CN102708698A - 基于车联网的车辆最优路径导航方法 - Google Patents

基于车联网的车辆最优路径导航方法 Download PDF

Info

Publication number
CN102708698A
CN102708698A CN2012101932517A CN201210193251A CN102708698A CN 102708698 A CN102708698 A CN 102708698A CN 2012101932517 A CN2012101932517 A CN 2012101932517A CN 201210193251 A CN201210193251 A CN 201210193251A CN 102708698 A CN102708698 A CN 102708698A
Authority
CN
China
Prior art keywords
vehicle
car
information
ant
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101932517A
Other languages
English (en)
Other versions
CN102708698B (zh
Inventor
黄若
张威力
刘浩明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201210193251.7A priority Critical patent/CN102708698B/zh
Publication of CN102708698A publication Critical patent/CN102708698A/zh
Application granted granted Critical
Publication of CN102708698B publication Critical patent/CN102708698B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于车联网的车辆最优路径导航方法,其能够获得确定的、实时的OD信息,代替以往通过估计得到的OD信息,使对最优路径的计算更简单、可靠。该方法包含设置动态联络矩阵用以标明路网连接状况,交通监控中心根据OD信息和动态联络矩阵通过改进的蚁群算法求解车辆在路网中行驶的最优路径,使车辆能实时响应突发状况,达到提高导航精确程度和提高车辆运行效率的目的。

