车联网系统的仿真实验与分析

为了验证本章提出方法的效果，本节进行了仿真实验。首先，设计仿真实验；其次讨论仿真的结果，并且验证基于DBSCAN算法的路段动态划分方法的可行性；最后，验证在路段划分基础上的路径诱导算法。

1.仿真实验

利用微观交通仿真软件（Simulation of Urban Mobility，SUMO）^[9]来建立城市路网。在SUMO中，NETCONVERT工具用于导入其他电子地图路网并将其转换成SUMO可以使用的格式；DUAROUTER工具来产生仿真车辆的行驶路线和车辆数目。

首先，选择北京某个区域的路网作为仿真的路网，该路网地图从OpenStreet-Map^[10]上下载得到，如图5-12a所示。根据需要，使用Java OpenStreet Map Editor（JOSM）来简化路网。最终的简化路网如图5-12b所示。

路网确定之后，下一步就是要在路网上产生交通流量。因为本书不考虑车辆类型的影响，所以直接使用软件中默认的车辆类型。然后，利用DUAROUTER工具在路网中随机产生车辆的路径。最后，设置仿真时长为1000s，总共有575辆车释放到该路网中。

2.仿真结果

在本书提出的算法中，输入参数不仅包括路段的车辆信息，同时还有DB-SCAN算法的两个参数，即Eps和MinPts。这里设置Eps=10，MinPts=2来进行车辆位置信息的聚类分析。图5-13显示在300s时，给定路段的划分信息和数据的分布。从中能够看到，路段根据聚类数目可划分成不同的子路段。

图5-12 仿真路网图

图5-13 指定路段的数据的分布（左）及聚类结构（右）

图5-13 指定路段的数据的分布（左）及聚类结构（右）（续）

图5-14显示出给定路段的旅行时间估计值和聚类数目随时间的变化规律。从图中可以看到，在某些时刻旅行时间在急剧改变，这是由于路段是受信号灯控制的，当路段的状态处于红灯时，车辆的速度就会急剧下降，从而使得路段的旅行时间变大。另外一个趋势是，聚类数目和旅行时间是相关的。当聚类数目降低时，旅行时间总是会相应地提高。这是由于急于DBSCAN算法的路段划分方法考虑的路网车辆的密度。若聚类数目下降，那么车辆会大面积地簇拥在一起，说明交通状况拥堵程度较大，相应的旅行时间就会变大。因此，提出的路段划分方法符合交通状况的变化。

图5-14 路段1～路段5的旅行时间及聚类数目随时间变化

(www.xing528.com)

图5-14 路段1～路段5的旅行时间及聚类数目随时间变化（续）

图5-14 路段1～路段5的旅行时间及聚类数目随时间变化（续）

为了验证本节提出的算法对旅行时间估计的精度，我们选择根据车辆通过SUMO中路段的时间作为真实时间，将SUMO中导出的旅行时间与提出的方法计算的旅行时间进行对比。图5-15中的三条曲线分别对应三种不同的旅行时间。从中可以发现，本节提出方法估计的旅行时间和SUMO导出的旅行时间都高于真实的旅行时间。但是图中可以看到，本节提出的旅行时间更加接近真实的旅行时间曲线。因此，本节提出的旅行时间估计方法精度更高，更能反映路段的交通状况。

3.最优路径计算

为了验证本节的路径诱导方法，我们选择北京市海淀区的一段路网（图5-16），这里假设1为出发地，46为目的地。通过前述的动态路段划分方法得到路网权重图，利用Dijisktra算法来寻找时间最短的路径。这里比较了利用距离作为权重的最优路径及使用时间作为权重的最优路径，结果如表5-6和图5-17所示。

表5-6 最优路径计算结果

图5-15 真实旅行时间，本节提出旅行时间估计值及SUMO导出的旅行时间随时间变化

图5-16 路网图

从表5-6可以看到，在00：00：00、09：00：00、13：00：00时刻，最优路径是相同的，但是每条路径的旅行时间不同。在17：00：00时刻，最优路径不同于上述最优路径，并且旅行时间变大。这是由于17：00：00是一个交通高峰期，交通拥堵相对明显。这些结果表明，提出的方法能够有效地利用实时交通信息，从而寻找到时间最短的路径（图5-17）。

图5-17 计算得到的最优路径