基于ESN的高速公路黃河特大橋團霧預警系統設計

申全軍，陳 亮，王孜建，張 昱，樊兆董

(1.山東高速集團有限公司創新研究院，濟南 250098；2.山東省交通科學研究院，濟南 250031；3.山東省路域安全與應急保障交通運輸行業重點實驗室，濟南 250031)

0 引言

團霧是一種常見的天氣現象，其區域性強、能見度低、變化快、預測難度大，對于高速公路行車安全極具危害性。團霧不同于大范圍的平流霧、輻射霧，其表象為：大氣能見度值變化幅度較大、團霧區監測到的能見度呈反復跳躍式的升降。在湖泊密布的地區，空氣濕度比較大，當處于晝夜溫差大的季節時，白天水分蒸發到空中，晚上氣溫下降后，空氣中的水蒸氣就會液化形成團霧。不同方式形成的團霧對交通運行的影響有所不同，導致在團霧預測方面困難重重，對團霧的研究多為利用能見度儀進行監測。

在大跨度橋梁的路段，霧區范圍限于橋梁路段；對于湖泊區，山區高速公路的山間低谷地帶，這些路段的霧區影響范圍介于團霧和地區霧兩者之間，有其特殊性。區段霧的濃度有短時動態變化和路段內沿線變化的可能性；這種情況下，區段霧由多個能見度不等的團霧組成，運行環境危險性更大。團霧的全線監測比較困難，特別是對于河流密集地區，實施監測需要布置較多的能見度儀用以監測霧的形成，同時又需要布設較密的動態信息板發布誘導信息。

1 團霧預測現狀研究

相關團霧的監測方法多通過能見度、視頻等方式進行監測。1940年美國研究者首先使用攝像測量法進行大氣能見度監測，J.M.Sanders 開發了一種自動化霧和煙霧探測/告警系統，該系統使用商用霧探測器探測大氣能見度，通過與中央計算機系統相互連接的光纖網絡傳輸大氣能見度監測數據。袁成松[1]從高速公路能見度數學描述的角度論證了低能見度監測與預報的必要性，闡述了低能見度濃霧、局地性霧和突發性團霧的可預報性。馮海霞[2]提出一種利用多個相鄰攝像頭采集的視頻數據進行判別的霧檢測模型。另外，謝靜芳[3]提出了另一種思路，在觀測范圍之外拍攝的包含目標觀測范圍的視頻圖像，獲取視頻圖像，并在視頻圖像中確定出候選圖像；根據候選圖像的基本參數和預先建立團霧的參數集，確定候選圖像是否為團霧圖像。郭平[4]設計了一種對團霧多發路段的全范圍實時監測方法。根據團霧發生限于一定范圍的特點，每公里布設一套團霧信息采集單元，并在相應位置配備可變信息標志牌，根據站點與相鄰站點的能見度觀測值在可變信息標志牌上發布限速信息。

綜上所述，團霧的檢測方法與大范圍的平流霧、輻射霧是一致的。通過對能見度的監測，加以視頻圖像識別技術，將圖像的對比度、模糊度與正常情況下進行對比識別，判定是否有團霧的產生。

2.高速公路黃河特大橋團霧預警檢測系統方案設計

2.1 黃河特大橋團霧預警布設結構

基于黃河特大橋的地理、氣象、交通條件，提出一種用于黃河特大橋的團霧預測系統。系統布設框架如圖1所示。

圖1 黃河特大橋團霧預測系統布設框架

其中，整個系統采用分布式結構，由一個主站和若干個子站構成。主站和子站之間通過Zigbee網絡傳輸信息，站與站之間相隔500 m。主站主要實現的功能有：1)調度整個系統的資源，包括主站及所有子站;2)控制系統Zigbee網絡;3)匯集子站傳送的氣象、雷達、視覺等信息;4)調用回聲狀態網絡算法，實現團霧預測;5)對外發布團霧預警信息。子站實現的功能主要有：1)接收主站調度信號，利用氣象、雷達、視覺設備主動發起探測;2)對傳感器接收的數據進行預處理，并通過Zigbee網絡向主站發送報文。

2.2 Zigbee傳輸網絡

Zigbee是一種無線網絡技術，已經在智慧城市、智能交通、智慧家居等領域嶄露頭角，它具有中短距離、低功耗、低數據傳輸速度的特點。Zigbee設備成本低、傳輸的數據量少，適用于黃河特大橋氣象檢測的場景。利用Zigbee技術，對黃河特大橋組建無線傳輸網絡，實時檢測網絡覆蓋范圍內黃河特大橋的氣象條件，對實現團霧預警提供數據支持。

