基于群智感知技術(shù)的智慧交通狀態(tài)判斷

摘 要：交通供需矛盾是交通管理中的重要問(wèn)題之一，而運(yùn)用人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)解決這一問(wèn)題已成為研究熱點(diǎn)。基于物聯(lián)網(wǎng)技術(shù)中傳感技術(shù)的研究，針對(duì)傳統(tǒng)智慧交通中的數(shù)據(jù)采集問(wèn)題，提出將群智感知技術(shù)應(yīng)用于智慧交通的數(shù)據(jù)采集階段，實(shí)現(xiàn)道路交通數(shù)據(jù)的實(shí)時(shí)采集，降低了部署和維護(hù)成本的同時(shí)，提高了覆蓋率和交通狀態(tài)判斷準(zhǔn)確度。通過(guò)引入改進(jìn)的基于遺傳算法的模糊C均值聚類算法來(lái)分析采集到的源數(shù)據(jù)，根據(jù)聚類結(jié)果對(duì)交通狀態(tài)進(jìn)行預(yù)判，并將結(jié)果反饋給用戶，可以為用戶行車路線的選擇提供依據(jù)，同時(shí)達(dá)到緩解或者避免交通擁堵的目的。結(jié)合算法原理，給出了算法模型和運(yùn)行流程，并完整地介紹了基于群智感知技術(shù)的智慧交通狀態(tài)判斷系統(tǒng)的實(shí)現(xiàn)方法。

關(guān)鍵詞：智慧交通；群智感知；遺傳算法；模糊C均值；物聯(lián)網(wǎng)；傳感技術(shù)

中圖分類號(hào)：TP39；U491.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）05-0-03

0 引 言

近年來(lái)，隨著城市道路機(jī)動(dòng)車數(shù)量大幅增長(zhǎng)，出現(xiàn)了交通擁堵、環(huán)境污染、經(jīng)濟(jì)效益降低等諸多問(wèn)題，因此越來(lái)越多的學(xué)者開始研究智慧交通，以解決上述問(wèn)題，其中物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)、5G等技術(shù)助力了智慧交通的實(shí)現(xiàn)。在智慧交通系統(tǒng)中，交通供需問(wèn)題已成為一個(gè)研究熱點(diǎn)，而對(duì)交通狀態(tài)的判斷則是解決問(wèn)題的關(guān)鍵[1-3]。

智慧交通通過(guò)采集實(shí)時(shí)交通信息來(lái)判斷路況，并將判斷結(jié)果反饋給用戶，給用戶提供路線選擇的依據(jù)。其中需要采集的信息包括車速、經(jīng)緯度位置、采集時(shí)間等。固定式采集、浮動(dòng)車技術(shù)和移動(dòng)感知技術(shù)是目前智慧交通常用的信息采集方式[4]。固定式采集主要包括地感線圈、紅外檢測(cè)、視頻采集、固定傳感器采集等[5]。該方法是當(dāng)前運(yùn)用比較廣泛和成熟的數(shù)據(jù)采集方法，但需要在道路上部署大量的固定設(shè)備，部署和維護(hù)設(shè)備成本高、容易受環(huán)境影響，且覆蓋范圍有限，導(dǎo)致交通信息采集不完整。浮動(dòng)車技術(shù)通過(guò)在出租車和公交車上安裝的GPS采集交通數(shù)據(jù)，包括車輛位置、車速和行駛方向等，并通過(guò)車內(nèi)的無(wú)線通信設(shè)備將采集到的數(shù)據(jù)傳遞給后臺(tái)數(shù)據(jù)處理中心，后臺(tái)完成數(shù)據(jù)的分析，并判斷交通狀態(tài)。該方法只采集到了城市主要干路的交通信息，數(shù)據(jù)采集范圍仍然有限。移動(dòng)感知技術(shù)使更多的智能手機(jī)用戶參與到信息的采集，智能手機(jī)安裝有各種傳感器和GPS，可以采集到交通信息，并通過(guò)無(wú)線通信功能，將信息傳遞給后臺(tái)服務(wù)器，完成數(shù)據(jù)分析和交通狀態(tài)的判斷。這也是我們通常所說(shuō)的“眾包”思想[6]，該方法無(wú)需安裝其他硬件設(shè)備，降低了部署和維護(hù)成本，同時(shí)靈活度高、覆蓋面廣。

