采用物流車輛V2V通信數據的實時路況計算方法

劉源

摘? 要：提出了一種基于V2V通信的車輛前方道路實時路況的預測方法，該方法可在不增加通信負載的前提下，快速預測道路擁堵情況。首先，根據V2V通信的特點，建立廣播信息的數據類型列表，并按規則清洗數據;然后，提出采用瞬時速度和5min內平均速度作為評價道路擁堵情況的指標，并給出等級劃分標準;接著，利用車頭方向和GPS坐標變化率篩選出車輛即將通行道路上車輛的廣播信息作為分析數據;最后，利用模糊C值聚類算法（FCM）對樣本聚類，將所有聚類中心坐標進行加權，得到該路段車的瞬時速度和平均速度值。通過實例分析，該方法得到的道路預測結果與實際情況相符，是一種有效的實時路況計算方法。

關鍵詞：V2V通信;實時路況預測;綜合加權;FCM

中圖分類號：F252??? 文獻標識碼：A

Abstract： A real-time road condition prediction method based on V2V communication is proposed， which can quickly predict the road congestion without increasing the communication load. Firstly， the data type list of broadcast information is established according to the characteristics of V2V communication， and the data is cleaned in accordance with some rules. Then， the instantaneous speed and the average speed within 5 minutes are used as the indicators to evaluate the road congestion， and the grading standards are given. After that， the broadcast informantion coming from vehicles on approaching section should be sreened by the locomotive direction and the change rate of GPS coordinates， so as to are used to screen the broadcast information which come from vehicles on the road to be passed as analysis data. Finally， the fuzzy C-Means algorithm is used to cluster the samples. All the coordinates of cluster centers are weighted to obtain the instantaneous speed and average speed in this section. Through analysis of an example， the road prediction results obtained by this method are consistent with the actual situation. This suggests that it is an effective method to predict real-time road condition.

Key words： V2V communications; predict of real-time traffic condition; comprehensive weighted; FCM

物流作為國家發展的重要經濟命脈，利用先進技術提高物流車輛的全面感知能力、智能交互能力，是提升運輸效率、節約能源和改善環境的重要途徑。當物流車輛進入城市路網時，由于對前方路況缺乏預判，常常遇到道路擁堵問題，頻繁的啟停不僅會劣化車輛的燃油經濟性，而且容易引發交通事故。造成這種現象的原因是由于物流車輛無法感知周圍車輛信息，不能形成實時路況判斷。

對于道路短時間內的路況預測，主要分為基于模型的預測算法和數據驅動的預測算法[1]。基于模型的路況預測代表性算法主要有卡爾曼濾波模型[2]、基于時間序列模型[3]。這類模型在處理動態、非線性數據上存在缺陷。數據驅動的路況預測方法主要是指對非線性數據具有良好處理能力的各種機器學習算法。文獻[4]采用Canopy算法設定聚類中心和個數，改進后的模糊C值算法能夠獲得路段中車輛的平均速度。文獻[5]提出了一種基于K—近鄰算法的交通擁堵指數預測模型，預測在考慮多重外部因素影響下的中短期交通狀況。文獻[6]提出了一種利用生物智能算法優化的小波神經網絡模型，對道路定點采集數據進行了短時路況預測，獲得了較高的預測精度。文獻[7]將客車占比引入LSTM神經網絡模型，改進了短時交通流預測模型，提高了預測精度。這類數據驅動方法，利用道路固定設施和浮動車輛采集的數據可進行較高精度的建模分析，但是樣本獲取較困難且對樣本數量要求較高，在歷史數據不足的情況下，模型訓練將達不到預期的預測精度，且模型的計算復雜度較高。

