基于V2V通信的物流车辆前方道路实时路况的预测方法及系统与流程

基于v2v通信的物流车辆前方道路实时路况的预测方法及系统
技术领域
1.本发明属于实时路况预测技术领域，具体涉及一种基于v2v通信的物流车辆前方道路实时路况的预测方法及系统。


背景技术：

2.物流作为国家发展的重要经济命脉，利用先进技术提高物流车辆的全面感知能力、智能交互能力，是提升运输效率、节约能源和改善环境的重要途径。当物流车辆进入城市路网时，由于对前方路况缺乏预判，常常遇到道路拥堵问题，频繁的启停不仅会劣化车辆的燃油经济性，而且容易引发交通事故，造成这种现象的原因是由于物流车辆无法感知周围车辆信息，不能形成实时路况判断。
3.对于道路短时间内的路况预测，主要分为基于模型的预测算法和数据驱动的预测算法。基于模型的路况预测代表性算法主要有卡尔曼滤波模型、基于时间序列模型。这类模型在处理动态、非线性数据上存在缺陷。数据驱动的路况预测方法主要是指对非线性数据具有良好处理能力的各种机器学习算法。现有的数据驱动方法，利用道路固定设施和浮动车辆采集的数据可进行较高精度的建模分析，但是样本获取较困难且对样本数量要求较高，在历史数据不足的情况下，模型训练将达不到预期的预测精度，且模型的计算复杂度较高。
4.作为智能交通的重要组成部分，车辆基本能够具备感知周围环境的能力。基于c
‑
v2x(cellular
‑
v2x)技术标准的v2v通信速率已经可以满足实时路况预测的要求。近年来，已发展出了多种利用v2v信息交换预测交通拥堵检测方法，例如：将前车检测到的拥堵信息后向传播的cotec(cooperative traffic congestion detection)，利用车辆行驶速度、车流密度以及交通拥堵评级体系构建模糊控制器预测本地交通拥堵情况的方法。这些算法需要与邻近车辆频繁通信验证预测结果，通信负载较高，通常只在车辆已经检测到拥堵时才触发v2v通信。


技术实现要素：

5.为了解决现有技术中存在的缺陷，本发明的目的是提供一种基于v2v通信的物流车辆前方道路实时路况的预测方法及系统，预测结果能够有效帮助物流车辆及时做出分流、避让等决策，不但可以提高运输的经济性，也可提高运输的安全性。
6.为了实现上述目的，本发明采用以下的技术方案：
7.本发明提供了一种基于v2v通信的物流车辆前方道路实时路况的预测方法，包含以下步骤：
8.根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据；
9.采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准；
10.利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据；
11.利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值；
12.对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。
13.进一步地，所述根据v2v通信的特点，建立广播信息的数据类型列表，包括：
14.物流车辆间通过车载终端设备obu进行相互广播通信，产生的数据类型为车辆基本信息和车辆实时状态信息两大类，具体内容如表1所示。
15.表1 v2v通信中产生的数据类型
[0016][0017]
进一步地，所述按规则清洗数据，包括：
[0018]
物流车辆的车载obu按一定的频率向周围车载obu发送广播消息，并实时接收其他车载obu发送的广播消息，及时解析获取道路实况；
[0019]
对车载obu接收到的异常广播消息的判别和清理，按照以下规则处理；
[0020]
规则1：若车辆id与车载终端id不匹配，则说明数据来源错误，则直接删除该条信息；
[0021]
规则2：若邻近两次数据传输中，发送机状态都为停机状态，则认为该车辆处于非正常行驶状态或停运状态，则直接删除该条信息；
[0022]
规则3：若车辆瞬时车速大于道路规定的车速限值或为负值，则直接删除该条信息；
[0023]
规则4：若邻近两次数据传输中，车辆瞬时车速均为0km/h，但车辆行驶里程变化超过500m，则直接删除该条信息。
[0024]
进一步地，所述采用5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准，包括：
[0025]
通行路段的平均车速是最直接反映拥堵情况的指标，道路的拥堵程度划分为畅通、较畅通、轻度拥堵、中度拥堵和重度拥堵五个等级，物流车辆通行道路多为城市主干道，因此，给出了在城市主干道5min内平均车速等级划分标准，具体内容如表2所示。