基于以上研究，本文結(jié)合浮動(dòng)車技術(shù)和移動(dòng)感知技術(shù)，提出將群智感知技術(shù)應(yīng)用于智慧交通中的信息采集階段，運(yùn)用“眾包”的思想，讓普通用戶參與到信息采集階段，有意或無(wú)意識(shí)地完成交通數(shù)據(jù)的采集，包括時(shí)間、經(jīng)緯度和速度，進(jìn)而運(yùn)用大數(shù)據(jù)技術(shù)對(duì)源數(shù)據(jù)中的錯(cuò)誤、冗余、缺失數(shù)據(jù)進(jìn)行初始化處理；之后引用改進(jìn)的基于遺傳算法的模糊C均值聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類分析，根據(jù)聚類結(jié)果判斷交通是否擁堵。深入研究了群智感知技術(shù)、遺傳算法和模糊C均值聚類算法原理，將其分別應(yīng)用到智慧交通中交通信息的采集、數(shù)據(jù)的處理和交通狀態(tài)的判斷等環(huán)節(jié)，梳理了一套完整的智慧交通狀態(tài)判斷系統(tǒng)的實(shí)現(xiàn)原理。

1 群智感知技術(shù)

群智感知又稱“眾包感知”，即運(yùn)用“眾包”的思想，將用戶的智能終端作為數(shù)據(jù)采集的工具，如智能手機(jī)、平板電腦等[7]。通過(guò)智能設(shè)備上的各類傳感器采集信息，并運(yùn)用其無(wú)線通信功能將信息傳遞給后臺(tái)服務(wù)器，服務(wù)器運(yùn)用數(shù)據(jù)分析和挖掘技術(shù)處理數(shù)據(jù)，分析出潛在的價(jià)值，并將有用信息反饋給用戶，依此為用戶提供服務(wù)。群智感知模型如圖1所示。

群智感知模型的核心是用戶，其中社會(huì)活動(dòng)受用戶的影響和控制。智能終端用于采集社會(huì)活動(dòng)的數(shù)據(jù)，并將簡(jiǎn)單信息反饋給用戶，或直接將數(shù)據(jù)交付給數(shù)據(jù)中心。數(shù)據(jù)中心可以接收到多個(gè)用戶終端提交上來(lái)的數(shù)據(jù)，并依此進(jìn)行更深層的分析和挖掘，再將分析結(jié)果反饋給用戶，這種反饋為高級(jí)反饋。該分析結(jié)果同樣可以直接指導(dǎo)社會(huì)活動(dòng)。若將該模型用于智慧交通，社會(huì)活動(dòng)是用戶駕車出行，數(shù)據(jù)中心的功能即通過(guò)收集到的多用戶的全方位交通數(shù)據(jù)，分析當(dāng)前道路交通的運(yùn)行狀態(tài)。將分析結(jié)果反饋給用戶后，用戶可以依此選擇行駛路線。同時(shí)，有關(guān)部門可以運(yùn)用該分析結(jié)果直接指導(dǎo)社會(huì)活動(dòng)，進(jìn)而降低部分路段的擁堵程度。

2 基于群智感知技術(shù)的交通狀態(tài)判斷

傳統(tǒng)智慧交通中數(shù)據(jù)的采集采用固定式設(shè)備，如地感線圈、攝像頭等。但該方法的采集區(qū)域有限，采集到的數(shù)據(jù)也不完整，導(dǎo)致交通判斷不準(zhǔn)確；并且，固定設(shè)備的部署成本高，因故障等原因?qū)е潞笃诘木S修成本較高，且會(huì)消耗大量的人力。因此本文提出將群智感知技術(shù)應(yīng)用于交通，讓駕駛私家車的用戶參與到數(shù)據(jù)采集中。私家車數(shù)量多且行駛時(shí)間和路線隨機(jī)，遍布城市各個(gè)地段，這就解決了傳統(tǒng)采集方式的覆蓋不完整問(wèn)題。同時(shí)，該方法靈活度高、成本低，用戶可以無(wú)意識(shí)協(xié)作，不會(huì)對(duì)用戶構(gòu)成負(fù)擔(dān)。