作為智能交通的重要組成部分，車輛基本能夠具備感知周圍環境的能力[8]。基于C-V2X（Cellular-V2X）技術標準的V2V通信速率已經可以滿足實時路況預測的要求。近年來，已發展出多種利用V2V信息交換預測交通擁堵檢測方法，例如：將前車檢測到的擁堵信息后向傳播的CoTEC（Cooperative traffic congestion detection）[9]，利用車輛行駛速度、車流密度以及交通擁堵評級體系構建模糊控制器預測本地交通擁堵情況的方法[10]。這些算法需要與鄰近車輛頻繁通信驗證預測結果，通信負載較高，通常只在車輛已經檢測到擁堵時才觸發V2V通信。

對于物流車輛而言，同一運營機構所屬的物流車輛數量較大，且相互間已具備基本數據交換設備，完全可以利用V2V通信實時預測路況。在不增加通信負載的情況下，本文提出了一種基于模糊C值聚類算法的實時路況模型，該模型通過預測道路瞬時速度和平均速度來判斷擁堵情況。首先，通過對V2V通信交換數據的相關性分析，篩選出與當前路段實時路況相關的數據構成樣本集合，然后，將所有樣本按屬性特征聚類，獲得能夠體現樣本特征的聚類中心，最后將各聚類中心屬性特征進行加權，計算出前方路段的瞬時車速和平均車速，對照道路擁堵評級劃分標準獲得最終的實時路況預測結果。該預測結果能夠有效幫助物流車輛及時做出分流、避讓等決策，不但可以提高運輸的經濟性，也可提高運輸的安全性。

1? 基于V2V信息交換采集數據

1.1? V2V通信交換的數據類型

V2V通信是通過PC5接口的短程直通式通信方法[11]。這種通信方式具有通信距離短、延時低、可靠性高的特點，并支持車輛間單播和組播功能，非常適合同一運營機構所屬物流車輛間的信息交換及編隊行駛需求。

物流車輛間通過車載終端設備OBU（On Board Unit）進行相互廣播通信，產生的數據類型主要為車輛基本信息和車輛實時狀態信息兩大類[12]。具體內容如表1所示。

物流車輛的車載OBU按一定的頻率向周圍OBU發送廣播消息，并實時接收其他OBU發送的廣播消息，及時解析獲取道路實況。

車載OBU接收到的廣播消息，可能會因為信號傳輸不穩定、遮擋、操作失誤等導致采集數據失效，失效數據將成為后續輸入實時路況預測模型的噪聲，必須經過清洗處理，才能保證后續分析的準確性。通常，對于異常數據的判別和清理，按以下規則處理：

規則1：若車輛ID與車載終端ID不匹配，則說明數據來源錯誤，則直接刪除該條信息。

規則2：若鄰近兩次數據傳輸中，發動機狀態都為停機狀態，則認為該車處于非正常行駛狀態或停運狀態，則直接刪除該條信息。

規則3：若車輛瞬時車速大于道路規定的車速限值或為負值，則直接刪除該條信息。

規則4：若鄰近兩次數據傳輸中，車輛瞬時車速均為0km/h，但車輛行駛里程變化超過500m，則直接刪除該條信息。

經上述規則清洗后的數據，刪除了因傳輸失誤產生的錯誤數據以及車輛發生故障、事故或停運產生的非正常運行數據，其余數據將存儲并上傳至物流企業的監控管理平臺。

1.2? 數據相關性分析

在物流車輛自身構建的V2V通信網絡中，每一輛車都是以本車所處地理位置為圓心、通信范圍為半徑（<300m），向周邊物流車輛發送和接收廣播消息，其信息來源車輛可能處于與該接收信息車輛同向、反向、轉彎等位置狀態。物流車輛預測道路實況的目的是為了獲取該車輛預計前向通行路段的擁堵情況，若發生擁堵，則向車輛告警，幫助車輛做出是否改變運行軌跡的決策。因此，在所有采集到的信息中，應篩選出與車輛準備通過路段緊密相關的數據信息，才能保證預測結果的準確性，滿足物流車輛的需求。

