基于車載自組網(wǎng)的交通事故風(fēng)險預(yù)防方法

刁含樓　吳嵐　華禹凱

摘要 車載自組網(wǎng)技術(shù)是當(dāng)今交通運輸領(lǐng)域最前沿的技術(shù)之一，路段網(wǎng)聯(lián)車與路側(cè)單元通過無線組網(wǎng)可實現(xiàn)豐富信息的高效傳輸共享。該技術(shù)一方面可與動態(tài)車道控制結(jié)合，加強控制策略的穩(wěn)定性與靈活性，另一方面掌握全局交通信息的組網(wǎng)網(wǎng)聯(lián)車本身即具有更優(yōu)的駕駛特性，從而改善交通流的整體狀態(tài)。引入車載自組網(wǎng)技術(shù)，基于隨機森林算法構(gòu)建解耦式交通—通信仿真框架，評價低比例網(wǎng)聯(lián)車的二次事故預(yù)防效果，結(jié)果顯示只需較低比例（5%～20%）的網(wǎng)聯(lián)車可改善事故對交通環(huán)境的影響。

關(guān)鍵詞 車載自組網(wǎng);事故風(fēng)險預(yù)防;解耦式交通—通信仿真;隨機森林

中圖分類號 V279 文獻標(biāo)識碼 A 文章編號 2096-8949（2022）06-0020-03

引言

車載自組網(wǎng)（Vehicular Ad-hoc Network， VANET）是當(dāng)前交通運輸領(lǐng)域最前沿的技術(shù)之一，通過車車（Vehicle-to-Vehicle， V2V）、車路（Vehicle-to-Infrastructure， V2I）通信可實現(xiàn)一定范圍內(nèi)網(wǎng)聯(lián)車的信息共享和協(xié)同運動，被認(rèn)為在交通安全[1]、出行效率[2]和環(huán)境可持續(xù)[3]等領(lǐng)域具有巨大的應(yīng)用潛力。

網(wǎng)聯(lián)車在組網(wǎng)環(huán)境下，可獲取關(guān)于周圍交通環(huán)境的更準(zhǔn)確的交通信息，表現(xiàn)出更穩(wěn)定的行為，在網(wǎng)聯(lián)車、人工駕駛車混合的交通環(huán)境中，前者達到一定的占用率，依然有助于形成更穩(wěn)定的交通流[4]。Yang 等[5]即研究了網(wǎng)聯(lián)車的存在對二次事故風(fēng)險防控的效果，研究人員認(rèn)為在事故發(fā)生后，組網(wǎng)環(huán)境下的網(wǎng)聯(lián)車可以提前預(yù)知事故信息，表現(xiàn)出更為謹(jǐn)慎保守的動力學(xué)特征，研究者修改了組網(wǎng)網(wǎng)聯(lián)車的動力學(xué)參數(shù)，經(jīng)過仿真驗證，在僅依靠車車通信的情況下，網(wǎng)聯(lián)車比例相對較高（超過15%），顯著降低二次事故風(fēng)險。

1 交通—通信建模

1.1 實時交通—V2I通信辨識

車載自組網(wǎng)中V2I通信指網(wǎng)聯(lián)車與路側(cè)RSU設(shè)備之間的通信。因為RSU設(shè)備靜止且一般通信范圍大于網(wǎng)聯(lián)車，V2I通信往往更穩(wěn)定可靠。控制中心可借由 RSU設(shè)備對其覆蓋范圍內(nèi)的網(wǎng)聯(lián)車發(fā)布指令。RSU與網(wǎng)聯(lián)車通信半徑一般不等，故V2I通信又有上行、下行之分，僅考慮單向V2I通信，指令單向地由 RSU傳向網(wǎng)聯(lián)車。

1.2 考慮瓶頸影響的實時交通—V2V通信預(yù)測模型

實時交通—V2V通信預(yù)測模型旨在基于實時宏微觀交通信息預(yù)測任意網(wǎng)聯(lián)車的車車連通狀態(tài)。對任意網(wǎng)聯(lián)車，若能接收至少3輛網(wǎng)聯(lián)車所發(fā)消息，認(rèn)為該車處于連通狀態(tài)。除去異常值后在統(tǒng)計的274 706組樣本中有164 879組正樣本，指該網(wǎng)聯(lián)車于該時刻處于連通狀態(tài)，另有109 827組負(fù)樣本。與V2I通信不同，V2V通信過程中所有節(jié)點空間位置均可變，基于遍歷算法實時預(yù)測連通狀態(tài)存在較大的時間開銷，故基于二分類機器學(xué)習(xí)算法建立網(wǎng)聯(lián)車連通與宏微觀交通狀態(tài)的聯(lián)系，實現(xiàn)V2V通信預(yù)測。

