基于车载自组网的动态交通信息的挖掘和利用

基金项目：国家高技术研究发展(“863”)计划(2008AA01Z220)

    随着城市经济的快速增长和城市化进程的加快，城市机动车数量呈快速增长的势头。

    车载自组网是一种新兴的无线网络形式。它针对高速运动车辆沿道路行驶的特征，研究车辆间如何利用无线通信技术形成一个自组织网络，为行驶中的车辆提供信息传输服务[1-4]。车载自组网在交通系统中有着巨大的应用潜力，将对交通系统中海量和时变的交通信息从采集、处理和分发等方面产生深远影响。我们认为，车载自组网技术可引入新的交通信息采集模式，自组网内车辆的合作可提高交通信息采集的多样性、实时性和准确性；通过分层次的交通信息处理机构，将可实现海量和时变的交通信息的深度挖掘和实时处理，形成更多和更准确的交通信息服务；通过对交通信息用户需求的分析和引入车载自组网，用户将可及时得到自己最需要的交通信息，减少不必要的交通信息发布所带来的带宽浪费，最终对城市交通信息系统的发展起到很好的促进作用。

1 动态交通信息处理技术
    交通信息系统的基本功能是交通信息的采集、处理和分发。目前全球的研究工作主要集中在以下几个方面：交通信息系统体系结构、信息采集手段和采集方法、海量时变交通信息的处理方法、交通信息分发模式和信息采集和分发中的数据传输模式等。

1.1 交通信息系统体系结构
    依据交通信息的处理方式不同，可将交通信息系统的体系结构分成基于交管中心的交通信息系统和基于对等网络(P2P)的交通信息系统。

    基于交管中心的交通信息系统通常由一个由交管中心管理的道路交通信息公共网络平台、多个交通指挥调度和信息发布子系统(如公安、公交车、出租车、医疗急救、车辆救援等子系统)和多种交通信息采集子系统(如基于固定设施的交通流检测、浮动车GPS信息、事故报警人员通报等子系统)。基于这种结构的交通信息管理系统，采集手段和采集点较少，研究工作的重点是寻找新的交通信息采集手段、选择信息采集点的位置[5]和利用这些有限的交通流数据得到有用的交通信息。最早应用的交通流数据采集手段是基于感应线圈的固定检测设施。当蜂窝网普及后，基于浮动车的交通信息采集方式被引入交通信息系统，扩展了交通信息的采集方式和采集范围[6]。交通流数据的处理工作是在各个采集子系统中完成的，子系统的处理结果都会汇总到交管中心，并通过公共网络平台在子系统间共享。该结构很好地描述了交通信息系统可能采集到的各种交通数据和用户对交通信息的需求，形成交通信息系统的基本框架。这种结构是目前实际系统中广泛采用的，它的扩展和改进是目前的智能交通系统研究的热点[7]。

    当浮动车数据采集点大规模增加后，很难再由交管中心来集中管理这些海量的实时数据。于是，具有良好可扩展性的对等网络技术被引入交通信息系统。基于P2P的交通信息系统把交管中心的功能改成由P2P网络完成，以此来解决海量交通流数据的实时处理“瓶颈”。基于信息订阅和推送的交通信息的分发过程如图1所示。通过使用分布式哈希表(DHT)，少量流通数据被分布到多个处理节点上处理[8]。随着交通信息量的增加，信息采集方式和分发方式也发生了变化。在信息采集方式上，由于采集交通流信息的浮动车数据源大量增加，有可能通过动态调整采集数据量和采集周期来实时获取用户需要的区域在指定时间段的交通流数据，从而实现按需采集数据[9]。

    车载自组网技术的出现和被引入交通信息系统，使车载自组网节点的浮动车可相互协作来一起完成交通流数据采集和基本处理[10-11]，从而有可能提高交通信息的实时性和准确性。海量交通信息也带来了信息分发方式的变化，信息采集者很可能同时也是信息的用户。用户需要的交通信息往往只是所有信息中极少量的一部分。例如，出租车是重要的交通流数据源，出租车驾驶员是最关心路况的交通信息用户。出租车驾驶员关心的仅仅是自己所在区域和将要通过道路的交通信息。这时就需要更准确地了解用户对交通信息的需求，通过信息订阅和推送方式来进行交通信息的分发，从而提高信息分发的效率和实时性。在引入车载自组网技术后，交通信息系统中采集、处理和分发3部分的功能划分和相互关系将会发生一定的融合，有可能设计形成一种适合大规模、海量和时变交通信息服务的混合结构的体系框架，支持多种固定设施和浮动车的信息采集。

