[发明专利]一种基于云边协同的高速公路交通流量计数方法

权利要求书

1.一种基于云边协同的高速公路交通流量计数方法，其特征在于，包括以下步骤：

步骤1：边缘计算设备采集高速公路交通流量音频样本，然后将音频样本传送到云服务器并存储在交通流量音频样本库中，每一个边缘计算设备生成自己的音频样本库；

步骤2：云服务器根据每个边缘计算设备的高速公路交通流量音频样本库，对音频信号进行预处理和特征提取；

步骤2.1：对高速公路交通流量音频信号进行预处理；

步骤2.2：对预处理后的高速公路交通流量音频信号的每一帧数据进行快速傅里叶变换Fast Fourier Transformation,即FFT，将高速公路交通流量音频信号时域分析转换成频域分析，得到频域信号；

步骤2.3：将高速公路交通流量音频信号中每一帧频域信号通过梅尔滤波器，将频率标度转化为梅尔频率标度，公式如下：

其中，mel(f)表示梅尔频率标度，f表示频率标度；

步骤2.4：计算高速公路交通流量音频信号每一帧滤波后的能量和并取对数；

其中，y表示计算结果，x_i表示高速公路交通流量音频信号的第i帧滤波后的能量

步骤2.5：对步骤2.4计算结果进一步做离散余弦变换Discrete Cosine Transform,即DCT，得到梅尔倒谱系数，得到高速公路交通流量音频信号的特征和标签，生成高速公路交通流量训练样本数组；

步骤3：训练基于支持向量机Support Vector Machine,即SVM的个性化高速公路交通流量计数模型，所述个性化高速公路交通流量计数模型为对所述训练样本数组进行训练得到的模型；

步骤3.1将高速公路交通流量分成0，1，2，…，k，一共k+1个类别，将经过步骤2.5生成的高速公路交通流量音频计算模型样本集作为高速公路交通流量分类器模型的输入；

步骤3.2：将高速公路交通流量的每一个类别作为一个二分类问题，所述二分类问题指在包含两类事项的比较研究中，按两个标志所作的分类的问题，属于该类别的高速公路交通流量音频信号特征作为该类别的正样本，其余类别的高速公路交通流量音频信号特征作为负样本，训练k+1个二类分类器，具体方法如下：

步骤3.2.1：在高速公路交通流量训练样本集D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)},y_i∈{-1,+1}构成的特征空间中，找到最大间隔划分超平面，将不同类别的样本分开，确定高速公路交通流量分类器模型，具体公式如下：

f(x)＝ω^Tx+b (6)

其中，ω和b为模型参数，x为高速公路交通流量训练样本集，(x_m，y_m)为高速公路交通流量训练样本集中的第m个样本；

步骤3.2.2：将在高速公路交通流量音频信号特征构成的特征空间寻找最优分类超平面的问题转化成一个如下公式所示的二次规划问题，所述二次规划是非线性规划中的数学规划问题：

式中，ξ_i为第i个样本的松弛系数，满足约束条件的高速公路交通流量音频信号特征样本ξ＝0，其中违反最大间隔规则的高速公路交通流量音频信号特征样本ξ0；C为惩罚系数，C越大对违反约束样本的惩罚力度越大；N为高速公路交通流量训练样本集的样本数；

所述SVM的原始目标，即间隔最大化，并将其表示为约束最优化问题；

步骤3.2.3：使用拉格朗日乘子得到拉格朗日函数，如下公式所示：

其中，α_i和μ_i表示为拉格朗日乘子，且α_i≥0，μ_i≥0；

步骤3.2.4：通过拉格朗日对偶将SVM的优化问题转化为等价对偶问题，对偶化得到表达式如下所示：

其中，K(x_i,x_j)表示为核函数，α_i表示为拉格朗日乘子；

步骤3.2.5：当公式(10)最小时对应的α向量的值为α^*向量，则b的估计值b^*的表达式如下：

步骤3.2.6：得到高速公路交通流量音频信号分类决策函数g(x)，公式如下：

其中，sign表示为符号函数；

步骤3.3：由于每个交通流量音频样本库的样本累积速率不同，根据交通流量音频样本库中样本累计达到阈值的时间先后顺序生成模型训练任务队列，云服务器自适应调整计算资源训练高速公路交通流量计数模型；

步骤3.3.1：定义每一个高速公路交通流量音频样本sample包含边缘计算设备编号edge_id、交通流量音频文件名filename和交通流量值vehicle_count；

步骤3.3.2：根据每个边缘计算设备对应的高速公路交通流量音频样本库中样本数量达到阈值的先后顺序，生成模型训练任务并加入到模型训练任务队列中；

步骤3.3.2.1：任务调度器不断从任务队列中提取任务，申请计算资源，资源分配器分配虚拟机来完成模型训练任务：

当任务队列中的模型训练任务数变大时，任务调度器申请的计算资源也随之增大；

当任务队列中的模型训练任务数变小时，任务调度器申请的计算资源也随之减少；

步骤3.3.2.2：为了避免任务等待时间过长和计算资源浪费，随着任务数量的变化，申请的计算资源数量做出调整，满足如下公式：

其中，n表示为任务队列中任务数量，m_min表示为模型训练时虚拟机数量最少值，k₁表示为平均每台虚拟机分配的训练任务阈值；

步骤3.3.3：云服务器自适应调整计算资源训练高速公路交通流量计数模型；

若当前当前正在占用的虚拟机数量vm_count大于模型训练时虚拟机数量最少值m_min，则关闭vm_count-m_min个虚拟机；

若当前当前正在占用的虚拟机数量vm_count小于模型训练时虚拟机数量最少值m_min，则申请vm_count-m_min个虚拟机；

步骤4：将高速公路交通流量计数模型更新到边缘计算设备上，边缘计算设备将高速公路交通流量计数结果存储到云服务器的交通流量时间序列库中，由此完成了对高速公路交通流量的计数。

2.根据权利要求1所述的一种基于云边协同的高速公路交通流量计数方法，其特征在于，步骤2.1具体包括以下步骤：

步骤2.1.1：通过一阶数字滤波器对高速公路交通流量音频信号的高频部分进行预加重，让该段音频信号的频谱波动区间相对减小，如下公式所示：

H(z)＝1-αz^-1 (1)

y(t)＝x(t)-αx(t-1) (2)

其中，H(z)表示传递函数，α表示预加重系数，0.9α1.0，z表示高速公路交通流量音频信号的高频部分，x(t)表示t时刻的高速公路交通流量音频信号采样值，y(t)表示预加重后的音频信号；

步骤2.1.2：采用可移动的有限长度窗口进行加权的方法对步骤2.1.1中得到的预加重后的高速公路交通流量音频信号进行分帧；

步骤2.1.3：采用汉明窗函数对经步骤2.1.2处理后得到的高速公路交通流量音频信号进行加窗，加窗后的高速公路交通流量音频信号表示如下：

s_w(x)＝s(x)*w(x) (4)

其中，w(x)表示汉明窗函数，N为正整数，s_w(x)表示加窗后的高速公路交通流量音频信号，s(x)表示原始高速公路交通流量音频信号。