引用

O. Popescu, S. Sha-Mohammad, H. Abdel-Wahab, D. C. Popescu and S. El-Tawab, “Automatic Incident Detection in Intelligent Transportation Systems Using Aggregation of Traffic Parameters Collected Through V2I Communications,” in IEEE Intelligent Transportation Systems Magazine, vol. 9, no. 2, pp. 64-75, Summer 2017, doi: 10.1109/MITS.2017.2666578.

摘要

智能交通系统（ITS）的最新研究集中在自动事故检测（AID）技术上。利用无线网络和传感器技术的进步，现代车辆具有彼此通信以及与路边基础设施单元（RSU）进行通信的能力，以提高道路安全性。这些新的创新性的交通技术为交通管理系统提供了能使用从道路上车辆收集的数据来检测拥堵和交通事故的能力。最近，许多技术被开发出来以提前警告司机交通事故的信息，并能使他们可以避免交通拥塞的情况。在本文中，我们讨论了通过车辆到基础设施（V2I）通信的交通数据的概率收集，并提出了两种新的技术，这些技术可自动检测公路情景中的交通事故，它们都以变道的距离和时间与不同的车辆随时间推移的车速变化为基础。通过仿真得到的数值结果表明，所提出的方法相较于其他的 AID 技术，具有更高的事故检测率、约 25%的峰值队列值缩短和 20%的更快的道路拥堵消散速度。

一.介绍

在过去的十年中，无线网络技术与 ITS 迅速融合，有望通过将其集成到无处不在的网络中来改变驾驶体验，从而实现新颖的流量监控和事故检测模式[1]，[2]。具体而言，通过使用车辆对车辆（V2V）和/或车辆对基础设施（V2I）通信收集的车辆传感器数据[3]，ITS 将有更强的能力来检测事故和提前通知驾驶员提供有关交通事故的情况，使他们能够选择其他路线来避免拥堵[4] – [7]。

准确检测交通事故在公路上尤为重要，因为大多数公路交通流的中断都是由于事故造成的，并且许多公路事故都被少报、瞒报了[8]。根据世界卫生组织（WHO）2013 年的报告，每年有 120 多万人死于与公路有关的车祸，另有多达 5000 万人受伤，到 2030 年，公路相关的车祸预计将成为世界第五大死亡原因[9]，[10]。这就加强了对准确的 AID 的需求，以通过其向驾驶员发出事故警报，从而减少交通堵塞，提高道路安全性。这也使 AID 技术的研究成为当前和新兴 ITS 的重要方面。

创建交通警报系统涉及两个主要部分：从经过道路的车辆收集交通数据部分，和分析收集的数据以检测交通趋势和模式并发出警报部分。我们注意到，现有的交通监控系统使用各种传感技术，如感应线圈探测器、压电电缆、摄像机和图像处理技术，或红外传感器[11]来收集交通参数，如交通量、平均速度或车辆密度。在过去的十年中，使用 V2I 通信系统收集交通数据已经成为一种十分有意义的选择[12]-[14]。我们注意到，V2I 通信可以收集额外的交通参数，例如 AUTOPIA 系统[12]可以收集有关车辆速度和车辆间距的信息；或是 NOTICE 系统[15]可以利用嵌入道路的传感器和过往车辆之间的短程无线通信来收集微观交通相关的数据。

收集到的交通数据由 AID 算法处理，当从收集的交通数据中检测到满足一定条件的趋势时，AID 算法就会触发交通警报。根据用于检测交通趋势的具体方法，AID 算法分为两类：时间序列法和比较法。在第一类中，可以基于过去的交通观测状况来估计当前的交通状况，而过去的交通观测状况是通过分析其相应时间序列的统计行为而得到的。在这一类别中，我们关注了标准偏差算法[16]和用于管理事件与交通的 TRANSCOM 系统（TRANSMIT）[17]。在第二类中，AID 算法从收集的数据中计算交通参数的新值，并将其与预先确定的阈值进行事故检测。在这一类别中，我们关注了加利福尼亚算法[18]和麦克马斯特算法[16]，[19]。特别地，加利福尼亚算法使用非微观交通信息，例如两个相邻检测器之间的空间距离[20]。

