味著車流量超出道路運載能力，容易導致車輛在信號燈路口堆積，為此還要增加車輛通行量，使車輛盡可能多的通過路口區域，使擁堵問題得到緩解。在信號配時優化方面，還要根據擁堵程度評價結果進行確認。

3 交通事件智能感知與擁堵疏導技術實現

3.1 系統總體設計

在交通事件智能感知與擁堵疏導技術實現上，需要完成基于車聯網的信號優化配時擁堵疏導輔助決策系統開發。系統采用模塊化設計方法，由路網交通評價、路口狀態預測、信號配時輔助決策等多部分構成，建立在車聯網大數據架構基礎上，能夠實現數據挖掘、通信技術等各種技術的集成運用實現數據調用分析，為各模塊功能實現提供支持。實際在系統實現時，通過對大量感知設備進行部署，能夠完成路網信息和車輛信息采集，并通過感知設備網絡互連打通數據內循環，使各種數據在各部門間流轉，并通過融合構成豐富數據資源，通過迭代更新促進各項業務的演進，使數據價值得以充分發揮[4]。采用的大數據平臺可以達到PB級別數據處理能力，日均完成3億條浮動車數據、2億條高清卡口數據等各類數據的分析處理，總計每日能夠實現50億條數據處理，使智慧交通大數據分析需求得到滿足。

3.2 模塊功能設計

在系統模塊功能開發上，首先需要加強路網交通評價模型的設計。通過對歷史數據和實時數據進行調用，能夠使核心路口、主干網等敏感交通指數得到監控，如對車流量、車輛速度、擁堵節點等進行監控。在發現指標存在問題時，系統將立即發出報警，實現微觀路口定位，直接確認是否存在交通問題，并結合交通事件嚴重程度進行交通服務水平評價。在路口狀態預測模塊設計上，需要從交通資源優化利用角度出發，使交通問題得到緩解。利用模塊對復雜場景交通運行指數和天氣等狀況展開關聯分析，能夠確定交通流變化和擁堵程度間的關系，分析得到交通擁堵生成機理。根據機理設定預警基準，對道路載荷能力進行管控，能夠加強交通態勢分析和預測，使擁堵治理從被動向主動轉變。在信號配時輔助決策模塊設計上，需要結合分析得到的擁堵規律加強擁堵分析，生成對應消散控制策略，為交通管制人員制定決策提供依據。利用該模塊對各種擁堵疏導方案進行仿真和評估，結合數據進行方案不斷優化，能夠使擁堵得到有效緩解，促使城市道路交通效率得到提升。

3.3 仿真分析結果

在對系統功能進行仿真測試時，可以采用SUMO1.20完成大型路網交通仿真，對不同交通網絡場景和車流量進行構建，獲取車輛和道路數據，并利用腳本語言編寫算法對信號燈狀態和時間進行控制。在參數設定上，路口距離為30 m，擁堵路段長40 m，停車間距為1 m，車輛長統一設定為4 m，最小綠燈時長12 s，最大為80 s，單位延長時間為2 s。在主干道和次干道車流量分別在50～2 400輛/h和50～1 000輛/h波動的情況下，對早晚高峰車流量進行模擬，系統分析得到擁堵路燈綠燈可設定為30 s。從車輛平均延誤時間變化情況來看，能夠減少40%～50%，高峰時段平均行駛速度提高90%以上，平均停車時間減少50%以上，因此能夠使車輛通行效率得到提高。

4 結論

將車聯網中車輛看成是智能體Agent，通過信息融合方式加強各類傳感器與路網環境數據交互，能夠實現對交通事件的智能感知，通過特征分類完成擁堵事件類別和擁堵程度的判斷，從而對交通服務水平展開科學評價。結合擁堵預判結果提出相應擁堵疏導方案，能夠為交通擁堵治理決策制定提供輔助，從而使道路交通管理的科學化、智能化水平得到提升。

參考文獻：

[1]胡方霞.基于車聯網的智慧路網監測系統安全構架研究[J].電子世界，2020，42（19）：22-23.

[2]白靖宇.車聯網技術在交通擁堵治理中的應用[J].黑龍江科學，2019，10（18）：156-157.

[3]謝學澤.基于車聯網大數據的智能交通系統構建[J].信息通信，2020，34（05）：267-268.

[4]林曉輝，梁逸龍，魏文鈺，等.5G車聯網環境下交通流參數提取方法與仿真[J].交通科技，2019，45（06）：93-98.