基于車聯(lián)網(wǎng)的實(shí)時(shí)路況估計(jì)方法

胡 杰，吳志林，石國勇，劉昌林

（1.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430063；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545007）

基于車聯(lián)網(wǎng)的實(shí)時(shí)路況估計(jì)方法

胡 杰1，吳志林1，石國勇2，劉昌林1

（1.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430063；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545007）

針對實(shí)時(shí)路況估計(jì)和交通數(shù)據(jù)采集方法沒有統(tǒng)一標(biāo)準(zhǔn)的問題，提出了一種基于車聯(lián)網(wǎng)的實(shí)時(shí)路況估計(jì)架構(gòu)，由車輛數(shù)據(jù)采集、數(shù)據(jù)管理和路況顯示組成。車輛數(shù)據(jù)采集系統(tǒng)基于Android系統(tǒng)開發(fā)，采用模塊化架構(gòu)使系統(tǒng)適用于不同廠商的車型；通過對武漢市部分道路進(jìn)行VISSIM建模，采集大量仿真數(shù)據(jù)，分別建立RBF神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，并使用遺傳算法對支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，兩種模型估計(jì)結(jié)果表明支持向量機(jī)的估計(jì)效果優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)。最后將支持向量機(jī)估計(jì)結(jié)果應(yīng)用于路況顯示系統(tǒng)，向社會公眾提供實(shí)時(shí)路況。

車聯(lián)網(wǎng)；實(shí)時(shí)路況；數(shù)據(jù)采集系統(tǒng)；RBF神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；遺傳算法

1 引言

我國汽車保有量的急速增加，給人們的生活和工作帶來了便捷，也導(dǎo)致了頻繁發(fā)生的城市交通擁堵現(xiàn)象。交通擁堵造成環(huán)境污染、出行時(shí)間增加及“路怒癥”現(xiàn)象增加等諸多負(fù)面影響[1-3]。而傳統(tǒng)的增修道路和控制車輛數(shù)目增加的方法不能從長遠(yuǎn)發(fā)展的角度解決此問題。目前，國內(nèi)外研究機(jī)構(gòu)利用現(xiàn)有的先進(jìn)技術(shù)對原有道路交通狀態(tài)進(jìn)行分析，為出行者提供最優(yōu)的實(shí)時(shí)路況信息，從而達(dá)到疏通交通的目的。Corrado de Fabritiis等人基于浮動車系統(tǒng)采集行程時(shí)間和速度等數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)和模式匹配算法，以估算當(dāng)前和之前的路段行程速度為輸入，實(shí)現(xiàn)對路段行程速度的短時(shí)預(yù)測[4]。Ayalew Belay Habtie等人提出一種使用車載手機(jī)作為數(shù)據(jù)采集裝置，采用人工神經(jīng)網(wǎng)絡(luò)估計(jì)城市道路交通狀態(tài)的架構(gòu)，實(shí)現(xiàn)交通數(shù)據(jù)采集、處理、分析、狀態(tài)估計(jì)優(yōu)化以及向用戶呈現(xiàn)交通流量信息功能[5]。清華大學(xué)的吳森森等人在使用極少輛探測車采集數(shù)據(jù)的情況下，對城市主干道路況分類識別系統(tǒng)進(jìn)行了研究[6]。上述研究存在如下缺陷：①道路需要新增基礎(chǔ)硬件設(shè)施，實(shí)現(xiàn)對固定點(diǎn)的監(jiān)測，無法監(jiān)控具體路段實(shí)時(shí)路況；②浮動車必須配備專用設(shè)備大規(guī)模使用，成本過高[7-10]。

針對實(shí)時(shí)路況估計(jì)方法存在的問題，以武漢市內(nèi)運(yùn)行的各種類型車輛為研究對象，提出了一種基于車聯(lián)網(wǎng)的實(shí)時(shí)路況估計(jì)架構(gòu)，即Android系統(tǒng)的車載終端、智能手機(jī)等移動終端通過車輛自身的OBD-II接口采集車輛數(shù)據(jù)，通過無線網(wǎng)絡(luò)實(shí)時(shí)傳送至服務(wù)器，并采用RBF神經(jīng)網(wǎng)絡(luò)和SVM（Support Vector Machine，支持向量機(jī)）對采集的數(shù)據(jù)進(jìn)行建模估算路段行程速度，并將估算結(jié)果發(fā)布給用戶，以減少交通擁堵。

