基于云邊端協(xié)同的智能車輛監(jiān)控平臺研究與應(yīng)用

摘要：文章提出基于云邊端協(xié)同的智能車輛監(jiān)控平臺研究與應(yīng)用，特別是在高速公路智能車輛監(jiān)控方面的應(yīng)用，旨在通過云-邊-端的協(xié)同工作，提升系統(tǒng)的實時性、數(shù)據(jù)處理能力和安全性，為高速公路車輛監(jiān)控提供更為精準(zhǔn)、高效的技術(shù)支持。

關(guān)鍵詞：邊緣計算；智能交通系統(tǒng)；云-邊-端架構(gòu)；高速公路；車輛監(jiān)控

中圖分類號：U412.6

0 引言

隨著經(jīng)濟的快速發(fā)展和人民生活水平的提高，高速公路的車流量逐年增長，對車輛監(jiān)控與管理提出了更高的要求。傳統(tǒng)的中心化車輛監(jiān)控系統(tǒng)由于數(shù)據(jù)傳輸延遲、數(shù)據(jù)處理能力不足等問題，難以滿足實時、高效的監(jiān)控需求。邊緣計算作為一種新興的計算模式，通過將數(shù)據(jù)處理和分析任務(wù)從中心云推向網(wǎng)絡(luò)邊緣，將為高速公路智能車輛監(jiān)控提供新的解決方案。因此，研究基于云邊端協(xié)同的智能車輛監(jiān)控平臺［1］具有重要意義。

1 基于云邊端協(xié)同的智能車輛監(jiān)控平臺概述

考慮到現(xiàn)有高速公路智能監(jiān)控系統(tǒng)在實時性、數(shù)據(jù)處理能力和安全性等方面存在的不足，本文提出基于云邊端協(xié)同的智能車輛監(jiān)控平臺研究與應(yīng)用。該平臺采用“云-邊-端”的架構(gòu)方式，通過云端進行全局?jǐn)?shù)據(jù)管理和高級分析，邊緣端負(fù)責(zé)實時數(shù)據(jù)處理和響應(yīng)，前端設(shè)備則實現(xiàn)數(shù)據(jù)采集和執(zhí)行指令。邊緣計算技術(shù)的應(yīng)用，將使得高速公路監(jiān)控系統(tǒng)能夠在數(shù)據(jù)產(chǎn)生的源頭進行快速處理，降低了數(shù)據(jù)傳輸延遲，提高了實時性。同時，邊緣端的數(shù)據(jù)處理能力也分擔(dān)了云端的計算壓力，提升了系統(tǒng)的整體性能。通過加強前端設(shè)備的智能化和協(xié)同化，系統(tǒng)將能夠?qū)崿F(xiàn)更精準(zhǔn)的數(shù)據(jù)采集和更高效的指令執(zhí)行。這種架構(gòu)方式不僅提高了智能交通系統(tǒng)的實時性和準(zhǔn)確性，還增強了系統(tǒng)的安全性和可靠性，為未來的智能交通的發(fā)展提供有力的技術(shù)支撐。

2 整體架構(gòu)

本文提出云-邊-端的架構(gòu)方式，在高速公路智能車輛監(jiān)控方面，該架構(gòu)能夠充分發(fā)揮邊緣計算的優(yōu)勢，實現(xiàn)高效、實時的車輛監(jiān)控。如圖1所示。

在云端，構(gòu)建大數(shù)據(jù)平臺，用于存儲和分析海量的車輛監(jiān)控數(shù)據(jù)。通過云計算的強大計算能力，對車輛行駛軌跡、速度、密度等信息進行深度挖掘，為高速公路運營管理部門提供決策支持。