而與車輛即將通過路段最為相關的數據應來自于該車運行前方車輛發出的廣播信息，如圖1所示。以該運行車輛車頭方向來判斷該車的運行方向，過該車GPS定位坐標且垂直于運行方向上做一條直線，在車輛前進方向做一條平行該線的直線，兩條直線相距300m。這兩條直線之間所框定的范圍為車輛前向范圍。根據V2V通信的特點，該車能夠接收到以該車坐標為圓心，最大通信范圍（300m）為半徑的圓內所有車輛所廣播的信息。在這些信息中，只有來自于GPS坐標落入兩直線框定的前向范圍內車輛的才是有效信息。

通過上述篩選，就得到了與車輛前方道路密切相關的數據。但是，如在車輛運行前方有十字路口，那么，在接收到的前方車輛信息中會包含與車輛運行方向平行和垂直兩種類型車輛發送的廣播信息。這兩類信息分別反饋了十字路口中兩條相互垂直道路的通行情況。為了更加準確的預測車輛預計通行道路的實時路況，在十字路口處，應根據該車輛直行或轉向操作來分情況討論。

假設第t次發送廣播信息時，車輛的經緯度坐標為P，Q，在經過ΔT時間間隔再次發送車輛經緯度坐標為P，Q，則可以計算出兩次采樣時間間隔中車輛經度和緯度的變化率：

ΔP=?????????????????????????????????????????????? （1）

ΔQ=????????????????????????????????????????????? （2）

若ΔP>ΔQ，則說明車輛在東西方向上的位置變化比南北方向上的位置變化程度更大，總體應判斷為東西方向行進;反之，則總體應為南北方向上行進。

按式（1）和式（2）計算出該車和落入前向范圍內的所有廣播車輛的GPS坐標變化率。

情況1：當前車輛預計直行時（轉向燈未亮起），篩選與該車具有相同坐標變化規律車輛所廣播的信息作為分析數據。

情況2：當前車輛預計轉向時（轉向燈亮起），篩選與該車具有相反坐標變化規律車輛所廣播的信息作為分析數據。

2? 基于FCM算法的實時路況模型

2.1? 道路擁堵情況評價指標

由于對城市道路通行優化的目標不同，既有局部的機動車道調整優化、交叉路況通行效率優化，又有全局的結構調整優化，其對應的道路擁堵情況的評價指標也不盡相同[13]。由于V2V通信距離短，前后車通過相同路段的時間間隔較短，因此，對于路況通行情況的評價指標應采用瞬時指標和短時間內的均值指標。故本文提出用瞬時車速和5min內平均車速來作為評價指標。5min內平均車速可以用時間間隔5min的兩次采樣數據中的行駛里程來計算。

通行路段的平均車速是最直接反映擁堵情況的指標。通常，道路的擁堵程度可劃分為“暢通，較暢通，輕度擁堵，中度擁堵，重度擁堵”五個等級[14]。物流車輛通行道路多為城市主干道，因此，給出了在城市主干道5min內平均車速等級劃分標準，如表2所示。

瞬時車速雖然不能直接體現道路的擁堵情況，但是該項指標為后續通過車輛給出了通行時車速的參考。一般來說，車輛的瞬時車速較高，說明車輛當下的運行狀態良好，也從側面反映了道路通行情況良好。若車輛的瞬時車速與路段平均車速較接近，說明在該路段車輛能夠以較均勻的車速行駛;若車輛的瞬時車速與路段平均車速相差較大，說明車輛通過該路段是啟停操作較頻繁，或者遇到突發情況。

2.2? 基于特征加權的FCM算法

模糊C值聚類算法（Fuzzy C-Means，FCM），將模糊概念引入硬C均值聚類算法中，實現每個數據對聚類中心的軟分

類[15]。FCM算法中每個數據點對聚類中心的隸屬度在0，1范圍內可變，以目標函數最小化為目標，循環迭代更新隸屬度矩陣和聚類中心，最終實現數據的分類。

設樣本集合X=x，x，…，x中有n個樣本，每一個樣本都具有k個屬性，則每一個具有k個屬性的樣本x都對應特征空間中的一個點。將樣本集合中的所有數據按m個聚類中心C進行劃分，其劃分的依據為樣本x對該聚類中心C的隸屬度u