2 系統(tǒng)總體方案

所設(shè)計(jì)的系統(tǒng)主要由車輛數(shù)據(jù)采集、數(shù)據(jù)管理及路況顯示三部分組成，其架構(gòu)如圖1所示。車輛數(shù)據(jù)采集系統(tǒng)與車載網(wǎng)絡(luò)通信，獲取車輛相關(guān)數(shù)據(jù)，包括當(dāng)前時(shí)間、ID、當(dāng)前地理位置的經(jīng)緯度、行駛方向、車速、發(fā)動機(jī)轉(zhuǎn)速以及全車故障診斷結(jié)果，與此同時(shí)移動終端通過無線網(wǎng)絡(luò)將車輛數(shù)據(jù)以固定時(shí)間10s循環(huán)發(fā)送至服務(wù)器端，數(shù)據(jù)管理中心對數(shù)據(jù)進(jìn)行模型算法處理估計(jì)道路的路段行程速度；數(shù)據(jù)管理中心再將估計(jì)的路段行程速度以固定周期1min發(fā)布至移動終端的路況顯示系統(tǒng)，路況顯示系統(tǒng)以百度地圖為基礎(chǔ)，向公眾提供實(shí)時(shí)路況查詢功能、歷史行程回放等功能。

圖1 總體架構(gòu)

3 車輛數(shù)據(jù)采集系統(tǒng)

由圖1可知，車輛數(shù)據(jù)采集系統(tǒng)由車機(jī)平臺和數(shù)據(jù)采集軟件組成。車機(jī)平臺分兩類：一類是移動式車機(jī)平臺，因?yàn)橹悄苁謾C(jī)、平板電腦等移動終端與其他設(shè)備的通信方式主要是藍(lán)牙、3G/4G、WiFi和USB，無法直接與CAN總線網(wǎng)絡(luò)通信，需要采用自主研發(fā)的車輛通信接口（Vehicle Communication Interface，VCI）設(shè)備，通過VCI的藍(lán)牙模塊與移動終端的藍(lán)牙模塊配對建立通信，將CAN總線網(wǎng)絡(luò)接口信號電平與移動終端通信接口電平進(jìn)行轉(zhuǎn)換，以實(shí)現(xiàn)移動終端與汽車間的通信；另一類是搭載式車機(jī)平臺，車載智能終端通過自身CAN模塊直接與ECU建立通信[11]。

數(shù)據(jù)采集軟件不僅要實(shí)現(xiàn)具體的數(shù)據(jù)采集功能，同時(shí)要保證向用戶提供友好的交互界面。鑒于Android系統(tǒng)開源性以及強(qiáng)大的功能特性，數(shù)據(jù)采集軟件采用Java語言進(jìn)行設(shè)計(jì)，在Eclipse集成開發(fā)環(huán)境下進(jìn)行代碼的編寫、編譯與調(diào)試。采集的車速等數(shù)據(jù)需要上傳至服務(wù)器，移動終端與服務(wù)器通信的方式是通過終端自身的3G或4G等無線網(wǎng)絡(luò)功能。

4 建模與仿真估計(jì)實(shí)時(shí)路況

路段是指兩個(gè)相鄰交叉口之間的道路，是城市路網(wǎng)的基本組成單元。路段行程速度是指所有樣本車輛通過目標(biāo)路段的平均速度，是對路段狀況最直觀的評價(jià)標(biāo)準(zhǔn)。

