车路协同应用：道路交通流密度检测与估计
随着社会经济的不断发展，汽车保有量不断攀升，交通拥堵已成为道路交通管理中亟待解决的主要难题。交通流密度是交通流理论十分重要参数之一，也是判别交通流状态的一个重要指标，能够很好地体现道路交通服务水平。
一般来说，交通流量等参数在交通工程中应用广泛，可在一定程度上反映交通流状态，但由于道路结构的差异性，仅通过交通流量等参数难以全面描述交通流的实际状态。
例如交通流量趋近于零，既可以是描述车辆很少时的道路交通状态，也可以表示交通严重拥挤，车流处于停滞的交通状态。相比交通流量，交通流密度可以直接判定拥挤程度，从而决定采用何种交通管理和控制措施。针对交通流密度的研究可为交通调控、解决道路拥塞问题提供理论依据。
交通流理论起源于二十世纪三十年代，是进行交通问题研究的理论基础，其中运用了计算技术和运筹学、概率论、动力学、流体力学等学科的方法来描绘交通现象及规律。定量描述交通流有三个最重要的特性：
1）交通流流量，用来描述在单位时长内通过指定道路截面的车辆数目；2）交通流速度，用来描述交通流流动的速度；3）交通流密度，描述道路上交通疏密程度, 即某瞬间内，单位长度单车道内的存在车辆数。
交通流三个基本特征参数之间的关系为：交通流流量等于交通流速度与交通流密度的乘积。交通现象纷繁复杂，为了刻画不同的交通现象和机理、完善智能交通的管理方法，需要建立描述交通流状态变化的数学模型。从本质上来说，交通流模型的建立过程都需要依赖对实际交通现象的大量观测和深入分析。
半个多世纪交通流模型研究的历史中，可以看到许多基于实际测量的重要理论成果，但是人们似乎更多关注交通流流量和交通流速度这两个交通流参数， 对交通流密度的特性研究还有待深入，这也是许多交通流模型有待完善的原因之一。
交通流密度数据的检测在智能交通系统中起着不可或缺的作用，它为信号控制和有效的交通管理提供了重要信息。
从早期利用路段进出口的流量和速度数据来粗略地估计路段密度，发展到利用时间占有率来估算交通流密度，而如今随着传感器技术、信息技术和通信技术的发展，利用定点检测器数据进行交通流密度估计得到了广泛的应用。同时，近年来利用摄像头对包括交通流密度的交通流参数进行测量和分析，也获得有意义的成果。
2.1磁频类检测技术
该检测技术是一种将感应线圈埋在路面以下的接触式检测技术，是目前我国使用最广泛的交通数据检测采集方式。它的工作原理是通过电磁感应来判断是否有车辆经过，可以直接采集到交通流量和时间占有率等数据。该技术已经相当成熟，而且大量的实践应用也证明了其实时性较强，精度较高，并且不易受到恶劣天气状况的影响。但也存在一定的缺点，比如前期安装部署比较复杂，后期维护成本较高。
图1 感应线圈检测原理示意图
2.2波频类检测技术
当车辆经过波频传感器的覆盖区域时将导致能量波束的改变，从而获取车辆通过的检测信号，按波束的物理性质可将波频技术划分为：微波检测器、超声波检测器、红外线检测器，其中微波检测器应用最为广泛。
微波和超声波技术工作原理是多普勒效应，在恶劣气候下仍旧能保持良好的性能，并且可以检测到静止的车辆。但是车辆之间的互相遮挡会对数据精度造成一定的影响。
红外线检测技术是通过安装在高处的检测器发射红外线，如若检测范围内有车辆通过，则红外线会被车辆反射给检测器，从而可判断有无车辆通过。该技术容易受到环境温度的影响，精度不高。
微波车辆检测器是工作在微波频段的雷达探测器，雷达发射调频微波被车辆反射回波，利用车辆进入、离开检测区时所产生的两个脉冲信息，计算交通流量、平均车速、车型、车辆长度、车流密度及车道占用率等信息。
微波检测器有侧视型、前视型两种安装方式。侧视型将设备安装在路侧立柱上，如图2，前视型将设备正面安装在道路中间的龙门架上，如图3。前视型每台设备只能检测 1 条车道；侧视型每台设备可同时检测 4～10个车道，因而侧视型的安装、维护成本低，但检测精度低于前视型安装，并且侧视安装要求设备距离最近车道至少3m，因而对安装高度有要求，不适用高度受限的地方，如高架、立交桥等。
图2 侧视型微波检测器安装位置
图3 前视型微波检测器安装位置
2.3视频类检测技术
视频类检测技术通过在摄像头监测范围内设置虚拟线圈做为检测区，车辆进入检测区使背景灰度值发生变化，从而产生检测信号，通过分析和处理后得到交通流量、车速、占有率、排队长度、车身长度、车型、车头时距及车流密度等信息。
该技术可以为交通事故管理提供可视图像，并且单台摄像机能够对多条车道的交通数据进行检测采集。但是该技术不能很好地应对车辆之间的互相遮挡问题，且在夜晚、大雾天气等能见度比较低的环境下会有很大的检测误差。
2.4浮动车检测技术
新兴的检测方法是指通过浮动车上传的车辆数据，结合地图等信息来计算交通状态信息。浮动车，也被成为探测车，一般指安装了车载GPS定位装置并行驶在城市主干道上的公交汽车和出租车。
随着导航APP用户的增长，使用导航APP的车辆也逐渐被认为是浮动车。
浮动车搭载全球定位系统，在其行驶过程中定期记录车辆位置、行驶方向和速度，并按一定周期基于蜂窝通讯上传至云服务器，云服务器对上传数据进行地图匹配、路径推测、分析交通流等处理，将浮动车数据和道路在时间、空间上进行关联，最终可得到浮动车所经过路段的车辆速度、平均车速、车流量、车流密度、拥堵状态等交通信息。该方法所采集数据的精度容易受到 GPS 样本数量、浮动车数量以及移动通信延迟不确定性的影响。