1.2 交通流数据采集和事故检测
    交通流数据采集的目的是获取道路交通流信息和道路事故信息。数据采集方法包括视频采集、诱导线圈、雷达、车载传感器和人工报警等。基于视频和图像分析的交通流数据采集需要进行预处理。采集到的交通流数据需要进行分析处理，以便检测到用户关心的交通信息。

    检测算法可以分为宏观检测算法和微观检测算法。宏观检测算法利用安装在固定地点的视频监控设备、雷达设备、诱导线圈以及浮动车，根据采集并上传到交管中心的交通数据，进行宏观综合分析来检测事故的发生。宏观检测算法可分为基于模式的检测算法、基于突变理论的检测算法、基于统计数据的检测算法、基于人工智能的检测算法和基于浮动车的检测算法五大类。前4类是基于视频监控设备和诱导线圈等固定设备的算法，现在已经比较完善。它们使用基于路面的点数据(如环形线圈检测的数据)，能采集到流量、占有率等交通参数，从而对真实的交通状况进行估计和推测。第4类基于浮动车技术的浮动车技术，也被称作“探测车”，是近年来新采用的一种获取道路交通信息的先进技术手段。

    (1)基于模式的检测算法
    基于模式的检测算法用采集到的占有率和车流量等当前交通数据与历史数据进行比较，从而判断是否发生了交通事故。如果差距超过了一个阈值或存在明显变化，就认为发生了事故[12-13]。

    (2)基于突变理论的算法
    基于突变理论的算法通过分析车辆速度、流量和拥堵程度等变量，当其他变量没有明显变化的时，某一变量发生了突变则判定为可能产生了事故[14]。比如，在流量和拥堵程度没有发生明显变化时速度产生明显变化，那么就有可能是事故发生了。

    (3)基于统计数据的算法
    在基于统计数据的检测算法中，使用历史记录建立交通流模型。这些模型通常是非线性的，运行在宏观层面。他们可以从过去实施的交通信息，利用空间技术的动态状态估计的交通密度和流动，这些模型可以被用来预测交通格局的演变。如果交通差别很大，则可能是发生了事故。

    (4)基于人工智能的检测算法
    基于人工智能的检测算法[15-16]利用神经网络，基于历史数据的训练来识别交通流模式。神经网络的方法虽然有效，但需要大量历史数据的学习，而且检测速度较慢。模糊逻辑可与神经网络结合使用，引入模糊边界概念，方便检测占用率或速度的模式变化，以确定交通事故。使用模糊逻辑可改善神经网络算法的性能。

    (5)基于浮动车的检测算法
    基于浮动车的检测算法[17]根据装备GPS设备的浮动车在其行驶过程中定期记录的车辆位置、方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来，最终得到浮动车所经过道路的车辆行驶速度以及道路的行车旅行时间等交通拥堵信息。当城市中部署足够数量的浮动车，并将这些浮动车的位置数据通过无线通信系统定期、实时地传输到一个交管调度中心，由交管调度中心综合处理，就可以获得整个城市动态、实时的交通拥堵信息。

    宏观监测算法主要的问题有以下几个方面：首先是这些基于流量和模型的检测对于那些交通流量比较少的地方可能不太灵敏，因为事故的影响可能很小；第二，现在的算法大多不能发现事故的地点和具体发生的事情；第三，基于诱导线圈等固定检测设备的检测方法的部署代价较高[18]；第四，基于视频分析的算法在遇到特殊环境(如大雾，沙尘等天气)时会明显影响精度[19-20]。

    微观检测算法着眼于车辆的GPS数据、车载手机、车载传感器、手动报警等设备提供的数据对某一地点附近的交通情况进行分析，目标是准确地检测事故发生的地点以及严重程度等信息。下面是几种典型的微观检测算法：

    (1)基于手机位置的检测算法
    蜂窝网基站可以感知到手机的大体位置，通过这个位置可以把一部分手机终端定义为车上终端。分析这些终端数据，可以得到相应的车辆的平均速度，也可以通过车辆平均速度的变化判定事故的发生[21]。

