基于邊緣計(jì)算的危險(xiǎn)品運(yùn)輸車(chē)輛跟蹤預(yù)警方法*

馬峻巖 劉仟金 許 良 惠 飛 孫正良 袁 立 趙祥模

（1.長(zhǎng)安大學(xué)信息工程學(xué)院 西安 710064；2.公安部交通管理科學(xué)研究所 江蘇 無(wú)錫 214151；3.深圳市有為信息技術(shù)發(fā)展有限公司 廣東 深圳 518049）

0 引 言

隨著中國(guó)工業(yè)化的迅猛發(fā)展，危險(xiǎn)品運(yùn)輸量呈逐漸大幅度遞增狀態(tài)。據(jù)交通部統(tǒng)計(jì)，截至2018年底，每天有近300萬(wàn)t的危險(xiǎn)品運(yùn)輸在路上，危險(xiǎn)品道路運(yùn)輸量占危險(xiǎn)品運(yùn)輸總量的70%。沈小燕等[1]深入研究了危險(xiǎn)品車(chē)輛道路運(yùn)輸事故規(guī)律及特征，指出82.8%的事故由交通事故引發(fā)。因此，對(duì)運(yùn)輸過(guò)程進(jìn)行實(shí)時(shí)、可靠的監(jiān)管可以有效減少甚至避免事故的發(fā)生。

在車(chē)輛跟蹤方面，基于GPS/北斗的車(chē)輛跟蹤技術(shù)已得到廣泛應(yīng)用[2]，但存在因車(chē)輛GNSS失鎖導(dǎo)致的軌跡缺失問(wèn)題[3]。近年來(lái)，隨著深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，使基于視頻的車(chē)輛跟蹤技術(shù)得到了迅速發(fā)展。王艷芬等[4]提出一種結(jié)合車(chē)輛檢測(cè)與識(shí)別的多攝像機(jī)車(chē)輛重識(shí)別方法，用于實(shí)現(xiàn)車(chē)輛跨攝像頭的跟蹤與監(jiān)控。Xu等[5]提出一種基于智能攝像頭的大規(guī)模車(chē)輛軌跡分布式存儲(chǔ)方法。在危險(xiǎn)品車(chē)輛監(jiān)測(cè)預(yù)警方面，張兵等[6]提出一種基于無(wú)線傳感網(wǎng)的危險(xiǎn)品車(chē)輛在途監(jiān)測(cè)預(yù)警系統(tǒng)，并根據(jù)傳感器的實(shí)時(shí)數(shù)據(jù)進(jìn)行預(yù)警。Jia等[7]使用LSTM和CNN神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)輛自身動(dòng)力學(xué)數(shù)據(jù)建模，實(shí)現(xiàn)了4類異常駕駛行為檢測(cè)。呂能超等[8]提出了一種基于車(chē)輛運(yùn)動(dòng)學(xué)和風(fēng)險(xiǎn)感知特性的綜合預(yù)警算法，提升了復(fù)雜工況下前向碰撞預(yù)警環(huán)境適應(yīng)性。王江峰等[9]研究了車(chē)車(chē)通信環(huán)境下的碰撞預(yù)警方法。LEE等[10]研究了基于多層神經(jīng)網(wǎng)絡(luò)的追尾預(yù)警方法。王海星等[11]和惠飛等[12]則從數(shù)據(jù)挖掘和聚類的角度對(duì)異常和風(fēng)險(xiǎn)駕駛行為進(jìn)行了研究。尹宏鵬等[13]提出了一種基于視頻的車(chē)輛異常行為檢測(cè)方法。

