張 華，易 丹

(廣州鐵路職業(yè)技術(shù)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(shù)量也在迅速攀升，這與城市的基礎(chǔ)設(shè)施建設(shè)、城市管理水準產(chǎn)生了強烈的矛盾和沖突，擁堵問題愈發(fā)突出[2]。交通堵塞給城市發(fā)展帶來諸多不利影響，例如燃油消耗、交通浪費、環(huán)境污染等[3]，城市道路交通擁堵也成為當前交通領(lǐng)域研究的核心內(nèi)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(jiān)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(shù)據(jù)集，CART分類樹算法構(gòu)建道路交通擁堵監(jiān)測模型，實現(xiàn)道路交通擁堵監(jiān)測。此方法能夠有效提升道路交通擁堵監(jiān)測耗時，但是道路交通擁堵監(jiān)測結(jié)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(jiān)測方法，考慮各類因素影響和交通流數(shù)據(jù)隱含特征，運用去噪自編碼模型得到數(shù)據(jù)特征，使用LSTM(Long-Short Term Memory，長短期記憶網(wǎng)絡(luò))模型推算歷史信息，完成道路交通擁堵監(jiān)測，此方法能夠有效提升監(jiān)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(wǎng)絡(luò)爬蟲方法采集路面交通擁堵數(shù)據(jù)，通過層次分析方法獲取路面交通擁堵數(shù)據(jù)屬性，依據(jù)屬性值構(gòu)建路面交通擁堵預測函數(shù)，通過LSTM模型進行路面交通擁堵預測函數(shù)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(jié)點快速監(jiān)測方法。該方法使用無線傳感網(wǎng)采集交通數(shù)據(jù)，根據(jù)數(shù)據(jù)顯示推算當前交通狀況，運用改進DV-HOP算法實現(xiàn)擁堵區(qū)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(shù)據(jù)處理

1.1 無線傳感網(wǎng)的道路交通數(shù)據(jù)采集

無線傳感網(wǎng)節(jié)點設(shè)計與鋪設(shè)是算法的核心與基礎(chǔ)，設(shè)計優(yōu)劣直接影響到擁堵監(jiān)測準確性、可靠性和使用范圍，電路設(shè)計成本也是整個算法的關(guān)鍵。研究一種新型車輛檢測電磁傳感器，在汽車經(jīng)過電磁傳感器時會產(chǎn)生磁場變化，汽車尺寸和長度會直接影響探測信號，根據(jù)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(wǎng)絡(luò)內(nèi)，子節(jié)點個數(shù)最多，且離監(jiān)測區(qū)最近，是整個數(shù)據(jù)采集的基本單元。數(shù)據(jù)采集與傳輸?shù)挠行院头€(wěn)定性將影響到無線傳感網(wǎng)絡(luò)運行水平。實施道路交通擁堵監(jiān)測時，必須區(qū)分Sink節(jié)點和子節(jié)點。其中Sink節(jié)點是無線傳感器網(wǎng)絡(luò)中的匯聚結(jié)點，主要負責傳感器網(wǎng)與外網(wǎng)的連接，可看作網(wǎng)關(guān)節(jié)點。而通常子節(jié)點性能包括數(shù)據(jù)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(xiàn)了其詳細性能。

圖1 子節(jié)點性能示意圖

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

圖2 Sink節(jié)點性能示意圖

在無線傳感網(wǎng)絡(luò)啟動后，Sink節(jié)點從準備狀態(tài)對外部設(shè)備進行初始化，包括初始化處理器端口、外部設(shè)備和內(nèi)部時鐘，Sink節(jié)點會進入無限循環(huán)。接收到消息后，持續(xù)查找外部節(jié)點接收到的消息類型，這里分為3種信息類型：網(wǎng)絡(luò)請求信息、時間校正信息和數(shù)據(jù)信息。網(wǎng)絡(luò)請求信息是由下級子節(jié)點在入網(wǎng)申請時發(fā)出的，經(jīng)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(jié)點和Sink節(jié)點發(fā)出的響應，依據(jù)響應數(shù)據(jù)結(jié)構(gòu)判定該子節(jié)點是否完成時間同步[8]；數(shù)據(jù)信息是由下級子節(jié)點上傳的數(shù)據(jù)，此時Sink節(jié)點就會緩沖全部接收數(shù)據(jù)。子節(jié)點上電后，先向該區(qū)域的Sink節(jié)點提出入網(wǎng)請求，再由Sink節(jié)點判定是否通過，若不同意，將會持續(xù)發(fā)出請求，直至完全進入網(wǎng)絡(luò)。然后采取初始化操作，操作目標為本地節(jié)點數(shù)據(jù)存儲器、定時計數(shù)器和中斷設(shè)置。

