融合5G-V2X通信的智慧交通服务平台研发与应用

刘剑 朱虹锦 王蓉

摘  要：文章提出并设计了一种融合5G-V2X通信技术的分布式大数据智慧交通服务平台。利用机器学习相关技术，选择深度学习领域中的图卷积神经网络作为主要的交通预测手段，建立了交通流量预测模型，结合实际交通环境中存在的复杂情形，设计并开发了融合5G-V2X通信的智慧交通服务平台。最后通过数据对模型和平台进行了测试，结果表明模型预测的准确性和实效性较高，平台具有实用性。

关键词：智慧交通;5G-V2X通信技术;图卷积神经网络

中图分类号：TP311;TN929.5            文献标识码：A文章编号：2096-4706（2021）24-0081-04

Abstract： This paper proposes and designs a distributed big data intelligent transport service platform integrating 5G-V2X communication technology. Using machine learning related technology， the graph convolutional neural network in the field of deep learning is selected as the main means of traffic prediction， and the traffic flow prediction model is established. Combined with the complex situation in the actual traffic environment， an intelligent transport service platform integrating 5G-V2X communication is designed and developed. Finally， the model and platform are tested through the data， and the results show the accuracy and effectiveness of the model

prediction is high， and the platform has practicality.

Keywords： intelligent transport; 5G-V2X communication technology; graph convolutional neural network

0  引  言

改革開放以来，中国经济的飞速发展推动着城市规模的不继扩张。随着城市化建设步伐的日益推进，各大城市的汽车保有量也迅速增加，导致城市的基础道路设施和交通管控能力很难保证居民的顺畅出行。原有交通基础设施的短板和弊端日益凸显，同时交通运输管理工作的手段、措施尚属经验型、探索型的状态，还处于未成熟阶段。

如何缓解城市道路拥堵问题，已经成为中国城市交通可持续发展的重点。从行政管理人员角度来讲，政府需要更好地运用已有交通设施来增强道路安全，提升服务质量;从驾驶角度来讲，需要实时更新的道路交通资讯、有效的危险预警、适时推荐的最佳行驶道路、合理的速度限制，在不好的路面状况和气候条件下给予驾驶员合理的帮助。这种日益智能化的交通需求是传统交通体系所无法顺应的。所以，必须将先进的计算机技术整合到交通的全过程，全面提高整个行业的现代化管理水平。

1  5G-V2X通信技术与智慧交通概述

1.1  智慧交通

21世纪初，美国IBM公司提出了现代智慧交通的新定义。该公司基于智慧地球和智慧城市的概念，将智慧交通定义为以现代化交通信息管理为核心，通过连接、监控以及协调城市综合公共交通体系、汽车道路信息监控管理系统、城市综合交通信号管理系统等交通重要组成体系实现城市交通智能化管理的一种方式[1]。智慧交通系统以数据的获取、传输、存储、管理、挖掘和分析等为主要实现流程，为城市交通参与者提供多元化、定制化、人性化的服务。例如现实生活中广泛应用的车辆导航，可以实时提供并规划多种模式、多种场景的智能化城市交通信息，以帮助驾驶员及时根据交通信息避开拥堵路段，以此实现省时、环保、保护道路交通环境等目的。

智慧交通利用各种传感器收集各类道路交通信号，发出道路交通信号，优化道路交通。各类机构或部门所收集的道路交通信息将统一汇总至城市网络系统，以备进行大数据分析处理[2]。通过对所汇总的数据进行清洗与挖掘，即可以对城市道路交通状况做出数据分析，为交通管理机关提供决策支持。

1.2  5G-V2X通信技术

随着科技的不断突破创新，我国的车联网产业也得到飞速发展，关键技术更是接连取得新突破。凭借其独有的技术优势，C-V2X技术已经成为当前世界范围内解决道路安全问题以及实现自动化驾驶的重要依托。且随着5G时代的到来，利用5G低时延、高可靠、容量大的特点，5G-V2X将会在更多的应用领域为C-V2X带来新的技术革新以及满足其日益多样性的功能需求[3]。

相较于传统的通信技术，5G-V2X通信技术具有巨大的优势，尤其是在传输结构方面，5G-V2X通信技术强化了传输通道的架构，使得5G-V2X通信技术可在密度更高的环境下进行恰当的数据资源实时通信。根据相关权威机构所做的测试，使用该技术可有效提高交通数据的传输效益，使数据延迟降低80%以上，进而使单位时间数据传输量提高2倍以上[4]。

