一种车联网环境下的交通传感器网络的布设方法与流程

1.本发明涉及智能交通技术领域，特别是涉及一种车联网环境下的交通传感器网络的布设方法。


背景技术：

2.随着机动车保有量与日俱增，汽车一方面解决了人们出行的问题，但也带来了诸多问题，包括但不限于交通拥堵、交通事故、空气污染、噪声污染等。在城市交通网络中，每辆汽车都是孤立个体，没能形成统一的管理体系，这不仅成为了许多事故的来源，也为交通管理造成了许多不便之处。
3.车联网是汽车、电子通信、互联网等多个领域交融的结合体，是未来交通管理系统的核心组成部分，也是5g垂直应用最具前景的实用性技术之一，能有效缓解交通堵塞、减少交通事故发生率、实现高度自动驾驶。路侧单元是车联网背景下一种重要的基础交通设施，能以一定的覆盖半径与处于其范围内的所有智能网联汽车进行通信，但考虑到目前的城市交通网络往往是智能网联汽车和人工驾驶汽车的混合车流，因此仍然考虑采用普通交通传感器。
4.相比于专利“一种快速路网交通传感网络的优化布设方法”采用普通的交通传感器来布设网络，此方法面向车联网环境，考虑综合使用路侧单元和普通交通传感器来布设城市交通网络，普通交通传感器能检测普通汽车和智能网联汽车，但只能检测某一路段，路侧单元只能检测智能网联汽车，但可以与一定范围内的所有智能网联汽车通信，不受限于路段。除此之外，此方法考虑了不同路段车流量的随机性，并借助大量的历史数据来消除不确定性为布局优化带来的影响。
5.随着车联网标准的改革创新，美国先后在26个洲开展v2x技术试点实验，并且同时推进蜂窝车联网技术(c-v2x)，借助路侧单元和普通交通传感器的混合使用，可以大大减少资金投入，同时适配于国内现有的交通流状况，为未来车联网环境的搭建提供理论支撑和参考。


技术实现要素：

6.本发明的目的是为了克服现有技术中的不足，提供一种车联网环境下的交通传感器网络的布设方法，借助蜂窝v2x通信技术的支持，在城市交通网络的某些节点布置路侧单元以及在某些路段布置普通交通传感器，不同路段车流量的不确定性参考历史车流数据，解决车联网背景下城市交通网络的交通传感器布设问题，降低交通基础设施的投入成本，为城市交通网络的车流状态估计提供了基础性保障，进而为车联网环境构建方案的制定提供依据。
7.本发明的目的是通过以下技术方案实现的：
8.一种车联网环境下的交通传感器网络的布设方法，包括如下步骤：
9.s1.在网格平面中构建城市交通网络平面图，并参考不同路段的历史车流量数据，
以及城市交通网络中涉及的所有od流；网格平面的网格大小根据实际需求进行调整；od流指城市交通网络中车流路径的起点和终点；
10.s2.通过交通网络中各路段的信息及不同情况下的车流量，构建两阶段随机规划模型并求解；两阶段随机规划模型包括一阶段模型和二阶段模型，一阶段模型用于进行路侧单元和交通传感器的布局选址，二阶段模型用于对一阶段模型中的路侧单元和交通传感器布局在不同情况下的收益进行测算；
11.s3.采用遗传算法，且根据两阶段随机规划模型，构造一个新的整数规划模型并求解，得到最优选址方案。
12.进一步的，车联网环境指的是车端、路端、行人端、云端之间形成的通信网络，路侧单元借助蜂窝v2x通信技术与智能网联汽车之间进行数据的传输，借助v2v通信，路侧单元能够获得其通信范围之内的智能网联汽车的历史轨迹。
13.进一步的，所述的两阶段随机规划模型是以安装路侧单元和交通传感器的成本-识别不同路径带来的收益最小为目标，目标函数的表达式为：
[0014][0015]
其中，i
×
j表示二维网格平面，l表示城市交通网络中路段的集合，cr表示路侧单元的单位成本，cs表示交通传感器的单位成本，x(i,j)为0-1变量，表示是否在网格节点(i,j)安装一个路侧单元，h
l
为0-1变量，表示是否在路段l上安装普通交通传感器，q(x,ω)为二阶段目标函数，ω表示情景集合ω中的一种情况，集合ω能够通过同一区域在不同历史时期的数据进行设置。
[0016]