4.1 數(shù)據(jù)預(yù)處理

實(shí)時(shí)數(shù)據(jù)的精確性和有效性是制約實(shí)時(shí)路況估計(jì)發(fā)揮效益的瓶頸之一。因此，在接收并保存車輛數(shù)據(jù)后，需要對原始數(shù)據(jù)進(jìn)行預(yù)處理，然后按照相關(guān)指標(biāo)和算法，估算路段行程速度。數(shù)據(jù)預(yù)處理是指由于設(shè)備通信、天氣等因素的影響，在采集、發(fā)送或接收過程中會出現(xiàn)一些不在規(guī)定范圍內(nèi)的數(shù)據(jù)，為提高實(shí)時(shí)路況估計(jì)的可靠性，需要按規(guī)定范圍等要求，剔除原始數(shù)據(jù)中的無效數(shù)據(jù)，并對無效數(shù)據(jù)和缺失數(shù)據(jù)進(jìn)行修復(fù)，最后將數(shù)據(jù)保存在車輛數(shù)據(jù)庫，為路況估計(jì)模型建立和評估奠定基礎(chǔ)。

4.1.1 數(shù)據(jù)清洗。數(shù)據(jù)清洗主要包括GPS定位錯(cuò)誤、時(shí)間錯(cuò)誤、車速錯(cuò)誤三方面。在原始數(shù)據(jù)剔除過程中，需建立剔除日志，當(dāng)無效數(shù)據(jù)率超過1％時(shí)發(fā)出警報(bào)，及時(shí)進(jìn)行故障排查。

（1）GPS定位錯(cuò)誤。在采集數(shù)據(jù)過程中，由于種種不確定因素影響，如惡劣天氣、周圍環(huán)境（如高樓、立交橋）等，采集的GPS信息可能會出現(xiàn)漂移現(xiàn)象。在數(shù)據(jù)清洗過程中，規(guī)定武漢市之外的定位點(diǎn)屬于無效數(shù)據(jù)，經(jīng)緯度數(shù)據(jù)應(yīng)剔除。另外，在百度地圖匹配過程中，對于在合理誤差范圍內(nèi)但采用匹配算法仍不能匹配到路網(wǎng)中的定位點(diǎn)，也劃歸為無效數(shù)據(jù)，經(jīng)緯度數(shù)據(jù)應(yīng)剔除。

（2）時(shí)間錯(cuò)誤。車速數(shù)據(jù)采樣周期可達(dá)200ms，GPS定位數(shù)據(jù)的采樣周期1s左右，而且數(shù)據(jù)采樣周期越短，數(shù)據(jù)精度越高，但通信成本和數(shù)據(jù)處理量會顯著增加，因此需要選擇合適的采樣周期。允許數(shù)據(jù)采集系統(tǒng)將車輛數(shù)據(jù)發(fā)送服務(wù)器的周期定為10s，超出這一時(shí)間認(rèn)為不可接受，剔除整組數(shù)據(jù)。

（3）車速錯(cuò)誤。采集的車速數(shù)據(jù)不再依賴GPS，在惡劣天氣及高樓大廈間仍能夠采集車輛的準(zhǔn)確速度。由于車輛在行駛過程中可能會產(chǎn)生故障從而導(dǎo)致車速異常，此時(shí)采集的速度不能準(zhǔn)確反映車輛運(yùn)行狀態(tài)，須剔除掉。其具體流程如圖2所示。

圖2 無效車速數(shù)據(jù)剔除流程

①服務(wù)器接收到車速數(shù)據(jù)后，與道路規(guī)定的限速值相比較，如果超出限值，需利用故障診斷結(jié)果進(jìn)行故障狀態(tài)判斷，如果服務(wù)器接收的診斷結(jié)果為1，表示當(dāng)前該車輛發(fā)生故障，則認(rèn)為該車速數(shù)據(jù)為無效數(shù)據(jù)，應(yīng)剔除；如果診斷結(jié)果為0，表示該車輛正常，此條數(shù)據(jù)為有效數(shù)據(jù)，保存至車輛數(shù)據(jù)庫。

②如果服務(wù)器接收的車速未超過道路規(guī)定的限速值，則需進(jìn)一步判別，如果車速不為0，則認(rèn)為該車輛正常行駛，此條車速數(shù)據(jù)為有效數(shù)據(jù)，保存至車輛數(shù)據(jù)庫；否則，需要通過轉(zhuǎn)速數(shù)據(jù)進(jìn)一步判斷。