∈0，1，從而得到隸屬度矩陣：

U=u?????????????????????????????????????????????? （3）

樣本對各聚類中心的隸屬度應滿足：

u=1， ？坌j=1，2，…，n????????????????????????????????????????? （4）

定義FCM算法的目標函數為：

J=ud????????????????????????????????????????????? （5）

其中：l∈[1，+∞）為隸屬度因子。

d為第j個樣本到第i個聚類中心的歐式距離：

d=?????????????????????????????????? （6）

求解目標函數J最小化的條件，可得到隸屬度u和聚類中心C的迭代更新公式：

c=???????????????????????????????????????? ??????（7）

u=?????????????????????????????????????????? （8）

當第K+1次迭代后，其隸屬度不發生較大變化時，即小于設定的誤差閾值ε時，則認為隸屬度已達到較優值，目標函數收斂于局部極值點，迭代停止：

maxu-u<ε?????????????? ???????????????????????????（9）

式中：K為迭代步數;ε為誤差閾值。

迭代結束可得到最終的隸屬度矩陣U和聚類中心矩陣C。

采用FCM算法構造實時路況計算模型時，由該時段采集的有效數據構成樣本集合X，每一個樣本都包含車速V和公里數L（5min）2種屬性。由于V2V通信車輛數量較少，且城市道路中車速變化范圍不大（0～80km/h），因此，模型選擇3個聚類中心進行劃分。

首先，在0，1區間隨機抽取數值構造初始化隸屬度矩陣，且滿足式（4）中的約束條件。然后，計算所有采集的車輛運行樣本到3個聚類中心C的距離，代入公式（7）和式（8）更新聚類中心和隸屬度矩陣。若未達到終止迭代的條件，則重復公式（7）、式（8）計算，繼續跟新聚類中心和隸屬度矩陣，直到目標函數收斂于極小值點，迭代終止，此時將輸出聚類中心坐標矩陣和隸屬度矩陣。聚類中心坐標矩陣給出了3個聚類中心的瞬時速度V和公里數L，可以求出該聚類中心的平均速度為：

=×60????????????? ???????????????????????????????（10）

隸屬度矩陣給出了每個數據樣本對聚類中心的隸屬分類，由此可以統計出每個聚類中心所聚集的樣本數量n。聚類中心的速度特征最大程度的代表了聚集在該中心樣本的特征，而聚集樣本數量最多的聚類中心特征最能體現出該時段所有采集樣本的速度特征。但是，僅以最大聚類中心的特征來表征該時段車輛運行的瞬時速度V和平均速度，會丟掉其他數據樣本所包含的信息，因此，需綜合考慮其他聚類中心的特征對該時段車輛運行速度估算的貢獻。為此，根據各聚類中心的聚類數量引入權重W=·100%，將聚類中心的特征加權后，獲得該時段所有車輛通過時的平均速度的估算值以及后續車輛通過時可能的瞬時速度預測值：

V=V·W??????????????????????????????????????????? （11）

=·W????????????????????? ??????????????????????（12）

最后，對照道路擁堵情況等級劃分標準確定前方道路的實時擁堵情況。至此，構建了基于FCM算法的實時路況模型，其計算基本流程如圖2所示。

3? 實例分析

3.1? 實例數據及算法參數

本文選擇鄭州市平安大道3km長路段作為數據采集路段，該測試路段共4個紅綠燈路口，工作日7：00～9：00為早高峰，18：00～20：00為晚高峰，道路處于擁堵狀態，選擇晚高峰時段采集擁堵時段數據;其他時段，道路基本處于暢通狀態，暢通時段數據選擇上午10：00～11：00為采集時段。

