基于D-S证据理论的车载传感器网络事件区域检测方法技术领域
本发明涉及车载自组织无线传感器网络的协同数据处理和事件监测领域，更具体地，涉
及一种新的、利用D-S证据理论描述车载传感器网络中数据融合的不一致性，从而检测出道
路路况环境中的事件区域的方法。
背景技术
随着汽车的普及和传感技术、无线通信等技术的发展，通过在道路上行驶的车辆内安装传
感器节点设备，通过无线通信方式互联，自组织成无线车载传感器网络；车载传感器网络可
实现车辆间的协作感知、处理和传输城市区域内的各种道路交通路况等信息，是实现智能交
通的重要手段和方式。事件监测是车载传感器网络面向智能交通的重要应用之一，事件区域
检测是车载无线传感器网络事件监测中的关键技术，通过车辆之间的有效协同和数据融合处
理等技术，有效检测路况事件区域定位、范围，直接影响着道路路况紧急事件处理应用的效
率和性能。无线传感器网络和自组织网络的事件区域检测是面向应用的热点问题之一，在近
年来技术文献和研究论文中均有论述。
有关文献：R.Nowak et al.Boundary Estimation in Sensor Network：Theory and Methods.In：
Proc.IPSN 2003[c]，2003；K.Ren et al.Secure and Fault-tolerant Event Boundary Detection in
Wireless Sensor Networks.IEEE Transactions on Wireless Communications[J]，2008，7(1)；曹冬磊
等.一种无线传感器网络中事件区域检测的容错算法.计算机学报[J]，2007，30(10)；张书奎等.
基于融合树的事件区域检测容错算法[J].通信学报，2010，(09).
事件区域检测技术的实现可分为三种方法：统计方法、基于分类的方法和基于图像处理技
术的方法。统计方法主要通过获取邻居节点数据信息，利用统计学的计算方法来判定事件节
点和非事件节点。基于分类的方法通过由所有节点收集的数据信息来进行处理，显然事件区
域内部节点与外部节点数据信息存在较大差异，利用该差异可将网络节点进行分类，得到判
定事件区域节点和非事件区节点。基于图像处理技术的方法对图像处理技术进行修改，使其
适应于传感器网络事件区域检测。其中，基于分类的方法具有实现简单、复杂度低等特点，
是三种方法中最适于事件区域检测技术的实现方法。
事件区域检测技术的实现方法应与具体应用相关，车载传感器网络环境下，由于车辆的高
移动性、城市道路交通路况环境的复杂性，导致网络拓扑的动态变化较快、事件监测无法简
单通过设置传感器数据阈值实现；因此一般的无线自组织网络、无线传感器网络事件区域检
测方法并不能很好应用于该应用场景。一些研究者针对车载自组织网络，提出了利用人工智
能的方法，通过本地节点协同，利用机器学习、支持向量机、贝叶斯神经网络、或运用隐马
尔可夫模型等，进行事件特征提取和分类、判断事件产生的概率，实现事件监测；这些事件
监测方法能有效监测车载自组织网络环境下道路车辆相关事件，但这些方法需要事先给定道
路车辆特定环境下的先验知识等信息，这些由于道路交通和车辆行驶中受自然环境、道路地
形特征和人为因素等影响较大，先验知识取值的合理性，直接影响事件监测系统性能；此外
这些研究主要致力于事件的判定，而不是事件产生区域范围和位置信息，事实上，由于车载
网络环境下的车辆的高移动性，对事件区域的检测带来了技术挑战。
有关文献：J.Eriksson et al.The Pothole Patrol：Using a Mobile Sensor Network for Road
Surface Monitoring[c].In Proc.ACM MobiSys，2008；V.D.Sanchez et al.Advanced support vector
machines and kernel me-thods[J].Neurocomputing，2003，(55)；S Dipti.Evaluation of Adaptive
Neural Network Models for Freeway Incident Detection[J].IEEE Trans.On Intelligent
Transportation Systems，2004，5(1)；何毅等.基于隐马尔科夫度量场模型的车辆监测和跟踪[J].
上海交通大学学报，2008(2).张存保等.基于浮动车的高速公路交通事件自动判别方法研究
[J].武汉理工大学学报(交通科学与工程版)，2006，(06)；张敬磊等.事件检测算法研究进展[J].
武汉理工大学学报(交通科学与工程版)，2005，(02).
