基于物联网的智能交通系统研究综述

第3卷第5期2013年10月

智能计算机与应用

INTELLIGENTCOMPUTEＲANDAPPLICATIONS

Vol．3No．5Oct．2013

基于物联网的智能交通系统研究综述

陈

丽，李治军，姜守旭

（哈尔滨工业大学计算机科学与技术学院，哈尔滨150001）

摘要：交通安全、交通堵塞及环境污染是困扰当今国际交通领域的三大难题。智能交通系统及面向智能交通的物联网研究是

学术界广泛重视的研究领域，其研究将对未来世界产生深刻影响。从环境感知、网络传输、数据处理等方面对物联网智能交通系外相关领域的最新研究现状进行总结分析，为未来进行深入而广泛的智能交通系统研究及应用奠定基础。最后，指出了统国内、

物联网智能交通系统的研究热点和展望。

关键词：物联网；智能交通系统；数据通信；数据处理中图分类号：

TP391

文献标识码：

文章编号：2095－2163（2013）05－0043－04

AnOverviewofIntelligentTransportationSystemsbasedontheInternetofThings

CHENLi，LIZhijun，JIANGShouxu

（SchoolofComputerScienceandTechnology，HarbinInstituteofTechnology，Harbin150001，China）

Abstract：Trafficsafety，trafficjamandenvironmentalpollutionarethreeofthemostseriousproblemsfacingmankindto-day．IntelligentTransportationSystemandtheInternetofthings（IoT）areasapromisingresearchfieldandhavebeingpaidmoreattention．TheresearchofITSbasedonIoTwillbringprofoundimpactonthedevelopmentoftheworld．Currentresearchesandtherecentdevelopmentofenvironmentsensing，networktransmissionanddataprocessingathomeanda-boardareincludedinthisoverview．

Keywords：InternetofThings（IOT）；IntelligentTransportationSystem（ITS）；DataCommunication；DataProcessing

0引言

状进行了全面总结和深入剖析。

智能交通系统（IntelligentTransportationSystems，简称ITS）是指通过对交通基础设施和交通出行工具的全面的信网络化和智能化来实现交通系统的性能提升，如增加息化、

交通安全性，减少交通时间和降低燃油耗费等等由于交通事故造成的经济损失则超过五亿美元

［3］

［1］

1智能交通系统中的环境感知

物理环境感知无疑是智能交通系统的基础，实际上对环

境的感知与认知也是任何智能系统的基础。可分为以下几个专题进行系统阐述和分析。1．1

移动感知已经逐渐成为城市感知的基本手段

智能交通系统的监控传感器通常可分为两种基本类型：静态传感器和移动传感器（Mobilesensors）。由于移动传感器具有更大的灵活性，目前使用移动传感器进行交通环境感知的实例已有很多。例如，在上海和广州就分别使用带有GPS设备的出租车来收集交通环境信息（上海使用了4000辆出租车，而广州使用了100辆出租车）有GPS的公交车也可用来进行数据收集

［4，5］［6］

。据统

［2］

计，世界上每年都会有五千万人由于交通事故而受伤，而

。为此，智

能交通系统将具有异常重要的实用价值，以及异常巨大的市场容量。有信息显示，其相关产业已然成为全球最大产业之一，已经而且也必将会对未来世界将产生深刻影响。另一方面，智能交通系统也是一个融汇计算机、通信、信息处理、人自动控制等多个学科进行交叉的复杂系统，系统中工智能、

存在大量具有相当难度的研究课题，所以对于学术界而言，智能交通系统的研究多年以来一直非常活跃，且颇受重视，成为热点研究领域。

智能交通系统的最终价值就体现在构建于其上的各类应用上，因此可以认为智能交通应用是智能交通系统的动力与源泉。现在的智能交通应用大都集中在交通导航上，但是除了交通导航以外，还有很多与交通有关的应用可以用于提高道路安全，如道路预定，事故避免，未来交通流量的预测，道路拥塞的模式搜寻，控制交通废气排放，交通安全风险评估与避免等等。本文即针对物联网智能交通系统的研究现

。另外，使用带

，7］文献［即使用

安装在出租车上的探测器来监测核危险。除上述手段外，通过智能手机来完成智能交通系统中的感知也是一种新出现8］的手段，文献［就利用了对移动cellular网络的匿名监控对9］给出的就是城市的实时移动性来实现监控。再如，文献［一种以车与车之间的通信协作为基础的路口安全实用方法，10］文献［给出的方法就是通过交通工具携带传感器完成环境感知以及通过车与车的直接通信作为网络基础的智能交通应用。1．2

