严丽平(1980-), 女, 博士, 副教授, 主要研究领域为智能交通, 不确定性人工智能
郭成源(1994-), 男, 硕士, 主要研究领域为智能交通, 智能计算
宋凯(1980-), 男, 博士, 副教授, 主要研究领域为智能交通, 不确定性人工智能
袁朝晖(1976-), 男, 博士, 副教授, 主要研究领域为移动计算, 物联网
朱炉龙(1995-), 男, 硕士, 主要研究领域为智能交通, 机器学习
为了缓解城市交通拥堵、避免交通事故的发生, 城市路网的路径选择一直以来是一个热门的研究课题. 随着边缘计算和车辆智能终端技术的发展, 城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles, IoV)范式过渡, 这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变. 在城市路网路径选择问题上, 众多学者的研究主要聚焦如何提高出行效率, 减少出行时间等. 然而这些研究并没有考虑所选路径是否存在风险等问题. 基于以上问题, 首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R3A-EC), 并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R2S-RA). R3A-EC模型利用边缘计算技术的低延迟, 高可靠性等特点对城市道路进行实时风险评估, 并利用最小风险贝叶斯决策验证道路是否存在风险问题, 最后在此基础上对城市路网路径选择进行优化, 实现实时动态低风险的路径选择方法. 实验通过与传统的最短路径Dijkstra算法、基于VANET的最短时间算法、基于MEC的动态路径规划算法以及双向A*最短路径优化算法对比, 得出R2S-RA方法可以更好地选择兼顾道路风险和行驶时间的优化路径, 从而大大减少交通拥堵和交通事故等事件的发生.
In order to alleviate urban traffic congestion and avoid the traffic accident, the route selection in urban road networks has been a hot research topic. With the development of edge computing and vehicle intelligent terminal technology, driving vehicles in urban road network are transiting from self-organizing network to Internet of vehicles (IoV) paradigm, which makes the route selection of vehicles change the computation based on static historic traffic data to real-time traffic information. In the current research on the route selection in urban road networks, many scholars focus on how to improve the efficiency of travel, reduce travel time, etc. Nevertheless, these studies do not consider the possible risk on the selected route. Based on the above issues, this study constructs a real-time road risk assessment model based on edge computing (R3A-EC) for the first time. Besides, it proposes a real-time route selection method based on risk assessment (R2S-RA). The R3A-EC model makes full use of the characteristics of low latency and high reliability of the edge computing technology to assess the risk on the urban road in real time, and uses the minimum risk Bayes decision making to validate whether there is a risk. Finally, based on the real-time risk assessment model, the route selection of urban road network is optimized to realize the real-time dynamic and low-risk route selection method. Compared with the traditional shortest path method Dijkstra and the shortest time method based on VANET, the dynamic path planning algorithm based on MEC and the bidirectional A* shortest path optimization algorithm, the proposed R2S-RA method can better choose the optimal route that takes road risk and travel time into account, so as to reduce the occurrence of traffic congestion and traffic accidents.
随着经济的快速发展, 国家的车辆总数、城市道路和高速公路的数量也随之不断增加, 更多的道路交通问题(交通拥堵, 交通事故等)也随之而来. 其中, 交通事故是15–29岁年轻人的首要死亡原因. 交通事故的发生会直接影响到发生事故路段的交通状况, 导致交通拥堵, 甚至造成更为严重的损失. 如何基于实时道路风险预测进行路径选择, 从而缓解交通拥堵减少交通事故的发生, 已经成为现代城市发展中亟待解决的一个热点问题[
目前国内外对于道路安全风险的研究方法主要分为两个方面: 一是通过模糊理论[
随着智能设备的不断发展, 车联网(Internet of vehicles, IoV)系统[
本文提出基于道路风险评估的实时路径选择方法是在边缘计算技术的基础上实施. 交通边缘服务器将道路车流信息进行处理分析得出道路当前所处在什么样的交通状况, 通过对车辆异常信息, 车流密度等数据分析判断道路的风险性. 然后边缘服务器将这些信息集中上传至云服务器, 通过云服务器分析将得出的结果反馈给道路上的行驶车辆. 以这样的方式便可以快速实现对路面车辆的宏观调控, 提醒司机在有风险的路段小心驾驶或者避开有高风险的路段, 进而更合理地进行路径选择, 避免不良交通事件的发生.
