馬峻巖 劉仟金 許 良 惠 飛 孫正良 袁 立 趙祥模

（1.長安大學信息工程學院 西安 710064；2.公安部交通管理科學研究所 江蘇 無錫 214151；3.深圳市有為信息技術發(fā)展有限公司 廣東 深圳 518049）

0 引 言

隨著中國工業(yè)化的迅猛發(fā)展，危險品運輸量呈逐漸大幅度遞增狀態(tài)。據交通部統(tǒng)計，截至2018年底，每天有近300萬t的危險品運輸在路上，危險品道路運輸量占危險品運輸總量的70%。沈小燕等[1]深入研究了危險品車輛道路運輸事故規(guī)律及特征，指出82.8%的事故由交通事故引發(fā)。因此，對運輸過程進行實時、可靠的監(jiān)管可以有效減少甚至避免事故的發(fā)生。

在車輛跟蹤方面，基于GPS/北斗的車輛跟蹤技術已得到廣泛應用[2]，但存在因車輛GNSS失鎖導致的軌跡缺失問題[3]。近年來，隨著深度卷積神經網絡的發(fā)展，使基于視頻的車輛跟蹤技術得到了迅速發(fā)展。王艷芬等[4]提出一種結合車輛檢測與識別的多攝像機車輛重識別方法，用于實現車輛跨攝像頭的跟蹤與監(jiān)控。Xu等[5]提出一種基于智能攝像頭的大規(guī)模車輛軌跡分布式存儲方法。在危險品車輛監(jiān)測預警方面，張兵等[6]提出一種基于無線傳感網的危險品車輛在途監(jiān)測預警系統(tǒng)，并根據傳感器的實時數據進行預警。Jia等[7]使用LSTM和CNN神經網絡對車輛自身動力學數據建模，實現了4類異常駕駛行為檢測。呂能超等[8]提出了一種基于車輛運動學和風險感知特性的綜合預警算法，提升了復雜工況下前向碰撞預警環(huán)境適應性。王江峰等[9]研究了車車通信環(huán)境下的碰撞預警方法。LEE等[10]研究了基于多層神經網絡的追尾預警方法。王海星等[11]和惠飛等[12]則從數據挖掘和聚類的角度對異常和風險駕駛行為進行了研究。尹宏鵬等[13]提出了一種基于視頻的車輛異常行為檢測方法。

綜上所述，目前GPS/北斗跟蹤技術存在軌跡缺失問題?；谝曨l的跟蹤技術因受傳輸帶寬、計算資源、實時性等因素限制，無法大規(guī)模部署應用?，F有危險品運輸車輛監(jiān)測預警研究主要包括在危險品狀態(tài)監(jiān)測、司機駕駛異常行為檢測、高級駕駛輔助系統(tǒng)性功優(yōu)化等方面，未從自車、周圍車輛、道路和自然環(huán)境等因素綜合評估危險品運輸車輛的異常狀態(tài)。針對上述問題，本文提出了一種基于邊緣計算的危險品運輸車輛跟蹤預警方法。該方法使用路側節(jié)點的協(xié)作式算法對危險品運輸車輛進行實時性跟蹤，同時路側節(jié)點通過將感知的道路實時狀態(tài)數據與車輛動力學數據相融合實現車輛異常狀態(tài)監(jiān)測與預警。

1 多節(jié)點協(xié)作下的實時跟蹤

1.1 邊緣計算

邊緣計算（EC）被定義為在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務。歐洲電信標準化協(xié)會于2015年在年度白皮書[14]提出邊緣計算的典型技術框架，見圖1。筆者引入邊緣計算，將復雜且信息量巨大的車輛跟蹤任務卸載到邊緣節(jié)點進行處理，邊緣節(jié)點將跟蹤結果實時地反饋到云端。相比于傳統(tǒng)云處理方式，邊緣計算可以減少視頻、圖像等信息帶來的網絡負荷，優(yōu)化系統(tǒng)時延。

圖1 邊緣計算系統(tǒng)架構Fig.1 System architecture for EC

1.2 多節(jié)點協(xié)作跟蹤

1.2.1 路側設備

本文提出路側設備跟蹤方式是為了彌補主跟蹤源GPS時常發(fā)生跟蹤丟失的問題，主要包括智能攝像頭和射頻識別設備，其次，路側設備應具有一定的路況感知能力。

近年來，汽車電子標識技術發(fā)展迅速。它是一種基于超高頻識別芯片的電子標簽，主要由存儲單元、天線部分以及控制單元3個部分組成[15]。當裝有汽車電子標識的危險品車輛進入讀寫設備工作區(qū)域時，由于電子感應的信號，使得汽車電子標識獲得一定的能量，芯片被激活，讀寫設備便可與電子設備相互通信，實物見圖2。

