基于合作机制的车辆拥塞检测方法

摘要

本发明公开了一种基于合作机制的车辆拥塞检测方法，该方法将车道边号加入传输消息用于计算车辆密度并判断是否保存位置，给出一种全面的距离计算方法，然后将检测错误抽象成干扰模型以求得准确的密度值，在合作检测时通过采用基于路径长短排序的分块方法将所有车辆的拥塞程度都综合考虑。该方法适用于所有道路的交通状况检测，对于车辆规模很大的场景也能很好检测。该方法的主要优势在于：不会考虑与检测车辆行驶方向不同的其他车辆，减少了误判情况的发生；利用去除干扰的方法可以获得准确的车辆密度值，拥塞判断准确性高；合作检测可以在不增加通信负载的情况下综合考虑所有车辆的拥塞情况，对拥塞队列有一个全面的了解。

说明书

技术领域

本发明涉及一种基于合作机制的车辆拥塞检测方法，属于智能交通领域。

背景技术

现代社会，车辆数目在不断攀升，由此带来的交通问题也日益严重。在平常的交通管理 中，如果能够实时地知道各个路段的路况,交通现状,并可以实时地通知各个车辆，就可以帮助 驾驶者做出正确的判断，以避免交通拥塞乃至交通事故的发生。用于实现这种交通监测技术 的有效方法是智能交通系统，而基于车载自组网的智能交通则是一种没有地域局限性的智能 交通实现方法。

R.Bauza,J.Gozalvez 2013年发表在第36期《Journal of Network and Computer Applications》 上的《Traffic congestion detection in large-scale scenarios using vehicle-to-vehicle  communications》中，提出了一个合作检测机制，首先进行车辆自身的检测，然后是合作检测。 自身检测部分用的是一个公式求密度，通过发送的beacon消息来计算车辆的数目和距离。检 测出车辆自身的拥塞后，因为无线网络的特性，检测结果可能不准确，同时仅通过取所得车 辆数目的60％来实现精确的过程，误差较大。检测完自身拥塞后，仅仅通过广播信息进行车 辆间的合作检测，并没有做出处理。

合作车辆拥塞检测(CoTEC)是一种新颖的在车载网中用于有效检测道路拥塞状况的技术， 该技术是基于V2V通信实现的。CoTEC使用密度和速度来判断道路的拥塞情况，这个判断是 通过beacon的传输来实现的，但是CoTEC中的beacon消息无法判断车辆来自于哪个车道、 哪条边，会造成误判。为了求得密度值，还需求出车辆之间的距离，而CoTEC中并没有给出 这一方法。用公式计算得到的车辆密度和实际通过仿真得到的车辆密度之间有一定差距，而 这种差距是由于突发性的误检测造成的，不对这种突发错误进行处理会造成拥塞判断的不准 确。

自身拥塞检测达到一定程度需要实行合作拥塞检测，CoTEC采用的方法只是将传输CTE消 息的车辆拥塞情况加以考虑，并没有考虑拥塞队列内的其余车辆，在车辆通信范围较大的情 况下，该距离内车辆的拥塞情况变化也可能较大，若只是考虑传输CTE的车辆，对整个拥塞 队列的整体拥塞情况的认识会有偏差。

基于以上介绍可知，为了获得精确的车辆拥塞程度且能够全面合作检测拥塞队列所有车 辆，必须采用一种求解正确车辆密度并且能够减少突发错误、拥塞队列所有车辆都进行合作 检测的精确、全面的拥塞检测方法。该方法可以在大规模交通仿真中获得精确的密度求解值 并利用该值判断车辆的准确拥塞状况，采用合作检测后可以在不增加通信负载的前提下考虑 所有车辆的拥塞情况，向靠近拥塞队列的车辆提供一个全面准确的拥塞信息，帮助其做出正 确的判断。目前在智能交通领域，尚没有一种基于合作机制的方案能够获得准确车辆密度并 且合作传输所有车辆的拥塞状况。

发明内容

本发明所要解决的技术问题是提供一种基于合作机制的车辆拥塞检测方法，该方法分为 车辆自身拥塞检测和车辆合作拥塞检测两个方面。在车辆自身拥塞检测方面主要分为两个部 分：周围车辆密度的估算；一种基于干扰模型的车辆密度优化过程。而在车辆合作拥塞检测 方面：一种基于路径长短排序的分块方法，将所有车辆的自身拥塞情况都进行合作检测。在 车载网拥塞控制中，求得更为准确的车辆密度以确定该车辆的拥塞程度，并且在合作检测的 过程中考虑所有车辆的拥塞情况，使得后方靠近拥塞的车辆获得一个准确全面的拥塞状况。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于合作机制的车辆拥塞检测方法，该方法分为车辆自身拥塞检测和车 辆合作拥塞检测两个方面；