主流的Zigbee網絡拓撲結構有3種，分別為網狀形(mesh)網、星形(star)網和樹形(cluster-tree)網[5]。網絡拓撲中的節點可分為兩類，全功能設備(FFD)和精簡功能設備(RFD)。FDD具有路由功能，RFD不具備路由功能但可定期休眠。星形網是最簡單的一種拓撲結構，它由一個協調者節點和若干終端節點組成。優點是星形網的控制和同步都比較簡單，缺點是數據鏈路單一和覆蓋范圍小。樹形網由一個協調者節點、若干個路由節點和若干個終端節點組成，網絡拓撲結構比星形網復雜的多。樹形網的優點是覆蓋范圍大、拓撲穩定，缺點是隨著覆蓋范圍的增大和節點數目的增大網絡的負載和功耗較大。網狀形網由一個協調者節點、若干個路由節點和若干個終端節點組成。網狀形網優點是具有更加靈活的信息路由規則，路由節點之間可以直接通訊，還具有自組織、自愈功能，具有較高的冗余性。綜合黃河特大橋的物理布設條件，團霧預警系統采用網狀形網絡拓撲結構。

2.3 回聲狀態網絡預測算法

人工神經網絡已經廣泛應用于非線性系統的預測，包括支持向量機(SVM)、極限學習機(ELM)和回聲狀態網絡(ESN)等[6-9]。其中，回聲狀態網絡已經成功應用于智能信號處理、高非線性動態系統和動力學建模中。回聲狀態網絡作為遞歸型神經網絡，具有豐富的記憶反饋，主要由輸入層、動態儲備池和輸出層三部分組成。其中，動態儲備池即神經網絡中的隱藏層，該隱藏層模仿人的神經網絡結構，由大量的稀疏連接的神經元組成。

由圖2所示，輸入層與動態儲備池之間存在輸入連接權值Win，動態儲備池與輸出層之間用輸出連接權值Wout連接，并且輸出層對動態儲備池有返回權值Wback，Wback在實際應用過程中通常是可以省略的，因此以虛線連接。圖2中，W指動態儲備池內部連接權值，x(t)表示輸入信號，u(t)表示儲備池的狀態，fout表示非線性讀出，y(t)為ESN的輸出。在ESN的網絡初始化過程中，輸入權值Win，儲備池內部權值W以及返回權值Wback隨機生成，在網絡的動態更新過程中保持不變。將返回權值Wback設置為0，忽略輸出層對動態儲備池的反饋。因此，對ESN進行訓練，就是對輸出權值Wout進行訓練。ESN的訓練過程體現在輸出權值Wout調整上，而輸出權值Wout訓練方法可以采用簡單的線性回歸，也可以采用諸如SVM之類的機器學習方法，非常靈活。

圖2 回聲狀態網絡結構

在圖2中，t時刻的輸入為x(t)，一共有L個節點，動態儲備池狀態為u(t)，一共有M個節點，輸出為y(t)，一共有N個節點。在t時刻，ESN的狀態為：

x(t)=[x1(t),x2(t),…,xL(t)]T

u(t)=[u1(t),u2(t),…,uM(t)]T

y(t)=[y1(t),y2(t),…,yN(t)]T

(1)

令輸入權值Win初始化為M*L階，動態儲備池內部連接權值W為M*M階，輸出權值Wout為N*M階，返回權值Wback為M*N階。那么，動態儲備池的更新狀態方程為：

u(t+1)=f(Win×x(t+1)+W×u(t)+Wback×y(t))

(2)

y(t)=fout(Woutu(t))

(3)

式(2)中,f(g)表示動態儲備池的激活函數，此激活函數通常使用非線性函數，例如tanh函數、sigmoid函數等“S”型函數。式(3)中fout(g)表示輸出層的讀出函數，此讀出函數可以使用線性函數進行線性讀出，也可使用非線性函數進行非線性讀出。將輸出結果y(t)與期望值進行比較，就可以得到誤差值。在實際運用過程中，可以使用線性回歸的方法對ESN進行網絡訓練，使誤差值最小，此時得到輸出權值Wout即可進行實際的工程應用。

3 系統硬件設計

針對黃河特大橋的條件[10-14]，預測系統中的硬件設計分為主站硬件設計和子站硬件設計，主站的功能齊全，硬件系統較復雜；子站的硬件系統主要作用是收集測量信息并報告給主站，設計側重點為低功耗。主站主要用到的硬件單元有邊緣計算終端[15]、氣象傳感器[16]、雷視一體機[17]、霧端路測終端、Zigbee[18]模塊、供電模塊等，以下對硬件單元進行簡要介紹。