[0026]
表2路段5min内平均车速等级划分
[0027][0028]
进一步地，所述采用瞬时速度作为评价道路拥堵情况的指标，包括：
[0029]
瞬时车速虽然不能直接体现道路的拥堵情况，但是该项指标为后续通过车辆给出了通行时车速的参考；
[0030]
若车辆的瞬时车速较高，说明车辆当下的运行状态良好，从侧面反映了道路通行情况良好；
[0031]
若车辆的瞬时车速与路段平均车速较接近，说明在该路段车辆能够以较均匀的车速行驶；
[0032]
若车辆的瞬时车速与路段平均车速相差较大，说明车辆通过该路段时启停操作较频繁，或者遇到突发情况。
[0033]
进一步地，所述利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据，包括：
[0034]
在所有采集到的信息中，应筛选出与车辆即将通过路段紧密相关的数据信息，该数据来自于该车运行前方车辆发出的广播信息，具体是，以该运行车辆车头方向来判断该车的运行方向，过该车gps定位坐标且垂直于运行方向上做一条直线，在车辆前进方向做一条平行该线的直线，两条直线相距300mm，这两条直线之间所框定的范围为车辆前向范围；根据v2v通信的特点，该车能够接收到以该车坐标为圆心，最大通信范围为半径的圆内所有车辆所广播的信息，在这些信息中，只有来自于gps坐标落入两条直线所框定的前向范围内车辆的信息才是有效信息。
[0035]
进一步地，所述利用车头方向和gps坐标变化率筛选出车辆即将同行道路上车辆的广播信息作为分析数据，还包括：
[0036]
在车辆运行前方有十字路口时，根据该车辆直行或转向操作来分情况讨论，具体是，假设第t次发送广播消息时，车辆的经纬度坐标为(p
t
,q
t
)，在经过
△
t时间间隔再次发送车辆经纬度坐标为(p
t 1
,q
t 1
)，则可以计算出两次采样时间间隔中车辆经度和纬度的变化率：
[0037][0038]
[0039]
若|
△
p|>|
△
q|，则说明车辆在东西方向上的位置变化比在南北方向上的位置变化程度更大，总体应判断为东西方向行进，反之，则总体应判断为南北方向行进；
[0040]
按照式(1)和(2)计算出该车和落入前向范围内的所有广播车辆的gps坐标变化率；
[0041]
情况1：当前车辆预计直行时，筛选与该车具有相同坐标变化率车辆所广播的信息作为分析数据；
[0042]
情况2：当前车辆预计转向时，筛选与该车具有相反坐标变化率车辆所广播的信息作为分析数据。
[0043]
进一步地，所述模糊c值聚类算法具体包括：
[0044]
设样本集合x＝{x1,x2,
…
x
n
}中有n个样本，每一个样本都具有k个属性，则每一个具有k个属性的样本x
j
都对应特征空间中的一个点；将样本集合中的所有数据按m个聚类中心c进行划分，其划分的依据为样本x
j
对该聚类中心c
i
的隶属度u
ij
∈[0,1]，从而得到隶属度矩阵：
[0045]
u＝[u
ij
]
m
×
n
ꢀꢀꢀ
(3)
[0046]
样本对各聚类中心的隶属度应满足：
[0047][0048]
定义fcm算法的目标函数为：
[0049][0050]
其中，l∈[1, ∞)为隶属度因子，d
ij
为第j个样本到第i个聚类中心的欧式距离：
[0051][0052]
求解目标函数j最小化的条件，可得到隶属度u
ij
和聚类中心c
i
的迭代更新公式：
[0053][0054][0055]
当第k 1次迭代后，其隶属度小于设定的误差阈值ε时，则认为隶属度已达到较优值，目标函数收敛于局部极值点，迭代停止：
[0056][0057]
式中，k为迭代步数，ε为误差阈值；
[0058]
迭代结束，得到最终的隶属度矩阵u和聚类中心矩阵c。
[0059]
进一步地，所述利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值，包含以下步骤：
[0060]
采用fcm算法构造实时路况计算模型时，由该时段采集的有效数据构成样本集合x，每一个样本都包含车速v
j
和公里数l
j
两种属性，选择3个聚类中心进行划分；
[0061]
在[0,1]区间随机抽取数值构造初始化隶属度矩阵，且满足公式(4)中的约束条件；
[0062]
计算所有采集的车辆运行样本到3个聚类中心c的距离，代入公式(7)和公式(8)更新聚类中心矩阵和隶属度矩阵；
[0063]
若未达到终止迭代的条件，则重复计算公式(7)、(8)，继续更新聚类中心矩阵和隶属度矩阵；直到目标函数收敛于极小值点，迭代终止，此时输出聚类中心矩阵和隶属度矩阵；
[0064]
聚类中心矩阵给出了3个聚类中心的瞬时速度v
i
和公里数l
i
，求出该聚类中心的平均速度为：
