基于无线感知与机器学习的交通参数采集技术研究

作     者：宋铭心 

作者单位：浙江科技学院 

学位级别：硕士

导师姓名：张石清;钱小鸿;楼亮亮

授予年度：2023年

学科分类：08[工学] 0838[工学-公安技术] 

主      题：无线感知 机器学习 交通参数采集 卷积神经网络 接收信号强度 

摘      要：智能交通系统(Intelligent Traffic System,ITS)旨在为市民提供便捷的出行服务,同时为城市可持续发展奠定基础。而交通参数采集的有效性和准确性是智能交通系统智慧化水平提高的关键手段,因此交通参数采集技术的研究具有重大意义。传统的交通参数采集设备包括摄像头、雷达、超声波等,然而这些交通参数采集设备性能易受光照、温度、湿度等环境因素影响,导致其在夜间、雨天和雾天等恶劣天气条件下识别性能下降。为解决上述挑战,基于无线感知的交通参数采集(Wireless Sensing-based Traffic Data Collection,WTDC)方法因其部署成本低、非侵入性和普遍存在等优点,成为近年来研究热点。然而现有WTDC方法适用性有限且参数采集性能较低,给交通参数采集带来阻碍。此外,现存WTDC方法多以2.4 GHz无线能量数据为基础,忽视Sub-GHz在该领域中的应用,且鲜有工作探讨天线高度和WTDC性能内在联系。因此有必要厘清天线高度、载波频率和WTDC性能之间的关联关系。针对上述问题,在机器学习技术强大特征学习能力的推动下,本文提出一种基于机器学习的WTDC方法,以厘清天线高度、载波频率和WTDC性能之间的关联关系。本文主要工作和成果如下:1)本文构建了一个基于接收信号强度(Received Signal Strength,RSS)数据的五分类数据集。该数据集包含三种载波频率(433 MHz、915 MHz和2.4 GHz)和五种天线高度(0.4 m、0.8 m、1.2 m、1.6 m和2.0 m)的无线能量数据。该数据集由2000个样本组成,所包含的五种类别分别为:one-pedestrian、multi-pedestrians、one-bicycle、multi-bicycles和one-car,分别表示无线感知区域内存在一个行人、多个行人、一辆自行车、多辆自行车和一辆汽车。该数据集已经在https://***/TZ-mx/Wi Param公开。2)针对现有WTDC方法适用性有限且模型性能低的问题,本文设计了一个基于注意力机制的卷积神经网络(Convolutional Neural Network,CNN)模型——基于无线感知的轻量级注意力机器学习模型(Wireless Sensing-Based Lightweight Attention Machine Learning,Ws-LAML)。由于RSS数据包含道路使用者相关步态时间特征,因此Ws-LAML将RSS数据作为模型的输入。Ws-LAML由多个轻量级的CNN模块和一个卷积块注意力机制(Convolutional Block Attention Mechanism,CBAM)组成,用于从RSS数据中学习高级特征。在本文开发的RSS五分类数据集上的实验表明,与其他交通参数采集方法相比,所提方法不仅具有更高的精度,而且具有更低的计算复杂度。3)为厘清天线高度、载波频率和交通参数测量性能关联关系,阐明交通参数采集无线感知方法多参数影响机理,本文利用Ws-LAML模型在所开发的数据集上进行实验。结果表明,Sub-GHz与2.4GHz无线能量数据均可为交通参数采集无线感知方法建构奠定基础,而基于2.4 GHz频段所构的Ws-LAML模型最优,在天线高度为0.8米时准度达到98.15%。综上所述,本文旨在提出一个低成本和高精度的交通参数测量方法,从而厘清天线高度、载波频率和交通参数测量性能间的关联关系。此外,本文还构建了一个基于RSS数据的五分类数据集。在今后的交通参数测量方法研究中,可以采用多传感器融合的多任务学习方法,进行更深入的研究学习。