面向新一代智能交通系统的车联网仿真技术

“车联网”专题
６５
2019年第11期
收稿日期：2019-09-27
面向新一代智能交通系统的车联网仿真技术Vehicle Network Simulation Technology for New Generation Intelligent
Transportation Systems
车联网仿真技术是智能交通系统以及车联网领域发展的重要测试手段，然而，已有的车联网仿真平台基于固定模型构建业务场景，如车辆跟驰模型、静态业务优先级模型等，这种模型驱动的仿真方法难以适应新一代智能交通系统特征。

因此，提出了一种数据驱动的车联网仿真技术，基于海量路网信息数据、动态学习和标定典型智能交通场景下的业务特征，为车联网仿真提供柔性动态的业务适配，满足新一代智能交通系统需求。

车联网；新一代仿真技术；模型驱动；数据驱动
Simulation technology of Internet of Vehicles (IoV) is an important test method for the development of intelligent transportation systems and IoVs. However, the current IoV simulation platforms establish service scenarios based on fi xed models, such as vehicle following model, static service priority model, etc. This model-driven simulation method is diffi cult to support the characteristics of the intelligent transportation system in new generation. Therefore, this paper proposes a data-driven simulation technology of IoVs. Based on massive information data from road network, dynamically learning and calibrating the service characteristics of typical intelligent traffi c scenarios, the proposed simulation technology provides fl exible and dynamic service adaptation for vehicle network simulation to meet the requirements of intelligent transportation systems in new generation.
Internet of Vehicles; new generation simulation technology; model-driven; data-driven
（1.北京工业大学城市交通学院交通工程北京市重点实验室，北京 100124）
2.河北省交通规划设计院，河北 石家庄 050011）
(1. College of Metropolitan, Beijing University of technology, Beijing 100124, China;
2. Hebei Provincial Communications Planning and Design Institute, Shijiazhuang 050011, China)
【摘 要】
【关键词】陈艳艳1，贾建林1，范博1，陈宁1，刘懿祺1，吕璇2
CHEN Yanyan 1, JIA Jianlin 1, FAN Bo 1, CHEN Ning 1, LIU Yiqi 1, LV Xuan 2
[Abstract]
[Key words]
0 引言
车联网技术的发展增强了汽车的智能化、信息化，提升了人们出行的便捷性、安全性与高效性，是传统交通向智能交通转变的重要环节[1]。

新一代智能交
通系统基于车路协同通信系统（C-V2X ）以及车用传感技术、DSRC 专用短程通信技术等，实现了线路规划、远程控制、协助驾驶、交通信息采集等功能，不仅保障了出行的安全性，还提供了及时的出行服务信息等[2-4]。

车联网的实质是一种移动自组织网络，与典型的
doi:10.3969/j.issn.1006-1010.2019.11.011 中图分类号：TN929.5
文献标志码：A 文章编号：1006-1010(2019)11-0065-10
引用格式：陈艳艳,贾建林,范博,等. 面向新一代智能交通系统的车联网仿真技术[J]. 移动通信, 2019,43(11): 65-74.
扫描二维码与作者交流
OSID ：
“车联网”专题
６６
2019年第11期
MANET
于仿真技术[5-7]
但是，随着“大数据”时代的到来，交通Volume（大量）、Velocity（高速）、Variety 样）、Value（低价值密度）、Veracity
的车速加减变化等。

因此，模型驱动的仿真方法
个新高度，是未来车联网仿真发展的重要趋势。

新思路。

1 车联网仿真发展历程
1.1 车联网仿真平台分类
车联网仿真的分类结构图如图1所示。

道等[11]。

2019年第11期
代框架是在第一代的基础上实现了自适应计算，提高了仿真框架的可扩展性[12]。

同时，该平台使用并行式和分布式仿真器进行建模，解决了车辆自组织网络（4强的可视化效果，可以模拟802.11a 、802.11b 、802.11g 和802.11p 技术[17-18]。

该平台由图形用户界面（G U I e n v i r o n m e n t ）、模拟引擎（s i m u l a t i o n
“车联网”专题
６８
（coordinator ）、内核修改（modified kernel ）、协议守护程序（protocol daemons ）、真实的应用程序（real-life application programs ）八个功能部分组成
[19]。

与
TraNS 等仿真软件不同，NCTUns 可以将流量和网络仿真器集成在一个模块中，并提供反馈意见，支持车载网络仿真。

（5）VSimRTI
V S i m RT I 是由德国柏林理工大学和克莱斯勒股份公司联合创建的戴姆勒汽车信息技术创新研究所（DCAITI ）开发的VANET 仿真框架。