綜上所述，目前GPS/北斗跟蹤技術(shù)存在軌跡缺失問(wèn)題?；谝曨l的跟蹤技術(shù)因受傳輸帶寬、計(jì)算資源、實(shí)時(shí)性等因素限制，無(wú)法大規(guī)模部署應(yīng)用。現(xiàn)有危險(xiǎn)品運(yùn)輸車(chē)輛監(jiān)測(cè)預(yù)警研究主要包括在危險(xiǎn)品狀態(tài)監(jiān)測(cè)、司機(jī)駕駛異常行為檢測(cè)、高級(jí)駕駛輔助系統(tǒng)性功優(yōu)化等方面，未從自車(chē)、周?chē)?chē)輛、道路和自然環(huán)境等因素綜合評(píng)估危險(xiǎn)品運(yùn)輸車(chē)輛的異常狀態(tài)。針對(duì)上述問(wèn)題，本文提出了一種基于邊緣計(jì)算的危險(xiǎn)品運(yùn)輸車(chē)輛跟蹤預(yù)警方法。該方法使用路側(cè)節(jié)點(diǎn)的協(xié)作式算法對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛進(jìn)行實(shí)時(shí)性跟蹤，同時(shí)路側(cè)節(jié)點(diǎn)通過(guò)將感知的道路實(shí)時(shí)狀態(tài)數(shù)據(jù)與車(chē)輛動(dòng)力學(xué)數(shù)據(jù)相融合實(shí)現(xiàn)車(chē)輛異常狀態(tài)監(jiān)測(cè)與預(yù)警。

1 多節(jié)點(diǎn)協(xié)作下的實(shí)時(shí)跟蹤

1.1 邊緣計(jì)算

邊緣計(jì)算（EC）被定義為在靠近物或數(shù)據(jù)源頭的一側(cè)，采用網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用核心能力為一體的開(kāi)放平臺(tái)，就近提供最近端服務(wù)。歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)于2015年在年度白皮書(shū)[14]提出邊緣計(jì)算的典型技術(shù)框架，見(jiàn)圖1。筆者引入邊緣計(jì)算，將復(fù)雜且信息量巨大的車(chē)輛跟蹤任務(wù)卸載到邊緣節(jié)點(diǎn)進(jìn)行處理，邊緣節(jié)點(diǎn)將跟蹤結(jié)果實(shí)時(shí)地反饋到云端。相比于傳統(tǒng)云處理方式，邊緣計(jì)算可以減少視頻、圖像等信息帶來(lái)的網(wǎng)絡(luò)負(fù)荷，優(yōu)化系統(tǒng)時(shí)延。

圖1 邊緣計(jì)算系統(tǒng)架構(gòu)Fig.1 System architecture for EC

1.2 多節(jié)點(diǎn)協(xié)作跟蹤

1.2.1 路側(cè)設(shè)備

本文提出路側(cè)設(shè)備跟蹤方式是為了彌補(bǔ)主跟蹤源GPS時(shí)常發(fā)生跟蹤丟失的問(wèn)題，主要包括智能攝像頭和射頻識(shí)別設(shè)備，其次，路側(cè)設(shè)備應(yīng)具有一定的路況感知能力。

近年來(lái)，汽車(chē)電子標(biāo)識(shí)技術(shù)發(fā)展迅速。它是一種基于超高頻識(shí)別芯片的電子標(biāo)簽，主要由存儲(chǔ)單元、天線部分以及控制單元3個(gè)部分組成[15]。當(dāng)裝有汽車(chē)電子標(biāo)識(shí)的危險(xiǎn)品車(chē)輛進(jìn)入讀寫(xiě)設(shè)備工作區(qū)域時(shí)，由于電子感應(yīng)的信號(hào)，使得汽車(chē)電子標(biāo)識(shí)獲得一定的能量，芯片被激活，讀寫(xiě)設(shè)備便可與電子設(shè)備相互通信，實(shí)物見(jiàn)圖2。

圖2 汽車(chē)電子標(biāo)識(shí)Fig.2 Automotive electronic identification

本文采用的路側(cè)一體化車(chē)輛身份信息采集設(shè)備，集成的路側(cè)設(shè)備包括智能攝像頭和射頻識(shí)別設(shè)備，能夠讀取汽車(chē)電子標(biāo)識(shí)，并采集道路信息，將二者進(jìn)行融合匹配，實(shí)現(xiàn)對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛信息的精準(zhǔn)識(shí)別，彌補(bǔ)了GPS丟失時(shí)的不足。路側(cè)設(shè)備識(shí)別到車(chē)輛后會(huì)將車(chē)輛信息上傳到邊緣節(jié)點(diǎn)，通過(guò)節(jié)點(diǎn)協(xié)作實(shí)現(xiàn)對(duì)車(chē)輛的連續(xù)跟蹤。

