车联网智能视频监控终端对危险品运输车辆的多源化信息采集

文中通过分析研究车联网智能视频监控终端的背景,对危险品运输车辆监控终端的应用提出多源化车载一体化采集终端的概念,并对其体系架构和采集存储模式进行了描述,并在此基础上进行了典型应用分析。文中对危险品运输车辆车载一体化采集终端的多源化未来进行了思考,为危险品道路运输过程的安全风险防范体系及车联网技术提供支撑。

基于边缘计算的危险品运输车辆跟踪预警方法

边缘计算作为一种新兴的分布式计算模型,可提升信息系统的响应速度、节省网络带宽资源。将边缘计算应用于危险品运输车辆的跟踪预警,提出一种边缘智能路侧节点的协作式跟踪算法,在保障实时性的前提下解决了GNSS失锁导致轨迹缺失问题;针对车辆跟踪时的异常状态预警问题,将智能路侧感知的多源信息与车辆运行状态相结合,基于机器学习提出一种融合自车、周围车辆、道路和自然环境等特征因素的预警算法,有效提升了异常检测精度。使用SUMO交通仿真器分析了跟踪算法的性能,结果表明,边缘计算较传统云计算方式时延平均降低了90%,带宽消耗平均减少了68%。基于美国交通部网联车开放数据,通过参数调优分别建立了基于SVM,KNN,Adaboost的单车动力学变量与多因素变量的6种异常检测模型,实验表明,多因素变量检测模型优于单车动力学变量模型。基于SVM的多因素变量模型性能最优,其准确率为0.972,召回率为0.98,AUC为0.974。