Description

基于车联网的车辆最优路径导航方法技术领域
[0001] 本发明涉及智能交通系统领域,具体涉及一种基于车联网的车辆最优路径导航方法。
背景技术
[0002] 近十几年来,随着国家经济发展和人民生活水平的不断提高,城市道路上的车辆迅速增加,这给发展相对滞后的城市交通建设带来很大的压力。据统计,美国39个城市每年因交通堵塞而造成的经济损失约410亿美元。交通拥堵已经成为大中城市亟待解决的一个问题。智能运输系统(ITS)是一个比较有效的解决方案,其将先进的信息技术、网络技术、自动控制技术以及计算机技术等高新技术有效地运用于整个交通管理体系,可提高运输效率,减少交通事故,降低环境污染,建立起一种实时、准确、高效的交通综合运输体系。
[0003] 车辆最优路径导航是ITS中一个重要领域,针对如何使车辆在城市复杂的道路系统中以最快的速度到达目的地的问题。车辆最优路径导航是建立在图论基础上,将实际路网抽象为网络拓扑结构,应用联络矩阵网表示络拓扑结构中节点和路段之间结合关系,通过对联络矩阵进行各种运算来表示交通网络结构的运算。
[0004] 现有的动态道路导航技术,是根据导航系统中事先已有的电子地图信息结合道路系统中采集的实时交通信息建立数学模型,以行程时间最短为目的求解最优路径。这类方法所需输入的实时交通信息采集难度很大,对硬件要求高,实现成本高,且导航精度与成本的几何级数成正比。例如,发明专利《一种智能交通监测和行车实时导航系统》(CN1783162A)所阐述的系统利用安装在路侧的多普勒探测感应器和无线传感器,计算获取车辆的速度信息,并利用设备监测驾驶员手机所处的蜂窝移动电话网络的数据进行导航,该系统结构复杂,硬件投资极大,且手机信号稳定性较差,实际应用很困难。并且,现有的动态道路导航所采用的最优路径算法均是基于预测和估计——如串行动态最短路径算法,A*算法,双向搜索法等。它们都是先对系统内车辆起点-终点(Origin-Destination)信息(0D信息)进行估计,进而根据估计的OD信息按照图论的方法求解出最优路径,实现动态最优路径导航。
[0005] 由于估计的OD矩阵信息的不准确性,在优化过程中,前面的运算结果会对部分后续运算结果产生不可忽略的不良干扰,还需要在车辆运行过程中多次运算多次修正。
发明内容
[0006] 本发明基于车联网技术,以确定的、实时的OD信息代替估计的OD信息,上述问题便不复存在,并且可使最优路径算法更为简单、可靠。在算法上,本发明采用改进的“蚁群算法”,对行驶在某路网系统内的所有车辆进行最优路径导航。其具体方法包括如下3个步骤:
[0007] I.获取所有车辆的起始-终止信息(0D信息);
[0008] 2.建立动态联络矩阵;[0009] 3.求解每辆车的最优路径,实施交通导航。
[0010] 其中,上述I中的OD信息,是一个规模为NXN的二维矩阵,N为网络节点数目。这个矩阵可以反映出网络中每辆车的起始点和终止点位置。
[0011] 上述2中的动态联络矩阵,反映的则是整个网络的连接状况——哪些节点之间有通路;这些通路之间的距离(时间距离)各自为多长。
[0012] 上述3则是在前面两个步骤基础之上,应用改进的“蚁群算法”,对网络中的每辆车计算最优路径,从而实现车辆导航。
[0013] 这3个步骤的具体内容分别如下。
[0014] 获取车辆的OD信息
[0015] 对处于车联网系统中的任一车辆,一旦该车辆启动,其车载GPS系统可立即自动 获取该车辆的初始位置信息,随后以无线通讯的手段将该初始位置信息发送至交通监控中心,从而获取车联网系统中该车辆的起点(Origin)位置信息。
[0016] 另一方面,驾驶员在出发前通过车载GPS系统输入本次行程的目的地位置信息,车载GPS系统随后以无线通讯的手段将该目的地位置信息发送至交通监控中心,从而得到车联网系统中该车辆的终点(Destination)位置信息。
[0017] 由于常见的车载GPS系统在确定车辆初始位置时是基于NMEA0183协议的,其得到的初始位置信息是在WGS-84坐标系下的信息,我国的电子地图普遍使用的是BJ-54坐标系。因此在本方法中,当车辆初始位置信息被发送至交通监控中心之后,需对其进行坐标转换和地图匹配的处理。交通监控中心通过采用平面四参数法对初始位置信息进行转换,再利用Kalman滤波的地图匹配方法进行匹配,能够获取该车联网系统中该车辆的起点位置信息。对于终点位置信息,驾驶员输入的目的地位置信息已是在BJ-54坐标系下,交通监控中心对其进行Kalman滤波的地图匹配处理即可得到该车联网系统中该车辆的终点位置信肩、O
[0018] 路网系统内所有运行车辆在启动时均按照上述方法运行,便获得了该车联网系统所有正在运行的车辆的起点位置信息和终点位置信息,基于所述起点位置信息和终点位置信息,交通监控中心进行汇总累加组合可得到路网中各个节点之间路段的交通量,得到所有正在运行的车辆的确定的、实时的OD信息。
[0019] 津立动杰联络矩阵
[0020] 假设所考虑的交通网络的节点数目为N个,则建立一 N阶二维方阵(即动态联络矩阵),此矩阵元素为,其含义表示由路网节点i到节点j,所需的行驶时间。的计算方法是
[0021] tij = + CCltiji ( I )
[0022] 其中,Q1^a2为所设定的权重系数,且a 2 = 1,a p a 2均为正数Jijl与tiJ2分别代表从节点i到节点j的实时行驶时间,以及历史行驶时间。tul通过如下公式计算:
