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

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

中圖分類號：U412.6

0 引言

隨著經濟的快速發(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。傳統的中心化車輛監(jiān)控系統由于數據傳輸延遲、數據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，通過將數據處理和分析任務從中心云推向網絡邊緣，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 基于云邊端協同的智能車輛監(jiān)控平臺概述

考慮到現有高速公路智能監(jiān)控系統在實時性、數據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同的智能車輛監(jiān)控平臺研究與應用。該平臺采用“云-邊-端”的架構方式，通過云端進行全局數據管理和高級分析，邊緣端負責實時數據處理和響應，前端設備則實現數據采集和執(zhí)行指令。邊緣計算技術的應用，將使得高速公路監(jiān)控系統能夠在數據產生的源頭進行快速處理，降低了數據傳輸延遲，提高了實時性。同時，邊緣端的數據處理能力也分擔了云端的計算壓力，提升了系統的整體性能。通過加強前端設備的智能化和協同化，系統將能夠實現更精準的數據采集和更高效的指令執(zhí)行。這種架構方式不僅提高了智能交通系統的實時性和準確性，還增強了系統的安全性和可靠性，為未來的智能交通的發(fā)展提供有力的技術支撐。

2 整體架構

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

在云端，構建大數據平臺，用于存儲和分析海量的車輛監(jiān)控數據。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)點負責實時數據處理和分析。在接收到前端設備傳輸的數據后，邊緣節(jié)點利用內置的計算資源和算法模型，對數據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，系統能夠實現對高速公路上車輛的實時監(jiān)控和預警，為交通管理部門提供及時、準確的信息支持。

前端設備主要承擔數據采集和初步處理的任務。通過部署在高速公路沿線的攝像頭和ETC門架設備，前端設備能夠實時采集車輛圖像、速度、位置等信息，并將這些數據傳輸至邊緣節(jié)點。為了提高數據采集的準確性和效率，前端設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據處理能力，如圖像壓縮、目標檢測等。

3 系統關鍵設計

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

（1）實時性設計：通過優(yōu)化數據傳輸和處理流程，減少數據傳輸延遲和處理時間，確保系統能夠實時響應車輛監(jiān)控中的異常情況。例如，采用高效的數據壓縮和傳輸協議，降低數據傳輸的開銷；利用并行計算和分布式處理技術，提高數據處理的速度和效率。

（2）準確性設計：通過提升前端設備的采集精度和邊緣節(jié)點的算法準確性，確保系統能夠準確識別車輛、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，提高車輛識別的準確率；利用深度學習等技術對車輛行為進行建模和分析，提高異常檢測的準確性。

（3）安全性設計：加強系統的安全防護措施，防止數據泄露和非法訪問。通過數據加密、訪問控制、入侵檢測等技術手段，確保高速公路智能車輛監(jiān)控系統的數據安全和隱私保護。同時，建立健全的安全管理制度和應急預案，提高系統的抗風險能力。

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

4 車輛智能監(jiān)控方法

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

4.1 數據治理階段

數據治理階段主要通過采集、預處理、緩存來完成數據的清洗。

數據采集：通過部署在交通場景中的攝像頭和監(jiān)控等終端設備，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器完成初步的快速處理和結構化分析預處理，將預處理后的數據上傳到云端進行進一步大規(guī)模的數據分析和挖掘。

數據預處理：云端數據解析服務器在接收到各類高速公路數據寫入請求后，先對數據進行進一步的清洗和處理。將雜亂無規(guī)則的數據處理為符合規(guī)范的、完整的能被保存的數據。將數據按預設規(guī)則進行分類，同一類型的數據歸并到一起；進行臟值處理，由于輸入設備技術良莠不齊，部分數據會有缺失或重復，若缺失非關鍵屬性，則使用默認值填充，若缺失關鍵屬性，則廢棄當前記錄值并告知前端用戶；將預處理完成的數據提交至數據緩沖區(qū)。