初始化結(jié)束后，需要等待數(shù)據(jù)接收，通過預先設(shè)定的數(shù)據(jù)幀結(jié)構(gòu)標記判定所接收的數(shù)據(jù)是時間信息或數(shù)據(jù)信息。時間信息是一個本地Sink節(jié)點發(fā)送數(shù)據(jù)的標準時間，數(shù)據(jù)信息是一個子節(jié)點或Sink節(jié)點發(fā)送的管理信息。如果接收數(shù)據(jù)是時間信息，節(jié)點會自主進行時間校正，若判定為數(shù)據(jù)信息，則分析信息來源。睡眠狀態(tài)下，子節(jié)點信號接收周期越長，消耗能量就越少，為了防止錯過Sink節(jié)點的叫醒命令，設(shè)置每20秒的子節(jié)點檢測一次Sink節(jié)點的信息。若處于監(jiān)聽模式，則該節(jié)點僅具備傳送路徑的作用，停止道路交通數(shù)據(jù)采集，反之持續(xù)采集交通數(shù)據(jù)。

1.2 道路交通數(shù)據(jù)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(shù)據(jù)的采集，但是采集到的初始數(shù)據(jù)中，難免會包含一定的噪聲數(shù)據(jù)和存在問題的數(shù)據(jù)，故應對數(shù)據(jù)進行預處理，以提高所使用數(shù)據(jù)的可靠性和準確性。本文從數(shù)據(jù)清洗、數(shù)據(jù)去噪以及數(shù)據(jù)補全3個方面展開道路交通數(shù)據(jù)的預處理過程。

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

在對道路交通數(shù)據(jù)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(xiàn)數(shù)據(jù)的去噪目標，以有效地降低在判定道路交通擁堵狀態(tài)時出現(xiàn)的誤報率和漏報率，提高對擁堵狀態(tài)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(nèi)取中位數(shù)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(shù)據(jù)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(shù)據(jù)丟失一些細節(jié)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(nèi)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(shù)，然后通過閾值處理來去除噪聲，可以同時實現(xiàn)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(chǎn)生較大的影響[10]。

本文針對道路交通擁堵監(jiān)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(shù)據(jù)出現(xiàn)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)的可靠性和準確性，為后續(xù)的數(shù)據(jù)分析和建模奠定基礎(chǔ)。

在本文的道路交通擁堵數(shù)據(jù)的采集過程中，可能會由于采集設(shè)備的限制或其他原因而產(chǎn)生少量的空值，為了避免這類數(shù)據(jù)影響到后續(xù)數(shù)據(jù)分析和建模的準確性，需要對采集到的道路交通擁堵數(shù)據(jù)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(shù)據(jù)點之間進行推斷，以求得未知數(shù)據(jù)點的數(shù)值的方法。其基本思想是根據(jù)已知數(shù)據(jù)點的函數(shù)值和自變量值，構(gòu)造出一個插值多項式，然后用該多項式來估計未知數(shù)據(jù)點的函數(shù)值?；貧w法是一種基于統(tǒng)計學方法，通過已知數(shù)據(jù)點之間的線性關(guān)系來推斷未知數(shù)據(jù)點值的方法。其基本思想是根據(jù)已知數(shù)據(jù)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(shù)據(jù)點的因變量值。