进一步的，所述的一阶段模型的约束条件包括：路段被识别的前提是路侧单元已被安装、路段要处于路侧单元的覆盖范围之内才会被识别、路段在对应的区域内被路侧单元识别、路段被若干个路侧单元识别。
[0017]
进一步的，所述的一阶段模型的约束条件为：
[0018][0019][0020][0021]
τ
(i
′
，j
′
)
＝δ
(i
′
，j
′
)
∩δ
(i
′
，j
′
1)
∩δ
(i
′
1，j
′
)
∩δ
(i
′
1，j
′
1)
[0022][0023][0024]
τ
(i
′
，j
′
)
＝δ
(i
′
，j
′
)
∩δ
(i
′
，j
′
1)
∩δ
(i
′
1，j
′
)
∩δ
(i
′
1，j
′
1)
[0025]
其中，f
(i，j)，l
为0-1变量，表示路段l是否处于安装在网格节点(i，j)上的路侧单元
的覆盖范围之内；x(i，j)为0-1变量，表示是否在网格节点(i，j)安装一个路侧单元；i
×
j表示二维网格平面；d
l
为0-1变量，表示路段l是否处于路侧单元的覆盖范围之内；ξ
(i，j)，l
为0-1参数，表示路段l是否处于方格区域(i，j)中，其中方格区域(i，j)表示二维网格平面中网格节点(i，j)，(i 1，j)，(i，j 1)，(i 1，j 1)所构成的矩形区域；b
(i，j)，l
为0-1变量，表示部分路段l是否处于方格区域(i，j)且处于路侧单元rsu覆盖范围内；τ
(i
′
，j
′
)
表示能够覆盖方格区域(i
′
，j
′
)的所有可能的路侧单元选址范围，表现为四个网格节点处路侧单元覆盖范围的交集；δ
(i
′
，j
′
)
表示以网格节点(i
′
，j
′
)为圆心，路侧单元覆盖能力为半径，所包含的所有区域；m为一极大值。
[0026]
进一步的，所述二阶段模型的目标函数是以安装的交通传感器所识别的车流量信息最大为目标，并通过添加负号将二阶段模型转变为最小化问题，目标函数的表达式为：
[0027][0028]
其中，λ表示成本与车流量之间的比例参数；p表示城市交通网络中所有路径的集合，其中一个od流有若干条路径，一条路径能够由若干条路段组成；为0-1变量，表示在情况ω下，路径p是否被交通传感器识别；为0-1变量，表示在情况ω下，路径p是否被路侧单元识别；π
p
表示智能网联汽车的市场渗透率，u
p
(ω)表示在情况ω下，路径p的车流量。
[0029]
进一步的，所述的二阶段模型的约束条件包括：交通传感器识别道路的约束条件、路侧单元识别道路的约束条件、路径只能被一种方式识别的约束条件。
[0030]
进一步的，所述的二阶段模型的约束条件为：
[0031][0032][0033][0034]
其中，h
l
为0-1变量，表示是否在路段l上安装普通交通传感器；σ
l,p,p
′
为0-1参数，表示路段l是否只属于路径p或路径p’其中的一者；为0-1变量，表示在情况ω下，路径p是否被普通交通传感器识别；p表示城市交通网络中所有路径的集合；ω表示所有情景的集合；d
l
为0-1变量，表示路段l是否处于路侧单元的覆盖范围之内；μ
l,p,p
′
为0-1参数，表示路段l是否同时属于路径p和路径p’，但两者在路段l之前存在至少一条非公有的路段；为0-1变量，表示在情况ω下，路径p是否被路侧单元识别。
[0035]
进一步的，两阶段随机规划模型的目标函数为最小化路侧单元和交通传感器的成本加上二阶段模型目标函数值对情景ω的期望，遗传算法中的适应度函数设置为两阶段随机规划模型最优值的负数。
[0036]
进一步的，根据种群中个体的适应度函数值进行从小到大的排序，计算个体被选择的概率：
[0037][0038]
其中，q表示个体的排名，适应度越高的个体排名越高；n表示种群中染色体的总数；p表示具有最高适应度的个体被选择的概率。
[0039]
与现有技术相比，本发明的技术方案所带来的有益效果是：
[0040]
1.本发明采用两阶段随机规划模型，应用于车流量不确定的交通传感器网络布局规划，既满足了安装成本与识别到的车流量之间的平衡，又借助历史数据消除了车流量不确定对决策产生的影响。
