基于移动自适应聚类的城市道路状况自动感知方法

摘要

本发明公开一种基于移动自适应聚类的城市道路交通状况自动感知判断方法，主要解决现有技术需要收集和处理的数据量大，难以对城市道路交通状况进行实时判断的问题。其实现步骤是：1.利用地图信息初始化城市道路网络图；2.利用短距离无线通信技术与周围车辆进行通信，进行局部的移动自适应聚类并计算聚类内车辆的平均移动速度；3.通过子聚类间的合并计算道路段内车辆的平均移动速度；4.根据道路段内车辆的平均移动速度和道路拥堵阈值对道路段的交通状况进行自动感知判断。本发明能在没有远程服务器和互联网的支持环境下对道路状况进行自动感知判断，具有简单易行、实时性强的优点，可用于缓解城市道路的拥堵问题。

说明书

技术领域

本发明属于移动传感网络技术领域，特别涉及一种城市道路状况自动感知方法，可用于移动终端。

主要利用短距离无线通信技术(蓝牙)在城市道路中行驶的车辆之间组建移动自组网络。通过车辆间的信息传播，根据车辆的位置、移动方向和平均移动速度对道路的拥堵状况进行自动感知判断。然后，利用车辆的移动性将结果在道路网络上进行传播。

背景技术

随着社会的不断进步和汽车产业的迅猛发展，作为日常生活中的主要交通工具，道路上行驶的汽车的数量正在飞速增长，这使我们面临着越来越严重的城市道路交通问题。由于科技的进步，当前的很多车辆和移动设备都装置有GPS位置识别、蓝牙通信以及具有一定的数据处理功能的智能系统等。如果对这些设备和功能进行合理地利用，在一些软件系统的支持下可以使这些移动终端变成具有道路交通感知功能的传感器节点，从而缓解道路的交通拥堵问题。例如：道路上行驶的车辆可以借助GPS装置获取自己移动速度数据，然后通过蓝牙通信功能与周围车辆之间相互共享移动速度数据共同计算出车辆的平均移动速度，从而自动感知出车辆所在道路的交通状况并把这个信息传递给要驶入这个路段的车辆，这样车辆如果在行驶的过程中获得前方道路拥堵的时候可以选择通过其它非拥堵的道路到达自己的目的地。简而言之，就是将道路中移动行驶的车辆看作是一个个移动的传感器节点，然后利用短距离通信功能来构建移动传感网络，通过这些传感器节点的共同协作来完成单个用户节点难以实现的复杂的道路交通状况感知任务。

现有的道路状况计算方法主要采用集中式的数据处理方式，通过对历史交通数据进行收集，然后采用基于密度的聚类算法DBSCAN或者K均值聚类算法K-Means对车辆的轨迹数据进行聚类计算,获取道路的拥堵区域。但是，这些传统的方法会导致数据传输量大，计算时间复杂度高，结果的实时性差等问题，另外对网络和硬件条件要求也比较高，很难满足现实环境的需求。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于移动自适应聚类的城市道路状况自动感知方法，使道路中行驶的车辆在没有远端服务器和互联网进行支持的情况下对道路状况进行自动感知计算，获取道路的拥堵区域信息，满足广大用户的行车需求。

实现本发明的技术思路是：移动车辆通过GPS装置获取位置、移动速度和移动方向等数据；车辆之间通过短距离无线通信构建自适应聚类并对聚类内车辆的平均移动速度进行计算；利用聚类扩张的方式计算道路段上行驶的车辆的平均速度并向周围传播；车辆根据交通拥堵指数实现交通状况的自动感知判断，其实现步骤包括如下：

(A)初始化道路网络图：

(A1)根据地图信息对所在城市中的道路进行分割和标记，得到道路网络图；

(A2)道路中的移动车辆通过所携带的GPS装置周期性地获取自己所处的当前位置P、移动速度V、和移动方向D，并将该位置P和移动方向D与道路网络图进行匹配，获取所在道路段R的信息；

(B)计算所在道路段R的车辆平均移动速度：

B₁)道路段R中的车辆O_i通过短距离无线通信与周围的车辆进行通信，将自己的当前位置、移动速度和移动方向以数据包的形式传递给周围的车辆；

B₂)周围的车辆O_j收到道路段R中的车辆O_i发送的数据包后，判断O_i的移动速度和移动方向，如果O_i和O_j的移动方向相同且最长可通信时间MT大于设定的通信周期阀值T，则O_j把自己的当前数据信息反馈给O_i，O_i根据收到的信息形成临时局部子聚类，并对聚类内车辆的平均移动速度进行计算；

