基于WiFi探針的路段空間平均速度檢測系統(tǒng)設(shè)計

馮靖賀　李曙光

摘 要：針對車牌對照法、航空攝影法和GPS浮動車法等傳統(tǒng)的路段空間平均速度檢測方法存在耗時耗力和實時性差等弊端，設(shè)計了基于WiFi探針設(shè)備的路段空間平均速度檢測系統(tǒng)。該系統(tǒng)使用WiFi探針采集道路車輛WiFi信息，實時上傳服務(wù)器，挖掘WiFi信息時空特性，獲取路段空間平均速度，并利用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測路段空間平均速度，最后通過實例驗證本系統(tǒng)設(shè)計的可行性。

關(guān)鍵詞：WiFi探針;空間平均速度;LSTM;交通信息檢測系統(tǒng);K-Means++聚類算法;網(wǎng)絡(luò)模型

中圖分類號：TP39 文獻標(biāo)識碼：A 文章編號：2095-1302（2020）03-00-03

0 引 言

實時準確地掌握道路交通運行狀態(tài)對提升道路交通服務(wù)水平和運輸能力至關(guān)重要[1]。路段空間平均速度是評價道路交通運行狀態(tài)的重要指標(biāo)，同時也是反映道路交通狀況和服務(wù)水平的基本參數(shù)之一[2]。固定式點檢測器仍是交通信息采集的主要設(shè)備，采集的車速信息以定點車速為主，在此基礎(chǔ)上估算路段空間平均速度不夠準確。基于車牌識別對照和電子車牌技術(shù)的區(qū)間測速手段準確率較高，但設(shè)備造價高昂，普及率較低。航空攝影法受拍攝手段影響，無法長時間持續(xù)獲取數(shù)據(jù)[3]。GPS浮動車法在實際中容易出現(xiàn)特定目標(biāo)路段樣本量較少的情況[4-5]。

WiFi、藍牙等無線技術(shù)的普及為交通信息采集提供了更多思路。Ahmed構(gòu)建了基于無線技術(shù)的交通檢測平臺，初步驗證了無線檢測技術(shù)應(yīng)用于交通領(lǐng)域的可行性[6]。LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)能夠克服RNN可能出現(xiàn)的梯度爆炸或消失問題[7]，面對交通流的隨機性和非線性，能夠提取更多時空信息，更有效地解決短時交通流預(yù)測問題[8]。

本文利用WiFi檢測技術(shù)設(shè)備造價低、安裝維護方便、普及性高等優(yōu)勢，基于WiFi探針設(shè)備設(shè)計了一種路段空間平均速度檢測系統(tǒng)。

（1）結(jié)合設(shè)備特點合理布設(shè)設(shè)備，實時高效地采集WiFi數(shù)據(jù)樣本。

（2）以WiFi數(shù)據(jù)樣本為基礎(chǔ)，實時計算路段空間平均車速。

（3）構(gòu)建LSTM網(wǎng)絡(luò)模型，實現(xiàn)對路段空間平均車速的準確預(yù)測。

1 系統(tǒng)總體框架設(shè)計

系統(tǒng)總體框架主要包含數(shù)據(jù)采集設(shè)備端、服務(wù)器和可視化展示三個部分，如圖1所示。

WiFi探針被布置在待測路段首尾兩端截面的位置（記為A端和B端），實時探測周邊環(huán)境中的WiFi信息。當(dāng)載有WiFi信號的車輛等交通目標(biāo)通過該待測路段時，WiFi探針會檢測到其設(shè)備MAC地址、通過路段AB端時的時間戳tA和tB、信號強度信息，通過4G模塊以UDP協(xié)議形式上傳至服務(wù)器，并保證各設(shè)備的時間同步性。當(dāng)路段長度為0.32～0.8 km時，路段空間平均速度能夠較好地反映交通細節(jié)[9]，考慮到WiFi探針設(shè)備檢測覆蓋半徑約50 m，因此本系統(tǒng)選擇待測路段的長度范圍為600～800 m。