[0041]
2.本发明将交通传感器布局规划方式放置于二维网格平面，网格的大小可以根据需求进行调整，能够适用于不同的城市交通网络。
[0042]
3.采用路侧单元和普通交通传感器的混合方案，既符合国内人工驾驶汽车与智能网联汽车混合出行的交通状况，又可以根据实际的比例情况对参数进行调整，从而动态地做出决策。
[0043]
4.采用了遗传算法结合整数规划的方式，一方面借助遗传算法快速迭代选址方案，解决了含整数变量的两阶段随机规划求解困难的问题，另一方面固定选址方案后采用商业求解器求解整数规划，避免了完全采用遗传算法导致解的质量较差。
[0044]
5.遗传算法中，个体的选择概率根据适应度的排名进行计算，避免了直接采用适应度值导致选择概率过于接近，优良个体容易丢失的问题。
[0045]
6.本发明面向国内正处于发展期的车联网环境构建，对车联网下新型的交通网络布局建设提供可靠的参考与理论支撑。
[0046]
7.本发明方法旨在借助蜂窝v2x通信技术的支持，在城市交通网络的某些节点布置路侧单元以及在某些路段布置普通的交通传感器，不同路段车流量的不确定性参考历史车流数据，而城市交通网络中的车流信息参数可以随着车联网的发展以及智能网联汽车的普及而进行调整。本方法解决了车联网背景下城市交通网络的考虑路段车流量不确定性的交通传感器布设问题，并借助适配v2x通信的路侧单元，优化了交通网络布设，降低了交通基础设施的投入成本，为城市交通网络的车流状态估计提供了基础性保障，进而为车联网环境构建方案的制定提供依据。
附图说明
[0047]
图1是本发明实施例的流程示意图。
[0048]
图2是本发明实施例关于方格区域定义的示意图。
[0049]
图3是本发明实施例关于τ
(i',j')
定义的示意图。
[0050]
图4是本发明实施例的算法流程图。
[0051]
图5是本发明实施例的关于sioux-falls network的平面示意图。
[0052]
图6是本发明实施例的关于sioux-falls network上od流需求的示意图。
[0053]
图7是本发明实施例的关于sioux-falls network上的布局选址方案1。
[0054]
图8是本发明实施例的关于sioux-falls network上的布局选址方案2。
具体实施方式
[0055]
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0056]
本实施例以sioux-falls-network为例进行说明。
[0057]
如图1所示，本实施例提供了一种车联网环境下的交通传感器网络的布设方法，该方法包括下列步骤：
[0058]
s1.在网格平面中构建城市交通网络平面图，并参考不同路段的历史车流量数据，以及路网交通中涉及的所有od流。网格平面的网格大小可根据实际需求进行调整，网格越小，路侧单元的通讯范围越准确；od流：指城市交通网络中车流路径的起点和终点。
[0059]
s2.通过交通网络中各路段的信息及不同情况下的车流量，构建两阶段随机规划模型并求解。该模型分为一阶段模型和二阶段模型，一阶段模型旨在进行路侧单元和普通交通传感器的布局选址，二阶段模型旨在对一阶段模型的交通传感器布局在不同情况下收益进行测算。
[0060]
s3.采用遗传算法结合整数规划，求解两阶段随机规划模型，通过迭代更新选址方案，达到最大迭代次数后输出并储存最优解，得到最优选址方案。
[0061]
两阶段随机规划模型是以安装路侧单元和普通交通传感器的成本-识别不同路径带来的收益最小为目标，一阶段模型的约束条件包括：路段被识别的前提是路侧单元已被安装、路段要处于路侧单元的覆盖范围之内才会被识别、路段在对应的区域内被路侧单元识别、路段被多个路侧单元识别的约束条件：
[0062]
一阶段模型如下：
[0063][0064][0065][0066][0067]
τ
(i′
，j
′
)
＝δ
(i
′
，j
′
)
∩δ
(i
′
，j
′
1)
∩δ
(i
′
1，j
′