VSimRTI 采用了IEEE 标准定义的建模与仿真高层体系结构，实现了
行充分评估。

2 2.1 移动模型
在车联网仿真中，移动模联网仿真精确性及其设计性能（1根据刻画所示。

宏观交通流模型针对交通量和初始车辆分布进行建模，并借鉴流体动力学理论，描述交通流总体特征。

微观移动模型将每一车辆作为独立单元进行研究建模，可以获得车辆的位置、速度、加速度等信息，反应了车辆之间的运动关系。

微观移动模型包括了车联网仿真中常用的跟驰模型和换道模型，其中跟驰模型可准确反应真实交通现象、捕获交通扰动影响、再现交通拥堵场景；换道模型可评估车辆换道情况并进行安全评价。

介观模型是宏观移动模型和微观移动模型间的折中方法。

“车联网”专题
６９
2019年第11期
（2）移动条件限制模型
根据移动模型在仿真中的条件限制以及移动特性，
[24][25]图7 移动条件限制模型分类
仿真性能比现有的其他移动模型要低，这是由于可利用轨迹数据少，不能全面反映道路车辆移动状态所导致的。

2.2 驾驶员行为模型
在车辆网仿真中，驾驶员行为的模拟和仿真的精度有密切的关系，是人车系统、智能车辆系统的关键。

目前研究多基于驾驶数据，例如制动、油门踏板位置和方向盘角度等控制角度出发，提出了驾驶员行为的建模方法。

驾驶员行为模型的建立可分为以下三个步骤[29]：
（1）驱动模型
建立基于驾驶员行为识别驾驶参数的模型结构，根据驾驶员模型结构的确定性和不确定性，从不同识别角度将识别方法分为参数识别、非参数识别和半参数识别三方面。

驱动模型中包括了安全距离或碰撞避免模型（CA ）、线性模型（Helly ）以及基于模糊逻辑的模型、傅立叶系数法（FCM ）等模型和数学方法。

（2）识别驾驶员行为特征
模型确定后，采用多种数学方法进行建模描述
驾驶任务如跟驰、换道等，进而对驾驶行为识别。

目前常用的驾驶行为识别方法有高斯混合模型（GMM, G a u s s i a n M i x e d M o d e l ）、过程混合模型（D P M , Dirichlet Process Mixture ）、多层感知人工神经网络（MLP-ANN, Multilayer Perceptron-Artificial Neural Network ）、非线性和模糊理论等。

（3）基于驱动模型的评估与验证
为了提高车辆动力学性能，设计智能化的驾驶员
系统，需要评估和检验驾驶员行为模型的准确率，尤其在车联网仿真系统领域。

目前，大多数驾驶员行为
“车联网”专题
７０
2019年第11期
3 数据驱动下的车联网仿真
3.1 模型驱动存在的不足
目前，在车联网仿真高保真度的研究中，大多数研究都是基于提升仿真模型的精确度。

但是在现实中，存在着车联网网络拓扑结构的随机性、驾驶人员的主观认知以及交通流变化的随机性等因素，上述模型在车联网仿真中的运用具有较大局限性[31]。

（1）移动模型现存问题
目前，移动模型在车联网仿真的应用仍然存在很多不足之处。

文献[32]指出，移动模型的流动性设置是把双刃剑，如果节点快速移动，虽然能提升与其他节点的汇合以及信息交换，但同时也会减少接触时间，从而限制在节点联系中交换捆绑包的数量，限制数据传输。

文献[33]中说明，在针对不同场景使用移动模型时，都需要手动调整不同模型的参数以适应当前情景的网络拓扑、移动限制条件等，使车联网仿真的工作量变大。

文献[34]通过实验证明，当使用曼哈顿模型车辆遇到障碍时，为了防止车辆重叠，将车辆速度瞬时降为零，这与实际情况有较大差异。

此外，部分移动模型的节点存在非均匀分布现象。

节点移动趋势是向中心移动的，依赖于节点的运动参数，产生边界效应，因此产生的仿真结果偏差较大。

移动模型随着研究的深入在不断的改进和发展，但由于车辆移动存在实时性，交通流存在地域性，驾驶员驾驶存在主观性，因此车辆网移动模型在模拟逼真的移动节点时仍面临很大的挑战。