圖2 汽車電子標識Fig.2 Automotive electronic identification

本文采用的路側一體化車輛身份信息采集設備，集成的路側設備包括智能攝像頭和射頻識別設備，能夠讀取汽車電子標識，并采集道路信息，將二者進行融合匹配，實現對危險品運輸車輛信息的精準識別，彌補了GPS丟失時的不足。路側設備識別到車輛后會將車輛信息上傳到邊緣節(jié)點，通過節(jié)點協(xié)作實現對車輛的連續(xù)跟蹤。

1.2.2 多節(jié)點協(xié)作算法

定義1 leader節(jié)點。當前時刻檢測到目標車輛的節(jié)點。

定義2 member節(jié)點。leader節(jié)點在空間位置上直接可達的所有節(jié)點。

Leader節(jié)點和member節(jié)點組成一個組，在該小組內，member節(jié)點只與leader節(jié)點建立通信。

在危險品車輛的行進過程中，會經歷各種各樣的交通環(huán)境，在某些特殊區(qū)域，例如十字路口、特定路段等，需要實時監(jiān)控危險品車輛的行駛。在車輛進入監(jiān)測區(qū)域之前，各邊緣節(jié)點都為member節(jié)點，它們時刻監(jiān)聽其他member節(jié)點的狀態(tài)，并且隨時可以參與執(zhí)行小組內的檢測任務。見圖3的局部位置圖，整個區(qū)域是監(jiān)控區(qū)域，當車輛駛入區(qū)域入口標記F1之后，對車輛進行實時的監(jiān)控。此時F1充當leader節(jié)點，其member節(jié)點包括{F4,F2}。

圖3 局部位置圖Fig.3 Local location

當危險品車輛進入檢測區(qū)域后，首先檢測到目標車輛的節(jié)點會從member狀態(tài)轉換到leader狀態(tài)，并同時通知其下游節(jié)點建立小組，直至某一個member節(jié)點檢測到目標車輛，小組成員提出檢測任務，檢測到目標的節(jié)點擔任新的leader角色。節(jié)點協(xié)作的算法框架見圖4。

圖4 節(jié)點協(xié)作算法框架Fig.4 Algorithm framework

1）Leader節(jié)點的作用。領導節(jié)點擔任3項工作：①將采集到的車輛信息進行打包發(fā)送給遠程云系統(tǒng)（打包信息包括目標車輛的唯一ID號、顏色、車型、速度、時間、位置信息以及當前邊緣節(jié)點ID等）；②將車輛ID、車顏色和車型組成可以標識車輛的報文，在組內進行廣播以通知member節(jié)點做好檢測的準備工作。各member節(jié)點接受車輛信息報文后，在各自的檢測范圍內搜尋目標車輛，并定期向leader節(jié)點發(fā)送報告以匯報檢測結果；③在搜尋任務完成后，leader節(jié)點上傳檢測到的車輛信息(包括時間、位置、節(jié)點標簽、以及目標信息等)，并同時組播通知其他節(jié)點退出檢測任務。當某邊緣節(jié)點檢測到危險品車輛時，執(zhí)行圖5的Leader節(jié)點算法。

圖5 Leader節(jié)點任務圖Fig.5 Leader node task diagram

2）member節(jié)點。當某一member節(jié)點檢測到危險品車輛時，也進行2項工作：其一，向leader節(jié)點發(fā)送報文，匯報當前檢測到結果，leader接受信息后，廣播發(fā)送公共報文通知組內其他節(jié)點退出此次檢測任務。其二，該member節(jié)點退出member狀態(tài)，轉換為新的leader節(jié)點，并開始執(zhí)行領導節(jié)點的工作，member節(jié)點任務見圖6。

圖6 member節(jié)點任務圖Fig.6 Member node task diagram

2 異常狀態(tài)預警

危險品運輸過程中及時、準確的異常狀態(tài)預警，可以有效避免車輛運行中可能發(fā)生的交通事故。為了進一步提高異常狀態(tài)預警的精度，本文將智能路側節(jié)點感知到的實時路段狀態(tài)數據與危險品運輸車輛各類動力學數據相結合，應用機器學習模型實現異常狀態(tài)的準確預警。

