專利名稱：基于d-s證據(jù)理論的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車載自組織無線傳感器網(wǎng)絡(luò)的協(xié)同數(shù)據(jù)處理和事件監(jiān)測領(lǐng)域，更具體地，涉及ー種新的、利用D-S證據(jù)理論描述車載傳感器網(wǎng)絡(luò)中數(shù)據(jù)融合的不一致性，從而檢測出道路路況環(huán)境中的事件區(qū)域的方法。
背景技術(shù)：
隨著汽車的普及和傳感技術(shù)、無線通信等技術(shù)的發(fā)展，通過在道路上行駛的車輛內(nèi)安裝傳感器節(jié)點(diǎn)設(shè)備，通過無線通信方式互聯(lián)，自組織成無線車載傳感器網(wǎng)絡(luò)；車載傳感器網(wǎng)絡(luò)可實(shí)現(xiàn)車輛間的協(xié)作感知、處理和傳輸城市區(qū)域內(nèi)的各種道路交通路況等信息，是 實(shí)現(xiàn)智能交通的重要手段和方式。事件監(jiān)測是車載傳感器網(wǎng)絡(luò)面向智能交通的重要應(yīng)用之一，事件區(qū)域檢測是車載無線傳感器網(wǎng)絡(luò)事件監(jiān)測中的關(guān)鍵技術(shù)，通過車輛之間的有效協(xié)同和數(shù)據(jù)融合處理等技術(shù)，有效檢測路況事件區(qū)域定位、范圍，直接影響著道路路況緊急事件處理應(yīng)用的效率和性能。無線傳感器網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)的事件區(qū)域檢測是面向應(yīng)用的熱點(diǎn)問題之一，在近年來技術(shù)文獻(xiàn)和研究論文中均有論述。有關(guān)文獻(xiàn)R.Nowak et al. Boundary Estimation in Sensor Network Theoryand Methods. In Proc. IPSN 2003[c], 2003 ；K. Ren et al. Secure and Fault-tolerantEvent Boundary Detection in Wireless Sensor Networks. IEEE Transactions onWireless Communications [J], 2008, 7 (I);曹冬嘉等.一種無線傳感器網(wǎng)絡(luò)中事件區(qū)域檢測的容錯算法.計(jì)算機(jī)學(xué)報(bào)[J]，2007，30 (10);張書奎等.基于融合樹的事件區(qū)域檢測容錯算法[J]·通信學(xué)報(bào)，2010，(09).事件區(qū)域檢測技術(shù)的實(shí)現(xiàn)可分為三種方法統(tǒng)計(jì)方法、基于分類的方法和基于圖像處理技術(shù)的方法。統(tǒng)計(jì)方法主要通過獲取鄰居節(jié)點(diǎn)數(shù)據(jù)信息，利用統(tǒng)計(jì)學(xué)的計(jì)算方法來判定事件節(jié)點(diǎn)和非事件節(jié)點(diǎn)。基于分類的方法通過由所有節(jié)點(diǎn)收集的數(shù)據(jù)信息來進(jìn)行處理，顯然事件區(qū)域內(nèi)部節(jié)點(diǎn)與外部節(jié)點(diǎn)數(shù)據(jù)信息存在較大差異，利用該差異可將網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行分類，得到判定事件區(qū)域節(jié)點(diǎn)和非事件區(qū)節(jié)點(diǎn)。基于圖像處理技術(shù)的方法對圖像處理技術(shù)進(jìn)行修改，使其適應(yīng)于傳感器網(wǎng)絡(luò)事件區(qū)域檢測。其中，基于分類的方法具有實(shí)現(xiàn)簡單、復(fù)雜度低等特點(diǎn)，是三種方法中最適于事件區(qū)域檢測技術(shù)的實(shí)現(xiàn)方法。