基于行为识别的车载传感器网络路况监测模型与方法研究

随着现代交通的爆炸式发展，道路交通问题日益严重。路况监测旨在发现危及行车安全和影响道路交通的异常路况事件。传统的路况监测方法难以满足复杂多变的道路环境。随着汽车的普及，车载传感器网络用于路况监测具有极大优势。车载传感器网络的数据与车辆行驶路线和驾驶模式等行为密切相关。针对这些特点，本课题提出基于行为识别的车载传感器网络的路况监测模型与方法研究：利用贝叶斯网络建立基于行为识别的路况事件监测模型，根据车辆机会性采集的观察数据来识别车辆行为，推断路况事件；为改善监测性能，引入协同推荐机制，设计基于相似车辆群体行为的协同监测方法；为进一步降低误检率，引入D-S证据理论来度量行为的不一致性，设计基于行为不一致性的监测过滤方法。研究目标预期达到监测出90%以上异常路况事件。研究成果将为实现信息化路况监测应用提供便利、有效的新方法，为实现智能交通系统和相关标准化工作奠定基础。

随着汽车的普及，车载传感器网络用于路况监测具有极大优势。车载传感器网络的数据与车辆行驶路线和驾驶模式等行为密切相关。本项目致力于基于行为识别的车载传感器网络的路况监测模型与方法研究。采用贝叶斯网络建立基于行为识别的路况事件监测模型，由车载传感器网络机会性采集的观察数据来识别车辆行为，从而推断路况事件；采用基于协同推荐机制设计协同监测方法，识别车辆群体行为用于事件推断，提高监测性能。采用D-S证据理论识别行为的不一致性，设计监测过滤方法，降低监测过程的误检率。构建车载传感器网络模拟和实验环境，用于性能分析和评估，其模拟和实验数据显示研究和设计的贝叶斯网络事件监测模型、协同事件推荐机制以及协同监测过滤方法可有效应用于道路行车相关应用，适用于道路路面如：道路坑洼、道路渍水、车辆拥堵等各类型路况监测，采用事件监测准确率、漏检率和误检率作为主要性能评价指标，其中贝叶斯网络事件监测模型方法可达到90%以上准确率，漏检率和误检率均在10%以下，协同事件推荐机制方法适用于网络中该车辆节点较为稀疏的应用场景，采用此方法可使得其监测准确率达到90%以上，协同监测过滤方法适用于边界事件的判定，可使得其误检率在8%以下。本项目的研究为实现智能交通道路事件监测提供了新颖、有效的模型和方法，研究结果将有助于推动我国智能交通信息化进程。