2.1 特征因素

Arvin[16]和Kamrani等[17]利用統(tǒng)計學理論研究了事故與道路波動性、自車以及環(huán)境等因素的關系。筆者引用其結論中的重要參數對車輛狀態(tài)進行評估，包括自車、周圍車輛、道路和自然環(huán)境信息。

考慮事件觸發(fā)前后某一時間窗口內，車輛自身和周圍車輛的特征主要包括速度、加速度、方向盤轉向角、前車距離、與前車的速度差，分別取其最大值、最小值、均值和標準差統(tǒng)計量。對速度和加速度引入變異系數統(tǒng)計量，定義如下，其中，Sdev是標準差，|是均值絕對值。

定義3變異系數

路段特征，主要指車輛當前位置是否處于路口、環(huán)島、一般路段，天氣特征包括晴天、雨天、霧天、雪天；時段特征包括晝、夜。表1給出了預警模型包含的25種特征因素變量。

表1 特征因素匯總Tab.1 Summary of feature factors

2.2 預警模型以及模型參數的選擇

融合預警問題屬于分類問題，論文采用了3種模型進行建模，包括KNN，SVM和Adaboost。通過將上述的變量作為輸入變量，并選取了訓練集和測試集以7：3的比例進行劃分。

2.2.1 基于KNN算法的預警模型

K近鄰[18]（K-Nearest Neighbor，KNN）學習是一種常用的監(jiān)督學習方法，其原理為對給定測試樣本，基于某種距離度量找出訓練集中與其最靠近的K個訓練樣本，然后基于這K個“鄰居”的信息來進行預測。而對于K值而言，若選擇的太大，則模型會變得簡單；若K值過小，模型復雜，容易過擬合。筆者通過十折交叉驗證對不同K的取值進行建模，最終根據模型的準確率選擇最合適的K值。

2.2.2 基于SVM算法的預警模型

SVM[18]是一種用來解決二分類問題的有監(jiān)督學習算法。其核心思想是在特征空間上找到最佳的分離超平面，使得訓練集上正負樣本間隔最大。劃分超平面描述為

式中：w是法向量，決定超平面的方向；b是位移項，決定超平面到原點的距離。間隔是2個異類支持向量到超平面的距離之和，可描述為

為最大化正負樣本間隔，須滿足下式

式中：i=1，2，…，m。

目前，SVM在交通數據分析中有著廣泛的應用，如柳本民等[19]將SVM用于連環(huán)追尾事故中的影響因素分析。筆者在本實驗中引入SVM的RBF核進行模型訓練用以對非線性數據進行分類，在此，使用交叉驗證和網格搜索對懲罰系數C和gamma參數選擇最優(yōu)組合。

2.2.3 基于Adaboost的預警模型

Adaboost[18]是一種增強學習算法，可應用于大多數分類問題，其原理是通過構建多個弱學習器組成一個學習能力優(yōu)異的強學習器，在迭代學習的過程中，不斷擬合樣本偏差。該學習模型的核心在于：①提高上一輪被錯誤分類的樣本的權值，降低被正確分類的樣本的權值；②線性加權求和得到最終分類結果。誤差率小的弱學習器的權值較小，而誤差率大的弱學習器的權值較大。筆者通過選擇CART分類樹作為弱分類器，通過調節(jié)CART樹的深度來預防過擬合，通過十折交叉驗證，對比訓練集的分類誤差，選擇弱分類器數量和學習率最佳的參數組合。

2.2.4 單車動力學變量與多因素變量模型

論文通過不同的特征訓練了2類模型，第一類即單車動力學變量模型，該模型僅使用了車輛動力學數據，即表1中速度、加速度、方向盤的統(tǒng)計學參數，第二類模型即多因素變量模型，在第一類模型的基礎上又引入的道路參數，包括表1中的速度和加速度的變異系數、車間距、速度差、天氣、時間和路段，每類模型都分別使用了KNN、SVM和Adaboost算法進行實現。

2.2.5 模型評估參數

利用訓練集訓練得到模型后，對測試集進行預測，再基于分類準確率Acc、召回率Recall和ROC曲線來對比2個模型的預測效果。本文所處理的是一個二分類問題（是否為危險事件），可能的分類結果見表2。

