基于改進DV-HOP的道路交通擁堵傳感節點快速監測

張 華，易 丹

(廣州鐵路職業技術學院 信息工程學院，廣州 510430)

0 引言

長期以來，交通擁堵是一個不可忽視的問題，特別是大城市，交通擁堵狀況更為嚴峻[1]。隨著人民生活水平的提升和城市化進程的加快，機動車數量也在迅速攀升，這與城市的基礎設施建設、城市管理水準產生了強烈的矛盾和沖突，擁堵問題愈發突出[2]。交通堵塞給城市發展帶來諸多不利影響，例如燃油消耗、交通浪費、環境污染等[3]，城市道路交通擁堵也成為當前交通領域研究的核心內容。

孫夢婷[4]等人提出一種利用CART分類樹的道路交通擁堵監測方法，將路段等距離劃分后映射為路段點，依照時空維路況異常獲得4種擁堵類型模式，提取路段點路況時空序列，擇取速度指標為樣本屬性數據集，CART分類樹算法構建道路交通擁堵監測模型，實現道路交通擁堵監測。此方法能夠有效提升道路交通擁堵監測耗時，但是道路交通擁堵監測結果反饋正確率不佳。呂鮮[5]等人提出基于長短期記憶模型的道路交通擁堵監測方法，考慮各類因素影響和交通流數據隱含特征，運用去噪自編碼模型得到數據特征，使用LSTM(Long-Short Term Memory，長短期記憶網絡)模型推算歷史信息，完成道路交通擁堵監測，此方法能夠有效提升監測精準度，但是計算耗時量高。張波[6]等人提出基于LSTM模型的路面交通擁堵預測方法，利用網絡爬蟲方法采集路面交通擁堵數據，通過層次分析方法獲取路面交通擁堵數據屬性，依據屬性值構建路面交通擁堵預測函數，通過LSTM模型進行路面交通擁堵預測函數求解，此方法能夠有效提升路面交通擁堵預測效果。

針對以上問題，論文提出一種基于改進DV-HOP的道路交通擁堵傳感節點快速監測方法。該方法使用無線傳感網采集交通數據，根據數據顯示推算當前交通狀況，運用改進DV-HOP算法實現擁堵區域定位，在最短時間完成擁堵疏散措施，在實驗分析中也進一步驗證了方法的實用性。

1 道路交通數據處理

1.1 無線傳感網的道路交通數據采集

無線傳感網節點設計與鋪設是算法的核心與基礎，設計優劣直接影響到擁堵監測準確性、可靠性和使用范圍，電路設計成本也是整個算法的關鍵。研究一種新型車輛檢測電磁傳感器，在汽車經過電磁傳感器時會產生磁場變化，汽車尺寸和長度會直接影響探測信號，根據檢測到的信號確定車輛通行情況與整體長度。

無線傳感器網絡內，子節點個數最多，且離監測區最近，是整個數據采集的基本單元。數據采集與傳輸的有效性和穩定性將影響到無線傳感網絡運行水平。實施道路交通擁堵監測時，必須區分Sink節點和子節點。其中Sink節點是無線傳感器網絡中的匯聚結點，主要負責傳感器網與外網的連接，可看作網關節點。而通常子節點性能包括數據獲取、信號有效性評估、中間層傳送等。其性能會因應用場合的不同而有所差別，圖1中展現了其詳細性能。

圖1 子節點性能示意圖

Sink節點是無線傳感器網與控制中心之間連接橋梁，在道路交通擁堵監測中，要進行大規模檢測，必須在路面上設置多個子節點，因此要在監控區與監控中心之間建立起一條中介通道[7]。若每一個子節點都向監測中心傳送數據，則會產生信息量過高的問題。在傳送數據之前，必須先緩存和過濾數據，Sink節點就涵蓋此項功能。將Sink節點性能表示成圖2。