1.3 候選自變量設(shè)置與事故影響辨識

研究基于隨機森林模型預(yù)測網(wǎng)聯(lián)車的通信狀態(tài)。模型所設(shè)候選自變量如表 1所示，可分為仿真瓶頸特征、網(wǎng)聯(lián)車微觀特征、交通流組成特征和網(wǎng)聯(lián)車分布特征4類，共含10項變量。其中交通流組成特征是對車載自組網(wǎng)整體效果影響最大，也是約束最大的因素。網(wǎng)聯(lián)車分布特征進一步明確了對應(yīng)時刻車載自組網(wǎng)節(jié)點的空間分布。

根據(jù)統(tǒng)計學(xué)定義，理論上網(wǎng)聯(lián)車的分布偏度 skewPos 與分布峰度 kurtPos 均可作為區(qū)分瓶頸影響的指標(biāo)。為選取最優(yōu)指標(biāo)，對兩者的聯(lián)合分布進行可視化，同時區(qū)分兩類瓶頸仿真所對應(yīng)的情況。可以明顯看到樣本點大體呈下凹分布——隨著位置偏度絕對值的增加位置峰度也隨之上升，與瓶頸影響下網(wǎng)聯(lián)車分布的畸變情況完全一致。可以看出受分析尺度影響不同事故位置會影響網(wǎng)聯(lián)車的分布偏度——當(dāng)瓶頸于K1+950斷面時分布偏度偏向于負(fù)值;而瓶頸于 K1+300 斷面時分布偏度偏向于正值。這意味著必然存在一斷面，當(dāng)事故恰好發(fā)生于此時即使網(wǎng)聯(lián)車分布發(fā)生畸變，其分布偏度仍接近于0，分布偏度不適用于事故影響劃分。綜上所述，選取網(wǎng)聯(lián)車分布峰度kurtPos為區(qū)分指標(biāo)，設(shè)置峰度閾值，對網(wǎng)聯(lián)車分布是否受事故影響進行區(qū)分，當(dāng)樣本峰度高于該閾值時，認(rèn)為網(wǎng)聯(lián)車分布受事故影響明顯。考慮到均勻分布的峰度為?1.2，定性地以?0.6為閾值進行劃分，將樣本劃分為正常狀況（Normal）和瓶頸明顯影響（Fluctuate）兩類，分別包含76 661和198 045組樣本。

經(jīng)顯著性檢驗得到的兩模型最優(yōu)自變量組合存在一定差異（表 2）。兩模型的公共自變量為網(wǎng)聯(lián)車位置 Pos、網(wǎng)聯(lián)車密度 cvDens 和總密度 Dens，包含網(wǎng)聯(lián)車微觀特征和交通流組成特征兩類特征。除此之外正常狀況時模型尚須考慮網(wǎng)聯(lián)車位置標(biāo)準(zhǔn)差 stdPos，即模型更關(guān)注網(wǎng)聯(lián)車分布的離散情況。而受瓶頸明顯影響時因為網(wǎng)聯(lián)車聚集程度基本確定，故模型在各項分布特征中更關(guān)心網(wǎng)聯(lián)車的聚集位置，即分布均值 meanPos。另外模型還須瓶頸位置 crashPos 以輔助預(yù)測。

2 車載自組網(wǎng)環(huán)境下的事故風(fēng)險分析

以 SUMO 自帶的跟馳、換道模型模擬常規(guī)車和網(wǎng)聯(lián)車的微觀駕駛行為，當(dāng)網(wǎng)聯(lián)車處于連通狀態(tài)時對部分微觀交通模型參數(shù)進行調(diào)整，當(dāng)網(wǎng)聯(lián)車連接斷開時則退回常規(guī)車交通模型參數(shù)。