降低感知的能耗，提高感知的精度

收稿日期：2013－06－17

60973124，61300210，61370214）；教育部高校博士点科研基金（[1**********]036）。基金项目：国家自然科学基金（60803148，

作者简介：陈丽（1975－），女，黑龙江哈尔滨人，博士研究生，讲师，主要研究方向：移动感知、移动通信技术；

李志军（1977－），男，内蒙古伊盟人，博士，副教授，主要研究方向：移动通信，无线网络技术；姜守旭（1968－），男，山东平度人，博士，教授，博士生导师，主要研究方向：网络体系结构、无线网络技术。

·44·

智能计算机与应用

多种，基本方式可以分为如下四种：

第3卷

由于智能交通系统是一个关乎交通效率和人身安全的实践应用系统，所以感知精度的保障一直是一个重要的研究内容，同时由于智能交通系统的规模又非常庞大，节能也就成为其中的一个关键问题，因此在降低感知能耗的同时、又要保证感知精度就成为智能交通系统环境感知的一个难点挑战问题。基于簇的结构是一种广泛应用于无线传感器网络中降低感知能耗的方法，但交通系统属于一个典型的动态系统，节点不停地移动导致网络拓扑的动态变化，由此使得簇11］所以在文献［中分析并给出了一个结构也需要跟着变化，

降低了感知能耗。考虑节点移动的组簇算法进行数据收集，1．3

智能交通系统环境感知研究现状的分析与总结由上面的分析可以看出，移动感知已经逐渐成为智能交而且这些感知节点往往是自身主动通系统环境感知的主体，

移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更复杂，因为选择哪些节点部署感知动作所导致的感知效果可能会截然不同。一个显然的结论是在选择感知设备时，需充分考虑节点移动特征，尤其是一些重要社会特征，如那些移动活跃的用户和群体，或者移动性具有一定关联的用户和群体等等。

移动无线通信环境采用的通信方式目前可见的已有许（1）DSＲC（DedicatedShort－ＲangeCommunication）［16］是一个工作在5．9GHz波段的短到中距离的无线通信方式，对DSＲC可支持的车速最高可达120mph，通信范于车载网络，

围是300m，缺省数据速率是6Mbps，目前已有大量研究采用DSＲC来建立车－车之间，车体－路边设施之间的实时信息通

［17］信。应用这些通信可以减少拥堵，提高人身安全等等。

（2）Cellularnetworks，2G系统可以支持包括2G和3G，9．6kbps的通信速率，GPＲS和EDGE用来提高通信速率。相比而言3G提供的数据传输速率要大得多，其中的地理位置是引入带宽变化的重要因素

［18］

。

（3）WiMAX/802．16e的目的是提供最后一里（lastmile）的无线宽带数据传输，常可用于取代cable和xDSL。WiMAX用来填补3G和WLAN之间的通讯鸿沟，可以提供数十Mbps＜60km/h的移动速度，的带宽，以及＜10km的覆盖范围。

（4）WiFi或WLAN也能支持宽带无线服务，802．11a/g提供54Mbps的传输带宽，支持的通信范围是38m（室内）、140m（室外）。由于WiFi的普适部署，使得WLAN成为一种极具吸引力的无线宽带传输手段。同时，开放的WiFimesh网络也引发了广泛的兴趣与关注

［19］

2智能交通系统中的数据通信网络

只有将采集获得的感知数据依托通信网络发送到需要

。

的位置上，才能使智能交通系统真正得以运转，所以通信网络成为智能交通系统的另一个重要基础。总的来说感知和通信构成了智能交通系统的两大基础。2．1

智能交通系统中数据通信的基本结构

近年来，国外很多著名大学和企业都相继开展了城市感当然其中的感知信息需要通过网络实现通信知项目的研究，

与共享。如麻省理工大学开展的CarTel项目就是一个旨在建基于系统上基于机会通信建立延迟容忍的移动感知系统，

的应用可以收集、处理、发送、分析、以及可视化由底层移动用户（如智能手机和车辆）采集感知的数据，并给用户推荐感

［12－14］

，兴趣的服务。CarTel系统建基的网络可称为Cabernet

3智能交通系统中的数据处理技术

智能交通系统的智能化就集中体现在对系统内各种数

据的处理上，所以对数据的处理可以认为是智能交通系统的核心所在。数据处理的详情如下所示。3．1

时空数据的处理

智能交通系统处理的数据是一种伴有时空特征的典型数据，由于现今的GPS装置已经非常成熟且实现了平民价所以大量配备有定位装置的设备广泛应用至各行各业，格，

如带有GPS设备的为数众多的出租车、公共汽车以及一般的民用车辆，加上无线通信的日益成熟更使得现在的智能交通系统中产生了海量可以使用的、带有时空位置的序列化数据，如何应用和处理这些数据就成为智能交通系统时下研究20］使用的就是人工智能中的中的一项基本内容。如文献［

