融合5G-V2X通信的智慧交通服務平臺研發與應用

劉劍 朱虹錦 王蓉

摘 ?要：文章提出并設計了一種融合5G-V2X通信技術的分布式大數據智慧交通服務平臺。利用機器學習相關技術，選擇深度學習領域中的圖卷積神經網絡作為主要的交通預測手段，建立了交通流量預測模型，結合實際交通環境中存在的復雜情形，設計并開發了融合5G-V2X通信的智慧交通服務平臺。最后通過數據對模型和平臺進行了測試，結果表明模型預測的準確性和實效性較高，平臺具有實用性。

關鍵詞：智慧交通;5G-V2X通信技術;圖卷積神經網絡

中圖分類號：TP311;TN929.5 ? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2021）24-0081-04

Abstract： This paper proposes and designs a distributed big data intelligent transport service platform integrating 5G-V2X communication technology. Using machine learning related technology， the graph convolutional neural network in the field of deep learning is selected as the main means of traffic prediction， and the traffic flow prediction model is established. Combined with the complex situation in the actual traffic environment， an intelligent transport service platform integrating 5G-V2X communication is designed and developed. Finally， the model and platform are tested through the data， and the results show the accuracy and effectiveness of the model

prediction is high， and the platform has practicality.

Keywords： intelligent transport; 5G-V2X communication technology; graph convolutional neural network

0 ?引 ?言

改革開放以來，中國經濟的飛速發展推動著城市規模的不繼擴張。隨著城市化建設步伐的日益推進，各大城市的汽車保有量也迅速增加，導致城市的基礎道路設施和交通管控能力很難保證居民的順暢出行。原有交通基礎設施的短板和弊端日益凸顯，同時交通運輸管理工作的手段、措施尚屬經驗型、探索型的狀態，還處于未成熟階段。

如何緩解城市道路擁堵問題，已經成為中國城市交通可持續發展的重點。從行政管理人員角度來講，政府需要更好地運用已有交通設施來增強道路安全，提升服務質量;從駕駛角度來講，需要實時更新的道路交通資訊、有效的危險預警、適時推薦的最佳行駛道路、合理的速度限制，在不好的路面狀況和氣候條件下給予駕駛員合理的幫助。這種日益智能化的交通需求是傳統交通體系所無法順應的。所以，必須將先進的計算機技術整合到交通的全過程，全面提高整個行業的現代化管理水平。

1 ?5G-V2X通信技術與智慧交通概述

1.1 ?智慧交通

21世紀初，美國IBM公司提出了現代智慧交通的新定義。該公司基于智慧地球和智慧城市的概念，將智慧交通定義為以現代化交通信息管理為核心，通過連接、監控以及協調城市綜合公共交通體系、汽車道路信息監控管理系統、城市綜合交通信號管理系統等交通重要組成體系實現城市交通智能化管理的一種方式[1]。智慧交通系統以數據的獲取、傳輸、存儲、管理、挖掘和分析等為主要實現流程，為城市交通參與者提供多元化、定制化、人性化的服務。例如現實生活中廣泛應用的車輛導航，可以實時提供并規劃多種模式、多種場景的智能化城市交通信息，以幫助駕駛員及時根據交通信息避開擁堵路段，以此實現省時、環保、保護道路交通環境等目的。

智慧交通利用各種傳感器收集各類道路交通信號，發出道路交通信號，優化道路交通。各類機構或部門所收集的道路交通信息將統一匯總至城市網絡系統，以備進行大數據分析處理[2]。通過對所匯總的數據進行清洗與挖掘，即可以對城市道路交通狀況做出數據分析，為交通管理機關提供決策支持。

1.2 ?5G-V2X通信技術

隨著科技的不斷突破創新，我國的車聯網產業也得到飛速發展，關鍵技術更是接連取得新突破。憑借其獨有的技術優勢，C-V2X技術已經成為當前世界范圍內解決道路安全問題以及實現自動化駕駛的重要依托。且隨著5G時代的到來，利用5G低時延、高可靠、容量大的特點，5G-V2X將會在更多的應用領域為C-V2X帶來新的技術革新以及滿足其日益多樣性的功能需求[3]。

相較于傳統的通信技術，5G-V2X通信技術具有巨大的優勢，尤其是在傳輸結構方面，5G-V2X通信技術強化了傳輸通道的架構，使得5G-V2X通信技術可在密度更高的環境下進行恰當的數據資源實時通信。根據相關權威機構所做的測試，使用該技術可有效提高交通數據的傳輸效益，使數據延遲降低80%以上，進而使單位時間數據傳輸量提高2倍以上[4]。