圖2 Sink節點性能示意圖

在無線傳感網絡啟動后，Sink節點從準備狀態對外部設備進行初始化，包括初始化處理器端口、外部設備和內部時鐘，Sink節點會進入無限循環。接收到消息后，持續查找外部節點接收到的消息類型，這里分為3種信息類型：網絡請求信息、時間校正信息和數據信息。網絡請求信息是由下級子節點在入網申請時發出的，經過本地評估方可通過；時間校正信息是在時間同步期間，對子節點和Sink節點發出的響應，依據響應數據結構判定該子節點是否完成時間同步[8]；數據信息是由下級子節點上傳的數據，此時Sink節點就會緩沖全部接收數據。子節點上電后，先向該區域的Sink節點提出入網請求，再由Sink節點判定是否通過，若不同意，將會持續發出請求，直至完全進入網絡。然后采取初始化操作，操作目標為本地節點數據存儲器、定時計數器和中斷設置。

初始化結束后，需要等待數據接收，通過預先設定的數據幀結構標記判定所接收的數據是時間信息或數據信息。時間信息是一個本地Sink節點發送數據的標準時間，數據信息是一個子節點或Sink節點發送的管理信息。如果接收數據是時間信息，節點會自主進行時間校正，若判定為數據信息，則分析信息來源。睡眠狀態下，子節點信號接收周期越長，消耗能量就越少，為了防止錯過Sink節點的叫醒命令，設置每20秒的子節點檢測一次Sink節點的信息。若處于監聽模式，則該節點僅具備傳送路徑的作用，停止道路交通數據采集，反之持續采集交通數據。

1.2 道路交通數據預處理

在對道路交通進行擁堵檢測前，首先完成了對于道路數據的采集，但是采集到的初始數據中，難免會包含一定的噪聲數據和存在問題的數據，故應對數據進行預處理，以提高所使用數據的可靠性和準確性。本文從數據清洗、數據去噪以及數據補全3個方面展開道路交通數據的預處理過程。

在本文的道路交通擁堵監測中，通過數據清洗剔除掉由于傳感器故障或其他原因引起的錯誤數據，保證后續數據處理的可靠性。常見的數據清洗方法包括利用統計學方法、機器學習方法等。其中，統計學方法可以通過計算數據的平均值、方差、標準差等統計量來檢測異常數據。機器學習方法則可以利用分類算法、聚類算法等來識別異常數據。本文采用基于統計學方法的數據清洗方式，對采集到的車輛速度數據進行清洗，剔除掉速度為0或速度異常的數據點。首先計算每個傳感器采集到的速度數據的均值和標準差，然后根據3σ原則來判斷異常數據：數據難免會存在一定的波動，故只要其在可接受范圍內，便可認定其為正常數據，根據經驗，可將這個范圍圈定在該數據與總體數據平均值差值的標準差的三倍以內[9]。此外，根據常識和經驗，還可將速度為0的數據點視為無效數據并剔除。通過以上的數據清洗過程，能夠剔除掉由于傳感器故障或其他原因引起的錯誤數據，保證后續數據處理的可靠性。

在對道路交通數據進行去噪處理的過程中，可以采用中值濾波、均值濾波或小波濾波等方法來實現數據的去噪目標，以有效地降低在判定道路交通擁堵狀態時出現的誤報率和漏報率，提高對擁堵狀態判定的準確性。中值濾波是一種采用窗口滑動的非線性濾波方法，它的核心思想是在每個窗口內取中位數作為輸出，以去除椒鹽噪聲和高斯噪聲。雖然中值濾波可以提高數據的可靠性和準確性，但是濾波會導致信號平滑程度下降，可能會使得數據丟失一些細節信息。而均值濾波是一種線性濾波方法，它的基本思想是用一個窗口(或卷積核)沿著信號進行滑動，在每個窗口內取平均值作為輸出，可以有效地去除高斯噪聲，但對于椒鹽噪聲等離群點較多的噪聲，效果不佳。小波濾波是一種基于小波變換的濾波方法，它的基本思想是將信號分解成不同尺度的小波系數，然后通過閾值處理來去除噪聲，可以同時實現時域和頻域的濾波，具有較好的去噪效果，但需要選擇合適的小波基和閾值，否則可能會對信號產生較大的影響[10]。

