当前位置:首页 > 物联网 > 《物联网技术》杂志
[导读]摘要:根据RFID数据采集的冗余性,提出了一个基于RFID的交通拥挤程度计算方法,它利用最近一段时间內RFID读取计数和车辆计数之间的关系,计算交通拥挤程度。与简单地丢弃冗余数据相比,本方法为充分利用RFID数据的价值,提供了新的思路。实验结果表明,本方法有效可行,并能应用于大规模智能交通系统中交通拥挤的实时检测。

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。

基于射频识别的交通拥挤程度计算

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。

基于射频识别的交通拥挤程度计算

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

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

9月2日消息,不造车的华为或将催生出更大的独角兽公司,随着阿维塔和赛力斯的入局,华为引望愈发显得引人瞩目。

关键字: 阿维塔 塞力斯 华为

加利福尼亚州圣克拉拉县2024年8月30日 /美通社/ -- 数字化转型技术解决方案公司Trianz今天宣布,该公司与Amazon Web Services (AWS)签订了...

关键字: AWS AN BSP 数字化

伦敦2024年8月29日 /美通社/ -- 英国汽车技术公司SODA.Auto推出其旗舰产品SODA V,这是全球首款涵盖汽车工程师从创意到认证的所有需求的工具,可用于创建软件定义汽车。 SODA V工具的开发耗时1.5...

关键字: 汽车 人工智能 智能驱动 BSP

北京2024年8月28日 /美通社/ -- 越来越多用户希望企业业务能7×24不间断运行,同时企业却面临越来越多业务中断的风险,如企业系统复杂性的增加,频繁的功能更新和发布等。如何确保业务连续性,提升韧性,成...

关键字: 亚马逊 解密 控制平面 BSP

8月30日消息,据媒体报道,腾讯和网易近期正在缩减他们对日本游戏市场的投资。

关键字: 腾讯 编码器 CPU

8月28日消息,今天上午,2024中国国际大数据产业博览会开幕式在贵阳举行,华为董事、质量流程IT总裁陶景文发表了演讲。

关键字: 华为 12nm EDA 半导体

8月28日消息,在2024中国国际大数据产业博览会上,华为常务董事、华为云CEO张平安发表演讲称,数字世界的话语权最终是由生态的繁荣决定的。

关键字: 华为 12nm 手机 卫星通信

要点: 有效应对环境变化,经营业绩稳中有升 落实提质增效举措,毛利润率延续升势 战略布局成效显著,战新业务引领增长 以科技创新为引领,提升企业核心竞争力 坚持高质量发展策略,塑强核心竞争优势...

关键字: 通信 BSP 电信运营商 数字经济

北京2024年8月27日 /美通社/ -- 8月21日,由中央广播电视总台与中国电影电视技术学会联合牵头组建的NVI技术创新联盟在BIRTV2024超高清全产业链发展研讨会上宣布正式成立。 活动现场 NVI技术创新联...

关键字: VI 传输协议 音频 BSP

北京2024年8月27日 /美通社/ -- 在8月23日举办的2024年长三角生态绿色一体化发展示范区联合招商会上,软通动力信息技术(集团)股份有限公司(以下简称"软通动力")与长三角投资(上海)有限...

关键字: BSP 信息技术
关闭