暢通時段和擁堵時段分別采集50組數據（包含車輛速度和5分鐘行駛公里數兩個參數），即樣本個數N=N=50，聚類中心個數取m=3，隸屬度因子l=2，誤差閾值ε取0.0000001。采用Python 3.0編程實現，分別得到暢通時段和擁堵時段的數據聚類結果圖，如圖3所示。各聚類中心的坐標及該類別數據數量如表3所示。

3.2? 聚類結果分析

圖3（a）為暢通時段采集數據的聚類結果。數據共產生了3個聚類中心，分別分布于低速、中速和高速運行區間。聚類中心1為低速運行區間的聚類點，瞬時車速約為0.18km/h，5min通過里程約為3.67km，采集數據中有3個數據點劃分到該聚類中心，占比6%。聚類中心2為中速運行區間的聚類點，瞬時車速約為24.2km

/h，5min通過里程約為3.53km，采集數據中有14個點劃分到該聚類中心，占比28%。聚類中心3為高速運行區間，瞬時車速約為43.1km/h，5min通過里程約為3.62km，采集數據中有33個點被劃分到該聚類中心，占比66%。聚類結果表明，該時段采集的數據更傾向于聚類中心3所體現的特征。根據各聚類中心所劃分數據占比對最終路況計算模型權重賦值。由此，獲得該路段在該時刻的瞬時車速為35.2km/h，5min中通過里程為3.6km，則車輛在該路段短時間的平均車速約為43.2km/h。

根據路段平均行程速度等級劃分，該路段短時間的平均車速>35km/h，應屬于暢通，這與采集數據時的實際路況相符。該路段瞬時車速的計算結果為35.2km/h，瞬時車速也高于35km/h，說明物流車輛在該時段將大概率以較高車速行駛。但是，瞬時車速與平均車速相差較大，這是由于采集數據路段包含十字路口，車輛在路口遇紅燈停運以及紅燈前后時段的運行車速較緩慢，導致車輛瞬時車速計算結果低于5min內平均車速計算值。

圖2（b）為擁堵時段采集數據的聚類結果。數據共產生了3個聚類中心。聚類中心1的瞬時車速約為0.7km/h，5min通過里程小于0.45km，采集數據中有11個數據點劃分到該聚類中心，占比22%。聚類中心2的瞬時車速約為10km/h，5min通過里程小于0.38km，采集數據中有23個點劃分到該聚類中心，占比46%。聚類中心3的瞬時車速約為20.7km/h，5min通過里程小于0.79km，采集數據中有16個點被劃分到該聚類中心，占比32%。聚類結果表明，該時段采集的數據更傾向于聚類中心2所體現的特征。計算可得該路段在該時刻的瞬時車速為11.4km/h，5min中通過里程為0.5km，車輛在該路段短時間的平均車速約為6.2km/h。

根據路段平均行程速度等級劃分，該路段短時間的平均車速≤15km/h，應屬于重度擁堵，這與采集數據時的實際路況相符。該路段瞬時車速的計算結果為11.4km/h，也低于15km/h，說明物流車輛在該時段將大概率以低速運行。計算得到的瞬時車速高于平均車速，這是由于道路擁堵時車輛處于頻繁啟停狀態，通常車輛起步速度高于10km/h，而車輛擁堵停運時長過長將導致計算周期內的平均車速降低，因此，車輛瞬時車速計算結果高于5min內平均車速計算值。

4? 結束語

本文提出了一種基于V2V通信的車輛前方道路實時路況的預測方法，通過實例分析證明該方法可在不增加通信負載的前提下，快速預測道路擁堵情況。

（1）該方法根據V2V通信的特點，建立廣播信息的數據類型列表，獲取通信范圍內車輛廣播信息。然后，按照給出的數據清洗規則判別和刪除因傳輸不穩定、遮擋、操作失誤等造成的異常數據，將有效數據上傳并存儲。為了能夠快速預測前方路段短時間內的通行情況，提出采用瞬時速度和5min內平均速度作為評價道路擁堵情況的指標，并給出了評價等級劃分的標準。