（2）驾驶员行为模型现存问题
对于驾驶行为模型来说，驾驶汽车实际上是一项复杂的、动态的任务，要求驾驶员不仅要对驾驶员自身技能、驾驶员状态、车辆性能和交通信息做出准确的认知和判断，还要迅速反应、处理这些信息。

因此，Liu和Salvucci[35]指出，驾驶员行为模型应该考虑到高级的认知处理和低级操作控制的特征。

准确识别驾驶员行为、减轻驾驶员工作量并提高主动车辆安全系统对于车联网仿真未来的发展是十分必要的。

Macadam[36]从人类行为活动角度出发，指出人类具有非线性时间延迟和局限性的特征，但在人为因素领域仍存在一些物理限制。

此外，目前现有的模型、系统大都是根据驾驶员的平均指标设计的，很少考虑驾驶员的个人特征。

但在现实中，往往是具有个体特征的驾驶员的驾驶行为会影响道路交通的有序性以及个体车辆的安全性。

因此，运用在现有车联网仿真中的驾驶员行为模型，对驾驶员行为识别的敏感度、速度以及准确度都尚存在很大的提升空间。

3.2 数据驱动下的仿真建模思路
（1）新数据源的驱动
随着通信技术、计算机技术的发展，物联网、互联网、车联网（车路协作）快速形成并广泛应用，使交通系统进入智能网联时代，人、车、路、环境、云端得以相连，智能网联时代带来的时空大数据，使得我们获得海量移动运营商数据、交通数据等。

以往的交通出行、管理受到传统数据、模型及计算能力的局限制约，大数据的到来以及共享使我们能够深入了解交通需求及供给（设施及服务）能力，并了解实时的交通现状，这也是是构建并运行综合交通网络的前提。

目前，浮动车、手机、I C卡、众包、网络签到等时空大数据实现交通系统全息监测，也可以将这些功能、数据应用到车联网仿真中去，采用基于场景拆分和离散事件的在线精确仿真技术将整个复杂连续仿真场景拆分为多个简单离散仿真场景，降低仿真复杂度，减少仿真时间。

此外，可以通过视频摄像头提取车辆在面对拥堵等简单场景时的行为和选择，形成大数据场景库，直接应用于仿真中，提高仿真精确度等。

以下是车联网仿真中大数据的三个应用方向：1）出行轨迹监测——获取真实交通流量
传统的车联网仿真中[37]，利用目标场景和人口统计信息来确定适当的出行OD，运用路由分配算法来确定出行路径，模拟代表性的交通流量。

而大数据时代，可以基于手机信令数据提取用户出行轨迹数据、分析用户时空轨迹挖掘用户时空出行特征，由此我们可以得到精确的用户出行OD、出行路径以便获取真实的交通流量信息，能更好地描述不同区域的出行形态（如图8所示的向心现象、局部聚集现象以及潮汐现象）。

2）浮动车数据、交通流检测——获取实时路网信
“车联网”专题
７１
2019年第11期
息及短时预测
交通流模型、随机移动模型等常被用于车联网仿真中，以获取车辆速度、密度、流量等关系。

随着数据的共享，检测技术的发展，我们可以通过交通流检测获得实时的车速、交通量、占有率等信息，即实现道路流量监测，如图9至图12所示。

通过浮动车数据实时感知、估计道路网通行能力并动态控制进入流量，并将这些数据通过接口带入到车联网仿真中，提升了仿真的逼真度。

图9 流体交通模型下的流量与密度关系图
图10 流体交通模型下的速度与流量关系图
图11 曼哈顿模型下的流量与密度关系图图12 曼哈顿模型下的速度与流量关系图
3）车辆事故数据、多数据源——获取个体车辆数据大数据背景下，可以结合高精度地图和精准定位，将通过车道及个体车辆监控所获得的数据接入车联网仿真中，减少随机事件影响，使节点保持适宜速度稳定行驶，准确仿真车流速度差及不良的变道行为，也可以实现基于多源数据的车辆运行状态安全诊断和实时预警。