針對本文的道路交通擁堵監(jiān)測問題，選擇插值法作為補全數(shù)據(jù)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(xù)性和規(guī)律性，因此采用插值法能夠比較準確地估計缺失數(shù)據(jù)點的速度值。運用拉格朗日插值法完成對道路交通數(shù)據(jù)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(shù)據(jù)點的函數(shù)值，xi表示已知數(shù)據(jù)點的自變量。將采集到的車速數(shù)據(jù)作為已知數(shù)據(jù)點，將缺失數(shù)據(jù)點作為未知數(shù)據(jù)點，通過拉格朗日插值法來估計缺失數(shù)據(jù)點的速度值。通過以上的補全過程，能夠有效地填補缺失數(shù)據(jù)，保證車速數(shù)據(jù)的完整性和連續(xù)性，為后續(xù)的數(shù)據(jù)分析和建模奠定基礎(chǔ)。

1.3 道路交通擁堵狀態(tài)判定

利用無線傳感網(wǎng)收集交通數(shù)據(jù)，并對采集到的數(shù)據(jù)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(nèi)具有較大浮動。倘若道路發(fā)生偶然性擁堵，數(shù)據(jù)會產(chǎn)生異常，將異常數(shù)據(jù)擬作小概率事件[11-12]。交通流信息浮動滿足正態(tài)分布，正態(tài)分布參數(shù)η、γ通過歷史數(shù)據(jù)分析獲得。通過概率定理可知，正態(tài)分布中取值與η值差距越大，發(fā)生的概率越低。按照此定理，設(shè)定數(shù)據(jù)處于[η-38，η+38]之外，道路出現(xiàn)行駛異常。若數(shù)據(jù)產(chǎn)生異常且處于臨界值，就會發(fā)出擁堵預警信號。

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

第一，目前時段交通狀態(tài)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(shù)狀況下過往相同時段的交通狀況是正常的[14]，統(tǒng)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(jiān)測數(shù)據(jù)天數(shù)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(shù)據(jù)方差是：

(4)

2 基于改進DV-HOP算法的道路交通擁堵監(jiān)測方法

2.1 DV-HOP算法的原理

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

在該算法中，首先需要確定錨點節(jié)點的位置。這可以通過GPS等全局定位系統(tǒng)來獲取，也可以通過其他定位算法來估計。然后，每個節(jié)點需要與至少3個錨點節(jié)點進行通信，獲取錨點節(jié)點的位置信息和節(jié)點之間的跳數(shù)。通過收集到的這些信息，可以構(gòu)建節(jié)點之間的跳數(shù)矩陣，并通過矩陣運算來計算出每個節(jié)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(jié)點的位置，并將其作為參考信息；

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

3)根據(jù)節(jié)點之間的跳數(shù)，構(gòu)建跳數(shù)矩陣；

4)根據(jù)跳數(shù)矩陣和錨點節(jié)點的位置信息，計算出每個節(jié)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(shù)測量誤差、錨點節(jié)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(wěn)定性。在本文中引入DV-HOP算法，能夠有效提高無線傳感網(wǎng)絡(luò)的定位精度和穩(wěn)定性。

2.2 DV-HOP算法的改進研究

為實現(xiàn)更高效精準的道路交通擁堵監(jiān)測精度，減少未知節(jié)點定位偏差，設(shè)計一種改進DV-HOP算法的道路交通擁堵監(jiān)測方法。DV-HOP算法是一種距離無關(guān)定位算法，設(shè)定H1、H2、H3均為錨節(jié)點，其余節(jié)點是未知節(jié)點，則計算過程如下。

1)道路交通擁堵節(jié)點初始化：

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

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

(5)

oij=ki·lij

(6)

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

2)道路交通擁堵節(jié)點二維變換：

定位道路交通擁堵節(jié)點時，因節(jié)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(jié)點坐標是(X，Y)，錨節(jié)點1的坐標是(X1，Y1)，錨節(jié)點2的坐標是(X2，Y2)，錨節(jié)點n的坐標是(Xn，Yn)，3個錨節(jié)點至未知節(jié)點的距離依次為p1、p2、pn，則錨節(jié)點之間存在如下對應關(guān)系：

(7)