为了提高现有 AID 技术的性能，在[21]中讨论了非密集交通流场景下，基于贝叶斯的方法的 V2I 通信，而在[22]中则提出了将时间序列分析与机器学习技术相结合的混合方法。文献中研究的其他 AID 技术，包括了基于高速公路情景中的动态模型的技术[23] ，以及基于非参数回归的交通事故检测方法[24]。此外，文献[25]提出了一种能够快速检测交通事故的系统，在[26]中提出了几种 AID 算法的比较。最后，我们涉及了有关对各种车辆通信进行分类的研究[27]和关于部署互联车辆的影响的研究[28]。

在本文中，我们假设一个 V2I 接口用于数据收集，并且我们将两个新参数与 AID 结合使用来进行研究。具体来说，我们考虑了在事故和非事故条件下改变车道时，车辆需要改变车道的距离以及车速的变化，以此来建立 AID 算法。在 AID 中使用这些新的交通参数是新颖的，可以在改变车道以检测事故时，将距离和速度与时间关联起来。在本文的其余部分，我们简单地将智能车辆称为车辆（即具有必要通信功能的车辆）。

论文的组织结构如下：第二节介绍了系统模型，并对所研究的问题进行了形式化描述。在第三节中，我们讨论了 V2I 通信数据收集过程，然后在第四节中介绍提出的 AID 技术。在第五节中，讨论了概率数据收集。第六节给出了仿真数值结果，以阐明所提出的 AID 算法。第七节为结语，以未来研究的方向与讨论作了总结。

二.系统模型和问题陈述

在我们的工作中，为 AID 而提出的系统假设车辆配备了有美国国家公路运输安全管理局（NHTSA）[29]、[30]规定的事件数据记录器（EDR），这些记录器预计将捕获有关车辆动力学以及与车辆移动性相关的其他参数，例如加速度或行驶车道信息。除 EDR 外，还假设车辆还配备了短程无线通信系统，该系统将用于与作为公路基础设施一部分的路侧单元（RSU）交换交通相关信息。

公路基础设施如图 1 所示，它们由固定间隔的 RSU 组成，间隔约 1km，这样放置在道路两侧的 RSU 构成一个基础设施单元。与现有的基于感应线圈探测器（ILDs）收集交通相关信息的基础设施不同[31]，沿公路的相邻 RSU 无需彼此连接。每个 RSU 包含一个用于精确定位和时间同步的全球定位系统（GPS）设备、一个用于与过往车辆建立连接的无线电收发器，以及一个嵌入式计算设备，该设备用于处理从车辆收集的交通相关数据。如图 1 所示，一个 RSU 的通信范围 D 约为几十米，远小于两个连续 RSU 之间的距离。

图 1：在每个交通方向和覆盖区域有三个 RSU 的公路段例子

在此框架中，我们提出了一个 AID 系统，该系统使用过往车辆和 RSU 之间的 V2I 通信，来收集与存储在车辆 EDR 中的车道变化有关的信息，如当前行驶车道以及车道变更位置和/或速度，以建立长期交通相关信息的统计数据库，ITS 基础结构可基于该数据库推断和/或预测交通事故状况。具体来说，我们考虑平均车道变更距离和平均变更速度，并研究这些参数在突发事故和非突发事故条件下的变化情况。我们还给出了形式化的 AID 算法，该算法使用这些参数显示的趋势来决定何时向驾驶员发出事故警报。

三.V2I 通信和数据收集

为了建立用于 V2I 通信和信息收集的无线电连接，采用了类似于 IEEE 802.11 的网络协议，其中 RSU 充当无线接入点，当进入相应的无线电范围时，经过的车辆作为移动终端与其连接。经过的车辆和 RSU 之间的连接是使用信标机制建立的，如图 2 所示。有关使用信标机制建立连接的详细信息，请参见 IEEE 802.11 标准。由于车辆是在随机情况下进入 RSU 覆盖区域的，因此它们将在小于或等于信标期的随机时间间隔后收到第一个信标。车辆收到第一个信标后，车辆将与 RSU 建立连接，并且在车辆访问通信介质后进行信息交换。当车辆经过特定的 RSU 时，它们将在有限的时间内进入其无线电覆盖范围区域，我们假设车辆和 RSU 之间的连接在此期间不会发生中断。该假设意味着接收机处的信号功率和相应的信号干扰加噪声比（SINR）高于给定阈值，这是为了确保特定的误码率（BER），并且跟踪和补偿了由于多普勒效应而引起的频率偏移。

