基于车联网的空地协同交通管理系统及方法

本发明属于车联网技术领域，尤其涉及一种空地协同的交通管理系统及方法。

背景技术：

物联网的快速发展给现有交通系统带来了变革性的变化，它将现有的车载自组网(vehicularad-hocnetworks，vanet)进行了革命性的转变，使得vanet的所有实体都相互连接以实现高效的数据交换和交互，形成了新的车联网(internetofvehicle，iov)概念，车联网(iov)的出现改变了传统交通运输系统的范式，提高了车辆的智能，存储，通信和学习能力。它不仅将移动设备与车辆连接起来，而且还将使车辆彼此之间以及智慧城市和智能家居相互连接，提高了出行效率并改变了人们的生活方式。

此外，无人机(unmannedaerialvehicle，uav)作为一种新兴的空域设备，已经在军事、公共和民用应用中得到了广泛的应用。无人机具有机动性和灵活性的优势，可以利用其独特的高空视角，为车联网提供良好的通信环境以及数据收集条件。无人机与普通道路交通监控技术相比，无人机非常灵活，快速，并且在偏远地区也具有部署成本低的优点。此外，安全状况也会影响道路交通管理。当发生地震等自然灾害时，地面道路监控系统很容易陷入瘫痪，此时无人机就可以利用其高机动性和快速部署能力管理地面交通。所以，鉴于无人机具有机动性，低成本和宽广的视野等优点，无人机辅助的车联网应用正成为道路交通监控的有吸引力的解决方案。

技术实现要素：

本发明的目的是针对现有的以道路摄像头和交警为核心的交通道路管理系统中存在的缺陷，为了更好的代替人工，实现更加智能的无人交通管理系统，提供一种基于车联网的空地协同交通管理系统及方法。

为达到上述目的，本发明采用如下的技术方案：

一种空地协同交通管理系统，包括信息采集模块、车辆状态分类模块、车辆节点模块、通信网络模块、车辆状态评估模块、反馈模块；所述信息采集模块、车辆状态分类模块和车辆节点模块分别与通信网络模块连接，所述通信网络模块连接车辆状态评估模块，所述反馈模块分别连接车辆状态评估模块和车辆节点模块连接。

优选地，信息采集模块，用于采集路面车况信息以及车辆行驶信息，信息采集的主体是无人机；车辆状态分类模块，用于通过分析车辆行驶状态特征，对车辆状态提出相应的分类依据及分类方法；车辆节点模块，指装载在车辆上的用于发送车辆信息和接收反馈信息；通信网络模块，用于连接车辆、无人机和基站节点，通信方式包括无人机对车辆通信(uav-to-vehicle，u2v)，无人机对无人机通信(uav-to-uav，u2u)，无人机对基站通信(uav-to-basestation，u2b)；车辆状态评估模块，用于通过神经网络算法处理空地网络所接收到的信息，并对车辆当前所属状态进行评估分类；反馈模块，用于对当前车辆所属状态向车辆节点做出应答。

