面向新一代智能交通系統(tǒng)的車聯(lián)網(wǎng)仿真技術(shù)

陳艷艷　賈建林　范博　陳寧　劉懿祺　呂璇

摘要：車聯(lián)網(wǎng)仿真技術(shù)是智能交通系統(tǒng)以及車聯(lián)網(wǎng)領(lǐng)域發(fā)展的重要測試手段，然而，已有的車聯(lián)網(wǎng)仿真平臺基于固定模型構(gòu)建業(yè)務(wù)場景，如車輛跟馳模型、靜態(tài)業(yè)務(wù)優(yōu)先級模型等，這種模型驅(qū)動的仿真方法難以適應(yīng)新一代智能交通系統(tǒng)特征。因此，提出了一種數(shù)據(jù)驅(qū)動的車聯(lián)網(wǎng)仿真技術(shù)，基于海量路網(wǎng)信息數(shù)據(jù)、動態(tài)學(xué)習(xí)和標(biāo)定典型智能交通場景下的業(yè)務(wù)特征，為車聯(lián)網(wǎng)仿真提供柔性動態(tài)的業(yè)務(wù)適配，滿足新一代智能交通系統(tǒng)需求。

關(guān)鍵詞：車聯(lián)網(wǎng);新一代仿真技術(shù);模型驅(qū)動;數(shù)據(jù)驅(qū)動

doi：10.3969/j.issn.1006-1010.2019.11.011? ? ? ? 中圖分類號：TN929.5

文獻標(biāo)志碼：A? ? ? ? 文章編號：1006-1010（2019）11-0065-10

引用格式：陳艷艷，賈建林，范博，等. 面向新一代智能交通系統(tǒng)的車聯(lián)網(wǎng)仿真技術(shù)[J]. 移動通信， 2019，43（11）： 65-74.

Vehicle Network Simulation Technology for New Generation Intelligent Transportation Systems

CHEN Yanyan1， JIA Jianlin1， FAN Bo1， CHEN Ning1， LIU Yiqi1， LV Xuan2

（1. College of Metropolitan， Beijing University of technology， Beijing 100124， China;

2. Hebei Provincial Communications Planning and Design Institute， Shijiazhuang 050011， China）

[Abstract]

Simulation technology of Internet of Vehicles （IoV） is an important test method for the development of intelligent transportation systems and IoVs. However， the current IoV simulation platforms establish service scenarios based on fixed models， such as vehicle following model， static service priority model， etc. This model-driven simulation method is difficult to support the characteristics of the intelligent transportation system in new generation. Therefore， this paper proposes a data-driven simulation technology of IoVs. Based on massive information data from road network， dynamically learning and calibrating the service characteristics of typical intelligent traffic scenarios， the proposed simulation technology provides flexible and dynamic service adaptation for vehicle network simulation to meet the requirements of intelligent transportation systems in new generation.

[Key words]Internet of Vehicles; new generation simulation technology; model-driven; data-driven

0? ?引言

車聯(lián)網(wǎng)技術(shù)的發(fā)展增強了汽車的智能化、信息化，提升了人們出行的便捷性、安全性與高效性，是傳統(tǒng)交通向智能交通轉(zhuǎn)變的重要環(huán)節(jié)[1]。新一代智能交通系統(tǒng)基于車路協(xié)同通信系統(tǒng)（C-V2X）以及車用傳感技術(shù)、DSRC專用短程通信技術(shù)等，實現(xiàn)了線路規(guī)劃、遠程控制、協(xié)助駕駛、交通信息采集等功能，不僅保障了出行的安全性，還提供了及時的出行服務(wù)信息等[2-4]。

車聯(lián)網(wǎng)的實質(zhì)是一種移動自組織網(wǎng)絡(luò)，與典型的MANET模型不同，具有可預(yù)判性，能夠根據(jù)周圍環(huán)境信息為在途車輛提供不同的功能服務(wù)。但是，由于車聯(lián)網(wǎng)技術(shù)實驗需要大量車輛及復(fù)雜風(fēng)險場景的輸入，導(dǎo)致室外實驗難以安全、有效獲取實驗數(shù)據(jù)，在此背景下，為克服這些限制，車聯(lián)網(wǎng)的實驗研究大多依賴于仿真技術(shù)[5-7]。車聯(lián)網(wǎng)仿真技術(shù)能夠基于真實路網(wǎng)拓?fù)浣Y(jié)構(gòu)、精確微觀移動模型和實際交通需求，模擬周邊車輛及復(fù)雜環(huán)境，實現(xiàn)復(fù)雜環(huán)境下的交通仿真。