图 2：使用基于 IEEE 802.11 的信标建立车辆与 RSU 之间的连接和信息交换的时序图

A.V2I 通信过程

如图 2 所示，完成车辆与 RSU 之间的信息交换的总时间 te 由车辆等待接收信标帧的初始延迟 tb、车辆与 RSU 建立连接所需的时间间隔 ta 和数据交换所需的时间间隔组成。数据交换所需的时间间隔包括信息交换所需的实际时间 ti（分别在 V2I 数据交换和 I2V 数据交换间隔之间平均分配），分布式帧间间隙（DIFS）和随机选择的时间退避间隔，该间隔对应于与 IEEE 802.11 网络协议相关的基于竞争的介质访问机制。

一旦 V2I 连接建立成功，车辆和 RSU 之间的信息交换是否成功还取决于：

(1)车辆和 RSU 之间必须交换的信息量

(2)RSU 与车辆通信的数据速率

(3)车辆停留在 RSU 覆盖区域中的时间，该时间取决于车辆的速度 v。

为了评估过往车辆与 RSU 之间成功进行信息交换的可能性，我们使用 ns3 模拟器对相应的 V2I 网络过程进行建模。在以下工作假设下进行了 1,000 次模拟：

(1)选择 RSU 的覆盖区域 D=28m，与基于 IEEE 802.11 的接入点的工作范围一致。

(2)非重叠信道被分配到不同的车道，以避免相邻车道上行驶的车辆的干扰和同时与 RSU 交换信息的情况。

(3)直到车辆完成信息交换，或者行驶到 RSU 无线电范围之外，才会释放 RSU 分配给车辆的信道。

(4)为了确保有效使用 V2I 无线连接，在仿真中未考虑 DIFS 间隔和 IEEE 802.11 标准的随机选择的时间退避间隔 ts。这是基于这样的假设：在任何时候，只有一个车辆在给定的通道上与 RSU 通信，因此可以消除基于竞争的介质访问机制。

在第一个模拟实验中，经过 RSU 的车辆的平均速度是固定的，并且针对信标间隔 Tb（即两个连续信标之间的时间间隔）的不同值，确定了车辆和 RSU 之间成功进行数据交换的概率。车辆的平均速度设置为 70 mph，这是美国大多数公路的限速，Tb 的值从 0.1 s 到 1.1 s 不等。我们模拟了低数据速率（8 和 16 kbps）和高数据速率（512 kbps 和 2 Mbps）的情况，并且车辆和 RSU 之间交换的最大信息量设置为 8 kb，这比[32]中建议用于有意义事故检测的最大信息量高出一个数量级。该实验的结果如图 3 所示，从中可以观察到，随着信标间隔的持续时间增加，成功进行信息交换的可能性降低。这是意料之中的，因为在低信标间隔的情况下，车辆有足够的机会接收信标并与 RSU 建立连接，即使在较低的数据速率下也能成功地交换信息。对于高于 0.6 s 的信标间隔值，成功进行数据交换的概率也受数据速率的影响，数据速率越高，成功交换信息的概率越高。

图 3：对于平均车速 70 mph，成功的数据交换概率与信标间隔的关系

在第二个模拟实验中，信标间隔固定为 0.7 秒，通过 RSU 的车辆平均速度从 50mph 到 85mph 不等。将车辆与 RSU 之间交换的最大信息量设置为 8 kb，并且在低数据速率（8 和 16 kbps）和高数据速率（512 kbps 和 2 Mbps）下再次确定车辆和 RSU 之间成功数据交换的概率。该实验的结果如图 4 所示，从中可以观察到，随着 RSU 经过的车辆的平均速度增加，成功进行信息交换的可能性降低。这种行为也是意料之中的，因为当车辆以较低的速度行驶（平均值为 60mph 及以下）时，它们将在 RSU 的覆盖区域内停留更长的时间，从而有大量机会接收信标并建立无线 V2I 连接，即使在较低数据速率下也能成功与 RSU 交换信息。对于超过 65 mph 的平均速度值，成功进行数据交换的概率也受数据速率的影响，数据速率越高，成功信息交换的概率越高。

