高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种车载端为主的城市路网当前与未来速度查询方法

韩京宇 王彦之 陈进 晏鑫鑫 张怡婷

韩京宇, 王彦之, 陈进, 晏鑫鑫, 张怡婷. 一种车载端为主的城市路网当前与未来速度查询方法[J]. 电子与信息学报, 2024, 46(9): 3722-3730. doi: 10.11999/JEIT240102
引用本文: 韩京宇, 王彦之, 陈进, 晏鑫鑫, 张怡婷. 一种车载端为主的城市路网当前与未来速度查询方法[J]. 电子与信息学报, 2024, 46(9): 3722-3730. doi: 10.11999/JEIT240102
HAN Jingyu, WANG Yanzhi, CHEN Jin, YAN Xinxin, ZHANG Yiting. A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads[J]. Journal of Electronics & Information Technology, 2024, 46(9): 3722-3730. doi: 10.11999/JEIT240102
Citation: HAN Jingyu, WANG Yanzhi, CHEN Jin, YAN Xinxin, ZHANG Yiting. A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads[J]. Journal of Electronics & Information Technology, 2024, 46(9): 3722-3730. doi: 10.11999/JEIT240102

一种车载端为主的城市路网当前与未来速度查询方法

doi: 10.11999/JEIT240102
基金项目: 江苏省重点研发计划(BE2022065-5)
详细信息
    作者简介:

    韩京宇:男,教授,研究方向为空间时态数据库、大数据与机器学习

    王彦之:男,硕士生,研究方向为机器学习与数据挖掘

    陈进:男,硕士生,研究方向为数据库系统与数据挖掘

    晏鑫鑫:男,硕士生,研究方向为时空数据管理与数据挖掘

    张怡婷:女,副教授,研究方向为大数据管理与网络安全

    通讯作者:

    韩京宇 jyhan@njupt.edu.cn

  • 中图分类号: TN929.53; TP311.132

A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads

Funds: Jiangsu Provincial Key Research & Development Plan (BE2022065-5)
  • 摘要: 城市智能交通管理中经常查询路段的当前和未来交通速度,该文提出一种车载边缘为主(VED)的城市路段速度查询和预测方法:车载端在速度低于一定阈值时,与其它车载端交换收集到的数据,并在本地构建轻量级的当前和历史速度索引,以支持当前速度查询。为了用尽可能少的模型支持速度预测,提出根据路段拓扑同构将路网划分成若干路段等价类,根据周期性时窗和路段等价类将整个时空划分成若干模型等价类,同一个模型等价类的路段在给定时窗呈现相似的交通运行模式。针对每个模型等价类,车载端和数据中心配合进行联邦学习,训练长短期记忆模型(LSTMs)并存储在车载端,以响应车载端对附近未来交通状况的查询。每个车载端本地索引数据、本地响应查询,避免了查询响应延迟和通信拥塞;数据保存在车载端,而非集中存放,避免了安全攻击导致的隐私泄漏。
  • 图  1  路网上车载端数据交换的示例

    图  2  路段z的进入与引出路段

    图  3  时空立方2-1-3-SH(z,5)中的2-3-IC(z,5)

    图  4  进入路段同构的推导示例

    图  5  zz'的进入路段示例

    图  6  模拟数据集上gc随η的变化

    图  7  Geolife数据集上gc随η的变化

    图  8  Geolife上时隙范围对当前查询精度的影响(当前路段)

    图  9  Geolife上路段范围对当前查询精度的影响(当前时隙)

    图  10  Geolife上LSTM的数量随mn同构值的变化

    图  11  Geolife上LSTM的数量随β的变化

    图  12  未来查询精度随mn的变化(k=6)

    图  13  未来查询精度随时隙数k的变化(m=n=2)