但是，隨著“大數(shù)據(jù)”時代的到來，交通具有Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）等特性，雖然模型驅(qū)動的車聯(lián)網(wǎng)仿真技術(shù)在不斷的發(fā)展優(yōu)化，但不能以真實的方式描述車輛移動性，同時忽略了細(xì)微的車輛交互細(xì)節(jié)，如因車輛密度的改變導(dǎo)致的車速加減變化等。因此，模型驅(qū)動的仿真方法[8-10]難以支持新一代智能交通系統(tǒng)特征。而數(shù)據(jù)驅(qū)動的車聯(lián)網(wǎng)仿真技術(shù)能提供多樣、準(zhǔn)確的車輛移動數(shù)據(jù)，并基于海量路網(wǎng)信息數(shù)據(jù)，使車聯(lián)網(wǎng)仿真的精度提升到一個新高度，是未來車聯(lián)網(wǎng)仿真發(fā)展的重要趨勢。

基于上述背景，本文從車聯(lián)網(wǎng)仿真平臺的發(fā)展歷程出發(fā)，首先概括目前車聯(lián)網(wǎng)平臺的主要分類并介紹集中典型的車聯(lián)網(wǎng)仿真平臺;其次，結(jié)合中外文獻對仿真平臺所運用的模型進行研究分析;最后根據(jù)網(wǎng)絡(luò)以及車聯(lián)網(wǎng)發(fā)展的現(xiàn)狀，提出車聯(lián)網(wǎng)仿真技術(shù)發(fā)展的新思路。

1? ?車聯(lián)網(wǎng)仿真發(fā)展歷程

1.1? 車聯(lián)網(wǎng)仿真平臺分類

車聯(lián)網(wǎng)仿真需要兩種類型的仿真組件：網(wǎng)絡(luò)組件（網(wǎng)絡(luò)仿真器）和移動性組件（交通仿真器）。在大多數(shù)情況下網(wǎng)絡(luò)和交通仿真器是分開的，但也會出現(xiàn)結(jié)合兩者，可以獨立運行的集成式車聯(lián)網(wǎng)仿真平臺。車聯(lián)網(wǎng)仿真的分類結(jié)構(gòu)圖如圖1所示。

交通仿真器生成所需要的現(xiàn)實車輛移動軌跡，作為網(wǎng)絡(luò)仿真器的輸入。網(wǎng)絡(luò)仿真器模擬無線網(wǎng)絡(luò)中的信息傳輸環(huán)境和網(wǎng)絡(luò)模型，如所有節(jié)點（汽車）的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、發(fā)送和接受數(shù)據(jù)包、數(shù)據(jù)流量傳輸或信道等[11]。

1.2? 仿真平臺介紹

目前使用的車聯(lián)網(wǎng)仿真軟件所得到的仿真結(jié)果很大程度上受到其所選擇的模型影響?，F(xiàn)存車聯(lián)網(wǎng)仿真平臺主要有：

（1）TraNS

TraNS（Traffic and Network Simulation Environment）基于Java應(yīng)用程序，通過鏈接SUMO交通仿真器以及NS2網(wǎng)絡(luò)仿真器，構(gòu)建了更加真實的仿真環(huán)境，實現(xiàn)了SUMO與NS-2間動態(tài)信息的實時交互，是第一個開源的VANET仿真框架[12-13]。該仿真平臺具有提取車輛移動軌跡、地圖裁剪和場景重新縮放（僅適用于TIGER地圖）、大規(guī)模模擬（最多可測試3 000輛車）等功能。TraNS平臺有兩種操作模式分別為：以網(wǎng)絡(luò)程序為中心的模式和以應(yīng)用程序為中心的模式，其體系結(jié)構(gòu)如圖2、圖3所示，每種模式都滿足了特定的需求。其一，借助網(wǎng)絡(luò)程序，評估車輛節(jié)點的實時移動性;其二，借助應(yīng)用程序，評估交通仿真運行期間的車輛行為。此外，TraNS可通過TraCI來耦合交通仿真器以及網(wǎng)絡(luò)仿真器，在網(wǎng)絡(luò)模擬器中實現(xiàn)停車、換道、改變速度等功能，體現(xiàn)了應(yīng)用邏輯模塊與駕駛員行為模型模塊交互。

（2）MoVES

MoVES（Mobile Wireless Vehicular Environment Simulation）仿真平臺基于微觀仿真和網(wǎng)絡(luò)仿真為車聯(lián)網(wǎng)的研究提供了平臺，該框架可實現(xiàn)模塊化，具有適應(yīng)性和準(zhǔn)確性特點。在MoVES發(fā)展過程中，第二代框架是在第一代的基礎(chǔ)上實現(xiàn)了自適應(yīng)計算，提高了仿真框架的可擴展性[12]。同時，該平臺使用并行式和分布式仿真器進行建模，解決了車輛自組織網(wǎng)絡(luò)（VANET）和ITS應(yīng)用的結(jié)合。MoVES體系架構(gòu)如圖4所示[11]，共有三層：1）應(yīng)用層;2）車輛層;3）網(wǎng)絡(luò)層。其中車輛層包括車輛模型、駕駛員行為模型、GPS地理信息系統(tǒng)、信號控制系統(tǒng)等。網(wǎng)絡(luò)層包括信息傳播模型、網(wǎng)絡(luò)協(xié)議等。