3.1 主站硬件系統

圖3 主站硬件系統框圖

1)邊緣計算終端MEC：邊緣計算終端(MEC)為霧端智能處理運算核心，實現對多傳感器前端數據融合、存儲，可接入視覺相機、微波雷達、氣象傳感器等多種感知設備的數據，內置事件預測算法，能夠運算分析大量實時數據，輸出融合感知的結構化數據，可以為道路車輛提供實時數據，滿足車路協同對數據毫秒級的實時性要求。

2)氣象傳感器：氣象傳感器包括無線道路氣象感知子探頭和風速風向檢測傳感器，其中無線道路氣象感知子探頭型號為XF-MS100，由XF-RRS300TM型無線路面溫度檢測器和 XF-VIFS110M無線微型能見度檢測器組成。其參數如表1所示。

表1 XF-MS100氣象感知子探頭重要技術參數

3)霧端路測終端:數據傳輸單元(RSU)可實現GPS亞米級精準定位，基于4G蜂窩移動通信技術將路側單元的交通量信息、氣象信息傳輸到數據中心服務器,并可通過該網絡對前端控制設備進行遠程管理。該傳輸網絡用數據專線、光纖網絡、5G網絡、無線DSRC/C-V2X(RSU)采集車通訊下載等方式解決大數據量的傳輸，操作人員通過傳輸網絡可對前端控制設備進行設備參數設置和遠程設備管理。

4)雷視一體:目前，海康威視、宇視科技、大華股份、天地偉業等企業都推出了自主研發的雷視一體機。項目選擇的海康威視一體機在橫向和縱向探測范圍上都比較大，其中橫向探測可視視角可達90°以上，能夠覆蓋雙向6～8車道的監控視角，縱向檢測距離可達200 m，甚至450 m以上，采用MIMO體制，距離精度可達±0.32 m，方位角精度可達±0.1°(遠距)、±0.3°(近距)，速度分辨率為0.1 m/s，可精準檢測與區分行人和車輛，并進行全息化還原，實現全局目標的實時矢量化，雷視一體機檢測的指標參數包括車流量、時間占有率、平均速度、車頭時距、排隊長度、車型，可以滿足對高速公路運行風險參數的采集要求。

5)TI-CC2530:CC2530是德克薩斯州儀器(TI)公司推出的真正的系統級芯片，適用于針對IEEE 802.15.4協議，Zigbee和RF4CE應用的解決方案。在實際的工程應用中，常用CC2530進行Zigbee組網，因為它能低成本建立強大的網絡節點。CC2530結合了領先的RF收發器，業界標準的增強型8051微控制器，系統性能優良，并且具有可編程閃存，8 KB RAM和許多其他強大的功能。CC2530有4種不同閃存版本：CC2530F32/64/128/256，其中分別后綴數字分別表示32/64/128/256 KB的Flash存儲器。CC2530具有不同的運行模式，使得它非常適合于超低功耗要求的系統。結合業界領先的金黃色單元狀態的Zigbee協議棧(Z-Stack的TM)，TI-CC2530F256提供了一個強大和完整的Zigbee解決方案。

3.2 子站硬件系統

子站硬件系統包括STM32F103ZET6，能見度儀、Zigbee模塊、供電等，子站硬件系統框架如圖4所示。

圖4 子站硬件系統框架

3.2.1 STM32F103ZET6

英國ARM公司是全球領先的半導體知識產權(IP)提供商。全世界超過95%的智能手機和平板電腦都采用ARM架構[19]。ARM設計了大量高性價比、耗能低的RISC處理器、相關技術及軟件。STM32系列基于專為要求高性能、低成本、低功耗的嵌入式應用專門設計的ARM內核, ARM 目前已經推出了如下CortexM 系列的CPU：M0，M0+，M3和M4。M0是最低端的，其目標就是和8 位/16位單片機進行競爭。M0+是其的一個增強版本。而M3和M4則面向相對高端的單片機市場；簡單說就是更強性能的M0。所有這些CPU都是基于ARM Cortex M體系結構。ARMCortexM體系結構相當于定義了一個全集(針對低端MCU市場)，而M0～M4這些具體的CPU則是分別實現M體系結構中一個子集；即它們是根據具體需要，實現M體系結構的一部分功能。M4是M3的升級版本，展現出更好的性能，但整體上兩者是相同的。兩者的差別主要是在繼承了M3所有功能的基礎上，增加和增強了如下功能：