优选地，所述车辆状态分类模块将车辆状态划分直行和超车两种，进而对危险车距和危险超车两种行为规定标准。

优选地，所述通信网络模块的主体是无人机，且无人机既承担采集信息的能力，又充当通信中继的角色。

一种基于车联网的空地协同交通管理方法，采用上述系统进行操作，操作步骤如下：

s100.通过信息采集模块，采集路面车况信息以及车辆行驶信息；

s200.通过车辆状态分类模块，分析车辆行驶状态特征，并对车辆当前的行驶状态分类；

s300.通过车辆节点模块，发送车辆的行驶信息，同时接收由终端反馈回来的信息；

s400.通过通信网络模块，协调车辆、无人机和基站之间的通信，并选择相应的通信方式；

s500.通过车辆状态评估模块，对接收到的数据信息进行处理，并对当前车辆的行驶状态进行评估；

s600.通过反馈模块，对车辆行驶状态评估结果做出应答，并反馈至车辆节点模块。

优选地，所述步骤s200的具体步骤为：

s210.对车辆的行驶状态进行划分；

s220.对划分好的车辆行驶状态类型规定判定依据。

优选地，所述步骤s500的具体步骤为：

s510.初始化神经网络，同时设置各层神经层之间的连接权值、阈值等网络基本参数初始值；

s520.计算数据输出，根据输入的训练样本分别计算出隐含层和输出层的输出数据；

s530.计算误差，根据总输出误差计算公式计算出输出误差；

s540.权值阈值更新，根据权值阈值更新规则各层的神经元连接权值和阈值进行修改；

s550.训练结束判断，对比输出误差和期望误差，若满足期望误差条件，则停止训练，否则返回步骤s520继续进行训练，直到满足误差为止。

与现有技术相比，本发明具有如下突出的实质性特点和显著优点：

1.本发明将道路交通管理与车联网结合起来，能够更加准确的得到车辆的行驶信息，并能及时作出险情通报及行驶行为规范；

2.本发明引入了无人机来参与道路交通管理，利用无人机独特的高空视角可以及时发现险情和异常车况信息；

3.本发明利用人工智能的方法，对车辆行驶状态进行实时判别，并能及时作出应对和反馈。

附图说明

图1为本发明中空地协同交通管理系统的示意图。

图2为本发明中空地协同交通管理方法的示意图。

图3为图2中步骤s200的具体流程图。

图4为车辆超车示意图。

图5为图2中步骤s500的具体流程图。

具体实施方法

下面结合附图和优选实施例对本发明做进一步的说明。

实施例一

参见图1，一种基于车联网的空地交通管理系统，包括信息采集模块100、车辆状态分类模块200、车辆节点模块300、通信网络模块400、车辆状态评估模块500和反馈模块600；所述信息采集模块100、车辆状态分类模块200和车辆节点模块300分别与通信网络模块400连接，所述通信网络模块400与车辆状态评估模块500连接，所述反馈模块600分别与车辆节点模块300和车辆状态评估模块500连接。

本实施例针对现有的以道路摄像头和交警为核心的交通道路管理系统中存在的缺陷，为了更好的代替人工，实现更加智能的无人交通管理系统，提出了基于车联网的空地交通管理系统，能够更加准确的得到车辆的行驶信息，并能及时作出险情通报及行驶行为规范。

实施例二

本实施例与实施例一基本相同，特别之处在于：

所述信息采集模块100，用于采集路面车况信息以及车辆行驶信息；所述车辆状态分类模块200，用于通过分析车辆行驶状态特征，对车辆状态提出相应的分类依据及分类方法；所述车辆节点模块300，用于发送车辆信息和接收反馈信息；所述通信网络模块400，用于连接车辆、无人机和基站节点，通信方式包括无人机对车辆通信u2v，无人机对无人机通信u2u，无人机对基站通信u2b；所述车辆状态评估模块500，用于通过神经网络算法处理空地网络所接收到的信息，并对车辆当前所属状态进行评估分类；所述反馈模块600，用于对当前车辆所属状态向车辆节点做出应答。

所述车辆状态分类模块200将车辆状态划分直行和超车两种，进而对危险车距和危险超车两种行为规定标准。

所述通信网络模块400的主体是无人机，且无人机既承担采集信息的能力，又充当通信中继的角色。

本实施例信息采集模块100用于采集路面车况信息以及车辆行驶信息，信息采集的主体是无人机。无人机均匀部署在路面上方，对交通状况进行监视，并对车距、车辆行驶状态等信息进行采集，并将采集数据传输路径送回基站。

本实施例将道路交通管理与车联网结合起来，能够更加准确的得到车辆的行驶信息，并能及时作出险情通报及行驶行为规范；本实施例引入了无人机来参与道路交通管理，利用无人机独特的高空视角可以及时发现险情和异常车况信息。