    图  14  VED和Trellis时空覆盖率的对比

    图  15  不同时空范围下当前查询精度的对比

    2  inSphere

     输入:路网$ \mathrm{D}\mathrm{N} $,进入同构参数$ m $,目标路段$ \mathrm{t}\mathrm{s}\mathrm{g} $
     输出:路段$ \mathrm{t}\mathrm{s}\mathrm{g} $的$ m $跳距内的进入路段
     (1) 初始化队列$ Q $并将$ \mathrm{t}\mathrm{s}\mathrm{g} $入队
     (2) $ \mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\left(\mathrm{t}\mathrm{s}\mathrm{g}\right),\mathrm{ }\mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \varnothing $
     (3) while $ Q $非空 do
     (4)  $ \mathrm{s}\mathrm{g}\leftarrow {Q}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right) $, $ \mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \mathrm{r}\mathrm{e}\mathrm{t}\cup \left\{\mathrm{s}\mathrm{g}\right\} $
     (5)  if $ \left|\mathrm{s}\mathrm{g}\right| < m $ then
     (6)   获取$ \mathrm{s}\mathrm{g} $的所有直接前驱并将它们送入队列$ Q $
     (7)  end
     (8) end
    下载: 导出CSV

    1  同构路段划分

     输入:路网$ \mathrm{D}\mathrm{N} $,同构参数$ m $和$ n $,特征标签集合$ L $
     输出:路段的同构分组
     (1) 将$ \mathrm{D}\mathrm{N} $的第1个路段$ \mathrm{s}\mathrm{g} $压入栈$ \mathrm{S}\mathrm{K} $中
     (2) while $ \mathrm{S}\mathrm{K} $非空 do
     (3)  $ \mathrm{s}\mathrm{g}\leftarrow \mathrm{S}\mathrm{K}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right) $
     (4)  if $ \mathrm{s}\mathrm{g} $未被处理过 then
     (5)     $ \mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\left(\mathrm{s}\mathrm{g}\right) $
     (6)    $ \mathrm{s}\mathrm{g}\mathrm{的}\mathrm{前}\mathrm{驱}\mathrm{路}\mathrm{段}\mathrm{i}\mathrm{n}\mathrm{s}\mathrm{g}\mathrm{s}\leftarrow \mathrm{i}\mathrm{n}\mathrm{S}\mathrm{p}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{e}\left(\mathrm{D}\mathrm{N},\mathrm{s}\mathrm{g},m\right) $
     (7)    $ \mathrm{s}\mathrm{g}\mathrm{的}\mathrm{后}\mathrm{继}\mathrm{路}\mathrm{段}\mathrm{o}\mathrm{u}\mathrm{t}\mathrm{s}\mathrm{g}\mathrm{s}\leftarrow \mathrm{o}\mathrm{u}\mathrm{t}\mathrm{S}\mathrm{p}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{e}\left(\mathrm{D}\mathrm{N},\mathrm{s}\mathrm{g},n\right) $
     (8)    $ \mathrm{h}\mathrm{c}\leftarrow \mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}\mathrm{C}\mathrm{o}\mathrm{d}\mathrm{e}\left(\mathrm{i}\mathrm{n}\mathrm{s}\mathrm{g}\mathrm{s},\mathrm{o}\mathrm{u}\mathrm{t}\mathrm{s}\mathrm{g}\mathrm{s},L\right) $
     (9)    根据$ \mathrm{h}\mathrm{c} $将$ \mathrm{s}\mathrm{g} $归类
     (10) end
     (11) if $ \mathrm{s}\mathrm{g} $的邻接路段$ w $未被分类过 then
     (12)    push$ \left(w\right) $
     (13) end
     (14) else
     (15)    $ \mathrm{s}\mathrm{g}=\mathrm{S}\mathrm{K}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right) $
     (16) end
    下载: 导出CSV