    (2)手动报警
    研究发现，38%的事故可以通过手机信息获得。这是因为事故会同时对附近的人产生影响。但是传统的通过拨打电话报警的方式报警率很低，而且误报率比较高。为了解决这一问题，首先需要将人工报警变得更加简单可行，车内集成报警的特殊按钮，司机只要动一下手指就能完成报警过程，另外需要结合其他的事故检测方法进行判定，提高人工报警的可靠性[22]。

    (3)基于车载自组网的检测
    车载传感器采集到的车辆数据存放在事件数据记录器(EDR)中，作用相当于飞机上的黑匣子。EDR也可以接受驾驶员输入，比如结冰等不容易检测的数据。经过路边基础设施的时候EDR就把信息传输给基础设置，基础设施通过发生事故时车辆应该有的行为，分析后就可得到道路上事故的情况。这可以分为基础设施不相连的和基础设施相连的两种。基础设施不相连的使用车载自组网进行车辆间通信[23-25]。

    我们认为，通过综合利用多种信息源，采用闭合回路的事件检测和复核方法，在同一车载自组网中的浮动车节点上进行周期性数据分析和事故协作复核，可实现对检测结果的快速确认，从而提高检测的准确性和减少误判，从而提高事故检测的时效性和准确性。

1.3 交通信息数据处理和挖掘
    交通数据具有动态、海量和关联等特性。关联性是挖掘数据内部潜在关系的基础，也是进行社会网络分析提取有用信息的前提。交通信息早先是按数据类型划分，随着交通信息总量的增加，分布式数据存储结构被引入[26]。交通数据被存储到采用主从模式的两级服务器数据管理结构中，即由交通管理中心控制的交管中心数据库服务器及由各区域交通管理部门控制的数据库服务器和客户端。中心数据库同各区域服务器通过网络平台实现共享。为了实时处理交通流数据，并提供用户需要的实时交通信息服务，面向服务的架构和分布式实时信息处理也被用到交通信息系统中。

    基于面向服务的交通信息系统中，子系统能够实现的功能被划分成粒度不同的服务。子系统之间的功能调用转化为对服务的调用，从而实现动态交通信息采集、信息共享、数据处理及发布。当实时交通信息服务成为可能时，更多的交通信息服务就成了新的研究热点。如基于实时路况的导航系统就可以为用户提供当前的最短用时路径服务[27]。

    为了处理大规模的实时交通信息，不同地理区域的数据分散到不同的处理节点上，这些处理节点的协作和数据共享成为交通信息系统面临的重要问题[28-29]。云计算平台和方法也被引入到交通信息系统中。

    Google针对分布式应用提出了一组相关技术[30]。GFS是一个可扩展的分布式文件系统，用于大型分布式对大量数据进行访问的应用。文件在目录中按层次组织起来并由路径名标识。从结构上看，它是由一个元数据服务器(Master)和大量的数据存储服务器(Chunkserver)组成，文件划分成固定大小的块存储，并被许多客户访问。对于海量数据处理，一种通用的办法就是借助分布式计算模型来实现，是很多大型系统数据处理的核心，特别是进行搜索业务和大规模信息处理业务时。现有分布式处理模型比较多。MapReduce[31]是一种编程模型，其基于GFS文件系统的处理模型，用于海量数据集的并行计算，以满足Google迅速增长的数据处理需求。Map操作即映射函数，是将一组独立的元素组成的列表进行指定的操作，得到一个中间数据集，而Reduce操作，就是对元素进行适当的合并，这两个操作具有高度的并行性。Big table[32]是Google使用的文件存储系统，其本质是一个分布式、多维度的映射表。MapReduceOnline[33]在处理流程上有一定优化，其数据流在传递过程中采用不同的方式，一般情况下使用的是事务处理技术，而联机模式下，使用的是流水线技术。

    基于Hadoop的分布式处理模型被用于编写和运行用于处理海量数据的应用程序。它是对MapReduce的Java实现。它使用了Hadoop分布式文件系统(HDFS)。