实施例三

本实施例与上述实施例基本相同，特别之处在于：

一种基于车联网的空地协同交通管理方法，采用根据上述实施例基于车联网的空地交通管理系统进行操作，操作步骤如下：

s100.通过信息采集模块100，采集路面车况信息以及车辆行驶信息；

s200.通过车辆状态分类模块200，分析车辆行驶状态特征，并对车辆当前的行驶状态分类；具体步骤为：

s210.对车辆的行驶状态进行划分；

s220.对划分好的车辆行驶状态类型规定判定标准；

s300.通过车辆节点模块300，发送车辆的行驶信息，同时接收由终端反馈回来的信息；

s400.通过通信网络模块400，协调车辆、无人机和基站之间的通信，并选择相应的通信方式；

s500.通过车辆状态评估模块500，对接收到的数据信息进行处理，并对当前车辆的行驶状态进行评估；具体步骤为：

s510.初始化神经网络，同时设置各层神经层之间的连接权值、阈值等网络基本参数初始值；

s520.计算数据输出，根据输入的训练样本分别计算出隐含层和输出层的输出数据；

s530.计算误差，根据总误差计算公式计算出输出误差；

s540.权值阈值更新，根据权值阈值更新规则对各层的神经元连接权值和阈值进行修改；

s550.训练结束判断，对比输出误差和期望误差，若满足期望误差条件，则停止训练，否则返回步骤s520继续进行训练，直到满足误差为止；

s600.通过反馈模块600，对车辆行驶状态评估结果做出相应的应对，并反馈至车辆节点模块300。

本实施例基于车联网的空地协同交通方法，根据车况信息及车辆行驶信息提出异常车距及异常超车状态判定标准；车辆行驶状态评估模块利用预先训练好的神经网络，对收集到的交通信息进行处理，得出当前车辆行驶状态，并通过反馈模块反馈至车辆节点，使其做出相应的行为调整。

实施例四

本实施例与上述实施例基本相同，特别之处在于：

本实施例车辆状态分类模块200用于通过分析车辆行驶状态特征，对车辆状态提出相应的分类依据及分类方法。

车辆节点模块300，指装载在车辆上的，用于发送车辆信息和接收反馈信息。其可以通过车载(onboardunit，obu)将车辆行驶的基本信息如车辆行驶速度、车辆加速度等信息上传至无人机，无人机再作为传输通道，将信息传至基站运算。同时，车辆节点模块300接收由终端发来的车辆行驶状态反馈信息，当车辆有异常行为如超速、危险超车、车距过小时，终端会对车辆发出警告和提醒，以使车辆保持正常的行驶状态。

通信网络模块400用于连接车辆、无人机、基站节点，并采取一定的策略进行通信，通信方式包括无人机对车辆通信(u2v)，无人机对无人机通信(u2u)，无人机对基站通信(u2b)。根据三种通信方式的损耗和传输速率大小，选取合适的通信方式通讯。下面是三种通讯方式的损耗计算：

设无人机集合车辆集合基站集合同时，设在第i个时隙，无人机与车辆通信的无人机集合为无人机与基站通信的无人机集合为无人机与无人机通信的无人机集合为显然有

情形1.无人机与基站通讯

在第i个时隙，无人机uavm和基站k之间的路径损失为：

plavg，m，k(ti)＝plos，m，k(ti)×pllos，m，k(ti)+pnlos，m，k(ti)×plnlos，m，k(ti)

其中，pllos，m，k(ti)和plnlos，m，k(ti)分别为传输路径为视距传输(line-of-sight，los)和非视距传输(nonline-of-sight，nlos)的损耗，满足以下式子：

pllos，m，k(ti)＝lfs，m，k(ti)+20log(dm，k(ti))+ηlos

plnlos，m，k(ti)＝lfs，m，k(ti)+20log(dm，k(ti))+ηnlos

lfs，m，k(ti)为自由路径损失，满足条件f为系统的载波频率，ηlos和ηnlos分别为由于los和nlos连接而导致的附加衰减因子。

plos，m，k(ti)和pnlos，m，k(ti)分别为传输路径为los和nlos连接的概率，满足条件pnlos，m，k(ti)＝1-plos，m，k(ti)，且plos，m，k(ti)跟环境和连接角度有关，可以表示为：

