竇亮 劉小華

摘 要：在智慧交通發(fā)展背景下，需進(jìn)一步引入車聯(lián)網(wǎng)等先進(jìn)技術(shù)使路網(wǎng)通行效率得到提高，促使城市道路交通服務(wù)水平得到改善?；诖?，本文對車聯(lián)網(wǎng)技術(shù)展開了分析，然后對交通事件智能感知與擁堵疏導(dǎo)關(guān)鍵技術(shù)及其實現(xiàn)方法進(jìn)行了探討，提出了信息融合、智能感知等算法，利用車聯(lián)網(wǎng)大數(shù)據(jù)實現(xiàn)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(xué)化發(fā)展路徑提供參考。

關(guān)鍵詞：車聯(lián)網(wǎng);交通事件智能感知;擁堵疏導(dǎo)

中圖分類號：U495 文獻(xiàn)標(biāo)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(lǐng)域，車聯(lián)網(wǎng)技術(shù)發(fā)展日漸成熟，能夠用于實現(xiàn)交通事件智能感知和擁堵疏導(dǎo)，為城市交通治理提供有力技術(shù)支撐。為提高道路交通安全性，還要在車聯(lián)網(wǎng)運用基礎(chǔ)上加強交通事件智能感知與擁堵疏導(dǎo)技術(shù)研究，從而為實現(xiàn)城市交通智慧管理提供高效方案。

1 車聯(lián)網(wǎng)技術(shù)概述

車聯(lián)網(wǎng)指的是由車輛位置、路線、速度等信息構(gòu)成的數(shù)據(jù)交互網(wǎng)絡(luò)，能夠運用大數(shù)據(jù)、云計算等技術(shù)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(xiàn)車輛本身及運行數(shù)據(jù)采集，如通過車載GPS等獲取位置信息，通過OBD數(shù)據(jù)接口獲取運行數(shù)據(jù)，然后通過網(wǎng)絡(luò)將數(shù)據(jù)發(fā)送至云端數(shù)據(jù)庫[1]。車聯(lián)網(wǎng)除了與車輛終端連接，還能連接汽車制造、售后等業(yè)態(tài)，構(gòu)建產(chǎn)業(yè)生態(tài)圈，為車輛大數(shù)據(jù)的獲取和利用提供支持。

2 交通事件智能感知與擁堵疏導(dǎo)關(guān)鍵技術(shù)

2.1 信息融合方法

城市道路出現(xiàn)擁堵情況，與各類交通事件發(fā)生直接相關(guān)。所以在道路擁堵預(yù)判方面，還要通過加強交通事件智能感知對事件發(fā)生期間道路交通狀態(tài)展開分析，為擁堵疏導(dǎo)提供科學(xué)依據(jù)。通過信號機線圈、高清卡口、電子警察等異類設(shè)備對城市道路交通信息進(jìn)行采集，還要保證各類信息能夠與車聯(lián)網(wǎng)RFID數(shù)據(jù)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(zhǔn)確的道路交通數(shù)據(jù)信息。采用多Agent方法，通過使各Agent保持協(xié)調(diào)，能夠完成數(shù)據(jù)實時獲取，并使系統(tǒng)實現(xiàn)軟硬件和信息共享，使系統(tǒng)魯棒性得到增強，獲得較高自組織能力，使多源異構(gòu)信息融合問題得到解決[2]。實際采用該技術(shù)，還要將不同問題分配給對應(yīng)Agent，根據(jù)局部信息實現(xiàn)自主規(guī)劃，保證局部沖突得到解決后，實現(xiàn)全局協(xié)作，保證局部目標(biāo)順利達(dá)成。從結(jié)構(gòu)上來看，包含基礎(chǔ)環(huán)境層和功能應(yīng)用層，在基礎(chǔ)層需要設(shè)置事件代理Agent用于實現(xiàn)集中事務(wù)管理，并通過通訊模塊提供Agent通訊。對應(yīng)用層進(jìn)行劃分，包含平臺層、協(xié)調(diào)執(zhí)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(shè)備，執(zhí)行層布置傳感器融合Agent、通訊系統(tǒng)Agent、綜合導(dǎo)航Agent等多個Agent，用于對任務(wù)與平臺荷載進(jìn)行協(xié)調(diào)，保證檢測任務(wù)順利執(zhí)行。組織層布置任務(wù)和健康的監(jiān)控Agent，并布置指令計劃生成、執(zhí)行Agent，能夠為上層決策提供支持。決策層布置人工控制、任務(wù)規(guī)劃等Agent，可以實現(xiàn)決策制定功能。