本文針對道路交通擁堵監測問題，選擇了中值濾波作為去噪方法。因為在實際道路交通中，存在一些離群點和噪聲干擾，這會導致車速數據出現一些異常值，而中值濾波可以有效地去除這些異常值和噪聲干擾，保證車速數據的準確性。選擇了窗口大小為5的中值濾波器對采集到的車速數據進行去噪處理。其公式如下：

fi，j=median{gk，l}，(k，l)∈Si，j

(1)

其中：fi，j表示中心像素點的灰度值，gk，l表示周圍鄰域像素點的灰度值，Si，j表示鄰域大小。通過以上的去噪過程，能夠有效地提高車速數據的可靠性和準確性，為后續的數據分析和建模奠定基礎。

在本文的道路交通擁堵數據的采集過程中，可能會由于采集設備的限制或其他原因而產生少量的空值，為了避免這類數據影響到后續數據分析和建模的準確性，需要對采集到的道路交通擁堵數據進行補全處理。常見的補全方法包括插值法、回歸法等。插值法是一種在已知數據點之間進行推斷，以求得未知數據點的數值的方法。其基本思想是根據已知數據點的函數值和自變量值，構造出一個插值多項式，然后用該多項式來估計未知數據點的函數值。回歸法是一種基于統計學方法，通過已知數據點之間的線性關系來推斷未知數據點值的方法。其基本思想是根據已知數據點的自變量值和因變量值，建立一個回歸模型，然后用該模型來估計未知數據點的因變量值。

針對本文的道路交通擁堵監測問題，選擇插值法作為補全數據的方法。因為在實際道路交通中，車輛速度存在著一定的連續性和規律性，因此采用插值法能夠比較準確地估計缺失數據點的速度值。運用拉格朗日插值法完成對道路交通數據空值的補全處理，其公式如下：

(2)

其中：f(x)表示插值多項式，yi表示已知數據點的函數值，xi表示已知數據點的自變量。將采集到的車速數據作為已知數據點，將缺失數據點作為未知數據點，通過拉格朗日插值法來估計缺失數據點的速度值。通過以上的補全過程，能夠有效地填補缺失數據，保證車速數據的完整性和連續性，為后續的數據分析和建模奠定基礎。

1.3 道路交通擁堵狀態判定

利用無線傳感網收集交通數據，并對采集到的數據進行了預處理之后，在車輛正常通行的情況下，行駛路段每天相同時間的交通流信息在一定范圍內具有較大浮動。倘若道路發生偶然性擁堵，數據會產生異常，將異常數據擬作小概率事件[11-12]。交通流信息浮動滿足正態分布，正態分布參數η、γ通過歷史數據分析獲得。通過概率定理可知，正態分布中取值與η值差距越大，發生的概率越低。按照此定理，設定數據處于[η-38，η+38]之外，道路出現行駛異常。若數據產生異常且處于臨界值，就會發出擁堵預警信號。

交通流信息涵蓋速率與交通狀態兩個參數，首先明確速率采集周期與交通狀態采集周期，預處理初始信息并進行周期整合[13]，實現交通狀況評估。判斷是否發生擁堵要同時符合如下條件：

第一，目前時段交通狀態是“擁堵”；第二，目前時段的速率和過往相同時段的速率下降值Δa1超出臨界值3σa；第三，目前時段速率和上個階段的速率下降值Δa2超出臨界值da；第四，倘若多數狀況下過往相同時段的交通狀況是正常的[14]，統計過往相同時段交通情況。

假如目前時段是t，相對的速率是at，交通情況是et，上一階段t-相對的速率是at-，交通情況是et-，監測數據天數總和是g，ati是第i天t時段的速率。則t時段的車輛速率過往均值為：

(3)

t時段過往交通數據方差是：

(4)