1)增強了高精度MAC，使得在做算法計算時的性能更高;

2)增加了浮點單元FPU;

3)增加了具有SIMD功能的DSP指令。

簡單概括就是比M3增強了做算法運算的功能，使得不僅僅是個MCU，還有點DSP的功能，因此，有的人把它稱為DSC(digital signal controller)。鑒于M3和M4有很大相似處，所以很多M3的書籍資料也是適用于M4的。Cortex-M4是一個32位處理器內核。處理器底層的數據路徑為32位，底層的寄存器同樣為32位，包括存儲器接口也是32位。M4的處理器結構使用的是哈佛結構，指令總線和數據總線是相互獨立的，所以取址和數據訪問可以并行執行。因此，數據訪問不會占用指令總線，所以提升了處理器的性能。不僅如此，M4更是提供一個可選的 MPU，隨時根據是否需要來決定集成MPU。M4提供的另外一個用于提高性能(主要是存儲器訪問，比如取址的性能)的部件是cache。

Cache 同樣也是可選的，不一定需要。Freescale 的kinetis 的低端系列(K10，K40等)是不集成cache 的，但在高端的K70中就支持了cache。M4 還提供多種調試手段，用于在硬件水平上支持調試操作，如指令斷點，數據觀察點等，極大的方便了開發。CM4 的浮點單元(FPU)也是可選的，對于集成FPU 的CM4，我們稱為CM4F。此外，CM4還集成了一個高性能的中斷控制器NVIC(可嵌套向量中斷控制器)。

本次研究我們選取采用M4內核架構的STM32F103作為子站的處理中心，在上面實現子站的控制系統，進行少量的算法分析和數據處理，由于STM32F103有非常快的運算速度和非常低廉的價格優勢，我們選擇它作為子站的大腦。

3.2.2 能見度儀

子站集成維薩拉公司的 VS20 UMB 小型化能見度儀。該傳感器工作電壓 24 V，功率 3 W，數據更新頻率為每分鐘一次，VS20 UMB的主要參數如表2所示。

4 軟件系統設計

4.1 主站軟件設計

主站軟件實現對主站硬件設備進行資源調度，以及通過Zigbee網絡控制子站的數據傳輸[21]。主站結合ESN算法利用各子站報送的氣象、雷達、視覺信息對是否存在團霧進行判斷，繼而輸出預警信息。其運行流程如圖5所示。

圖5 主站軟件流程圖

如圖5所示，所有模塊上電之后進行初始化操作。邊緣計算終端MEC進行計算機環境配置等初始化操作，初始化操作結束后，MEC嘗試獲取主站數據，主站數據包括氣象傳感器的數據和雷視一體機的數據。MEC與主站通過硬件連接，因此MEC一定能夠獲取主站的數據。主站的數據獲取之后，MEC發出獲取子站數據命令，子站數據主要包括能見度在內的氣象數據。如果不能獲取子站數據，則利用主站數據和ESN算法對主站位置附近是否存在團霧進行判斷；如果主站能夠獲取子站數據，則利用Zigbee網絡，將子站數據傳送到主站，主站根據主站已獲取的主站數據和子站數據，利用ESN算法對主站和子站附近是否存在團霧分別進行判斷。如果判斷出有預警信息，則通過RSU終端向云端和服務器公網IP的指定端口發送預警信息。因此，運維人員在云端或服務器上即可查看黃河特大橋某個節點是否存在團霧。

主站軟件流程偽代碼如下所示：

1)初始化：各傳感器設備、MEC

2)while未接收停止指令 do

3)獲取主站氣象報文

4)獲取主站雷視一體報文

5)發送獲取子站數據命令

6)監聽是否有子站數據返回，若有則進行下一步，若沒有則跳轉到8)

7)通過Zigbee接收數據、進行數據校驗

8)調用ESN算法，輸入主站和子站(如果有)的數據，進行團霧判斷

9)將團霧是否存在判斷結果輸出

End while

4.2 子站軟件設計

子站的軟件系統主要功能是驅動傳感器正常工作獲取數據，建立Zigbee網絡節點，接收主站的命令，將命令中需要的數據以報文的形式通過Zigbee網絡傳送給主站。子站運行流程如圖6所示。