综上, 本文的主要工作可以总结如下:
(1)针对城市交通道路的实际情况, 提出一种新的实时道路风险评估模型(real-time road risk assessment model based on edge computing, R3A-EC), 该模型利用边缘计算技术的低延迟和高可靠性对道路车辆数据进行收集和反馈. 模型综合车流信息、道路信息、车辆异常行为等数据对道路风险进行综合评估.
(2)提出一种基于道路风险评估的路径选择方法(real-time route selection method based on risk assessment, R2S-RA), 该方法结合实时道路风险评估模型, 对行驶车辆的可选路径实施新的权重计算方法, 将道路风险以及道路拥堵情况对路径规划进行统一的权重计算, 并通过最小风险贝叶斯决策进行验证, 得出具有风险的路段. 并通过得出的权重实现更好的路径选择, 使得车辆所选的路径既安全又快捷.
本文第1节介绍相关研究工作. 第2节详细介绍了基于边缘计算的道路风险实时评估模型R3A-EC. 第3节介绍基于道路风险评估的实时路径选择方法R2S-RA. 第4节将该方法在人工路网和真实的城市交通路网中进行验证, 证实其有效性和实用性. 第5节对全文进行总结, 并对未来工作进行展望.
为了实现城市快速路实时交通流运行安全主动风险评估, Ren等人收集了大量的交通事故数据, 通过分析交通事故发生频率的时空变化规律, 提出了一种基于递归神经网络的高精度深度学习交通事故风险预测模型用来预测某一地区交通事故发生的频率[
为了避免交通拥堵进而更好地实现路径选择, Wan等人提出了一种基于MCS (mobile crowd sensing)技术[
为了实现交通信息数据的可靠性和低延迟传输, Garg等人将边缘服务器作为中间接口, 辅助车辆与云端数据中心间通信, 减少了终端节点访问时间和网络拥塞[
综上, 现有的交通预测评估系统缺乏对道路车辆行驶整体协调性等相关研究. 为此, 本文首次构造了一个基于边缘计算技术的道路风险实时评估模型R3A-EC, 并提出基于该模型的城市路网实时路径选择方法R2S-RA. 该模型通过实时评估道路的风险程度以及拥堵情况的方法来实现更加安全便捷的交通路径规划, 而该方法既考虑了当前道路的实时交通情况又将道路风险对路径选择的影响考虑在内, 极大地提高了道路选择的安全性和快捷性.
影响道路风险的因素有很多, 但绝大多数主要来自于行人、车辆和道路. 以往对城市道路风险的研究中, 众多关于车速离散度的研究通常通过判断车速的分布情况来判断交通流是否处于异常状态, 并没有考虑到城市道路车辆行为异常的情况, 而且有些模型也没有考虑到车辆所处的状态信息是否可取. 因此, 本文构造了基于边缘计算技术的道路风险实时评估模型R3A-EC, 该模型结合车流密度、道路质量以及车辆行为异常和车速离散程度对某一段道路发生事故的风险程度进行评估, 并据此对路径的选择进行优化. 该模型的优势在于它对道路上的每辆车赋予一个异常占重值, 并对这些数据做统计分析, 结合车辆车速的离散程度以及道路质量情况得出道路实时的风险程度, 并以此为基础进行实时路径选择以及对异常驾驶的司机进行提醒, 这样可以很好地避免交通事故的发生.
车辆通过智能手机等设备记录并上传车辆行驶的多项数据信息(实时速度、加速度、轨迹节点位置信息等)到距离最近的边缘服务器. 在这一过程中, 在路边临时停车以及等待交通信号灯通过的车辆状态数据均会被上传, 但这些数据对于评估道路风险存在严重的偏差影响. 因此, 本节提出的R3A-EC模型通过收集在道路上正常行驶的车辆的信息数据来对当前道路风险进行合理的评估, 并规划实时、安全、快捷的行驶路线. 基于边缘计算的实时道路信息交互框架. 第2.1节介绍了边缘计算网络架构的过程, 第2.2节介绍了基于异常车辆的道路风险评估过程, 第2.3节介绍了道路风险最小风险贝叶斯决策模型.