1.3  融合5G-V2X通信技术的智慧交通服务平台的意义

由于存在城市交通网络覆盖范围广、交通设备种类繁杂，以及现有的各种信息化管理系统所采集的数据实时性不强等问题，使得城市交通引导和信息监控这类需要高质量实时交通数据的信息系统，无法实现预期的目标。造成交通管理部门对城市道路情况掌握不够及时，无法实现对城市交通的实时管控、疏导，使得城市道路使用的合理性不高。所以，利用5G网络传输V2X数据，构建低时延、高可靠性、覆盖范围广的交通数据传输系统，具有极高的应用价值。

2  基于图卷积神经网络的交通流量预测模型

2.1  常见交通流量预测模型

智慧交通所研究的核心问题是如何根据所采集的数据，在城市交通流上实现最优的管控和引导，以达到避免道路拥堵，提高道路使用率的目的。而实现城市交通流最优管理的关键则是根据历史交通流数据和相关城市道路数据对城市未来交通流数据进行预测。在众多的相关研究中，早期学者对于交通流预测所使用的方法主要集中于以时间序列研究为主的移动平均模型、自回归模型等。

然而，这些模型从原理上来说都属于线性相关预测模型，无法对复杂的非线性数据进行较好的预测。而现实中的城市交通网络是一个十分庞大且复杂的系统，具有明显的时变、非线性以及网络结构等特点。因此，虽然传统预测模型在预测线性、短期交通流量时效果十分显著，但是将这些模型应用到整个交通网络中则会表现出明显的欠拟合。神经网络模型由于其特殊的网络结构以及强大的学习能力，对复杂且非线性数据的预测效果极好，但是对于时序、线性数据来说，该模型的鲁棒性则大幅降低。

2.2  基于图卷积神经网络的交通流量预测模型构建

由于交通网络的复杂性，交通流量的动态变化，交通流量不仅与时间存在显著相关性，还与空间维度上的其他道路及道路所在城市位置相关。虽然现有相关研究已在预测短期交通流量的领域做出了巨大贡献，但对该领域的研究在预测空间和时间依存关系方面依然存在一定的局限性。本文应用图卷积神经网络（Graph Convolutional Network， GCN）来构建交通流量短期预测的新型时空依赖关系模型。图卷积神经网络学习空间位置的注意力机制，能够快速有效地提取相邻路线上的空间特征信息。同时，图卷积神经网络也可以利用局部和全局时空依赖性[5]。在各种真实交通数据集上的实验结果表明，图卷积神经网络能够实现交通流量的时空预测。

2.2.1  图卷积神经网络基本原理

图卷積神经网络是一种能够对图结构类型数据进行处理，并且能够提取图数据各节点空间特征的一种深度学习算法。图结构数据是由节点和边组成的无向图，节点表示网络中的个体，边表示个体之间的关系。

图卷积神经网络的工作原理为：定义一个无向图Q=（S，T），S为图中的网络节点数量，即，节点之间的关系由邻接矩阵（Adjacency Matrix）A∈RN·N表示，度矩阵Di=∑Aij。将输入H（l）∈RN·N，图卷积神经网络的计算公式为：

其中，;表示激活函数;H（l）∈RN·D表示第l层的输入;H（0）=X。图卷积神经网络结构原理如图1所示。

2.2.2  图卷积神经网络预测模型

交通网络本质上是一个图结构，且每个节点都可以看作图上的一个信号。因此将图卷积神经网络应用于交通流量预测，本质上是将卷积神经网络中的卷积操作延伸至图结构数据上，从而获取空间上有重要意义的特征和关系，然后将提取到的特征谱图转化成传统数字特征来对图的拓扑结构进行研究[6]。

2.2.3  模型评价指标

本文将图卷积神经网络在如前所述的真实道路交通流数据上进行训练，并以平均绝对误差（MAE）、均方误差（RMSE）和拟合优度（R2）作为模型性能的评价指标。三个指标的计算公式分别为：