表2 二分類問題預測結果Tab.2 Outcomes of a binary classification problem

依據表2，模型的度量指標計算如下。

1）召回率

2）準確率

3）ROC曲線下面積AUC。ROC曲線的橫坐標為特異度；縱坐標為靈敏度。訓練好的機器學習模型對每個測試樣本都能得到一個預測概率。模型的預測效果可以由ROC曲線與坐標軸圍成的面積AUC進行度量，AUC∈[0，1]越大，說明預測效果越好。

3 實驗驗證與分析

3.1 多節(jié)點協(xié)作跟蹤實驗

利用SUMO仿真平臺建立了多節(jié)點協(xié)作跟蹤的原型系統(tǒng)開展相關實驗。

3.1.1 原型系統(tǒng)的搭建

利用曼哈頓模型生成路網，通過OD矩陣迭代生成穩(wěn)定的車流，通過SUMO自帶的訂閱功能模擬GPS視圖，通過訂閱目標車輛，可以隨時知道目標車輛的位置信息和車輛的運行參數；利用線圈模擬電子車牌路側識別器，檢索線圈信息來匹配目標車輛。

表3 原型系統(tǒng)功能表Tab.3 Prototype system function

配置SUMO文件（路網、車流等）后，啟動GUI界面，通過Traci接口控制車輛在道路網絡中的行駛，運行結果見圖7。

圖7 SUMO運行圖Fig.7 Running result ofSUMO

由于SUMO中沒有路側設備，仿真將分為路段跟蹤和路側攝像頭的精確跟蹤，通過SUMO感應線圈的識別功能來模擬電子車牌路側識別，見圖8，實現基于路段的跟蹤；用Pyqt5搭建窗體，模擬路側一體化設備中路側攝像頭的視頻監(jiān)控功能，見圖9，能夠實時顯示車輛的行駛和歷史路段記錄。

圖8 路段跟蹤局部放大圖Fig.8 Road tracking

圖9 視頻監(jiān)控Fig.9 Smart camera tracking

3.1.2 實驗結果

在原型系統(tǒng)基礎上，模擬GPS丟失后，通過路側節(jié)點對危險品運輸車輛進行搜索和再跟蹤的過程，對比了云計算和邊緣計算處理時的帶寬和時延。

1）帶寬對比。對于傳統(tǒng)云服務器而言，所有數據一起上傳到云進行處理，帶寬主要與車輛信息的數量有關，信息量越大，占用帶寬越高。對于邊緣計算方式，帶寬主要受區(qū)域內邊緣節(jié)點數量的影響，節(jié)點數越多，占用帶寬越高。假設每上傳1條信息占用的帶寬單位為1，其結果見圖10，平均帶寬下降了大約68%。

圖10 帶寬對比圖Fig.10 Bandwidth comparison

2）時延對比

實驗模擬了邊緣節(jié)點和傳統(tǒng)云服務器對時延的影響。系統(tǒng)時延定義為服務器的處理時延與網絡傳輸時延的總和。定義云服務器處理邊緣服務器上傳的一條信息會產生1單位的時延，傳統(tǒng)云端處理時延為云服務器處理所有車輛信息的時延之和；邊緣處理的時延為所有邊緣節(jié)點產生時延的最大值，實驗結果見圖11，平均時延下降了大約90%。

3.2 異常狀態(tài)檢測實驗

3.2.1 數據來源

本文以美國交通部網聯車開放數據（SPMD,Safety Pilot Model Deployment）開展異常檢測的有關實驗。該數據集包含了車輛的運動軌跡、速度、加速度、方向盤轉角、車載視覺雷達信息、路網、天氣等信息。

圖11 時延對比圖Fig.11 Delay comparison

3.2.2 數據預處理

本實驗主要采用其DAS2中的數據，由于原始數據在采集和錄入的過程中可能存在各種問題，導致數據集中包含信息丟失、記錄錯誤或異常的數據，進一步影響論文研究分析的準確性，因此需要對問題數據進行篩選、剔除，首先對數據中缺失過長的片段進行刪除，對于缺失數據，采用基于時間序列的數據恢復方法，即使用缺失數據的前后片段的均值對缺失值進行補充

式中：Xi為缺失數據；Xi-1，…，Xi-k為缺失數據前的正常數據；k為采用的長度，一般為10 s的數據量。

3.2.3 數據標定

首先對車輛動態(tài)學參數設定閾值，從原始數據中提取可能的危險事件，再由人工復檢確定異常駕駛事件。初始閾值設置參考Dingus等[20]的研究，包括縱向加速度的絕對值大于等于0.6 g，縱向加速度的絕對值大于等于0.5 g且前向碰撞時間小于等于4 s。只要某一時間戳的數據記錄滿足任一閾值類型，就會被自動識別為可能的危險事件，并提取該時刻前后共10 s的行車數據用于人工校驗。尋找具有處理駕駛數據經驗的10名研究人員，若有8名認定片段異常，則將其認定為危險事件，最終提取出59起危險事件和70起正常事件。