以路段各斷面速度均值和標(biāo)準(zhǔn)差的時空演化表示瓶頸的時空影響（圖 1、圖 2）。同樣地由大律法對時空演化數(shù)據(jù)進行分割，定量計算事故時空影響面積（表 3）。圖 2為不同網(wǎng)聯(lián)車占用率下事故的發(fā)生對斷面速度均值的時空影響，其中深色的慢速行駛區(qū)域即為事故的影響范圍。可以看到在無網(wǎng)聯(lián)車時，事故的空間影響一度達到事故斷面上游 700 m處，網(wǎng)聯(lián)車的引入對該影響范圍的改善效果似乎并不十分明顯。表 3由定量計算的影響面積證實了網(wǎng)聯(lián)車的效果——約5%的網(wǎng)聯(lián)車比例可使事故瓶頸面積縮小約 1.5%，且該效果隨網(wǎng)聯(lián)車比例增加而進一步增強，說明網(wǎng)聯(lián)車的存在有助于在一定程度上改善瓶頸對斷面速度的影響。圖 1為不同網(wǎng)聯(lián)車占用率下事故的發(fā)生對斷面速度標(biāo)準(zhǔn)差的時空影響，亮色區(qū)域表示該斷面各車道速度差異較大，同樣可表征瓶頸的影響范圍。圖 1與圖 2具有較高的一致性，再結(jié)合表 3可看出網(wǎng)聯(lián)車的引入同樣有助于改善瓶頸發(fā)生后斷面各車道的速度變異性，改善效果存在波動但整體幅度明顯優(yōu)于其對速度均值的改善效果，5% 的網(wǎng)聯(lián)車可使影響面積縮小約 7.7%。斷面橫向速度差越低有助于減小換道頻率，既提升了安全性也緩解了換道造成的通行能力衰減。綜上所述，混合交通環(huán)境中的網(wǎng)聯(lián)車可從各方面不同程度地改善交通狀態(tài)。

3 結(jié)論

根據(jù)現(xiàn)有的耦合式交通—通信仿真框架進行車載自組網(wǎng)仿真獲取仿真數(shù)據(jù)，再進行數(shù)據(jù)挖掘，分別討論交通—V2I 通信、交通—V2V 通信兩類情況。預(yù)測 V2V 通信時，因不同交通狀態(tài)特別是事故的不同影響下網(wǎng)聯(lián)車的分布將發(fā)生改變，從而影響信息傳播，引入表征網(wǎng)聯(lián)車分布的各項變量并區(qū)分事故影響，構(gòu)建考慮事故影響的實時交通—V2V 通信預(yù)測模型，并對模型的預(yù)測性能和各項指標(biāo)的影響進行定量定性分析。最后基于模型構(gòu)建解耦式交通—通信仿真框架，基于解耦式仿真分析網(wǎng)聯(lián)車的存在對二次事故預(yù)防與通行能力提升的效果，結(jié)果顯示只需較低比例（5%～20%）的網(wǎng)聯(lián)車自各方面改善事故對交通環(huán)境的影響。

參考文獻

[1]BAI F， KRISHNAN H. Reliability analysis of DSRC wireless communication for vehicle safety applications; proceedings of the 2006 IEEE intelligent transportation systems conference， F， 2006 [C]. IEEE.

[2]BAUZA R， GOZALVEZ J， SANCHEZ-SORIANO J， et al. Road Traffic Congestion Detection through Cooperative Vehicle-to-Vehicle Communications; proceedings of the 35th Annual IEEE Conference on Local Computer Network （LCN）， Denver， CO， F 2010 Oct 10-14， 2010 [C]. 2010.

[3]TIELERT T， KILLAT M， HARTENSTEIN H， et al. The impact of traffic-light-to-vehicle communication on fuel consumption and emissions; proceedings of the 2010 Internet of Things （IOT）， F， 2010 [C]. IEEE.

[4]CHEN A， KHORASHADI B， CHUAH C-N， et al. Smoothing vehicular traffic flow using vehicular-based ad hoc networking & computing grid （VGrid）; proceedings of the 2006 IEEE Intelligent Transportation Systems Conference， F， 2006 [C]. IEEE.

[5]YANG H， WANG Z， XIE K. Impact of connected vehicles on mitigating secondary crash risk [J]. International journal of transportation science and technology， 2017（3）： 196-207.

收稿日期：2022-02-18

作者簡介：刁含樓（1989—），男，碩士研究生，研究方向：智能交通、智慧公路。