③若轉(zhuǎn)速為0，認(rèn)為該車輛已停止運(yùn)行，不是正常的交通狀態(tài)反應(yīng)，此條車速數(shù)據(jù)為無效數(shù)據(jù)，應(yīng)剔除；否則保存至車輛數(shù)據(jù)庫。

4.1.2 數(shù)據(jù)修復(fù)。在數(shù)據(jù)清洗過程中，由于各種隨機(jī)因素的影響，對異常數(shù)據(jù)進(jìn)行了處理，使得車輛數(shù)據(jù)不能很好地反映路況，因此需要對這些數(shù)據(jù)進(jìn)行修復(fù)。需要修復(fù)的數(shù)據(jù)對象包括錯(cuò)誤數(shù)據(jù)和缺失數(shù)據(jù)。缺失數(shù)據(jù)是指車輛以固定周期10s發(fā)送數(shù)據(jù)至服務(wù)器，如果服務(wù)器在某個(gè)時(shí)刻沒有接收到車輛數(shù)據(jù)，即可認(rèn)為發(fā)生車輛數(shù)據(jù)丟失。

采用相鄰時(shí)段的算數(shù)平均值修復(fù)異常數(shù)據(jù)。使用的公式如下：

4.2 基于VISSIM建立路網(wǎng)模型

雖然車輛數(shù)據(jù)采集系統(tǒng)已實(shí)現(xiàn)不同廠商的車輛數(shù)據(jù)采集功能，但大規(guī)模地采集實(shí)際車輛數(shù)據(jù)仍存在一定難度，因此采用微觀仿真軟件VISSIM模擬實(shí)際路網(wǎng)中的車輛運(yùn)行狀態(tài)，提供現(xiàn)實(shí)路況中數(shù)據(jù)采集系統(tǒng)采集的車輛數(shù)據(jù)。

VISSIM是一種基于時(shí)間間隔和駕駛行為的仿真建模工具，可以模擬和分析各種交通條件下（交通構(gòu)成、交叉口信號控制、公交車站等）城市交通的運(yùn)行狀況。其縱向運(yùn)動采用了Wiedmann教授的心理-生理類跟車模型，車道變換采用Sparmann設(shè)計(jì)和建立的相關(guān)規(guī)則模型[12]。

以武漢市街道口附近的珞獅路、珞喻路、武珞路和石牌嶺路四條道路為例構(gòu)建路網(wǎng)，如圖3所示。建立城市路網(wǎng)的具體流程如下：

（1）創(chuàng)建VISSIM文件。建立一個(gè)精準(zhǔn)模型的必要條件是載入一張具體比例尺的反映實(shí)際路網(wǎng)的背景圖片，根據(jù)實(shí)際比例尺設(shè)置模型比例尺為1:100m，添加路段、連接器等建立路網(wǎng)。

（2）定義交通屬性。主要包括設(shè)置車輛類型、期望車速分布、車輛重量分布、車輛功率分布。根據(jù)城市道路的實(shí)際情況，車輛類型分乘用車、重型貨車和客車三種。

（3）確定行駛規(guī)則。主要包括速度控制規(guī)則、優(yōu)先規(guī)則和交叉口信號燈控制規(guī)則。速度控制規(guī)則設(shè)置道路限速；優(yōu)先規(guī)則是為避免車輛突然變道；經(jīng)實(shí)際監(jiān)測，街道口處的信號燈周期為220s。

（4）設(shè)置仿真參數(shù)。主要包括選擇評估項(xiàng)（車輛記錄和路段評估），設(shè)置仿真運(yùn)行時(shí)的方式（單步或連續(xù)）、仿真時(shí)間區(qū)間、仿真運(yùn)行速度等。

使用VISSIM時(shí)，通過設(shè)置模型中的不同車輛類型比例以及不同的期望速度分布等，采集盡量多的車輛數(shù)據(jù)報(bào)告和路段評估報(bào)告。

