基于射频识别的交通拥挤程度计算

引言

随着城市的高速发展，城市交通拥挤问题日益严重。为交通管理人员和驾驶人员提供实时准确的交通拥挤状况，以便及时采取有效措施，改善交通流，提高道路的通行能力,成为智能交通的一个重要研究方向。

目前，广泛采用的交通拥挤检测方法包括地埋式感应线圈、微波检测器、GPS浮动车检测技术、视频检测技术等。其中,地埋式感应线圈存在易损坏、难修复、施工复杂的缺点；微波检测器存在技术复杂，价格较高的缺点；GPS浮动车检测技术缺点是存在检测盲区；视频检测技术需要获取大量交通状态参数，系统实现比较复杂，易受雨雪雾霾等恶劣天气的影响。

近年来，随着射频识别（RadioFrequencyIdentification，RFID）的发展，利用RFID作为实时交通流的采集手段逐渐成为智能交通的主流。RFID是一种利用射频信号进行非接触式双向通信，自动识别目标对象并获取相关信息数据的无线通信技术。RFID技术具有远距离识别、移动目标识别、多目标识别等特点，广泛应用于高速公路自动收费系统、列车交通监控系统、车辆监控管理等智能交通领域。因此，利用RFID技术检测交通拥挤状况具有着重要的意义。

当前，利用RFID技术来计算交通拥挤程度研究较少。文献［8］提出采用基于RFID的路段平均速度里计算交通拥挤程度，需要利用多个采集点的数据，对后台系统的处理能力要求较高；由于需要考虑采集点之间红绿灯对车速的影响，计算也比较复杂。

本文将在介绍RFID数据采集的冗余性特点基础上，提出利用RFID数据冗余率来计算交通拥挤状况，并结合实际数据验证方法的有效性，最后是结论。

1交通拥挤程度的计算

最简单的RFID系统包括电子标签、读写器天线、读写器和后台系统等。在RFID的交通应用中，电子标签通常安装在车辆的前挡风玻璃上，电子标签包含车辆的号牌等信息；读写器及天线安装在道路上方；当车辆经过读写器的天线作用区域时，车辆上的电子标签被读写器识别，电子标签包含的信息被读写器读取，这些信息可以被读写器传送到后台系统进行进一步处理。图1给出了RFID智能交通的应用能够场景。

图1RFID智能交通应用场景

RFID读写器识别电子标签的速度很快，800/900MHz频段的超高频RFID，读写器在1s内可以识别数百个电子标签叫在RFID智能交通应用中，由于读写器天线作用范围内的电子标签数目很少，读写器会进行多次重复识别，从而产生大量的数据冗余。处理冗余的通常方法是消除相隔时间太短的相同数据。但是这同时也丢失了冗余数据中包含的信息。在RFID交通应用中，我们可以采用这个数据冗余性来在计算交通拥挤程度，并采用模糊数学隶属度来表示交通拥挤程度。

如果在最近一段时间内，读写器在其天线作用区域内的读取计数（识别的车辆次数）为N、车辆计数（消除读取计数中重复的车辆号牌后得到车辆数目）为就可以采用公式（1）来计算交通拥挤程度。拥挤程度为0时，表示交通通畅；拥挤程度为1时，表示交通严重拥挤。

其中，C是平均数据冗余率，即车辆平均重复识别次数。C与读写器天线在垂直于地面方向上的作用范围、RFID数据采集点的正常车速、安全车距等有关。下面给出数据冗余率C的估算过程。

RFID读写器天线在垂直于地面方向上的作用范围如图2所示。其中，读写器天线安装在距离地面上方Hm的A点,其最大作用距离为Rm,天线在垂直方向的作用角度为飢由此,可以采用公式(2)来计算读写器天线在车辆行驶方向上的工作范围W。

通常，一台读写器可以有多个天线，在每个车道上方安装一个天线，各个天线采用轮换方式进行工作，这样一台读写器就可以监视识别多个车道上的车辆。如果一台读写器监视的车道数目为L个，读写器在每个车道上的识别时间Ts，则读写器识别一个车道的间隔时间为(LXT)s。这样，在最近ts内，读写器对车辆的理论读取计数为t/(LXT)次。