B₃)临时局部子聚类通过边界上的车辆与周围其它子聚类进行通信，计算子聚类间的车辆平均移动速度；

B₄)重复步骤B₂)和步骤B₃)，使聚类不断进行扩张，直到扩张到道路段R的边界为止,计算道路段R的车辆平均移动速度AV；

(C)根据步骤(B)，道路段R中的车辆把该路段的平均移动速度AV向周围行驶的车辆进行传播；

(D)周围的车辆在收到道路段R的车辆平均移动速度AV后，把AV与设置的道路 拥堵阀值TV进行比较，如果AV<TV，则道路段R被自动感知为拥堵状态，反之，道路段R被感知为正常状态。

本发明与现有技术相比，具有如下优点：

(1)成本低廉、灵活性高

本发明采用移动自适应道路状况感知方法不需要远程服务器和互联网的支持，道路中的车辆通过与周围车辆进行通信计算出平均移动速度并对所在道路段的交通状况进行自动感知，因此，与现有技术相比其成本低廉、适用性强、灵活性高。

(2)计算复杂度低、实时性强

传统的方法通常需要收集海量的历史交通数据采用批量处理的方式进行计算，这样计算复杂度高，很难满足实时的道路状况判断。本发明采用普适计算的方式不但降低了所要处理的数据量，而且也增强了对道路状况的实时感知。

附图说明

图1是本发明的实现总流程图；

图2是本发明中计算道路段内车辆平均移动速度的子流程图；

图3是本发明中道路段内的移动车辆示意图；

图4是本发明对奥尔登堡市道路网络的交通状况进行自动感知的结果示意图。

具体实施方式

下面结合附图和具体实施实例对本发明做进一步说明：

本发明中所涉及到的移动群感知系统主要是将道路中行驶的车辆看作是移动的传感器，利用软件和无线通信技术将他们组织起来形成一个移动传感网络，协作完成道路交通状况的感知任务。如果某段道路内的车辆平均移动速度低于设定的道路拥堵阈值TV，则被判定为拥堵状态。

参照图1，本发明的实现如下：

步骤1，初始化道路网络图。

对每台车辆初始化道路网络图，根据地图信息对道路进行适当的分割得到分布相对均匀的道路段，道路网络图可以看作由很多道路段作为边所构成的网络图结构。车辆通过位置数据和道路网络图匹配获取所在道路段信息，其初始化道路网络图的步骤如下：

(1.1)根据地图信息对城市中的道路进行分割得到道路段[R_id,Ps,L，Pe,D],由这 些道路段作为边，道路段的交叉点作为顶点构成道路网络图，其中R_id表示道路段R的标记名，Ps表示道路段的起始位置，Pe表示道路段的终止位置，L表示道路段的长度,D表示道路段的方向；

(1.2)道路网络图中的车辆O_i通过所携带的GPS装置周期性地获取自己所处的当前位置P、移动速度V、和移动方向D，并将该位置P和移动方向D与道路网络图上的道路段[R_id,Ps,L，Pe,D]进行匹配，即道路网络图中的车辆根据自己的当前位置P和移动方向D与道路网络图上的道路段[R_id,Ps,L，Pe,D]进行比对，得出道路网络图中车辆所在的道路段R。

以德国奥尔登堡城市道路网络为例，所生成的城市道路网络图如图4中所示的灰色网络图。

步骤2，计算道路段内车辆的平均移动速度。

道路段中的车辆通过无线通信与周围车辆进行通信，从而进行车辆间移动自适应聚类和聚类内车辆的平均移动速度计算。

参照图2，本步骤的具体实现如下：

(2.1)道路段中的车辆O_i通过蓝牙与周围的车辆进行通信，即道路段中的车辆O_i将自己的当前位置P、移动速度V、移动方向D，以数据包msgIR[O_id,P,R_id,C_id,V,D,AV(O[i]),t]的形式传递给周围车辆，其中O_id表示车辆标记名,P表示车辆位置，R_id表示车辆所在道路段，C_id表示聚类名，V表示车辆的移动速度，AV(O[i])表示车辆集合O[i]的平均移动速度，D表示移动方向，t表示当前时间。