在基于群智感知技術(shù)進(jìn)行交通狀態(tài)判斷過(guò)程中，交通的參與者運(yùn)用隨身攜帶的智能手機(jī)的感知功能實(shí)現(xiàn)時(shí)間、經(jīng)緯度、行駛記錄和速度等數(shù)據(jù)的采集，并將采集到的數(shù)據(jù)傳遞到后臺(tái)服務(wù)器，服務(wù)器進(jìn)行數(shù)據(jù)的處理和分析。隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，5G技術(shù)已趨于成熟，提高了無(wú)線網(wǎng)絡(luò)傳輸數(shù)據(jù)的可靠性和準(zhǔn)確度。但數(shù)據(jù)傳輸過(guò)程中依然存在信號(hào)漂移、失真、冗余、錯(cuò)誤、缺失等問(wèn)題，易導(dǎo)致數(shù)據(jù)分析結(jié)果與實(shí)際不符，因此需要先對(duì)源數(shù)據(jù)進(jìn)行初始化處理，主要包括將冗余、無(wú)效、錯(cuò)誤數(shù)據(jù)刪除和按規(guī)則剔除等操作。

數(shù)據(jù)經(jīng)過(guò)預(yù)處理后，得到較完整且準(zhǔn)確的數(shù)據(jù)集，下一步需要運(yùn)用相關(guān)算法實(shí)現(xiàn)交通狀態(tài)的判斷。聚類算法為交通狀態(tài)判斷的常用算法之一，如K均值和模糊C均值（FCM）聚類算法。 由于交通狀態(tài)的判斷具有模糊性和不確定性，因此常采用FCM算法進(jìn)行交通狀態(tài)的判斷。FCM算法以獲取到的時(shí)間、位置、速度為參數(shù)進(jìn)行交通狀態(tài)的聚類分析[8]。但FCM算法運(yùn)行前需要先給出初始聚類中心，對(duì)初始聚類中心的敏感度高，初始聚類中心的設(shè)置直接影響判斷結(jié)果的準(zhǔn)確度，因此很容易使算法陷入局部最優(yōu)解，導(dǎo)致結(jié)果與實(shí)際不符。因此本文引入遺傳算法（GA），提出基于遺傳算法的模糊C均值聚類算法（GA-FCM）判斷交通狀態(tài)。運(yùn)用遺傳算法的全局尋優(yōu)能力先確定初始聚類中心，再將該聚類中心作為FCM算法的初始聚類中心，進(jìn)行聚類分析，這樣可以解決局部最優(yōu)解的問(wèn)題，從而達(dá)到準(zhǔn)確判斷交通狀態(tài)的目的。

遺傳算法（GA）借鑒生物優(yōu)勝略汰的進(jìn)化規(guī)律設(shè)計(jì)了一套隨機(jī)搜索算法。該算法模擬生物進(jìn)化過(guò)程中的交配、變異、基因突變等現(xiàn)象實(shí)現(xiàn)全局尋優(yōu)，從任意的初始種群中選出更適應(yīng)環(huán)境的個(gè)體，通過(guò)一代一代的繁衍進(jìn)化，使得搜索空間越來(lái)越優(yōu)化，最后選擇出一群最適應(yīng)生存環(huán)境的個(gè)體。因此遺傳算法是一種較好的智能優(yōu)化算法，算法簡(jiǎn)單、收斂快，具有較強(qiáng)的魯棒性，因此被廣泛應(yīng)用于各個(gè)領(lǐng)域[9]。

（1）FCM算法描述

FCM算法以最小化目標(biāo)函數(shù)為目的，求解每個(gè)樣本的隸屬度，并用隸屬度判斷樣本屬于每個(gè)聚類中心的程度。設(shè)樣本數(shù)據(jù)集為X={x1， x2， ...， xn}，聚類中心集合為A={a1， a2， ...， ac}，目標(biāo)函數(shù)為：

（1）

式中：，0≤uijm≤1，i=1， 2， ...， c，j=1， 2， ...， n，uijm為隸屬度，表示樣本xj屬于聚類中心ai的概率；dij表示xj與聚類中心ai的歐氏距離，dij=d（xj-ai）=||xj-ai||；m為模糊系數(shù)，取值范圍一般為[1.5，2.5]，本文中m=2。uij的計(jì)算公式如下：

（2）

聚類中心的計(jì)算公式如下：

（3）

采用FCM聚類算法的目的是得到最優(yōu)的組合（U，A），方法是以最小化目標(biāo)函數(shù)為迭代方向，反復(fù)求解聚類中心和隸屬度矩陣。

（2）GA-FCM算法判斷交通狀態(tài)