在邊緣端，部署具有計算能力的邊緣節(jié)點，邊緣節(jié)點負(fù)責(zé)實時數(shù)據(jù)處理和分析。在接收到前端設(shè)備傳輸?shù)臄?shù)據(jù)后，邊緣節(jié)點利用內(nèi)置的計算資源和算法模型，對數(shù)據(jù)進行快速處理和分析。這包括車輛識別、軌跡跟蹤、異常檢測等操作。通過邊緣計算，系統(tǒng)能夠?qū)崿F(xiàn)對高速公路上車輛的實時監(jiān)控和預(yù)警，為交通管理部門提供及時、準(zhǔn)確的信息支持。

前端設(shè)備主要承擔(dān)數(shù)據(jù)采集和初步處理的任務(wù)。通過部署在高速公路沿線的攝像頭和ETC門架設(shè)備，前端設(shè)備能夠?qū)崟r采集車輛圖像、速度、位置等信息，并將這些數(shù)據(jù)傳輸至邊緣節(jié)點。為了提高數(shù)據(jù)采集的準(zhǔn)確性和效率，前端設(shè)備需要具備高清晰度、高幀率、低延遲等特性，同時還需要具備一定的數(shù)據(jù)處理能力，如圖像壓縮、目標(biāo)檢測等。

3 系統(tǒng)關(guān)鍵設(shè)計

在設(shè)計高速公路智能車輛監(jiān)控系統(tǒng)時，需要充分考慮系統(tǒng)的實時性、準(zhǔn)確性、安全性以及可擴展性等方面的需求。以下是一些關(guān)鍵設(shè)計要點：

（1）實時性設(shè)計：通過優(yōu)化數(shù)據(jù)傳輸和處理流程，減少數(shù)據(jù)傳輸延遲和處理時間，確保系統(tǒng)能夠?qū)崟r響應(yīng)車輛監(jiān)控中的異常情況。例如，采用高效的數(shù)據(jù)壓縮和傳輸協(xié)議，降低數(shù)據(jù)傳輸?shù)拈_銷；利用并行計算和分布式處理技術(shù)，提高數(shù)據(jù)處理的速度和效率。

（2）準(zhǔn)確性設(shè)計：通過提升前端設(shè)備的采集精度和邊緣節(jié)點的算法準(zhǔn)確性，確保系統(tǒng)能夠準(zhǔn)確識別車輛、跟蹤軌跡并檢測異常事件。例如，采用高分辨率攝像頭和先進的圖像識別算法，提高車輛識別的準(zhǔn)確率；利用深度學(xué)習(xí)等技術(shù)對車輛行為進行建模和分析，提高異常檢測的準(zhǔn)確性。

（3）安全性設(shè)計：加強系統(tǒng)的安全防護措施，防止數(shù)據(jù)泄露和非法訪問。通過數(shù)據(jù)加密、訪問控制、入侵檢測等技術(shù)手段，確保高速公路智能車輛監(jiān)控系統(tǒng)的數(shù)據(jù)安全和隱私保護。同時，建立健全的安全管理制度和應(yīng)急預(yù)案，提高系統(tǒng)的抗風(fēng)險能力。

（4）可擴展性設(shè)計：考慮到高速公路網(wǎng)絡(luò)的不斷擴展和車輛數(shù)量的增長，系統(tǒng)需要具備良好的可擴展性。通過模塊化設(shè)計和分布式部署，使得系統(tǒng)能夠方便地增加新的監(jiān)控節(jié)點和設(shè)備，滿足不斷變化的監(jiān)控需求。此外，系統(tǒng)還應(yīng)支持與其他智能交通系統(tǒng)的集成和互操作，實現(xiàn)更廣泛的信息共享和協(xié)同工作。

4 車輛智能監(jiān)控方法

本文提出的基于云邊端協(xié)同的重點車輛交通場景智能監(jiān)控平臺主要圍繞數(shù)據(jù)治理階段、車輛行為分析階段、預(yù)警信息發(fā)布與反饋階段等幾個步驟開展實施。