如图3所示，以道路段R₁₊中的车辆u为例，通信半径r＝10m，则与车辆u可通信的车辆包括[O₁,O₂,O₃,O₄,O₅,O₆]这6台周围车辆；

(2.2)计算道路段中的车辆O_i与周围的车辆O_j之间的最长可通信时间MT：

$MT\le \frac{r\pm |P_j-P_i|}{|v_i-v_j|},$

其中v_i代表道路网络图中车辆O_i的移动速度，v_j代表周围车辆O_j的移动速度，P_i代表道路网络图中车辆O_i在道路段上的位置，P_j代表周围车辆O_j在道路段上的位置，|P_i-P_j|表示位置P_i和P_j之间的距离，r表示短距离无线通信的最大通信半径，公式中，如果P_i<P_j且v_i<v_j，则取r-|P_j–Pi|,如果P_i<P_j且v_i>v_j，则取r+|P_j–P_i|,如 果P_i>P_j且v_i<v_j，则取r+|P_j–P_i|,如果P_i>P_j且v_i>v_j，则取r-|P_j–P_i|；

(2.3)周围的车辆O_j收到道路段中的车辆O_i发送的数据包msgIR后，判断O_i的移动速度和移动方向，如果O_i和O_j的移动方向相同且最长可通信时间MT大于设定的通信周期阀值T＝30s，则周围的车辆O_j把自己的当前数据信息反馈给道路段中的车辆O_i；

(2.4)道路段中的车辆O_i根据周围车辆的移动方向和通信周期阀值进行判断，形成临时局部子聚类：如果移动方向D相同且最长可通信时间MT大于设定的通信周期阀值T，则这些车辆属于同一个分组,反之不属于同一个分组；

(2.5)计算临时局部子聚类内车辆的平均移动速度AV_O：

${\mathrm{AV}}_O=\frac{\underset{x=1}{\overset{n}{\Sigma }}{\mathrm{VO}}_x}{n},$

其中VO_x表示临时局部子聚类内车辆O_x的移动速度，1≤x≤n，n表示临时局部子聚类内车辆的台数；

如图3所示，周围车辆[O₁,O₂,O₃,O₄,O₅,O₆]在收到车辆u发送的数据包后，与自己的移动方向和移动速度进行计算比较，O₁,O₂,O₃和O₄的移动方向与车辆u的方向相同且可通信时间大于设定的通信周期阀值T＝30s，则形成一个以车辆u为中心的群组C_u＝[u,O₁,O₂,O₃,O₄]，其中O₅和O₆的移动方向与u相反，则不包括在群组C_u内，C_u内车辆的平均移动速度avgC_u＝22.6km/h，同样，以O₈为中心的群组C_O8内的车辆平均移动速度avgC_O8＝22km/h；

(2.6)计算子聚类间的车辆平均移动速度AV_C：

临时局部子聚类通过边界上的车辆与周围其它子聚类进行通信，如图3中车辆u根据位置从群组C_u中选出边界车辆O₂与相邻的以O₈为中心的群组C_O8进行通信，其聚类间的车辆平均移动速度AV_C为：

${\mathrm{AV}}_C=\frac{\underset{y=1}{\overset{m}{\Sigma }}{\mathrm{VC}}_y}{m},$

其中C_y表示临时局部子聚类，VC_y表示C_y内的车辆平均移动速度，1≤y≤m，m表示子聚类的个数；

计算出图3中C_u与C_O8这两个群组间的平均移动速度avgC_u+O8＝22.3km/h；

(2.7)重复步骤2.6)，使聚类不断进行扩张，直到扩张到道路段R的边界为止，计算出路段R的车辆平均移动速度avgR。如图3所示，道路段R₁₊的车辆平均移动速度avgR₁₊＝22.3km/h。

步骤3，道路段R中的车辆利用步骤2得出的结果，把该路段的车辆平均移动速度avgR向周围的车辆进行传播。

步骤4，周围的车辆收到道路段R的车辆平均移动速度avgR后，与设置的道路拥堵阀值TV进行比较，如果avgR<TV，则道路段R被感知为拥堵状态，反之，道路段R被感知为正常状态。

如图3所示，道路拥堵阀值TV＝20km/h，道路段R₁₊的车辆平均移动速度avgR₁₊＝22.3km/h，由于22.3km/h＞20km/h，道路段R₁₊被感知为正常状态，即非拥堵状态。

通过以上步骤完成了在德国奥尔登堡城市道路网络中，对模拟的车辆交通数据所进行的道路交通状况的自动感知判断，如图4中的灰色网络图表示道路段，其中红色的道路段表示拥堵状态，蓝色的道路段表示正常状态。