发明内容
本发明针对上述现有方法存在问题和不足，提出一种面向智能交通应用的、无需先验知
识且有效提高监测效率的车载传感器网络事件区域检测方法，致力于在车载自组织网络动态
拓扑环境下，通过车辆间协同，利用数据信息融合处理方法，利用事件区域和非事件区域的
证据冲突，有效检测事件区域。
本发明的技术方案一种基于D-S证据理论的车载传感器网络事件区域检测方法，其特征
在于：将事件监测的城市道路区域划分为若干子小区，在事件监测的城市道路区域内设有车
载传感器的车辆通过自组织方式组网，建立车载传感器网络图，车载传感器网络图中由设有
车载传感器的车辆构成车辆节点，相邻车辆节点之间是边；当进行事件区域检测时，执行以
下步骤：
步骤1、由各车辆节点到所在子小区中心位置的距离，计算各车辆节点到所在子小区的
监测权重；根据车辆节点的方向和速率改变情况，计算车辆节点的行为因子；结合车辆节点
所在子小区的感知物理量历史数据，计算感知数据变化率；并根据计算结果得到所在子小区
的事件产生概率；实现方式如下，
步骤a，设从某个车辆节点k的坐标(xnk，ynk)到所在子小区ci的中心点坐标(xci，yci)的几何距离，
记为dk，i＝||(xnk，ynk)-(xci，yci)|，车辆节点k到所在子小区ci的监测权重w(nk，ci)按下式计算，
w ( n k , c i ) = 1 - d k , i r d k , i ≤ r 0 d k , i > r ]]>
其中，r为车载传感器的监测感知半径；
步骤b，设观察时间序列为(t，t’)，车辆节点k在时刻t的速率为vk，车辆节点k在时刻t’的
速率为vk’，max(vk，vk’)为速率vk和和vk’中的较大值，若max(vk，vk’)＝0，车辆节点k的行为
因子μk＝0；若max(vk，vk’)≠0，车辆节点k的行为因子μk按下式计算，
其中，α为权重参数，θ为速率矢量变化到的方向夹角；
步骤c，车辆节点k获取所在子小区ci的观察时间序列(t，t’)的感知物理量历史数据，且观察
时间序列(t，t’)的时间间隔记为Δt，求取时间间隔Δt内某物理量p的均值
ave(p，Δt)＝sum(p_data)/N(Δt)，其中sum(p_data)为时间间隔Δt内子小区ci对物理量p监测所
得数值求和，N(Δt)为Δt时间内传感器的数据监测次数；
时间间隔Δt内物理量p的均值ave(p，Δt)和在当前时刻t’物理量p的实时监测所得数值
p_data(t’)间的较大值记为max(ave(p，Δt)，p_data(t’))，若max(ave(p，Δt)，p_data(t’))＝0，数据变
化率γci＝0，若max(ave(p，Δt)，p_data(t’))≠0，数据变化率γci按下式计算，
r ci = | p _ data ( t ′ ) - ave ( p , Δt ) | max ( p _ data ( t ′ ) , ave ( p , Δt ) ) ]]>
步骤d，根据步骤a所得监测权重w(nk，ci)、步骤b所得行为因子μk和步骤c所得数据变化率
γci，得到在子小区ci的事件产生概率Pr(ci)如下式：
Pr ( c i ) = λ 1 K * Σ k = 1 K w ( n k , c i ) μ k + ( 1 - λ ) γ ci ]]>
其中λ为调整因子，取0-1之间的常数；K为子小区ci的最大车辆节点数，k的取值为
1，2，...，K；
步骤2、根据D-S证据理论，设置各子小区事件发生的基本概率分配函数；实现方式如
下，
设T代表某子小区中有事件产生，F代表某子小区中无事件产生，则目标识别框架表示
为Θ＝{T，F}，目标识别框架中总的状态集合为2Θ＝{Φ，T，F，Θ＝{T，F}}，用mi(T)代表子小区ci“有
事件”状态的基本概率赋值，mi(F)、mi(Θ)分别代表子小区ci中“无事件”、“不确定”状态的基
本概率赋值；
子小区ci基本概率分配函数mi(T)根据步骤2计算的事件产生概率Pr(ci)设置，即mi(T)
≡Pr(ci)；
步骤3、根据D-S证据理论，计算观察时间序列(t，t’)上各子小区产生事件的置信度函数
值Beli(T)；实现方式如下，
由步骤2所得基本概率分配函数mi(T)，按下式计算观察时间序列(t，t’)上子小区ci产生事
件的置信度函数值Beli(T)，
Beli(T)＝mi(T)
步骤4、根据D-S证据理论，合并各子小区与相邻的子小区的置信度函数值，得到合并
的事件证据间的冲突值；实现方式如下，
设子小区ci的各方向上相邻的邻居子小区构成集合SN，由步骤3所得置信度函数值
Beli(T)，按下式计算合并证据冲突函数Con(Beli，Belneigh(i))，得到合并事件证据间的冲突值：
Con(Beli，Belneigh(i))＝log(1/η)， η = Σ 1 | SN | Bel i ( T ) * Bel neigh ( i ) ( T ) ]]>
其中，Belneigh(i)(T)是与子小区ci相邻的各子小区neigh(i)的置信度函数值，neigh(i)∈SN；
|SN|为集合SN中的子小区个数；
步骤5、判断各子小区是否属于事件区域，实现方式如下，
若步骤4所得合并事件证据间的冲突Con(Beli，Belneigh(i))大于或等于预设阈值Conth时，则
判定子小区ci处于事件区域，否则判定子小区ci处于非事件区域。
而且，周期性进行事件区域检测，或由车辆传感器采集的物理量更新数据超过某个预设
值时触发进行事件区域检测。
本发明所提供技术方案适用于动态的车载自组织网络拓扑环境、车载应用复杂多变的特
点，无需先验知识，充分利用网络中监测数据的空时相关性，采用D-S证据冲突原理，识别
