基于射频识别的交通拥挤程度计算
扫描二维码
随时随地手机看文章
引言
随着城市的高速发展,城市交通拥挤问题日益严重。为交通管理人员和驾驶人员提供实时准确的交通拥挤状况,以便及时采取有效措施,改善交通流,提高道路的通行能力,成为智能交通的一个重要研究方向。
目前,广泛采用的交通拥挤检测方法包括地埋式感应线圈、微波检测器、GPS浮动车检测技术、视频检测技术等。其中,地埋式感应线圈存在易损坏、难修复、施工复杂的缺点;微波检测器存在技术复杂,价格较高的缺点;GPS浮动车检测技术缺点是存在检测盲区;视频检测技术需要获取大量交通状态参数,系统实现比较复杂,易受雨雪雾霾等恶劣天气的影响。
近年来,随着射频识别(RadioFrequencyIdentification,RFID)的发展,利用RFID作为实时交通流的采集手段逐渐成为智能交通的主流。RFID是一种利用射频信号进行非接触式双向通信,自动识别目标对象并获取相关信息数据的无线通信技术。RFID技术具有远距离识别、移动目标识别、多目标识别等特点,广泛应用于高速公路自动收费系统、列车交通监控系统、车辆监控管理等智能交通领域。因此,利用RFID技术检测交通拥挤状况具有着重要的意义。
当前,利用RFID技术来计算交通拥挤程度研究较少。文献[8]提出采用基于RFID的路段平均速度里计算交通拥挤程度,需要利用多个采集点的数据,对后台系统的处理能力要求较高;由于需要考虑采集点之间红绿灯对车速的影响,计算也比较复杂。
本文将在介绍RFID数据采集的冗余性特点基础上,提出利用RFID数据冗余率来计算交通拥挤状况,并结合实际数据验证方法的有效性,最后是结论。
1交通拥挤程度的计算
最简单的RFID系统包括电子标签、读写器天线、读写器和后台系统等。在RFID的交通应用中,电子标签通常安装在车辆的前挡风玻璃上,电子标签包含车辆的号牌等信息;读写器及天线安装在道路上方;当车辆经过读写器的天线作用区域时,车辆上的电子标签被读写器识别,电子标签包含的信息被读写器读取,这些信息可以被读写器传送到后台系统进行进一步处理。图1给出了RFID智能交通的应用能够场景。
图1RFID智能交通应用场景
RFID读写器识别电子标签的速度很快,800/900MHz频段的超高频RFID,读写器在1s内可以识别数百个电子标签叫在RFID智能交通应用中,由于读写器天线作用范围内的电子标签数目很少,读写器会进行多次重复识别,从而产生大量的数据冗余。处理冗余的通常方法是消除相隔时间太短的相同数据。但是这同时也丢失了冗余数据中包含的信息。在RFID交通应用中,我们可以采用这个数据冗余性来在计算交通拥挤程度,并采用模糊数学隶属度来表示交通拥挤程度。
如果在最近一段时间内,读写器在其天线作用区域内的读取计数(识别的车辆次数)为N、车辆计数(消除读取计数中重复的车辆号牌后得到车辆数目)为就可以采用公式(1)来计算交通拥挤程度。拥挤程度为0时,表示交通通畅;拥挤程度为1时,表示交通严重拥挤。
其中,C是平均数据冗余率,即车辆平均重复识别次数。C与读写器天线在垂直于地面方向上的作用范围、RFID数据采集点的正常车速、安全车距等有关。下面给出数据冗余率C的估算过程。
RFID读写器天线在垂直于地面方向上的作用范围如图2所示。其中,读写器天线安装在距离地面上方Hm的A点,其最大作用距离为Rm,天线在垂直方向的作用角度为飢由此,可以采用公式(2)来计算读写器天线在车辆行驶方向上的工作范围W。
通常,一台读写器可以有多个天线,在每个车道上方安装一个天线,各个天线采用轮换方式进行工作,这样一台读写器就可以监视识别多个车道上的车辆。如果一台读写器监视的车道数目为L个,读写器在每个车道上的识别时间Ts,则读写器识别一个车道的间隔时间为(LXT)s。这样,在最近ts内,读写器对车辆的理论读取计数为t/(LXT)次。
如果在数据采集点处,车辆的正常行驶速度Vm/s,车辆平均长度为Bm,车辆间安全间距为Gm。车辆在最近ts内行驶了(VXt)m,其中Wm在读写器天线作用范围内,这样,在最近ts内,读写器对车辆的实际读取计数为(t/(LXT))X(W/(VXt))=WKVX/LXT))次。再考虑到车辆之间的安全间距,读写器识别一个车道上的车辆的平均次数Ct数据冗余率)可以用公式(3)计算。