圖3 VISSIM中建立的城市路網(wǎng)

4.3 基于RBF神經(jīng)網(wǎng)絡(luò)估算路況

RBF神經(jīng)網(wǎng)絡(luò)在解決實(shí)時(shí)路況估計(jì)這類復(fù)雜的函數(shù)關(guān)系問題上具有明顯優(yōu)勢。RBF神經(jīng)網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)工作方式都是接受上一級神經(jīng)元輸入，然后將信號經(jīng)過函數(shù)處理后輸出到下一級節(jié)點(diǎn)中，不存在從下一級節(jié)點(diǎn)向上一級節(jié)點(diǎn)的反饋方式情況[13]。

RBF神經(jīng)網(wǎng)絡(luò)估算路段行程速度的流程為：

（1）選擇參數(shù)建立RBF神經(jīng)網(wǎng)絡(luò)。在MATLAB軟件中建立RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)為net=newrb(P,T,goal,spread,mn,df)，其中，P為輸入?yún)?shù)；T為輸出參數(shù)；goal為均方誤差，設(shè)為0.001 5；spread表示徑向基函數(shù)的擴(kuò)展速度，設(shè)為1；mn為神經(jīng)元的最大數(shù)目，設(shè)為30；df為顯示頻率，設(shè)為1。

在城市路網(wǎng)中，路段行程速度受多方面因素的影響。采用RBF神經(jīng)網(wǎng)絡(luò)需要選擇獨(dú)立地對路段行程速度有影響的因素作為輸入變量，選取目標(biāo)路段上同類型車輛的平均車速和不同類型車輛數(shù)比例作為輸入?yún)?shù)。

（2）使用VISSIM提供的車輛數(shù)據(jù)對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。輸入?yún)?shù)P_train=[Carspeed;HGVspeed;Busspeed;Carrate;HGVrate;Busrate]，輸出參數(shù)T_train為VISSIM軟件提供的目標(biāo)路段平均速度值，共1 100組樣本數(shù)據(jù)。為了避免輸入?yún)?shù)中各變量數(shù)量級相差過大影響訓(xùn)練效果，必須對數(shù)據(jù)進(jìn)行[0,1]歸一化處理。以乘用車速度為例，速度歸一化公式見式3。

其中，car為乘用車速度集合；min(car)為乘用車速度中的最小值；max(car)為最大速度。

使用RBF神經(jīng)網(wǎng)絡(luò)之前需要對其進(jìn)行訓(xùn)練，因此實(shí)驗(yàn)隨機(jī)選取了550組的訓(xùn)練數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本思想是，每次循環(huán)會產(chǎn)生一個(gè)新神經(jīng)元，新增的神經(jīng)元盡量擬合輸入數(shù)據(jù)和輸出數(shù)據(jù)。如果沒有達(dá)到均方誤差要求，則繼續(xù)增加新的神經(jīng)元。當(dāng)擬合誤差小于等于均方誤差時(shí)，RBF神經(jīng)網(wǎng)絡(luò)滿足要求，完成訓(xùn)練，程序結(jié)束；如果神經(jīng)元個(gè)數(shù)達(dá)到設(shè)置的最大神經(jīng)元數(shù)時(shí)，程序也會結(jié)束，但訓(xùn)練因未能達(dá)到均方誤差而失敗。

（3）使用網(wǎng)絡(luò)進(jìn)行估算。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，使用剩余的550組數(shù)據(jù)作為測試樣本，估算出目標(biāo)路段的路段行程速度。

4.4 基于SVM估算路況

SVM是一種新穎的機(jī)器學(xué)習(xí)方法，在解決小樣本、非線性問題及高維模式識別中表現(xiàn)出其特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。SVM可分為線性回歸和非線性回歸兩類[14]。得到的最佳回歸函數(shù)見式4。

其中，ai、ai*為拉格朗日乘積因子；xi和x為兩個(gè)獨(dú)立的變量；C為懲罰因子，是一個(gè)自然數(shù)；K(xi,x)為核函數(shù)，用以計(jì)算樣本在高維特性空間內(nèi)的內(nèi)積。