4.1 數(shù)據(jù)治理階段

數(shù)據(jù)治理階段主要通過采集、預(yù)處理、緩存來完成數(shù)據(jù)的清洗。

數(shù)據(jù)采集：通過部署在交通場景中的攝像頭和監(jiān)控等終端設(shè)備，實時采集重點車輛的位置、速度、行駛軌跡等信息，并通過邊緣計算服務(wù)器完成初步的快速處理和結(jié)構(gòu)化分析預(yù)處理，將預(yù)處理后的數(shù)據(jù)上傳到云端進行進一步大規(guī)模的數(shù)據(jù)分析和挖掘。

數(shù)據(jù)預(yù)處理：云端數(shù)據(jù)解析服務(wù)器在接收到各類高速公路數(shù)據(jù)寫入請求后，先對數(shù)據(jù)進行進一步的清洗和處理。將雜亂無規(guī)則的數(shù)據(jù)處理為符合規(guī)范的、完整的能被保存的數(shù)據(jù)。將數(shù)據(jù)按預(yù)設(shè)規(guī)則進行分類，同一類型的數(shù)據(jù)歸并到一起；進行臟值處理，由于輸入設(shè)備技術(shù)良莠不齊，部分?jǐn)?shù)據(jù)會有缺失或重復(fù)，若缺失非關(guān)鍵屬性，則使用默認(rèn)值填充，若缺失關(guān)鍵屬性，則廢棄當(dāng)前記錄值并告知前端用戶；將預(yù)處理完成的數(shù)據(jù)提交至數(shù)據(jù)緩沖區(qū)。

數(shù)據(jù)緩存：經(jīng)過預(yù)處理過的數(shù)據(jù)進入數(shù)據(jù)緩沖區(qū)后，根據(jù)數(shù)據(jù)類型的不同而進入不同的緩沖區(qū)隊列，緩沖區(qū)可以對海量數(shù)據(jù)進行實時監(jiān)控。數(shù)據(jù)緩沖區(qū)由若干個數(shù)據(jù)隊列構(gòu)成，為數(shù)據(jù)進行分流和緩存歸類。每個緩沖隊列均有一個閾值，當(dāng)?shù)竭_隊列閾值時，數(shù)據(jù)會進入數(shù)據(jù)寫入模塊，并通過多線程寫入的方式同時對數(shù)據(jù)進行寫入操作并留以后續(xù)的緩存使用［3］。

4.2 車輛行為分析階段

結(jié)合云邊端處理后的流水信息及相關(guān)數(shù)據(jù)，包括車牌、車牌顏色、車輛類型、輪軸數(shù)、車輛品牌、車輛載重、車身顏色、車輛行駛軌跡等特征，先形成重點車輛車輛特征數(shù)據(jù)，完成車輛畫像服務(wù)。如圖2所示。

車輛畫像服務(wù)可對車輛基本信息、車輛歷史通行情況、違規(guī)行為分析等角度對車輛的通行進行多角度分析，對車輛的通行進行綜合評價，以及輔助監(jiān)控人員業(yè)務(wù)需求篩選目標(biāo)車輛，并對符合特征的車輛駕駛行為進行智能分析。通過多流水?dāng)?shù)據(jù)融合，還能夠?qū)TC交易、車輛GPS數(shù)據(jù)、圖片數(shù)據(jù)、視頻數(shù)據(jù)等多條流水?dāng)?shù)據(jù)融合，并結(jié)合路網(wǎng)模型糾偏還原車輛行駛軌跡。

結(jié)合車輛畫像服務(wù)，開展車輛違規(guī)駕駛行為建模，包括對超速行駛、慢速行駛、疲勞駕駛、套牌分析、異常停靠點分析等進行數(shù)據(jù)建模，并進行交通要素風(fēng)險評估，制定出各類違規(guī)行為的風(fēng)險等級［2］。在重點車輛駛?cè)敫咚俟泛螅嚓P(guān)數(shù)據(jù)模型可以自動根據(jù)云端接收到的車輛通行信息，實時監(jiān)控車輛的駕駛行為，并給出分析結(jié)果。