[0023] tip= ~ (2)
[0024] 其中,Sij表示节点i到节点j的距离长度,Vij则表示基于格林伯(Greenberg)交通流算法,所计算得到的节点i与节点j之间路段的预期行驶速度。有(k\
[0025] Vij — VmiJ ta ~~ ( 3 )
Kfc J
[0026] 在上式中,vmiJ为节点i与节点j之间路段所允许的车辆最大行驶速度,ku为节点i与节点j之间路段的阻塞密度,k为交通流密度。Vmi」、ku和k由交通监控中心提供。对于确定的路段,Vfflij为恒量,k,j表征该路段实时监测得到的堵塞程度,k为单位时间内该路段横断面通过的车辆数目。由此可见公式(2)中的tul代表根据实时交通监控信息,所计算得到的由节点i到节点j的时间。
[0027] 另一方面,公式(I)中的tU2则表示根据以往长期交通调查,所得知的由节点i到节点j需要的时间,其可从交通监控中心的信息库中直接提取调用。公式(I)通过同时结合道路的实时信息与历史信息并各取一定权重的办法,使获取的路网状况更为可靠。
·[0028] 至此,描述交通网络状态的动态联络矩阵建立完毕。
[0029]求解最优路径进行车辆导航
[0030] 本步骤中,采用改进的“蚁群算法”计算每辆车的最优(最短时间)路径,从而进行交通导航。
[0031] “蚁群算法”是一种已有成熟算法,可被用来求解网络中从某节点至另一节点的最优路径问题,发明人在这里应用改进的“蚁群算法”,求解得出网络中每辆车的最短时间路径,得以实现交通导航。
[0032] “蚁群算法”中有一个关键参数称为信息素浓度矩阵T u,其为一 N阶二维方阵,N代表网络节点数目。T ^标明的意义是算法在寻找最优路径时,是否倾向于选择节点i到节点j的这条路径,T ^值越大越倾向于选择,T ^值越小则算法倾向于选择其他道路。
[0033] 由于现有“蚁群算法”寻找的是从某起点至某终点的最短网络路径,但是在交通网络中存在多辆车之间的相互影响问题,发明人在此做出改动使“蚁群算法”可被用来处理交通网络中存在大量车辆的问题。
[0034] “蚁群算法”中,在网络中寻找从某节点至另节点的最优路径前,T u首先全被设定为0,但在交通网络中,由于存在上述多车影响问题,为此对现有算法进行如下改动:在针对某车计算最优路径之前,T ,J矩阵各元素并不被统一初始化为0,而是被设置为
( I ^
[0035] Tm =夂=p % - —~ Qij (4)
\ J
[0036] 其中T _代表在针对某车应用“蚁群算法”计算最短路径之前,信息素浓度矩阵元素Tij所被设定的初始值;bu表示本辆车所用的信息素浓度矩阵元素初始值;bi/表示上一辆车所用的信息素浓度矩阵元素初始值。
[0037] Bij则表示前一辆车的信息素浓度残留值。一在前一辆车应用“蚁群算法”,求解得出最优路径时,在计算最终结束时会得到一个信息素浓度矩阵T u,对除了其最终所选定路径上的T u,将其余T ..值全部置0,相应矩阵即为式(4)中au矩阵各元素值。
[0038] Ncmax为“蚁群算法”中所设定的蚂蚁尝试次数,为一固定常量,在式(4)中起到对au进行归一化的作用。
[0039] 参数p为信息素浓度挥发系数,为大于0小于I常数。
[0040] 式(4)的作用是通过设定信息素浓度矩阵初始值T _,使得在网络中进行车辆导航时能够考虑到车辆间的相互影响问题。[0041] 有益效果
[0042] (I)本发明基于车联网技术,能够获得确定的、实时的OD信息,较以往算法中估计的OD信息能够更为准确地反映车辆和道路的关系,消除了反复计算以满足精度要求的延迟,达到了提高获取OD信息准确性的目的。
[0043] (2)本发明所提供的方法在使用车联网系统获取OD信息的过程中仅需利用现有的3G网络,不需新建专门的交通信息交换网络,也不需多普勒探测感应器和无线传感器等,有效地降低了成本。
[0044] (3)本发明在交通监控中心设置动态联络矩阵,即行程时间数据库,交通监控中心可根据确定的OD信息和行程时间数据库中的动态行程时间求解车辆运行的最优路径,对路网中所有运行车辆实施导航,使行驶中的车辆能够及时响应突发情况,达到提高导航的精确程度和车辆运行效率的目的。
[0045] (4)本发明中,应用改进的“蚁群算法”求解路网系统中多车的最优路径,解决了多辆车之间的相互干扰问题。
附图说明
[0046] 图I为本发明所提供的确定OD信息的流程图;
[0047] 图2为本发明所提供的方法的流程图。
具体实施方式
[0048] 本发明的具体实施过程包括如下3个方面:
[0049] ①获取车辆的起始-终止信息(0D信息);
[0050] ②建立动态联络矩阵;
[0051] ③求解每辆车的最优路径,实施交通导航。
[0052]①
[0053] 下面首先结合如图I中所示流程,说明OD信息的获取。
[0054] 路网中车辆启动时,其车载GPS系统自动获取初始位置信息,通过3G无线通讯网络将信息发至交通监控中心。由于常见的车载GPS系统在确定车辆初始位置时是基于NMEAO183协议的,其得到的初始位置信息是在WGS-84坐标系下的信息,我国的电子地图普遍使用的是BJ-54坐标系,因此当车辆初始位置信息被发送至交通监控中心之后,需对其进行坐标转换和地图匹配的处理。交通监控中心通过采用平面四参数法对初始位置信息进行转换,再利用Kalman滤波的地图匹配方法进行匹配,能够获取该车联网系统中该车辆的起点位置信息。