3  融合5G-V2X通信的智慧交通服务平台

3.1  平台设计原则

融合5G-V2X通信的智慧交通服务平台的设计原则包括即时性原则、安全原则、人性化操作原则、技术先进性和可扩展性原则：

（1）即时性原则。即从数据传输速率上考量，确保数据的时间延迟不超过规定的误差范围。

（2）安全原则。应充分考虑从采集、传输到存储整个环节的数据安全性。

（3）人性化操作原则。平台应尽可能操作简洁，使用大量可视化操作界面，增强人机互动性。

（4）技术先进性及可扩展性原则。支持海量数据分布式存储和管理，支持每秒1 000条数据插入，支持亿条级数据存储和管理。

3.2  技术路线

融合5G-V2X通信的智慧交通服务平台是一个基于5G-V2X通信技术、大数据分布式计算技术和深度学习算法的智能交通服务平台，包含数据采集、数据传输、数据存储、数据处理及数据预测等一套完整的功能体系。为保证数据采集的质量和时效，平台对数据进行分布式实时采集和传输，实现不同信息源的互补性和合作性;为保证敏感数据的安全性和稳定性，平台采用基于内存计算的Spark分布式大数据处理技术;为保证对交通流量预测的准确性，平台采用可以全面捕获时空模式，并利用局部和全局时间依赖性的图卷积神经网络进行建模。

对融合5G-V2X通信的智慧交通服务平台的研发按照数据采集、理论算法研究、数据预处理、大数据平台构建、高性能数据处理与分析以及交通流量预测的流程展开，具体的技术路线流程如图2所示。

3.3  平台基本功能

平台主要功能的实现由两大部分来完成，分别是基于5G-V2X通信的分布式数据实时采集系统，所执行的操作包括数据采集、数据传输、数据存储等;交通一体化大数据服务平台，所执行的操作包括交通流预测、实时交通路况播报、突发交通事故预警等。

4  实验结果与分析

为验证模型的预测精度与稳定性，本文采用智慧交通服务平台真实数据集进行实验，将模型预测结果与真实数据相对比，以验证模型的预测精度与稳定性。

4.1  数据集介绍

本次实验采用的数据集来自“融合5G-V2X通信的智慧交通服务平台”的真实数据。选择成都市郫都区96条主要道路作为研究区域，数据集包括两个部分：第一部分是96×96的邻接矩阵，以矩阵的方式从空间关系上描述了96条主要路线之间的关系;第二部分是特征矩阵，记录了每条道路上随着时间的变化而变化的车流量数值。

4.2  实验结果及分析

选用样本总量的70%作为训练集，其余的30%则作为测试集，得到模型在测试集上的平均绝对误差（MAE）为16.708 7，均方误差（RMSE）为18.327 0，拟合优度（R2）为0.908 4。

以其中一个节点预测结果为例，与该节点的真实数据相比较，如图3所示。由图3可知，图卷积神经网络在一天（24小时）中对于该节点的预测结果与真实结果较为接近，上文也提到该模型在测试集上的预测准确率为90.84%，说明图卷积神经网络模型可以通过训练获得较好的预测性能。

5  结  论

随着5G网络和大数据技术的不断发展，商用车联网将迎来新一轮产业变革，建立智慧交通服务平台能够以高扩展性、高容错性、高效性、高可靠性完成交通流大数据的处理和分析，提升交通安全与拥堵主动调控能力。

本文基于目前城市交通中客观存在的问题，结合5G-V2X通信技术和大数据分析技术，设计开发了基于5G-V2X的智慧交通服务平台。设计平臺的过程中综合考虑了数据采集、传输和存储中的难题，支持数据的实时采集、实时传输，可支持每秒1 000条数据的插入和亿条级数据的存储和管理;在交通智能化上，经过对算法模型的深入研究，采用图卷积神经网络作为交通流预测模型，交通流预测的准确率（拟合优度）高于90%。

参考文献：

[1] 胡勇剑.智慧交通在智慧城市中的探索与应用 [J].交通与运输，2020，33（S2）：190-193+199.

[2] 郑文超，贲伟，汪德生.智慧交通现状与发展 [J].指挥信息系统与技术，2018，9（4）：8-16.

[3] 李新洲.车联网LTE-V2X与5G-V2X（NR）对比分析 [J].信息通信技术与政策，2020（7）：93-96.

[4] 丁启枫，杜昊，吕玉琦.5G-V2X应用场景和通信需求研究 [J].数字通信世界，2019（2）：24-25.

[5] 李志帅，吕宜生，熊刚.基于图卷积神经网络和注意力机制的短时交通流量预测 [J].交通工程，2019，19（4）：15-19+28.

[6] 朱凯利，朱海龙，刘靖宇，等.基于图卷积神经网络的交通流量预测 [J].智能计算机与应用，2019，9（6）：168-170+177.

作者简介：刘剑（1975—），男，汉族，四川成都人，副教授，博士，研究方向：车联网、大数据、物流管理。