摘要

本文介绍了一种利用稀疏车联网（IoV）数据进行交通状态估计（TSE）的新框架，该框架在智能交通系统（ITS）中具有重要作用。传统的TSE依赖于路边传感器和摄像头，但这些方法成本高且覆盖范围有限。本文提出的框架通过利用部分IoV数据，避免了大规模数据收集和处理的巨大开销。特别地，本文提出了一种新颖的空间-时间注意力模型——卷积保持网络（CRNet），通过挖掘交通状态的空间-时间相关性来提高TSE的准确性。该模型结合了卷积神经网络（CNN）和基于注意力的保持网络（RetNet），通过大量真实世界IoV数据集的模拟验证了其成本效益和实用性。

原理

CRNet模型的核心在于其能够从稀疏的IoV数据中提取并利用交通状态的空间和时间相关性。模型通过CNN层捕捉空间相关性，通过RetNet层捕捉时间相关性。CNN层通过卷积操作学习局部空间特征，而RetNet层则基于注意力机制提取时间序列中的时间形状。这种结合使得CRNet能够在处理稀疏数据时，仍能保持高准确性的交通状态估计。

流程

CRNet的工作流程包括三个主要步骤：首先，通过CNN层捕捉每个方向的交通状态的空间相关性；其次，通过RetNet层捕捉每个网格的时间相关性；最后，通过解码器块将捕捉到的空间-时间特征解码为最终的交通状态估计。具体来说，模型首先将城市地图划分为网格，并收集每个网格的车辆移动信息。然后，通过随机选择一部分车辆作为数据源，构建稀疏IoV数据集。接着，模型计算每个网格的平均速度，并构建交通状态图像。最后，应用恢复算法基于初始估计进行精确的TSE。

应用

CRNet模型在智能交通系统中具有广泛的应用前景，特别是在交通管理和拥堵跟踪等领域。由于其能够有效利用稀疏的IoV数据进行高精度的交通状态估计，因此可以在减少数据收集成本的同时，提供实时、精确的交通信息。此外，随着IoV技术的进一步发展和普及，CRNet模型的应用范围将进一步扩大。