其中，a和b为环境系数，在郊外、密集度不同的市区都有所不同。θm，k(ti)为无人机的天线与基站连接之间的角度。因此，基站从无人机处接受到信号的平均功率为：其中pu为无人机uavm的发射功率。

当无人机向基站传输信号时，考虑到存在无人机与无人机传输干扰即u2u传输干扰，和其他无人机向基站传输干扰即u2b传输干扰，总干扰由如下公式表示为：

进而，可以得出基站得到的信号与干扰加信噪比为：

那么根据香农定律，基站k从uavm处所接受的数据传输速率为：

rm，k(ti)＝ωm，klog2(1+γm，k(ti))

其中，ωm，k表示uavm和基站k之间分配的频谱带宽，σ²是具有零均值的加性高斯白噪声。

情形2.无人机与车辆通讯

考虑无人机uavm与车辆n之间通信为视距传播即考虑为los模型，同情形1可得，无人机uavm与车辆n之间的数据传输速率为：

其中，iu2v(ti)为其他无人机产生的干扰，η0是与参考距离相关的信道功率增益，则是路径损耗指数，且满足为无人机uavm与车辆n之间的信道增益。

情形3.无人机与无人机通讯

考虑到无人机之间相互通信时，会受到其他无人机的干扰，于是，将无人机uavm1和无人机uavm2之间的数据传输速率表示为：

其中，为uavm2从uavm1接收到的信号功率，iu2u(ti)为其他无人机产生的干扰。

车辆状态评估模块500通过神经网络算法处理空地网络所接收到的信息，并对车辆当前所属状态进行评估分类。

而反馈模块600，用于对当前车辆所属状态向车辆节点做出应答，当车辆处于违章状态时，对车辆进行适当的警告和处罚，当车辆处于危险状态时，提醒车辆做出行为调整。

实施例五

本实施例与上述实施例基本相同，特别之处如下：

进一步，结合图3，步骤s200有如下步骤：

s210.对车辆的行驶状态进行划分，这里对道路行驶上的车辆分为直行和超车两种状态。

s220.对划分好的车辆行驶状态类型规定判定标准。

对于直行车辆，考虑车辆是否保持了安全车距。按照交规，安全车距需保证后方车辆制动后，与前方车辆间隔有一定的距离，则安全车距表示为：

d＝ds+de-df

其中，ds表示本车的行驶距离(m)，de表示车辆行驶误差距离(m)，df表示前车的行驶距离(m)。考虑刹车过程分为驾驶人反应过程、驾驶人调整过程、车辆制动响应过程，车辆制动增力过程和车辆制动持续过程。

驾驶人反应、调整和车辆制动过程较短暂，车辆可看做匀速行驶，行车速度v恒定不变则此阶段内的车辆行驶距离为：

ddr+dda+dcr＝vtdr+vtda+vtcr

其中tdr驾驶员的反应时间，tda为驾驶人调整时间，tcr为车辆制动响应时间，v为车辆的行驶速度。

车辆制动增力过程较短暂，制动减速度也呈直线增长，车辆作变减速运动，假设制动减速度为一个定值amax(设定为正)，则在该阶段tci时间段内，车辆的行驶距离为：

车辆制动持续过程中制动减速度amax恒定不变，车辆为匀减速行驶，在该阶段内，车辆的行驶距离为：

式中，vci表示车辆在充分发出制动减速度时，所能达到的行驶速度(km/h)，vt指目标车辆的行驶速度(km/h)。

于是可得出安全车距为：

其中，vs为本车的行驶速度(km/h)，vf为前车的行驶速度(km/h)，as为本车能够充分发出的制动减速度(m/s²)，af为前车充分发出的制动减速度(m/s²)。