[0065][0066]
隶属度矩阵给出了每个数据样本对聚类中心的隶属分类，由此统计出每个聚类中心所聚集的样本数量n
i
；
[0067]
根据各聚类中心的聚类数量引入权重将聚类中心的特征加权后，获得该时段所有车辆通过时的平均速度的估算值以及后续车辆通过时可能的瞬时速度预测值v
s
：
[0068][0069][0070]
本发明还提供了一种基于v2v通信的物流车辆前方道路实时路况的预测系统，包括：
[0071]
数据类型列表构建模块，用于根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据；
[0072]
等级标准划分模块，用于采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准；
[0073]
数据相关性分析模块，用于利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据；
[0074]
模型计算模块，用于利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值；
[0075]
拥堵情况判断模块，用于对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。
[0076]
与现有技术相比，本发明具有以下优点：
[0077]
对于物流车辆而言，同一运营机构所属的物流车辆数量较大，且相互间已具备基本数据交换设备，完全可以利用v2v通信实时预测路况，本发明提出了一种基于v2v通信的物流车辆前方道路实时路况的预测方法，该方法可在不增加通信负载的前提下，通过预测
道路瞬时速度和平均速度快速预测道路拥堵情况；首先，根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据；然后采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准；接着，利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据；最后，利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值，对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。该方法得到的道路预测结果能够有效帮助物流车辆及时做出分流、避让等决策，不但可以提高运输的经济性，也可提高运输的安全性，是一种便捷、有效的实时路况预测方法。
附图说明
[0078]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0079]
图1是本发明实施例的基于v2v通信的物流车辆前方道路实时路况的预测方法的流程图；
[0080]
图2是本发明实施例的与实时路况预测相关数据的筛选示意图；
[0081]
图3是本发明实施例的利用模糊c值聚类算法计算出前方路段的瞬时车速和平均车速的流程图；
[0082]
图4是本发明实施例的fcm算法聚类结果，(a)表示畅通时段的聚类结果，(b)表示拥堵时段的聚类结果。
具体实施方式
[0083]
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0084]
如图1所示，本实施例提出的一种基于v2v通信的物流车辆前方道路实时路况的预测方法，包含以下步骤：
[0085]
步骤s11，根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据；
[0086]
步骤s12，采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准；
[0087]
步骤s13，利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据；
[0088]
步骤s14，利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值；
[0089]
步骤s15，对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。
[0090]
具体的，根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据，包括：
[0091]
v2v通信是通过pc5接口的短程直通式通信方法，这种通信方法具有通信距离短、
延时低、可靠性高的特点，并支持车辆间单播和组播功能，非常适合同一运营机构所属物流车辆间的信息交换及编队行驶需求。