2.2 智能感知算法

逐層實現(xiàn)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(shù)據(jù)分類，實現(xiàn)數(shù)據(jù)濾波處理，以免負(fù)載過大。進(jìn)過校準(zhǔn)、互連等處理，能夠?qū)Ω鞴?jié)點信息進(jìn)行融合，實現(xiàn)實體目標(biāo)屬性組合。實際各Agent均可以獲得知識、經(jīng)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(gòu)成類別集。根據(jù)單個Agent對類別集決策排序，能夠確定Agent的權(quán)重，根據(jù)排序結(jié)果完成判斷矩陣的構(gòu)造。采用聚類分析法，假設(shè)各Agent排序向量為一類，對彼此間相似度進(jìn)行計算，得到相似性最大的數(shù)值作為閾值，實際數(shù)值超出閾值可結(jié)束聚類，否則將合并并循環(huán)比較，直至結(jié)束聚類[3]。將單個Agent判斷結(jié)果當(dāng)成是一個向量，將相似度當(dāng)成是聚類標(biāo)準(zhǔn)，能夠?qū)gent間相似度進(jìn)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(quán)重，在dij較小的情況下說明兩個Agent擁有近似權(quán)重，能夠歸為同類。擁有較多Agent的類，將給予Agent較大權(quán)重，反之則較小。采用P=[pij]n×m矩陣對全部Agent類進(jìn)行排列，能夠得到元素pij對應(yīng)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(gòu)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(jié)束聚類，得到類別和數(shù)量，否則需要添加新類后循環(huán)分析。根據(jù)得到最優(yōu)解完成類別排序后，可以實現(xiàn)信息融合。

2.3 交通水平評價

采用上述算法進(jìn)行交通事件感知，可以對交通事件與不同擁堵狀態(tài)的關(guān)聯(lián)展開分析，通過科學(xué)評價交通水平為信號優(yōu)化配時提供依據(jù)。在實際分析過程中，需要采用神經(jīng)網(wǎng)絡(luò)算法對Agent感知序列歷史數(shù)據(jù)進(jìn)行自我學(xué)習(xí)，做好交通事件分類，使擁堵事件類型和擁堵狀態(tài)得到科學(xué)區(qū)分。通過車聯(lián)網(wǎng)獲取車輛特征、運行、道路環(huán)境等各種信息，能夠完成突發(fā)擁堵狀態(tài)、陣發(fā)擁堵狀態(tài)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(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并利用3 000個樣本進(jìn)行測試，能夠得到各交通事件特征集。從分析結(jié)果來看，突發(fā)擁堵狀態(tài)集合中包含車輛事故、道路維護(hù)等，將導(dǎo)致道路通行能力變?nèi)酢６嚢l(fā)擁堵狀態(tài)集合中包含特定時段（早晚高峰）、特定地點（學(xué)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(fā)擁堵事件，實際周圍道路狀態(tài)良好，車流量在運載能力范圍內(nèi)，還要適當(dāng)縮短交通事件所在區(qū)域車輛排隊長度，使車輛在該區(qū)域紅綠燈路口等待時間適當(dāng)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(fā)擁堵狀況的發(fā)生意味著車流量超出道路運載能力，容易導(dǎo)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(qū)域，使擁堵問題得到緩解。在信號配時優(yōu)化方面，還要根據(jù)擁堵程度評價結(jié)果進(jìn)行確認(rèn)。

3 交通事件智能感知與擁堵疏導(dǎo)技術(shù)實現(xiàn)