此外，还可以获得驾驶行为、车辆性能以及事故数据（如图13所示），相对于通过传统仿真模型，通过该方式获得上述数据可信度更高。

图13
交通事故点位图
图8 北京市全天人口流动情况
2:00-5:0010:00
17:00
流量（c a r s /h ）
密度（cars/km ） 5 10 15 20 25 30 35 40 45
3 0002 5002 0001 5001 000500
速度/k m .h -1
流量（cars/h ）
500 1000 1500 2000 2500 3000
14012010080604020
速度/k m .h -1
流量（cars/h ）
0 1000 2000 3000 4000 5000 3000 7000 8000 9000
16014012010080604020
流量（c a r s /h ）
0 10 20 30 40 50 60
9 0008 0007 0006 0005 0004 0003 0002 0001 000
密度（cars/km ）
“车联网”专题
７２
2019年第11期
综上所述，大数据
（2
这些数据的主要缺陷是覆盖量小以致数据不能很好地
model to data
变，由原来
上述大数据带来的新机遇，可以将数据驱动仿真框架梳理如图14所示。

通过各种感知设备获取相应的大数[1] E K Lee, M Gerla, G Pau, et al. Internet of Vehicles: From
intelligent grid to autonomous cars and vehicular fogs[J].
图14 数据驱动下的仿真建模流程
“车联网”专题
７３
2019年第11期
International Journal of Distributed Sensor Networks, 2016,12(9).
[2] S Zeadally, R Hunt, Y S Chen, et al. Vehicular
ad hoc networks (VANETS): status, results[J]. Telecommunication Systems, 2012,50(4): 217-241.[3] F Batool, S A Khan. Traffic estimation and real time
prediction using adhoc networks[C]//Emerging Technologies, Proceedings of the IEEE Symposium on. IEEE, 2005.
[4] I Leontiadis, C Mascolo. GeOpps: Geographical
Opportunistic Routing for Vehicular Networks[C]//2007 IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks. IEEE, 2007.
[5] 王润民,邓晓峰,徐志刚,等. 车联网仿真测试评价技
术研究综述[J]. 计算机应用研究, 2019,36(7): 1921-1926+1939.
[6] N Akhtar, S C Ergen, O Ozkasap. Vehicle Mobility
and Communication Channel Models for Realistic and Efficient Highway VANET Simulation[J]. IEEE Transactions on Vehicular Technology, 2015,64(1): 248-262.
[7] S Zeadally, R Hunt, Y S Chen, et al. Vehicular
ad hoc networks (VANETS): status, results[J]. Telecommunication Systems, 2012,50(4): 217-241.[8] 邹智军. 新一代交通仿真技术综述[J]. 系统仿真学报,
2010,22(9): 2037-2042.
[9] D R Choffnes, Bustamante, E Fabián. An integrated
mobility and traffic model for vehicular wireless networks[C]//International Workshop on Vehicular Ad Hoc Networks. DBLP, 2005.
[10] J J Blum, A Eskandarian, L J Hoffman. Challenges of
intervehicle ad hoc networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2004,5(4): 347-351.[11] S Olariu, M C Weigle. Vehicular networks: from theory
to practice[M]. USA: Chapman and Hall/CRC, 2009.[12] M Piórkowski, M Raya, A Lezama Lugo, et al. TraNS:
Realistic Joint Traffic and Network Simulator for VANETs[J]. Acm Sigmobile Mobile Computing &
Communications Review, 2008,12(1): 31-33.
[13] D Eckhoff, M Protsenko, R German. Toward an Open
Source Location Privacy Evaluation Framework for Vehicular Networks[C]//Vehicular Technology Conference. IEEE, 2014.
[14] C Sommer, R German, F Dressler. Bidirectionally
Coupled Network and Road Traffic Simulation for Improved IVC Analysis[J]. IEEE Transactions on Mobile Computing. IEEE, 2011,10(1): 3-15.
[15] H Noori. Realistic urban traffic simulation as
vehicular Ad-hoc network (VANET) via Veins framework[C]//2012 12th Conference of Open Innovations Association (FRUCT). IEEE, 2012.[16] R Protzmann, K Mahler, K Oltmann, et al. Extending the
V2X simulation environment VSimRTI with advanced communication models[C]//ITS Telecommunications (ITST), 2012 12th International Conference on. IEEE, 2012.
[17] 王雷. NCTUns ：一种新的网络模拟技术[J]. 计算机技
术与发展, 2008,18(7): 80-82.
[18] S Y Wang, Y B. Lin NCTUns network simulation and
emulation for wireless resource management[J]. Wireless Communications & Mobile Computing, 2005,5(8): 899-916.
[19] S Y Wang, H T Kung. Simple methodology for
constructing extensible and high-fidelity TCP/IP network simulators[C]//INFOCOM ‘99. Eighteenth Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings. IEEE, 1999.[20] J Harri, F Filali, C Bonnet. A framework for mobility
models generation and its application to inter-vehicular networks[C]//International Conference on Wireless Networks. IEEE, 2016.
[21] 唐蕾,段宗涛,康军,等. 面向车联网环境的车辆移动模 型研究进展[J]. 长安大学学报：自然科学版, 2016,36 (5): 67-78.
[22] 顾海燕. 车联网环境下高速公路车辆跟驰模型及仿真
研究[D]. 南京: 东南大学, 2017.
“车联网”专题
７４
2019年第11期
[23] 石丛军,任清华,郑博,等. MANET节点移动模型仿真研
究[J]. 计算机工程, 2009,35(14): 101-103.
[24] C Bettstetter. Smooth is Better than Sharp: A
Random Mobility Model for Simulation of Wireless Networks[C]//Acm International Workshop on Modeling, Analysis, and Simulation of Wireless and Mobile Systems (MSWIM). ACM, 2001.
[25] C Bettstette, C Wagner. THE SPATIAL NODE
DISTRIBUTION OF THE RANDOM WAYPOINT MOBILITY MODEL[C]//Mobile Ad-hoc Netzwerke, Deutscher Workshop Über Mobile Ad-hoc Netzwerke Wman. GI, 2002.
[26] T Islam, Y Hu, E Onur, et al. Realistic simulation of
IEEE 802.11p channel in mobile Vehicle to Vehicle communication[C]//Microwave Techniques (COMITE), 2013 Conference on. IEEE, 2013.
[27] Y Weidong, L Jizhao, Z Xinyun. an trace based vehicular
mobility model for simulation of vehicular delay tolerant networks[C]//Symposia & Workshops on Ubiquitous.
IEEE Computer Society, 2010.
[28] X Zhang, J Kurose, B N Levine, et al. Study of a bus-
based disruption-tolerant network: mobility modeling and impact on routing[C]//International Conference on Mobile Computing & Networking. DBLP, 2007. [29] W Wang, J Xi, H Chen. Modeling and Recognizing
Driver Behavior Based on Driving Data: A Survey[J].
Mathematical Problems in Engineering, 2014(1): 1-20.
[30] C Miyajima, Y Nishiwaki, K Ozawa, et al. Driver
Modeling Based on Driving Behavior and Its Evaluation in Driver Identification[J]. Proceedings of the IEEE, 2007,95(2): 427-437.
[31] 程航. 基于车辆实际数据的车联网仿真平台的研究与
开发[D]. 广州: 广东工业大学, 2016.
[32] L Pei’en, H Hongyu, S Wei, et al. Performance
Evaluation of Vehicular DTN Routing under Realistic Mobility Models[C]//Wireless Communications and Networking Conference. IEEE, 2008.
[33] F J Ros, J A Martinez, P M Ruiz. A Survey on Modeling
陈艳艳（/0000-0002-4033-1934）：
教授，毕业于哈尔滨工业大学，现任北
京工业大学城市交通学院院长，研究方
向为交通大数据、交通规划与管理、智
能交通、系统仿真、路网优化和交通节
能减排等。