1.2.2 多節(jié)點(diǎn)協(xié)作算法

定義1 leader節(jié)點(diǎn)。當(dāng)前時(shí)刻檢測(cè)到目標(biāo)車(chē)輛的節(jié)點(diǎn)。

定義2 member節(jié)點(diǎn)。leader節(jié)點(diǎn)在空間位置上直接可達(dá)的所有節(jié)點(diǎn)。

Leader節(jié)點(diǎn)和member節(jié)點(diǎn)組成一個(gè)組，在該小組內(nèi)，member節(jié)點(diǎn)只與leader節(jié)點(diǎn)建立通信。

在危險(xiǎn)品車(chē)輛的行進(jìn)過(guò)程中，會(huì)經(jīng)歷各種各樣的交通環(huán)境，在某些特殊區(qū)域，例如十字路口、特定路段等，需要實(shí)時(shí)監(jiān)控危險(xiǎn)品車(chē)輛的行駛。在車(chē)輛進(jìn)入監(jiān)測(cè)區(qū)域之前，各邊緣節(jié)點(diǎn)都為member節(jié)點(diǎn)，它們時(shí)刻監(jiān)聽(tīng)其他member節(jié)點(diǎn)的狀態(tài)，并且隨時(shí)可以參與執(zhí)行小組內(nèi)的檢測(cè)任務(wù)。見(jiàn)圖3的局部位置圖，整個(gè)區(qū)域是監(jiān)控區(qū)域，當(dāng)車(chē)輛駛?cè)雲(yún)^(qū)域入口標(biāo)記F1之后，對(duì)車(chē)輛進(jìn)行實(shí)時(shí)的監(jiān)控。此時(shí)F1充當(dāng)leader節(jié)點(diǎn)，其member節(jié)點(diǎn)包括{F4,F2}。

圖3 局部位置圖Fig.3 Local location

當(dāng)危險(xiǎn)品車(chē)輛進(jìn)入檢測(cè)區(qū)域后，首先檢測(cè)到目標(biāo)車(chē)輛的節(jié)點(diǎn)會(huì)從member狀態(tài)轉(zhuǎn)換到leader狀態(tài)，并同時(shí)通知其下游節(jié)點(diǎn)建立小組，直至某一個(gè)member節(jié)點(diǎn)檢測(cè)到目標(biāo)車(chē)輛，小組成員提出檢測(cè)任務(wù)，檢測(cè)到目標(biāo)的節(jié)點(diǎn)擔(dān)任新的leader角色。節(jié)點(diǎn)協(xié)作的算法框架見(jiàn)圖4。

圖4 節(jié)點(diǎn)協(xié)作算法框架Fig.4 Algorithm framework

1）Leader節(jié)點(diǎn)的作用。領(lǐng)導(dǎo)節(jié)點(diǎn)擔(dān)任3項(xiàng)工作：①將采集到的車(chē)輛信息進(jìn)行打包發(fā)送給遠(yuǎn)程云系統(tǒng)（打包信息包括目標(biāo)車(chē)輛的唯一ID號(hào)、顏色、車(chē)型、速度、時(shí)間、位置信息以及當(dāng)前邊緣節(jié)點(diǎn)ID等）；②將車(chē)輛ID、車(chē)顏色和車(chē)型組成可以標(biāo)識(shí)車(chē)輛的報(bào)文，在組內(nèi)進(jìn)行廣播以通知member節(jié)點(diǎn)做好檢測(cè)的準(zhǔn)備工作。各member節(jié)點(diǎn)接受車(chē)輛信息報(bào)文后，在各自的檢測(cè)范圍內(nèi)搜尋目標(biāo)車(chē)輛，并定期向leader節(jié)點(diǎn)發(fā)送報(bào)告以匯報(bào)檢測(cè)結(jié)果；③在搜尋任務(wù)完成后，leader節(jié)點(diǎn)上傳檢測(cè)到的車(chē)輛信息(包括時(shí)間、位置、節(jié)點(diǎn)標(biāo)簽、以及目標(biāo)信息等)，并同時(shí)組播通知其他節(jié)點(diǎn)退出檢測(cè)任務(wù)。當(dāng)某邊緣節(jié)點(diǎn)檢測(cè)到危險(xiǎn)品車(chē)輛時(shí)，執(zhí)行圖5的Leader節(jié)點(diǎn)算法。