为了能够快速地对道路车辆海量的实时信息进行收集和分析, 并将分析结果及时反馈给道路上的行驶车辆, 就目前国内外研究来看, 采用边缘计算技术无疑是较好的选择. 如
Frame diagram of real-time road information interaction of edge service
边缘服务实时道路信息交互架构图
为了最大程度减少数据收集的延迟, 可以将边缘服务器基站均匀分布以达到覆盖城市每条道路的目的. 对每一个边缘服务基站进行编号, 然后对每一个基站按照就近原则分配其所管控的道路信息, 并对每条道路制定编号. 在终端节点收集信息之后进行任务分割分配, 以便于众多道路车辆的交通数据被分配到多个边缘服务器上进行管理分析, 相较于直接采用云网络服务器处理更加有效率. 数据均通过道路上车辆的感知设备进行收集并传输至边缘服务器. 然而, 道路上的车辆行为较为复杂多变, 其所收集到的数据也是复杂多样的, 其中难免存在一些不可靠的数据, 因此, 需要采用数据过滤的方式对不合格的数据进行过滤, 避免其对后续道路风险的评估以及路线的规划产生不良的影响. 比如, 当车辆在路边临时停车时, 该车辆的速度并不能作为可以依据的数据进行风险评估, 以及当车辆在等待红绿灯时的车辆速度信息也不能作为评估的依据. 通过数据过滤, 使得边缘结点上传至边缘服务器的数据更为可靠, 最后所评估的风险值也会更加准确. 随后众多边缘服务器的信息汇集至中心网络, 整个边缘服务器所覆盖的地区交通情况便可以被中心网络进行宏观上的把控, 从而可以对行驶车辆提供更加精确有效的路线选择. 这种方法还有一点优势在于随着城市交通路网的复杂而变得更加的有选择性, 对于市区外的公路或者高速路, 由于路段长度较长且可选择性较低, 因此该种方法并不适用.
异常车辆通常是指道路上存在的异常驾驶行为的车辆, 比如行车的车速超过道路速度限制、驾驶员紧急变换车道以及车辆频繁的加速减速等. 这些行为是导致交通事故的重要诱导因素. 因此, 异常驾驶行为的检测对于城市道路上的交通安全具有非常重要的意义. 本文主要从车辆急变道、车辆急加速急减速、车速离散程度3个角度来评估道路的风险.
对于城市路网中的每一个行驶车辆, 需要对其行驶轨迹进行记录, 本文采用的轨迹记录方法是由连续的GPS轨迹节点的集合组成, 记为
通常车辆变道时间是比较短的, 一般在3–8 s内便可以完成, 而且车辆的转向角度也是比较小的, 因此可以通过计算GPS轨迹点之间的转角来检测车辆是否发生变道行为.