    这种模型有着较强的优势。首先是其开源性，能很好地借鉴并根据需求作出修改；其次，具有很好的可扩展性和有效性，能通过数据分发，实现数据在不同节点上的并行处理；另外，通过多拷贝保证可靠性。Hadoop是海量数据处理分布式模型的一种很好选择。MogileFS是一套高效的文件自动备份系统，广泛应用于Web站点上，其主要功能主要体现在文件备份操作上。Memcached是高性能的、分布式内存对象缓存系统，用于在动态应用中减少数据库负载，提升访问速度。这种处理模型实现了跨服务器分布式的全局缓存。在实现海量数据处理的时候，可以借助现有成熟的处理模型，特别是开源的Hadoop模型。由于Hadoop的上述特征，一些研究工作把它用于各种大型分布式数据处理应用[34-35]。Hadoop已经得到Yahoo的全面支持，而且也应用在百度的分布式解决方案中。

    我们认为，在交通信息系统中采用Hadoop作为分布式数据处理平台，基于大规模时变信息的描述、存储和处理方法来描述和分析交通数据在时间、地点、逻辑关系等方面的时空关联性，并有效地把这些信息组织成一个整体，是挖掘和利用这些数据的基础。有可能形成多层面的交通信息组织结构，使相关信息组织成一个有机整体，方便交通数据的利用，并实现交通信息的分布式并行处理和大规模数据的及时处理，从而改进交通流数据的处理和挖掘。

1.4 交通信息的传输和分发
    交通信息系统中的数据传输和分发要解决的问题是数据传输方式和分发内容选择的问题。数据传输技术研究各类路由算法；分发内容技术研究与传输相关的数据处理，主要是数据融合方法的研究。引入车载自组网后，数据传输问题更加复杂。

    目前对路由算法的研究主要集中在两个方面：广播和单播路由协议，以广播为主。因为在车载自组网中主要的应用场景为安全信息和交通信息，而这些信息对于所有行驶在道路上的车辆来讲都是重要的信息。在广播路由算法的研究中，主要有两个较大的方向：可靠广播和提高性能。可靠广播研究的目标是提高安全信息的传输可靠性。因为在IEEE 802.11协议中，广播协议是没有确认信息的，故在安全信息这类要求可靠交付的应用场景下，如何确保消息准确、可靠的发送到目的节点就成为了问题的关键。已有研究人员提出了很多可靠广播协议，其中包括概率路由、划分区域进行中继等。对广播协议的另一个研究方向是提高广播协议的性能。这是因为在车载自组网环境下，车辆密度较大，如果采用洪泛广播的方法会造成较大的拥塞，甚至广播风暴，造成路由协议性能降低。为了减小广播协议的开销，目前主要采取的方法是记录丢包率等信息并进行计算，选择适当的中继节点等方法来减小广播的次数，以此来提高广播路由协议的性能。对单播路由协议的研究主要集中在提高报文交付率上。目前较为流行的方法是无状态路由、地理路由、延迟容忍网络(DTN)。在最新发表的论文中，已经开始出现了采用多路径的单播路由协议。

    传输交通信息的路由算法主要考虑道路和交通流对路由算法的影响。文献[36]把路由选择转换为道路车流密度的选择，选择车辆密度高的道路进行转发，同时采用DTN的方法来提高交付率。一种新的组播协议[37]提出关联区域(ZOR)和转发区域(ZOF)。通常在ZOR内的节点之间能够通信，当车辆加速或者减速时，车辆可能退出该ZOR。ZOF可用于将数据转发给那些不在ZOR中的节点。文献[38]通过修改DSR协议得到一种新的可用于车载自组网的多路径单播路由算法。

    广播及广播可靠性在交通信息传输中面临更大挑战。许多研究工作是从减少广播占用的带宽和提高广播可靠性的角度来研究交通信息广播协议。文献[39]通过网络编码来提高车载自组网中传输多媒体数据的可靠性。每个节点会周期性地广播自己接收到的最大数据帧序号。如果节点尚未接收小于该序号的数据帧，则发送请求，要求邻居节点向其发送该数据帧。文献[40]通过概率路由来增强安全信息的多跳广播可靠性。文献[41]针对高速路场景研究事故信息分发算法，以减少误判和开销，并提高精度。文献[42]通过控制广播风暴来减少广播的带宽占用。