[0055] 另方面,车辆启动后,驾驶员在出发前通过车载GPS系统输入本次行程的目的地位置信息,车载GPS系统随后以无线通讯的手段将该目的地位置信息发送至交通监控中心,从而得到车联网系统中该车辆的终点位置信息。对于终点位置信息,驾驶员输入的目的地位置信息已是在BJ-54坐标系下,交通监控中心对其进行Kalman滤波的地图匹配处理即可得到该车联网系统中该车辆的终点位置信息。
[0056] ②
[0057] 建立动态联络矩阵,即行程时间数据库。[0058] 假设所考虑的交通网络的节点数目为N个,则建立一 N阶二维方阵(动态联络矩阵),此矩阵元素为,其含义表示由路网节点i到节点j所需的行驶时间。的计算方
法是
[0059]
Figure CN102708698AD00071
[0060] 其中,a p a 2为所设定的权重系数,且a彳a 2 = I,a ^ a 2均为正数;tul与tij2分别代表从节点i到节点j的实时行驶时间,以及历史行驶时间。tul通过如下公式计算:
[0061]
Figure CN102708698AD00072
[0062] 其中,Sij表示节点i到节点j的距离长度,by则表示基于格林伯(Greenberg)交通流算法,所计算得到的节点i与节点j之间路段的预期行驶速度。有
[0063]
Figure CN102708698AD00073
[0064] 在上式中,Vmij为节点i与节点j之间路段所允许的车辆最大行驶速度,ku为节点i与节点j之间路段的阻塞密度,k为交通流密度。Vmi」、ku和k由交通监控中心提供。对于确定的路段,Vfflij为恒量,k,j表征该路段实时监测得到的堵塞程度,k为单位时间内该路段横断面通过的车辆数目。
[0065] 另一方面,上面公式(5)中的tij2则表示根据以往长期历史经验,所得知的由节点i到节点j需要的时间,其可从交通监控中心的信息库中直接提取调用。
[0066] ③
[0067] 求解每辆车的最优路径,并实施交通导航。
[0068] 其中,最优路径的计算方法使用改进的蚁群算法,所谓“蚁群算法”,最初在上世纪90年代由意大利学者提出,用来求解网络中的最优路径问题,后经不断演变与发展。
[0069] 交通监控中心按照车辆被纳入至路网系统的先后次序,通过改进的“蚁群算法”计算出各车的最优路径,车载GPS系统根据交通监控中心解得的最优路径,利用地图匹配算法将该最优路径与数字地图库进行匹配,最终将最优路径显示在车载GPS系统的显示屏上,进行实时车辆导航。
[0070] 下面首先对第I辆车进行路径优化计算。将其信息素浓度矩阵初始值T iJ0统一设定为0,随后应用“蚁群算法”步骤如下:
[0071] (I)初始化:设定循环次数Ncmax= 100;对信息素浓度矩阵Tu进行初始化,令
T =T
L Ij L IjO0
[0072] (2)将一只蚂蚁置于路网中的起始节点,并选择走到邻近的其他节点。选择的方法是,首先计算如下转换概率
[0073]
Figure CN102708698AD00074
[0074] 其中,i表示蚂蚁当前所在节点;allowedk表示蚂蚁k当前能选择的节点的集合;Hij为启发信息,与动态联络矩阵的有关,%=z,,为固定常量;a,^表征信息素浓度和启发信息对蚂蚁决策的影响,a,^为常数。[0075] 根据上述转换概率并依照赌轮法,确定下一步节点。
[0076] (3)在新节点上按同样方法进行下一步的选择,如此重复直至蚂蚁抵达所设定终点。
[0077] (4)通过下式对所有路径上的信息素浓度T u进行更新:
[0078] T ^new = p TA T
[0079] 其中T 代表更新后的信息素浓度值;T u代表原值;p表示信息素挥发系数;A T ij表示信息素浓度增量,对曾走过的路径A T ijZQ/t,对没走的路径A T Jj = 0 ;其中Q为比例常数;t为从出发点至终止点的路径总长度。
[0080] (5)判断循环次数是否达到N。.的值,若已达到则结束,若未达到则返回上述(2)。
[0081] 通过选择出上述N。.次尝试中,由起点至终点总距离最短的那条路径,即可得到本车的优化网络路径。
[0082] 下面计算第2辆车的路径。首先,式(4)中的全部为0,因为代表的是前一辆车(上述第I辆车)所应用的信息素浓度矩阵各元素初始值。au则为上面第I辆车所走最优路径上的信息素浓度残留值。由于在式(4)括号中第2项前的符号为减号,这表明对于第2辆车,在第I辆车所走过路径上的信息素浓度值在初始时为负,其表明的意义是使第2辆车倾向于选择其他网络路径。在信息素浓度矩阵初始化完毕以后,应用“蚁群算法”求解此第2辆车的最优路径,“蚁群算法”的步骤与之前的(I)〜(5)相同。
[0083] 对第3辆车,基本情形与第2辆车大致相同,除了式(4)中的,此时的已不全为0—表示上一辆车所用的信息素浓度初始值,即第2辆车所用的信息素浓度初始值。信息素浓度矩阵初始化完毕后,应用“蚁群算法”求解最优路径,其中“蚁群算法”步骤与上面(I)〜(5)相同。
[0084] 对于第4辆车及其后的所有车辆,最优路径计算方法均照此类推。由此,通过改进的“蚁群算法”,可以计算路网系统中的多车路径优化问题。
[0085] 综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (4)

