基于车联网的交通事件智能感知与拥堵疏导技术分析

窦亮 刘小华

摘 要：在智慧交通发展背景下，需进一步引入车联网等先进技术使路网通行效率得到提高，促使城市道路交通服务水平得到改善。基于此，本文对车联网技术展开了分析，然后对交通事件智能感知与拥堵疏导关键技术及其实现方法进行了探讨，提出了信息融合、智能感知等算法，利用车联网大数据实现交通拥堵治理，希望通过本文的研究为探索交通拥堵治理的科学化发展路径提供参考。

关键词：车联网;交通事件智能感知;拥堵疏导

中图分类号：U495 文献标识码：A

0 引言

在城市汽车保有量不断增长的背景下，交通拥堵问题日渐突出，给行车安全带来了较大威胁。在智慧交通领域，车联网技术发展日渐成熟，能够用于实现交通事件智能感知和拥堵疏导，为城市交通治理提供有力技术支撑。为提高道路交通安全性，还要在车联网运用基础上加强交通事件智能感知与拥堵疏导技术研究，从而为实现城市交通智慧管理提供高效方案。

1 车联网技术概述

车联网指的是由车辆位置、路线、速度等信息构成的数据交互网络，能够运用大数据、云计算等技术完成大量车辆信息分析和处理，生成车辆路线、交通路况等信息。利用汽车安装的智能终端，可以实现车辆本身及运行数据采集，如通过车载GPS等获取位置信息，通过OBD数据接口获取运行数据，然后通过网络将数据发送至云端数据库[1]。车联网除了与车辆终端连接，还能连接汽车制造、售后等业态，构建产业生态圈，为车辆大数据的获取和利用提供支持。

2 交通事件智能感知与拥堵疏导关键技术

2.1 信息融合方法

城市道路出现拥堵情况，与各类交通事件发生直接相关。所以在道路拥堵预判方面，还要通过加强交通事件智能感知对事件发生期间道路交通状态展开分析，为拥堵疏导提供科学依据。通过信号机线圈、高清卡口、电子警察等异类设备对城市道路交通信息进行采集，还要保证各类信息能够与车联网RFID数据顺利融合，使采集信息不一致、不完整等问题得到解决，继而得到准确的道路交通数据信息。采用多Agent方法，通过使各Agent保持协调，能够完成数据实时获取，并使系统实现软硬件和信息共享，使系统鲁棒性得到增强，获得较高自组织能力，使多源异构信息融合问题得到解决[2]。实际采用该技术，还要将不同问题分配给对应Agent，根据局部信息实现自主规划，保证局部冲突得到解决后，实现全局协作，保证局部目标顺利达成。从结构上来看，包含基础环境层和功能应用层，在基础层需要设置事件代理Agent用于实现集中事务管理，并通过通讯模块提供Agent通讯。对应用层进行划分，包含平台层、协调执行层、组织层和决策层。平台层布置各类传感器、CCD等智能感知设备，执行层布置传感器融合Agent、通讯系统Agent、综合导航Agent等多个Agent，用于对任务与平台荷载进行协调，保证检测任务顺利执行。组织层布置任务和健康的监控Agent，并布置指令计划生成、执行Agent，能够为上层决策提供支持。决策层布置人工控制、任务规划等Agent，可以实现决策制定功能。

2.2 智能感知算法

逐层实现Agent融合，需要做好背景杂波处理，并按照传感器类型、信息特征等完成数据分类，实现数据滤波处理，以免负载过大。进过校准、互连等处理，能够对各节点信息进行融合，实现实体目标属性组合。实际各Agent均可以获得知识、经验和存在偏好，因此有各自决策方法，能够得到多个决策序列构成类别集。根据单个Agent对类别集决策排序，能够确定Agent的权重，根据排序结果完成判断矩阵的构造。采用聚类分析法，假设各Agent排序向量为一类，对彼此间相似度进行计算，得到相似性最大的数值作为阈值，实际数值超出阈值可结束聚类，否则将合并并循环比较，直至结束聚类[3]。将单个Agent判断结果当成是一个向量，将相似度当成是聚类标准，能够对Agent间相似度进行评判，得到：

式中，dij指的是Agenti和Agentj的相似性，β（i）和β（j）为向量i和j的权重，在dij较小的情况下说明两个Agent拥有近似权重，能够归为同类。拥有较多Agent的类，将给予Agent较大权重，反之则较小。采用P=[pij]n×m矩阵对全部Agent类进行排列，能够得到元素pij对应排序位置，代表类的列拥有越高可能性，说明元素越大。对n个Agent的算法运用过程展开分析，可以最初需要完成n个类的构造，使p与n相等，各Agent自成一类。完成两两相似度计算后，将包含Agent最小的类合并成新类，确定p=2（n-1）的条件是否满足。如果满足可以完成结束聚类，得到类别和数量，否则需要添加新类后循环分析。根据得到最优解完成类别排序后，可以实现信息融合。