由于FCM算法對(duì)初始聚類中心敏感度高，初始中心設(shè)置的優(yōu)劣直接影響聚類結(jié)果的準(zhǔn)確度，且容易使算法陷入局部最優(yōu)解，因此文章引入遺傳算法（GA），提出基于遺傳算法的模糊C均值聚類算法（GA-FCM）。運(yùn)用遺傳算法所具備的全局尋優(yōu)能力，計(jì)算出初始聚類中心，以該初始聚類中心作為FCM算法的輸入，完成聚類分析。其中運(yùn)用了遺傳算法的實(shí)數(shù)編碼方式，將聚類中心編碼為染色體。遺傳算法運(yùn)行包括編碼、選擇、交叉、變異。具體實(shí)現(xiàn)如下：

（1）編碼：用實(shí)數(shù)編碼方式編碼c個(gè)聚類中心形成染色體，每個(gè)聚類中心的特征值有d個(gè)，則編碼長(zhǎng)度為c×d，染色體的編碼可表示為：

p11 p12...p1d p21 p22...p2d...pc1 pc2...pcd

（2）選擇：根據(jù)個(gè)體的適應(yīng)度進(jìn)行選擇。一般適應(yīng)度越高越容易被選中，而FCM算法要求最小目標(biāo)函數(shù)，因此可以將適應(yīng)度函數(shù)定義為。采用輪盤賭選擇法，首先計(jì)算總的種群適應(yīng)度值，那么每個(gè)個(gè)體被選中的概率為，計(jì)算累計(jì)概率（前i個(gè)個(gè)體的適應(yīng)度之和）。假設(shè)r是一個(gè)滿足正態(tài)分布的隨機(jī)數(shù)，若滿足rlt;q1，則選擇第一個(gè)個(gè)體，否則存在k，滿足qk-1lt;rlt;qk，則選擇第k個(gè)個(gè)體，旋轉(zhuǎn)N-1次，即可得到N個(gè)個(gè)體作為父代。

（3）交叉（優(yōu)中選優(yōu)）：父代隨機(jī)兩兩相配。方法是隨機(jī)選擇一個(gè)交叉點(diǎn)，將兩個(gè)父代對(duì)應(yīng)位置上的編碼串相互交換，由此得到新的個(gè)體。該方法為單點(diǎn)交叉法。

（4）變異：通過(guò)前期交叉操作選擇出一個(gè)最優(yōu)并記錄，其余個(gè)體參與變異算子，通過(guò)變異使種群向著好的方向進(jìn)行。

設(shè)置迭代次數(shù)，并重復(fù)上述操作，選出c個(gè)聚類中心，將此作為FCM的初始聚類中心，代入FCM算法進(jìn)行模糊聚類。

目前我國(guó)采用的城市道路交通狀態(tài)劃分方法將交通狀態(tài)劃分為四個(gè)等級(jí)，因此將聚類中心個(gè)數(shù)設(shè)置為4，即c=4。交通狀態(tài)劃分等級(jí)見表1所列。

從采集到的數(shù)據(jù)中選擇采集時(shí)間、經(jīng)緯度和速度作為數(shù)據(jù)樣本的特征值，即d=3。GA-FCM算法判斷交通狀態(tài)的流程如圖2所示。

運(yùn)用數(shù)據(jù)挖掘技術(shù)初始化采集到的源數(shù)據(jù)，將冗余、無(wú)效、錯(cuò)誤數(shù)據(jù)刪除或按規(guī)則剔除。運(yùn)用遺傳算法的實(shí)數(shù)編碼方式進(jìn)行特征編碼，生成4個(gè)染色體作為初始聚類中心，運(yùn)行FCM算法計(jì)算目標(biāo)函數(shù)J，將J代入公式計(jì)算適應(yīng)度函數(shù)，利用適應(yīng)度函數(shù)評(píng)價(jià)當(dāng)代種群并找到最優(yōu)解，算法迭代4次，計(jì)算出的4個(gè)結(jié)果作為FCM算法的初始聚類中心輸入，運(yùn)用公式（2）和（3）反復(fù)計(jì)算，進(jìn)而更新隸屬度矩陣U，用隸屬度矩陣U進(jìn)行模糊聚類，將聚類結(jié)果與表1中的4種交通狀態(tài)進(jìn)行對(duì)比，從而得到判斷