（3）Veins

Veins仿真平臺是基于開源框架[13-15]設(shè)計的，提供了耦合網(wǎng)絡(luò)的仿真。網(wǎng)絡(luò)仿真器基于OMNeT++開發(fā)，處理速度快，可以用于處理大型交通仿真。Veins通過雙向耦合的方法，可以實現(xiàn)道路網(wǎng)與信息控制系統(tǒng)的耦合，實現(xiàn)仿真器之間的動態(tài)交互[16]，進而可以模擬車聯(lián)網(wǎng)通信對道路交通的影響。Veins的耦合仿真框架如圖5所示。

（4）NCTUns

NCTUns仿真平臺是一種網(wǎng)絡(luò)模擬仿真器，能夠模擬有線和無線IP網(wǎng)絡(luò)的各種協(xié)議，具有較強的可視化效果，可以模擬802.11a、802.11b、802.11g和802.11p技術(shù)[17-18]。該平臺由圖形用戶界面（GUI environment）、模擬引擎（simulation engine）、協(xié)議模塊（protocol modules）、模擬任務(wù)調(diào)度器（simulation job dispatcher）、任務(wù)協(xié)調(diào)器（coordinator）、內(nèi)核修改（modified kernel）、協(xié)議守護程序（protocol daemons）、真實的應(yīng)用程序（real-life application programs）八個功能部分組成[19]。與TraNS等仿真軟件不同，NCTUns可以將流量和網(wǎng)絡(luò)仿真器集成在一個模塊中，并提供反饋意見，支持車載網(wǎng)絡(luò)仿真。

（5）VSimRTI

VSimRTI是由德國柏林理工大學(xué)和克萊斯勒股份公司聯(lián)合創(chuàng)建的戴姆勒汽車信息技術(shù)創(chuàng)新研究所（DCAITI）開發(fā)的VANET仿真框架。VSimRTI采用了IEEE標(biāo)準(zhǔn)定義的建模與仿真高層體系結(jié)構(gòu)，實現(xiàn)了多個模擬器之間的同步和通信。利用VSimRTI提供的網(wǎng)絡(luò)模擬器、交通模擬器、環(huán)境模擬器、應(yīng)用模擬器接口，可以對車輛網(wǎng)絡(luò)的數(shù)據(jù)通信方案與算法協(xié)議進行充分評估。

2? ?模型驅(qū)動下的車聯(lián)網(wǎng)仿真

2.1? 移動模型

在車聯(lián)網(wǎng)仿真中，移動模型的準(zhǔn)確性影響了車聯(lián)網(wǎng)仿真精確性及其設(shè)計性能[20-22]。仿真中節(jié)點（車輛）的移動會顯著影響網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，因此精確的車輛移動模型可以提升車聯(lián)網(wǎng)仿真的置信度[23]。因此，車聯(lián)網(wǎng)移動模型成為目前研究的重點。

（1）交通流刻畫模型

根據(jù)刻畫對象的不同，可以將交通流刻畫模型分為宏觀、微觀和介觀三方面，具體分類結(jié)構(gòu)如圖6所示。宏觀交通流模型針對交通量和初始車輛分布進行建模，并借鑒流體動力學(xué)理論，描述交通流總體特征。微觀移動模型將每一車輛作為獨立單元進行研究建模，可以獲得車輛的位置、速度、加速度等信息，反應(yīng)了車輛之間的運動關(guān)系。微觀移動模型包括了車聯(lián)網(wǎng)仿真中常用的跟馳模型和換道模型，其中跟馳模型可準(zhǔn)確反應(yīng)真實交通現(xiàn)象、捕獲交通擾動影響、再現(xiàn)交通擁堵場景;換道模型可評估車輛換道情況并進行安全評價。介觀模型是宏觀移動模型和微觀移動模型間的折中方法。

（2）移動條件限制模型

根據(jù)移動模型在仿真中的條件限制以及移動特性，將移動模型分為隨機移動模型[24]、受限移動模型[25]以及混合移動模型[26]，分類結(jié)構(gòu)如圖7所示。隨機移動模型是最簡單直觀的移動模型，描述了移動網(wǎng)絡(luò)節(jié)點在二維區(qū)域內(nèi)運動的行為，車輛隨機選擇目標(biāo)點，其速度、運動方向也都隨機產(chǎn)生。但由于該模型為節(jié)點不均勻分布模型且不能描述群組移動，因此產(chǎn)生的仿真結(jié)果偏差較大，很少應(yīng)用在車聯(lián)網(wǎng)仿真中。受限移動模型根據(jù)受限對象不同分為：時間條件移動模型，前一時刻的運動狀態(tài)（如速度、加速度等）會對當(dāng)前移動產(chǎn)生影響;空間條件移動模型，節(jié)點的運動狀態(tài)與周圍節(jié)點密切相關(guān)，節(jié)點會受到鄰近節(jié)點的影響;地理條件移動模型，即為了模擬更真實的場景，在該模型里節(jié)點移動受到地圖中各種障礙物的限制?；旌弦苿幽Ｐ蛣t是受限移動模型間相互組合形成的模型。