SVM通過核函數(shù)將輸入向量非線性映射到高維特征空間，以便進(jìn)行線性映射。因此核函數(shù)的類型就決定了特征空間的結(jié)構(gòu)，常用的核函數(shù)有4種，由于在相同條件下，徑向基核函數(shù)的精度最高，同時(shí)徑向基核函數(shù)對非線性和高維數(shù)據(jù)也有較好的適應(yīng)性[15]。因此選取徑向基核函數(shù)作為SVM核函數(shù)。其數(shù)學(xué)表達(dá)式見公式5，其中g(shù)為核函數(shù)半徑。

4.4.1 遺傳算法優(yōu)化SVM參數(shù)。對于一個(gè)基于徑向基核函數(shù)的SVM，其性能由懲罰系數(shù)C和核函數(shù)半徑g共同決定，選擇不同的C和g組合對SVM的訓(xùn)練時(shí)間和學(xué)習(xí)精度都有不同程度的影響。目前沒有規(guī)定的選擇標(biāo)準(zhǔn)或理論依據(jù)，采用用遺傳算法（Genetic Algorithm，GA）[16]和交叉驗(yàn)證方法對模型參數(shù)C和g進(jìn)行優(yōu)化。

使用GA優(yōu)化SVM參數(shù)C和g的流程如圖4所示，具體流程如下：

（1）需要給定參數(shù)C和g的范圍，目前一般都是根據(jù)經(jīng)驗(yàn)給定，取C∈[0,100]和g∈[0,10]；

圖4 GA優(yōu)化SVM參數(shù)

（2）由步驟1中的參數(shù)C和g的范圍，生成二進(jìn)制編碼的初始隨機(jī)種群，每一個(gè)個(gè)體均有兩條染色體，分別代表參數(shù)C和g；

（3）計(jì)算初始隨機(jī)種群中每一個(gè)體SVM精度；

（4）以SVM模型精度為優(yōu)化目標(biāo)，通過選擇、交叉、變異三種主要操作，生成更優(yōu)的子代種群。交叉率和變異率分別定為0.9和0.05；

（5）計(jì)算子代種群中每一個(gè)個(gè)體的SVM模型精度，重復(fù)進(jìn)行步驟4，直到滿足遺傳算法停止條件（SVM的精度足夠高或遺傳代數(shù)達(dá)到給定值）。

經(jīng)過以上步驟，能夠找到全局最優(yōu)的參數(shù)C和g組合，從而得到最優(yōu)的SVM模型。

4.4.2 基于GA-SVM估算路段行程速度。采用GASVM估計(jì)路段行程速度的流程如圖5所示，具體流程依次為：對VISSIM提供的樣本數(shù)據(jù)進(jìn)行歸一化處理；利用GA優(yōu)化SVM參數(shù)C和g，隨機(jī)抽取550個(gè)數(shù)據(jù)樣本對SVM進(jìn)行訓(xùn)練，得到最優(yōu)的SVM模型；使用剩余的550個(gè)測試樣本數(shù)據(jù)作為測試樣本，對路段行程速度進(jìn)行估算。訓(xùn)練樣本的選取和對樣本數(shù)據(jù)的歸一化處理同RBF神經(jīng)網(wǎng)絡(luò)一致，在此不再贅述。

5 結(jié)果分析及應(yīng)用

均方誤差（Mean Square Error，MSE）與平均絕對百分比誤差（Mean Absolute Percent Error，MAPE）作為評價(jià)指標(biāo)，用以評估RBF神經(jīng)網(wǎng)絡(luò)和GA-SVM的預(yù)測能力和誤差。其具體定義見公式（6）和（7）。

圖5 GA-SVM流程

式中，n為測試樣本個(gè)數(shù)；Vpredict(i)為估算出的路段行程速度；Vreal(i)為VISSIM提供的路段行程速度。

由表1中RBF神經(jīng)網(wǎng)絡(luò)和GA-SVM的評價(jià)指標(biāo)可知，測試樣本的GA-SVM估計(jì)的MSE為2.149 3，MAPE為6.947 5％，均比RBF神經(jīng)網(wǎng)絡(luò)小。