网络区域监测信息的不一致性，利用该证据差异对事件区域和非事件区域进行分类，解决车
载传感网环境下事件区域难以有效监测和识别的问题，提高事件监测和判定的准确性和有效
性。
附图说明
图1为本发明实施例的区域划分示意图；
图2为本发明实施例的面向道路事件监测的车载传感器网络组网示意图；
图3为本发明实施例的30个车辆节点在t0时刻随机形成的网络拓扑示意图；
图4为本发明实施例的30个车辆节点在t1时刻的网络拓扑和随机产生事件示意图；
图5为本发明实施例的30个车辆节点在t2时刻网络拓扑和持续发生的事件示意图；
图6为本发明实施例的事件区域检测结果。
图7为本发明实施例的结构图。
具体实施方式
基于分类的事件区域检测方法利用事件区域内部与外部采集的数据信息差异进行分类，
用于判定事件范围；D-S证据理论用于一种处理不确定性问题的有效推理方法，若用T表示
覆盖道路地图中某子小区中有监测事件产生，F表示无事件，则目标识别框架为：Θ＝{T，F}。
D-S证据冲突用于反映特定空时信息证据之间的差异程度：当D-S证据冲突权重函数值为∞，
表示合并证据存在完全冲突，即合并证据与其它区域证据发生完全冲突，说明合并证据区域
与其它区域属于事件区域和非事件区域；当D-S证据冲突权重函数值为0，则表示合并证据
不存在冲突，即合并证据与其它区域均属于非事件区域。根据事件区域与其相邻非事件区域
的证据不一致性规则，将此证据冲突用于事件范围的识别和判定。
结合附图，对本发明的实施例做详细说明。本实施例在本发明方法前提下进行实施，给
出了详细的实施方式与具体的操作过程，但本发明的实施例不限于下述的实施例。
本发明提供一种基于D-S证据冲突的车载传感器网络事件区域检测方法，为描述简单起
见，由布设在某特定监测区域的30个车辆节点组网，以在实施开始后t1时刻随机产生的椭圆
形事件区域为例，进行事件区域检测。
首先进行网络初始化，包括事件区域初始化和车载网络建模。
将事件监测的城市道路区域划分为若干子小区，在事件监测的城市道路区域内设有车载
传感器的车辆通过自组织方式组网，建立车载传感器网络图，车载传感器网络图中由设有车
载传感器的车辆构成车辆节点，相邻车辆节点之间是边。
事件监测应用是通过车辆行驶覆盖来监测城市道路路况的。可以先将事件监测的城市道
路区域近似为平面矩形区域、提取该城市道路区域的平面地图，且将监测区域划分为规模相
同的多个小的子小区C＝{c1，c2，...cn}，如图1所示，可以简单地按行和列划分子小区。可用
(Xci，Yci)，(i＝1，...n)唯一标识监测区域的子小区ci，其中Xci为行位置索引号，Yci为列位置索引
号。划分子小区的大小参数取决于监测精度要求，由上层应用指定并可在应用过程中进行调
整。提取平面地图对应的道路区域行驶的车辆后，通过自组织方式组网，建模成车载传感器
网络图。其中部署和装载有传感器的车辆被抽象成图中节点，车辆节点间通过无线方式产生
机会性的连接，这些机会性的通信链路被抽象成图的边；除车辆节点之间的通信，车辆节点
还可以通过无线方式接入到路侧接入点，并通过路侧接入点接入Internet网络。各车辆节点在
网络初始化时被分配了唯一ID号，节点根据车辆上安装的GPS可获取自己在行驶区域中的
位置、速率、方向等车辆信息(一般还有时间、行驶距离、行驶时间、车辆加速度，此外车
辆内外安装和放置的各类型传感器如：温湿度传感器、3轴加速度传感器等可用于监测道路
车辆行驶环境的各类型物理量，例如路面湿度、路面温度。车辆节点监测的信息可通过多跳
方式通过机会性无线链路传递到路侧接入点，从而最终接入对道路交通路况监测的监控中心；
行驶的车辆也可通过路侧接入点接收到监控中心发布的全局消息。路侧接入点和监控中心之
间可通过Internet实现通信。在完成网络初始化后，车辆节点间通过机会性的消息传输和路侧
接入点发布的全局消息进行网络通信节点和链路的更新。通过事件区域检测，可以判断事件，
例如路面湿滑、路面坑穴、道路拥塞等。
可以周期性进行事件区域检测，或由车辆传感器采集的更新数据超过某个预设值时触发
进行事件区域检测。
当进行事件区域检测时，执行以下步骤：
步骤1、由各车辆节点到所在子小区中心位置的距离，计算各车辆节点到所在子小区的监测
权重；根据车辆节点的方向和速率改变情况，计算车辆节点的行为因子；结合车辆节点所在
子小区的感知物理量历史数据，计算感知数据变化率；并根据计算结果得到所在子小区的事
件产生概率。
实施例实现方式如下：
步骤a，设从某个车辆节点k的坐标(xnk，ynk)到所在子小区ci的中心点坐标(xci，yci)的几何距离，
记为dk，i＝||(xnk，ynk)-(xci，yci)|，车辆节点k到所在子小区ci的监测权重w(nk，ci)按下式计算，
w ( n k , c i ) = 1 - d k , i r d k , i ≤ r 0 d k , i > r ]]>公式1
其中，r为车载传感器的监测感知半径。
步骤b，在观察时间序列(t，t’)，车辆节点k在时刻t的速率为vk，车辆节点k在时刻t’的速
率为vk’，max(vk，vk’)为速率vk和和vk’中的较大值，若max(vk，vk’)＝0，车辆节点k的行为因
子μk＝0；若max(vk，vk’)≠0，车辆节点k的行为因子μk按下式计算，
公式2
车辆节点行为受道路事件的影响发生相应的行为改变，例如：大多数车辆选择改变行驶
方向避开事件区域。根据观察时间序列(t，t’)，车辆节点k在t时刻速率vk和节点在t’时刻速
率vk’，计算各车辆节点行为因子μ如公式2所示。其中α为权重参数，用于调整车辆方向改
变和速率改变对于车辆行为因子评价的权值；θ为速率矢量变化到的方向夹角，max(vk，