首先，进行车辆自身拥塞检测，包括车辆密度的估算、基于干扰模型的车辆密度优化， 具体为：

1)通过公式来估算车辆密度，其中Density为车辆密度，N为检测车辆在 其通信范围内检测到的车辆数目，D为在检测车辆前、后方分别检测到的最远车辆与检测车 辆之间的距离之和，NL为车辆行驶车道的边数目；

2)对估算得到的车辆密度进行优化：将影响车辆密度估算结果的突发性错误检测过程抽 象成一种干扰模型，通过图形拟合求解这个干扰模型，再根据得到的干扰分布状况去除干扰；

其次，当车辆自身拥塞检测到的拥塞程度超过设定阈值时，基于路径长短排序的分块方 法进行车辆合作拥塞检测，具体为：

A，根据车辆的通信范围给定一个分块距离值；

B，根据路径长短将车辆按距离排序，在给定的分块距离值内的车辆形成一个分块，且确 定该分块内最前方的车辆为块头结点；

C，每个分块内的其余车辆将自己的拥塞情况发送给块头节点，每个块头节点对接收到的 拥塞情况求取均值；

D，每个分块的块头节点按照基于中位数的合作估计方法传输拥塞情况。

作为本发明的进一步优化方案，在检测车辆前、后方分别能检测到的最远车辆与检测车 辆之间的距离之和D的计算过程是，将仿真界面抽象成直角坐标系，通过计算检测车辆与被 检测车辆在x轴和y轴上的相对距离获得两车之间的实际距离。

作为本发明的进一步优化方案，通过图形拟合求解干扰模型后所得的干扰分布通过极大 似然估计法进行验证。

作为本发明的进一步优化方案，若通过图形拟合求解干扰模型后所得的干扰分布是有规 律的分布模型，则去除干扰的方法为中值滤波，否则为均值滤波。

作为本发明的进一步优化方案，车辆之间的通信采用消息形式，消息的内容包括：发送 车辆的地址、发送车辆的位置信息、发送车辆所在车边道号、发送车辆自身检测到的密度值。

作为本发明的进一步优化方案，基于路径长短排序的分块通过最短路径算法来实现。

作为本发明的进一步优化方案，给定的分块距离值，确保每个分块内最前方的车辆以及 至多10％的其余车辆在前一个分块内最前方的车辆的通信范围内。

本发明采用以上技术方案与现有技术相比，通过过滤行驶方向不符车辆，求解车辆之间 最远距离值以求得周围车辆密度，并通过干扰模型获得准确密度值；一旦密度符合条件，通 过分块传输的方式获得的车辆拥塞状况可以反应拥塞队列中车辆的真实拥塞状况，并且可以 全面反应拥塞队列的整体拥塞状况，而且不会造成额外的通信负载；具有以下技术效果：

1)该方法定义车辆之间的通信消息为bealon消息，包含了车辆行驶车道的边号，通过 车辆的车边道号可以判断两辆车是否处于同一车道的同一行驶方向，避免误判的发生；由此 可以得到准确的检测车辆周围车辆数目，在求解距离时也去除了那些不符合要求的车辆；同 时包含了车辆的密度信息，车辆会不停地计算密度并将当前时刻的密度与前一时刻密度求取 平均值作为当前密度保存，密度的加入更方便车辆的合作检测；

2)该方法采用直角坐标系中计算两点之间距离的方法将仿真界面抽象成直角坐标系， 通过将行使方向分成四种情况考虑分别求得两辆车在x方向和y方向的差值求解车辆之间的 距离值；同时使用变量存放距离检测车辆最远的车辆的位置信息，有新的车辆时进行比较， 始终保证将最远车辆的位置信息保存在变量中，保证求解距离的实时性和准确性；

3)该方法将密度误差抽象成干扰模型，可以直接对计算所得密度值去除干扰以获得较 为准确的密度值；由于所得的干扰模型不确定，所以使用了两种方法分情况处理，通过处理， 可以获得准确的实际密度值以减少突发错误的影响；

4)该方法中，若拥塞程度满足了合作检测的条件，便需要合作检测；通过将仿真车辆按 距离分块，并将分块内所有车辆拥塞情况加以综合的过程，可以在不增加通信负载的前提下 在各分块间传输合作检测消息，此时的消息包含了拥塞队列内所有车辆的拥塞程度，更为全 面准确；采用最短路径算法执行分块过程，由于该算法可以很好地将车辆按距离分成一个个 分块，准确率较高。

附图说明

图1本发明的流程图。

图2是检测车辆周围车辆数目计算流程图。

图3检测车辆与其前、后方最远车辆之间距离和的计算流程图。

图4车辆密度优化的流程图。

图5基于路径长短排序分块的合作检测方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明设计的方法总体执行过程如图1所示，该方法主要由两个部分组成：车辆的自身 拥塞检测和车辆的合作拥塞检测。车辆自身拥塞检测部分包含了车辆密度的估算和密度的精 确过程，车辆的合作拥塞检测部分包含了信息的合作传输检测过程。后面将详细介绍各个部 分的具体作用。