当车辆的行驶方向未发生改变时, 如
Lane change track diagram of road vehicles
道路车辆变道轨迹图
该转角的角度值越大, 越能说明驾驶员行车经验缺乏或者需要紧急避让, 越容易造成道路不稳定因素, 从而可能引发交通事故. 当行驶方向发生改变时, 说明车辆正在弯道上行驶或者驶入另一条方向不同的车道, 应当放弃所测量值. 根据行业经验, 变道偏角大于15°即可判定该车辆发生变道行为. 依据行车经验, 将变道角度大于25°的车辆分类为急变道车辆. 根据车辆在过去一个周期内的行车轨迹, 统计其在道路上的急变道车辆数, 增加急变道车辆特征记为
交通运输行业规定, 急加速或者急减速并不属于违规行为, 但是在道路交通中, 经常性的该行为却是引发交通事故的重要因素. 因此在车辆行驶轨迹点的基础上可以计算出车辆加速度的变化. 根据车辆GPS轨迹结点
为了更好地区分不同区间急加速和急减速对路面造成的风险程度, 本文根据我国公交安保部2012年制定的急加速和急刹车判断标准, 将急加/减速按危险程度分为3个等级标准, 如
Grade standards for rapid acceleration/deceleration
急加/减速等级标准
判定标准 | 加速度大小 | 持续时间 (s) |
一级标准 | 加速度数值≥2.78 | 超过2 |
二级标准 | 加速度数值≥2.22 | 超过2 |
三级标准 | 加速度数值≥1.67 | 超过2 |
统计不同标准的急加/减速的车辆数目, 增加急加/减速特征
根据行业经验, 车速离散程度越大说明该路段中超车频率越高, 发生事故的可能性就越大. 对于众多车辆的车速离散程度, 本文用道路车辆速度的标准差
其中,
当某一路段上的车辆速度偏离均值较大时, 可以判定该车的车速存在异常. 对道路上的这些车辆进行如下统计. 设置:
那么, 存在车速异常的车辆总数
道路风险同时与道路的质量也存在着一定的关系. 道路的质量与道路的风险是负相关的关系, 即道路质量越好, 发生事故的可能性相对来说就会变小, 反之发生事故的可能性就会越大. 根据城市道路各类(级)道路主要技术指标, 城市道路可分为快速路、主干道、次干道和支路4类, 而目前城市主要道路中, 快速路和主干道安全性均较高, 因此本文将两种道路统一为一类, 最终将不同类别的道路划分为3个不同质量等级标准, 对不同质量的道路赋予相应的质量参数值, 为了可以使得不同类别的道路可以降低或者增加交通风险的目的, 将可用道路的质量标准区间设置为[0.5, 2], 该值的大小体现了道路路面质量的高低, 例如道路车道数量、平坦程度以及是否存在需要躲避的障碍物之类. 不同的路段需要人为提前考察道路的质量并对其赋予相应的道路质量值
Road quality parameter Settings of different levels
不同级别道路质量参数设置
道路质量 | 道路级别 |
0.5–1 | 一级公路 |
1–1.5 | 二级公路 |
1.5–2 | 三级公路 |
|
道路无法使用 |
在以往对于异常行为车辆的参数设置中, 多数研究学者将正常行驶的车辆与异常行驶的车辆设置为0和1, 但不同异常行为的车辆对于交通影响的程度是不同的, 某些异常行为例如一级的急加速和急减速行为相对于急变道而言更容易造成交通事故的发生. 当多种异常行为同时存在于一个车辆的时候, 那么该车辆对于道路风险造成的影响也是非常大的. 因此对不同异常行为需要有不同的异常占重, 本文通过多组仿真实验计算得出一组较为合理的异常参数, 并据此参数来进行后续的道路风险评估. 具体参数设置如
Parameter Settings of abnormal behavior
异常行为参数设置
异常行为 | 异常占重值 |
速度异常 | 1 |
急加/减速一级 | 1.3 |
急加/减速二级 | 1.2 |
急加/减速三级 | 1.1 |
急变道 | 1.2 |
混合异常 | 1.5 |
其中,
基于上节道路风险的评估, 为了可以更多地了解道路交通流的风险状态, 本文采用SUMO (simulation of urban mobility)交通仿真软件对城市不同交通状态下的车速分布进行了统计, 通过逐次加入更多的车辆来模拟不同的交通状态. 本文统计了交通顺畅、正常情况以及交通繁忙3种交通流的车速分布情况, 将所统计的数据使用最小二乘法进行拟合, 结果如
The number of vehicles corresponding to different speeds in three traffic states
3种交通状态下不同车速对应的车辆数目
将某一路段的车流观测量
Minimum risk Bayesian Decision table
最小风险贝叶斯决策表
|
状态 | |
|
|
|
|
|
|
|
|
|
道路风险最小风险贝叶斯决策模型的计算步骤如下.
(1)对于先验概率, 本文通过对路面正常车辆与异常车辆的数目所占的比率对先验概率进行了估计, 分别记为
(2)根据贝叶斯分类算法原理, 计算的后验概率为:
(3)计算决策为
(4)比较两个条件风险值的大小并做出决策.