vk’)为t和t’时刻车辆节点移动速率的较大值(且应不为零)，若max(vk，vk’)＝0，即车辆节点处
于静止状态，则节点行为因子取0。
步骤c，车辆节点k获取所在子小区ci的观察时间序列(t，t’)的感知物理量历史数据，观察时
间序列(t，t’)的时间间隔记为Δt，求取时间间隔Δt内某物理量p的均值
ave(p，Δt)＝sum(p_data)/N(Δt)，其中sum(p_data)为时间间隔Δt内子小区ci对物理量p监测所
得数值求和，N(Δt)为Δt时间内传感器的数据监测次数；
时间间隔Δt内物理量p的均值ave(p，Δt)和在当前时刻t’物理量p的实时监测所得数值
p_data(t’)间的较大值记为max(ave(p，Δt)，p_data(t’))，若max(ave(p，Δt)，p_data(t’))＝0，数据变
化率γci＝0，若max(ave(p，Δt)，p_data(t’))≠0，数据变化率γci按下式计算，
r ci = | p _ data ( t ′ ) - ave ( p , Δt ) | max ( p _ data ( t ′ ) , ave ( p , Δt ) ) ]]>公式3
车辆节点可通过路侧接入点获取邻近小区ci的感知物理量历史数据，据此可计算时间间
隔Δt(t，t’)时间的物理量均值。具体实施时，Δt时间内传感器的数据监测次数与传感器的采样
频率f有关，N(Δt)＝Δt*f。如果max(ave(p，Δt)，p_data(t))为0，即该区域没有获取感知数据，
则其对应的数据变化率γci为0。
步骤d，根据步骤a所得监测权重w(nk，ci)、步骤b所得行为因子μk和步骤c所得数据变化率
γci，得到在子小区ci的事件产生概率Pr(ci)如下式：
Pr ( c i ) = λ 1 K * Σ k = 1 K w ( n k , c i ) μ k + ( 1 - λ ) γ ci ]]>公式4
其中λ为调整因子，取0-1之间的常数，该调整因子用于调节节点行为和数据变化率对
子小区事件监测概率结果计算的影响权重；K为子小区ci的最大车辆节点数，k的取值为
1，2，...，K。
步骤2、根据D-S证据理论，设置各子小区事件发生的基本概率分配函数；实现方式如
下，
设T代表某子小区中有事件产生，F代表某子小区中无事件产生，则目标识别框架表示
为Θ＝{T，F}，目标识别框架中总的状态集合为2Θ＝{Φ，T，F，Θ＝{T，F}}，用mi(T)代表子小区ci“有
事件”状态的基本概率赋值，mi(F)、mi(Θ)分别代表子小区ci中“无事件”、“不确定”状态的基
本概率赋值；
子小区ci基本概率分配函数mi(T)根据步骤2计算的事件产生概率Pr(ci)设置，即为各传
感器nk到ci小区的事件产生概率函数mi(T)≡Pr(ci)。
步骤3、根据D-S证据理论，计算观察时间序列(t，t’)上各子小区产生事件的置信度函数
值Beli(T)；实现方式如下，
由步骤2所得基本概率分配函数mi(T)，按下式计算观察时间序列(t，t’)上子小区ci产生事
件的置信度函数值Beli(T)。
Beli(T)＝mi(T) 公式5
具体实施时，还可以可取多个时间间隔Δt的观察时间序列上得到的基本概率分配函数求
和后平均，作为置信度函数值，以提高结果准确性。
步骤4、根据D-S证据理论，合并各子小区与相邻的子小区的置信度函数值，得到合并
的事件证据间的冲突值；实现方式如下，
设子小区ci的各方向上相邻的邻居子小区构成集合记为SN，由步骤3所得置信度函数值
Beli(T)，按下式计算合并证据冲突函数Con(Beli，Belneigh(i))，得到相邻子小区进行事件证据合
并的冲突值为：
Con ( Bel i , Bel neigh ( i ) = log ( 1 / η ) , η = Σ 1 | SN | Bel i ( T ) * Bel neigh ( i ) ( T ) ]]>公式6
其中，Belneigh(i)(T)是与子小区ci相邻的各子小区neigh(i)的置信度函数值，neigh(i)∈SN；
|SN|为集合SN中的子小区个数。
D-S证据理论用于一种处理不确定性问题的有效推理方法，D-S证据一致性用于反映特
定空时信息证据之间的合并差异程度：D-S证据一致性函数取值在区间(0，∞)。通过合并相
邻子小区的事件发生证据，用于建立事件区域与非事件区域检测的证据冲突属性，利用该证
据冲突，根据事件区域内部与外部证据差异进行分类，从而判定事件范围。
步骤5、判断各子小区是否属于事件区域。对于Con≥Conth的子小区，说明其所在的临界
区域证据合并后，与非事件发生区域存在较大冲突，即该子小区落在事件区域范围内，即属
于事件区域。实现方式如下，
若步骤4所得合并事件证据间的冲突Con(Beli，Belneigh(i))大于或等于预设阈值Conth时，则
判定子小区ci处于事件区域，否则判定子小区ci处于非事件区域。
在每网络周期到期或新的传感器采集数据达到设定阈值时重新出发事件区域检测过程，
重复以上步骤直至道路事件监测应用结束，即可实现实时监测。
为便于了解本发明效果起见，提供实施例的一段具体检测过程详细说明如下：
在图1进行特定监测道路区域平面信息提取和划分后，在此基础上布设车载传感器网络，
图2为面向道路事件监测的车载传感器网络组网示意图：在图1提取的监测平面地形图以及
子小区分割基础上，取通信半径为15个单位长度时，监测区域内的30个车辆节点可随机形
成如图3所示的拓扑：即在前述监测区域在完成车载网络初始化后(t0时刻)，由30个携带
传感器的车辆节点随机形成的节点分布和边，其节点坐标分布如下所示：
节点id：1，X坐标：0.127567，Y坐标：23.5572
节点id：2，X坐标：71.2967，Y坐标：7.43736
