一种用于网联车辆数据捕获与恢复的压缩感知方法及其对行程时间估计的影响
应用统计
2018-10-30 v2
摘要
网联车辆(CVs)可通过车对车与车对基础设施通信捕获并传输车辆位置和速度等详细数据。丰富的 CV 数据为提高交通系统的安全性与机动性提供了新机遇。然而，其很可能使存储与通信系统不堪重负。为缓解该问题，我们提出一种压缩感知(CS)方法，允许 CV 实时捕获并压缩数据，随后准确高效地恢复原始数据。该方法通过两个案例研究进行评估。在第一项研究中，我们使用该方法重新捕获 1000 万条 CV 基本安全消息(BSM)速度样本，能以低至 0.05 的均方根误差恢复原始速度数据，并探讨了其他 BSM 变量的恢复性能。在第二项研究中，建立高速公路交通仿真模型以评估该方法对行程时间估计的影响。模拟了具有不同 CV 市场渗透率、车载单元(OBU)容量、压缩比、到达率模式与数据捕获率的多类场景。结果表明，该方法相较常规数据采集方法提供更准确的估计，行程时间估计误差相对降低达 65%。即便压缩比低，该方法仍能提供准确估计，从而降低 OBU 硬件成本。此外，在 CV 处于交通拥堵时，它可改善行程时间估计精度，因其提供了更广的时空覆盖并能准确高效恢复原始 CV 数据。
引用
@article{arxiv.1806.10046,
title = {A Compressive Sensing Approach for Connected Vehicle Data Capture and Recovery and its Impact on Travel Time Estimation},
author = {Lei Lin and Weizi Li and Srinivas Peeta},
journal= {arXiv preprint arXiv:1806.10046},
year = {2018}
}
备注
Submitted to IEEE Intelligent Transportation Systems Magazine