    另一个研究方向是对传输的数据进行处理，目标是减少需要传输的数据量，减小对网络带宽的消耗。目前主要的方法是采用数据融合技术，通过将需要发送的数据进行融合，减少数据量。由于目前车载自组网中主要的应用方向是安全信息和交通信息。所以目前提出的方法也都使用在这两种应用上。在车载自组网中，周期性广播信息是一类十分重要的信息，车辆通过周期性广播来发送自己的位置、速度、方向信息。整个网络通过周期性广播得以构建起来。目前已经开始有文章专门研究周期性广播的性能。目前主要有两种观点，一种是周期性广播一跳数据，这种广播通过大功率发射，使发送的数据尽量覆盖更大的面积，使更多的邻居节点接收到数据。另一种方式是采用小功率、多跳广播。从目前看，两种广播的方式有各自的特点，需要根据具体应用来进行选择。在数据传输的各种论文中，已经出现了一种新的消息获取方式，即发布/订阅(Publish/Subscribe)方式。通过这一方式，实现了消息发送方和接收方的完全解耦。

    文献[43]采用发布/订阅的思想，信号灯是信息的发布者，而车辆是信息的订阅者。信号灯只发布所在区域的相关信息，而它周围的车辆需要的也正是所在区域的交通信息。文献[44]提出使用马尔可夫模型的数据融合算法，通过合并数据来减小数据发送开销。文献[45]通过选举融合节点收集和压缩多车数据来减少信息传输量。文献[46]利用前方道路一定范围内的车辆数量来获取当前道路是否拥堵的信息，并向反方向发送，通知随后的车辆。文献[47-48]研究交通流信息汇聚范围和汇聚节点选择来控制传输的信息量，以避免信息过多。

    我们认为，基于社会网络方法的用户需求和行为特征有可能形成新交通信息分发方法。用户仅关心海量的交通信息中与自己相关的部分，表达用户需求和关联相关信息是提高交通信息利用效率的重要方法。通过分析用户行为特征来挖掘用户的交通信息需求，进而基于内容的交通信息路由策略，及时主动地分发给需要的用户。

2 应用前景
    交通运输产业是国民经济的重要产业，城市交通管理水平是城市现代化程度的重要标志。基于车载自组网交通信息系统能够在车辆驾驶中提供各种安全驾驶所需要的信息与服务，扩展司机的视野与车载部件的功能，对提高驾驶的安全性将起到非常重要的作用。典型的应用包括：

    (1)行驶安全预警
    利用车辆间相互交换状态信息，通过车载自组网提前通告给司机，建议司机根据情况作出及时、适当的驾驶行为，这便有效的提升了司机的注意力，提高驾驶的安全性。

    (2)协助驾驶
    帮助驾驶员快速、安全的通过“盲区”，例如在高速路出/入口或交通十字路口处的车辆协调通行。

    (3)分布式交通信息发布
    改变传统的基于中心式网络结构的交通信息发布形式。车辆从车载自组网中获取实时交通信息，提高路况信息的实时性，例如，综合出与自身相关的车流量状况，更新电子地图以便更高效的决定路径规划。

    (4)基于通信的纵向车辆控制
    通过车载自组网，车辆能根据尾随车辆和更多前边视线范围外的车辆相互协同行驶，这样能够自动形成一个更为和谐的车辆行驶队列，避免更多的交通事故。

    (5)乘客办公与娱乐化
    让乘客享受娱乐，视频点播、汽车会议、路边超市等各种基于无线网络的应用，例如，在线游戏和Internet接入等。

    目前，中国汽车总保有量已经超过3 000万辆，车载自组网技术应用于交通信息将直接促进车辆安全驾驶和提高道路通行能力。通过形成行业标准、国家标准，其后续产生的经济效益和社会效益将不可估量。

