基于物联网与边缘计算的车载实时道路信息采集系统

本公开涉及道路信息采集领域，具体涉及一种基于物联网与边缘计算的车载实时道路信息采集系统。

背景技术：

1、随着城市化进程的不断加快，城市交通拥堵问题日益严重，对城市经济发展和居民生活质量产生了重大影响。在城市交通管理中，道路信息的及时采集对于有效缓解交通拥堵、提高交通运行效率至关重要。

2、传统的道路信息采集系统主要依赖于固定式路侧传感器，这些传感器通常安装在道路旁边或路口，用于监测车辆的通过、速度等数据。然而，传统的道路信息采集系统在安装和维护固定式路侧传感器时需要大量的人力和物力成本，尤其在城市中布设困难，成本较高。此外，固定式路侧传感器的覆盖范围受限于安装位置，无法实现全面覆盖城市各个区域，导致部分区域的交通信息无法有效获取。此外，由于固定式路侧传感器的数量和分布有限，无法实现实时监测和数据更新，导致获取的交通信息可能存在延迟，影响交通管理的及时性和准确性。

3、因此，期望一种基于物联网与边缘计算的车载实时道路信息采集系统。

技术实现思路

1、考虑到以上问题而做出了本公开。本公开的一个目的是提供一种基于物联网与边缘计算的车载实时道路信息采集系统。

2、本公开的实施例提供了一种基于物联网与边缘计算的车载实时道路信息采集系统，其包括：

3、车辆运行数据采集模块，用于通过道路上多个车辆的车载终端分别采集各自的车辆运行数据，所述车辆运行数据包括位置、车速和加速度；

4、车辆运行数据传输模块，用于将所述多个车辆的车辆运行数据通过5g物联网通信网络传输至边缘计算节点；

5、车辆运行状态编码模块，用于在所述边缘计算节点，分别使用基于全连接层的车辆运行状态编码器对所述多个车辆的车辆运行数据进行编码以得到多个车辆运行状态全连接编码特征向量；

6、车辆间运行状态关联编码模块，用于在所述边缘计算节点，通过基于深度神经网络模型的车辆间运行状态关联编码器对所述多个车辆运行状态全连接编码特征向量进行特征提取以得到车辆间运行状态关联特征向量的序列；

7、道路全域车辆间运行状态表征模块，用于在所述边缘计算节点，将所述车辆间运行状态关联特征向量的序列通过门控特征筛选本质特征网络以得到道路全域车辆间运行状态关联表征特征向量作为道路全域车辆间运行状态关联表征特征；以及

8、道路拥堵状态检测模块，用于基于所述道路全域车辆间运行状态关联表征特征，确定道路拥堵状态等级标签。

9、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述深度神经网络模型为一维扩展卷积神经网络模型。

10、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述车辆间运行状态关联编码模块，用于：

11、在所述边缘计算节点，将所述多个车辆运行状态全连接编码特征向量通过所述基于深度神经网络模型的车辆间运行状态关联编码器以如下车辆间运行状态关联特征提取公式进行处理以得到所述车辆间运行状态关联特征向量的序列；其中，所述车辆间运行状态关联特征提取公式为：

12、

13、其中，,,...,分别表示所述多个车辆运行状态全连接编码特征向量中的各个车辆运行状态全连接编码特征向量，表示所述多个车辆运行状态全连接编码特征向量的级联向量，表示连接操作，表示所述多个车辆运行状态全连接编码特征向量中的,,...,的级联向量，和分别表示权重矩阵和偏移向量，表示卷积操作，表示所述车辆间运行状态关联特征向量的序列中第个车辆间运行状态关联特征向量。

14、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述道路全域车辆间运行状态表征模块，用于：

15、在所述边缘计算节点，将所述车辆间运行状态关联特征向量的序列通过所述门控特征筛选本质特征网络以如下特征筛选公式进行处理以得到所述道路全域车辆间运行状态关联表征特征向量；其中，所述特征筛选公式为：