通过以上步骤, 得出
由于道路的车流情况每时每刻都是在不断发生变化的, 为了能够实时地对道路风险进行评估并以此对路径进行选择, 本文采用某一路段前几分钟的交通流数据对道路进行实时风险评估, 然后根据道路风险值对道路权重进行计算, 并基于该权重值对行驶车辆进行实时低风险路径选择. 第3.1节介绍了基于道路风险的路径权重计算方法, 第3.2节介绍了R2S-RA路径选择方法的过程.
将多个边缘服务站均匀设置于城市路网中, 如
Edge Service - Schematic diagram of road condition information
边缘服务—路况信息示意图
以南昌市部分区域为例. 如
Diagram of edge computing server deployment
边缘计算服务器部署示意图
在这里, 该道路的基础权重是以通过该道路所需的平均时间来定义的, 但在道路的选择上, 无论是最短路径或者最短时间, 对于希望安全行驶的司机来说都不一定是最理想的道路选择方法, 结合第2节的道路风险实时评估, 设置一种低风险的路径选择方法, 选择风险较低的路段. 根据每条道路风险期望值
公式(17)和公式(18)中,
当行驶车辆设置好出发地和目的地的时候, 根据公式(18)计算出的路径权重得出初始路径方案. 车辆在按照初始方案行驶的过程中, 不同的道路风险会随着时间的改变而发生变化. 因此, 在给定的时间段
算法
输入: 出发地和目的地;
输出: 更新后路径规划方案
1. 确定城市路网各路段风险指标.
2. 执行公式(18)更新路径权重
3. 初始化路线方案
4. 设置时间周期
5. For
执行公式(6)更新各路段实时风险
执行公式(17)更新路段风险期望
执行公式(18)更新路径权重
6. 获取车辆当前位置.
7. 更新路线方案
End
8. If 车辆未抵达目的地 then return to 5. End
Else 算法结束.
End
为了验证R2S-RA方法的可行性, 本文分别基于人工路网和真实路网两种场景来进行实验. 为了评估该方法的有效性, 本文选择传统的最短路径Dijkstra算法、基于VANET的最短时间算法、基于MEC的动态路径规划算法以及双向A*最短路径优化算法与本文提出的R2S-RA方法进行对比实验, 针对车辆的行驶时间以及所选路径的平均风险进行比较, 以证实R2S-RA方法的有效性和实用性.
在人工路网实验中, 本文使用SUMO交通仿真软件对道路交通微观车辆信息进行模拟仿真. 实验中路网的设置如
Schematic diagram of artificial road network
人工路网示意图
为了对不同路径规划方法的优劣性进行比较, 在仿真实验中, 本文设置出发地站点为1, 目的地站点为12, 这样可以有更多的可选路径. 使用仿真软件在每条道路上生成车辆进行仿真以获取车辆的实时速度, 车流密度以及车辆从出发点到目的地所行驶的时间. 根据实验需要, 对其中部分车辆随机设置异常属性值, 部分仿真实验数据见
Part of road simulation experiment parameters
部分道路仿真实验参数
路径 | 距离 (km) | 检测车辆数量 (辆) | 平均速度 |
速度
|
急加/
|
急加/
|
急加/
|
急变道 | 混合
|
道路
|
车流
|
风险值 | 权重值 |
1-2 | 2.45 | 133 | 38.5 | 20 | 5 | 2 | 1 | 3 | 2 | 1 | 5.43 | 1.46 | 9.40 |
1-5 | 1.56 | 102 | 41.3 | 34 | 3 | 1 | 1 | 2 | 1 | 1 | 6.54 | 2.80 | 8.62 |
2-3 | 3.12 | 125 | 39.6 | 32 | 7 | 3 | 1 | 4 | 6 | 1 | 4.01 | 1.87 | 13.58 |
2-6 | 2.15 | 134 | 36.5 | 19 | 3 | 2 | 0 | 1 | 2 | 1 | 6.23 | 1.34 | 8.28 |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