3 参考文献
[1] 1982年至2009年8月北京机动车保有量变化[EB/OL]. [2009-09-14]. http://info.auto.hc360.com/2009/09/140857313559.shtml.
[2] 北京机动车突破430万辆 [EB/OL]. [2010-05-25]. http://www.chinanews.com.cn/auto/news/2010/05-25/2301783.shtml.
[3] 胡明伟, 缪立新, 王耘非. 北京市交通流数据采集、处理/分析和信息发布系统设计 [J]. 公路交通科技, 2003(2): 77-80.
[4] 常促宇, 向勇, 史美林. 车载自组网的现状与发展 [J]. 通信学报, 2007,28(11):115-126.
 [5] TRULLOLS O, FIORE M, CASETTI C, et al. Planning roadside infrastructure for information dissemination in intelligent transportation systems [J]. Computer Communications, 2010, 33(4): 432-442.
[6] 李昊. 中心城市公众出行交通动态信息采集、处理及共享技术研究 [D]. 西安:西安交通大学, 2006.
[7] Report on ITS framework reference architecture [R/OL]. [2008-02-15]. http://www.coopers-ip.eu/index.php?id=150.
[8] RYBICKI J, SCHEUERMANN B, KIESS W, et al. Challenge: Peers on wheels -- A road to new traffic information systems [C]//Proceedings of the  13th Annual International Conference on Mobile Computing and Networking (MOBICOM’07), Sep 9-14, 2007, Montréal, Canada. New York, NY, USA:ACM, 2007:215-221.
[9] RYBICKI J, SCHEUERMANN B, KOEGEL M, et al. PeerTIS: A peer-to-peer traffic information system [C]//Proceedings of the 6th ACM International Workshop on Vehicular Ad Hoc Networks (VANET’09), Sep 25, 2009, Beijing, China. New York, NY, USA:ACM, 2009:23-32.
[10] YANG Yi, BAGRODIA R. Evaluation of VANET-based advanced intelligent transportation systems [C]//Proceedings of the 6th ACM International Workshop on Vehicular Ad Hoc Networks (VANET’09), Sep 25, 2009, Beijing, China. New York, NY, USA:ACM, 2009:3-12.
[11] ARBABI M H, WEIGLE M C. Using vehicular networks to collect common traffic data [C]//Proceedings of the 6th ACM International Workshop on Vehicular Ad Hoc Networks (VANET’09), Sep 25, 2009, Beijing, China. New York, NY, USA:ACM, 2009: 117-118.
[12] MARTIN P T, PERRIN H J, HANSEN B G. Incident detection algorithm evaluation, UTL-0700-31 [R]. Salt Lake, UT,USA:?Utah Traffic Laboratory, 2001.
[13] 魏丽英, 夏明, 田春林. 基于LVQ 神经网络的城市快速路事件自动检测算法 [J]. 吉林大学学报:工学版, 2010,40(2): 412-416.
[14] PERSAUD B N, HALL F L. Catastrophe theory and patterns in 30-second freeway traffic data implications for incident detection [J]. Transportation Research, Part A: General, 1989,23A(2): 103-113.
[15] SRINIVASAN D, JIN X, CHEU Ruey Long. Evaluation of adaptive neural network models for freeway incident detection [J]. IEEE Transactions on Intelligent Transportation Systems,2004,5(1): 1-11.
[16] CHEN S, WANG W. Decision tree learning for freeway automatic incident detection [J]. Expert Systems with Applications, 2009,36(2): 4101-4105.
[17] 余柳, 于雷, 戚懿, 等. 基于浮动车数据的城市快速路交通事件检测算法研究 [J]. 交通运输系统工程与信息, 2008,8(4): 36-41.
[18] 全洪波, 陈锐祥. 城市道路交通拥堵自动判断算法研究 [J]. 中山大学学报:自然科学版, 2008,47(1): 42-46.
[19] MONTEIRO G. Traffic video surveillance for automatic incident detection on highways[D]. Coimbra, Portugal: University of Coimbra, 2008.
[20] CANO J A L, KOVACEVA J, LINDMAN M, et al. Automatic incident detection and classification at intersections [C]//Proceedings of the 21st International Conference on Enhanced Safety of Vehicles(ESV’09), Jun 15-18, 2009, ?Stuttgart, Germany. 2009: 12p.
[21] 史风林, 吕廷杰, 李建祥. 基于手机位置信息的实时路况信息服务 [J]. 计算机应用, 2008(5):46-49.
[22] 温慧敏, 杨兆升. 交通事件检测技术的进展研究 [J]. 交通运输工程与信息, 2005,5(1): 25-28,73.
[23] ABUELELA M, OLARIU S. A probabilistic technique for detecting permanent and temporary incidents in VANETs [C]//Proceedings of the 6th Workshop on Intelligent Transportation(WIT’09), Mar 24-25,2009,?Hamburg, Germany. 2009.