图 3 和图 4 所示的仿真结果与[33]、[34]中的分析研究结果一致，表明 0.7 s 的信标间隔与 IEEE 802.11 支持的数据速率将使得车辆与 RSU 之间成功信息交换的概率大于 0.8，表示收集到了至少 80%的经过 RSU 的车辆的交通数据。

图 4：在信标间隔为 0.7 s 的情况下，成功数据交换的概率与范围在 50–85 mph 之间的车速有关

B.概率数据收集

从本节开始，我们指出不同车辆的交通数据高度相关，尤其是在密集的公路交通中。因此，不需要从经过 RSU 的所有车辆收集数据[35]，而与此同时，智能车辆的重要考虑因素之一是概率数据收集[32]。这就支持了这样一种观点，即并非所有在公路上行驶的车辆都需要与 RSU 建立无线连接并成功地交换信息，只要 RSU 能够从一定数量的车辆收集交通相关数据，它们仍将能够建立和维护具有长期交通信息数据的数据库，并能够识别出表明道路上存在事故的交通模式趋势。该想法与以下事实一致：并非每个通过给定 RSU 的车辆都具有通信能力，或者即使通信能力可用，出于其他原因车辆也无法与 RSU 交换信息。我们假设 RSU 以概率 p 从过往车辆收集数据。此外，k 辆车收集的数据对一些应用依赖的 γ（0<γ<1），产生了概率为 1-γ^k 的有意义的聚合。

定义上述假设下的事件 An，其中 n 指 n 辆足够的过往车辆形成的有意义的集合。令 H 为随机变量，用于跟踪 n 辆过往车辆中提供交通相关数据的车辆数量。通过一个简单的条件论证，我们记：

观察到，可以通过以下二项式公式变化，

因此，式（1）可以写为

令 θ 为 Pr[An]的目标值。Pr[An]的表达式可用于确定过往车辆数量 n 的下界，而这对确定有意义的车辆聚合而言是必需的。

我们的目标是找到满足（2）的 n 的最小值。 为了达到目标 θ，我们必须有

经过适当的变化可以得到

两边取自然对数后，我们可以得到

接下来，将上述不等式除以 ln[1-p(1-γ)]（为负），得到

这意味着

例如，假设目标 θ=0.95，依赖于应用的 α=0.85 并且汽车与 RSU 正确通信的概率 p=0.4。我们希望得到有意义的聚合所需的汽车数量。我们得到

因此，在上面的例子中，需要 49 辆车才能以至少 95％的概率获得有意义的聚合[32]。

概率数据收集如图 5 所示，在一个需要高精度检测要求的应用中，α≈0.85。如图 5-a 所示，假设汽车与 RSU 正确通信的概率 p = 0.8（假设信标之间发生碰撞）。那么，有意义的聚合所需的汽车数量为 24。

图 5：不同应用系数 α 下概率数据采集与车辆数量的比较

现在，让我们假设交通流量为 q，它被定义为在特定时间间隔内，通过公路上某一点或给定车道或方向的车辆数量[36]，[37]。其通过计算在定义的时间段 t 内通过一个车道上特定点的车辆数量 nt 来进行测量。之后，流量 q 即可用车辆/小时来进行表示，由下式给出

因此，在 q=12 辆车/分钟的稀疏交通流中，只需 2 分钟就可以实现有意义的聚合。

四.建议的 AID 技术和相关交通数据的收集/分析

本文所讨论的 AID 技术是在分析 RSU 从过往车辆收集到的车道变化信息的基础上提出的。与现有的 AID 技术不同，本文提出的算法考虑了车辆在变道时行驶的距离以及在变道过程中车速的变化，这两个因素都会受到交通事故的显著影响。具体而言，所提出的 AID 方法背后的思想是基于 RSU 对这些交通参数的平均值进行的持续监控，这使 RSU 能够建立有关交通事故是否存在的置信度，并在置信度超过已知与交通事故存在相关的阈值时发出交通警报。