节点id：3，X坐标：29.7266，Y坐标：36.0027
节点id：4，X坐标：28.0816，Y坐标：98.529
节点id：5，X坐标：35.081，Y坐标：93.4233
节点id：6，X坐标：19.6487，Y坐标：85.757
节点id：7，X坐标：3.83374，Y坐标：0.85757
节点id：8，X坐标：68.9435，Y坐标：48.5885
节点id：9，X坐标：30.0287，Y坐标：80.2179
节点id：10，X坐标：10.061，Y坐标：44.8012
节点id：11，X坐标：70.4172，Y坐标：97.3266
节点id：12，X坐标：72.6966，Y坐标：79.0612
节点id：13，X坐标：61.9608，Y坐标：4.0376
节点id：14，X坐标：96.9546，Y坐标：6.83615
节点id：15，X坐标：32.6472，Y坐标：98.5076
节点id：16，X坐标：8.21131，Y坐标：1.80059
节点id：17，X坐标：2.81991，Y坐标：56.7248
节点id：18，X坐标：56.7574，Y坐标：64.8122
节点id：19，X坐标：79.263，Y坐标：38.5052
节点id：20，X坐标：41.8152，Y坐标：2.64595
节点id：21，X坐标：99.1433，Y坐标：20.9906
节点id：22，X坐标：94.7456，Y坐标：54.5885
节点id：23，X坐标：106.072，Y坐标：62.8193
节点id：24，X坐标：40.9961，Y坐标：94.9461
节点id：25，X坐标：25.4396，Y坐标：52.0829
节点id：26，X坐标：25.6108，Y坐标：89.7366
节点id：27，X坐标：41.221，Y坐标：41.2152
节点id：28，X坐标：81.8714，Y坐标：35.551
节点id：29，X坐标：41.3889，Y坐标：21.9001
节点id：30，X坐标：7.82525，Y坐标：58.7909
在本实施例中，车辆节点可沿着水平向左、水平向右、垂直向上、垂直向下四个方向、
以及平均速率在0～10单位长度/单位时间的速率范围内行驶。初始化后，各车辆节点按照车
辆行驶模式在监测区域内根据设定路线随机移动，当遇到事件区域时车辆将避开区域绕行或
减速慢行。
假定t1时刻产生了如图4所示的拓扑，并在随机生成的椭圆形区内产生了事件，t1时刻产
生的网络拓扑信息即：车辆节点坐标、移动方向和速率如下所示。
节点id：1，X坐标：1.77252，Y坐标：43.788移动方向：水平向右移动速率：3
节点id：2，X坐标：46.6225，Y坐标：22.7485移动方向：垂直向上移动速率：2
节点id：3，X坐标：53.5279，Y坐标：33.5154移动方向：水平向右移动速率：3
节点id：4，X坐标：55.3273，Y坐标：58.5284移动方向：垂直向下移动速率：8
节点id：5，X坐标：99.3313，Y坐标：79.0612移动方向：垂直向下移动速率：9
节点id：6，X坐标：55.1729，Y坐标：5.91754移动方向：垂直向下移动速率：5
节点id：7，X坐标：41.6474，Y坐标：75.1671移动方向：水平向右移动速率：5
节点id：8，X坐标：23.5832，Y坐标：85.3359移动方向：垂直向下移动速率：5
节点id：9，X坐标：3.9613，Y坐标：14.6123移动方向：垂直向下移动速率：4
节点id：10，X坐标：51.8998，Y坐标：13.538移动方向：垂直向下移动速率：3
节点id：11，X坐标：98.5827，Y坐标：83.9381移动方向：垂直向上移动速率：3
节点id：12，X坐标：43.2621，Y坐标：90.0906移动方向：垂直向下移动速率：0
节点id：13，X坐标：45.1454，Y坐标：66.3472移动方向：水平向右移动速率：6
节点id：14，X坐标：46.6594，Y坐标：48.8083移动方向：垂直向上移动速率：8
节点id：15，X坐标：4.50179，Y坐标：30.0485移动方向：水平向左移动速率：0
节点id：16，X坐标：89.3106，Y坐标：77.4346移动方向：水平向右移动速率：7
节点id：17，X坐标：87.6556，Y坐标：29.9936移动方向：垂直向下移动速率：9
节点id：18，X坐标：74.5631，Y坐标：58.5437移动方向：垂直向上移动速率：8
节点id：19，X坐标：14.4151，Y坐标：1.26652移动方向：垂直向上移动速率：1
节点id：20，X坐标：37.5317，Y坐标：34.8949移动方向：水平向右移动速率：4
节点id：21，X坐标：11.5381，Y坐标：72.1641移动方向：垂直向下移动速率：2
节点id：22，X坐标：5.62304，Y坐标：52.3179移动方向：水平向右移动速率：2
节点id：23，X坐标：24.9596，Y坐标：75.161移动方向：水平向左移动速率：5
节点id：24，X坐标：86.1382，Y坐标：83.2575移动方向：垂直向上移动速率：3
节点id：25，X坐标：95.8232，Y坐标：83.8313移动方向：垂直向下移动速率：3
节点id：26，X坐标：28.1689，Y坐标：84.106移动方向：水平向左移动速率：4
节点id：27，X坐标：75.0298，Y坐标：53.8743移动方向：垂直向下移动速率：3
节点id：28，X坐标：90.979，Y坐标：89.462移动方向：垂直向上移动速率：9
节点id：29，X坐标：95.9676，Y坐标：96.3683移动方向：垂直向下移动速率：6