[24] ZHU Tongyu, WANG Jifang, Lü Weifeng. Outlier mining based automatic incident detection on urban arterial road [C]//Proceedings of the 6th International Conference on Mobile Technology, Application and Systems(Mobility '09), Sep 23-25, 2009, Nice, France. New York, NY, USA:ACM, 2009.
[25] ARBABI M H, WEIGLE M C. Using vehicular networks to collect common traffic data [C]//Proceedings of the 6th ACM International Workshop on Vehicular Ad Hoc Networks (VANET’09), Sep 25, 2009, Beijing, China. New York, NY, USA:ACM, 2009: 117-118.
[26] 曹振臻, 肖扬. 分布式智能交通系统数据管理与处理平台设计 [J]. 信息技术, 2005(12):1-6.
[27] CHEN K, MAKKI K, PISSINOU N. A real-time wireless route guidance system for urban traffic management and its performance evaluation [C]//Proceedings of the 70th Vehicular Technology Conference (VTC-Fall’09), Sep 20-23, 2008, Anchorage, AK,USA. Piscataway, NJ, USA: IEEE,2009: 5p.
[28] 冯洋. 动态导航系统道路实时信息处理 [J]. 测绘与空间地理信息, 2008,31(3):129-131.
[29] OSBORNE M A, ROBERTS S J, ROGERS A, et al. Towards real-time information processing of sensor network data using computationally efficient multi-output Gaussian processes [C]//Proceedings of the 7th International Symposium on Information Processing in Sensor Networks (IPSN’08), Apr 22-24, 2008, St Louis, MO,USA. Los Alamitos, CA,USA: IEEE Computer Society, 2008: 109-120.
[30] GHEMAWAT S, GOBIOFF H, LEUNG S T. The Google file system [C]//Proceedings of the 19th ACM SIGOPS Symposium on Operating Systems Principles (SOSP’03), Oct 19 - 22, 2003, Bolton Landing, NY, USA. New York, NY, USA: ACM, 2003: 29-43.
[31] DEAN J, GHEMAWAT S. MapReduce: Simplified data processing on large clusters [J]. Communications of the ACM, 2008,51(1),107-113.
[32] CHANG F, DEAN J, GHEMAWAT S, et al. Bigtable: A distributed storage system for structured data [C]//Proceedings of the 7th USENIX Symposium on Operation Systems Design and Implementation(OSDI'06), Nov 6-8,2006, Seattle, WA, USA. Berkeley, CA, USA: USENIX Association, 2006:205-218.
[33] CONDIE T, CONWAY N, ALVARO P, et al. MapReduce Online, UCB/EECS-2009-136 [R]. Berkeley, CA,USA: University of California,2009.
[34] 朱珠. 基于Hadoop的海量数据处理模型研究和应用 [D]. 北京:北京交通大学, 2008.
[35] 陈勇. 基于Hadoop平台的通信数据分布式查询算法的设计与实现 [D]. 北京:北京交通大学, 2009.
[36] YANG Qing, LIM Ａ, LI Shuang, et al. ACAR: Adaptive connectivity aware routing for vehicular Ad Hoc networks in city scenarios [J]. Mobile Networks and Applications, 2010, 15(1): 36-60.
[37] CHEN Yuh Shyan, LIN Yun Wei, LEE Sing Ling. A mobicast routing protocol in vehicular ad-hoc networks [J]. Mobile Networks and Applications, 2010, 15(1):20-35.
[38] BAI Songnan, HUANG Zequn, CHO Hanbyeog, et al. Movement-aware alternative path routing protocol for vehicular multi-hop communications [C]//Proceedings of the International Conference on Hybrid Information Technology (ICHIT’09), Aug 27-29,2009, Daejeon, Republic of Korea. New York, NY, USA: ACM, 2009:361-368.
[39] PARK Joon Sang, LEE Uichin, OH Soon Young,et al. Emergency related video streaming in VANET using network coding [C]//Proceedings of the 3rd International Workshop on Vehicular Ad Hoc Networks (VANET’06), Sep 29, 2006, Los Angeles, CA, USA. New York, NY, USA: ACM, 2006:102-103.
[40] LI Ming, LOU Wenjing. Opportunistic broadcast of emergency messages in vehicular Ad Hoc networks with unreliable links [C]//Proceedings of the 5th International ICST Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness(QShine'08), ?Jul 28 -31, 2008, Hong Kong, China. Brussels, Belgium: ICST,?2008.