    3  响应未来交通查询

     输入:车载端的LSTM模型,对未来交通的查询$ \mathrm{f}\mathrm{q}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right) $,当前
     速度索引PVI,恢复矩阵$ \bf{A}\bf{V} $
     输出:对应的时空单元$ \mathrm{S}\mathrm{G}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right) $的预测速度
     (1) $ \mathrm{l}\mathrm{s}\mathrm{t}\mathrm{m}\leftarrow \mathrm{车}\mathrm{载}\mathrm{端}\mathrm{对}\mathrm{应}\mathrm{于}\mathrm{S}\mathrm{G}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right)\mathrm{的}\mathrm{L}\mathrm{S}\mathrm{T}\mathrm{M}\mathrm{模}\mathrm{型} $
     (2) $ \mathrm{s}\mathrm{h}\leftarrow \mathrm{P}\mathrm{V}\mathrm{I}\mathrm{中}\mathrm{对}\mathrm{应}\mathrm{于} $mn(k–1)–SH(rs,ts–1)时空范围的样本概况
     (3) 预测集$ \mathrm{p}\mathrm{v}\leftarrow \varnothing $
     (4) for $ \mathrm{c}\mathrm{l}\in \mathrm{s}\mathrm{h} $ do
     (5)  $ \mathrm{v}\mathrm{v}\leftarrow \mathrm{计}\mathrm{算}\mathrm{c}\mathrm{l}\mathrm{中}\mathrm{的}\mathrm{速}\mathrm{度} $
     (6)  if $ \mathrm{c}\mathrm{l} $ 为空 then
     (7)   $ \mathrm{v}\mathrm{v}\leftarrow \bf{A}\bf{V}\left[\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right]\mathrm{中}\mathrm{的}\mathrm{数}\mathrm{据} $
     (8)  end
     (9)  $ \mathrm{将}\mathrm{v}\mathrm{v}\mathrm{加}\mathrm{入}\mathrm{p}\mathrm{v} $
     (10) end
     (11) $ \mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \mathrm{l}\mathrm{s}\mathrm{t}\mathrm{m}\left(\mathrm{p}\mathrm{v}\right) $
     (12) return ret
    下载: 导出CSV
  • [1] PELANIS M, ŠALTENIS S, and JENSEN C S. Indexing the past, present, and anticipated future positions of moving objects[J]. ACM Transactions on Database Systems, 2006, 31(1): 255–298. doi: 10.1145/1132863.1132870.
    [2] PFOSER D, BRAKATSOULAS S, BROSCH P, et al. Dynamic travel time provision for road networks[C]. The 16th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, Irvine, USA, 2008: 68. doi: 10.1145/1463434.1463513.
    [3] CHANG Jundong. Spatial-temporal based traffic speed imputation for GPS probe vehicles[C]. The Fifth International Conference on Network, Communication and Computing, Kyoto, Japan, 2016: 326–330. doi: 10.1145/3033288.3033339.
    [4] CHEN Rongsheng and LEVIN M W. Traffic state estimation based on Kalman filter technique using connected vehicle V2V basic safety messages[C]. 2019 IEEE Intelligent Transportation Systems Conference, Auckland, New Zealand, 2019: 4380–4385. doi: 10.1109/ITSC.2019.8917343.
    [5] 崔艳玲, 金蓓弘, 张扶桑. 基于数据融合的高速公路交通状况检测[J]. 计算机学报, 2017, 40(8): 1798–1812. doi: 10.11897/SP.J.1016.2017.01798.

    CUI Yanling, JIN Beihong, and ZHANG Fusang. Highway traffic condition detection with data fusion[J]. Chinese Journal of Computers, 2017, 40(8): 1798–1812. doi: 10.11897/SP.J.1016.2017.01798.
    [6] BEI Pan, DEMIRYUREK U, and SHAHABI C. Utilizing real-world transportation data for accurate traffic prediction[C]. IEEE 12th International Conference on Data Mining, Brussels, Belgium, 2012: 595–604. doi: 10.1109/ICDM.2012.52.
    [7] HE Zhixiang, CHOW C Y, and ZHANG Jiadong. STCNN: A spatio-temporal convolutional neural network for long-term traffic prediction[C]. The 20th IEEE International Conference on Mobile Data Management, Hong Kong, China, 2019: 226–233. doi: 10.1109/MDM.2019.00-53.
    [8] TANG Keshuang, CHEN Siqu, CAO Yumin, et al. Short-term travel speed prediction for urban expressways: Hybrid convolutional neural network models[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1829–1840. doi: 10.1109/TITS.2020.3027628.
    [9] TONG Guan, PENG Jiaheng, and LIANG Jun. Spatial-temporal graph multi-gate mixture-of-expert model for traffic prediction[C]. IEEE 26th International Conference on Intelligent Transportation Systems, Bilbao, Spain, 2023: 36–41. doi: 10.1109/ITSC57777.2023.10422031.
    [10] LI Maosen, CHEN Siheng, SHEN Yanning, et al. Online multi-agent forecasting with interpretable collaborative graph neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(4): 4768–4782. doi: 10.1109/tnnls.2022.3152251.
    [11] 岳猛, 王怀远, 吴志军, 等. 云计算中DDoS攻防技术研究综述[J]. 计算机学报, 2020, 43(12): 2315–2336. doi: 10.11897/SP.J.1016.2020.02315.