事件區(qū)域檢測技術(shù)的實(shí)現(xiàn)方法應(yīng)與具體應(yīng)用相關(guān)，車載傳感器網(wǎng)絡(luò)環(huán)境下，由于車輛的高移動性、城市道路交通路況環(huán)境的復(fù)雜性，導(dǎo)致網(wǎng)絡(luò)拓?fù)涞膭討B(tài)變化較快、事件監(jiān)測無法簡單通過設(shè)置傳感器數(shù)據(jù)閾值實(shí)現(xiàn)；因此一般的無線自組織網(wǎng)絡(luò)、無線傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法并不能很好應(yīng)用于該應(yīng)用場景。ー些研究者針對車載自組織網(wǎng)絡(luò)，提出了利用人工智能的方法，通過本地節(jié)點(diǎn)協(xié)同，利用機(jī)器學(xué)習(xí)、支持向量機(jī)、貝葉斯神經(jīng)網(wǎng)絡(luò)、或運(yùn)用隱馬爾可夫模型等，進(jìn)行事件特征提取和分類、判斷事件產(chǎn)生的概率，實(shí)現(xiàn)事件監(jiān)測；這些事件監(jiān)測方法能有效監(jiān)測車載自組織網(wǎng)絡(luò)環(huán)境下道路車輛相關(guān)事件，但這些方法需要事先給定道路車輛特定環(huán)境下的先驗(yàn)知識等信息，這些由于道路交通和車輛行駛中受自然環(huán)境、道路地形特征和人為因素等影響較大，先驗(yàn)知識取值的合理性，直接影響事件監(jiān)測系統(tǒng)性能；此外這些研究主要致カ于事件的判定，而不是事件產(chǎn)生區(qū)域范圍和位置信息，事實(shí)上，由于車載網(wǎng)絡(luò)環(huán)境下的車輛的高移動性，對事件區(qū)域的檢測帶來了技術(shù)挑戰(zhàn)。有關(guān)文獻(xiàn)J.Eriksson et al. The Pothole Patrol Using a Mobile SensorNetwork for Road Surface Monitoring[c]. In Proc. ACM MobiSys, 2008 ；V. D.Sanchezet al. Advanced support vector machines and kernel me-thods[J] · Neurocomputing,2003, (55) ；S Dipti. Evaluation of Adaptive Neural Network Models for FreewayIncident Detection[J]. IEEE Trans. On Intelligent Transportation Systems,2004,5(1);何毅等.基于隱馬爾科夫度量場模型的車輛監(jiān)測和跟蹤[J].上海交通大學(xué)學(xué)報(bào)，2008(2).張存保等.基于浮動車的高速公路交通事件自動判別方法研究[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版)，2006，(06);張敬磊等.事件檢測算法研究進(jìn)展[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版)，2005，(02).

發(fā)明內(nèi)容
本發(fā)明針對上述現(xiàn)有方法存在問題和不足，提出一種面向智能交通應(yīng)用的、無需先驗(yàn)知識且有效提高監(jiān)測效率的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法，致カ于在車載自組織網(wǎng)絡(luò)動態(tài)拓?fù)洵h(huán)境下，通過車輛間協(xié)同，利用數(shù)據(jù)信息融合處理方法，利用事件區(qū)域和非事件區(qū)域的證據(jù)沖突，有效檢測事件區(qū)域。本發(fā)明的技術(shù)方案一種基于D-S證據(jù)理論的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法，其特征在干將事件監(jiān)測的城市道路區(qū)域劃分為若干子小區(qū)，在事件監(jiān)測的城市道路區(qū)域內(nèi)設(shè)有車載傳感器的車輛通過自組織方式組網(wǎng)，建立車載傳感器網(wǎng)絡(luò)圖，車載傳感器網(wǎng)絡(luò)圖中由設(shè)有車載傳感器的車輛構(gòu)成車輛節(jié)點(diǎn)，相鄰車輛節(jié)點(diǎn)之間是邊；當(dāng)進(jìn)行事件區(qū)域檢測時，執(