1. 一种基于车联网的车辆最优路径导航方法,其特征在于,包括: ①获取路网内所有车辆确定的、实时的起始-终止信息,此信息由一个规模为NXN的二维矩阵表示,N为网络节点数目,这个矩阵反映了网络中每辆车的起始点和终止点位置; ②建立动态联络矩阵,此矩阵为一 NXN 二维矩阵,表达的是整个路网的连接状况; ③在上述两方面信息基础之上,应用改进的“蚁群算法”,对网络中的每辆车计算最优路径,并进行车辆导航。
2.如权利要求I所述的一种基于车联网的车辆最优路径导航方法,其特征在于,针对车联网系统覆盖的路网内的所有车辆,每一车辆启动时其车载GPS系统自动获取初始位置信息,且出发前向其车载GPS系统输入终点位置信息,交通监控中心根据所述起点位置信息和所述终点位置信息,经处理得到针对车联网系统覆盖的路网内的所有车辆确定的、实时的起始-终止信息。
3.如权利要求I所述的一种基于车联网的车辆最优路径导航方法,其特征在于,所述动态联络矩阵的元素值为4 = CCiIin + WiUn ,其中tul与tij2分别代表从交通监控中心获取的实时行程时间与历史行程时间,\和Ci2为时间权重系数,i和j代表所述路网的不同 节点;其中f
Figure CN102708698AC00021
Sij表示节点i到节点j的距离长度,v
Figure CN102708698AC00022
为在最大交通 量时节点i和节点j之间所允许的最大行驶速度,k,j为i和j之间的阻塞密度,k为交通流密度。
4.如权利要求I所述的一种基于车联网的车辆最优路径导航方法,其特征在于,采用改进的“蚁群算法”求解路网内车辆最优路径;按如下公式设定“蚁群算法”中信息素浓度矩阵初始值:
Figure CN102708698AC00023
其中T iJQ表示在应用“蚁群算法”计算某车辆的最优路径之前,“蚁群算法”中的信息素浓度矩阵元素T u所被设定的初始值;bu表示本辆车所用的信息素浓度矩阵元素初始值;bi/表示上辆车所用的信息素浓度矩阵元素初始值;au表示前一辆车的信息素浓度残留值;N。.为“蚁群算法”中所设定的蚂蚁尝试次数;参数P为信息素浓度挥发系数,为“蚁群算法”中设定的大于O小于I常数。
CN201210193251.7A 2012-06-12 2012-06-12 基于车联网的车辆最优路径导航方法 Expired - Fee Related CN102708698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210193251.7A CN102708698B (zh) 2012-06-12 2012-06-12 基于车联网的车辆最优路径导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210193251.7A CN102708698B (zh) 2012-06-12 2012-06-12 基于车联网的车辆最优路径导航方法

