联合最大后验到达率估计算法

5%渗透率误差不足4辆

该算法通过联合估计多流向到达率并嵌入历史样本量先验，在极低网联车渗透率下仍保持高精度与抗欺骗鲁棒性。

谈超鹏 · Yao, Jiarong · Zhu, Hong · 唐克双

IEEE Internet of Things Journal 2025

参数信息

估计成功率

100 %

周期级误差

4 veh

欺骗攻击下误差增加

1.2 veh

平均车辆延误降低比例

12–20 %

技术优势

5%渗透率就够用

联合贝叶斯先验嵌入历史样本量信息，无需大量实时联网车，缓解了极低渗透率下可观测样本不足的问题。

抗欺骗不崩

多流向联合估计约束了异常数据的影响，故意欺骗攻击下误差增加被限制在1.2辆，而非成倍放大。

延误降12%–20%

将估计结果接入自适应信号控制后，平均车辆延误降低可达两成，直接转化为路口效率提升。

应用场景

• 网联交通信号控制：实时到达率驱动自适应配时，降低延误。
• 车路协同感知：融合网联车数据与路侧系统，补全低渗透率盲区。
• 智能交叉口管理：为交叉口动态优化提供多流向到达率输入。
• 低渗透率车联网：5%渗透率即可用，解决早期部署数据稀疏问题。