    YUE Meng, WANG Huaiyuan, WU Zhijun, et al. A survey of DDoS attack and defense technologies in cloud computing[J]. Chinese Journal of Computers, 2020, 43(12): 2315–2336. doi: 10.11897/SP.J.1016.2020.02315.
    [12] QI Bozhao, KANG Lei, and BANERJEE S. A vehicle-based edge computing platform for transit and human mobility analytics[C]. The Second ACM/IEEE Symposium on Edge Computing, San Jose, USA, 2017: 1. doi: 10.1145/3132211.3134446.
    [13] 吴洪越, 陈志伟, 石博文, 等. 一种面向边缘计算环境的去中心化服务请求分发方法[J]. 计算机学报, 2023, 46(5): 987–1002. doi: 10.11897/SP.J.1016.2023.00987.

    WU Hongyue, CHEN Zhiwei, SHI Bowen, et al. Decentralized service request dispatching for edge computing systems[J]. Chinese Journal of Computers, 2023, 46(5): 987–1002. doi: 10.11897/SP.J.1016.2023.00987.
    [14] 张晓东, 张朝昆, 赵继军. 边缘智能研究进展[J]. 计算机研究与发展, 2023, 60(12): 2749–2769. doi: 10.7544/issn1000-1239.202220192.

    ZHANG Xiaodong, ZHANG Chaokun, and ZHAO Jijun. State-of-the-art survey on edge intelligence[J]. Journal of Computer Research and Development, 2023, 60(12): 2749–2769. doi: 10.7544/issn1000-1239.202220192.
    [15] WANG Tian, LUO Hao, ZHENG Xi, et al. Crowdsourcing mechanism for trust evaluation in CPCS based on intelligent mobile edge computing[J]. ACM Transactions on Intelligent Systems and Technology, 2019, 10(6): 62. doi: 10.1145/3324926.
    [16] FELDMAN M, LAI K, STOICA I, et al. May. Robust incentive techniques for peer-to-peer networks[C]. The 5th ACM Conference on Electronic Commerce, New York, USA, 2004: 102–111. doi: 10.1145/988772.988788.
    [17] 陈山枝, 葛雨明, 时岩. 蜂窝车联网(C-V2X)技术发展、应用及展望[J]. 电信科学, 2022, 38(1): 1–12. doi: 10.11959/j.issn.1000-0801.2022007.

    CHEN Shanzhi, GE Yuming, and SHI Yan. Technology development, application and prospect of cellular vehicle-to-everything (C-V2X)[J]. Telecommunications Science, 2022, 38(1): 1–12. doi: 10.11959/j.issn.1000-0801.2022007.
    [18] HOCHREITER S and SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735–1780. doi: 10.1162/neco.1997.9.8.1735.
    [19] RAMSAK F, MARKL V, FENK R, et al. Integrating the UB-tree into a database system kernel[C]. The 26th International Conference on Very Large Data Bases, Cairo, Egypt, 2000: 263–272.
    [20] NIELSEN F. On a generalization of the Jensen–Shannon divergence and the Jensen–Shannon centroid[J]. Entropy, 2020, 22(2): 221. doi: 10.3390/e22020221.
    [21] MCMAHAN B, MOORE E, RAMAGE D, et al. Communication-efficient learning of deep networks from decentralized data[C]. The 20th International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, USA, 2017: 1273–1282.
  • 加载中
图(15) / 表(3)
计量
  • 文章访问数:  168
  • HTML全文浏览量:  60
  • PDF下载量:  22
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-02-26
  • 修回日期:  2024-06-15
  • 网络出版日期:  2024-06-24
  • 刊出日期:  2024-09-26

目录

    /

    返回文章
    返回