用以推导得出无导师学习方法来处理车辆产生的位置数据，

车辆的状态和动作，从而实现对交通事故的避免。除了对时发现和利用数据的空间特征也是空序列数据进行处理以外，

21］智能交通系统时空数据处理的一项新兴研究内容，文献［给出的正是这样一项分析道路网络交通流量状态宏观角度22－24］空间特征的方法，而文献［中的研究也是针对交通流量的时间和空间依赖性完成的，智能交通系统可以应用这些空间特征进行各个方面，诸如VANETs通信等方面的性能优化。3．2

数据的在线分析

智能交通系统的高度动态性使得系统会产生大量数据，并且许多数据会因为环境的动态变化而随时失效，这就使得对于数据的在线分析变为一个复杂的问题建立数据模型。

［25］

Cabernet采用的通信结构是建立IEEE802．11协议基础之上，并主要集中在移动设备和WiFiAP之间的无线通信上，显然该结构是一种基本的集中物联的通信结构。

而MetroSense

［15］

是由Dartmouth大学开展的、由移动手

一个全局移动传感器网络，由此可实现整个社会机组成的、

范围内的超大规模感知，其感知网络可分成三层结构完成感知数据的收集。在有线Internet中的servers用于负责存储、处理感知数据；通过Internet连接的固定SensorAccessPoints（SAP）可用来作为服务器和移动传感器（mobilesensors，简称MS）之间的gateways；而MS能在现场移动，用来收集数据，将“mule”数据到SAP处。另外，静态传感器也完成类似于MS的功能，只是SS不能移动。由于感知数据的收集主体是随人MS位置的随机性，移动的MS，网络连通的间歇性都是经常发生的现象，这就决定了MetroSense只能提供机会性的感知。不难发现，目前针对城市感知的通信网络都是以Internet为核心的一种集中物联结构。2．2

智能交通系统中常见的数据通信方式

，25］而文献［

就使用一个简单的折价因子来为那些不断陈旧的历史信息

第5期

3．3

人工智能的数据处理

陈丽，等：基于物联网的智能交通系统研究综述

·45·

quippedwithglobalpositioningreceiversasprobevehicle［C］//Proc．Int．Conf．WirelessCommun．，Netw．MobileComput．，2005：1343–1347．

［6］CHAKＲOBOＲTYP，KIKUCHIS．Usingbustraveltimedatatoesti-matetraveltimesonurbancorridors．Transp．Ｒes．Ｒec．，2004，1870：18–25．

［7］HOCHBAUMDS，FISHBAINB．Nuclearthreatdetectionwithmo-biledistributedsensornetworks．Ann．Oper．Ｒes．，Nov．2009，DOI：10．1007/s10479－009－0643－z．

［8］CALABＲESEF，COLONNAM，LOVISOLOP，etal．Ｒeal－Time

UrbanMonitoringUsingCellPhones：ACaseStudyinＲome．IEEETＲANSACTIONSONINTELLIGENTTＲANSPOＲTATIONSYS-TEMS，2011，12（1）．

［9］GUZMANI，JAVIEＲ，LEFEVＲE，etal．Vehicletovehiclecommu-nicationsappliedtoroadIntersectionsafety，FieldＲesults［C］//13thInternationalIEEEAnnualConferenceonIntelligentTransportation2010．Systems，MadeiraIsland，Portugal，

［10］LYTＲIVISP．THOMAIDISG．KAＲASEITANIDISI．etal．Situa-tionrefinementforin－vehicleplatformsinvehicularnetworks［C］//13thInternationalIEEEAnnualConferenceonIntelligentTransportationSystems，MadeiraIsland，Portugal，2010．

［11］LIUCM，LEECH，WANGLC．Distributedclusteringalgorithms

ordata－gatheringinwirelessmobilesensornetworks［J］．ParallelDistrib．Comput．，2007，67（11）：1187–1200．

［12］HULLB，BYCHKOVSKYV，CHENK，etal．CarTel：Adistribu-tedmobilesensorcomputingsystem［C］//Proc．ACMSenSys，2006．