[0092]
物流车辆间通过车载终端设备obu(on board unit)进行相互广播通信，产生的数据类型主要为车辆基本信息和车辆实时状态信息两大类，具体内容如表1所示。
[0093]
表1 v2v通信中产生的数据类型
[0094][0095]
物流车辆的车载obu按一定的频率向周围车载obu发送广播消息，并实时接收其他车载obu发送的广播消息，及时解析获取道路实况。
[0096]
车载obu接收到的广播消息，可能会因为信号传输不稳定、遮挡、操作失误等导致采集数据失效，失效数据将成为后续输入实时路况预测模型的噪声，必须经过清洗处理，才能保证后续分析的准确性。通常，对于异常数据的判别和清理，按照以下规则处理：
[0097]
规则1：若车辆id与车载终端id不匹配，则说明数据来源错误，则直接删除该条信息。
[0098]
规则2：若邻近两次数据传输中，发送机状态都为停机状态，则认为该车辆处于非正常行驶状态或停运状态，则直接删除该条信息。
[0099]
规则3：若车辆瞬时车速大于道路规定的车速限值或为负值，则直接删除该条信息。
[0100]
规则4：若邻近两次数据传输中，车辆瞬时车速均为0km/h，但车辆行驶里程变化超过500m，则直接删除该条信息。
[0101]
经上述规则清洗后的数据，删除了因传输失误产生的错误数据以及车辆发生故障、事故或停运产生的非正常运行数据，其余数据将存储并上传至物流企业的监控管理平台。
[0102]
具体的，采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准，包括：
[0103]
由于对城市道路通行优化的目标不同，既有局部的机动车道调整优化、交叉路况通行效率优化，又有全局的结构调整优化，其对应的道路拥堵情况的评价指标也不尽相同。由于v2v通信距离短，前后车通过相同路段的时间间隔较短，因此，对于路况通行情况的评价指标应采用瞬时指标和短时间内的均值指标。故本文提出用瞬时车速和5min内平均车速来作为评价指标。5min内平均车速可以用时间间隔5分钟的两次采样数据中的行驶里程来
计算。
[0104]
通行路段的平均车速是最直接反映拥堵情况的指标。通常，道路的拥堵程度可划分为畅通、较畅通、轻度拥堵、中度拥堵和重度拥堵五个等级，物流车辆通行道路多为城市主干道，因此，给出了在城市主干道5min内平均车速等级划分标准，具体内容如表2所示。
[0105]
表2路段5min内平均车速等级划分
[0106][0107]
瞬时车速虽然不能直接体现道路的拥堵情况，但是该项指标为后续通过车辆给出了通行时车速的参考。一般来说，若车辆的瞬时车速较高，说明车辆当下的运行状态良好，也从侧面反映了道路通行情况良好；若车辆的瞬时车速与路段平均车速较接近，说明在该路段车辆能够以较均匀的车速行驶；若车辆的瞬时车速与路段平均车速相差较大，说明车辆通过该路段时启停操作较频繁，或者遇到突发情况。
[0108]
具体的，所述利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据，包括：
[0109]
在物流车辆自身构建的v2v通信网络中，每一辆车都是以本车所处地理位置为圆心、通信范围为半径(＜300m)，向周边物流车辆发送和接收广播消息，其信息来源车辆可能处于与该接收信息车辆同向、反向、转弯等位置状态。物流车辆预测道路实况的目的是为了获取该车辆预计前方通行路段的拥堵情况，若发生拥堵，则向车辆告警，帮助车辆做出是否改变运行轨迹的决策。因此，在所有采集到的信息中，应筛选出与车辆准备通过路段紧密相关的数据信息，才能保证预测结果的准确性，满足物流车辆的需求。
[0110]
而与车辆即将通过路段最为相关的数据应来自于该车运行前方车辆发出的广播信息，如图2所示。以该运行车辆车头方向来判断该车的运行方向，过该车gps定位坐标且垂直于运行方向上做一条直线，在车辆前进方向做一条平行该线的直线，两条直线相距300mm，这两条直线之间所框定的范围为车辆前向范围；根据v2v通信的特点，该车能够接收到以该车坐标为圆心，最大通信范围(300m)为半径的圆内所有车辆所广播的信息，在这些信息中，只有来自于gps坐标落入两条直线所框定的前向范围内车辆的信息才是有效信息。
[0111]
通过上述筛选，就得到了与车辆前方道路密切相关的数据，但是，如在车辆运行前方有十字路口，那么，在接收到的前方车辆信息中会包含与车辆运行方向平行和垂直两种类型车辆发送的广播信息，这两类信息分别反馈了十字路口中两条相互垂直道路的通行情况。为了更加准确的预测车辆预计通行道路的实时路况，在十字路口处，应根据该车辆直行
或转向操作来分情况讨论。
[0112]