2 基于改進DV-HOP算法的道路交通擁堵監測方法

2.1 DV-HOP算法的原理

DV-HOP算法是一種基于跳數定位的無線傳感網絡定位算法，其基本思想是通過測量節點之間的跳數來確定節點的位置，并通過引入錨點節點的參考信息來提高定位精度和穩定性[15]。具體來說，DV-HOP算法采用多個錨點節點的位置信息作為參考，將節點之間的距離轉化為節點之間的跳數，然后通過多邊形重心法等方法，計算出節點的位置。

在該算法中，首先需要確定錨點節點的位置。這可以通過GPS等全局定位系統來獲取，也可以通過其他定位算法來估計。然后，每個節點需要與至少3個錨點節點進行通信，獲取錨點節點的位置信息和節點之間的跳數。通過收集到的這些信息，可以構建節點之間的跳數矩陣，并通過矩陣運算來計算出每個節點的位置[16]。

具體地，DV-HOP算法的定位過程如下：

1)確定錨點節點的位置，并將其作為參考信息；

2)每個節點與至少3個錨點節點進行通信，獲取錨點節點的位置信息和節點之間的跳數；

3)根據節點之間的跳數，構建跳數矩陣；

4)根據跳數矩陣和錨點節點的位置信息，計算出每個節點的位置。

需要注意的是，DV-HOP算法中存在一些誤差來源，例如跳數測量誤差、錨點節點位置誤差等。因此，在實際應用中，需要進行誤差分析和校正，以提高定位精度和穩定性。在本文中引入DV-HOP算法，能夠有效提高無線傳感網絡的定位精度和穩定性。

2.2 DV-HOP算法的改進研究

為實現更高效精準的道路交通擁堵監測精度，減少未知節點定位偏差，設計一種改進DV-HOP算法的道路交通擁堵監測方法。DV-HOP算法是一種距離無關定位算法，設定H1、H2、H3均為錨節點，其余節點是未知節點，則計算過程如下。

1)道路交通擁堵節點初始化：

利用無線傳感節點的跳數可以對交通節點與擁堵位置的距離進行測定，本文利用無線傳感網獲取車輛具體位置，即此時車輛所處的交通節點，于此通過得到該傳感器的Sink節點，通過斷定檢測路段上的擁堵現象，獲取無線傳感節點的跳數，實現對交通節點與擁堵位置的距離測定。

為此，本文需要統計無線傳感網中全部未知節點，計算其余錨節點的跳數[17]，推算網絡每跳的平均距離，依照節點之間的跳數，通過式(3)、(4)獲得未知節點和錨節點的間距，記作：

(5)

oij=ki·lij

(6)

其中：ki是節點i的跳距均值，lij是節點i與節點j之間的跳數，(xi，yi)、(xj，yj)是節點i、j的坐標方位，oij是兩個節點的間距。完成道路交通擁堵節點初始化。

2)道路交通擁堵節點二維變換：

定位道路交通擁堵節點時，因節點深度信息是已知的[18]，可把三維定位變換成二維定位。倘若未知節點坐標是(X，Y)，錨節點1的坐標是(X1，Y1)，錨節點2的坐標是(X2，Y2)，錨節點n的坐標是(Xn，Yn)，3個錨節點至未知節點的距離依次為p1、p2、pn，則錨節點之間存在如下對應關系：

(7)

統計未知節點和錨節點的方位關聯，使用DV-HOP算法實施未知節點定位時，如果挑選不恰當錨節點，會造成較大定位偏差。為改善此問題，融入粒子群優化和模擬退火算法共同實現定位優化。粒子群優化具備計算簡便、收斂速率快等特征，十分適用于節點數據傳輸需求較高的道路交通無線傳感數據收發。

3)道路交通擁堵節點定位監測：

定義粒子方位與速率，推算各粒子的適應值，設定粒子的最優值是ri，最優粒子的方位矢量是rg，則粒子速率與方位的解析式為：

ai，j(t+1)=φ{ai，j(t)+u1w1[ri，j-zi，j(t)] +

u2w2[rg，j-zi，j(t)]>}

(8)

zi，j(t+1)=zi，j(t)+ai，j(t+1)

(9)

(10)