（3）真實軌跡移動模型

該模型在考慮了道路拓?fù)浣Y(jié)構(gòu)、速度控制等條件，進一步從模型、車輛真實行駛軌跡方面獲取節(jié)點運動數(shù)據(jù)并反應(yīng)在車聯(lián)網(wǎng)仿真中，能夠較好地模擬車輛在真實環(huán)境中的行為。文獻[27]通過收集北京的出租車GPS數(shù)據(jù)，建立了基于真實軌跡的移動模型。文獻[28]通過獲取具有Wi-Fi網(wǎng)卡的公交車移動數(shù)據(jù)，生成節(jié)點的合成軌跡，然后建立仿真模擬。雖然真實軌跡移動模型能再現(xiàn)車輛的真實移動性及相互關(guān)系，但仿真性能比現(xiàn)有的其他移動模型要低，這是由于可利用軌跡數(shù)據(jù)少，不能全面反映道路車輛移動狀態(tài)所導(dǎo)致的。

2.2? 駕駛員行為模型

在車輛網(wǎng)仿真中，駕駛員行為的模擬和仿真的精度有密切的關(guān)系，是人車系統(tǒng)、智能車輛系統(tǒng)的關(guān)鍵。目前研究多基于駕駛數(shù)據(jù)，例如制動、油門踏板位置和方向盤角度等控制角度出發(fā)，提出了駕駛員行為的建模方法。駕駛員行為模型的建立可分為以下三個步驟[29]：

（1）驅(qū)動模型

建立基于駕駛員行為識別駕駛參數(shù)的模型結(jié)構(gòu)，根據(jù)駕駛員模型結(jié)構(gòu)的確定性和不確定性，從不同識別角度將識別方法分為參數(shù)識別、非參數(shù)識別和半?yún)?shù)識別三方面。驅(qū)動模型中包括了安全距離或碰撞避免模型（CA）、線性模型（Helly）以及基于模糊邏輯的模型、傅立葉系數(shù)法（FCM）等模型和數(shù)學(xué)方法。

（2）識別駕駛員行為特征

模型確定后，采用多種數(shù)學(xué)方法進行建模描述駕駛?cè)蝿?wù)如跟馳、換道等，進而對駕駛行為識別。目前常用的駕駛行為識別方法有高斯混合模型（GMM， Gaussian Mixed Model）、過程混合模型（DPM， Dirichlet Process Mixture）、多層感知人工神經(jīng)網(wǎng)絡(luò)（MLP-ANN， Multilayer Perceptron-Artificial Neural Network）、非線性和模糊理論等。

（3）基于驅(qū)動模型的評估與驗證

為了提高車輛動力學(xué)性能，設(shè)計智能化的駕駛員系統(tǒng)，需要評估和檢驗駕駛員行為模型的準(zhǔn)確率，尤其在車聯(lián)網(wǎng)仿真系統(tǒng)領(lǐng)域。目前，大多數(shù)駕駛員行為模型從物理、數(shù)學(xué)理論角度出發(fā)，將通過駕駛參數(shù)分析得到模型放入仿真器中以識別駕駛員在某些駕駛?cè)蝿?wù)（換道、跟車、制動等）中的駕駛行為、技能或狀態(tài)，但很少討論駕駛員心理和生理因素對駕駛員行為模型產(chǎn)生的影響[30]。然而目前車聯(lián)網(wǎng)平臺正處于向自動駕駛過度的階段，人-車系統(tǒng)中人的主觀意愿、行為將對駕駛產(chǎn)生決定性的影響。因此，研究人員將駕駛員行為模型研究應(yīng)重點放在駕駛員心理、生理的研究上。

3? ?數(shù)據(jù)驅(qū)動下的車聯(lián)網(wǎng)仿真

3.1? 模型驅(qū)動存在的不足

目前，在車聯(lián)網(wǎng)仿真高保真度的研究中，大多數(shù)研究都是基于提升仿真模型的精確度。但是在現(xiàn)實中，存在著車聯(lián)網(wǎng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的隨機性、駕駛?cè)藛T的主觀認(rèn)知以及交通流變化的隨機性等因素，上述模型在車聯(lián)網(wǎng)仿真中的運用具有較大局限性[31]。