A.变道距离（CLD）法

在这种方法中，RSU 使用与变道位置相关的坐标来计算车辆变道所需的距离。如图 6 所示，短距离的变道通常与特定车道拥堵或阻塞的交通事故有关，在这种方法中，如果变道距离的平均值落在如图 6 所示的由阈值定义的临界区域中，系统将使用收集的信息来确定是否发生了交通事故。

图 6：事故和非事故情况下变道平均时间与平均距离的图示。第五节概述了本例中使用的仿真设置

图 7：与更改车道相关的参数的示意图

图 7 示意性地描述了车辆变道过程，其中考虑了车辆 A 和车辆 B，并假设车辆 A 从车道 1 变道至车道 2 以超过车辆 B。如果车辆 B 发生事故和/或交通减速，当两车相距较近时，车辆 A 常常会变道至另一条道。换句话说，当存在事故，而不是正常的交通流时，“a”和“ b”之间的距离更短。通过分析三角形“abc”，其中“c”是车道 2 上车辆 A 经过 B 的点，可以估算出“ab”段的长度|ab|，其与车辆 A 变道所需的距离相对应。该距离取决于角度 θ 和“c”与“b”之间的距离|bc|。记

现在，|ab|可以通过已知的 θ（车辆提供给 RSU 的）和|bc|来轻松的计算得到，其必须几乎等于车道的宽度（通常为 3.5 米）。θ 的值取决于驾驶员的行为，其值应足够大，以使车辆 A 能够安全地变换车道，而不会妨碍和/或与另一车道 C 中的车辆或减速的车辆 B 相撞。

对于每辆车 A∈ 斜体A，其中斜体A是已成功将其车道变更信息上传到 RSU 的所有车辆的集合，设 Ba 是所有有序对（da，ta）的集合，其中 da 是车辆 A 变道所需的距离，ta 是所需的时间。然后，RSU 计算所有有序对的平均距离和时间 μda,μta。如果平均有序对(μda,μta) 位于某个预先定义的临界区域（称为 Rd）内，RSU 将增加其对存在事故的置信。RSU 定期重复此过程，每次重复之间的间隔时间恒定，这取决于道路的速度限制。所提出的事故检测程序，形式化的描述为算法 1，通过丢弃任何不相关的数据，将该算法应用于经过过滤和重组的交通收集数据。同步过程也在当前时间和过滤过程所需的时间之间执行。

B.变道速度（CLS）法

在这种方法中，RSU 处理从车辆收集到的有关事故和非事故情况下速度变化的有关信息。具体而言，如图 8 所示，在非事故条件下，当特定车道拥堵或阻塞时，平均速度变化的平均时间比事故情况下短，并且出于安全考虑，大多数车辆不会快速加速以改变车道。与前面的方法类似，在这种情况下，当变道时与速度变化相关的时间平均值落在由阈值定义的临界区域内，系统将使用收集到的信息来确定是否发生了事故，如图 8 所示。

图 8：事故和非事故情况下平均速度变化与平均变道时间的图示。第五节概述了本例中使用的模拟设置。

图 9：与改变车道速度变化相关的参数的示意图

如图 9 所示，对于 CLS 方法，在变道起始位置“a”到结束位置“b”之间的速度变化与车辆 C 在位置“a’ ”和“b’ ”之间的速度变化有关。这种方法背后的理由是基于这样的事实，即当车辆 A 改变车道时，也会导致车辆 C 的速度发生变化。在正常情况下，速度变化取决于几个因素，其中我们关注了驾驶员的行为、车辆类别和当前交通状况。速度变化的平均值 μva 和相对的平均时间 μta 将在 RSU 处计算，如果这些参数位于速度变化的预定临界区域 Rv 中，则认为发生了事故的可能性将增加。

CLS 方法形式化表示为算法 2，与算法 1 类似，只是在这种情况下，我们处理在 RSU 处收集的有关车辆速度 va（及其时间变化）的信息，而不是 CLD 方法中使用的变道距离 da。我们注意到，RSU 处的上游交通量可用于识别非事故性拥堵，在这种情况下，改变车道时车辆速度的变化将很小。更准确地说，当上游交通量大于道路通行能力时，它会导致拥堵，并对应了一个不同的交通状态，对此，有很多研究使用冲击波图识别拥堵，如：[38]–[41]。

