2019-04-04 论文笔记—Using SSN ontology for Automatic Traffic Light Settings on Inteligent Transportat...

论文笔记—Using SSN ontology for Automatic Traffic Light Settings on Inteligent Transportation Systems

利用SSN本体实现智能交通系统中交通灯的自动设置

摘要:本文提出利用SSN本体管理智能交通体系结构中的传感器信息。该系统实现了交通信号灯的自动设置，可以预测和避免交通事故的发生，并进行了路径优化。

I. INTRODUCTION

由于ITS中最重要的信息源之一是传感器，因此传感器数据的集成与共享成为传感器网络应用于这些系统的一大难题。为了充分利用传感器数据，将传感器数据转换为计算机可理解的语义数据是至关重要的。在本研究中，我们提出使用SSN本体来管理智能交通架构中的传感器信息。该系统实现了交通信号灯的自动设置，可以预测和避免交通事故的发生，并进行了路径优化。论文组织如下。第二部分介绍了本体论在其应用方面的相关工作。第三部分描述了SSN本体中传感器数据到语义知识的映射过程。第四部分给出了交通灯设置系统的用例。最后，第五节总结了结论和今后的工作。

II. RELATED WORK

已有一些研究致力于将传感器数据转换为RDF，用于不同领域的应用。其中大部分出现在关联传感器数据领域，如Esk水文传感器网络[1]和SENSEI[2]，主要研究传感器数据到关联传感器的转换。语义传感器网络的研究也在其他研究领域得到了应用，例如基于[3]的语义医学监测系统模型。这些研究提出了将传感器数据转换为RDF[4]的不同方法。上面提到的大部分工作都集中于使用映射语言(如D2RQ[13]、R2RML[5]等)将传感器数据映射到现有本体。RML[6]是R2RML的扩展，是针对异构数据设计的通用映射语言。虽然这些映射语言对于不同的数据源和不同的本体是通用的，但是它们的主要限制是，它们不是专门为传感器数据设计的。

III. MAPPING SENSOR DATA TO SSN ONTOLOGY

A. The SSN ontology 

语义传感器网络(SSN)本体[7]是由万维网联盟(W3C)语义传感器网络孵化器小组开发的。本体可以对传感器设备、系统、过程、观察和环境知识进行建模。

B。在本工作中，我们使用了类似于[8]中描述的映射方法。他们提出了一种将传感器数据映射到SSN本体的方法，将数据库中的传感器数据转换成符合SSN本体的RDF。

生成RDF的主要步骤是:从数据源提取传感器数据的信息，并使用映射模式对传感器数据进行注释;创建映射文件，其中包括数据源和传感器数据的标注信息;自动将数据库中的数据转换为RDF。 

IV. THE AUTOMATIC TRAFFIC LIGHT SETTINGS APPLICATION

这个场景与交通灯的调整有关，考虑到交通流量和天气条件。整个交通场景的描述由交通本体提供，传感器信息由SSN本体提供。不同的代理通过SPARQL查询从本体中获取知识。考虑到车道的长度和道路传感器检测到的车辆数量，交通灯代理可以计算车道的真实密度来检测拥堵程度。然后根据当前路段的拥堵程度调整交通灯持续时间。图1显示了在这个场景中生成的SSN本体实例的一些最重要的元素(概念、个体和关系)。从这个视图中我们可以看到，传感设备观察Car_flow属性，产生不同值的传感器输出。

下面是在本场景中获得的Car_flow传感器映射文件的片段。

V. CONCLUSIONS AND FUTURE WORK

这种方法的主要优点是，通过对传感器收集的数据进行语义注释，使涉及ITS的应用程序能够理解这些数据，从而最大限度地提高ITS的智能。然而，将传感器数据映射到语义知识的过程过于困难，仍然需要一些人的参与。因此，作为未来的工作，我们正在规划设计基于规则的系统，以改进映射过程，减少人为对语义注释的干预。