（1）移動模型現(xiàn)存問題

目前，移動模型在車聯(lián)網(wǎng)仿真的應(yīng)用仍然存在很多不足之處。文獻[32]指出，移動模型的流動性設(shè)置是把雙刃劍，如果節(jié)點快速移動，雖然能提升與其他節(jié)點的匯合以及信息交換，但同時也會減少接觸時間，從而限制在節(jié)點聯(lián)系中交換捆綁包的數(shù)量，限制數(shù)據(jù)傳輸。文獻[33]中說明，在針對不同場景使用移動模型時，都需要手動調(diào)整不同模型的參數(shù)以適應(yīng)當(dāng)前情景的網(wǎng)絡(luò)拓?fù)?、移動限制條件等，使車聯(lián)網(wǎng)仿真的工作量變大。文獻[34]通過實驗證明，當(dāng)使用曼哈頓模型車輛遇到障礙時，為了防止車輛重疊，將車輛速度瞬時降為零，這與實際情況有較大差異。此外，部分移動模型的節(jié)點存在非均勻分布現(xiàn)象。節(jié)點移動趨勢是向中心移動的，依賴于節(jié)點的運動參數(shù)，產(chǎn)生邊界效應(yīng)，因此產(chǎn)生的仿真結(jié)果偏差較大。移動模型隨著研究的深入在不斷的改進和發(fā)展，但由于車輛移動存在實時性，交通流存在地域性，駕駛員駕駛存在主觀性，因此車輛網(wǎng)移動模型在模擬逼真的移動節(jié)點時仍面臨很大的挑戰(zhàn)。

（2）駕駛員行為模型現(xiàn)存問題

對于駕駛行為模型來說，駕駛汽車實際上是一項復(fù)雜的、動態(tài)的任務(wù)，要求駕駛員不僅要對駕駛員自身技能、駕駛員狀態(tài)、車輛性能和交通信息做出準(zhǔn)確的認(rèn)知和判斷，還要迅速反應(yīng)、處理這些信息。因此，Liu和Salvucci[35]指出，駕駛員行為模型應(yīng)該考慮到高級的認(rèn)知處理和低級操作控制的特征。準(zhǔn)確識別駕駛員行為、減輕駕駛員工作量并提高主動車輛安全系統(tǒng)對于車聯(lián)網(wǎng)仿真未來的發(fā)展是十分必要的。Macadam[36]從人類行為活動角度出發(fā)，指出人類具有非線性時間延遲和局限性的特征，但在人為因素領(lǐng)域仍存在一些物理限制。此外，目前現(xiàn)有的模型、系統(tǒng)大都是根據(jù)駕駛員的平均指標(biāo)設(shè)計的，很少考慮駕駛員的個人特征。但在現(xiàn)實中，往往是具有個體特征的駕駛員的駕駛行為會影響道路交通的有序性以及個體車輛的安全性。因此，運用在現(xiàn)有車聯(lián)網(wǎng)仿真中的駕駛員行為模型，對駕駛員行為識別的敏感度、速度以及準(zhǔn)確度都尚存在很大的提升空間。

3.2? 數(shù)據(jù)驅(qū)動下的仿真建模思路

（1）新數(shù)據(jù)源的驅(qū)動

隨著通信技術(shù)、計算機技術(shù)的發(fā)展，物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、車聯(lián)網(wǎng)（車路協(xié)作）快速形成并廣泛應(yīng)用，使交通系統(tǒng)進入智能網(wǎng)聯(lián)時代，人、車、路、環(huán)境、云端得以相連，智能網(wǎng)聯(lián)時代帶來的時空大數(shù)據(jù)，使得我們獲得海量移動運營商數(shù)據(jù)、交通數(shù)據(jù)等。以往的交通出行、管理受到傳統(tǒng)數(shù)據(jù)、模型及計算能力的局限制約，大數(shù)據(jù)的到來以及共享使我們能夠深入了解交通需求及供給（設(shè)施及服務(wù)）能力，并了解實時的交通現(xiàn)狀，這也是是構(gòu)建并運行綜合交通網(wǎng)絡(luò)的前提。

目前，浮動車、手機、IC卡、眾包、網(wǎng)絡(luò)簽到等時空大數(shù)據(jù)實現(xiàn)交通系統(tǒng)全息監(jiān)測，也可以將這些功能、數(shù)據(jù)應(yīng)用到車聯(lián)網(wǎng)仿真中去，采用基于場景拆分和離散事件的在線精確仿真技術(shù)將整個復(fù)雜連續(xù)仿真場景拆分為多個簡單離散仿真場景，降低仿真復(fù)雜度，減少仿真時間。此外，可以通過視頻攝像頭提取車輛在面對擁堵等簡單場景時的行為和選擇，形成大數(shù)據(jù)場景庫，直接應(yīng)用于仿真中，提高仿真精確度等。以下是車聯(lián)網(wǎng)仿真中大數(shù)據(jù)的三個應(yīng)用方向：