4.3 預(yù)警信息發(fā)布與反饋階段

預(yù)警信息發(fā)布與反饋是基于云邊端協(xié)同的重點車輛交通場景智能監(jiān)控平臺中的關(guān)鍵環(huán)節(jié)，其確保了信息的及時傳遞和系統(tǒng)的持續(xù)優(yōu)化。

平臺通過集成多種通信渠道，確保預(yù)警信息能夠迅速、準(zhǔn)確地傳達給相關(guān)部門和人員。當(dāng)監(jiān)控平臺檢測到異常事件或潛在風(fēng)險時，會自動生成預(yù)警信息，并通過短信、郵件、應(yīng)用推送等方式，將預(yù)警內(nèi)容實時發(fā)送給交通管理部門、交警、應(yīng)急救援隊伍等關(guān)鍵人員。同時，平臺還支持將預(yù)警信息展示在監(jiān)控大屏上，供現(xiàn)場管理人員直觀了解交通狀況。如圖3所示。

同時平臺會根據(jù)事件類型和風(fēng)險等級，提供個性化的預(yù)警信息模板，確保每條預(yù)警信息都能清晰傳達事件的性質(zhì)、位置、影響范圍等關(guān)鍵信息，支持對預(yù)警信息進行定制化設(shè)置，以滿足不同層級用戶的信息需求。

在預(yù)警反饋機制上，平臺將通過建立一個完善的數(shù)據(jù)和預(yù)警結(jié)果自動反饋渠道，收集預(yù)警信息的反饋結(jié)論，其中也包括用戶的標(biāo)記結(jié)果。通過平臺提供的反饋機制，再預(yù)警結(jié)束后對預(yù)警信息的準(zhǔn)確性、及時性、有效性等方面進行綜合評價，并自動歸檔和改進數(shù)據(jù)模型參數(shù)。數(shù)據(jù)模型會定期歸納這些反饋數(shù)據(jù)，不斷進行自我訓(xùn)練，進一步優(yōu)化數(shù)據(jù)模型算法和平臺功能。

5 試驗驗證與結(jié)果分析

為了驗證本文提出的基于云邊端協(xié)同的智能車輛監(jiān)控平臺的有效性，進行相關(guān)論證和試驗。

在實現(xiàn)基于云邊端協(xié)同的智能車輛監(jiān)控平臺時，需要選擇合適的硬件和軟件平臺，進行系統(tǒng)的開發(fā)和部署。同時，需要對系統(tǒng)進行全面的測試和驗證，確保其在實際運行中的穩(wěn)定性和可靠性。

在硬件方面，選擇了具備高性能計算能力的邊緣計算設(shè)備作為節(jié)點，如高性能服務(wù)器或嵌入式計算設(shè)備。這些設(shè)備具備足夠的存儲空間和擴展能力，以支持大規(guī)模數(shù)據(jù)處理和存儲需求和高速公路后續(xù)車輛的增長。

在軟件方面，采用了開源的大數(shù)據(jù)平臺作為系統(tǒng)的基礎(chǔ)平臺。通過定制開發(fā)和集成各種功能模塊，實現(xiàn)車輛監(jiān)控、數(shù)據(jù)處理、異常檢測等功能，并基于系統(tǒng)的易用性和可維護性的考慮，設(shè)計了一套用戶界面和便捷的車輛管理工具。

將高速公路共計45 000張圖片（已標(biāo)注）按順序輸入，并發(fā)量約為5張/s，分別通過傳統(tǒng)的集中模式和3臺邊端設(shè)備及一臺云端分析主機進行識別和分析，并通過路徑還原車輛的整段通行軌跡，統(tǒng)計路徑還原和整段軌跡數(shù)據(jù)分析完成的時間。一張圖片的處理時間大概為0.5 s，所以數(shù)據(jù)識別完成耗時6.25 h，在處理至1 200張圖片時，對實時監(jiān)控就存在了6 min的延遲，同時帶寬占用3 MB/s左右。而若采用云邊架構(gòu)，3臺邊端小盒子每秒可以完全處理掉并發(fā)量為5張的圖片，同時將結(jié)構(gòu)化數(shù)據(jù)傳至中心15 K/s左右，大大緩解了帶寬的占用。