如果在数据采集点处，车辆的正常行驶速度Vm/s，车辆平均长度为Bm，车辆间安全间距为Gm。车辆在最近ts内行驶了(VXt)m，其中Wm在读写器天线作用范围内，这样，在最近ts内，读写器对车辆的实际读取计数为(t/(LXT))X(W/(VXt))=WKVX/LXT))次。再考虑到车辆之间的安全间距,读写器识别一个车道上的车辆的平均次数Ct数据冗余率)可以用公式(3)计算。

在以上C值的计算推导中，假设车辆上的电子标签只要在读写器天线作用范围内，都能被识别到。在实际应用中，读写器天线实际作用范围W要比理论值小。因此，应根据各个采集点处的具体情况调整C的取值。

2实验结果

为了验证所提出的基于RFID的交通拥挤程度计算方法的有效性，可采用2011年深圳大学生运动会赛事电子车证系统的实际数据进行检验。

在电子车证系统中，对全市200万辆机动车中涉及赛事的2万辆车的前挡风玻璃上安装了超高频电子标签，并在赛事车辆经常经过的道路上方安装了50台超高频读写器，分布在32个断面(采集点)上。数据采集的断面选择在一段道路的中点，这样，采集到的车辆交通流数据基本不受红绿灯的影响，能很好地用于计算交通拥挤程度的目的。图3给出了一个RFID数据采集点的场景，可以看到安装在每个车道上方的读写器天线。

图3一个RFID数据采集点的场景

在这个电子车证系统部分采集点，读写器天线距离地面高度约5m，读写器最大作用距离约12m，读写器天线在垂直方向的工作范围约50。。这样，在车辆行驶方向上，读写器天线的有效工作范围W约为9.5m。一个读写器通常有4根天线。轮流识别4个相邻车道上的车辆，每个车道上的识别时间为40ms，识别4个车道需要160ms。在采集点，车辆的正常行驶速度为10m/s,通过天线作用区域的时间为9.5m/(10m/s)=950ms。在950ms内，车辆被识别的平均次数(车辆计数)为950/160Q次，即C取值为6。考虑到车辆长度和安全间距，以及读写器天线的有效工作范围，应取C=3〜4。

笔者利用一个采集点处读写器在2011年8月2日18时15分18秒开始采集的原始数据，计算了最近5s内基于数据冗余率的交通拥挤程度，其中，C值取为3和4。表1给出了这个采集点的交通流数据和相应的交通拥挤程度计算结果。

表1实时交通流和相应的交通拥挤程度计算结果

表1所对应的时间正是晚高峰期间。从表1可以看出,有2辆赛事车辆经过了这个采集点，其中一辆用了8s才行驶了不到9.5m,这个速度远远小于10m/s的正常速度，可以认为这时发生了交通拥堵。采用本文的计算方法，交通拥挤程度达到或超过了0.9,这与实际情况符合较好。

由于只有不到1%的车辆安装了电子标签，在表1对应的时间前后，由于没有赛事车辆经过该采集点，因此，无法计算交通拥挤程度。如果有足够数量的车辆安装了电子标签,完全可以用这个方法来计算其它时间交通拥挤程度。

图4给出了另一个采集点从2011年8月13日13时18分38秒开始的120s内的交通拥挤程度情况。当时，赛事车辆集中通过这个采集点，道路上发生了交通拥挤，在2min内，有9辆赛事车辆通过了该采集点。

图4一段时间交通拥挤时对应的拥挤程度

3结语

根据RFID交通数据采集的特点，建立了交通拥挤程度的计算模型，并利用实际的RFID交通流数据进行了验证。实验表明，本文提出的基于RFID的交通拥挤程度模型有效可行。本文的方法只需要利用最近几秒内的RFID系统采集的数据进行计算，对交通拥挤的检测具有较高的实时性。本文提出的交通拥挤程度计算方法非常简单，在一台读写器上就能完成，避免了在后台集中计算时对后台系统的压力，完全能够应用于大规模的智能交通系统。

20211221_61c1e846d8af8__基于射频识别的交通拥挤程度计算