［13］THIAGAＲAJANA，ＲAVINDＲANATHL，LACUＲTSK，etal．

VTrack：accurate，energy－awareroadtrafficdelayestimationusingC］//Proc．14thACMSenSys，Berkeley，CA，No-mobilephones［vember2009．

［14］EＲIKSSONJ，BALAKISHNANH，MADDENS．Proc．Cabernet：

VehicularcontentdeliveryusingWiFi［C］//14thACMMOBICOM，SanFrancisco，CA，September2008．

［15］MUSOLESIM，PIＲACCINIM，FODOＲK，etal．SupportingEner-gy－efficientuploadingstrategiesforcontinuoussensingapplicationsonmobilephones［C］//Proc．ofEighthInternationalConferenceonPervasiveComputing，Helsinki，May2010．

［16］JIANGD，TALIWALV，MEIEＲA，etal．Designof5．9GHz

．IEEEWirelessDSＲC－basedvehicularsafetycommunication［J］Communications，2006，13（5）：36–43．

［17］ITS，“Intellidrive．”http：//www．its．dot．gov/intellidrive．［18］QUＲESHIA，CAＲLISLEJ，GUTTAGJ，etal．Videostreaming

withWWANstriping［C］//Multimedia’06，SantaBarbara，CA，2006．

［19］HADALLEＲD，KESHAVS，BＲECHTT，etal．Vehicularoppor-tunisticcommunicationunderthemicroscope［C］//MobiSys’07，SanJuan，PueroＲico，2007．

［20］AGAMENNONIG，NIETOJI，NEBOTEM．Vehicleactivityseg-mentationfrompositiondata［C］//13thInternationalIEEEAnnualConferenceonIntelligentTransportationSystems，MadeiraIsland，Portugal，2010．

（下转第49页）

显而易知，智能交通系统中的数据处理必然要使用各类人工智能的最新技术。近年来，人工智能中的一些新技术已经受到越来越多的智能交通研究者的推崇和青睐

［26，27］

。例

如，针对交通流量的预测和建模可以借助于人工神经网络、25］中的风险评估模糊推理系统以及一些聚类技术。文献［

就使用了一个经过修改的在线最近邻聚类算法，用以提取最有价值位置。而使用模糊推理的原因则是由于交通系统的并由此导致感知数据带有明显不确定性，动态性和复杂性，

因此就需要在推理时连带这些不确定性一同进行模糊推理。

4总结与展望

由上面的分析可以看出，移动感知已经逐渐成为智能交

通系统环境感知的主体，而且这些感知节点往往是自身主动移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更加复杂。

智能交通系统分为集中物联和分布物联两种基本结构，但集中物联引入车与车之间、车与路边设备之间的局部通信方式。而在当前的国内外研究中，将两种形式有机结合并形成一个异构物联结构的研究还不多见，研究力度也不够深入。显然在实际网络环境中，将两者结合的异构结构一定是如更加普遍而真实。面对复杂多样的通信网络结构与形式，何有效地，以及根据环境变化而自适应地选择网络方式，满足诸如WiFiAP选择、连接建立、连接切换等众多应用需求均需进行深入的探讨与研究，这也必定是一个和物理环境特征，社会特征等内容有紧密关联的研究课题。

智能交通的数据处理技术集中在对时空序列数据进行一些智能化处理，智能化处理的基本要求就是发现和挖掘这些时空数据中的特征与规律，并能应用这些特征协助智能交通系统的建立与完善以及上层交通应用的设计与实现。由于智能交通系统的基础是一个由交通工具、道路、基础设施在这个物理环境中的时空数据所具以及人组成的物理环境，

有的空间特征实际上就是物理环境的特征，也就是智能交通系统的社会特征，因而挖掘并利用这些特征来拓展智能交通系统的应用，同时完善智能交通系统的相关算法就成为智能交通系统数据处理技术的核心和关键，这也是智能交通系统当下的研究热点之一。

参考文献：

［1］TOＲINM．Warroomsofthestreet：surveillancepracticesintrans-portationcontrolcenters［C］//TheCommunicationＲeview，2007，10（4）：367－389．

［2］PEDENM，SCUＲFIELDＲ，SLEETD，etal．Worldreportonroad

2004．trafficinjuryprevention．WorldHealthOrganization，

［3］JACOBSG，AEＲON－THOMASA，ASTＲOPA．Estimatingglobal

roadfatalities．TransportationＲesearchLaboratory，London，Eng-land，Tech．Ｒep．445，2000．

［4］LIX，SHUW，LIM，etal．Performanceevaluationofvehicle－

basedmobilesensornetworksfortrafficmonitoring［J］．IEEETrans．Veh．Technol．，2009，58（4）：1647–1653．