8-12 | 2.56 | 206 | 32.5 | 22 | 6 | 4 | 2 | 5 | 4 | 1 | 8.05 | 1.88 | 13.59 |
9-10 | 1.89 | 157 | 36.4 | 15 | 4 | 3 | 1 | 2 | 2 | 1 | 8.31 | 1.57 | 8.01 |
10-11 | 2.18 | 164 | 29.6 | 24 | 3 | 2 | 0 | 0 | 1 | 1 | 7.52 | 1.43 | 10.74 |
11-12 | 2.16 | 158 | 31.7 | 14 | 4 | 0 | 3 | 4 | 2 | 1 | 7.31 | 1.39 | 9.79 |
根据最小风险贝叶斯决策经验, 设置最小风险贝叶斯决策各个损失参数值. 经过多次实验计算结果对比, 当把有高风险路段决策为正常路段的损失函数即
Minimum risk Bayesian decision table
最小风险贝叶斯决策表
决策 | 状态 | |
|
|
|
|
0 | 7 |
|
1 | 0 |
同时, 为了验证R2S-RA方法在动态路径选择方面的表现, 本实验通过设置道路车辆的数量和异常车辆信息对不同的路段设置交通拥堵、高路段风险等情况, 然后分别结合传统的最短路径Dijkstra算法、基于VANET的最短时间算法、基于MEC的动态路径规划算法以及双向A*最短路径优化算法在所选路径的行驶时间以及路径的平均风险进行了对比, 结果如
Comparison of average travel time of different route selection methods in artificial road network
人工路网中不同路径选择方法的平均行驶时间对比图
Comparison diagram of route risks of different models in artificial road network
人工路网不同模型路径选择路径平均风险对比图
从
(1) 在人工路网中, 随着车辆数目的增多, 所有的路径规划模型在行驶时间上呈现先慢后快的增长趋势. 本文所提出的R2S-RA方法在时间上的优势相对于基于VANET最短时间路径选择方法以及基于MEC的动态路径规划算法上有一定的差距, 但随着车辆数目的增多, 这种差距也在逐渐缩小. 从选择的路径平均风险角度来看, 该方法所选的路径平均风险值均为最低, 也就是说其所选择的道路畅通性以及道路的安全性上有很大的优势, 而且最终到达目的地所使用的时间相差并不是很大. 传统最短路径Dijkstra算法和双向A*算法虽然在行驶的路程较短, 但受到道路的通行能力的影响, 最终所需要的行驶时间往往不是最少的.
(2) 在行驶过程中对道路设置多种突发状况, R2S-RA方法均可以很好地更新出相对更为安全并且较为快捷的路线, 使得最终的行驶时间在完全可以接受的范围内. 随着路段的增多, 该种方法可以有更多的道路进行选择, 可以很好地满足未来道路繁杂的场景. 这种路径选择方式对于行车经验不足的司机来说是非常友好的.
为了验证R2S-RA方法在现实城市路网中的实用性, 本文以南昌市重要交通区域为例, 设置真实城市路网, 如
Real road network in some areas of Nanchang
南昌市部分地区真实路网
使用OSM (open street map)地图服务将该区域的主要道路导入SUMO交通仿真软件中进行车辆路径规划的模拟仿真, 同样通过设置道路车辆的数目来模拟不同时间段的交通流状态. 设置车辆的出发地和目的地, 统计车辆在路径规划过程中所行驶的时间并与现实中导航工具的预估时间进行比较, 通过调整车辆数量使得两者差距接近, 这样该仿真工具可以很大程度上模拟现实城市的道路交通. 为了验证道路质量在该模型中的影响情况, 通过实地考察对每条道路赋予不同道路质量参数值, 如
Road quality parameters of different routes in real road network