表1 兩種估計(jì)模型的評價(jià)指標(biāo)

兩種算法模型部分估計(jì)結(jié)果與VISSIM提供的標(biāo)準(zhǔn)值對比如圖6所示，橫軸表示通過設(shè)置VISSIM的不同車輛構(gòu)成和交通參數(shù)所得到的測試樣本；縱軸表示目標(biāo)路段的路段行程速度,單位為KM/H。線為RBF神經(jīng)網(wǎng)絡(luò)估計(jì)的路段行程速度；線為GA-SVM估計(jì)的路段行程速度；線為VISSIM提供的標(biāo)準(zhǔn)值。

RBF神經(jīng)網(wǎng)絡(luò)和GA-SVM的每個(gè)測試樣本點(diǎn)的絕對百分比誤差如圖7所示，橫軸表示通過設(shè)置VISSIM的不同車輛構(gòu)成和交通參數(shù)所得到的550個(gè)測試樣本；縱軸表示絕對百分比誤差。線表示RBF神經(jīng)網(wǎng)絡(luò)估計(jì)的絕對百分比誤差；線表示GA-SVM估計(jì)的絕對百分比誤差。

圖6 兩種算法部分預(yù)測結(jié)果

圖7 兩種算法的絕對百分比誤差

從圖6和圖7所示曲線可知，與RBF神經(jīng)網(wǎng)絡(luò)估計(jì)的路段行程速度曲線變化規(guī)律對比，GA-SVM更接近VISSIM軟件提供的變化曲線，從整體上來說，GA-SVM的絕對百分比誤差要小于RBF神經(jīng)網(wǎng)絡(luò)誤差。其中，后面的測試樣本的誤差偏大，造成這種現(xiàn)象的主要原因是，本實(shí)驗(yàn)的測試樣本的路段行程速度隨著樣本序列增加而減小，速度值較小時(shí)，微小的變化也會導(dǎo)致誤差偏大。

綜上，GA-SVM的估計(jì)效果相比于RBF神經(jīng)網(wǎng)絡(luò)更可靠和準(zhǔn)確，因此，以GA-SVM的估計(jì)結(jié)果作為目標(biāo)路段的路段行程速度，并將其用于向社會公眾提醒道路的交通狀態(tài)，采用百度地圖開發(fā)實(shí)時(shí)路況顯示系統(tǒng)。路況顯示系統(tǒng)根據(jù)城市道路交通的實(shí)際運(yùn)行狀態(tài)，把目標(biāo)道路的交通狀態(tài)分為暢通、緩行和擁堵三個(gè)級別。由于百度地圖中使用黃色線條表示道路，為了能夠清晰地顯示道路交通狀況，對道路狀況顏色做了如下定義：紅色表示道路擁堵，藍(lán)色表示緩行，綠色表示暢通，通過不同顏色用戶可以直觀地了解道路狀況。

6 結(jié)論

（1）針對實(shí)時(shí)路況估計(jì)方法存在的問題，提出了一種基于車聯(lián)網(wǎng)的實(shí)時(shí)路況估計(jì)架構(gòu)，即車輛數(shù)據(jù)采集系統(tǒng)通過車輛自身的OBD-II接口采集車輛數(shù)據(jù)，經(jīng)無線網(wǎng)絡(luò)實(shí)時(shí)傳送至服務(wù)器，并對數(shù)據(jù)進(jìn)行模型算法分析估計(jì)，最后將結(jié)果發(fā)布給社會公眾。

（2）以目標(biāo)路段內(nèi)同類型車輛平均速度和不同類型車輛占車輛總數(shù)的比重作為輸入變量，分別建立RBF神經(jīng)網(wǎng)絡(luò)和SVM實(shí)時(shí)路況估計(jì)模型，并用GA對SVM參數(shù)進(jìn)行優(yōu)化，兩種模型估計(jì)結(jié)果對比發(fā)現(xiàn)SVM估計(jì)效果更為準(zhǔn)確可靠。

（3）所提出的實(shí)時(shí)路況估計(jì)模型，建模簡單，精度較高，能有效估算路況，具有一定的應(yīng)用價(jià)值。

[1]Wen H,Sun J,Zhang X.Study on traffic congestion patterns of large city in China taking Beijing as an example[J].Procedia-Social and Behavioral Sciences,2014,138:482-491.