在此之前，首先声明每一辆车都是检测车辆，都需要判断自身拥塞程度，本发明设计涉 及到的检测车辆相关步骤是针对某一辆车的检测过程而言，其余车辆采用同样的方法。

接下来，介绍一下本发明中用到的通信消息和储存表。其中，在车载网中，每一辆车看 作一个节点。

车辆节点之间通信采用的消息形式，定义为bealon消息，其构成如表1。

表1车辆之间的通信消息

另外，车载网中的每一个车辆节点还都会存储一个表格，用来存放其通信范围内所有邻 居节点的相关信息(如节点编号、节点位置)，定义为Neitab，其结构如表2。

表2车辆节点的NeiTab表格

当车载网中启动了合作检测机制后，会在车辆之间传输一个消息用来向后传递拥塞队列 的拥塞状况，定义为CTE(Cooperative Traffic Estimation)，其结构如表3。

表3合作拥塞检测的CTE消息

首先，进行车辆自身拥塞检测，包括车辆密度的估算、基于干扰模型的车辆密度优化两 个步骤。

一、进行车辆密度的估算

一)通过车辆之间的bealon消息的传输，每个车辆都会实时获取自身的Nid、Npos和 Lanid不断生成bealon消息并发送出去，由此可以计算得出每个检测车辆在其通信范围内检 测到的车辆数目N。

图2是检测车辆在其通信范围内检测到的车辆数目的计算流程，其具体步骤如下：

S201：检测车辆初始化自身Neitab表；

S202：若仿真还在进行，则检测车辆会不断接收到bealon消息，此时转S203，否则结 束；

S203：判断接收到的bealon消息中的Lanid与检测车辆是否在同一车道的同一行驶方向， 若满足条件，转S205，否则转S204；

S204：丢弃bealon消息，执行完后转S202；

S205：获取检测车辆当前时刻的Neitab内容；

S206：判断接收到的bealon消息的Nid与检测车辆节点的NeiTab表格中已存储的节点 编号是否有相同值，若都不同，转S208，否则，转S207；

S207：使用新接收到的bealon消息更新对应Nid的Neitab表项，执行完后转S202；

S208：将发送bealon消息车辆的Nid和Npos存入Neitab，此时获取Neitab的大小便是 N值，执行完后转S202。

二)检测车辆与其前、后方距离最远车辆之间的距离和，需要借助Neitab中的节点位置 信息来完成。要求得检测车辆前、后方距离最远的车辆，必须先确定车辆是在检测车辆的前 方还是后方。本发明是通过将仿真界面抽象成直角坐标系，并且将检测车辆的行驶方向分成 四种情况来考虑的。

首先介绍一下车辆行驶的四种情况，如表4所示。

表4车辆行驶方向状态

为了确定车辆的行驶方向，需要两个参数Cp和Pp分别记录检测车辆的当前位置和前一 时刻位置，靠这两个参数在x轴和y轴方向上的分量来判断检测车辆的形式情况，具体如表 5所示。

表5车辆行驶方向判断过程

F Cp.y-Pp.y>0 B Cp.y-Pp.y<＝0 L Cp.y-Pp.y＝＝0&&Cp.x-Pp.x<0 R Cp.y-Pp.y＝＝0&&Cp.x-Pp.x>＝0