2.3 交通水平评价

采用上述算法进行交通事件感知，可以对交通事件与不同拥堵状态的关联展开分析，通過科学评价交通水平为信号优化配时提供依据。在实际分析过程中，需要采用神经网络算法对Agent感知序列历史数据进行自我学习，做好交通事件分类，使拥堵事件类型和拥堵状态得到科学区分。通过车联网获取车辆特征、运行、道路环境等各种信息，能够完成突发拥堵状态、阵发拥堵状态两类事件的分类，各样本共包含12个特征。利用10 000个样本进行神经网络训练，并利用3 000个样本进行测试，能够得到各交通事件特征集。从分析结果来看，突发拥堵状态集合中包含车辆事故、道路维护等，将导致道路通行能力变弱。而阵发拥堵状态集合中包含特定时段（早晚高峰）、特定地点（学校门口）等交通事件，将面临道路占有率较高的问题。针对突发拥堵事件，实际周围道路状态良好，车流量在运载能力范围内，还要适当缩短交通事件所在区域车辆排队长度，使车辆在该区域红绿灯路口等待时间适当缩短，从而通过提高车辆行驶效率避免交通拥堵情况加重。阵发拥堵状况的发生意味着车流量超出道路运载能力，容易导致车辆在信号灯路口堆积，为此还要增加车辆通行量，使车辆尽可能多的通过路口区域，使拥堵问题得到缓解。在信号配时优化方面，还要根据拥堵程度评价结果进行确认。

3 交通事件智能感知與拥堵疏导技术实现

3.1 系统总体设计

在交通事件智能感知与拥堵疏导技术实现上，需要完成基于车联网的信号优化配时拥堵疏导辅助决策系统开发。系统采用模块化设计方法，由路网交通评价、路口状态预测、信号配时辅助决策等多部分构成，建立在车联网大数据架构基础上，能够实现数据挖掘、通信技术等各种技术的集成运用实现数据调用分析，为各模块功能实现提供支持。实际在系统实现时，通过对大量感知设备进行部署，能够完成路网信息和车辆信息采集，并通过感知设备网络互连打通数据内循环，使各种数据在各部门间流转，并通过融合构成丰富数据资源，通过迭代更新促进各项业务的演进，使数据价值得以充分发挥[4]。采用的大数据平台可以达到PB级别数据处理能力，日均完成3亿条浮动车数据、2亿条高清卡口数据等各类数据的分析处理，总计每日能够实现50亿条数据处理，使智慧交通大数据分析需求得到满足。

3.2 模块功能设计

在系统模块功能开发上，首先需要加强路网交通评价模型的设计。通过对历史数据和实时数据进行调用，能够使核心路口、主干网等敏感交通指数得到监控，如对车流量、车辆速度、拥堵节点等进行监控。在发现指标存在问题时，系统将立即发出报警，实现微观路口定位，直接确认是否存在交通问题，并结合交通事件严重程度进行交通服务水平评价。在路口状态预测模块设计上，需要从交通资源优化利用角度出发，使交通问题得到缓解。利用模块对复杂场景交通运行指数和天气等状况展开关联分析，能够确定交通流变化和拥堵程度间的关系，分析得到交通拥堵生成机理。根据机理设定预警基准，对道路载荷能力进行管控，能够加强交通态势分析和预测，使拥堵治理从被动向主动转变。在信号配时辅助决策模块设计上，需要结合分析得到的拥堵规律加强拥堵分析，生成对应消散控制策略，为交通管制人员制定决策提供依据。利用该模块对各种拥堵疏导方案进行仿真和评估，结合数据进行方案不断优化，能够使拥堵得到有效缓解，促使城市道路交通效率得到提升。

3.3 仿真分析结果

在对系统功能进行仿真测试时，可以采用SUMO1.20完成大型路网交通仿真，对不同交通网络场景和车流量进行构建，获取车辆和道路数据，并利用脚本语言编写算法对信号灯状态和时间进行控制。在参数设定上，路口距离为30 m，拥堵路段长40 m，停车间距为1 m，车辆长统一设定为4 m，最小绿灯时长12 s，最大为80 s，单位延长时间为2 s。在主干道和次干道车流量分别在50～2 400辆/h和50～1 000辆/h波动的情况下，对早晚高峰车流量进行模拟，系统分析得到拥堵路灯绿灯可设定为30 s。从车辆平均延误时间变化情况来看，能够减少40%～50%，高峰时段平均行驶速度提高90%以上，平均停车时间减少50%以上，因此能够使车辆通行效率得到提高。

4 结论

将车联网中车辆看成是智能体Agent，通过信息融合方式加强各类传感器与路网环境数据交互，能够实现对交通事件的智能感知，通过特征分类完成拥堵事件类别和拥堵程度的判断，从而对交通服务水平展开科学评价。结合拥堵预判结果提出相应拥堵疏导方案，能够为交通拥堵治理决策制定提供辅助，从而使道路交通管理的科学化、智能化水平得到提升。

参考文献：

[1]胡方霞.基于车联网的智慧路网监测系统安全构架研究[J].电子世界，2020，42（19）：22-23.

[2]白靖宇.车联网技术在交通拥堵治理中的应用[J].黑龙江科学，2019，10（18）：156-157.

[3]谢学泽.基于车联网大数据的智能交通系统构建[J].信息通信，2020，34（05）：267-268.

[4]林晓辉，梁逸龙，魏文钰，等.5G车联网环境下交通流参数提取方法与仿真[J].交通科技，2019，45（06）：93-98.