真实路网中不同路径的道路质量参数
路径 | 道路质量 | 路径 | 道路质量 | 路径 | 道路质量 |
1-2 | 1 | 7-8 | 1.2 | 15-21 | 1.1 |
1-7 | 1 | 9-10 | 1 | 16-17 | 1 |
2-3 | 1 | 10-11 | 1.1 | 17-25 | 0.8 |
3-4 | 1.1 | 12-18 | 0.8 | 20-21 | 1 |
4-5 | 0.9 | 14-15 | 1.2 | 20-23 | 0.9 |
5-11 | 1 | 14-20 | 1.2 | 21-24 | 0.9 |
7-14 | 1 | 15-16 | 1 | 24-25 | 1 |
与人工路网实验相似, 为了使得路径选择多样性, 分别设置出发地和目的地为站点1和站点25, 根据南昌市区9:00–10:00、12:00–13:00以及16:00–18:00这3个不同时间段的实际交通情况, 调整仿真实验中道路的车辆数目与之相匹配, 并在每条道路设置存在异常行为的车辆. 设计与传统的最短路径Dijkstra算法、基于VANET的最短时间算法、基于MEC的动态路径规划算法以及双向A*最短路径优化算法进行对比实验. 实验共设置20组, 每组实验所设置的车辆数量设置与人工路网一致为逐次递增, 达到不同交通状态环境下进行仿真. 同样, 在实验中随机对部分道路设置交通拥堵事件来验证R2S-RA路径动态路径选择的可行性, 每一组实验均统计不同模型下多辆车(本文中设置车辆数为20)从初始地到目的地的平均行驶时间. 最后对最终的统计结果采用最小二乘法进行拟合对比, 对每组实验所选道路的平均风险进行计算并进行对比, 得出平均行驶时间对比图以及平均风险对比图, 如
Comparison of average travel time of different route selection methods in real road network
真实路网中不同方法的路径选择平均行驶时间对比图
Route risk comparison diagram of route selection for different models in real road network
真实路网中不同路径选择方法的路径风险对比图
从
为了减少交通事故以及交通拥堵事件的发生, 本文提出了基于边缘计算技术的道路风险实时评估模型R3A-EC, 该模型从道路车辆的异常行为出发, 利用边缘计算技术对行驶中的车辆信息进行收集并对道路风险进行实时评估, 再利用最小风险贝叶斯决策模型进一步验证判断. 同时, 本文基于R3A-EC模型设计了对城市路网中的车辆进行实时路径选择的方法R2S-RA. 最后通过大量对比实验, 得出以下结论.
(1) R2S-RA方法相较于目前多种路径选择算法, 在行驶的时间总体上要大于以最短时间目的的路线选择算法, 但该方法兼顾了道路安全与出行时间两个优势, 使得在对路径的选择上更加安全合理, 尤其是行车经验不足的新手司机. 这样的路径选择方式会大大减少道路交通事故以及交通拥堵的发生.
(2) 当存在某一条道路风险极低, 道路状况非常好, 但由于路段距离较长, 如果选择该路段会使得最终的行驶时间大大增加的情况, R2S-RA方法会很好地放弃这种路段的选择, 使得最后的行驶时间在较优的范围内.
未来的研究工作将围绕以下两个方面进行展开:
(1) 实验中增大路径距离的差异性, 改进对道路权重的衡量方法.
(2) 考虑交通灯对车辆路径选择时间上的影响.
致谢 我们真诚地向对本文工作给予支持和建议的审稿人、主编、编辑、同行、同学和老师表示感谢.
Tae SK, Jeong GU, Hyuck JP. Risk assessment of the road cut slopes in Gyeoungnam based on multiple regression analysis. The Journal of Engineering Geology, 2007, 17(3): 393–404.