統(tǒng)計未知節(jié)點和錨節(jié)點的方位關(guān)聯(lián)，使用DV-HOP算法實施未知節(jié)點定位時，如果挑選不恰當錨節(jié)點，會造成較大定位偏差。為改善此問題，融入粒子群優(yōu)化和模擬退火算法共同實現(xiàn)定位優(yōu)化。粒子群優(yōu)化具備計算簡便、收斂速率快等特征，十分適用于節(jié)點數(shù)據(jù)傳輸需求較高的道路交通無線傳感數(shù)據(jù)收發(fā)。

3)道路交通擁堵節(jié)點定位監(jiān)測：

定義粒子方位與速率，推算各粒子的適應值，設(shè)定粒子的最優(yōu)值是ri，最優(yōu)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{(diào)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(yōu)方位，rg，j代表種群過往最優(yōu)方位，φ是權(quán)重值，u1、u2是學習因子，w1、w2是隨機數(shù)。

但粒子群優(yōu)化計算時需要采取大量迭代運算，加快網(wǎng)絡(luò)能耗，極易陷入局部最優(yōu)[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(jié)點位置公式：

(11)

式中，f(·)是適應度函數(shù)，T(ri)是現(xiàn)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(jiān)測中的應用

改進后DV-HOP算法的節(jié)點定位過程如下：把節(jié)點、下一跳待選節(jié)點的剩余能量和兩點間距擬作約束條件，創(chuàng)建源節(jié)點和Sink節(jié)點的多條數(shù)據(jù)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(xiàn)有溫度下粒子適應值。如果監(jiān)測地域中的節(jié)點產(chǎn)生大面積失效、交通網(wǎng)絡(luò)陷入癱瘓或運行次數(shù)沒有達到預設(shè)的最大輪次，則終止節(jié)點定位工作。

評估目標函數(shù)是否為最優(yōu)值，如果不是則執(zhí)行上述步驟，若是最優(yōu)值，則簇首依照創(chuàng)建的數(shù)據(jù)傳輸鏈路把局部監(jiān)測交通數(shù)據(jù)逐步匯聚至Sink節(jié)點，讓無線傳感網(wǎng)實現(xiàn)一整輪節(jié)點定位與數(shù)據(jù)上傳，了解當前道路交通擁堵狀況，就此實現(xiàn)了道路交通擁堵監(jiān)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(jiān)測的原始數(shù)據(jù)通過交通運輸局網(wǎng)站獲取，與現(xiàn)實狀況一一映射。實驗平臺為Veins，無線傳感網(wǎng)絡(luò)實驗參數(shù)如表1所示。

表1 無線傳感網(wǎng)絡(luò)參數(shù)設(shè)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(jié)點，并在5個關(guān)鍵位置上放置了錨點節(jié)點。這些節(jié)點通過ZigBee協(xié)議進行數(shù)據(jù)傳輸。同時，設(shè)置一個基站節(jié)點用于數(shù)據(jù)接收和處理。在實驗過程中，通過車載傳感器節(jié)點對道路交通數(shù)據(jù)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(shù)據(jù)，并使用Matlab等工具進行數(shù)據(jù)處理和算法實現(xiàn)。每隔10秒鐘采集一次數(shù)據(jù)，并將這些數(shù)據(jù)通過ZigBee協(xié)議傳輸?shù)交竟?jié)點。采集環(huán)境參數(shù)，例如溫度、濕度等，以便后續(xù)分析。為了驗證改進DV-HOP算法在道路交通擁堵監(jiān)測中的有效性，設(shè)計如下實驗步驟：

1)在城市道路上搭建無線傳感網(wǎng)絡(luò)，并放置車載傳感器節(jié)點和錨點節(jié)點。

2)采集車輛的速度、位置等信息，并將數(shù)據(jù)通過ZigBee協(xié)議傳輸?shù)交竟?jié)點。

3)對采集到的數(shù)據(jù)進行預處理，包括數(shù)據(jù)清洗、缺失值補全等。

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

5)對監(jiān)測結(jié)果進行分析和評估，包括監(jiān)測精度、誤差來源等。

6)根據(jù)實驗結(jié)果，優(yōu)化擁堵監(jiān)測系統(tǒng)的參數(shù)和算法，提高監(jiān)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(jiān)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(shù)據(jù)處理能力以及擁堵狀態(tài)監(jiān)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(shù)據(jù)投遞率與數(shù)據(jù)傳輸延時。數(shù)據(jù)投遞率表示目標節(jié)點收到的數(shù)據(jù)和源節(jié)點傳輸數(shù)據(jù)之間的比例，也就是可以準確輸出的數(shù)據(jù)統(tǒng)計量，展現(xiàn)了無線傳感網(wǎng)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(jié)點獲得的數(shù)據(jù)，Gs是源節(jié)點傳輸數(shù)據(jù)總和。