圖5 Leader節(jié)點(diǎn)任務(wù)圖Fig.5 Leader node task diagram

2）member節(jié)點(diǎn)。當(dāng)某一member節(jié)點(diǎn)檢測(cè)到危險(xiǎn)品車(chē)輛時(shí)，也進(jìn)行2項(xiàng)工作：其一，向leader節(jié)點(diǎn)發(fā)送報(bào)文，匯報(bào)當(dāng)前檢測(cè)到結(jié)果，leader接受信息后，廣播發(fā)送公共報(bào)文通知組內(nèi)其他節(jié)點(diǎn)退出此次檢測(cè)任務(wù)。其二，該member節(jié)點(diǎn)退出member狀態(tài)，轉(zhuǎn)換為新的leader節(jié)點(diǎn)，并開(kāi)始執(zhí)行領(lǐng)導(dǎo)節(jié)點(diǎn)的工作，member節(jié)點(diǎn)任務(wù)見(jiàn)圖6。

圖6 member節(jié)點(diǎn)任務(wù)圖Fig.6 Member node task diagram

2 異常狀態(tài)預(yù)警

危險(xiǎn)品運(yùn)輸過(guò)程中及時(shí)、準(zhǔn)確的異常狀態(tài)預(yù)警，可以有效避免車(chē)輛運(yùn)行中可能發(fā)生的交通事故。為了進(jìn)一步提高異常狀態(tài)預(yù)警的精度，本文將智能路側(cè)節(jié)點(diǎn)感知到的實(shí)時(shí)路段狀態(tài)數(shù)據(jù)與危險(xiǎn)品運(yùn)輸車(chē)輛各類動(dòng)力學(xué)數(shù)據(jù)相結(jié)合，應(yīng)用機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)異常狀態(tài)的準(zhǔn)確預(yù)警。

2.1 特征因素

Arvin[16]和Kamrani等[17]利用統(tǒng)計(jì)學(xué)理論研究了事故與道路波動(dòng)性、自車(chē)以及環(huán)境等因素的關(guān)系。筆者引用其結(jié)論中的重要參數(shù)對(duì)車(chē)輛狀態(tài)進(jìn)行評(píng)估，包括自車(chē)、周?chē)?chē)輛、道路和自然環(huán)境信息。

考慮事件觸發(fā)前后某一時(shí)間窗口內(nèi)，車(chē)輛自身和周?chē)?chē)輛的特征主要包括速度、加速度、方向盤(pán)轉(zhuǎn)向角、前車(chē)距離、與前車(chē)的速度差，分別取其最大值、最小值、均值和標(biāo)準(zhǔn)差統(tǒng)計(jì)量。對(duì)速度和加速度引入變異系數(shù)統(tǒng)計(jì)量，定義如下，其中，Sdev是標(biāo)準(zhǔn)差，|是均值絕對(duì)值。

定義3變異系數(shù)

路段特征，主要指車(chē)輛當(dāng)前位置是否處于路口、環(huán)島、一般路段，天氣特征包括晴天、雨天、霧天、雪天；時(shí)段特征包括晝、夜。表1給出了預(yù)警模型包含的25種特征因素變量。

表1 特征因素匯總Tab.1 Summary of feature factors

2.2 預(yù)警模型以及模型參數(shù)的選擇

融合預(yù)警問(wèn)題屬于分類問(wèn)題，論文采用了3種模型進(jìn)行建模，包括KNN，SVM和Adaboost。通過(guò)將上述的變量作為輸入變量，并選取了訓(xùn)練集和測(cè)試集以7：3的比例進(jìn)行劃分。

2.2.1 基于KNN算法的預(yù)警模型

K近鄰[18]（K-Nearest Neighbor，KNN）學(xué)習(xí)是一種常用的監(jiān)督學(xué)習(xí)方法，其原理為對(duì)給定測(cè)試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的K個(gè)訓(xùn)練樣本，然后基于這K個(gè)“鄰居”的信息來(lái)進(jìn)行預(yù)測(cè)。而對(duì)于K值而言，若選擇的太大，則模型會(huì)變得簡(jiǎn)單；若K值過(guò)小，模型復(fù)雜，容易過(guò)擬合。筆者通過(guò)十折交叉驗(yàn)證對(duì)不同K的取值進(jìn)行建模，最終根據(jù)模型的準(zhǔn)確率選擇最合適的K值。

2.2.2 基于SVM算法的預(yù)警模型

SVM[18]是一種用來(lái)解決二分類問(wèn)題的有監(jiān)督學(xué)習(xí)算法。其核心思想是在特征空間上找到最佳的分離超平面，使得訓(xùn)練集上正負(fù)樣本間隔最大。劃分超平面描述為