數據緩存：經過預處理過的數據進入數據緩沖區(qū)后，根據數據類型的不同而進入不同的緩沖區(qū)隊列，緩沖區(qū)可以對海量數據進行實時監(jiān)控。數據緩沖區(qū)由若干個數據隊列構成，為數據進行分流和緩存歸類。每個緩沖隊列均有一個閾值，當到達隊列閾值時，數據會進入數據寫入模塊，并通過多線程寫入的方式同時對數據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

結合云邊端處理后的流水信息及相關數據，包括車牌、車牌顏色、車輛類型、輪軸數、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據，完成車輛畫像服務。如圖2所示。

車輛畫像服務可對車輛基本信息、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)務需求篩選目標車輛，并對符合特征的車輛駕駛行為進行智能分析。通過多流水數據融合，還能夠將ETC交易、車輛GPS數據、圖片數據、視頻數據等多條流水數據融合，并結合路網模型糾偏還原車輛行駛軌跡。

結合車輛畫像服務，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據建模，并進行交通要素風險評估，制定出各類違規(guī)行為的風險等級［2］。在重點車輛駛入高速公路后，相關數據模型可以自動根據云端接收到的車輛通行信息，實時監(jiān)控車輛的駕駛行為，并給出分析結果。

4.3 預警信息發(fā)布與反饋階段

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

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

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

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

5 試驗驗證與結果分析

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

在實現基于云邊端協同的智能車輛監(jiān)控平臺時，需要選擇合適的硬件和軟件平臺，進行系統的開發(fā)和部署。同時，需要對系統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備作為節(jié)點，如高性能服務器或嵌入式計算設備。這些設備具備足夠的存儲空間和擴展能力，以支持大規(guī)模數據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，采用了開源的大數據平臺作為系統的基礎平臺。通過定制開發(fā)和集成各種功能模塊，實現車輛監(jiān)控、數據處理、異常檢測等功能，并基于系統的易用性和可維護性的考慮，設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（已標注）按順序輸入，并發(fā)量約為5張/s，分別通過傳統的集中模式和3臺邊端設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，統計路徑還原和整段軌跡數據分析完成的時間。一張圖片的處理時間大概為0.5 s，所以數據識別完成耗時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，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，同時將結構化數據傳至中心15 K/s左右，大大緩解了帶寬的占用。

試驗結果表明，一個大型高速公路收費站，每天約4萬輛車經過，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，如果按傳統方法，把圖片數據上傳到云端再進行圖片識別和大數據分析，識別結果返回到監(jiān)控平臺，系統壓力大、帶寬成本高昂，而且整體鏈路太長，在數據量大且?guī)挷蛔愕那闆r下，若再遭遇網絡不穩(wěn)定的情況，將陷入數據大量擠壓的困境。而通過加裝了邊緣解析服務器，數據傳輸至云端后再處理，相關的圖片幾乎是在秒級內完成了傳輸和分析入庫，在提高監(jiān)控效率、準確性和實時性方面具有明顯的優(yōu)勢。與傳統的監(jiān)控平臺使用的數據處理方式相比，本文提出的方法在處理和分析大流量交通數據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)控和預警，能夠及時發(fā)現潛在的安全風險并采取相應措施，提高了交通安全性。

6 結語

本文提出了基于云邊端協同的智能車輛監(jiān)控平臺研究與應用，通過云-邊-端的協同工作，系統能夠實現實時、準確、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，隨著技術的不斷發(fā)展和應用場景的不斷拓展，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，提高車輛識別的準確性和處理速度；（2）加強前端設備的智能化和協同化能力，實現更精細化的車輛監(jiān)控和管理；（3）探索與其他智能交通技術的融合應用，如自動駕駛、車聯網等，共同推動高速公路智能交通系統的發(fā)展。

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

參考文獻

［1］陳霧陽.基于云邊端架構的視頻流車輛智能分析系統設計與實現［D］.武漢：華中科技大學，2022.

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

［3］瞿龍俊.基于HBase的交通流數據實時存儲與查詢優(yōu)化方案的設計與實現［D］.鎮(zhèn)江：江蘇大學，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。