式中，ai，j、zi，j依次為t時段下的行駛速率與方位，ri，j代表第i個粒子的j維分量更新前的過往最優方位，rg，j代表種群過往最優方位，φ是權重值，u1、u2是學習因子，w1、w2是隨機數。

但粒子群優化計算時需要采取大量迭代運算，加快網絡能耗，極易陷入局部最優[19-20]，代入擁有突跳能力的模擬退火算法完善其性能，改進DV-HOP算法定位偏差高的不足。代入模擬退火算法后，獲得全新的道路交通擁堵節點位置公式：

(11)

式中，f(·)是適應度函數，T(ri)是現有溫度下粒子i的適應度。

2.3 改進DV-HOP算法在道路交通擁堵監測中的應用

改進后DV-HOP算法的節點定位過程如下：把節點、下一跳待選節點的剩余能量和兩點間距擬作約束條件，創建源節點和Sink節點的多條數據傳輸鏈路，將鏈路作為原始粒子；初始化粒子方位與速率，依次推算其對應個體極值和全局極值[21]，同時把適應度的目前方位依次保存在個體信息ri與全局信息rg中，明確現有溫度下粒子適應值。如果監測地域中的節點產生大面積失效、交通網絡陷入癱瘓或運行次數沒有達到預設的最大輪次，則終止節點定位工作。

評估目標函數是否為最優值，如果不是則執行上述步驟，若是最優值，則簇首依照創建的數據傳輸鏈路把局部監測交通數據逐步匯聚至Sink節點，讓無線傳感網實現一整輪節點定位與數據上傳，了解當前道路交通擁堵狀況，就此實現了道路交通擁堵監測。

3 實驗過程及分析

3.1 實驗準備及步驟

本文實驗交通監測的原始數據通過交通運輸局網站獲取，與現實狀況一一映射。實驗平臺為Veins，無線傳感網絡實驗參數如表1所示。

表1 無線傳感網絡參數設定

實驗開始前，選擇城市道路作為實驗場景，在道路上放置了20個車載傳感器節點，并在5個關鍵位置上放置了錨點節點。這些節點通過ZigBee協議進行數據傳輸。同時，設置一個基站節點用于數據接收和處理。在實驗過程中，通過車載傳感器節點對道路交通數據進行采集，包括車輛的速度、位置等信息，本次實驗共采集了約2 000條道路交通數據，并使用Matlab等工具進行數據處理和算法實現。每隔10秒鐘采集一次數據，并將這些數據通過ZigBee協議傳輸到基站節點。采集環境參數，例如溫度、濕度等，以便后續分析。為了驗證改進DV-HOP算法在道路交通擁堵監測中的有效性，設計如下實驗步驟：

1)在城市道路上搭建無線傳感網絡，并放置車載傳感器節點和錨點節點。

2)采集車輛的速度、位置等信息，并將數據通過ZigBee協議傳輸到基站節點。

3)對采集到的數據進行預處理，包括數據清洗、缺失值補全等。

4)利用改進DV-HOP算法對道路交通狀態進行監測，包括擁堵區域的檢測、擁堵程度的評估等。

5)對監測結果進行分析和評估，包括監測精度、誤差來源等。

6)根據實驗結果，優化擁堵監測系統的參數和算法，提高監測精度和可靠性。

按照上述步驟，從擁堵信息傳輸性能與擁堵監測精度兩方面入手，以文獻[4]中的CART分類樹法與文獻[5]中的長短期記憶模型法為對比方法，來檢驗并對比分析本文所提方法的數據處理能力以及擁堵狀態監測性能。

3.2 擁堵信息傳輸性能分析

擁堵信息傳輸性能實驗中，包含兩個測試評估指標：數據投遞率與數據傳輸延時。數據投遞率表示目標節點收到的數據和源節點傳輸數據之間的比例，也就是可以準確輸出的數據統計量，展現了無線傳感網在擁堵信息交互方面的可靠性，指標計算公式為：

(12)

