基于V2V的模糊逻辑车联网交通拥堵精准检测与通信优化

本文主要探讨了车联网环境下的交通拥堵检测方法，针对传统道路交通拥堵检测存在的局限性，提出了一种创新的基于V2V（Vehicle-to-Vehicle）技术的解决方案。首先，该方法利用实时的车与车之间的通信，收集邻车状态信息，构建一个车辆邻居表，以便于获取实时的交通动态。接着，通过结合车辆行驶速度、车流密度以及一套交通拥堵评级体系，设计了一个模糊逻辑控制器，用于评估和预测当地道路的拥堵情况。这种方法考虑到了多种影响因素，使得本地拥堵水平的判断更为精确。 进一步，该方法通过车车通信机制查询邻车的交通状况，并运用大子样假设检验对本地拥堵水平进行验证，从而实现对整个区域交通拥堵水平的实时监测。这种方法相较于传统的线圈法和CoTEC（Concurrent Time-sensitive Event Correlation）法，具有更高的准确性。实验结果显示，新提出的拥堵检测方法能够提高拥堵检测准确率，分别比线圈法和CoTEC法提升了5.5%和7.5%。 此外，文中还关注到车车通信网络的性能优化，发现提出的拥堵检测方法能够有效降低车车通信网络的拥塞程度，与CoTEC法相比，通信网络拥塞比降低了90.8%。这意味着在非拥堵情况下，通信节点的通信负载显著减少，这不仅提高了通信效率，也为车联网系统的稳定运行提供了保障。 论文的研究工作是在Veins平台搭建的仿真环境中进行的，通过模拟和对比分析，验证了新方法在拥堵检测效果和通信效率上的优势。这项研究不仅提升了交通拥堵检测的精度，而且优化了车联网环境下的通信性能，为智能交通系统的优化和提升做出了贡献。研究团队由多位来自不同领域的专家组成，他们的专业背景涵盖了车联网关键技术、车车通信、拥堵检测、自动驾驶等多个领域，显示了跨学科合作的力量。