一种适用于车载短距离通信网络的交通信号灯时长判断方法与流程

本发明涉及一种适用于车载短距离通信网络的交通信号灯时长判断方法，属于通信与信息领域，尤其是车载通信技术领域。

背景技术：

智能信号灯技术目前广泛应用于大型城市的繁忙的路口，通过地感线圈或者红外等方式检测各个路口的车辆数量，来动态控制各路口信号灯的时长。但是，通过这些方式，需要铺设大量的检测设备，而且检测区域是路口很窄的一个局部范围，影响了信号灯时长判断的效果。

车载短距离通信(Vehicle to X：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-Controller Area Network)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。

V2X中的车载节点配备有GPS或者北斗等设备，车载节点按照设定的时间间隔定期向周围广播本节点的地理位置等信息(称为心跳信息)，同时也接收周围节点发送的心跳信息，从而获得周围车载节点同本车的距离，从而计算出同本车的相对距离信息。

路侧节点是V2X网络中的一种重要设备，设备功能同车载节点相同，但是由于其天线部署位置高，供电不受影响，因此其覆盖范围大，能接收更大范围的车载节点广播的心跳信息。

技术实现要素：

本发明公开了一种适用于车载短距离通信网络的交通信号灯时长判断方法，主要实现方式是车载短距通信系统的路侧节点通过接收周围车辆定期广播的包含车辆位置的心跳信息，从而获得车辆的速度、道路区域内车辆的总数量、红灯状态等候车辆的数量、绿灯状态时车辆通行的速度信息，并通过路侧设备之间的链路获得下一路口的上述信息。然后通过贝叶斯网络模型，在路口的每个方向上，分别将本方向阻塞程度、本路口疏通程度、下一路口阻塞程度作为贝叶斯网络子节点，然后计算该方向红灯时长增加和减少的概率，路侧节点控制信号灯，将路口各个方向红灯时长增加概率最大的方向增加红灯的时长，将红灯时长减少概率最大的方向，减少红灯的时长。

一种适用于车载短距离通信网络的交通信号灯时长判断方法，该方法包括：

车载短距通信系统的路侧节点通过接收周围车辆定期广播的包含车辆位置的心跳信息，从而获得车辆的速度、道路区域内车辆的总数量、红灯状态等候车辆的数量、绿灯状态时车辆通行的速度信息，然后通过贝叶斯网络模型，在路口的每个方向上，计算路口各个方向信号灯红灯时长增加和减少的概率。

优选地，路侧节点计算路口各方向红灯时长增加和减少的概率后，路侧节点控制信号灯，将路口各个方向红灯时长增加概率最大的方向增加红灯的时长，将红灯时长减少概率最大的方向，减少红灯的时长。

优选地，分别将本方向阻塞程度、本路口疏通程度、下一路口阻塞程度作为贝叶斯网络子节点，计算路口各个方向红灯时长增加和减少的概率。

优选地，路侧节点通过链路获得下一个路口路侧节点的数据，作为本路口贝叶斯网络的一个子节点进行判断。

本发明实施例利用V2X网络部署在路口的路侧节点接收的车载节点广播的心跳信息，获得路侧节点覆盖范围内车辆的数量、速度信息，同传统检测方式相比，这种方式可以获得更大范围内的车辆信息，从而使得对信号灯时长的判断更加有效。

附图说明

图1是根据本发明实施方式的主要处理步骤图。

图2是根据本发明实施方式的贝叶斯网络拓扑结构图。

具体实施方式

本实施例实现了一种适用于车载短距离通信网络的交通信号灯时长判断方法，目的是通过车载短距离通信中路侧节点覆盖范围大，相互之间有链路连接的优势，由部署于路口交通信号灯附近的路侧设备，接收路口附近车辆中的V2X车载设备定期广播发送的包含地理位置坐标的消息(以下称为心跳信息)，获得各个路口车辆的车流量、行驶速度、等待时间等信息，以及通过连接相邻路口路侧设备的链路，获得相邻路口的交通信息，然后利用贝叶斯网络模型，综合对路口各个方向的交通信号灯时长进行综合判断，以提高路口的交通效率。

智能信号灯的主要功能是根据路口的车辆和行人情况来动态确定各个路口的信号灯时长。路侧节点通过接收车辆定期广播的心跳信息，可以获得路口周围的车辆情况，包括红灯状态时等待车辆的情况以及绿灯状态时已经通过路口的较大范围内车辆的车速等信息。因此，通过V2X进行交通信号灯的时长判断是多个因素的综合，而且各个因素具有较大的不确定性，例如车流量大、交通拥堵的判定都具有较大的不确定性。

贝叶斯网络模型可以用于表达和分析不确定性和概率性的事件,可以从不完全、不精确或不确定的知识或信息中做出推理,是不确定知识和推理领域中有效的理论模型。交通信号灯时长判断基于多个因素，是一个非常复杂的系统问题，因此使用概率论的方法具有较好的可行性。