其中：Gr是節點獲得的數據，Gs是源節點傳輸數據總和。

設定當前交通狀況為中等密度場景，3種方法不同路面強度下數據投遞率變化情況如圖3所示。

圖3 3種方法中等密度場景下數據投遞率情況對比

觀察圖3可知，在3種方法應用下，數據投遞率均隨著路面強度的增大而降低，其中，本文方法的總體波動較小，僅由99.3%降低到98.5%，而兩種對比方法的總體波動相對較大，CART分類樹法下，數據投遞率由97.6%降低到94.2%，長短期記憶模型法下，數據投遞率由98.3%降低到93.9%。在路面強度較小時，兩種對比方法的數據投遞率不會受到太多外部影響，但伴隨車輛的增多，其數據投遞率呈明顯下滑趨勢。而所提方法在路面強度增多情況下，數據投遞率依舊保持在最高水平，數據傳輸能力遠高于兩個對比方法，展現出獨特的數據傳輸優勢，說明本文方法具有較強的數據傳輸能力，能夠在對道路交通擁堵傳感節點進行快速監測的過程中，對監測數據提供有效保障。

在相同的實驗環境下，統計3種方法數據傳輸延時情況如圖4所示。

圖4 3種方法中等密度場景下數據傳輸延時情況對比

從圖4可知，隨著路面強度的增大，3種方法的數據傳輸延時均有所增加，其中，本文方法應用下的數據傳輸延時波動較小，另外兩種對比方法的波動相對較大。當路面強度為6 MPa時，本文方法的數據傳輸延時為3.5 s，CART分類樹方法的數據傳輸延時為4.6 s；長短期記憶模型方法的數據傳輸延時為5.2 s；當路面強度較低時，3種方法數據傳輸延時無過多差別，但當路面強度值升高，兩個文獻方法會產生較多網絡負載，數據傳輸延時逐漸提升，而所提方法依舊保持極小的傳輸延時，在較短時間內完成交通路況數據顯示。以上結果說明，本文方法在數據傳輸延時方面表現較好，具有優異的實時性和穩定性。在實際應用中，本文方法能夠及時、準確地反映道路交通狀況，為交通管理部門和司機提供有力的參考。

3.3 擁堵監測精度分析

擁堵監測精度指標使用均等系數來描述，均等系數代表預測值與真實值之間演變走向的相似水平，均等系數越大，表明預測值和真實值之間擬合度越好，輸出結果正確率越高。均等系數計算公式為：

(13)

其中：Ip(t)代表t時段網絡預測值，Ir(t)代表t時段網絡真實值。

設定擁堵監測實驗次數為300次，均等系數值取每25次結果的均值，統計3種方法下的實驗結果如圖5所示。

圖5 3種方法均等系數數值實驗結果對比

分析圖5可知，本文方法下得到的均等系數值與實際結果基本重合，而在CART分類數方法和長短期記憶模型方法下，其均等系數值均明顯低于本文方法下的結果。當實驗次數為50次時，實際的均等系數值為達0.986，本文方法的均等系數值可達0.986，CART分類樹的均等系數值為0.966，長短期記憶模型的均等系數值為0.982；所提方法均等系數值最高，擁堵監測效果最好，數值擬合度要優于兩個文獻方法。出現此種現象的原因為：所提方法使用改進DV-HOP算法，更精準地鎖定擁堵節點所處方位，監測準確度得到顯著提高，與實際結果基本符合。以上結果均說明，本文方法在擁堵監測效果方面表現較好，具有較高的準確性和可靠性。在實際應用中，本文方法能夠更加精準地檢測和定位道路擁堵情況，為交通管理部門和司機提供更加有效的路況信息，提高道路運輸的安全性和效率。

4 結束語

針對日益嚴重的交通擁堵問題，以無線傳感網為基礎，設計一種道路交通擁堵監測方法。面向交通的突發性與偶然性，在監測區域安置無線電磁傳感器采集實時交通數據，分析交通情況是否產生擁堵或事故，通過改進DV-HOP算法定位擁堵節點位置，給車輛提供最新的交通信息。所提方法操作簡便，實用性強，能從根本上緩解交通壓力，給行車者提供駕駛便利。