Alrajhi M, Kamel M. A deep learning model for predicting and visualizing the risk of road traffic accidents in Saudi Arabia: A tutorial approach. International Journal of Advanced Computer Science and Applications, 2019, 10(11): 475–483. [doi: 10.14569/IJACSA.2019.0101166]
Shi WS, Cao J, Zhang Q, Li YHZ, Xu LY. Edge computing: Vision and challenges. IEEE Internet of Things Journal, 2016, 3(5): 637–646. [doi: 10.1109/JIOT.2016.2579198]
Morabito R, Cozzolino V, Ding AY, Beijar N, Ott J. Consolidate IoT edge computing with lightweight virtualization. IEEE Network, 2018, 32(1): 102–111. [doi: 10.1109/MNET.2018.1700175]
Li L, Zhang XY, Liu KY, Jiang F, Peng J. An energy-aware task offloading mechanism in multiuser mobile-edge cloud computing. Mobile Information Systems, 2018, 2018: 7646705. [doi: 10.1155/2018/7646705]
赵攀. 基于软件定义网络(SDN)机边缘计算网络的应用. 机电工程技术, 2019, 48(7): 143–145, 234. [doi: 10.3969/j.issn.1009-9492.2019.07.049]
Zhao P. Application of edge computing network based on Software-defined Network (SDN). Mechanical & Electrical Engineering Technology, 2019, 48(27): 143–145, 234 (in Chinese with English abstract). [doi: 10.3969/j.issn.1009-9492.2019.07.049]
Shi WS, Dustdar S. The promise of edge computing. Computer, 2016, 49(5): 78–81. [doi: 10.1109/MC.2016.145]
He L, Ota K, Dong MX. Learning IoT in edge: Deep learning for the internet of things with edge computing. IEEE Network, 2018, 32(1): 96–101. [doi: 10.1109/MNET.2018.1700202]
Caliendo C, Guida M, Parisi A. A crash-prediction model for multilane roads. Accident Analysis & Prevention, 2007, 39(4): 657–670. [doi: 10.1016/j.aap.2006.10.012]
Bouwmans T, El Baf F, Vachon B. Background modeling using mixture of gaussians for foreground detection - a survey. Recent Patents on Computer Science, 2008, 1(3): 219–237. [doi: 10.2174/1874479610801030219]
惠飞, 彭娜, 景首才, 周琪, 贾硕. 基于凝聚层次的驾驶行为聚类与异常检测方法. 计算机工程, 2018, 44(12): 196–201. [doi: 10.19678/j.issn.1000-3428.0050708]
Hui F, Peng N, Jing SC, Zhou Q, Jia S. Driving behavior clustering and abnormal detection method based on agglomerative hierarchy. Computer Engineering, 2018, 44(12): 196–201 (in Chinese with English abstract). [doi: 10.19678/j.issn.1000-3428.0050708]
李静林, 袁泉, 杨放春. 车联网群智感知与服务. 中兴通讯技术, 2015, 21(6): 6–9. [doi: 10.3969/j.issn.1009-6868.2015.06.002]
Li JL, Yuan Q, Yang FC. Crowd sensing and service in internet of vehicles. ZTE Technology Journal, 2015, 21(6): 6–9 (in Chinese with English abstract). [doi: 10.3969/j.issn.1009-6868.2015.06.002]
Wan JF, Liu JQ, Shao ZH, Vasilakos AV, Imran M, Zhou KL. Mobile crowd sensing for traffic prediction in internet of vehicles. Sensors, 2016, 16(1): 88. [doi: 10.3390/s16010088]
何耀华, 夏志忠. BP网络的快速自适应学习算法. 系统工程理论与实践, 2000, 20(1): 93–98. [doi: 10.12011/1000-6788(2000)1-93]
He YH, Xia ZZ. A self-adaptive learning algorithm for BP network. Systems Engineering-Theory & Practice, 2000, 20(1): 93–98 (in Chinese with English abstract). [doi: 10.12011/1000-6788(2000)1-93]
http://www.jos.org.cn/1000-9825/5063.htm]]>
http://www.jos.org.cn/1000-9825/5063.htm]]>
Yamada K, Ma JS, Fukuda D. Simulation analysis of the market diffusion effects of risk-averse route guidance on network traffic. Procedia Computer Science, 2013, 19: 874−881. [doi: 10.1016/j.procs.2013.06.117]
Pan J, Popa IS, Zeitouni K, Borcea C. Proactive vehicular traffic rerouting for lower travel time. IEEE Transactions on Vehicular Technology, 2013, 62(8): 3551−3568. [doi: 10.1109/TVT.2013.2260422]
Garg S, Singh A, Kaur K, Aujla GS, Batra S, Kumar N, Obaidat MS. Edge computing-based security framework for big data analytics in VANETs. IEEE Network, 2019, 33(2): 72–81. [doi: 10.1109/MNET.2019.1800239]
Yang SR, Su YJ, Chang YY, Huang HN. Short-term traffic prediction for edge computing-enhanced autonomous and connected cars. IEEE Transactions on Vehicular Technology, 2019, 68(4): 3140–3153. [doi: 10.1109/TVT.2019.2899125]
http://www.jos.org.cn/1000-9825/5938.htm]]>
http://www.jos.org.cn/1000-9825/5938.htm]]>