[41] HUANG Ching Ling, GUAN Xu, FALLAH Y P, et al. Robustness evaluation of decentralized self-information dissemination control algorithms for VANET tracking applications [C]//Proceedings of the 70th Vehicular Technology Conference (VTC-Fall’09), Sep 20-23, 2008, Anchorage, AK,USA. Piscataway, NJ,USA: IEEE,2009: 5p.
[42] SLAVIK M, MAHGOUB I. Stochastic broadcast for VANET [C]//Proceedings of the 7th IEEE Annual Consumer Communications and Networking Conference (CCNC’10), Jan 10-13, 2010, Las Vegas, NV, USA. Piscataway, NJ,USA: IEEE, 2010: 5p.
[43] THOPTE D, DEVKOTA T, GOKHALE A. A real-time publish/subscribe driver alert system for accident avoidance due to red light running [C]//Proceedings of the 3rd ACM International Conference on Distributed Event-Based Systems(DEBS’09), Jul 6-9, 2009, Nashville,TN, USA. New York, NY, USA: ACM,?2009, 46.
[44] YU Bo, GONG Jiayu, XU Chengzhong. Catch-up: A data aggregation scheme for vanets [C]//Proceedings of the 5th ACM International Workshop on Vehicular Ad Hoc Networks (VANET '08), Sep 15, 2008, San Francisco, CA, USA. New York, NY, USA:ACM, 2008: 49-57.
[45] IBRAHIM K, WEIGLE M C. Accurate data aggregation for VANETs [C]//Proceedings of the 4th ACM International Workshop on Vehicular Ad Hoc Networks (VANET '07), Sep 10, 2007, Montreal, Canada. New York, NY, USA:ACM, 2007:71-72.
[46] TASSERON G, SCHUT G C. SOTRIP: A self organizing protocol for traffic information [C]//Proceedings of the 2009 International Conference on Wireless Communications and Mobile Computing: Connecting the World Wirelessly(IWCMC’09), Jun 21-24,2009,??Leipzig, Germany. Piscataway, NJ,USA: IEEE, 2009: 1152-1156.
[47] LOCHERT C, SCHEUERMANN B, WEWETZER C, et al. Data aggregation and roadside unit placement for a vanet traffic information system [C]//Proceedings of the 5th ACM International Workshop on Vehicular Ad Hoc Networks (VANET '08), Sep 15, 2008, San Francisco, CA, USA. New York, NY, USA:ACM, 2008: 58-65.
[48] DIETZEL S, BAKO B, SCHOCH E, et al. A fuzzy logic based approach for structure-free aggregation in vehicular ad-hoc networks [C]//Proceedings of the 6th ACM International Workshop on Vehicular Ad Hoc Networks (VANET’09), Sep 25, 2009, Beijing, China. New York, NY, USA:ACM, 2009:79-88.

收稿日期：2011-03-15

[摘要] 动态交通信息系统是智能交通系统中重要的组成部分，作为一种新兴的车辆间无线通信网络技术，车载自组网可有效提高高速行驶车辆间的信息共享能力。文章阐述利用基于车载自组网的交通信息采集和交通事件协同检测算法、大规模海量交通信息的分布式组织和实时处理方法、基于位置的交通信息分发协议等技术，构建一个动态交通信息系统，实现改进交通信息系统中的事件检测的准确性和实时性，提高大规模交通信息处理的实时性，改善交通信息分发的针对性。

[关键词] 智能交通信息系统；车载自组网；信息挖掘

[Abstract] A dynamic traffic information system is an essential component of an intelligent transportation system. Vehicular ad hoc networking (VANET) is a new wireless technique that can be used to improve information sharing between vehicles moving at high speed. VANET techniques that can be used in a dynamic traffic information system include cooperative detection algorithm for traffic events and information based on VANET, distributed real-time processing of mass traffic information, and position-based traffic data delivery protocols. These improve the accuracy and immediacy of traffic event detection, ensure real-time processing of mass traffic data, and ensure traffic data is delivered appropriately.

[Keywords] intelligent transportation system; vehicular ad hoc network; information mining