假设第t次发送广播消息时，车辆的经纬度坐标为(p
t
,q
t
)，在经过
△
t时间间隔再次发送车辆经纬度坐标为(p
t 1
,q
t 1
)，则可以计算出两次采样时间间隔中车辆经度和纬度的变化率：
[0113][0114][0115]
若|
△
p|>|
△
q|，则说明车辆在东西方向上的位置变化比在南北方向上的位置变化程度更大，总体应判断为东西方向行进，反之，则总体应判断为南北方向行进。
[0116]
按照式(1)和(2)计算出该车和落入前向范围内的所有广播车辆的gps坐标变化率。
[0117]
情况1：当前车辆预计直行时(转向灯未亮起)，筛选与该车具有相同坐标变化率车辆所广播的信息作为分析数据。
[0118]
情况2：当前车辆预计转向时(转向灯亮起)，筛选与该车具有相反坐标变化率车辆所广播的信息作为分析数据。
[0119]
模糊c值聚类算法(fuzzy c
‑
means，fcm)，将模糊概念引入硬c均值聚类算法中，实现每个数据对聚类中心的软分类。fcm算法中每个数据点对聚类中心的隶属度在[0,1]范围内可变，以目标函数最小化为目标，循环迭代更新隶属度矩阵和聚类中心，最终实现数据的分类。
[0120]
设样本集合x＝{x1,x2,
…
x
n
}中有n个样本，每一个样本都具有k个属性，则每一个具有k个属性的样本x
j
都对应特征空间中的一个点；将样本集合中的所有数据按m个聚类中心c进行划分，其划分的依据为样本x
j
对该聚类中心c
i
的隶属度u
ij
∈[0,1]，从而得到隶属度矩阵：
[0121]
u＝[u
ij
]
m
×
n
ꢀꢀꢀ
(3)
[0122]
样本对各聚类中心的隶属度应满足：
[0123][0124]
定义fcm算法的目标函数为：
[0125][0126]
其中，l∈[1, ∞)为隶属度因子，d
ij
为第j个样本到第i个聚类中心的欧式距离：
[0127][0128]
求解目标函数j最小化的条件，可得到隶属度u
ij
和聚类中心c
i
的迭代更新公式：
[0129]
[0130][0131]
当第k 1次迭代后，其隶属度不发生较大变化时，即小于设定的误差阈值ε时，则认为隶属度已达到较优值，目标函数收敛于局部极值点，迭代停止：
[0132][0133]
式中，k为迭代步数，ε为误差阈值。
[0134]
迭代结束，得到最终的隶属度矩阵u和聚类中心矩阵c。
[0135]
采用fcm算法构造实时路况计算模型时，其计算基本流程如图3所示，具体包括以下步骤：
[0136]
步骤s21，由该时段采集的有效数据构成样本集合x，每一个样本都包含车速v
j
和公里数l
j
(5min)两种属性。
[0137]
步骤s22，由于v2v通信车辆数量较少，且城市道路中车速变化范围不大(0～80km/h)，因此，选择3个聚类中心进行划分。
[0138]
步骤s23，在[0,1]区间随机抽取数值构造初始化隶属度矩阵，且满足公式(4)中的约束条件。
[0139]
步骤s24，计算所有采集的车辆运行样本到3个聚类中心c的距离，代入公式(7)和公式(8)更新聚类中心矩阵和隶属度矩阵。
[0140]
步骤s25，判断迭代后的隶属度是否小于设定的误差阈值，若否，转步骤s24，重复计算公式(7)、(8)，继续更新聚类中心矩阵和隶属度矩阵，若是，转步骤s26。
[0141]
步骤s26，输出聚类中心矩阵和隶属度矩阵；聚类中心矩阵给出了3个聚类中心的瞬时速度v
i
和公里数l
i
，可以求出该聚类中心的平均速度为：
[0142][0143]
隶属度矩阵给出了每个数据样本对聚类中心的隶属分类，由此统计出每个聚类中心所聚集的样本数量n
i
。
[0144]
步骤s27，聚类中心的速度特征最大程度的代表了聚集在该中心样本的特征，而聚集样本数量最多的聚类中心特征最能体现出该时段所有采集样本的速度特征；但是，仅以最大聚类中心的特征来表征该时段车辆运行的瞬时速度v
s
和平均速度会丢掉其他数据样本所包含的信息，因此，需综合考虑其他聚类中心的特征对该时段车辆运行速度估算的贡献。为此，根据各聚类中心的聚类数量引入权重
[0145]
步骤s28，将聚类中心的特征加权后，获得该时段所有车辆通过时的平均速度的估算值以及后续车辆通过时可能的瞬时速度预测值v
s
：
[0146]
[0147][0148]
步骤s29，对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。
[0149]
下面通过一个具体的实例来验证本发明基于v2v通信的物流车辆前方道路实时路况的预测方法的有效性。
[0150]
