本发明涉及车联网技术领域,尤其涉及基于车联网通信的路况报警系统及报警方法。
背景技术:
随着社会的不断发展,经济地不断进步,车辆保有量越来越多。与此同时,开车出行的便利致使越来越多的人选择自驾出行,这对交通造成了较大的压力。
而现有技术中,在交通压力较为严重时,特别是出现交通事故时,交警如若不能第一时间到达现场指挥交通,则会致使交通压力更为严重,因此如若能够及时提醒交警有交。
车联网(internetofvehicles)是由车辆位置、速度和路线等信息构成的巨大交互网络。通过gps、rfid、传感器、摄像头图像处理等装置,车辆可以完成自身环境和状态信息的采集;通过互联网技术,所有的车辆可以将自身的各种信息传输汇聚到中央处理器;通过计算机技术,这些大量车辆的信息可以被分析和处理,从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。
技术实现要素:
本发明为解决目前的技术不足之处,提供了基于车联网通信的路况报警系统,其能通过车辆及道路设施实时采集道路信息,及时了解监测路段的路况信息。
本发明还提供了基于车联网通信的路况报警方法,能够实时评估监测路段的路况,及时做出报警及相应的措施。
本发明提供的技术方案为:基于车联网通信的路况报警系统,包括:
gps定位系统,其设置于车辆上,用于监测车辆位置;
车速传感器,其设置在车辆轮毂处,用于监测车速;
摄像头,其设置在监测路段,用于采集路面图片。
优选的是,还包括:
数据采集与存储模块,其设置在车辆处,与所述gps定位系统、所述车速传感器,用于采集数据并存储、发送数据
感知模块,其采集所述数据采集与存储模块发送的车辆的位置信息及所述摄像头采集的车辆所处位置的环境图像;
通信模块,其接收所述感知模块采集的信息,并发送信息;
服务器,其接收所述通信模块发送的信息,并处理分析信息,生成报警信号;
终端显示屏,其接收并显示所述服务器的报警信号;
报警系统,其接收所述服务器发送的报警信号。
优选的是,还包括:
接收器,其设置在车辆处,用于接收所述服务器发送的信息;
显示器,其设置在车辆仪表盘处,用于显示路况信息。
优选的是,
所述服务器将所述环境图像及车辆运行数据进行综合处理,并与预设的拥堵预警图片及数据进行匹配,生成报警指令。
基于车联网通信的路况报警方法,包括以下步骤:
步骤1、按照采样周期,采集待监测路段的车辆总数n、平均车速
步骤2、依次将上述参数进行规格化,确定三层bp神经网络的输入层神经元向量x={x1,x2,x3,x4,x5},其中,x1为待监测路段的车辆总数系数,x2为待监测路段的平均车速系数,x3为待监测路段的平均车距系数,x4为待监测路段的车流量系数,x5为待监测路段的车道负荷指数系数;
步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4};其中o1为一级报警等级,o2为二级报警等级,o3为三级报警等级,o4为四级报警等级;所述输出层神经元值为
步骤5、服务器根据输出的报警等级判断,终端显示屏显示报警状态;其中,所述一级报警等级为安全状态,对待监测道路无需做出调控措施,所述二级报警等级为预警状态,对待监道路做出密切检控,所述三级报警等级为拥堵状态,对待监测道路做出紧急预警和疏通措施,所述四级报警等级为严重拥堵状态,对待监测道路做出分流疏通措施。
优选的是,
路段的车道负荷指数ξ的计算方法:
式中,b为待监测路段的道路宽度,l′为待监测路段的道路长度,τ为车道数,a为车辆的平均宽度,v为监测路段的最高限速。
优选的是,
所述隐层节点个数m满足:
优选的是,
将待监测路段的车辆总数n、平均车速
其中,xj为输入层向量中的参数,xj分别为测量参数n、
,j=1,2,3,4,5;xjmax和xjmin分别为相应测量参数中的最大值和最小值。
优选的是,
所述隐层及所述输出层的激励函数均采用s型函数fj(x)=1/(1+e-x)。
优选的是,
所述步骤5中,当输出层神经元向量为o3或o4时,服务器向汽车的接收器发送报警信息,提醒车辆前方路况。
本发明所述的有益效果:本发明提供了基于车联网通信的路况报警系统,其能通过车辆及道路设施实时采集道路信息,及时了解监测路段的路况信息。本发明还提供了基于车联网通信的路况报警方法,能够实时评估监测路段的路况,及时做出报警及相应的疏通及管制措施,并能够及时提示车辆,使驾驶员能够了解前方路况,及时做出变道准备或路线的重新规划,节省时间。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了基于车联网通信的路况报警系统,包括车辆上安装的gps定位系统和车速传感器,gps定位系统设置于车辆上,用于监测车辆位置;车速传感器设置在车辆轮毂处,用于监测车速。为了方便车辆数据的采集、储存和传输,在车辆上设置有数据采集与存储模块。数据采集与存储模块与所述gps定位系统、所述车速传感器连接,用于采集数据(车辆位置及车速等信息)并存储、发送数据。在监测路段设置有摄像头,用于采集路面图片。感知模块用于采集所述数据采集与存储模块发送的车辆的信息及摄像头采集车辆所处位置的环境图像。通信模块接收所述感知模块采集的信息,并发送出信息。