結(jié)果。

3 基于群智感知的智慧交通狀態(tài)判斷系統(tǒng)實(shí)現(xiàn)步驟

基于上述理論，將基于群智感知技術(shù)的交通狀態(tài)判斷系統(tǒng)的實(shí)現(xiàn)步驟總結(jié)如下：

Step1：用戶打開手機(jī)GPS、傳感器采集數(shù)據(jù)；

Step2：通過(guò)無(wú)線網(wǎng)絡(luò)將數(shù)據(jù)傳遞給后臺(tái)服務(wù)中心；

Step3：后臺(tái)服務(wù)器收集智能手機(jī)傳遞過(guò)來(lái)的數(shù)據(jù)，并對(duì)錯(cuò)誤、缺失、冗余數(shù)據(jù)進(jìn)行初始化處理；

Step4：?jiǎn)⒂肎A-FCM算法，對(duì)數(shù)據(jù)進(jìn)行分類處理，并判斷交通狀態(tài)；

Step5：將交通狀態(tài)判斷結(jié)果反饋給用戶。

在Step5中需要注意的是，給用戶反饋的道路信息為以用戶為圓心、2 km為半徑的圓形區(qū)域內(nèi)的交通狀態(tài)[10]。研究表明，2 km范圍內(nèi)的路段為該用戶可能經(jīng)過(guò)的路段，這樣可以減少數(shù)據(jù)的推送量，避免給用戶推送過(guò)多的無(wú)用信息，讓用戶有更好的體驗(yàn)。

4 結(jié) 語(yǔ)

文章針對(duì)傳統(tǒng)智慧交通的數(shù)據(jù)采集方法中存在的覆蓋率低、部署和維護(hù)成本高等問(wèn)題，引入群智感知技術(shù)，提出基于群智感知技術(shù)的智慧交通，可以采集到更全面的交通實(shí)時(shí)數(shù)據(jù)，同時(shí)降低了采集設(shè)備的部署和維護(hù)成本。運(yùn)用基于遺傳算法的FCM算法對(duì)采集到的數(shù)據(jù)進(jìn)行聚類分析，根據(jù)聚類結(jié)果，結(jié)合交通狀態(tài)劃分等級(jí)表，實(shí)現(xiàn)交通狀態(tài)的判斷。與傳統(tǒng)智慧交通相比，引入群智感知技術(shù)和GA-FCM算法的智慧交通，在提高了交通道路數(shù)據(jù)采集覆蓋率的同時(shí)，還提高了交通狀態(tài)判斷結(jié)果的準(zhǔn)確度。

參考文獻(xiàn)

[1]高美蓉.智能交通管理系統(tǒng)的研究與設(shè)計(jì)[J].電子設(shè)計(jì)工程，2018，26（9）：119-122.

[2]劉魯寧.面向車聯(lián)網(wǎng)的群智感知關(guān)鍵技術(shù)研究[D].北京：北京郵電大學(xué)，2024.

[3]范桂云.面向智慧出行的群智車輛感知覆蓋方法與應(yīng)用[D].上海：上海交通大學(xué)，2023.

[4]劉唐，彭艦.基于物聯(lián)網(wǎng)的智能交通流探測(cè)技術(shù)研究[J].計(jì)算機(jī)科學(xué)，2011，38（9）：67-70.

[5]葉卿.信號(hào)控制交叉口交通擁堵狀態(tài)識(shí)別方法研究[D].廣州：華南理工大學(xué)，2015.

[6]周輝宇，李瑞敏，黃安強(qiáng)，等.基于時(shí)空關(guān)聯(lián)規(guī)則挖掘的城市交通擁堵傳導(dǎo)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2022，42（8）：2210-2224.

[7]張建宗，陶丹.移動(dòng)群智感知下的交通流速缺失數(shù)據(jù)恢復(fù)算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2021，42（2）：225-230.

[8]李明東，王璐，秦子雁.基于改進(jìn)FCM算法的道路交通狀態(tài)識(shí)別[J].交通節(jié)能與環(huán)保，2020，16（80）：42-45.

[9]王崢.基于GA-FCM和SVM的城市快速路交通狀態(tài)判別方法研究[J].科學(xué)技術(shù)創(chuàng)新，2020，24（10）：34-36.

[10]張易豐.基于群智感知的智能交通系統(tǒng)的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2018.

作者簡(jiǎn)介：汪紅梅（1989—），女，甘肅蘭州人，碩士，講師，研究方向?yàn)槲锫?lián)網(wǎng)。

收稿日期：2023-05-08 修回日期：2023-06-05

基金項(xiàng)目：2022年甘肅省高等學(xué)校創(chuàng)新基金項(xiàng)目“基于邊緣計(jì)算和區(qū)塊鏈的移動(dòng)群智感知技術(shù)在智慧交通中的應(yīng)用研究”（2022A-293）