节点id：30，X坐标：45.9746，Y坐标：96.411移动方向：水平向右移动速率：6
根据公式1计算各车辆节点到所在子小区的监测权重，取感知半径r等于子小区半径，得
到结果如下所示。
节点1对所在子小区中心位置(5，45)监测权重是：0.770162
节点2对所在子小区中心位置(45，25)监测权重是：0.814986
节点3对所在子小区中心位置(45，35)监测权重是：0.42292
节点4对所在子小区中心位置(55，55)监测权重是：0.763764
节点5对所在子小区中心位置(95，75)监测权重是：0.604165
节点6对所在子小区中心位置(55，5)监测权重是：0.937754
节点7对所在子小区中心位置(35，75)监测权重是：0.556701
节点8对所在子小区中心位置(25，85)监测权重是：0.902928
节点9对所在子小区中心位置(5，15)监测权重是：0.926086
节点10对所在子小区中心位置(45，15)监测权重是：0.529802
节点11对所在子小区中心位置(85，85)监测权重是：0.0917224
节点12对所在子小区中心位置(35，95)监测权重是：0.35929
节点13对所在子小区中心位置(45，65)监测权重是：0.909663
节点14对所在子小区中心位置(45，45)监测权重是：0.72306
节点15对所在子小区中心位置(5，35)监测权重是：0.668235
节点16对所在子小区中心位置(85，75)监测权重是：0.66996
节点17对所在子小区中心位置(75，25)监测权重是：0.0929916
节点18对所在子小区中心位置(65，55)监测权重是：0.320095
节点19对所在子小区中心位置(15，5)监测权重是：0.748065
节点20对所在子小区中心位置(35，35)监测权重是：0.831077
节点21对所在子小区中心位置(15，75)监测权重是：0.701656
节点22对所在子小区中心位置(5，55)监测权重是：0.816431
节点23对所在子小区中心位置(25，75)监测权重是：0.988934
节点24对所在子小区中心位置(75，85)监测权重是：0.248423
节点25对所在子小区中心位置(85，85)监测权重是：0.274257
节点26对所在子小区中心位置(25，85)监测权重是：0.780494
节点27对所在子小区中心位置(65，55)监测权重是：0.327152
节点28对所在子小区中心位置(85，85)监测权重是：0.502638
节点29对所在子小区中心位置(85，95)监测权重是：0.263159
节点30对所在子小区中心位置(45，95)监测权重是：0.885674
本实施例中产生的椭圆事件区域中的时间在(t1，t2)内持续，t2时刻拓扑信息即节点坐标、
移动方向和移动速率，如下所示。
节点id：1，X坐标：4.77252，Y坐标：43.788移动方向：垂直向上移动速率：4
节点id：2，X坐标：46.6225，Y坐标：20.7485移动方向：垂直向上移动速率：2
节点id：3，X坐标：56.5279，Y坐标：33.5154移动方向：水平向右移动速率：3
节点id：4，X坐标：55.3273，Y坐标：66.5284移动方向：垂直向下移动速率：1
节点id：5，X坐标：99.3313，Y坐标：88.0612移动方向：垂直向下移动速率：10
节点id：6，X坐标：55.1729，Y坐标：10.9175移动方向：垂直向下移动速率：5
节点id：7，X坐标：46.6474，Y坐标：75.1671移动方向：水平向右移动速率：5
节点id：8，X坐标：23.5832，Y坐标：90.3359移动方向：垂直向下移动速率：5
节点id：9，X坐标：3.9613，Y坐标：18.6123移动方向：垂直向下移动速率：4
节点id：10，X坐标：51.8998，Y坐标：16.538移动方向：垂直向下移动速率：3
节点id：11，X坐标：98.5827，Y坐标：80.9381移动方向：垂直向下移动速率：4
节点id：12，X坐标：43.2621，Y坐标：90.0906移动方向：垂直向下移动速率：0
节点id：13，X坐标：51.1454，Y坐标：66.3472移动方向：水平向右移动速率：1
节点id：14，X坐标：46.6594，Y坐标：40.8083移动方向：垂直向上移动速率：1
节点id：15，X坐标：4.50179，Y坐标：30.0485移动方向：水平向左移动速率：1
节点id：16，X坐标：96.3106，Y坐标：77.4346移动方向：水平向右移动速率：8
节点id：17，X坐标：87.6556，Y坐标：38.9936移动方向：垂直向下移动速率：9
节点id：18，X坐标：74.5631，Y坐标：50.5437移动方向：垂直向上移动速率：1
节点id：19，X坐标：14.4151，Y坐标：0.266518移动方向：垂直向上移动速率：1
节点id：20，X坐标：41.5317，Y坐标：34.8949移动方向：水平向右移动速率：4
节点id：21，X坐标：11.5381，Y坐标：74.1641移动方向：垂直向下移动速率：2
节点id：22，X坐标：7.62304，Y坐标：52.3179移动方向：垂直向上移动速率：3
节点id：23，X坐标：19.9596，Y坐标：75.161移动方向：水平向左移动速率：5
节点id：24，X坐标：86.1382，Y坐标：80.2575移动方向：垂直向下移动速率：4
节点id：25，X坐标：95.8232，Y坐标：86.8313移动方向：垂直向下移动速率：4
节点id：26，X坐标：24.1689，Y坐标：84.106移动方向：水平向左移动速率：4