16、

17、其中，和分别为所述车辆间运行状态关联特征向量的序列中第和第个车辆间运行状态关联特征向量的各个位置的特征值，和分别为所述车辆间运行状态关联特征向量的序列中第和第个车辆间运行状态关联特征向量，是所述车辆间运行状态关联特征向量的序列，表示以2为底的对数函数值，为各个所述车辆间运行状态关联特征向量的长度，为所述车辆间运行状态关联特征向量的序列中向量的个数减一，为车辆间运行状态语义差异特征向量中各个位置的特征值，是所述车辆间运行状态语义差异特征向量的长度，为指数运算，是所述道路全域车辆间运行状态关联表征特征向量。

18、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述道路拥堵状态检测模块，用于：

19、在所述边缘计算节点，将所述道路全域车辆间运行状态关联表征特征向量通过基于分类器的道路拥堵状态评估器以得到评估结果，所述评估结果用于表示道路拥堵状态等级标签。

20、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，还包括用于对所述基于全连接层的车辆运行状态编码器、所述基于深度神经网络模型的车辆间运行状态关联编码器、所述门控特征筛选本质特征网络和所述基于分类器的道路拥堵状态评估器进行训练的训练模块。

21、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述训练模块，包括：

22、训练数据采集单元，用于通过道路上多个训练车辆的车载终端分别采集各自的训练车辆运行数据，以及，道路拥堵状态等级标签的真实值，其中，所述训练车辆运行数据包括训练位置、训练车速和训练加速度；

23、训练车辆运行数据传输单元，用于将所述多个训练车辆的训练车辆运行数据通过5g物联网通信网络传输至边缘计算节点；

24、训练车辆运行状态编码单元，用于在所述边缘计算节点，分别使用所述基于全连接层的车辆运行状态编码器对所述多个训练车辆的训练车辆运行数据进行编码以得到多个训练车辆运行状态全连接编码特征向量；

25、训练车辆间运行状态关联编码单元，用于在所述边缘计算节点，通过所述基于深度神经网络模型的车辆间运行状态关联编码器对所述多个训练车辆运行状态全连接编码特征向量进行特征提取以得到训练车辆间运行状态关联特征向量的序列；

26、训练道路全域车辆间运行状态表征单元，用于在所述边缘计算节点，将所述训练车辆间运行状态关联特征向量的序列通过所述门控特征筛选本质特征网络以得到训练道路全域车辆间运行状态关联表征特征向量；

27、损失计算单元，用于在所述边缘计算节点，将所述训练道路全域车辆间运行状态关联表征特征向量通过所述基于分类器的道路拥堵状态评估器以得到分类损失函数值；以及

28、损失训练单元，用于基于所述分类损失函数值对所述基于全连接层的车辆运行状态编码器、所述基于深度神经网络模型的车辆间运行状态关联编码器、所述门控特征筛选本质特征网络和所述基于分类器的道路拥堵状态评估器进行训练，其中，在所述训练的每一轮迭代中，对所述训练道路全域车辆间运行状态关联表征特征向量进行优化。

29、例如，根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其中，所述损失计算单元，用于：

30、通过所述基于分类器的道路拥堵状态评估器以如下分类训练公式对所述训练道路全域车辆间运行状态关联表征特征向量进行处理以得到训练分类结果；其中，所述分类训练公式为：

31、

32、其中，到为权重矩阵，到为偏置向量，为所述训练道路全域车辆间运行状态关联表征特征向量；以及

33、计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。

34、根据本公开的实施例的基于物联网与边缘计算的车载实时道路信息采集系统，其利用车载终端收集车辆运行数据，并通过5g物联网通信网络实时传输至边缘计算节点，以便利用基于边缘计算技术和人工智能技术的数据处理和分析算法来在数据源附近进行车辆运行数据的实时处理和分析，从而减少延迟，提高数据处理速度和效率，以得到道路拥堵的状态检测结果。这样，能够更为智能化地进行道路信息的实时监测和分析，从而为交通管理提供依据，以便更好地应对复杂多变的交通状况。