［5］ZOUL，XUJM，ZHULX．Arterialspeedstudieswithtaxie-

第5期边奕心，等：使用哈希值和标识符冲突率的克隆代码检测的误检消除方法

1++va_listargs；2++inti；3++

4va_start（args，fmt）；5++i=

6vsprintf（buf，fmt，args）；7++va_end（args）；8++returni；

1++va_listargs；

charbuf2256］；3++inti；

4++va_start（args，fmt）；5++i=

6vsprintf（buf，fmt，args）；

ll_puts（buf）；++va_end（args）；++returni；

（a）

（b）

·49·

结构相同；然后，将下一条语句对应位置的标识作为将匹配的标识符，重新计算标识符冲突率。如果冲突率为零，则说明当前语句的下一条语句是真正的克隆语句，进而，将当前语句的行号与下一条语句的行号交换，修正克隆代码检测结果。结果如图6所示。

这种方法不仅消除了插入语句的克隆代码的误检，而且，还消除了语句结构相同（数字相同）而语句顺序颠倒产生则说明当前语句的下一条语句的误检。如果冲突率不为零，

本文方法继续判断当前语句的不是真正的克隆语句。此时，

上一条语句与当前语句的哈希值是否相等，即两条语句是否为相同结构的语句，如果相等，则将上一条语句对应位置的重新计算标识符冲突率。如果标识符作为被匹配的标识符，

冲突率为零，则说明当前语句的上一条语句是真正的克隆语句，进而，将当前语句的行号与下一条语句的行号交换，修正克隆代码检测结果。如果当前语句行的下一条及上一条语结果仍不为零，则表明没有发句计算完成标识符冲突率后，生误检，即输出当前的检测结果。

表1

图6误检消除之后的克隆代码

Fig．6Theclonedcodeafterfalsepositiveselimination

3实验结果

［7］

文中采用克隆代码检测工具CPBugdetector分别对

Linux_2．6．6源程序中的arch、net和kernel模块进行克隆代码及相关缺陷检测。比较消除误检之前和消除误检之后的缺陷检测结果如表1所示。

linux2．6．6消除误检前后结果对比

Tab．1Ｒesultscomparisonbeforeandafterfalsepositiveeliminationoflinux2．6．6

实验源代码

archnetkernel

C文件总数235353647

源代码总行数[**************]29

克隆代码行数

[1**********]03

克隆代码组数

[1**********]

子类型1（疑似缺陷）消除之前38231

2007（12）：94－97．用，

［3］张耀衡．软件维护中基于多重程序模型的克隆代码检测技术研究

［D］．南京：南京大学，2003．

［4］刘恒．程序中克隆代码的自动检测［D］．大连：大连理工大学，

2003．

［5］D］．汕头：汕头大学，2005．李建中．克隆代码检测技术的研究［［6］LIZ，LUS，MYAGMAＲS，etal，CP－Miner：Atoolforfinding

copy－pasteandrelatedbugsinoperatingsystemcode［J］．IEEETrans．onSoftwareEng，2006，32（3）：176–192．

［7］苏小红，马培军，王伟，等．克隆C程序代码引起的软件缺陷检测

工具［简称：CPBugDetector］V1．0．登记号：2010SＲ049161．2009－06．

消除之后34231

子类型2（疑似缺陷）消除之前2141212

消除之后128871

4结束语

针对基于token的克隆代码检测方法进行语法相似的克

隆代码检测时存在的部分误检问题，本文提出了一种克隆代码检测的部分误检消除的方法。该算法通过语句哈希值的比较找到结构相同的语句，再根据标识符冲突率确定误检消本文算法能够消除传统克隆代码检除情况。实验结果表明，

测方法中的部分误检，提高了克隆代码检测的准确性。

参考文献：

［1］于冬琦，彭鑫，赵文耘．使用抽象语法树和静态分析的克隆代码

2009，30（3）：1752－自动重构方法［J］．小型微型计算机系统，1753．

［2］叶青青．软件系统中代码克隆的检测技术［J］．计算机系统应

檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶

（上接第45页）

［21］ZOUHaixiang，YANGYue，LIQingquanLi，etal．Aspatialanaly-C］//sisapproachfordescribingspatialpatternofurbantrafficstate［13InternationalIEEEAnnualConferenceonIntelligentTransporta-tionSystems，MadeiraIsland，Portugal，2010．