2 路段空間平均速度檢測系統(tǒng)設(shè)計

路段空間平均速度檢測系統(tǒng)包含路段空間平均速度的獲取和預(yù)測。當(dāng)服務(wù)器端接收到探針實時上傳的WiFi信息時，便計算路段當(dāng)前的空間平均速度，并進一步預(yù)測下一時間周期的速度信息。

2.1 路段空間平均速度的獲取

設(shè)備MAC地址由IEEE進行管理和分配，具備全球唯一性。在服務(wù)器中對檢測路段A，B兩端的WiFi探針采集的數(shù)據(jù)樣本進行基于MAC地址的匹配，獲取樣本經(jīng)過該路段兩端的時間戳tA和tB，時間戳之差為樣本的行程時間，可根據(jù)待測路段的長度計算樣本的區(qū)間行程速度。圖2展示了路段空間平均速度的獲取流程。

檢測路段的環(huán)境可能較為復(fù)雜，行人、非機動車等干擾的存在會使最終計算出的路段空間平均速度偏低（路段非擁堵狀態(tài)下）。本文采用K-Means++聚類算法剔除行人、非機動車等樣本數(shù)據(jù)，減少最終路段區(qū)間平均速度的計算誤差。具體步驟如下：

Step1：選取WiFi探針采集樣本的路段區(qū)間行程速度作為K-Means++聚類算法的聚類特征。

Step2：采用elbow法確定K-Means++聚類算法的初始聚類簇數(shù)，即K值。

Step3：根據(jù)選定的K值，利用K-Means++聚類算法對采集樣本進行聚類，選取聚類中心值最大的一個聚類簇作為車輛類。

使用elbow法的原因在于實際路段混合交通特性沒有直觀的體現(xiàn)，根據(jù)數(shù)據(jù)本身確定聚類數(shù)是更好的方式。最終，以聚類之后遴選出的車輛類樣本數(shù)據(jù)，進一步計算路段空間平均速度。

采用滑動時間窗口計算待測路段的空間平均速度，具體如圖3所示，圖中時間軸上的滑動時間窗口寬度W為

5 min，窗口滑動步長L為1 min，時間窗口內(nèi)的行程速度的調(diào)和平均值可近似為待測路段在此期間的空間平均速度。隨著時間窗口的逐步滑動，發(fā)現(xiàn)待測路段的空間平均速度隨時間發(fā)生變化。

2.2 路段空間平均速度的預(yù)測

系統(tǒng)利用Keras框架實現(xiàn)LSTM預(yù)測模型的搭建和訓(xùn)練。為了兼顧訓(xùn)練速度和測試精度，選擇的模型深度為4層[10]，其中包含兩個LSTM層，每層神經(jīng)元個數(shù)為128，激活函數(shù)分別為“elu”和“tanh”。每個LSTM層后接一個Dropout層，設(shè)定隨機斷開25%的神經(jīng)元。模型的優(yōu)化器選擇“adam”，激活函數(shù)選擇“sigmoid”，損失函數(shù)選擇“mse”。

獲取的路段空間平均速度數(shù)據(jù)經(jīng)過異常值清洗、相鄰數(shù)據(jù)平均法補齊缺失值和min-max法歸一化操作，然后使用訓(xùn)練后的模型進行預(yù)測，再經(jīng)過最終的反歸一化即可得到預(yù)測結(jié)果[11]。

3 系統(tǒng)測試結(jié)果與分析

系統(tǒng)測試地點選取在西安市二環(huán)南路東段位于文藝路南口天橋和雁塔立交天橋之間的路段。待測路段全長600 m，東西走向，為雙向8車道設(shè)計（其中雙向各有一輔助車道）。實驗采用4個WiFi探針設(shè)備，探針檢測有效范圍約為50 m。兩個一組分別安裝在實驗路段兩端的人行天橋上，確保檢測范圍內(nèi)無遮擋。該實驗待測路段的地圖如圖4所示，圖中三角形為對應(yīng)的WiFi探針的安裝位置，虛線框中為待測路段。