贾建林（/0000-0002-4033-1934）：
博士毕业于北京工业大学，现任职于北京
工业大学城市交通学院交通工程北京市重
点实验室，研究方向为智能交通、系统仿
真和路网优化等。

范博：讲师，毕业于北京工业大学，现任
职于北京工业大学城市交通学院交通工程
北京市重点实验室，研究方向为智能交通
和系统仿真。

作者简介
and Simulation of Vehicular Networks: Communications, Mobility, and Tools[J]. Computer Communications, 2014,43(1): 1-15.
[34] Härri Jérôme, M Fiore, F Filali, et al. Vehicular mobility
simulation with VanetMobiSim[J]. SIMULATION: Transactions of The Society for Modeling and Simulation International, 2011,87(4): 275-300.
[35] A Pentland, A Liu. Modeling and Prediction of Human
Behavior[J]. Neural Computation, 1999,11(1): 229-242.
[36] Macadam, C Charles. Understanding and Modeling the
Human Driver[J]. Vehicle System Dynamics, 2003,40(1-
3): 101-134.
[37] S Uppoor, O Trullols-Cruces, M Fiore, et al. Generation
and Analysis of a Large-Scale Urban Vehicular Mobility Dataset[J]. IEEE Transactions on Mobile Computing, 2014,13(5): 1061-1075. ★。