1）出行軌跡監(jiān)測——獲取真實交通流量

傳統(tǒng)的車聯(lián)網(wǎng)仿真中[37]，利用目標(biāo)場景和人口統(tǒng)計信息來確定適當(dāng)?shù)某鲂蠴D，運用路由分配算法來確定出行路徑，模擬代表性的交通流量。而大數(shù)據(jù)時代，可以基于手機信令數(shù)據(jù)提取用戶出行軌跡數(shù)據(jù)、分析用戶時空軌跡挖掘用戶時空出行特征，由此我們可以得到精確的用戶出行OD、出行路徑以便獲取真實的交通流量信息，能更好地描述不同區(qū)域的出行形態(tài)（如圖8所示的向心現(xiàn)象、局部聚集現(xiàn)象以及潮汐現(xiàn)象）。

2）浮動車數(shù)據(jù)、交通流檢測——獲取實時路網(wǎng)信息及短時預(yù)測

交通流模型、隨機移動模型等常被用于車聯(lián)網(wǎng)仿真中，以獲取車輛速度、密度、流量等關(guān)系。隨著數(shù)據(jù)的共享，檢測技術(shù)的發(fā)展，我們可以通過交通流檢測獲得實時的車速、交通量、占有率等信息，即實現(xiàn)道路流量監(jiān)測，如圖9至圖12所示。通過浮動車數(shù)據(jù)實時感知、估計道路網(wǎng)通行能力并動態(tài)控制進入流量，并將這些數(shù)據(jù)通過接口帶入到車聯(lián)網(wǎng)仿真中，提升了仿真的逼真度。

3）車輛事故數(shù)據(jù)、多數(shù)據(jù)源——獲取個體車輛數(shù)據(jù)

大數(shù)據(jù)背景下，可以結(jié)合高精度地圖和精準(zhǔn)定位，將通過車道及個體車輛監(jiān)控所獲得的數(shù)據(jù)接入車聯(lián)網(wǎng)仿真中，減少隨機事件影響，使節(jié)點保持適宜速度穩(wěn)定行駛，準(zhǔn)確仿真車流速度差及不良的變道行為，也可以實現(xiàn)基于多源數(shù)據(jù)的車輛運行狀態(tài)安全診斷和實時預(yù)警。此外，還可以獲得駕駛行為、車輛性能以及事故數(shù)據(jù)（如圖13所示），相對于通過傳統(tǒng)仿真模型，通過該方式獲得上述數(shù)據(jù)可信度更高。

綜上所述，大數(shù)據(jù)和5G時代的到來，為車聯(lián)網(wǎng)仿真的發(fā)展提供了新機遇，推進了車路協(xié)同系統(tǒng)的建設(shè)，適應(yīng)了新一代智能交通系統(tǒng)的需求。在傳輸能力上，傳統(tǒng)的車聯(lián)網(wǎng)數(shù)據(jù)為單向傳輸，后臺匯聚，存在信息不對稱、傳輸寬帶及速度有限等問題。而智能交通條件下，數(shù)據(jù)雙向傳輸，信息共享、對稱，使多方合作機制的形成成為可能，傳輸速度也大幅提升。在決策能力上，傳統(tǒng)車聯(lián)網(wǎng)采用模型驅(qū)動的預(yù)案式調(diào)控決策，智能交通背景下采用數(shù)據(jù)驅(qū)動的決策模型能夠更加精細(xì)刻畫出行行為，為出行決策提供依據(jù)。

（2）數(shù)據(jù)驅(qū)動的仿真建模思路

傳統(tǒng)的數(shù)據(jù)來源主要是路上安裝的各類檢測器，如地埋式感應(yīng)線圈、超聲波和激光檢測器、視頻等。這些數(shù)據(jù)的主要缺陷是覆蓋量小以致數(shù)據(jù)不能很好地反映路網(wǎng)全面的真實情況，這使得傳統(tǒng)建模方法多為model to data，這是在考慮到當(dāng)時的數(shù)據(jù)現(xiàn)實狀況之下的無奈之舉。隨著實時傳感設(shè)備的普及，大數(shù)據(jù)已經(jīng)成為目前各領(lǐng)域的必爭之地，數(shù)據(jù)量陡增，數(shù)據(jù)形式的不斷豐富使得交通仿真建模也開始發(fā)生相應(yīng)的改變，由原來model to data變?yōu)閐ata to model。

將大數(shù)據(jù)方法與數(shù)學(xué)模型相結(jié)合的思路將成為仿真科學(xué)發(fā)展的一個新機遇。構(gòu)建數(shù)據(jù)驅(qū)動的仿真應(yīng)用系統(tǒng)需要涵蓋多個組成部分，包括數(shù)據(jù)需求、數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)耦合、模型校正等。因此，基于上述大數(shù)據(jù)帶來的新機遇，可以將數(shù)據(jù)驅(qū)動仿真框架梳理如圖14所示。通過各種感知設(shè)備獲取相應(yīng)的大數(shù)據(jù)源，進行數(shù)據(jù)質(zhì)量處理，得到合理有用的數(shù)據(jù)源。進而采用新的數(shù)據(jù)源結(jié)合新的方法如深度學(xué)習(xí)等構(gòu)建交通仿真模型，并對各個參數(shù)進行校正，進而實現(xiàn)數(shù)據(jù)驅(qū)動下的仿真建模過程。

