网联车数据的采集与恢复:一种压缩感知方法
信号处理
2018-11-16 v2
摘要
网联车(CVs)可通过车对车和车对基础设施通信捕获并传输详细数据,这为提升交通系统的安全性、机动性和可持续性带来了新机遇。然而,潜在的数据爆炸很可能使存储和通信系统不堪重负。我们设计了一种压缩感知(CS)方法,允许 CVs 实时捕获并压缩数据,随后准确高效地恢复原始数据。我们通过两个案例研究评估了该方法。在第一个案例研究中,CS 方法应用于重新捕获来自 Safety Pilot Model Deployment 项目的 1000 万条 CV 基本安全消息(BSM)速度样本。我们详细探讨了该方法针对若干 BSM 变量的恢复性能。在第二个案例研究中,构建了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、到达率模式和数据捕获率的多重场景。结果表明了节省大量 OBU 硬件成本的潜力。此外,当 CVs 处于交通拥堵时,我们的方法可大幅提升行程时间估计的准确性。
引用
@article{arxiv.1811.01720,
title = {Capture and Recovery of Connected Vehicle Data: A Compressive Sensing Approach},
author = {Lei Lin and Weizi Li and Srinivas Peeta},
journal= {arXiv preprint arXiv:1811.01720},
year = {2018}
}
备注
This extended abstract is accepted in Transportation Research Board 98th Annual Meeting, 2019. According to TRB's policy, the full report (i.e., arXiv:1806.10046) can be submitted to another journal for publication. Here, we provide this text to interested readers for concise reading