3.1 系統(tǒng)總體設(shè)計

在交通事件智能感知與擁堵疏導(dǎo)技術(shù)實現(xiàn)上，需要完成基于車聯(lián)網(wǎng)的信號優(yōu)化配時擁堵疏導(dǎo)輔助決策系統(tǒng)開發(fā)。系統(tǒng)采用模塊化設(shè)計方法，由路網(wǎng)交通評價、路口狀態(tài)預(yù)測、信號配時輔助決策等多部分構(gòu)成，建立在車聯(lián)網(wǎng)大數(shù)據(jù)架構(gòu)基礎(chǔ)上，能夠?qū)崿F(xiàn)數(shù)據(jù)挖掘、通信技術(shù)等各種技術(shù)的集成運用實現(xiàn)數(shù)據(jù)調(diào)用分析，為各模塊功能實現(xiàn)提供支持。實際在系統(tǒng)實現(xiàn)時，通過對大量感知設(shè)備進(jìn)行部署，能夠完成路網(wǎng)信息和車輛信息采集，并通過感知設(shè)備網(wǎng)絡(luò)互連打通數(shù)據(jù)內(nèi)循環(huán)，使各種數(shù)據(jù)在各部門間流轉(zhuǎn)，并通過融合構(gòu)成豐富數(shù)據(jù)資源，通過迭代更新促進(jìn)各項業(yè)務(wù)的演進(jìn)，使數(shù)據(jù)價值得以充分發(fā)揮[4]。采用的大數(shù)據(jù)平臺可以達(dá)到PB級別數(shù)據(jù)處理能力，日均完成3億條浮動車數(shù)據(jù)、2億條高清卡口數(shù)據(jù)等各類數(shù)據(jù)的分析處理，總計每日能夠?qū)崿F(xiàn)50億條數(shù)據(jù)處理，使智慧交通大數(shù)據(jù)分析需求得到滿足。

3.2 模塊功能設(shè)計

在系統(tǒng)模塊功能開發(fā)上，首先需要加強路網(wǎng)交通評價模型的設(shè)計。通過對歷史數(shù)據(jù)和實時數(shù)據(jù)進(jìn)行調(diào)用，能夠使核心路口、主干網(wǎng)等敏感交通指數(shù)得到監(jiān)控，如對車流量、車輛速度、擁堵節(jié)點等進(jìn)行監(jiān)控。在發(fā)現(xiàn)指標(biāo)存在問題時，系統(tǒng)將立即發(fā)出報警，實現(xiàn)微觀路口定位，直接確認(rèn)是否存在交通問題，并結(jié)合交通事件嚴(yán)重程度進(jìn)行交通服務(wù)水平評價。在路口狀態(tài)預(yù)測模塊設(shè)計上，需要從交通資源優(yōu)化利用角度出發(fā)，使交通問題得到緩解。利用模塊對復(fù)雜場景交通運行指數(shù)和天氣等狀況展開關(guān)聯(lián)分析，能夠確定交通流變化和擁堵程度間的關(guān)系，分析得到交通擁堵生成機理。根據(jù)機理設(shè)定預(yù)警基準(zhǔn)，對道路載荷能力進(jìn)行管控，能夠加強交通態(tài)勢分析和預(yù)測，使擁堵治理從被動向主動轉(zhuǎn)變。在信號配時輔助決策模塊設(shè)計上，需要結(jié)合分析得到的擁堵規(guī)律加強擁堵分析，生成對應(yīng)消散控制策略，為交通管制人員制定決策提供依據(jù)。利用該模塊對各種擁堵疏導(dǎo)方案進(jìn)行仿真和評估，結(jié)合數(shù)據(jù)進(jìn)行方案不斷優(yōu)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(jié)果

在對系統(tǒng)功能進(jìn)行仿真測試時，可以采用SUMO1.20完成大型路網(wǎng)交通仿真，對不同交通網(wǎng)絡(luò)場景和車流量進(jìn)行構(gòu)建，獲取車輛和道路數(shù)據(jù)，并利用腳本語言編寫算法對信號燈狀態(tài)和時間進(jìn)行控制。在參數(shù)設(shè)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(tǒng)一設(shè)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(jìn)行模擬，系統(tǒng)分析得到擁堵路燈綠燈可設(shè)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(jié)論

將車聯(lián)網(wǎng)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(wǎng)環(huán)境數(shù)據(jù)交互，能夠?qū)崿F(xiàn)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(wù)水平展開科學(xué)評價。結(jié)合擁堵預(yù)判結(jié)果提出相應(yīng)擁堵疏導(dǎo)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(xué)化、智能化水平得到提升。

參考文獻(xiàn)：

[1]胡方霞.基于車聯(lián)網(wǎng)的智慧路網(wǎng)監(jiān)測系統(tǒng)安全構(gòu)架研究[J].電子世界，2020，42（19）：22-23.

[2]白靖宇.車聯(lián)網(wǎng)技術(shù)在交通擁堵治理中的應(yīng)用[J].黑龍江科學(xué)，2019，10（18）：156-157.

[3]謝學(xué)澤.基于車聯(lián)網(wǎng)大數(shù)據(jù)的智能交通系統(tǒng)構(gòu)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(lián)網(wǎng)環(huán)境下交通流參數(shù)提取方法與仿真[J].交通科技，2019，45（06）：93-98.