对于超车车辆，如图4双车道超车情形所示。在超车前，车辆a与相邻车道c车辆之间存在最小安全超车距离，记为ssafe，也被称为超车视距。按照交规，ssafe可表示为：

ssafe＝sa+sc+dc+lc

其中sa表示a车行驶距离，sc表示c车行驶距离，dc表示超车结束时a车与c车纵向距离，lc表示c车车身长度。当两车速度差值较大时，车辆a不需变速即可打开左转灯，向左变道超越前车b，之后再返回原车道即可。但当a、b两车速度相近时，a车需要提速行驶，并变更临车道，之后超越b车。所以将超车过程分为两种情形。

情形1.匀速超车

在匀速超车时，a、b、c车之间相互运动的关系比较容易，根据运动学定律，可得a车的超车安全视距：

ssafe＝vat+vct+dc+lc

其中，t＝(da+db+la+lb)/(va-vb)。va和vc分别为a、c两车的速度，da为a车超车前与b车的间距，db为a车超车后与b车的间距，la和lb分别为a、b两车的车身长度。

情形2.加速超车

假设a车在加速过程中，行驶时间为t1，行驶距离为s1；匀速过程中，行驶时间为t2，距离为s2。显然，超车过程持续的总时间t为：t＝t1+t2。根据加速度公式，可计算得加速时间t1为：t1＝(va1-va0)/aa，其中va0和va1分别为a车加速前和加速后的速度，aa为a车的加速度。

在超车过程中，车辆a的总驾驶距离sa为：sa＝s1+s2，其中，s1和s2的计算公式可以表示为：

进而，可以计算出车辆b在超车过程中的驾驶距离sb为：

因此，a匀速过程时间

从而，可得到加速超车下的a车的最小安全视距ssafe为：

ssafe＝sa+sc+dc+lc＝(va+vc)t+dc+lc

其中，

在前车车辆速度过高，超车视距过小，超车时间过长时，不能进行超车。即需同时满足以下三个条件，才能进行超车：

其中t为经超车模型计算出的预计超车时间，tmax为超车时间最大限制；sac为超车前a车对c车的视距，ssafe为经超车模型计算出的a、c车之间的最小安全距离；sab为超车前a车与b车的实际跟车距离，da为a车与b车之间的最小安全距离，可由求得。其中，tr为驾驶员反应时间，amax为车辆在路面上的最大制动加速度，dsafe为补偿的车辆安全距离。

进一步，结合图5，步骤s500还包括以下步骤：

s510.初始化神经网络，同时设各层神经层之间的连接权值、阈值等网络基本参数初始值；

s520.计算数据输出，根据输入的训练样本分别计算出隐含层和输出层的输出数据；其中，隐含层的计算函数即激活函数可以用双极s型函数构建，即而输出层的计算函数可以用线性函数构建，即f(x)＝k*x+c。

s530.计算误差，根据下列公式计算出总输出误差：

其中，为期望输出，为实际输出，p为隐含层个数，m为输出层个数。

s540.权值阈值更新，根据下列公式对各层的神经元连接权值和阈值进行修改：

其中，η为学习率。α为动量项系数，且α∈(0，1)，α用于加快学习速度并保持稳定，δwsq为权值变化量，δwsq(n-1)为上一时刻权值。

之后，对神经网络中的所有层，根据权值修正量来修正权值进行新的训练学习。权值更新如下：

wsq(n+1)＝wsq(n)+δwsq

s550.训练结束判断，对比输出误差和期望误差，若满足期望误差条件，则停止训练，否则返回步骤s520继续进行训练，直到满足误差为止。

上述实施例基于车联网的空地协同交通系统包括信息采集模块、车辆状态分类模块、车辆节点模块、通信网络模块、车辆状态评估模块、反馈模块；所述信息采集模块，车辆状态分类模块和车辆节点模块分别与通信网络模块连接，所述通信网络模块连接车辆状态评估模块，所述反馈模块分别连接车辆状态评估模块和车辆节点模块。方法包括根据车况信息及车辆行驶信息提出异常车距及异常超车状态判定标准；车辆行驶状态评估模块利用预先训练好的神经网络，对收集到的交通信息进行处理，得出当前车辆行驶状态，并通过反馈模块反馈至车辆节点，使其做出相应的行为调整。

上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。