)
∩δ
(i
′
1，j
′
1)
[0068][0069][0070]
τ
(i
′
，j
′
)
＝δ
(i
′
，j
′
)
∩δ
(i
′
，j
′
1)
∩δ
(i
′
1，j
′
)
∩δ
(i
′
1，j
′
1)
[0071]
其中，i
×
j表示二维网格平面，l表示城市交通网络中路段的集合，cr表示路侧单元的单位成本，cs表示普通交通传感器的单位成本；h
l
为0-1变量，表示是否在路段l上安装
普通交通传感器，q(x，ω)为二阶段目标函数，ω表示情景集合ω中的一种情况，集合ω可以通过同一区域在不同历史时期的数据进行设置；f
(i，j)，l
为0-1变量，表示路段l是否处于安装在网格节点(i，j)上的路侧单元的覆盖范围之内；x(i，j)为0-1变量，表示是否在网格节点(i，j)安装一个路侧单元；d
l
为0-1变量，表示路段l是否处于路侧单元的覆盖范围之内；ξ
(i，j)，l
为0-1参数，表示路段l是否处于方格区域(i，j)中，其中方格区域(i，j)表示二维网格平面中网格节点(i，j)，(i 1，j)，(i，j 1)，(i 1，j 1)所构成的矩形区域，如图2所示；b
(i，j)，l
为0-1变量，表示部分路段l是否处于方格区域(i，j)且处于路侧单元rsu覆盖范围内；τ
(i
′
，j
′
)
表示能够覆盖方格区域(i
′
，j
′
)的所有可能的路侧单元选址范围，表现为四个网格节点处路侧单元覆盖范围的交集，如图3所示；δ
(i
′
，j
′
)
表示以网格节点(i
′
，j
′
)为圆心，路侧单元覆盖能力为半径，所包含的所有区域；m为一极大值。
[0072]
二阶段模型的目标函数是以安装的传感器所识别的车流量信息最大为目标，但因为一阶段模型为最小化问题，为了保持一致，通过添加负号将二阶段模型转变为最小化问题，二阶段模型的约束条件包括：普通交通传感器识别道路的约束条件、路侧单元识别道路的约束条件、路径只能被一种方式识别的约束条件。
[0073]
二阶段模型如下：
[0074][0075][0076][0077][0078]
其中，λ表示成本与车流量之间的比例参数；p表示城市交通网络中所有路径的集合，其中一个od流有若干条路径，一条路径能够由若干条路段组成；为0-1变量，表示在情况ω下，路径p是否被普通交通传感器识别；为0-1变量，表示在情况ω下，路径p是否被路侧单元识别；π
p
表示智能网联汽车的市场渗透率，u
p
(ω)表示在情况ω下，路径p的车流量；h
l
为0-1变量，表示是否在路段l上安装普通交通传感器；σ
l,p,p
′
为0-1参数，表示路段l是否只属于路径p或路径p’其中的一者；ω表示所有情景的集合；d
l
为0-1变量，表示路段l是否处于路侧单元rsu的覆盖范围之内；μ
l,p,p
′
为0-1参数，表示路段l是否同时属于路径p和路径p’，但两者在路段l之前存在至少一条非公有的路段。
[0079]
本发明采用遗传算法结合整数规划的形式，从两阶段随机规划模型的结构来看，对于任意的选址方案，即任意的x(i,j)与h
l
，其他变量都能找到对应的值使得一阶段约束和二阶段约束成立，因此在执行遗传算法的过程中，确定个体对应的解后，将一阶段约束与修正后的二阶段约束合并，并采用修正后的目标函数，构成一个整数规划模型，采用商业求解器求解该整数规划模型，得到的最优值即为路侧单元和普通交通传感器的成本加上二阶段模型目标函数值对情景ω的期望。
[0080]
修正后的目标函数：
[0081][0082]
修正后的二阶段约束：
[0083][0084][0085][0086]
其中，i
×
j表示二维网格平面，l表示城市交通网络中路段的集合，cr表示路侧单元的单位成本，cs表示交通传感器的单位成本，x(i,j)为0-1变量，表示是否在网格节点(i,j)安装一个路侧单元，h
l