式中：w是法向量，決定超平面的方向；b是位移項(xiàng)，決定超平面到原點(diǎn)的距離。間隔是2個(gè)異類支持向量到超平面的距離之和，可描述為

為最大化正負(fù)樣本間隔，須滿足下式

式中：i=1，2，…，m。

目前，SVM在交通數(shù)據(jù)分析中有著廣泛的應(yīng)用，如柳本民等[19]將SVM用于連環(huán)追尾事故中的影響因素分析。筆者在本實(shí)驗(yàn)中引入SVM的RBF核進(jìn)行模型訓(xùn)練用以對(duì)非線性數(shù)據(jù)進(jìn)行分類，在此，使用交叉驗(yàn)證和網(wǎng)格搜索對(duì)懲罰系數(shù)C和gamma參數(shù)選擇最優(yōu)組合。

2.2.3 基于Adaboost的預(yù)警模型

Adaboost[18]是一種增強(qiáng)學(xué)習(xí)算法，可應(yīng)用于大多數(shù)分類問(wèn)題，其原理是通過(guò)構(gòu)建多個(gè)弱學(xué)習(xí)器組成一個(gè)學(xué)習(xí)能力優(yōu)異的強(qiáng)學(xué)習(xí)器，在迭代學(xué)習(xí)的過(guò)程中，不斷擬合樣本偏差。該學(xué)習(xí)模型的核心在于：①提高上一輪被錯(cuò)誤分類的樣本的權(quán)值，降低被正確分類的樣本的權(quán)值；②線性加權(quán)求和得到最終分類結(jié)果。誤差率小的弱學(xué)習(xí)器的權(quán)值較小，而誤差率大的弱學(xué)習(xí)器的權(quán)值較大。筆者通過(guò)選擇CART分類樹(shù)作為弱分類器，通過(guò)調(diào)節(jié)CART樹(shù)的深度來(lái)預(yù)防過(guò)擬合，通過(guò)十折交叉驗(yàn)證，對(duì)比訓(xùn)練集的分類誤差，選擇弱分類器數(shù)量和學(xué)習(xí)率最佳的參數(shù)組合。

2.2.4 單車(chē)動(dòng)力學(xué)變量與多因素變量模型

論文通過(guò)不同的特征訓(xùn)練了2類模型，第一類即單車(chē)動(dòng)力學(xué)變量模型，該模型僅使用了車(chē)輛動(dòng)力學(xué)數(shù)據(jù)，即表1中速度、加速度、方向盤(pán)的統(tǒng)計(jì)學(xué)參數(shù)，第二類模型即多因素變量模型，在第一類模型的基礎(chǔ)上又引入的道路參數(shù)，包括表1中的速度和加速度的變異系數(shù)、車(chē)間距、速度差、天氣、時(shí)間和路段，每類模型都分別使用了KNN、SVM和Adaboost算法進(jìn)行實(shí)現(xiàn)。

2.2.5 模型評(píng)估參數(shù)

利用訓(xùn)練集訓(xùn)練得到模型后，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，再基于分類準(zhǔn)確率Acc、召回率Recall和ROC曲線來(lái)對(duì)比2個(gè)模型的預(yù)測(cè)效果。本文所處理的是一個(gè)二分類問(wèn)題（是否為危險(xiǎn)事件），可能的分類結(jié)果見(jiàn)表2。

表2 二分類問(wèn)題預(yù)測(cè)結(jié)果Tab.2 Outcomes of a binary classification problem

依據(jù)表2，模型的度量指標(biāo)計(jì)算如下。

1）召回率

2）準(zhǔn)確率

3）ROC曲線下面積AUC。ROC曲線的橫坐標(biāo)為特異度；縱坐標(biāo)為靈敏度。訓(xùn)練好的機(jī)器學(xué)習(xí)模型對(duì)每個(gè)測(cè)試樣本都能得到一個(gè)預(yù)測(cè)概率。模型的預(yù)測(cè)效果可以由ROC曲線與坐標(biāo)軸圍成的面積AUC進(jìn)行度量，AUC∈[0，1]越大，說(shuō)明預(yù)測(cè)效果越好。

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 多節(jié)點(diǎn)協(xié)作跟蹤實(shí)驗(yàn)