在贝叶斯网络模型中，通过可获得的随机变量推断不可获得的随机变量，进行概率推理。贝叶斯网络用二元组BN＝<G,Θ>表述的概率不确定性推理网络，G是节点与离散随机变量{X₁,X₂,...,X_n}一一对应的有向无环图，有向边则表示变量之间由条件概率决定的依赖关系；Θ是描述BN局部条件概率分布参数的集合Θ_xi|yi＝P(x_i|y_i)表示节点X_i在其父节点集Y_i某一取值组合状态y_i下的条件概率分布。BN可通过条件概率量化随机事件之间的因果关系，因此用于交通信号灯的时长判断。

本实施例的实施包括三个部分，流程如图1所示。

第一部分、确立交通信号灯时长判断的贝叶斯网络结构和算法。

1.1、以有向无环图构造贝叶斯网络，其中的节点用于信号灯时长判断的元素对应的变量，有向边代表变量的条件依赖关系。

1.2、本实施例的贝叶斯网络拓扑结构如图2所示。本实施例中的一个方向上交通信号灯时长采用本路口阻塞程度、本路口疏通程度、下一路口阻塞三个特性。父节点(Lt)表示信号灯时长，子节点(Cb)表示本路口阻塞程度，子节点(Cd)表示本路口疏通程度，子节点(Nb)表示下一路口阻塞。子节点(Cb)由二级子节点Vf、Vl作为判断的依据。子节点(Cd)由二级子节点Vv、Vf作为判断的依据。子节点(Nb)由二级子节点Vf、Vl作为判断的依据。

1.3、信号灯时长判断的贝叶斯网络算法。信号灯时长判断采用概率p(Lt|Cb,Cd,Nb)表示，根据贝叶斯公式，

本实施例中，首先根据专家经验确定贝叶斯网络中父节点与子节点之间连线的条件概率后，然后获得3个节点的先验概率，就可以获得信号灯时长判断的后验概率p(Lt|Cb,Cd,Nb)。为简化判断，本实施例选择信号灯红灯时间增加和减少两个事件，分别对应0和1。

第二部分、确立判定各判断元素的贝叶斯网络结构和算法。

2.1、确立本路口阻塞程度(Cb)的贝叶斯网络结构和算法。本实施例中，本路口阻塞程度的判定是根据本路口红灯状态时的车流量Vf和本路口红灯状态时的等待车辆的长度Vl，这两个指标用于判定本路口红灯状态时这条道路车辆的阻塞程度。本路口阻塞程度的概率用p(Cb|Vf,Vl)表示，根据贝叶斯公式，

其中，p(Vf,Vl)＝p(Vf|Vl)p(Vl)，p(Vf,Vl|Cb)＝p(Vf|Vl,Cb)p(Vl|Cb)，上述概率可以从路侧节点收集的数据中获得。

2.2、确立本路口疏通程度(Cd)的贝叶斯网络结构和算法。本实施例中，本路口疏通程度的判定是根据本路口绿灯状态时的车速Vv和本路口绿灯状态时的车流量Vf，这两个指标用于判定绿灯时这条道路车辆的疏通能力。本路口道路疏通能力的概率用p(Cd|Vf,Vv)表示，根据贝叶斯公式，

其中，p(Vf,Vv)＝p(Vf|Vv)p(Vv)，p(Vf,Vv|Cd)＝p(Vf|Vv,Cd)p(Vv|Cd)，上述概率可以从路侧节点收集的数据中获得。

2.3、确立下一路口阻塞(Nb)的贝叶斯网络结构和算法。本实施例中，下一路口阻塞的识别是根据下一个路口红灯状态时的车流量Vf和下一个路口红灯状态时的等待车辆的长度Vl，这两个指标用于判定下一路口红灯状态时这条道路车辆的阻塞程度。下一路口道路阻塞程度的概率用p(Nb|Vf,Vl)表示，根据贝叶斯公式，

其中，p(Vf,Vl)＝p(Vf|Vl)p(Vl)，p(Vf,Vl|Nb)＝p(Vf|Vl,Nb)p(Vl|Nb)，上述概率可以从路侧节点通过链路从下一个路口的路侧节点收集。

第三部分、信号灯时长的判断。

3.1、部署于路口的路侧节点接收路口各个方向车辆节点广播发送的包含车辆地理位置信息的消息，以及信号灯的状态信息；

3.2、路侧节点根据接收到的车辆的位置信息，从而获得车辆的速度、道路区域内车的总数量、红灯状态等候车辆的数量、绿灯状态车辆通行的速度信息；

3.3、路侧节点通过链路，获得下一个路口路侧节点的上述数据；

3.4、路侧节点根据收集到的数据，针对路口的每一个方向，通过式(1)计算信号灯的红灯时长增加或者减少的概率；

3.5、路侧节点根据计算的路口每一个方向的红灯时长增加和减少的概率进行排序，将增加概率最大的方向延长红灯时间，将减少概率最大的方向缩短红灯时间；

3.6、重复步骤3.1至3.5，并将上次计算的后验概率p(Lt|Cb,Cd,Nb)作为下一个计算周期的先验概率p(Lt)，使预测能更符合路口当前的实际情况。

优选地，本文中所述的“判断”方法，在实际应用中，还可以用于实现“决策”或“判定”的目的。

以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。