隨著城市化和機(jī)動(dòng)化的快速發(fā)展,交通安全越來(lái)越受到人們的關(guān)注。利用車載網(wǎng)絡(luò)系統(tǒng)獲取車載數(shù)據(jù)來(lái)預(yù)測(cè)車輛下一時(shí)刻的車載狀態(tài),對(duì)于提高運(yùn)輸路段的交通安全起著重要作用。文中提出一種基于自回歸滑動(dòng)平均（Auto-Regressice Mo-ving Average,ARMA）模型的兩級(jí)量化自適應(yīng)卡爾曼濾波算法,來(lái)預(yù)測(cè)車輛的行車狀態(tài)（行駛的方向、行駛的車道、車輛的速度和加速度）。首先,開(kāi)發(fā)了一個(gè)車載網(wǎng)絡(luò)系統(tǒng),通過(guò)交換車載單元（On-Board Unit,OBU）和路邊單元（Roadside Unit,RSU）之間的交通數(shù)據(jù)來(lái)獲取車輛數(shù)據(jù);然后,通過(guò)配置在路邊單元的邊緣云服務(wù)器來(lái)預(yù)測(cè)車輛狀態(tài);最后,邊緣服務(wù)器把預(yù)測(cè)到的狀態(tài)信息廣播給其他路邊單元,以便交叉口其他車輛獲取車輛信息。實(shí)驗(yàn)結(jié)果驗(yàn)證了用于預(yù)測(cè)加速度的自回歸移動(dòng)平均模型的有效性。此外,文中還評(píng)估了所提算法的有效性。與其他3種預(yù)測(cè)算法相比,所提算法的速度預(yù)測(cè)精度分別提高了90.62%,89.81%,82.76%,這說(shuō)明該算法在車載網(wǎng)絡(luò)中能有效預(yù)測(cè)車輛狀態(tài)。 

【文章來(lái)源】：計(jì)算機(jī)科學(xué). 2020,47(05)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

車載網(wǎng)絡(luò)系統(tǒng)圖

圖1 車載網(wǎng)絡(luò)系統(tǒng)圖交叉口的每個(gè)方向上都有一個(gè)路邊單元,用(xi,yi)表示RSUi的位置。假設(shè)這4個(gè)RSU獨(dú)立運(yùn)行,并通過(guò)光纖相互通信,以交叉口中心為坐標(biāo)原點(diǎn),用(xk(t),yk(t))表示第k輛車在t時(shí)刻的位置。那么,當(dāng)車輛k以vk(t)的速度移動(dòng)到RSU的射頻區(qū)域時(shí),其OBU將利用DSRC技術(shù)將車輛位置(xk(t),yk(t))和速度vk(t)通知給該RSU并將其轉(zhuǎn)發(fā)到附加的邊緣云服務(wù)器上。在t時(shí)刻,邊緣云服務(wù)器預(yù)測(cè)車輛k的移動(dòng)方向和行駛車道為bk(t)和ck(t),并預(yù)測(cè)下一時(shí)刻車輛k的加速度和行駛速度。最后,邊緣云服務(wù)器通過(guò)光纖將數(shù)據(jù)傳播給其他路邊單元。

由于在某個(gè)時(shí)刻進(jìn)入RSU覆蓋范圍內(nèi)的車輛數(shù)量是隨機(jī)的,本文在不考慮車輛數(shù)量對(duì)數(shù)據(jù)傳輸?shù)挠绊懴?假設(shè)每輛車傳輸至邊緣云服務(wù)器的數(shù)據(jù)都是正確無(wú)誤的。在此,本文評(píng)估了RSU覆蓋范圍內(nèi)有4輛、8輛、12輛、16輛以及20輛車時(shí),QAKF算法對(duì)車輛狀態(tài)預(yù)測(cè)的影響,其平均誤差結(jié)果如圖6所示�？梢钥吹�,不同的車輛數(shù)量對(duì)于所提出的車輛狀態(tài)預(yù)測(cè)算法的性能影響不大。結(jié)束語(yǔ) 本文開(kāi)發(fā)了一種車載網(wǎng)絡(luò)系統(tǒng),通過(guò)交換車載單元和相應(yīng)路邊單元之間的數(shù)據(jù)來(lái)互相獲取車輛數(shù)據(jù)。本文還提出了一種基于自回歸移動(dòng)平均模型的兩級(jí)量化自適應(yīng)卡爾曼濾波算法,用以預(yù)測(cè)車輛狀態(tài)。實(shí)驗(yàn)結(jié)果表明,所提出的車輛狀態(tài)預(yù)測(cè)算法在預(yù)測(cè)精度方面優(yōu)于其他3種預(yù)測(cè)算法。在未來(lái),我們將考慮RSU覆蓋范圍內(nèi)車輛數(shù)量對(duì)數(shù)據(jù)傳輸?shù)挠绊懸约皵?shù)據(jù)丟失對(duì)車輛狀態(tài)預(yù)測(cè)的影響。

【參考文獻(xiàn)】：
期刊論文
[1]RFID環(huán)境下基于自適應(yīng)卡爾曼濾波的高速移動(dòng)車輛速度預(yù)測(cè)[J]. 馮安琪,錢麗萍,黃玉蘋(píng),吳遠(yuǎn).  計(jì)算機(jī)科學(xué). 2019(04)
[2]基于自適應(yīng)Kalman濾波的MEMS陀螺隨機(jī)誤差分析[J]. 王辛望,沈小林,劉新生.  傳感技術(shù)學(xué)報(bào). 2017(11)
[3]結(jié)合運(yùn)動(dòng)方程與卡爾曼濾波的動(dòng)態(tài)目標(biāo)追蹤預(yù)測(cè)算法[J]. 王妍,鄧慶緒,劉賡浩,銀彪.  計(jì)算機(jī)科學(xué). 2015(12)



本文編號(hào)：3599257