圖6 子站軟件流程圖

如圖6所示，子站選用Arm平臺作為主控板。上電之后，主控板及各傳感器進行初始化，主控板程序啟動。主控板向CC2530發送組網命令，CC2530獲取組網命令之后進行Zigbee組網，建立Zigbee子節點。主控板向各傳感器發送獲取數據命令，各傳感器以報文的形式將前端數據發送給主控板。主控板收到數據之后進行預處理，包括剔除無效數據、對數據進行初步分類和存儲，同時等待主站命令。主站命令到達之后，子站通過Zigbee網絡將數據傳送至主站；如果子站一直等不到主站命令，則等待超時，等待超時觸發存儲指令，對子站獲取的數據進行存儲，然后進行下一輪獲取數據的循環過程。在子站向主站發送數據的過程中，如果正確傳輸了數據，則進行下一輪獲取數據的循環過程；如果沒有正確傳輸數據，則進行一次數據重傳，不論數據重傳是否成功都會進入下一輪獲取數據循環過程。

子站軟件流程偽代碼如下所示：

1)初始化：各傳感器設備、Arm平臺STM32F103ZET6

2)通知TI-CC2530建立Zigbee網絡建立子節點

3)獲取各傳感器報文

4)數據預處理

5)if主站命令到達

發送子站數據至主站

if 發送成功

返回3)

else

重傳

else

數據存儲

6)跳轉到3)

5 實驗結果與分析

將團霧預警系統布設在濟南市長清區黃河特大橋上，黃河特大橋全長約3 560 m，設立一個主站，11個子站，主站設在黃河特大橋一端，子站沿黃河特大橋線性順序設立。團霧預警系統在2022年1月10日觀測到團霧形成，并成功進行預警。子站區站號Y6003，提取整理后的氣象數據如表3所示。

由表3可見：

1)在凌晨4點時，子站3的能見度在1 km以上，從4:00開始到4：15，能見度下降893 m，從4：15-4：30，能見度下降184 m。從4:30-5:45，能見度始終低于100 m，維持時間大約為75 min。5:45-6:00，能見度從41 m突升到1 125 m，增加幅度1 081 m，此后，能見度一直維持在1 km以上。

2)在4:30-5:45時間段內，風速為0.7～0.8 m/s，風速數據偏大，路表溫度小于等于0.3 ℃，空氣溫度在零下0.4 ℃以下，空氣濕度維持在96%～97%之間，降水量為0，路面狀態正常。

表4是邊緣計算終端利用ESN算法和子站3歷史氣象數據對團霧出現的概率進行的預測，表中，團霧是否出現，由雷視一體傳回的子站3氣象圖片人工確定。

對比表3和表4，可以發現黃河特大橋在4:15-5:45出現團霧；表4中，4:15-5:45之間，ESN算法利用氣象等傳感器的歷史數據，對團霧出現預測的概率都在80%以上，即預警系統對是否出現團霧進行了準確的預警。

表3 子站3氣象數據

表4 子站3團霧預測

子站4區站號Y6004，提取整理后的氣象數據如表5所示。

表5 子站4氣象數據

由表5可見，子站4的能見度始終在1 km以上，與子站3的路表溫度最大相差0.1℃，降水量為0，風速最大0.3 m/s，空氣溫度與子站3相差最大1 ℃，子站4平均氣溫比子站3平均氣溫低約0.4 ℃。空氣濕度在96%以上。

在4:30-5:45，子站3的能見度低于100 m，子站4的能見度大于1 km，因此，團霧出現在子站3與子站4之間。

表6是邊緣計算終端利用ESN算法和子站4歷史氣象數據對團霧出現的概率進行的預測，表中，團霧是否出現，由雷視一體傳回的子站4氣象圖片人工確定。

表6 子站4團霧預測

表6中，對子站4的團霧預測概率在60%以下，子站4附近沒有出現團霧。對比表4和表6，可以發現，團霧在子站3出現，在子站4沒有出現，即團霧出現在子站3與子站4之間，符合實際情況。ESN算法利用主站和子站的氣象歷史數據，對是否出現團霧做出了準確的預測。

在表4中，6:00預測的概率為56%，但是沒有出現團霧。在表8中，在4:30、4:45、5:00、5:15預測概率超過50%均未出現團霧。因此，不能將團霧預測概率定為50%來判斷是否存在團霧。

6 結束語

基于黃河特大橋的氣象條件，設計并開發了一種基于ESN的團霧預警系統。預警系統利用氣象、視覺等設備獲取黃河特大橋環境條件，采用Zigbee網絡傳輸信息，在邊緣計算終端中運行ESN預測算法，對黃河特大橋是否出現團霧進行預警。實驗結果表明，本系統能較好的預測黃河特大橋是否出現團霧，對黃河特大橋風險管控有著重要意義。