节点id：27，X坐标：75.0298，Y坐标：56.8743移动方向：垂直向下移动速率：1
节点id：28，X坐标：90.979，Y坐标：80.462移动方向：垂直向下移动速率：10
节点id：29，X坐标：95.9676，Y坐标：92移动方向：垂直向下移动速率：6
节点id：30，X坐标：51.9746，Y坐标：96.411移动方向：水平向右移动速率：6
取观察时间序列(t1，t2)，为通过计算D-S冲突值确定观察时间内是否出现了冲突，推断
是否有事件以及事件位置，首先由t1，t2时刻的拓扑并根据公式2计算节点行为因子，其结果
如下所示(本实施例中取α＝0.5)。
节点1的行为因子μ：0.375
节点2的行为因子μ：0
节点3的行为因子μ：0
节点4的行为因子μ：0.4375
节点5的行为因子μ：0.05
节点6的行为因子μ：0
节点7的行为因子μ：0
节点8的行为因子μ：0
节点9的行为因子μ：0
节点10的行为因子μ：0
节点11的行为因子μ：0.625
节点12的行为因子μ：0.5
节点13的行为因子μ：0.416667
节点14的行为因子μ：0.4375
节点15的行为因子μ：0.5
节点16的行为因子μ：0.0625
节点17的行为因子μ：0
节点18的行为因子μ：0.4375
节点19的行为因子μ：0
节点20的行为因子μ：0
节点21的行为因子μ：0
节点22的行为因子μ：0.416667
节点23的行为因子μ：0
节点24的行为因子μ：0.625
节点25的行为因子μ：0.125
节点26的行为因子μ：0
节点27的行为因子μ：0.333333
节点28的行为因子μ：0.55
节点29的行为因子μ：0
节点30的行为因子μ：0
本实施例中设定事件发生区域中心点位置的感知数据值为无事件时感知数据值的2倍，并
从事件中心位置在事件区域随距离线性递减。在此基础上，根据公式3计算各ci(Xci，Yci)小区
感知数据变化率γci，其中Xci为子小区行索引号，取值范围0-9，Yci为子小区列索引号，取值
范围0-10；其计算结果为相对于各小区c(Xci，Yci)的数据变化率矩阵γ：
γ = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0253 0 0 0 0 0 0 0 0 0.0908 0.1888 0.2242 0.2007 0.1160 0 0 0 0 0 0.0651 0.2242 0.3184 0.3556 0.3306 0.2476 0.1035 0 0 0 0 0.1407 0.2945 0.3184 0.4487 0.4117 0.3184 0.1769 0 0 0 0 0.1529 0.3064 0.4117 0.4783 0.4287 0.3306 0.1889 0 0 0 0 0.1035 0.2593 0.3556 0.3965 0.3687 0.2827 0.1407 0 0 0 0 0 0.1529 0.2476 0.2827 0.2593 0.1769 0.0253 0 0 0 0 0 0 0.0780 0.1160 0.0908 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ]]>
将前述计算结果代入公式4计算子小区事件产生概率，本实施例取调整因子λ＝0.5，其计
算结果为相对于各小区c(Xci，Yci)的事件发生概率矩阵Pr。
Pr = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0253 0 0 0 0 0 0 0 0 0.0908 0.1888 0.2242 0.2007 0.1160 0 0 0 0.1671 0 0.0651 0.2242 0.3184 0.3556 0.3306 0.2476 0.1035 0 0 0.1444 0 0.1407 0.2945 0.3174 0.4487 0.4117 0.3184 0.1769 0 0 0.1701 0 0.1529 0.3064 0.4117 0.4062 0.2766 0.3306 0.1889 0 0 0 0 0.1035 0.2593 0.3673 0.4287 0.3687 0.2827 0.1407 0 0 0 0 0 0.1529 0.2476 0.2827 0.2593 0.1769 0.0336 0.0151 0 0 0 0 0 0.0780 0.1160 0.0908 0.1553 0.1841 0 0 0 0 0 0.0898 0 0 0 0 0 0 0 ]]>
根据步骤3计算的子小区事件发生概率计算结果，由mi(T)≡Pr(ci)可得到各子小区有事件
发生的基本概率分配函数mi(T)＝Pr(ci)，即：
m ( T ) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0253 0 0 0 0 0 0 0 0 0.0908 0.1888 0.2242 0.2007 0.1160 0 0 0 0.1671 0 0.0651 0.2242 0.3184 0.3556 0.3306 0.2476 0.1035 0 0 0.14444 0 0.1407 0.2945 0.3174 0.4487 0.4117 0.3184 0.1769 0 0 0.1701 0 0.1529 0.3064 0.4117 0.4062 0.2766 0.3306 0.1889 0 0 0 0 0.1035 0.2593 0.3673 0.4287 0.3687 0.2827 0.1407 0 0 0 0 0 0.1529 0.2476 0.2827 0.2593 0.1769 0.0336 0.0151 0 0 0 0 0 0.0780 0.1160 0.0908 0.1553 0.1841 0 0 0 0 0 0.0898 0 0 0 0 0 0 0 ]]>