4? ?結(jié)束語

伴隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，以人車路環(huán)境的全面精準(zhǔn)感知及智能決策為核心，通過人—車—路互聯(lián)與協(xié)作，構(gòu)建的可實現(xiàn)協(xié)同管控與創(chuàng)新服務(wù)的智能網(wǎng)聯(lián)交通系統(tǒng)成為交通發(fā)展的主要方向。車聯(lián)網(wǎng)仿真是該系統(tǒng)從理論研究到應(yīng)用實踐的重要環(huán)節(jié)，因此，在過去的十年中，許多有關(guān)車聯(lián)網(wǎng)仿真的研究已在世界各地開展。本文中將車聯(lián)網(wǎng)仿真平臺劃分為交通仿真器、網(wǎng)絡(luò)仿真器以及集成仿真器三個部分，并介紹了幾種經(jīng)典的仿真軟件及平臺。然后，分析歸納了當(dāng)前主流的、能對車聯(lián)網(wǎng)仿真精度產(chǎn)生重要影響的交通仿真模型，并結(jié)合國內(nèi)外文獻從節(jié)點移動、駕駛行為、網(wǎng)絡(luò)傳輸?shù)确矫娣治隽巳惙抡婺Ｐ痛嬖诘牟蛔?。最后，根?jù)網(wǎng)絡(luò)發(fā)展以及車聯(lián)網(wǎng)仿真研究現(xiàn)狀提出了以大數(shù)據(jù)源為基礎(chǔ)的車聯(lián)網(wǎng)仿真發(fā)展方向，下一步應(yīng)重點著手于大數(shù)據(jù)車聯(lián)網(wǎng)仿真的測試與優(yōu)化。

參考文獻：

[1] E K Lee， M Gerla， G Pau， et al. Internet of Vehicles： From intelligent grid to autonomous cars and vehicular fogs[J]. International Journal of Distributed Sensor Networks， 2016，12（9）.

[2] S Zeadally， R Hunt， Y S Chen， et al. Vehicular ad hoc networks （VANETS）： status， results[J]. Telecommunication Systems， 2012，50（4）： 217-241.

[3] F Batool， S A Khan. Traffic estimation and real time prediction using adhoc networks[C]//Emerging Technologies， Proceedings of the IEEE Symposium on. IEEE， 2005.

[4] I Leontiadis， C Mascolo. GeOpps： Geographical Opportunistic Routing for Vehicular Networks[C]//2007 IEEE International Symposium on a World of Wireless， Mobile and Multimedia Networks. IEEE， 2007.

[5] 王潤民，鄧曉峰，徐志剛，等. 車聯(lián)網(wǎng)仿真測試評價技術(shù)研究綜述[J]. 計算機應(yīng)用研究， 2019，36（7）： 1921-1926+1939.

[6] N Akhtar， S C Ergen， O Ozkasap. Vehicle Mobility and Communication Channel Models for Realistic and Efficient Highway VANET Simulation[J]. IEEE Transactions on Vehicular Technology， 2015，64（1）： 248-262.

[7] S Zeadally， R Hunt， Y S Chen， et al. Vehicular ad hoc networks （VANETS）： status， results[J]. Telecommunication Systems， 2012，50（4）： 217-241.

[8] 鄒智軍. 新一代交通仿真技術(shù)綜述[J]. 系統(tǒng)仿真學(xué)報， 2010，22（9）： 2037-2042.

[9] D R Choffnes， Bustamante， E Fabián. An integrated mobility and traffic model for vehicular wireless networks[C]//International Workshop on Vehicular Ad Hoc Networks. DBLP， 2005.

[10] J J Blum， A Eskandarian， L J Hoffman. Challenges of intervehicle ad hoc networks[J]. IEEE Transactions on Intelligent Transportation Systems， 2004，5（4）： 347-351.

[11] S Olariu， M C Weigle. Vehicular networks： from theory to practice[M]. USA： Chapman and Hall/CRC， 2009.

[12] M Piórkowski， M Raya， A Lezama Lugo， et al. TraNS： Realistic Joint Traffic and Network Simulator for VANETs[J]. Acm Sigmobile Mobile Computing & Communications Review， 2008，12（1）： 31-33.

[13] D Eckhoff， M Protsenko， R German. Toward an Open Source Location Privacy Evaluation Framework for Vehicular Networks[C]//Vehicular Technology Conference. IEEE， 2014.

[14] C Sommer， R German， F Dressler. Bidirectionally Coupled Network and Road Traffic Simulation for Improved IVC Analysis[J]. IEEE Transactions on Mobile Computing. IEEE， 2011，10（1）： 3-15.