［22］KUMAGAIM，FUSHIKIT，KIMITAK，etal．Spatialinterpolation

ofreal－timefloatingcardatabasedonmultiplelinkcorrelationIfeaturespace［C］//Proc．of13thWorldCongressofITS，London，CD－ＲOM，2006．

［23］YUANJ，MILLSK．Across－correlation－basedmethodforspatial

－temporaltrafficanalysis．PerformanceEvaluationLongＲangeDe-pendenceandHeavytailDistributions，2005，61（2－3）：163－180．

［24］YUEY，YEHAG．Spatiotemporaltraffic－flowdependencyand

short－termtrafficforecasting．EnvironmentandPlanningB：Plan-2008，35：762－771．ningandDesign，

［25］LINDAO，MANICM．Onlinespatio－temporalriskassessmentfor

intelligenttransportationsystems［C］//IEEETＲANSACTIONSONINTELLIGENTTＲANSPOＲTATIONSYSTEMS，2011，12（1）．［26］SＲINIVASAND，CHOYMC，CHEUＲL．Neuralnetworksforreal

．IEEETrans．Intell．Transp．Syst．，timetrafficsignalcontrol［J］2006，7（3）：261–272．

［27］NAＲANJOJE，GONZALESC，GAＲCIAＲ，etal，Lane－change

fuzzycontrolinautonomousvehiclesfortheovertakingmaneuver［J］．IEEETrans．Intell．Transp．Syst．，2008，9（3）：438－450．

第3卷第5期2013年10月

智能计算机与应用

INTELLIGENTCOMPUTEＲANDAPPLICATIONS

Vol．3No．5Oct．2013

基于物联网的智能交通系统研究综述

陈

丽，李治军，姜守旭

（哈尔滨工业大学计算机科学与技术学院，哈尔滨150001）

摘要：交通安全、交通堵塞及环境污染是困扰当今国际交通领域的三大难题。智能交通系统及面向智能交通的物联网研究是

物联网智能交通系统的研究热点和展望。

关键词：物联网；智能交通系统；数据通信；数据处理中图分类号：

TP391

文献标识码：

文章编号：2095－2163（2013）05－0043－04

AnOverviewofIntelligentTransportationSystemsbasedontheInternetofThings

CHENLi，LIZhijun，JIANGShouxu

（SchoolofComputerScienceandTechnology，HarbinInstituteofTechnology，Harbin150001，China）

Keywords：InternetofThings（IOT）；IntelligentTransportationSystem（ITS）；DataCommunication；DataProcessing

0引言

状进行了全面总结和深入剖析。

交通安全性，减少交通时间和降低燃油耗费等等由于交通事故造成的经济损失则超过五亿美元

［3］

［1］

1智能交通系统中的环境感知

物理环境感知无疑是智能交通系统的基础，实际上对环

境的感知与认知也是任何智能系统的基础。可分为以下几个专题进行系统阐述和分析。1．1

移动感知已经逐渐成为城市感知的基本手段

［4，5］［6］

。据统

［2］

计，世界上每年都会有五千万人由于交通事故而受伤，而

。为此，智

存在大量具有相当难度的研究课题，所以对于学术界而言，智能交通系统的研究多年以来一直非常活跃，且颇受重视，成为热点研究领域。

。另外，使用带

，7］文献［即使用

降低感知的能耗，提高感知的精度

收稿日期：2013－06－17

60973124，61300210，61370214）；教育部高校博士点科研基金（[1**********]036）。基金项目：国家自然科学基金（60803148，