利用SUMO仿真平臺(tái)建立了多節(jié)點(diǎn)協(xié)作跟蹤的原型系統(tǒng)開(kāi)展相關(guān)實(shí)驗(yàn)。

3.1.1 原型系統(tǒng)的搭建

利用曼哈頓模型生成路網(wǎng)，通過(guò)OD矩陣迭代生成穩(wěn)定的車(chē)流，通過(guò)SUMO自帶的訂閱功能模擬GPS視圖，通過(guò)訂閱目標(biāo)車(chē)輛，可以隨時(shí)知道目標(biāo)車(chē)輛的位置信息和車(chē)輛的運(yùn)行參數(shù)；利用線圈模擬電子車(chē)牌路側(cè)識(shí)別器，檢索線圈信息來(lái)匹配目標(biāo)車(chē)輛。

表3 原型系統(tǒng)功能表Tab.3 Prototype system function

配置SUMO文件（路網(wǎng)、車(chē)流等）后，啟動(dòng)GUI界面，通過(guò)Traci接口控制車(chē)輛在道路網(wǎng)絡(luò)中的行駛，運(yùn)行結(jié)果見(jiàn)圖7。

圖7 SUMO運(yùn)行圖Fig.7 Running result ofSUMO

由于SUMO中沒(méi)有路側(cè)設(shè)備，仿真將分為路段跟蹤和路側(cè)攝像頭的精確跟蹤，通過(guò)SUMO感應(yīng)線圈的識(shí)別功能來(lái)模擬電子車(chē)牌路側(cè)識(shí)別，見(jiàn)圖8，實(shí)現(xiàn)基于路段的跟蹤；用Pyqt5搭建窗體，模擬路側(cè)一體化設(shè)備中路側(cè)攝像頭的視頻監(jiān)控功能，見(jiàn)圖9，能夠?qū)崟r(shí)顯示車(chē)輛的行駛和歷史路段記錄。

圖8 路段跟蹤局部放大圖Fig.8 Road tracking

圖9 視頻監(jiān)控Fig.9 Smart camera tracking

3.1.2 實(shí)驗(yàn)結(jié)果

在原型系統(tǒng)基礎(chǔ)上，模擬GPS丟失后，通過(guò)路側(cè)節(jié)點(diǎn)對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛進(jìn)行搜索和再跟蹤的過(guò)程，對(duì)比了云計(jì)算和邊緣計(jì)算處理時(shí)的帶寬和時(shí)延。

1）帶寬對(duì)比。對(duì)于傳統(tǒng)云服務(wù)器而言，所有數(shù)據(jù)一起上傳到云進(jìn)行處理，帶寬主要與車(chē)輛信息的數(shù)量有關(guān)，信息量越大，占用帶寬越高。對(duì)于邊緣計(jì)算方式，帶寬主要受區(qū)域內(nèi)邊緣節(jié)點(diǎn)數(shù)量的影響，節(jié)點(diǎn)數(shù)越多，占用帶寬越高。假設(shè)每上傳1條信息占用的帶寬單位為1，其結(jié)果見(jiàn)圖10，平均帶寬下降了大約68%。

圖10 帶寬對(duì)比圖Fig.10 Bandwidth comparison

2）時(shí)延對(duì)比

實(shí)驗(yàn)?zāi)M了邊緣節(jié)點(diǎn)和傳統(tǒng)云服務(wù)器對(duì)時(shí)延的影響。系統(tǒng)時(shí)延定義為服務(wù)器的處理時(shí)延與網(wǎng)絡(luò)傳輸時(shí)延的總和。定義云服務(wù)器處理邊緣服務(wù)器上傳的一條信息會(huì)產(chǎn)生1單位的時(shí)延，傳統(tǒng)云端處理時(shí)延為云服務(wù)器處理所有車(chē)輛信息的時(shí)延之和；邊緣處理的時(shí)延為所有邊緣節(jié)點(diǎn)產(chǎn)生時(shí)延的最大值，實(shí)驗(yàn)結(jié)果見(jiàn)圖11，平均時(shí)延下降了大約90%。

3.2 異常狀態(tài)檢測(cè)實(shí)驗(yàn)