由公式5计算指定观察时间序列上的子小区事件发生的置信度函数，本实施例计算的
(t1，t2)时间序列上的事件发生置信度结果如下：
Bel i ( T ) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0253 0 0 0 0 0 0 0 0 0.0908 0.1888 0.2242 0.2007 0.1160 0 0 0 0.1671 0 0.0651 0.2242 0.3184 0.3556 0.3306 0.2476 0.1035 0 0 0.1444 0 0.1407 0.2945 0.3174 0.4487 0.4117 0.3184 0.1769 0 0 0.1701 0 0.1529 0.3064 0.4177 0.4062 0.2766 0.3306 0.1889 0 0 0 0 0.1035 0.2593 0.3673 0.4287 0.3687 0.2827 0.1407 0 0 0 0 0 0.1529 0.2476 0.2827 0.2593 0.1769 0.0336 0.0151 0 0 0 0 0 0.0780 0.1160 0.0908 0.1553 0.1841 0 0 0 0 0 0.0898 0 0 0 0 0 0 0 ]]>
事实上，对于实际应用中的观察时间段可取多个时间间隔Δt，以提高结果准确性。
在前述计算结果基础上计算各子小区事件发生的证据冲突，由公式6计算各子小区事件
证据冲突因子为如下Con矩阵：
Con = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0108 0 0 0 0 0 0 0 0 0 0.0687 0.2067 0.2835 0.2100 0.0622 0 0 0 0.0244 0 0.0439 0.2791 0.7289 1.1508 0.8706 0.3690 0.05757 0 0 0.0499 0 0.1224 0.5649 1.1018 2.7480 1.8859 0.7699 0.1645 0 0 0.0249 0 0.1322 0.6898 2.0637 2.4614 0.9728 0.7662 0.2016 0 0 0 0 0.06027 0.4232 1.2422 2.2878 1.1235 0.4703 0.1275 0 0 0 0 0 0.1112 0.3726 0.5565 0.4939 0.2576 0.0272 0.0026 0 0 0 0 0 0.0411 0.0846 0.0767 0.1170 0.0697 0 0 0 0 0 0 0 0 0 0 0 0 0 ]]>
由设定的Con阈值，可检测出事件发生区域，即如果Coni＞Conth，所有符合该条件的子
小区ci构成事件发生区域。本实施例中取Conth＝0.5，则检测出的事件区域为如图6所示。
当每个监测周期到期或当感知数据超过阈值时，将触发上述过程并实时检测和更新事件
发生区域，直至监测任务结束。
具体实施时，本发明也可采用软件模块化技术实现，如图7所示，可包含以下部分：
(1)车载传感器的网络场景初始化和维护模块，用于对监测的城市道路区域建模和由车辆所
组成的无线自组织车载网络组网和更新，得到监测区域划分的子小区信息和网络拓扑基本信
息。
(2)子小区的事件监测概率模块，用于根据车载传感器网络场景初始化所得道路子小区划分
和各子小区内车辆节点采集的传感器数据进行处理，计算车辆节点的行为改变因子和数据变
化率，在此基础上得到各子小区事件监测概率。
(3)子小区的事件发生概率模块，用于根据所得的车辆节点到子小区的事件监测概率和D-S
证据理论，得到各道路子小区事件发生概率。
(4)事件发生置信度模块，用于根据连续观察时间序列上的子小区事件发生概率函数计算结
果，得到该时间序列上子小区的事件发生置信度函数结果。
(5)证据合并冲突计算模块，用于对各相邻子小区所得的证据进行合并，计算其冲突属性值
对信息证据合并后的差异程度进行分类，得到合并后证据的冲突值。
(6)事件区域判定模块，用于根据证据合并后计算的冲突值对证据进行分类，对于大于等于
冲突阈值的子小区判定有事件发生，得到子小区序列构成的事件区域。
(7)事件检测触发模块，用于根据网络周期计时器和监测感知数据并于计时周期或感知数据
超过设定阈值时触发事件检测过程，重新进行事件区域检测。
其中，车载传感器网络场景初始化和维护模块输出的道路建模和网络拓扑参数集，输入到
子小区的事件监测概率模块和事件检测触发模块；事件检测模块根据网络初始化得到的全局
信息，决定何时开始采用本文提出的方法来检测事件及其发生区域；由事件检测模块采用定
时检测的周期性检测机制来触发事件检测，或通过网络中传感器采集的数据及设定阈值来触
发，即：当网络中某些区域传感器数据超过预先设定的安全值，则启动该道路区域的事件检
测过程。子小区的事件监测概率模块计算的得到的车辆节点到各子小区的事件监测概率，输
入到子小区事件发生概率模块；事件发生概率模块计算得到的各子小区事件发生概率，输入
到事件发生置信度模块；事件发生置信度模块计算得到的各子小区观察时间序列上的事件发
生置信度，输入到证据合并冲突计算模块；证据合并冲突计算模块计算得到的证据冲突值，
输入到事件区域判定模块，用于检测事件区域。事件检测触发模块的输出的事件检测触发命
令，将输入到子小区的事件监测概率模块用于重新执行事件检测过程。