五.模拟和数值结果

为了说明所提出的 AID 技术的有效性，我们模拟了 3 车道公路的 1 英里路段上的交通情况，车道两端都有 RSU，以收集车辆车道和随时间变化的速度变化信息。使用 veins simulator[42]进行模拟，该模拟器将道路交通微观模拟与网络模拟相结合。模拟方案考虑了多种交通流，稀疏交通（360 辆车/小时/车道）到密集交通（3,600 辆车/小时/车道）都纳入了考虑范围，并且交通状况同时有存在和不存在事故两种情况。事故是在下游 RSU 之前 400 m 的距离处产生的，并进行了多次仿真来确定在事故和非事故交通状况下换道所需的平均时间、距离和速度。

模拟数据分别用于说明图 6 和图 8 中的 CLD 和 CLS 技术的临界区域，并确定算法 1 临界区域的阈值 58m 和 2.9s 以及算法 2 的临界区域的阈值 1.7s。此外，数据还被用来比较所提出的技术与其他 AID 方法在检测率和从道路上清除事故后消除拥堵所花费的时间差异。我们研究中所考虑的其他方法是综合的、基于概率的技术[43]和加利福尼亚算法[18]。

根据检测率进行的比较（如图 10 所示）表明，CLD 和 CLS 方法的检测性能非常相似，这两种方法均优于所考虑的其他 AID 方法，尤其是在交通稀疏，通常可用于检测事故的信息较少的情况下。

图 10：基于 CLD/CLS 的事故检测技术与其他方法在事故检测率方面的比较

​ 在将所提出的技术与 AID 的替代方法进行比较时，我们假设，一旦检测到事故，便会发出交通警报，并且只有少量为 δ 的车辆能够选择其他路线。比较的结果如图 11 所示，该图显示了从交通事故发生的时间实例 0 开始，受交通事故影响的车辆的排队长度随时间的变化情况。从该图可以看出，在没有 AID 的情况下，当驾驶员对交通事故没有任何信息时，队列在事故发生后会迅速增长，在事故清除后逐渐消散。使用 AID 时，一旦清除事故，队列长度会大大缩短，拥堵会更快消失，因为现在驾驶员已获悉事故情况，并可能选择其他路线。我们从图 11 中注意到，队列的大小和缓解拥塞的时间取决于所使用的 AID 算法的类型以及采用替代路线的车辆的百分比 δ，并且基于 CLD / CLS 方法再次胜过其他 AID 方法。具体而言，从图 11 可以看出，当事故被清除时，队列大小缩短了约 25％，而当使用所建议的 AID 技术来检测事故时，其消散速度大约快 20%。

图 11：在典型交通流中，从事故发生到排队结束恢复正常，受交通事故影响的车辆排队长度的变化趋势图。其中，只有小部分车辆改变了路线。垂直线表示事故被清除时的时刻

六.结论

在本文中，我们提出了一种新型的公路交通 AID 系统，该系统使用两个新的交通参数，即车辆行驶的平均距离和变道时的平均车速变化。这些参数在时间上的变化是放置在公路一侧的均匀距离的 RSU 通过无线 V2I 通信系统收集的，该系统使用信标机制来建立基于 IEEE 802.11 标准的无线 V2I 连接。

使用收集到的数据的、针对 AID 而提出的技术被形式化的描述为算法 1 和算法 2，并通过从仿真中获得的数值结果加以说明。这些结果表明，所提出的技术优于其他用于 AID 的方法，例如综合的技术、基于概率的技术或加利福尼亚算法，尤其是在交通稀疏的情况下。我们注意到，所提出的技术假设 RSU 在公路上有规律的间隔安装才可用，这仅在当前有限的情况下才是正确有效的。然而，随着 V2I 技术的进步，所提出方法的这一弱点将被克服。

在未来的工作中，我们计划研究提出的 AID 技术的扩展，包括基于收集到的变道信息来估计事故地点，以及应用贝叶斯统计信息来更新事故置信度以提高事故检测率。

致谢

本文由南京大学软件学院 2020 级硕士刘关迪翻译转述

本论文转述项目受到国家自然科学基金重点项目（项目号：61932012，61832009）支持。