[15] H Noori. Realistic urban traffic simulation as vehicular Ad-hoc network （VANET） via Veins framework[C]//2012 12th Conference of Open Innovations Association （FRUCT）. IEEE， 2012.

[16] R Protzmann， K Mahler， K Oltmann， et al. Extending the V2X simulation environment VSimRTI with advanced communication models[C]//ITS Telecommunications （ITST）， 2012 12th International Conference on. IEEE， 2012.

[17] 王雷. NCTUns：一種新的網(wǎng)絡(luò)模擬技術(shù)[J]. 計算機技術(shù)與發(fā)展， 2008，18（7）： 80-82.

[18] S Y Wang， Y B. Lin NCTUns network simulation and emulation for wireless resource management[J]. Wireless Communications & Mobile Computing， 2005，5（8）： 899-916.

[19] S Y Wang， H T Kung. Simple methodology for constructing extensible and high-fidelity TCP/IP network simulators[C]//INFOCOM ‘99. Eighteenth Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings. IEEE， 1999.

[20] J Harri， F Filali， C Bonnet. A framework for mobility models generation and its application to inter-vehicular networks[C]//International Conference on Wireless Networks. IEEE， 2016.

[21] 唐蕾，段宗濤，康軍，等. 面向車聯(lián)網(wǎng)環(huán)境的車輛移動模

型研究進展[J]. 長安大學(xué)學(xué)報：自然科學(xué)版， 2016，36

（5）： 67-78.

[22] 顧海燕. 車聯(lián)網(wǎng)環(huán)境下高速公路車輛跟馳模型及仿真研究[D]. 南京： 東南大學(xué)， 2017.

[23] 石叢軍，任清華，鄭博，等. MANET節(jié)點移動模型仿真研究[J]. 計算機工程， 2009，35（14）： 101-103.

[24] C Bettstetter. Smooth is Better than Sharp： A Random Mobility Model for Simulation of Wireless Networks[C]//Acm International Workshop on Modeling， Analysis， and Simulation of Wireless and Mobile Systems （MSWIM）. ACM， 2001.

[25] C Bettstette， C Wagner. THE SPATIAL NODE DISTRIBUTION OF THE RANDOM WAYPOINT MOBILITY MODEL[C]//Mobile Ad-hoc Netzwerke， Deutscher Workshop ?ber Mobile Ad-hoc Netzwerke Wman. GI， 2002.

[26] T Islam， Y Hu， E Onur， et al. Realistic simulation of IEEE 802.11p channel in mobile Vehicle to Vehicle communication[C]//Microwave Techniques （COMITE）， 2013 Conference on. IEEE， 2013.

[27] Y Weidong， L Jizhao， Z Xinyun. an trace based vehicular mobility model for simulation of vehicular delay tolerant networks[C]//Symposia & Workshops on Ubiquitous. IEEE Computer Society， 2010.

[28] X Zhang， J Kurose， B N Levine， et al. Study of a bus-based disruption-tolerant network： mobility modeling and impact on routing[C]//International Conference on Mobile Computing & Networking. DBLP， 2007.

[29] W Wang， J Xi， H Chen. Modeling and Recognizing Driver Behavior Based on Driving Data： A Survey[J]. Mathematical Problems in Engineering， 2014（1）： 1-20.

[30] C Miyajima， Y Nishiwaki， K Ozawa， et al. Driver Modeling Based on Driving Behavior and Its Evaluation in Driver Identification[J]. Proceedings of the IEEE， 2007，95（2）： 427-437.

[31] 程航. 基于車輛實際數(shù)據(jù)的車聯(lián)網(wǎng)仿真平臺的研究與開發(fā)[D]. 廣州： 廣東工業(yè)大學(xué)， 2016.

[32] L Peien， H Hongyu， S Wei， et al. Performance Evaluation of Vehicular DTN Routing under Realistic Mobility Models[C]//Wireless Communications and Networking Conference. IEEE， 2008.

[33] F J Ros， J A Martinez， P M Ruiz. A Survey on Modeling and Simulation of Vehicular Networks： Communications， Mobility， and Tools[J]. Computer Communications， 2014，43（1）： 1-15.

[34] H?rri Jér?me， M Fiore， F Filali， et al. Vehicular mobility simulation with VanetMobiSim[J]. SIMULATION： Transactions of The Society for Modeling and Simulation International， 2011，87（4）： 275-300.

[35] A Pentland， A Liu. Modeling and Prediction of Human Behavior[J]. Neural Computation， 1999，11（1）： 229-242.

[36] Macadam， C Charles. Understanding and Modeling the Human Driver[J]. Vehicle System Dynamics， 2003，40（1-3）： 101-134.

[37] S Uppoor， O Trullols-Cruces， M Fiore， et al. Generation and Analysis of a Large-Scale Urban Vehicular Mobility Dataset[J]. IEEE Transactions on Mobile Computing， 2014，13（5）： 1061-1075. ★