为了便于描述本发明求解距离的处理流程，下面定义在距离计算流程中用到的参数符号， 如表6。

表6距离计算流程所用参数符号及其定义

图3是检测车辆与其前、后方最远车辆之间距离和D的计算流程，其具体实现步骤如下：

S301：初始化仿真所需参数，均设为检测车辆当前位置；

S302：对于检测车辆，利用其当前和前一刻位置信息判断其行驶状态，若属于F，转S303， 若属于状态B，转S306，否则，转S309；

S303：利用Neitab内存储的位置信息Y分量与MIY的大小判断该车辆是在检测车辆前 方还是后方，若Y分量大，则在前方，转S305，否则，在后方，转S304；

S304：若Y分量比MBY小，则利用该车辆位置信息更新MBX和MBY；

S305：若Y分量比MFY大，则利用该车辆位置信息更新MFX和MFY；

S306：利用Neitab内存储的位置信息Y分量与MIY的大小判断该车辆是在检测车辆前 方还是后方，若Y分量大，则在后方，转S308，否则，在前方，转S307；

S307：若Y分量比MFY小，则利用该车辆位置信息更新MFX和MFY；

S308：若Y分量比MBY大，则利用该车辆位置信息更新MBX和MBY；

S309：MFY和MBY均赋值为检测车辆当前位置信息的Y分量；

S310：继续利用检测车辆当前和前一刻位置信息判断车辆行驶状态，若属于L，转S311， 否则，转S314；

S311:利用Neitab内存储的位置信息X分量与MIX的大小判断该车辆是在检测车辆前方 还是后方，若X分量大，则在后方，转S313，否则，在前方，转S312；

S312：若X分量比MFX小，则利用该车辆位置信息的X分量更新MFX；

S313：若X分量比MBX大，则利用该车辆位置信息的X分量更新MBX；

S314：利用Neitab内存储的位置信息X分量与MIX的大小判断该车辆是在检测车辆前 方还是后方，若X分量大，则在前方，转S316否则，在后方，转S315；

S315：若X分量比MBX小，则利用该车辆位置信息的X分量更新MBX；

S316：若X分量比MFX大，则利用该车辆位置信息的X分量更新MFX；S317：利用 公式l＝，将计算得到的MFX、MFY、MBX、MBY代入求得检测车辆前方、后方距离最远的 车辆与检测车辆之间的距离，并求和得到D。

三)求得检测车辆在其通信范围内检测到的车辆数目N、检测车辆与其前、后方最远 车辆之间距离和D之后，根据公式即可估算出检测车辆检测得到的车辆密 度。

二、基于干扰模型的车辆密度优化，对上述估算得出的车辆密度进行精确求解。

图4是车辆密度优化的流程图，具体步骤如下：

S401：对于某一辆车，根据计算得到估算密度值，在仿真界面获得车辆实际密度值，通 过多次求解获得一系列密度误差值；

S402：使用MATLAB对密度误差进行拟合，找出一个适合的分布图形；

S403：若分布情况符合假设，是一个有规律的分布模型则，转S406，否则，转S405；

S404：采用中值滤波的方式除去密度误差以获得精确的密度值；

S405：采用均值滤波的方法除去密度误差以获得精确的密度值。

优化求得准确的密度值后，便可以利用密度和车辆当前速度判断车辆的拥塞程度，这一 过程是通过基于模糊机制的判断标准实现的。若拥塞程度达到启动合作检测的标准，则采用 合作检测的方式传递拥塞情况。

其次，当车辆自身拥塞检测到的拥塞程度超过设定阈值时，基于路径长短排序的分块方 法进行车辆合作拥塞检测。

车辆合作拥塞检测需要通过CTE消息的传输来完成，并采用基于路径长短排序分块的方 法进行，具体过程如下：

合作检测过程中，采用将最先解除拥塞的车辆视为拥塞队列最前端车辆的方法，来确定 队头车辆，该车辆会周期性地产生一个CTE消息，将这个周期设为T。

图5是基于路径长短排序分块的合作检测方法流程图，其具体步骤如下：

S501：根据车辆节点的通信范围确定分块距离值L；

S502：在每个时间段T内，将各个车辆按照距离长短进行排列，从队头车辆开始，所有 在L范围内的车辆均被划分成一个分块，且按车辆行驶方向的前后将每个分块依次编号为 1,2,3……；

S503：在每个分块内确定在最前端的车辆节点为块头节点；

S504：分块1内块头节点生成CTE消息，在传输CTE消息之前，分块内的其余车辆节 点通过bealon消息将拥塞程度传递给块头节点，块头节点通过求均值的方式在自身拥塞程度 上加入各个车辆节点的拥塞程度，并将处理过的信息纳入CTE消息的拥塞程度中，从而更新 生成新的CTE消息；

S505：将更新后的CTE消息向后方分块编号大的分块发送；

S506：若后方分块检测到块头节点不处于拥塞状态，则停止CTE消息的转发，结束仿 真，否则转S507；

S507：每个分块内只有块头节点会接收并发送CTE消息，当块头节点接收到CTE消息 后，分块内的其余车辆节点向其传送拥塞程度，通过与分块1相同的方式完善拥塞信息；

S508：完成分块内拥塞信息的完善后，块头节点会采用基于中位数的合作估计方法将这 个信息加入到接收到的CTE消息的拥塞程度中去，生成新的CTE消息并转S505。

综上，为了在不增加额外的通信负载的情况下获得车辆的真实拥塞状况，并且了解拥塞 队列的整体拥塞程度，本发明提出了一种基于合作机制的车辆拥塞检测方法。该方法由车辆 密度计算，密度优化，合作检测三个部分构成，对应了四个处理过程：周围车辆数目的计算； 车辆之间距离的计算；密度值的去干扰过程；合作拥塞信息的分块传输过程。由上述具体实 施方法可知，该方法不仅可以求得准确的单个车辆的拥塞状态，还可以获得拥塞队列的全面 拥塞状态，并且不会造成任何额外的通信负担，同时该方法实现方式灵活简单，易于实现， 便于推广应用。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟 悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明 的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。