随着车路协同V2X技术的发展，网联车（Connected Vehicle，CV）的出现为交通参数估计的研究带来了新的发展机遇。网联车，指搭载了车载单元OBU（Onboard Unit）从而支持V2X通信的车辆。
网联车具备PC5直连和蜂窝通讯两种通讯功能，因此车辆数据可通过两种通讯链路上传数据：基于蜂窝通讯V2N直接上传到云服务器、基于PC5直连通讯V2I将数据上传至路侧设备（路侧单元RSU - Roadside Unit、边缘计算单元等），由路侧设备将原始数据或被边缘计算单元初步处理后的数据通过光纤上传至云服务器。
图4网联车通讯示意图
网联车与浮动车都是通过上传车辆数据实现交通状态的感知，但相比浮动车，网联车有以下优势：
定位精度更高，可达厘米级，因此上传的车辆位置、运动状态信息更准确，可实现进行准确的如车道级别的参数估计；
网联车可上传更多数据，如网联车车载传感器检测到的交通事故/障碍物/图片/视频信息、驾驶意图、车辆目的地、车辆油门踏板、制动踏板等信息，获得更多细粒度的车辆姿态数据，以适应交通状况的实时变化，时空动力学的随机性；
相比浮动车，网联车具有独特低延迟的V2X通信（PC5），特别对于路口大规模聚集节点情形下，保证了上传数据的实时性；
相比浮动车，网联车与云服务器之间有两条通讯链路，一个是通过4G/5G的V2N，一个是通过PC5的V2I+光纤有线，可保障数据采集系统功能冗余；
利用路侧边缘计算，RSU可通过V2I采集网联车数据，进行区域交通流密度检测与估计，更有利于后续交通拥堵的预测和判断、交通事故检测、自适应式信号控制和交通诱导；
基于车路协同V2X技术可实现交通流密度的准确估计，主要实现路径为：数据输入、算法模型和指标输出。数据输入来源于装载通信单元OBU的网联车辆和路侧通信单元RSU。
车端OBU可传输的信息包括：车辆位置、速度、加速度、车道ID、航向等，路侧RSU可传输的信息包括：地图拓扑、路侧基础信息等。算法模型主要包括聚类分析、回归分析、卡尔曼滤波、机器学习和基础交通模型等。
通过利用算法模型对车端和路侧的输入进行处理最终可得到密度估计结果，即指标输出，主要包括局部交通密度、区域交通密度和全域交通密度，最终可根据密度估计结果来判断交通拥堵程度。
图5 基于V2X的交通流密度估计的实现路径
4.1基于V2I的交通流密度估计
当采用V2I技术时，数据输入包括车端数据和路侧数据，主要实现方法如下图6所示。车载OBU实时感知广播自身车辆状态数据，包括车辆ID、位置、速度、航向、加速度等；RSU收到通信范围内的车辆状态信息后，结合路侧地图拓扑信息进行基础数据计算：
1）根据车辆位置、航向等识别车辆所属车道ID；
2）统计区域内各车道的车辆数；
3）计算区域内各车道的平均车速；
4）根据车辆速度、加速度等确定车辆停车次数；然后将初步计算得到的数据作为输入经由密度估计模型计算最终得到区域交通密度；
5）通过对多个RSU计算得到的区域交通密度进行处理，如加权平均，即可得到全域交通密度。
图6 基于V2I的交通流密度估计实现方法
4.2基于V2V的交通流密度估计
当采用V2V技术时，数据输入主要包括车端数据，主要实现方法如下图7所示。车载OBU向外广播自身状态数据，包括车辆ID、位置、速度、航向等；主车OBU接收到周围车辆状态信息后进行邻居列表的更新或删减；然后利用邻居列表中的车辆信息经由密度估计算法模型计算得到车辆的局部交通密度。
图7 基于V2V的交通密度估计实现方法
4.3考虑网联车渗透率下的交通流密度估计
上述基于V2I和V2V的交通流密度估计方法是在网联车渗透率100%前提下，考虑到装载OBU的车辆（网联车）渗透率增加需要一定时间，许多学者针对混合交通流环境下的交通流模型进行了研究，也就是网联车与非网联车混合的交通流。
这是有理论根据的，因为在同一路段的网联车与非网联车，车辆的运动姿态是有相关性的，根据欠采样与信号恢复理论，通过离散的网联车数据采样，也是可以有效估计出局部或区域的交通流密度。
一些学者针对高速公路混合交通流环境，实现了基于V2I的交通密度估计。例如将研究路段分为多个区段，每个区段起终点稀疏地部署路侧固定检测器，通过V2I技术收集并计算每个区段的网联车数量、平均速度等，通过固定检测器获取汇入-汇出流量等来确定网联车-非网联车比例，最终利用基础交通模型和滤波方法来计算得到交通流密度。
其他方法如通过采集大量数据构建车端特征数据和路侧标签的数据库，其中车端数据包括网联车上传的速度、车间距和停车次数等信息，路侧标签为道路整体密度，通过机器学习进行训练来完成分类，从而确定交通流密度，研究实验证明20%的渗透率可达到85%的预测精度。
一些学者针对城市路段混合交通流环境，利用V2I和V2V来实现城市路段的交通密度估计。
基于V2I的方法如下：RSU获取网联车的位置、运动状态等信息，跟踪网联车的行驶轨迹，基于恒定波速假设来利用网联车状态映射全部车辆，从而预测目标区段的交通密度。
基于V2V的方法中，每个网联车辆根据周围邻居列表和道路拓扑计算网联车辆的局部交通密度后，利用滤波方法如卡尔曼滤波来估计全部车辆的交通密度，研究试验表明该方法的计算精度与交通流量关系较大，当交通流量达到900veh/h且网联车渗透率高于50%时，预测精度可达到89.5%的准确度，与渗透率100%情况下相当。
参考文献：
[1]吴佩莉, 刘奎恩, 郝身刚,等. 基于浮动车数据的快速交通拥堵监控[J]. 计算机研究与发展, 2014, 51(1):10.
[2]靳紫娟. 道路交通流密度的概率密度估计与预测方法研究[D]. 湖南:湖南大学,2019.