[2]T Koshizen,M Kamal,H Koike.Traffic Congestion Mitigation Using Intelligent Driver Model(IDM)Combined with Lane Changes-Why Congestion Detection is So Needed[Z].SAE Technical Paper,2015.

[3]De Fabritiis C,Ragona R,Valenti G.Traffic estimation and prediction based on real time floating car data[A].11th International IEEE Conference on Intelligent Transportation Systems[C].2008.

[4]Habtie A B,Abraham A,Midekso D.Cellular Network Based Real-Time Urban Road Traffic State Estimation Framework Using Neural Network Model Estimation[A].Computational Intelligence[C].2015.

[5]吳森森.基于極少輛探測車的城市干線道路路況分類識別系統(tǒng)研究[D].北京:清華大學(xué),2013.

[6]石心耀.車載實(shí)時(shí)路況信息接收終端的設(shè)計(jì)與實(shí)現(xiàn)[D].蘭州:蘭州理工大學(xué),2013.

[7]洪智兵.基于GPRS的實(shí)時(shí)交通流數(shù)據(jù)接發(fā)系統(tǒng)的研究[D].昆明:云南大學(xué),2015.

[8]Wu A,Yin W,Yang X.Research on the Real-time Traffic Status Identification of Signalized Intersections Based on Floating Car Data[J].Procedia-Social and Behavioral Sciences,2013,96:1 578-1 584.

[9]Jie H,Hongfei L,Xiangzheng S,et al.Development and Research of Vehicle Fault Diagnosis System[A].Power and Energy Engineering Conference(APPEEC)[C].2012.

[10]王志彪.VISSIM交通仿真適用性研究[D].北京:北京交通大學(xué),2006.

[11]伍駿.基于神經(jīng)網(wǎng)絡(luò)和SVM的短時(shí)交通流組合預(yù)測研究[D].昆明:昆明理工大學(xué),2014.

[12]李文婷.基于BP神經(jīng)網(wǎng)絡(luò)和SVM的信號分類方法的研究[D].南京:南京師范大學(xué),2015.

A Real-time Road Condition Estimation Method Based on Internet of Vehicles

Hu Jie1,Wu Zhilin1,Shi Guoyong2,Liu Changlin1
(1.Hubei Key Laboratory of Advanced Technology of Automotive Parts,Center for Automotive Components Technology,Wuhan Universityof Technology,Wuhan 430063;2.SGMW Co.,Ltd.,Liuzhou 545007,China)

In this paper,in view of the lack of uniform standard in real-time road condition estimation and traffic data collection,we proposed a real-time road condition estimation framework based on the Internet of Vehicles which was composed by the components of vehicle data collection,data management and road condition readout.The vehicle data collection component was developed based on the Android platform,whose modular architecture rendered it suitable to accommodate the models of different makes.Then through the VISSIM modeling of several highways of Wuhan,we respectively built the RBF neural network model and SVM model of the city and used the genetic algorithm to optimize the parameterization of the support vector machine.At the end,through a numerical example,we demonstrated the superiority of the support vector machine over the RBF neural network in this application.

Internet of Vehicles;real-time road condition;data collection system;RBF neural network;support vector machine;genetic algorithm

F253.9

A

1005-152X(2017)07-0081-06

10.3969/j.issn.1005-152X.2017.07.018

2017-06-01

柳州市科學(xué)研究與技術(shù)開發(fā)計(jì)劃項(xiàng)目（2016B050101）

胡杰，男，博士，副教授，研究方向：汽車電控與診斷、車聯(lián)網(wǎng)技術(shù)、汽車排放控制。