本文选择郑州市平安大道3km长路段作为数据采集路段，该测试路段共4个红绿灯路口，工作日7:00～9:00为早高峰，18:00～20:00为晚高峰，道路处于拥堵状态，选择晚高峰时段采集拥堵时段数据；其他时段，道路基本处于畅通状态，畅通时段数据选择上午10:00～11:00为采集时段。
[0151]
畅通时段和拥堵时段分别采集50组数据(包含车辆速度和5分钟行驶公里数两个参数)，即样本个数n1＝n2＝50，聚类中心个数取m＝3，隶属度因子l＝2，误差阈值ε取0.0000001。采用python 3.0编程实现，分别得到畅通时段和拥堵时段的数据聚类结果图，如图4所示。各聚类中心的坐标及该类别数据数量如表3所示。
[0152]
表3各数据采集时段的聚类中心及聚集样本数量
[0153][0154]
图4(a)为畅通时段采集数据的聚类结果。数据共产生了三个聚类中心，分别分布于低速、中速和高速运行区间。聚类中心1为低速运行区间的聚类点，瞬时车速约为0.18km/h，5min通过里程约为3.67km，采集数据中有3个数据点划分到该聚类中心，占比6％。聚类中心2为中速运行区间的聚类点，瞬时车速约为24.2km/h，5min通过里程约为3.53km，采集数据中有14个点划分到该聚类中心，占比28％。聚类中心3为高速运行区间，瞬时车速约为43.1km/h，5min通过里程约为3.62km，采集数据中有33个点被划分到该聚类中心，占比66％。聚类结果表明，该时段采集的数据更倾向于聚类中心3所体现的特征。根据各聚类中心所划分数据占比对最终路况计算模型权重赋值。由此，获得该路段在该时刻的瞬时车速为35.2km/h，5min中通过里程为3.6km，则车辆在该路段短时间的平均车速约为43.2km/h。
[0155]
根据路段平均行程速度等级划分，该路段短时间的平均车速>35km/h，应属于畅通，这与采集数据时的实际路况相符。该路段瞬时车速的计算结果为35.2km/h，瞬时车速也高于35km/h，说明物流车辆在该时段将大概率以较高车速行驶。但是，瞬时车速与平均车速相差较大，这是由于采集数据路段包含十字路口，车辆在路口遇红灯停运以及红灯前后时段的运行车速较缓慢，导致车辆瞬时车速计算结果低于5min内平均车速计算值。
[0156]
图4(b)为拥堵时段采集数据的聚类结果。数据共产生了三个聚类中心。聚类中心1的瞬时车速约为0.7km/h，5min通过里程小于0.45公里，采集数据中有11个数据点划分到该聚类中心，占比22％。聚类中心2的瞬时车速约为10km/h，5min通过里程小于0.38km，采集数据中有23个点划分到该聚类中心，占比46％。聚类中心3的瞬时车速约为20.7km/h，5min通
过里程小于0.79km，采集数据中有16个点被划分到该聚类中心，占比32％。聚类结果表明，该时段采集的数据更倾向于聚类中心2所体现的特征。计算可得该路段在该时刻的瞬时车速为11.4km/h，5min中通过里程为0.5km，车辆在该路段短时间的平均车速约为6.2km/h。
[0157]
根据路段平均行程速度等级划分，该路段短时间的平均车速≤15km/h，应属于重度拥堵，这与采集数据时的实际路况相符。该路段瞬时车速的计算结果为11.4km/h，也低于15km/h，说明物流车辆在该时段将大概率以低速运行。计算得到的瞬时车速高于平均车速，这是由于道路拥堵时车辆处于频繁启停状态，通常车辆起步速度高于10km/h，而车辆拥堵停运时长过长将导致计算周期内的平均车速降低，因此，车辆瞬时车速计算结果高于5min内平均车速计算值。
[0158]
与上述基于v2v通信的物流车辆前方道路实时路况的预测方法相应地，本实施例还提出了一种基于v2v通信的物流车辆前方道路实时路况的预测系统，包括：
[0159]
数据类型列表构建模块，用于根据v2v通信的特点，建立广播信息的数据类型列表，并按规则清洗数据；
[0160]
等级标准划分模块，用于采用瞬时速度和5min内平均速度作为评价道路拥堵情况的指标，并给出道路拥堵情况等级划分标准；
[0161]
数据相关性分析模块，用于利用车头方向和gps坐标变化率筛选出车辆即将通行道路上车辆的广播信息作为分析数据；
[0162]
模型计算模块，用于利用模糊c值聚类算法对样本聚类，将所有聚类中心坐标进行加权，得到该路段车瞬时速度和平均速度值；
[0163]
拥堵情况判断模块，用于对照道路拥堵情况等级划分标准确定前方道路的实时拥堵情况。
[0164]
通过实例分析证明本发明可在不增加通信负载的前提下，快速准确预测道路拥堵情况。
[0165]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0166]
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。