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

技术特征：
1.一种基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，包含以下步骤：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；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；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；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。2.根据权利要求1所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，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：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。表1 v2v通信中产生的数据类型3.根据权利要求2所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，所述按规则清洗数据，包括：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；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；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；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；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；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。4.根据权利要求1所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，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：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。表2路段5min内平均车速等级划分表2路段5min内平均车速等级划分5.根据权利要求4所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，所述采用瞬时速度作为评价道路拥堵情况的指标，包括：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；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；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。6.根据权利要求1所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，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：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。7.根据权利要求6所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，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：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：间隔中车辆经度和纬度的变化率：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；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；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；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。8.根据权利要求1所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，所述模糊c值聚类算法具体包括：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：u＝[u
ij
]
m
×
n
ꢀꢀꢀꢀ
(3)样本对各聚类中心的隶属度应满足：定义fcm算法的目标函数为：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：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：
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：式中，k为迭代步数，ε为误差阈值；迭代结束，得到最终的隶属度矩阵u和聚类中心矩阵c。9.根据权利要求8所述的基于v2v通信的物流车辆前方道路实时路况的预测方法，其特征在于，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：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；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；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；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；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：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
；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
：：10.一种基于v2v通信的物流车辆前方道路实时路况的预测系统，其特征在于，包括：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；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；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；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；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。

技术总结
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，该方法包括，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。本发明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。预测道路拥堵情况。预测道路拥堵情况。


技术研发人员：刘源 侯军兴 李学府 安晓东 刘元朋
受保护的技术使用者：郑州航空工业管理学院
技术研发日：2021.05.24
技术公布日：2021/9/3