測試時間選取為某一工作日的14：20—18：10，在實驗路段進行WiFi樣本采集，共有14 451條不同MAC地址的WiFi信號記錄。對實驗路段兩端所采集的數(shù)據(jù)進行基于MAC地址的匹配，計算樣本通過該路段的區(qū)間速度。

實驗路段有較多的行人、非機動車目標(biāo)干擾。使用elbow法確定最佳聚類K值，如圖5所示。當(dāng)K值為2時，樣本的SSE值出現(xiàn)了最大幅度下降，因此將聚類K值定為2。然后對樣本進行聚類，計算路段空間平均速度的時間序列，其中滑動時間窗口寬度選擇為5 min，窗口滑動步長為1 min，共得到220個時間周期的速度數(shù)據(jù)。

使用上文中訓(xùn)練的模型進行單步預(yù)測，路段兩個方向空間平均速度的預(yù)測值和實際值均較為貼合，在速度下降幅度較大時預(yù)測效果略差，但能夠反映實際中路段空間平均速度的變化趨勢。預(yù)測結(jié)果的平均絕對誤差（MAE）分別為0.959和1.083，均方根誤差（RMSE）分別為1.284和1.385，系統(tǒng)對檢測結(jié)果和預(yù)測結(jié)果的展示如圖6所示。

4 結(jié) 語

本文設(shè)計的檢測系統(tǒng)能夠?qū)β范慰臻g平均速度進行實時獲取和預(yù)測，表明了WiFi探針能夠用于交通檢測領(lǐng)域。WiFi探針相比傳統(tǒng)的交通信息檢測手段和設(shè)備有以下優(yōu)勢：

（1）成本低廉，對道路侵入性低，安裝及后期維護方便;

（2）檢測數(shù)據(jù)占用空間小，便于后期處理、傳輸和存儲。

因此，基于WiFi探針的路段空間平均速度預(yù)測方法是對當(dāng)前交通信息采集手段的補充，具有較高的實用價值。

參 考 文 獻

[1]姜桂艷，冮龍暉，王江鋒.城市快速路交通擁擠識別方法[J].交通運輸工程學(xué)報，2006，6（3）：87-91.

[2]陳秀鋒，田家斌，曲大義，等.城市道路空間平均速度估計模型

[J].科學(xué)技術(shù)與工程，2017（13）：77-80.

[3]吳松.機動車區(qū)間測速系統(tǒng)綜述[J].計量與測試技術(shù)，2017（7）：71-72.

[4] RAN B，ROUPHAIL N M，TARKO A，et al. Toward a class of link travel time functions for dynamic assignment models on signalized networks [J]. Transportation research，part B（Methodological），1997，31（4）：1-290.

[5] TYAGI V，DARBHA S，RAJAGOPAL K R.A dynamical systems approach based on averaging to model the macroscopic flow of freeway traffic [J]. Nonlinear analysis hybrid systems，2008，2（2）：590-612.

[6] AHMED H，ELDARIEBY M，ABDULHAI B，et al.Bluetooth and WiFi based mesh network platform for traffic monitoring [C]// Transportation Research Board，Meeting. 2008.

[7] MA X，TAO Z，WANG Y，et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data [J]. Transportation research part C： emerging technologies，2015，54（5）：187-197.

[8] SCHMIDHUBER J.Gradient flow in recurrent nets： the difficulty of learning long-term dependencies [M]. Wiley-IEEE Press：Gradient flow in recurrent nets： the difficulty of learning longterm dependencies，2001.

[9]何兆成，盧瑞琪，聶佩林.基于浮動車定位數(shù)據(jù)的高速公路區(qū)間平均速度估計[J].公路交通科技，2011，28（6）：128-135.

[10]王祥雪，許倫輝.基于深度學(xué)習(xí)的短時交通流預(yù)測研究[J].交通運輸系統(tǒng)工程與信息，2018（1）：81-88.

[11] TIAN Y，PAN L.Predicting short-term traffic flow by long short-term memory recurrent neural network[C]// 2015 IEEE International Conference on Smart City/SocialCom/SustainCom （SmartCity）.IEEE，2016.