（2）為了更加準確地判斷車輛即將通行路段的實時路況，本文提出了利用車頭方位劃定前向道路范圍的方法，只篩選GPS坐標落入該區域的車輛發送的廣播信息進行分析。

（3）在車輛即將通過十字路口時，會出現直行和轉向兩種操作，需分別對這兩種操作對應道路的路況進行預測。本文提出利用GPS坐標變化率來判斷車輛運行方向。當車輛預計直行通過路口時，篩選與該車具有相同坐標變化規律車輛所廣播的信息作為分析數據;當前車輛預計在路口轉向時，則篩選與該車具有相反坐標變化規律車輛所廣播的信息作為分析數據。

（4）本文利用FCM算法將樣本集中的數據分為3類，以每個聚類中心聚集的樣本數量與總樣本數量的比值作為權重，將3個聚類中心的坐標進行加權綜合，得到該路段所有車輛的瞬時速度和平均速度，該計算結果包含了各個聚類中心的特征，最大程度地反映出了樣本集合中所有樣本的特征。

參考文獻：

[1] 盧生巧，黃中祥. 基于深度學習的短時交通流預測模型[J]. 交通科學與工程，2020，36（3）：74-80.

[2] 白偉華，張傳斌，張塽旖，等. 基于異常值識別卡爾曼濾波器的短期交通流預測[EB/OL]. （2020-09-29）[2021-03-31]. https：

//doi.org/10.19734/j.issn.1001-3695.2020.03.0070.

[3] 田保慧，郭彬. 基于時空特征分析的短時交通流預測模型[J]. 重慶交通大學學報（自然科學版），2016，35（3）：105-109.

[4] 張長青，楊楠. 基于車聯網大數據分析的實時路況檢測系統[J]. 電子科技，2019，32（8）：66-69.

[5] 韋清波，何兆成，鄭喜雙. 考慮多因素的城市道路交通擁堵指數預測研究[J]. 交通運輸系統工程與信息，2017，17（1）：74-81.

[6] 劉寶，吳宗德，楊金瑩. 生物智能算法優化小波神經網絡研究及其在交通流預測應用[J]. 北京交通大學學報，2020，44（5）：17

-26.

[7] 翁小雄，郝翊. 基于LSTM引入客車占比特征的短時交通流預測[J]. 重慶交通大學學報（自然科學版），2020，39（11）：20-25.

[8] 徐侃春. 基于車聯網的智能交通系統研究[J]. 鐵路計算機應用，2018，28（3）：57-59.

[9]? Bauza R， Gozálvez J. Traffic congestion detection in large-scale scenarios using vehicle-to-vehicle communications[J]. Journal of Network and Computer Applications， 2013，36（5）：1295-1307.

[10] 王潤民，劉丁貝，胡錦超，等. 車聯網環境下基于模糊邏輯的交通擁堵檢測方法[J/OL]. 計算機應用研究（2019-05-14）[2021

-03-31]. https：//doi.org/10.19734/j.issn.1001-3695.2018.10.0894.

[11] 心睿，王潤民，石娟，等. 典型V2X通信技術標準化進展及對比分析研究[C] // 2020中國汽車工程學會年會論文集，2020：151-156.

[12] 錢浩，仇成群. 基于車聯網V2V的汽車自適應巡航控制系統設計[J]. 電子科技，2017，30（8）：92-95.

[13] 馬超，楊洪嬌. 基于多源數據的城市道路擁堵優化評價方法[J]. 公路，2019（4）：246-249.

[14] 上海市質量技術監督局. DB31/T997-2016城市道路交通狀態指數評價指標體系[Z]. 2016.

[15] 郭松，郭廣禮，李懷展，等. 基于降維模糊C均值聚類算法的采動場地穩定性評價[J]. 煤炭科學技術，2020，48（10）：137-142.