作者简介：陈丽（1975－），女，黑龙江哈尔滨人，博士研究生，讲师，主要研究方向：移动感知、移动通信技术；

·44·

智能计算机与应用

多种，基本方式可以分为如下四种：

第3卷

降低了感知能耗。考虑节点移动的组簇算法进行数据收集，1．3

围是300m，缺省数据速率是6Mbps，目前已有大量研究采用DSＲC来建立车－车之间，车体－路边设施之间的实时信息通

［17］信。应用这些通信可以减少拥堵，提高人身安全等等。

［18］

。

［19］

2智能交通系统中的数据通信网络

只有将采集获得的感知数据依托通信网络发送到需要

。

智能交通系统中数据通信的基本结构

近年来，国外很多著名大学和企业都相继开展了城市感当然其中的感知信息需要通过网络实现通信知项目的研究，

与共享。如麻省理工大学开展的CarTel项目就是一个旨在建基于系统上基于机会通信建立延迟容忍的移动感知系统，

的应用可以收集、处理、发送、分析、以及可视化由底层移动用户（如智能手机和车辆）采集感知的数据，并给用户推荐感

［12－14］

，兴趣的服务。CarTel系统建基的网络可称为Cabernet

3智能交通系统中的数据处理技术

智能交通系统的智能化就集中体现在对系统内各种数

据的处理上，所以对数据的处理可以认为是智能交通系统的核心所在。数据处理的详情如下所示。3．1

时空数据的处理

用以推导得出无导师学习方法来处理车辆产生的位置数据，

车辆的状态和动作，从而实现对交通事故的避免。除了对时发现和利用数据的空间特征也是空序列数据进行处理以外，

数据的在线分析

［25］

Cabernet采用的通信结构是建立IEEE802．11协议基础之上，并主要集中在移动设备和WiFiAP之间的无线通信上，显然该结构是一种基本的集中物联的通信结构。

而MetroSense

［15］

是由Dartmouth大学开展的、由移动手

一个全局移动传感器网络，由此可实现整个社会机组成的、

智能交通系统中常见的数据通信方式

，25］而文献［

就使用一个简单的折价因子来为那些不断陈旧的历史信息

第5期

3．3

人工智能的数据处理

陈丽，等：基于物联网的智能交通系统研究综述

·45·

quippedwithglobalpositioningreceiversasprobevehicle［C］//Proc．Int．Conf．WirelessCommun．，Netw．MobileComput．，2005：1343–1347．

［6］CHAKＲOBOＲTYP，KIKUCHIS．Usingbustraveltimedatatoesti-matetraveltimesonurbancorridors．Transp．Ｒes．Ｒec．，2004，1870：18–25．

［7］HOCHBAUMDS，FISHBAINB．Nuclearthreatdetectionwithmo-biledistributedsensornetworks．Ann．Oper．Ｒes．，Nov．2009，DOI：10．1007/s10479－009－0643－z．

［8］CALABＲESEF，COLONNAM，LOVISOLOP，etal．Ｒeal－Time

UrbanMonitoringUsingCellPhones：ACaseStudyinＲome．IEEETＲANSACTIONSONINTELLIGENTTＲANSPOＲTATIONSYS-TEMS，2011，12（1）．

［11］LIUCM，LEECH，WANGLC．Distributedclusteringalgorithms

ordata－gatheringinwirelessmobilesensornetworks［J］．ParallelDistrib．Comput．，2007，67（11）：1187–1200．

［12］HULLB，BYCHKOVSKYV，CHENK，etal．CarTel：Adistribu-tedmobilesensorcomputingsystem［C］//Proc．ACMSenSys，2006．

［13］THIAGAＲAJANA，ＲAVINDＲANATHL，LACUＲTSK，etal．

VTrack：accurate，energy－awareroadtrafficdelayestimationusingC］//Proc．14thACMSenSys，Berkeley，CA，No-mobilephones［vember2009．

［14］EＲIKSSONJ，BALAKISHNANH，MADDENS．Proc．Cabernet：

VehicularcontentdeliveryusingWiFi［C］//14thACMMOBICOM，SanFrancisco，CA，September2008．

［16］JIANGD，TALIWALV，MEIEＲA，etal．Designof5．9GHz

．IEEEWirelessDSＲC－basedvehicularsafetycommunication［J］Communications，2006，13（5）：36–43．

［17］ITS，“Intellidrive．”http：//www．its．dot．gov/intellidrive．［18］QUＲESHIA，CAＲLISLEJ，GUTTAGJ，etal．Videostreaming

withWWANstriping［C］//Multimedia’06，SantaBarbara，CA，2006．

［19］HADALLEＲD，KESHAVS，BＲECHTT，etal．Vehicularoppor-tunisticcommunicationunderthemicroscope［C］//MobiSys’07，SanJuan，PueroＲico，2007．

（下转第49页）

［26，27］

。例

如，针对交通流量的预测和建模可以借助于人工神经网络、25］中的风险评估模糊推理系统以及一些聚类技术。文献［

因此就需要在推理时连带这些不确定性一同进行模糊推理。

4总结与展望

由上面的分析可以看出，移动感知已经逐渐成为智能交

参考文献：

［1］TOＲINM．Warroomsofthestreet：surveillancepracticesintrans-portationcontrolcenters［C］//TheCommunicationＲeview，2007，10（4）：367－389．

［2］PEDENM，SCUＲFIELDＲ，SLEETD，etal．Worldreportonroad

2004．trafficinjuryprevention．WorldHealthOrganization，

［3］JACOBSG，AEＲON－THOMASA，ASTＲOPA．Estimatingglobal

roadfatalities．TransportationＲesearchLaboratory，London，Eng-land，Tech．Ｒep．445，2000．