試驗結(jié)果表明，一個大型高速公路收費站，每天約4萬輛車經(jīng)過，一張圖片500 k～1 MB，一個運營路段有10個收費站加20多個龍門架，如果按傳統(tǒng)方法，把圖片數(shù)據(jù)上傳到云端再進行圖片識別和大數(shù)據(jù)分析，識別結(jié)果返回到監(jiān)控平臺，系統(tǒng)壓力大、帶寬成本高昂，而且整體鏈路太長，在數(shù)據(jù)量大且?guī)挷蛔愕那闆r下，若再遭遇網(wǎng)絡(luò)不穩(wěn)定的情況，將陷入數(shù)據(jù)大量擠壓的困境。而通過加裝了邊緣解析服務(wù)器，數(shù)據(jù)傳輸至云端后再處理，相關(guān)的圖片幾乎是在秒級內(nèi)完成了傳輸和分析入庫，在提高監(jiān)控效率、準(zhǔn)確性和實時性方面具有明顯的優(yōu)勢。與傳統(tǒng)的監(jiān)控平臺使用的數(shù)據(jù)處理方式相比，本文提出的方法在處理和分析大流量交通數(shù)據(jù)時具有更高的處理速度和更低的延遲；同時，通過對重點車輛的實時監(jiān)控和預(yù)警，能夠及時發(fā)現(xiàn)潛在的安全風(fēng)險并采取相應(yīng)措施，提高了交通安全性。

6 結(jié)語

本文提出了基于云邊端協(xié)同的智能車輛監(jiān)控平臺研究與應(yīng)用，通過云-邊-端的協(xié)同工作，系統(tǒng)能夠?qū)崿F(xiàn)實時、準(zhǔn)確、安全的車輛監(jiān)控，為高速公路的車輛監(jiān)控管理提供了有力支持。

然而，隨著技術(shù)的不斷發(fā)展和應(yīng)用場景的不斷拓展，仍有許多問題需要進一步研究和解決。未來可圍繞以下方向展開研究：（1）進一步優(yōu)化邊緣計算算法和模型，提高車輛識別的準(zhǔn)確性和處理速度；（2）加強前端設(shè)備的智能化和協(xié)同化能力，實現(xiàn)更精細(xì)化的車輛監(jiān)控和管理；（3）探索與其他智能交通技術(shù)的融合應(yīng)用，如自動駕駛、車聯(lián)網(wǎng)等，共同推動高速公路智能交通系統(tǒng)的發(fā)展。

此外，隨著5G、物聯(lián)網(wǎng)等新一代信息技術(shù)的快速發(fā)展，高速公路智能車輛監(jiān)控系統(tǒng)將面臨更多的發(fā)展機遇和挑戰(zhàn)。未來系統(tǒng)需要更加注重數(shù)據(jù)的融合與分析，提升智能化水平，為交通管理部門提供更加全面、精準(zhǔn)的決策支持。

參考文獻

［1］陳霧陽.基于云邊端架構(gòu)的視頻流車輛智能分析系統(tǒng)設(shè)計與實現(xiàn)［D］.武漢：華中科技大學(xué)，2022.

［2］李 博.高速公路客運及危險品運輸車輛運行監(jiān)控系統(tǒng)研究［D］.西安：長安大學(xué)，2014.

［3］瞿龍俊.基于HBase的交通流數(shù)據(jù)實時存儲與查詢優(yōu)化方案的設(shè)計與實現(xiàn)［D］.鎮(zhèn)江：江蘇大學(xué)，2017.

收稿日期：2024-03-09

作者簡介：顏曉鳳（1984—），碩士，高級工程師，主要從事智能交通與信息化工作。