1.3 ?融合5G-V2X通信技術的智慧交通服務平臺的意義

由于存在城市交通網絡覆蓋范圍廣、交通設備種類繁雜，以及現有的各種信息化管理系統所采集的數據實時性不強等問題，使得城市交通引導和信息監控這類需要高質量實時交通數據的信息系統，無法實現預期的目標。造成交通管理部門對城市道路情況掌握不夠及時，無法實現對城市交通的實時管控、疏導，使得城市道路使用的合理性不高。所以，利用5G網絡傳輸V2X數據，構建低時延、高可靠性、覆蓋范圍廣的交通數據傳輸系統，具有極高的應用價值。

2 ?基于圖卷積神經網絡的交通流量預測模型

2.1 ?常見交通流量預測模型

智慧交通所研究的核心問題是如何根據所采集的數據，在城市交通流上實現最優的管控和引導，以達到避免道路擁堵，提高道路使用率的目的。而實現城市交通流最優管理的關鍵則是根據歷史交通流數據和相關城市道路數據對城市未來交通流數據進行預測。在眾多的相關研究中，早期學者對于交通流預測所使用的方法主要集中于以時間序列研究為主的移動平均模型、自回歸模型等。

然而，這些模型從原理上來說都屬于線性相關預測模型，無法對復雜的非線性數據進行較好的預測。而現實中的城市交通網絡是一個十分龐大且復雜的系統，具有明顯的時變、非線性以及網絡結構等特點。因此，雖然傳統預測模型在預測線性、短期交通流量時效果十分顯著，但是將這些模型應用到整個交通網絡中則會表現出明顯的欠擬合。神經網絡模型由于其特殊的網絡結構以及強大的學習能力，對復雜且非線性數據的預測效果極好，但是對于時序、線性數據來說，該模型的魯棒性則大幅降低。

2.2 ?基于圖卷積神經網絡的交通流量預測模型構建

由于交通網絡的復雜性，交通流量的動態變化，交通流量不僅與時間存在顯著相關性，還與空間維度上的其他道路及道路所在城市位置相關。雖然現有相關研究已在預測短期交通流量的領域做出了巨大貢獻，但對該領域的研究在預測空間和時間依存關系方面依然存在一定的局限性。本文應用圖卷積神經網絡（Graph Convolutional Network， GCN）來構建交通流量短期預測的新型時空依賴關系模型。圖卷積神經網絡學習空間位置的注意力機制，能夠快速有效地提取相鄰路線上的空間特征信息。同時，圖卷積神經網絡也可以利用局部和全局時空依賴性[5]。在各種真實交通數據集上的實驗結果表明，圖卷積神經網絡能夠實現交通流量的時空預測。

2.2.1 ?圖卷積神經網絡基本原理

圖卷積神經網絡是一種能夠對圖結構類型數據進行處理，并且能夠提取圖數據各節點空間特征的一種深度學習算法。圖結構數據是由節點和邊組成的無向圖，節點表示網絡中的個體，邊表示個體之間的關系。

圖卷積神經網絡的工作原理為：定義一個無向圖Q=（S，T），S為圖中的網絡節點數量，即，節點之間的關系由鄰接矩陣（Adjacency Matrix）A∈RN·N表示，度矩陣Di=∑Aij。將輸入H（l）∈RN·N，圖卷積神經網絡的計算公式為：

其中，;表示激活函數;H（l）∈RN·D表示第l層的輸入;H（0）=X。圖卷積神經網絡結構原理如圖1所示。

2.2.2 ?圖卷積神經網絡預測模型

交通網絡本質上是一個圖結構，且每個節點都可以看作圖上的一個信號。因此將圖卷積神經網絡應用于交通流量預測，本質上是將卷積神經網絡中的卷積操作延伸至圖結構數據上，從而獲取空間上有重要意義的特征和關系，然后將提取到的特征譜圖轉化成傳統數字特征來對圖的拓撲結構進行研究[6]。

2.2.3 ?模型評價指標

本文將圖卷積神經網絡在如前所述的真實道路交通流數據上進行訓練，并以平均絕對誤差（MAE）、均方誤差（RMSE）和擬合優度（R2）作為模型性能的評價指標。三個指標的計算公式分別為：

