[论文解读] A Compressive Sensing Approach for Connected Vehicle Data Capture and Recovery and its Impact on Travel Time Estimation

Lei Lin, Weizi Li+1 more|arXiv (Cornell University)|Jun 26, 2018

Sparse and Compressive Sensing Techniques参考文献 18被引用 3

一句话总结

本文提出了一种压缩感知（CS）框架，用于实时压缩连通车辆（CV）数据并实现精确恢复，从而在保持行程时间估计高保真度的同时，实现高效存储与通信。该方法在低压缩比下仍能将行程时间估计误差降低高达65%，速度数据恢复的均方根误差低于0.05，显著降低了OBU硬件成本。

ABSTRACT

Connected vehicles (CVs) can capture and transmit detailed data such as vehicle position and speed through vehicle-to-vehicle and vehicle-to-infrastructure communications. The wealth of CV data provides new opportunities to improve safety and mobility of transportation systems. However, it is likely to overburden storage and communication systems. To mitigate this issue, we propose a compressive sensing (CS) approach that allows CVs to capture and compress data in real-time and later recover the original data accurately and efficiently. The approach is evaluated using two case studies. In the first study, we use this approach to recapture 10 million CV Basic Safety Message (BSM) speed samples. It can recover the original speed data with root-mean-squared error as low as 0.05. We also explore recovery performance for other BSM variables. In the second study, a freeway traffic simulation model is built to evaluate the impact of this approach on travel time estimation. Multiple scenarios with various CV market penetration rates, On-board Unit (OBU) capacities, compression ratios, arrival rate patterns, and data capture rates are simulated. The results show that the approach provides more accurate estimation than conventional data collection methods, through up to 65% relative reduction in travel time estimation error. Even when the compression ratio is low, the approach can provide accurate estimation, thereby reducing OBU hardware costs. Further, it can improve accuracy of travel time estimation when CVs are in traffic congestion as it provides a broader spatial-temporal coverage of traffic conditions and can accurately and efficiently recover the original CV data.

研究动机与目标

• 为应对连通车辆系统中因CV产生的高容量实时数据导致的数据过载挑战。
• 开发一种实时数据压缩与恢复方法，以保持交通应用中的数据保真度。
• 评估基于CS的CV数据处理对行程时间估计精度的影响，涵盖不同市场渗透率和系统约束条件。
• 通过在不牺牲估计性能的前提下实现有效数据压缩，降低OBU硬件成本。

提出的方法

• 本研究采用压缩感知（CS）技术，以低于奈奎斯特采样率的方式对CV数据（如基本安全消息BSM）进行采样与压缩。
• 假设CV数据具有稀疏表示，利用车辆速度与位置在时间和空间上的相关性，实现高效压缩。
• 采用正交匹配追踪（OMP）作为重建算法，从压缩测量中恢复原始数据。
• 利用1000万条真实BSM数据和具有可变市场渗透率及OBU容量的高速公路交通仿真模型对框架进行验证。
• 通过调整压缩比率，评估数据压缩与估计精度之间的权衡。
• 利用恢复后的数据进行行程时间估计，并与传统数据采集方法的结果进行对比。

实验结果

研究问题

• RQ1 压缩感知在多大程度上能从压缩测量中准确恢复原始CV数据，特别是速度数据？
• RQ2 在真实交通场景中，压缩比率的变化对行程时间估计精度有何影响？
• RQ3 与传统数据采集方法相比，所提出的CS方法在估计误差降低方面表现如何？
• RQ4 在CV市场渗透率较低和OBU存储容量有限的条件下，该方法在多大程度上仍能保持精度？
• RQ5 该CS框架是否能在保持交通监控应用数据保真度的同时，降低OBU硬件成本？

主要发现

• CS方法在高速压缩率下仍能以最低0.05的均方根误差恢复CV速度数据，表现出极高的保真度。
• 与传统数据采集方法相比，采用CS框架后行程时间估计误差最高可降低65%。
• 即使在低压缩比下，仍能保持准确的行程时间估计，从而实现OBU的低成本部署并减少硬件需求。
• 该方法通过提供更广泛的时空交通状况覆盖，在交通拥堵期间显著提升了估计精度。
• 恢复性能在不同BSM变量上均表现稳健，表明该方法具有超越速度数据的通用性。
• 该框架实现了高效的数据捕获与恢复，适用于实时交通监控系统。