［4］LIX，SHUW，LIM，etal．Performanceevaluationofvehicle－

basedmobilesensornetworksfortrafficmonitoring［J］．IEEETrans．Veh．Technol．，2009，58（4）：1647–1653．

［5］ZOUL，XUJM，ZHULX．Arterialspeedstudieswithtaxie-

第5期边奕心，等：使用哈希值和标识符冲突率的克隆代码检测的误检消除方法

1++va_listargs；2++inti；3++

4va_start（args，fmt）；5++i=

6vsprintf（buf，fmt，args）；7++va_end（args）；8++returni；

1++va_listargs；

charbuf2256］；3++inti；

4++va_start（args，fmt）；5++i=

6vsprintf（buf，fmt，args）；

ll_puts（buf）；++va_end（args）；++returni；

（a）

（b）

·49·

本文方法继续判断当前语句的不是真正的克隆语句。此时，

表1

图6误检消除之后的克隆代码

Fig．6Theclonedcodeafterfalsepositiveselimination

3实验结果

［7］

文中采用克隆代码检测工具CPBugdetector分别对

Linux_2．6．6源程序中的arch、net和kernel模块进行克隆代码及相关缺陷检测。比较消除误检之前和消除误检之后的缺陷检测结果如表1所示。

linux2．6．6消除误检前后结果对比

Tab．1Ｒesultscomparisonbeforeandafterfalsepositiveeliminationoflinux2．6．6

实验源代码

archnetkernel

C文件总数235353647

源代码总行数[**************]29

克隆代码行数

[1**********]03

克隆代码组数

[1**********]

子类型1（疑似缺陷）消除之前38231

2007（12）：94－97．用，

［3］张耀衡．软件维护中基于多重程序模型的克隆代码检测技术研究

［D］．南京：南京大学，2003．

［4］刘恒．程序中克隆代码的自动检测［D］．大连：大连理工大学，

2003．

［5］D］．汕头：汕头大学，2005．李建中．克隆代码检测技术的研究［［6］LIZ，LUS，MYAGMAＲS，etal，CP－Miner：Atoolforfinding

copy－pasteandrelatedbugsinoperatingsystemcode［J］．IEEETrans．onSoftwareEng，2006，32（3）：176–192．

［7］苏小红，马培军，王伟，等．克隆C程序代码引起的软件缺陷检测

工具［简称：CPBugDetector］V1．0．登记号：2010SＲ049161．2009－06．

消除之后34231

子类型2（疑似缺陷）消除之前2141212

消除之后128871

4结束语

针对基于token的克隆代码检测方法进行语法相似的克

测方法中的部分误检，提高了克隆代码检测的准确性。

参考文献：

［1］于冬琦，彭鑫，赵文耘．使用抽象语法树和静态分析的克隆代码

2009，30（3）：1752－自动重构方法［J］．小型微型计算机系统，1753．

［2］叶青青．软件系统中代码克隆的检测技术［J］．计算机系统应

檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶

（上接第45页）

［22］KUMAGAIM，FUSHIKIT，KIMITAK，etal．Spatialinterpolation

ofreal－timefloatingcardatabasedonmultiplelinkcorrelationIfeaturespace［C］//Proc．of13thWorldCongressofITS，London，CD－ＲOM，2006．

［23］YUANJ，MILLSK．Across－correlation－basedmethodforspatial

－temporaltrafficanalysis．PerformanceEvaluationLongＲangeDe-pendenceandHeavytailDistributions，2005，61（2－3）：163－180．

［24］YUEY，YEHAG．Spatiotemporaltraffic－flowdependencyand

short－termtrafficforecasting．EnvironmentandPlanningB：Plan-2008，35：762－771．ningandDesign，

［25］LINDAO，MANICM．Onlinespatio－temporalriskassessmentfor

intelligenttransportationsystems［C］//IEEETＲANSACTIONSONINTELLIGENTTＲANSPOＲTATIONSYSTEMS，2011，12（1）．［26］SＲINIVASAND，CHOYMC，CHEUＲL．Neuralnetworksforreal

．IEEETrans．Intell．Transp．Syst．，timetrafficsignalcontrol［J］2006，7（3）：261–272．

［27］NAＲANJOJE，GONZALESC，GAＲCIAＲ，etal，Lane－change

fuzzycontrolinautonomousvehiclesfortheovertakingmaneuver［J］．IEEETrans．Intell．Transp．Syst．，2008，9（3）：438－450．

基于物联网的智能交通系统研究综述

相关内容

热门内容

标签