3 ?融合5G-V2X通信的智慧交通服務平臺

3.1 ?平臺設計原則

融合5G-V2X通信的智慧交通服務平臺的設計原則包括即時性原則、安全原則、人性化操作原則、技術先進性和可擴展性原則：

（1）即時性原則。即從數據傳輸速率上考量，確保數據的時間延遲不超過規定的誤差范圍。

（2）安全原則。應充分考慮從采集、傳輸到存儲整個環節的數據安全性。

（3）人性化操作原則。平臺應盡可能操作簡潔，使用大量可視化操作界面，增強人機互動性。

（4）技術先進性及可擴展性原則。支持海量數據分布式存儲和管理，支持每秒1 000條數據插入，支持億條級數據存儲和管理。

3.2 ?技術路線

融合5G-V2X通信的智慧交通服務平臺是一個基于5G-V2X通信技術、大數據分布式計算技術和深度學習算法的智能交通服務平臺，包含數據采集、數據傳輸、數據存儲、數據處理及數據預測等一套完整的功能體系。為保證數據采集的質量和時效，平臺對數據進行分布式實時采集和傳輸，實現不同信息源的互補性和合作性;為保證敏感數據的安全性和穩定性，平臺采用基于內存計算的Spark分布式大數據處理技術;為保證對交通流量預測的準確性，平臺采用可以全面捕獲時空模式，并利用局部和全局時間依賴性的圖卷積神經網絡進行建模。

對融合5G-V2X通信的智慧交通服務平臺的研發按照數據采集、理論算法研究、數據預處理、大數據平臺構建、高性能數據處理與分析以及交通流量預測的流程展開，具體的技術路線流程如圖2所示。

3.3 ?平臺基本功能

平臺主要功能的實現由兩大部分來完成，分別是基于5G-V2X通信的分布式數據實時采集系統，所執行的操作包括數據采集、數據傳輸、數據存儲等;交通一體化大數據服務平臺，所執行的操作包括交通流預測、實時交通路況播報、突發交通事故預警等。

4 ?實驗結果與分析

為驗證模型的預測精度與穩定性，本文采用智慧交通服務平臺真實數據集進行實驗，將模型預測結果與真實數據相對比，以驗證模型的預測精度與穩定性。

4.1 ?數據集介紹

本次實驗采用的數據集來自“融合5G-V2X通信的智慧交通服務平臺”的真實數據。選擇成都市郫都區96條主要道路作為研究區域，數據集包括兩個部分：第一部分是96×96的鄰接矩陣，以矩陣的方式從空間關系上描述了96條主要路線之間的關系;第二部分是特征矩陣，記錄了每條道路上隨著時間的變化而變化的車流量數值。

4.2 ?實驗結果及分析

選用樣本總量的70%作為訓練集，其余的30%則作為測試集，得到模型在測試集上的平均絕對誤差（MAE）為16.708 7，均方誤差（RMSE）為18.327 0，擬合優度（R2）為0.908 4。

以其中一個節點預測結果為例，與該節點的真實數據相比較，如圖3所示。由圖3可知，圖卷積神經網絡在一天（24小時）中對于該節點的預測結果與真實結果較為接近，上文也提到該模型在測試集上的預測準確率為90.84%，說明圖卷積神經網絡模型可以通過訓練獲得較好的預測性能。

5 ?結 ?論

隨著5G網絡和大數據技術的不斷發展，商用車聯網將迎來新一輪產業變革，建立智慧交通服務平臺能夠以高擴展性、高容錯性、高效性、高可靠性完成交通流大數據的處理和分析，提升交通安全與擁堵主動調控能力。

本文基于目前城市交通中客觀存在的問題，結合5G-V2X通信技術和大數據分析技術，設計開發了基于5G-V2X的智慧交通服務平臺。設計平臺的過程中綜合考慮了數據采集、傳輸和存儲中的難題，支持數據的實時采集、實時傳輸，可支持每秒1 000條數據的插入和億條級數據的存儲和管理;在交通智能化上，經過對算法模型的深入研究，采用圖卷積神經網絡作為交通流預測模型，交通流預測的準確率（擬合優度）高于90%。

參考文獻：

[1] 胡勇劍.智慧交通在智慧城市中的探索與應用 [J].交通與運輸，2020，33（S2）：190-193+199.

[2] 鄭文超，賁偉，汪德生.智慧交通現狀與發展 [J].指揮信息系統與技術，2018，9（4）：8-16.

[3] 李新洲.車聯網LTE-V2X與5G-V2X（NR）對比分析 [J].信息通信技術與政策，2020（7）：93-96.

[4] 丁啟楓，杜昊，呂玉琦.5G-V2X應用場景和通信需求研究 [J].數字通信世界，2019（2）：24-25.

[5] 李志帥，呂宜生，熊剛.基于圖卷積神經網絡和注意力機制的短時交通流量預測 [J].交通工程，2019，19（4）：15-19+28.

[6] 朱凱利，朱海龍，劉靖宇，等.基于圖卷積神經網絡的交通流量預測 [J].智能計算機與應用，2019，9（6）：168-170+177.

作者簡介：劉劍（1975—），男，漢族，四川成都人，副教授，博士，研究方向：車聯網、大數據、物流管理。