为0-1变量，表示是否在路段l上安装普通交通传感器，ω表示情景集合ω中的一种情况，集合ω能够通过同一区域在不同历史时期的数据进行设置，λ表示成本与车流量之间的比例参数；p表示城市交通网络中所有路径的集合，其中一个od流有若干条路径，一条路径能够由若干条路段组成；为0-1变量，表示路径p是否被交通传感器识别；为0-1变量，表示路径p是否被路侧单元识别；π
p
表示智能网联汽车的市场渗透率，u
p
(ω)表示在情况ω下，路径p的车流量；d
l
为0-1变量，表示路段l是否处于路侧单元的覆盖范围之内；μ
l,p,p
′
为0-1参数，表示路段l是否同时属于路径p和路径p’，但两者在路段l之前存在至少一条非公有的路段。
[0087]
两阶段随机规划模型的目标函数为最小化路侧单元和普通交通传感器的成本加上二阶段模型目标函数值对情景ω的期望，因此遗传算法中的适应度函数设置为两阶段随机规划模型最优值的负数，其最优值可通过求解上述整数规划模型得到。
[0088]
在遗传算法的选择操作中，根据种群中个体的适应度函数值进行从小到大的排序，从而计算个体被选择的概率：
[0089][0090]
其中，q表示个体的排名，适应度越高的个体排名越高；n表示种群中染色体的总数；p表示具有最高适应度的个体被选择的概率。
[0091]
见图4，遗传算法结合整数规划的具体步骤如下：
[0092]
(1)输入城市交通网络的道路信息、不同路段的历史车流量、智能网联汽车的市场渗透率等数据；
[0093]
(2)随机生成初始种群。其中个体的染色体采用0-1编码，0表示不在网格节点(i,j)上安装路侧单元或在路段l上安装普通交通传感器，1表示在网格节点(i,j)上安装路侧单元或在路段l上安装普通交通传感器。令遗传代数计数器t＝1。
[0094]
(3)将染色体对应的选址方案代入整数规划模型，采用商业求解器求解该整数规划模型，根据得到的最优值计算个体的适应度。
[0095]
(4)将得到的适应度从小到大进行排序，根据排序结果计算相应的选择概率。
[0096]
(5)根据种群中各染色体的适应度，从大到小选取一定数目的染色体，构成父代染
色体，根据种群中各染色体的选择概率，随机选取等数量的染色体，构成母代染色体，并与父代染色体配对。随机选取交叉点位，将父代和母代染色体进行单点交叉，交换交叉点位之后的基因串，从而得到子代染色体。
[0097]
(6)以0.1的概率允许交叉操作得到的子代染色体的各个点位进行突变，若原点位基因为0则突变为1，若原点位基因为1则突变为0。
[0098]
(7)得到新的个体。将原初始种群中适应度最大的个体保留，与通过交叉和变异操作得到的子代作为新的初始种群。
[0099]
(8)判断遗传代数t是否超过最大代数t，若超过，则在得到的种群中选择适应度最大的个体作为最优解输出并储存，若没有超过，令遗传代数计数器t＝t 1，返回步骤(3)。
[0100]
算例为sioux-falls-network，为了生成大量的情况，本发明参考od流的车流量，如图6所示，在此基础上，以δ＝0.2作为偏差，设d
ij
为以i为起点，j为终点的车流量，则该od流的大小在[d
ij
(1-δ),d
ij
(1 δ)]之间随机生成，由此生成不同的情况，并根据道路的成本因素将od流合理地分配给同一od流下的不同路径。
[0101]
如图5所示，本实施例共包含24个节点和76条路段，其中有13个节点可以充当起点或终点，在图中表示为灰色节点，其他节点均为中间节点，在图中表示为白色节点。节点上的数字表示为节点的id，线段上的数字表示路段的id，在具体的实施过程中，本发明将其放到坐标平面中进行布局优化。
[0102]
通过python来运行gurobi求解器求解该二阶段随机规划问题，得到了路侧单元与普通交通传感器单位成本不同情况下的布局方案，普通交通传感器价格设为200，路侧单元的价格设为300以及普通交通传感器价格设为200，路侧单元的价格设为600的求解结果，令成本与识别车流量之间的权重比例为2：1，路侧单元的市场渗透率为0.6具体结果见图7和图8。
[0103]
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。