3.2.1 數(shù)據(jù)來(lái)源

本文以美國(guó)交通部網(wǎng)聯(lián)車(chē)開(kāi)放數(shù)據(jù)（SPMD,Safety Pilot Model Deployment）開(kāi)展異常檢測(cè)的有關(guān)實(shí)驗(yàn)。該數(shù)據(jù)集包含了車(chē)輛的運(yùn)動(dòng)軌跡、速度、加速度、方向盤(pán)轉(zhuǎn)角、車(chē)載視覺(jué)雷達(dá)信息、路網(wǎng)、天氣等信息。

圖11 時(shí)延對(duì)比圖Fig.11 Delay comparison

3.2.2 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)主要采用其DAS2中的數(shù)據(jù)，由于原始數(shù)據(jù)在采集和錄入的過(guò)程中可能存在各種問(wèn)題，導(dǎo)致數(shù)據(jù)集中包含信息丟失、記錄錯(cuò)誤或異常的數(shù)據(jù)，進(jìn)一步影響論文研究分析的準(zhǔn)確性，因此需要對(duì)問(wèn)題數(shù)據(jù)進(jìn)行篩選、剔除，首先對(duì)數(shù)據(jù)中缺失過(guò)長(zhǎng)的片段進(jìn)行刪除，對(duì)于缺失數(shù)據(jù)，采用基于時(shí)間序列的數(shù)據(jù)恢復(fù)方法，即使用缺失數(shù)據(jù)的前后片段的均值對(duì)缺失值進(jìn)行補(bǔ)充

式中：Xi為缺失數(shù)據(jù)；Xi-1，…，Xi-k為缺失數(shù)據(jù)前的正常數(shù)據(jù)；k為采用的長(zhǎng)度，一般為10 s的數(shù)據(jù)量。

3.2.3 數(shù)據(jù)標(biāo)定

首先對(duì)車(chē)輛動(dòng)態(tài)學(xué)參數(shù)設(shè)定閾值，從原始數(shù)據(jù)中提取可能的危險(xiǎn)事件，再由人工復(fù)檢確定異常駕駛事件。初始閾值設(shè)置參考Dingus等[20]的研究，包括縱向加速度的絕對(duì)值大于等于0.6 g，縱向加速度的絕對(duì)值大于等于0.5 g且前向碰撞時(shí)間小于等于4 s。只要某一時(shí)間戳的數(shù)據(jù)記錄滿足任一閾值類型，就會(huì)被自動(dòng)識(shí)別為可能的危險(xiǎn)事件，并提取該時(shí)刻前后共10 s的行車(chē)數(shù)據(jù)用于人工校驗(yàn)。尋找具有處理駕駛數(shù)據(jù)經(jīng)驗(yàn)的10名研究人員，若有8名認(rèn)定片段異常，則將其認(rèn)定為危險(xiǎn)事件，最終提取出59起危險(xiǎn)事件和70起正常事件。

3.2.4 Google Earth還原

通過(guò)Google Earth還原了車(chē)輛的位置信息，主要包括環(huán)島、交叉路口和一般路段3種，見(jiàn)圖12。

圖12 位置還原Fig.12 Location restoration

3.2.5 多源數(shù)據(jù)融合

1）融合預(yù)警。

（a）模型調(diào)參。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)當(dāng)KNN的鄰居節(jié)點(diǎn)取5時(shí)，其性能較優(yōu)。而構(gòu)建SVM核函數(shù)時(shí)，選取徑向基函數(shù)（RBF）作為SVM的核函數(shù)。通過(guò)網(wǎng)格搜索法對(duì)核參數(shù)尋優(yōu)，設(shè)定C和g選擇范圍均為2-8～28，迭代的步長(zhǎng)取0.5。經(jīng)過(guò)反復(fù)調(diào)試后，最后確定核函數(shù)的2個(gè)最優(yōu)參數(shù)組合γ=0.01和懲罰參數(shù)C=5。對(duì)于Adaboost模型而言，最終確定最合適的CART樹(shù)深度為5，l學(xué)習(xí)率為0.8，分類器數(shù)量為200。

（b）2類模型的對(duì)比實(shí)驗(yàn)。對(duì)比2類模型、3種不同算法共訓(xùn)練了6個(gè)模型，利用測(cè)試集對(duì)6種模型進(jìn)行驗(yàn)證，各個(gè)模型的測(cè)試結(jié)果反映在見(jiàn)圖13的ROC曲線圖中。