[3]GB/T 20609-2006, 交通信息采集 微波交通流检测器[S]
[4]祝会兵,郭丽敏,张柠溪,等. 基于交通实测的交通流密度特性分析[J]. 宁波大学学报（理工版）,2015(4):20-24.
[5]盛东雪. 网联车环境下城市干道交通参数估计研究[D]. 四川:西南交通大学,2021.
[6]于泽浩.不完全车联网环境下的交通流建模与分析[D].北方工业大学,2020.
[7]Bekiaris-Liberis N , Roncoli C , Papageorgiou M . Traffic State Estimation Per Lane in Highways with Connected Vehicles[J]. Transportation Research Procedia, 2017, 27:921-928.
[8]Khan S M, Dey K C, Chowdhury M. Real-time traffic state estimation with connected vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(7): 1687-1699.
[9]Grumert E F, Tapani A. Traffic state estimation using connected vehicles and stationary detectors[J]. Journal of advanced transportation, 2018, 2018: 1-14..2018
[10]Bekiaris-Liberis N , Roncoli C , Papageorgiou M . Highway Traffic State Estimation with Mixed Connected and Conventional\n, Vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(12):3484-3497.
[11]Junghans M , Leich A . Traffic State Estimation with Bayesian Networks at Extremely Low V2X PenetrationRates [C]// International Conference on Information Fusion. IEEE, 2016.
[12]Aissaoui R , Menouar H , Dhraief A , et al. Advanced real-time traffic monitoring system based on V2X communications[J]. IEEE, 2014:2713-2718.
[13]Sanguesa J A , Fogue M , Garrido P , et al. An Infrastructureless Approach to Estimate Vehicular Density in Urban Environments[J]. Sensors (Basel, Switzerland), 2013, 13(2).
[14]Julio S , Javier B , Manuel F , et al. Sensing Traffic Density Combining V2V and V2I Wireless Communications[J]. Sensors, 2015, 15(12):31794-31810.
[15]Wang R, Xu Z, Zhao X, et al. V2V‐based method for the detection of road traffic congestion[J]. IET Intelligent Transport Systems, 2019, 13(5): 880-885.
[16]Gashaw S , Harri J . V2X data dissemination delay for vehicular traffic density estimations[C]// World of Wireless, Mobile & Multimedia Networks. IEEE, 2015:1-6.
[17]Jiang L, Molnár T G, Orosz G. On the deployment of V2X roadside units for traffic prediction[J]. Transportation Research Part C: Emerging Technologies, 2021, 129: 103238.
中国首个智能网联标准《合作式智能运输系统车用通信系统应用层及应用数据交互标准》执笔人之一(2017) 首创“三模式”（LTE、LTE-V、DSRC）自适应智能网联V2X设备与系统(2018)； 全国首个长沙开放道路智慧公交车路云协同系统设计者(2018)； 全国首个长沙开放高速道路路侧全息感知与车路协同系统设计者(2019)； 全国首个大规模车路协同公交优先系统设计者(2020) 全国首个基于CV2X的智能网联手机设计者（2021） 业界首个基于车路协同技术的路侧传感器标定方法设计者（2022）
RECOMMEND
推荐阅读