zhí)行以下步驟步驟I、由各車輛節(jié)點(diǎn)到所在子小區(qū)中心位置的距離，計(jì)算各車輛節(jié)點(diǎn)到所在子小區(qū)的監(jiān)測權(quán)重；根據(jù)車輛節(jié)點(diǎn)的方向和速率改變情況，計(jì)算車輛節(jié)點(diǎn)的行為因子；結(jié)合車輛節(jié)點(diǎn)所在子小區(qū)的感知物理量歷史數(shù)據(jù)，計(jì)算感知數(shù)據(jù)變化率；井根據(jù)計(jì)算結(jié)果得到所在子小區(qū)的事件產(chǎn)生概率；實(shí)現(xiàn)方式如下，步驟a，設(shè)從某個車輛節(jié)點(diǎn)k的坐標(biāo)Ow yj到所在子小區(qū)Ci的中心點(diǎn)坐標(biāo)(Xcd,yci)的幾何距離，記為dk,i = Il (Xnk, Ynk)-(xci, yci) I ,車輛節(jié)點(diǎn)k到所在子小區(qū)Ci的監(jiān)測權(quán)重w(nk, Ci)按下式計(jì)算，
權(quán)利要求
1. 一種基于D-S證據(jù)理論的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法，其特征在于將事件 監(jiān)測的城市道路區(qū)域劃分為若干子小區(qū)，在事件監(jiān)測的城市道路區(qū)域內(nèi)設(shè)有車載傳感器的 車輛通過自組織方式組網(wǎng)，建立車載傳感器網(wǎng)絡(luò)圖，車載傳感器網(wǎng)絡(luò)圖中由設(shè)有車載傳感 器的車輛構(gòu)成車輛節(jié)點(diǎn)，相鄰車輛節(jié)點(diǎn)之間是邊；當(dāng)進(jìn)行事件區(qū)域檢測時，執(zhí)行以下步驟 步驟1、由各車輛節(jié)點(diǎn)到所在子小區(qū)中心位置的距離，計(jì)算各車輛節(jié)點(diǎn)到所在子小區(qū)的 監(jiān)測權(quán)重；根據(jù)車輛節(jié)點(diǎn)的方向和速率改變情況，計(jì)算車輛節(jié)點(diǎn)的行為因子；結(jié)合車輛節(jié) 點(diǎn)所在子小區(qū)的感知物理量歷史數(shù)據(jù)，計(jì)算感知數(shù)據(jù)變化率；并根據(jù)計(jì)算結(jié)果得到所在子 小區(qū)的事件產(chǎn)生概率；實(shí)現(xiàn)方式如下，步驟a,設(shè)從某個車輛節(jié)點(diǎn)k的坐標(biāo)(xnk,ynk)到所在子小區(qū)q的中心點(diǎn)坐標(biāo)(XmyJ 的幾何距離，記為du = | | (Xnk, ynk)-(xci, yci) | |，車輛節(jié)點(diǎn)k到所在子小區(qū)Ci的監(jiān)測權(quán)重 w(nk, 按下式計(jì)算， dkj
2.如權(quán)利要求1所述基于D-S證據(jù)理論的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法，其特征 在于周期性進(jìn)行事件區(qū)域檢測，或由車輛傳感器采集的物理量更新數(shù)據(jù)超過某個預(yù)設(shè)值 時觸發(fā)進(jìn)行事件區(qū)域檢測。
全文摘要
本發(fā)明提供了一種基于D-S證據(jù)理論的車載傳感器網(wǎng)絡(luò)事件區(qū)域檢測方法，能夠在缺少先驗(yàn)知識、針對高移動性網(wǎng)絡(luò)拓?fù)浜蛻?yīng)對復(fù)雜多變道路交通場景的情況下，有效實(shí)現(xiàn)檢測出事件的發(fā)生區(qū)域。本發(fā)明包括車載傳感器網(wǎng)絡(luò)場景初始化和維護(hù)、道路劃分子小區(qū)事件監(jiān)測概率模塊、道路劃分子小區(qū)事件發(fā)生概率模塊、事件發(fā)生置信度模塊、證據(jù)合并沖突計(jì)算模塊、事件區(qū)域判定模塊和事件檢測觸發(fā)模塊。
文檔編號H04W84/18GK102665294SQ20121012537
公開日2012年9月12日 申請日期2012年4月25日 優(yōu)先權(quán)日2012年4月25日
發(fā)明者曾園園, 曾子明, 李德識, 項(xiàng)慨 申請人:武漢大學(xué)