圖13 ROC曲線Fig.13 ROC curves

2種模型的準(zhǔn)確率和召回率以及ROC曲線下面積的具體值見(jiàn)表4。

實(shí)驗(yàn)結(jié)果表明集成學(xué)習(xí)Adaboost和SVM的準(zhǔn)確率較高，而KNN模型在準(zhǔn)確率、召回率和AUC面積均小于以上2種模型。此外，SVM各方面性能都優(yōu)于集成學(xué)習(xí)，因此應(yīng)選擇SVM對(duì)車(chē)輛的狀態(tài)進(jìn)行評(píng)估。

表4 2種預(yù)測(cè)模型效果對(duì)比Tab.4 Comparison of performance of two models

同時(shí)對(duì)比2種模型發(fā)現(xiàn)，加入道路因素后，KNN的準(zhǔn)確率上升了0.12，AUC面積上升了0.079；Adaboost召回率上升了0.08，準(zhǔn)確率上升了0.102，AUC面積上升了0.075；SVM召回率上升了0.14，準(zhǔn)確率上升了0.064，AUC面積上升了0.088?？梢酝茢喑?，引入道路因素之后，模型的準(zhǔn)確率和召回率以及ROC曲線下面積均有上升。

2）事故發(fā)生概率預(yù)測(cè)。將對(duì)車(chē)輛發(fā)生事故的概率進(jìn)行預(yù)測(cè)，以實(shí)施不同的管控措施。

圖14 車(chē)間距變化圖Fig.14 Change in distance between vehicles

圖15 事故概率預(yù)測(cè)Fig.15 Collision probability prediction

圖14是本文挑選的一個(gè)異常片段的車(chē)間距的變化圖，圖15是相應(yīng)的事故概率預(yù)測(cè)圖，結(jié)合2幅圖能夠看出，一方面，隨著本車(chē)與前車(chē)距離的拉近，3種模型表現(xiàn)出不同的預(yù)測(cè)效果?？梢园l(fā)現(xiàn)，在行車(chē)距離較遠(yuǎn)的情況下，Adaboost對(duì)危險(xiǎn)的感知能力較差，其概率在0.5附近波動(dòng)，而KNN和SVM則能準(zhǔn)確識(shí)別出安全狀態(tài)；在行車(chē)距離急劇拉進(jìn)時(shí)，同樣的，KNN和SVM能夠快速精準(zhǔn)的識(shí)別出危險(xiǎn)場(chǎng)景；在恢復(fù)到安全行車(chē)距離后，KNN和SVM性能仍優(yōu)于Adaboost。最后，由于本文的異常片段均是近碰撞，所以SVM預(yù)測(cè)結(jié)果更加平滑和真實(shí)。最終可以確定，SVM在異常檢測(cè)方面具有優(yōu)良的性能。

4 結(jié)束語(yǔ)

對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛進(jìn)行實(shí)時(shí)、可靠的跟蹤與預(yù)警可以有效降低和避免事故的發(fā)生。傳統(tǒng)跟蹤方法在可靠性、實(shí)時(shí)性存在一定的問(wèn)題，且預(yù)警模型中未充分考慮實(shí)時(shí)道路、天氣等因素。本文將邊緣計(jì)算引入危險(xiǎn)品運(yùn)輸車(chē)輛的跟蹤預(yù)警。一方面，邊緣計(jì)算的低延遲、低帶寬使得交管部門(mén)能夠更加有效的實(shí)時(shí)跟蹤和監(jiān)控車(chē)輛，也解決了衛(wèi)星定位系統(tǒng)在特殊地形下沒(méi)有信號(hào)或信號(hào)差的問(wèn)題；另一方面，本文通過(guò)將道路波動(dòng)參數(shù)和車(chē)輛動(dòng)力學(xué)進(jìn)行融合改進(jìn)異常預(yù)警的模型。實(shí)驗(yàn)表明本文提出的模型在實(shí)時(shí)性、可靠性和精度方面優(yōu)于傳統(tǒng)模型，對(duì)保障危險(xiǎn)品運(yùn)輸車(chē)輛安全具有潛在的應(yīng)用價(jià)值。下一步，計(jì)劃在長(zhǎng)安大學(xué)“車(chē)聯(lián)網(wǎng)與智能汽車(chē)試驗(yàn)場(chǎng)”對(duì)多節(jié)點(diǎn)協(xié)作跟蹤與異常預(yù)警算法的有效性方面開(kāi)展進(jìn)一步的實(shí)車(chē)驗(yàn)證工作。