設(shè)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(shù)據(jù)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(shù)據(jù)投遞率情況對比

觀察圖3可知，在3種方法應用下，數(shù)據(jù)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(shù)據(jù)投遞率由97.6%降低到94.2%，長短期記憶模型法下，數(shù)據(jù)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(shù)據(jù)投遞率不會受到太多外部影響，但伴隨車輛的增多，其數(shù)據(jù)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(shù)據(jù)投遞率依舊保持在最高水平，數(shù)據(jù)傳輸能力遠高于兩個對比方法，展現(xiàn)出獨特的數(shù)據(jù)傳輸優(yōu)勢，說明本文方法具有較強的數(shù)據(jù)傳輸能力，能夠在對道路交通擁堵傳感節(jié)點進行快速監(jiān)測的過程中，對監(jiān)測數(shù)據(jù)提供有效保障。

在相同的實驗環(huán)境下，統(tǒng)計3種方法數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)傳輸延時均有所增加，其中，本文方法應用下的數(shù)據(jù)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(shù)據(jù)傳輸延時為3.5 s，CART分類樹方法的數(shù)據(jù)傳輸延時為4.6 s；長短期記憶模型方法的數(shù)據(jù)傳輸延時為5.2 s；當路面強度較低時，3種方法數(shù)據(jù)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(chǎn)生較多網(wǎng)絡(luò)負載，數(shù)據(jù)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(nèi)完成交通路況數(shù)據(jù)顯示。以上結(jié)果說明，本文方法在數(shù)據(jù)傳輸延時方面表現(xiàn)較好，具有優(yōu)異的實時性和穩(wěn)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(jiān)測精度分析

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

(13)

其中：Ip(t)代表t時段網(wǎng)絡(luò)預測值，Ir(t)代表t時段網(wǎng)絡(luò)真實值。

設(shè)定擁堵監(jiān)測實驗次數(shù)為300次，均等系數(shù)值取每25次結(jié)果的均值，統(tǒng)計3種方法下的實驗結(jié)果如圖5所示。

圖5 3種方法均等系數(shù)數(shù)值實驗結(jié)果對比

分析圖5可知，本文方法下得到的均等系數(shù)值與實際結(jié)果基本重合，而在CART分類數(shù)方法和長短期記憶模型方法下，其均等系數(shù)值均明顯低于本文方法下的結(jié)果。當實驗次數(shù)為50次時，實際的均等系數(shù)值為達0.986，本文方法的均等系數(shù)值可達0.986，CART分類樹的均等系數(shù)值為0.966，長短期記憶模型的均等系數(shù)值為0.982；所提方法均等系數(shù)值最高，擁堵監(jiān)測效果最好，數(shù)值擬合度要優(yōu)于兩個文獻方法。出現(xiàn)此種現(xiàn)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(jié)點所處方位，監(jiān)測準確度得到顯著提高，與實際結(jié)果基本符合。以上結(jié)果均說明，本文方法在擁堵監(jiān)測效果方面表現(xiàn)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?shù)陌踩院托省?/p>

4 結(jié)束語

針對日益嚴重的交通擁堵問題，以無線傳感網(wǎng)為基礎(chǔ)，設(shè)計一種道路交通擁堵監(jiān)測方法。面向交通的突發(fā)性與偶然性，在監(jiān)測區(qū)域安置無線電磁傳感器采集實時交通數(shù)據(jù)，分析交通情況是否產(chǎn)生擁堵或事故，通過改進DV-HOP算法定位擁堵節(jié)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。