3.2.4 Google Earth還原

通過Google Earth還原了車輛的位置信息，主要包括環(huán)島、交叉路口和一般路段3種，見圖12。

圖12 位置還原Fig.12 Location restoration

3.2.5 多源數據融合

1）融合預警。

（a）模型調參。通過實驗發(fā)現當KNN的鄰居節(jié)點取5時，其性能較優(yōu)。而構建SVM核函數時，選取徑向基函數（RBF）作為SVM的核函數。通過網格搜索法對核參數尋優(yōu)，設定C和g選擇范圍均為2-8～28，迭代的步長取0.5。經過反復調試后，最后確定核函數的2個最優(yōu)參數組合γ=0.01和懲罰參數C=5。對于Adaboost模型而言，最終確定最合適的CART樹深度為5，l學習率為0.8，分類器數量為200。

（b）2類模型的對比實驗。對比2類模型、3種不同算法共訓練了6個模型，利用測試集對6種模型進行驗證，各個模型的測試結果反映在見圖13的ROC曲線圖中。

圖13 ROC曲線Fig.13 ROC curves

2種模型的準確率和召回率以及ROC曲線下面積的具體值見表4。

實驗結果表明集成學習Adaboost和SVM的準確率較高，而KNN模型在準確率、召回率和AUC面積均小于以上2種模型。此外，SVM各方面性能都優(yōu)于集成學習，因此應選擇SVM對車輛的狀態(tài)進行評估。

表4 2種預測模型效果對比Tab.4 Comparison of performance of two models

同時對比2種模型發(fā)現，加入道路因素后，KNN的準確率上升了0.12，AUC面積上升了0.079；Adaboost召回率上升了0.08，準確率上升了0.102，AUC面積上升了0.075；SVM召回率上升了0.14，準確率上升了0.064，AUC面積上升了0.088?？梢酝茢喑?，引入道路因素之后，模型的準確率和召回率以及ROC曲線下面積均有上升。

2）事故發(fā)生概率預測。將對車輛發(fā)生事故的概率進行預測，以實施不同的管控措施。

圖14 車間距變化圖Fig.14 Change in distance between vehicles

圖15 事故概率預測Fig.15 Collision probability prediction

圖14是本文挑選的一個異常片段的車間距的變化圖，圖15是相應的事故概率預測圖，結合2幅圖能夠看出，一方面，隨著本車與前車距離的拉近，3種模型表現出不同的預測效果?？梢园l(fā)現，在行車距離較遠的情況下，Adaboost對危險的感知能力較差，其概率在0.5附近波動，而KNN和SVM則能準確識別出安全狀態(tài)；在行車距離急劇拉進時，同樣的，KNN和SVM能夠快速精準的識別出危險場景；在恢復到安全行車距離后，KNN和SVM性能仍優(yōu)于Adaboost。最后，由于本文的異常片段均是近碰撞，所以SVM預測結果更加平滑和真實。最終可以確定，SVM在異常檢測方面具有優(yōu)良的性能。

4 結束語

對危險品運輸車輛進行實時、可靠的跟蹤與預警可以有效降低和避免事故的發(fā)生。傳統(tǒng)跟蹤方法在可靠性、實時性存在一定的問題，且預警模型中未充分考慮實時道路、天氣等因素。本文將邊緣計算引入危險品運輸車輛的跟蹤預警。一方面，邊緣計算的低延遲、低帶寬使得交管部門能夠更加有效的實時跟蹤和監(jiān)控車輛，也解決了衛(wèi)星定位系統(tǒng)在特殊地形下沒有信號或信號差的問題；另一方面，本文通過將道路波動參數和車輛動力學進行融合改進異常預警的模型。實驗表明本文提出的模型在實時性、可靠性和精度方面優(yōu)于傳統(tǒng)模型，對保障危險品運輸車輛安全具有潛在的應用價值。下一步，計劃在長安大學“車聯網與智能汽車試驗場”對多節(jié)點協(xié)作跟蹤與異常預警算法的有效性方面開展進一步的實車驗證工作。