在交通指挥中心的终端设置服务器、终端显示屏和报警系统。服务器接收所述通信模块发送的信息,并处理分析信息,生成报警信号;终端显示屏接收并显示所述服务器的报警信号;报警系统接收所述服务器发送的报警信号。
所述服务器根据预设的神经网络模型对监测路段的车辆信息(车辆位置、车速等信息)及对应的环境图像处理以得到每个位置对应的交通情况(监测路段的车辆总数n,平均车速
本发明还提供了基于车联网通信的路况报警方法,包括以下步骤:
bp模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为s型函数,即fj(x)=1/(1+e-x)。
本发明采用的bp网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)t
中间层向量:y=(y1,y2,...,ym)t
输出向量:o=(o1,o2,...,op)t
本发明中,输入层节点数为n=5,输出层节点数为p=4,隐藏层节点数m由下式估算得出:
输入层5个参数分别表示为:x1为待监测路段的车辆总数系数,x2为待监测路段的平均车速系数,x3为待监测路段的平均车距系数,x4为待监测路段的车流量系数,x5为监测路段的车道负荷指数系数。
由于获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
归一化的公式为
具体而言,对于待监测路段的车辆总数n,进行规格化后,得到监测路段的车辆总数系数x1:
其中,nmax和nmin分别为监测路段的车辆总数最大值和最小值。
同样的,对于待监测路段的平均车速
其中,
对于待监测路段的车流量q,进行规格化后,得到监测路段的车流量q系数x3:
其中,qmax和qmin分别为监测路段的最大车流量和最小车流量。
对于待监测路段的平均车距s,进行规格化后,得到监测路段的平均车距系数x3:
其中,smax和smin分别为监测路段的最大平均车距和最小平均车距。
对于监测路段的车流量q,进行规格化后,得到监测路段的车流量系数x4:
其中,qmax和qmin分别为监测路段的最大车流量和最小车流量。
对于待监测路段的车道负荷指数ξ,进行规格化后,得到监测路段车道负荷指数系数x5:
其中,ξmax和ξmin分别为监测路段的最大车道负荷指数和最小车道负荷指数。
路段的车道负荷指数ξ的计算方法:
式中,b为被监测路段的道路宽度,l′为监测路段的道路长度,τ为车道数,a为车辆的平均宽度,v为监测路段的最高限速。
车辆的平均宽度可以由车辆的数据采集与存储模块发送至服务器后计算得到,或者有服务器在处理图像时测量求得。
输出4个参数分别为:o1为一级报警等级,o2为二级报警等级,o3为三级报警等级,o4为四级报警等级;所述输出层神经元值为
步骤2、进行bp神经网络的训练。
建立好bp神经网络节点模型后,即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
bp网络采用误差反向传播(backwardpropagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=l),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
bp算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
δω=(jtj+μi)-1jte
其中j为误差对权值微分的雅可比(jacobian)矩阵,i为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
步骤3、服务器根据输出的报警等级判断,终端显示屏显示报警状态;其中,所述一级报警等级为安全状态,对待监测道路无需做出调控措施,所述二级报警等级为预警状态,对待监道路做出密切检控,所述三级报警等级为拥堵状态,对待监测道路做出紧急预警和疏通措施,所述四级报警等级为严重拥堵状态,对待监测道路做出分流疏通或红绿灯管制等措施。
当输出层神经元向量为o3或o4时,服务器向汽车的接收器发送报警信息,提醒车辆前方路况。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。