在以上C值的计算推导中,假设车辆上的电子标签只要在读写器天线作用范围内,都能被识别到。在实际应用中,读写器天线实际作用范围W要比理论值小。因此,应根据各个采集点处的具体情况调整C的取值。
2实验结果
为了验证所提出的基于RFID的交通拥挤程度计算方法的有效性,可采用2011年深圳大学生运动会赛事电子车证系统的实际数据进行检验。
在电子车证系统中,对全市200万辆机动车中涉及赛事的2万辆车的前挡风玻璃上安装了超高频电子标签,并在赛事车辆经常经过的道路上方安装了50台超高频读写器,分布在32个断面(采集点)上。数据采集的断面选择在一段道路的中点,这样,采集到的车辆交通流数据基本不受红绿灯的影响,能很好地用于计算交通拥挤程度的目的。图3给出了一个RFID数据采集点的场景,可以看到安装在每个车道上方的读写器天线。
图3一个RFID数据采集点的场景
在这个电子车证系统部分采集点,读写器天线距离地面高度约5m,读写器最大作用距离约12m,读写器天线在垂直方向的工作范围约50。。这样,在车辆行驶方向上,读写器天线的有效工作范围W约为9.5m。一个读写器通常有4根天线。轮流识别4个相邻车道上的车辆,每个车道上的识别时间为40ms,识别4个车道需要160ms。在采集点,车辆的正常行驶速度为10m/s,通过天线作用区域的时间为9.5m/(10m/s)=950ms。在950ms内,车辆被识别的平均次数(车辆计数)为950/160Q次,即C取值为6。考虑到车辆长度和安全间距,以及读写器天线的有效工作范围,应取C=3〜4。
笔者利用一个采集点处读写器在2011年8月2日18时15分18秒开始采集的原始数据,计算了最近5s内基于数据冗余率的交通拥挤程度,其中,C值取为3和4。表1给出了这个采集点的交通流数据和相应的交通拥挤程度计算结果。
表1实时交通流和相应的交通拥挤程度计算结果
时间 |
读取计数 |
车辆计数 |
拥挤程度 (C=3) |
拥挤程度 (C=4) |
18:15:18 |
3 |
1 |
0.0 |
0.0 |
18:15:19 |
5 |
1 |
0.8 |
0.5 |
18:15:20 |
8 |
1 |
0.962 |
0.941 |
18:15:21 |
13 |
2 |
0.935 |
0.862 |
18:15:22 |
19 |
2 |
0.977 |
0.968 |
18:15:23 |
21 |
2 |
0.983 |
0.977 |
18:15:24 |
25 |
2 |
0.989 |
0.986 |
18:15:25 |
27 |
2 |
0.991 |
0.989 |
18:15:26 |
27 |
2 |
0.991 |
0.989 |
18:15:27 |
23 |
2 |
0.986 |
0.982 |
18:15:28 |
18 |
2 |
0.972 |
0.961 |
18:15:28 |
12 |
2 |
0.9 |
0.8 |
表1所对应的时间正是晚高峰期间。从表1可以看出,有2辆赛事车辆经过了这个采集点,其中一辆用了8s才行驶了不到9.5m,这个速度远远小于10m/s的正常速度,可以认为这时发生了交通拥堵。采用本文的计算方法,交通拥挤程度达到或超过了0.9,这与实际情况符合较好。
由于只有不到1%的车辆安装了电子标签,在表1对应的时间前后,由于没有赛事车辆经过该采集点,因此,无法计算交通拥挤程度。如果有足够数量的车辆安装了电子标签,完全可以用这个方法来计算其它时间交通拥挤程度。
图4给出了另一个采集点从2011年8月13日13时18分38秒开始的120s内的交通拥挤程度情况。当时,赛事车辆集中通过这个采集点,道路上发生了交通拥挤,在2min内,有9辆赛事车辆通过了该采集点。
图4一段时间交通拥挤时对应的拥挤程度
3结语
根据RFID交通数据采集的特点,建立了交通拥挤程度的计算模型,并利用实际的RFID交通流数据进行了验证。实验表明,本文提出的基于RFID的交通拥挤程度模型有效可行。本文的方法只需要利用最近几秒内的RFID系统采集的数据进行计算,对交通拥挤的检测具有较高的实时性。本文提出的交通拥挤程度计算方法非常简单,在一台读写器上就能完成,避免了在后台集中计算时对后台系统的压力,完全能够应用于大规模的智能交通系统。
20211221_61c1e846d8af8__基于射频识别的交通拥挤程度计算