Publications (2)

Publication Number Publication Date
CN102708698A true CN102708698A (zh) 2012-10-03
CN102708698B CN102708698B (zh) 2014-07-02

Family

ID=46901410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210193251.7A Expired - Fee Related CN102708698B (zh) 2012-06-12 2012-06-12 基于车联网的车辆最优路径导航方法

Country Status (1)

Country Link
CN (1) CN102708698B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839105A (zh) * 2014-03-10 2014-06-04 北京航空航天大学 行程推荐方法和装置
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104464320A (zh) * 2014-12-15 2015-03-25 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法
CN105679037A (zh) * 2016-03-29 2016-06-15 重庆云途交通科技有限公司 一种基于用户出行习惯的动态路径规划方法
CN105763451A (zh) * 2016-04-28 2016-07-13 南阳理工学院 一种车联网中基于蚁群算法的QoS容错路由选择方法
CN105810001A (zh) * 2016-05-19 2016-07-27 东华大学 一种基于车载自组网的实时动态路径规划方法
CN105872959A (zh) * 2016-05-12 2016-08-17 西安电子科技大学 基于移动自适应聚类的城市道路状况自动感知方法
CN106682739A (zh) * 2015-11-11 2017-05-17 深圳市沃特玛电池有限公司 汽车后台服务器的故障诊断方法及系统
CN106709591A (zh) * 2016-08-11 2017-05-24 淮阴工学院 一种车联网环境下不确定需求的协同拼车路线选择方法
CN107218948A (zh) * 2016-03-21 2017-09-29 福特全球技术公司 用于预测路径属性和驾驶历史的融合的系统、方法和装置
CN107341961A (zh) * 2017-07-24 2017-11-10 清华大学深圳研究生院 基于信息素反馈的路径诱导方法以及计算机可读存储介质
CN107588779A (zh) * 2016-07-06 2018-01-16 中国第汽车股份有限公司 一种基于任意两节点间行程时间的车辆智能导航方法
CN107885198A (zh) * 2017-09-25 2018-04-06 湖南大学 Agv调度方法
CN111127933A (zh) * 2019-01-29 2020-05-08 段乐 一种代替红绿灯的路口交通指挥系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017609A (zh) * 2007-02-07 2007-08-15 浙江工业大学 城市交通行程时间智能化分析系统
JP4013638B2 (ja) * 2002-05-10 2007-11-28 株式会社日立製作所 交通流シミュレータの経路情報編集装置及び方法
JP4038970B2 (ja) * 2000-08-01 2008-01-30 住友電気工業株式会社 リンク発生交通量算出方法及びod交通量の推定方法並びに装置
CN101504795A (zh) * 2008-11-03 2009-08-12 天津理工大学 应用于立体车库车位调度的dsp控制系统的工作方法
CN102013159A (zh) * 2010-10-26 2011-04-13 隋亚刚 基于高清视频检测数据的区域动态od矩阵获取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4038970B2 (ja) * 2000-08-01 2008-01-30 住友電気工業株式会社 リンク発生交通量算出方法及びod交通量の推定方法並びに装置
JP4013638B2 (ja) * 2002-05-10 2007-11-28 株式会社日立製作所 交通流シミュレータの経路情報編集装置及び方法
CN101017609A (zh) * 2007-02-07 2007-08-15 浙江工业大学 城市交通行程时间智能化分析系统
CN101504795A (zh) * 2008-11-03 2009-08-12 天津理工大学 应用于立体车库车位调度的dsp控制系统的工作方法
CN102013159A (zh) * 2010-10-26 2011-04-13 隋亚刚 基于高清视频检测数据的区域动态od矩阵获取方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839105A (zh) * 2014-03-10 2014-06-04 北京航空航天大学 行程推荐方法和装置
CN103839105B (zh) * 2014-03-10 2016-09-21 北京航空航天大学 行程推荐方法和装置
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN103971530B (zh) * 2014-05-27 2016-01-20 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104464320B (zh) * 2014-12-15 2016-09-07 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法
CN104464320A (zh) * 2014-12-15 2015-03-25 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法
CN106682739A (zh) * 2015-11-11 2017-05-17 深圳市沃特玛电池有限公司 汽车后台服务器的故障诊断方法及系统
CN107218948A (zh) * 2016-03-21 2017-09-29 福特全球技术公司 用于预测路径属性和驾驶历史的融合的系统、方法和装置
CN105679037A (zh) * 2016-03-29 2016-06-15 重庆云途交通科技有限公司 一种基于用户出行习惯的动态路径规划方法
CN105679037B (zh) * 2016-03-29 2019-03-08 招商局重庆交通科研设计院有限公司 一种基于用户出行习惯的动态路径规划方法
CN105763451A (zh) * 2016-04-28 2016-07-13 南阳理工学院 一种车联网中基于蚁群算法的QoS容错路由选择方法
CN105872959A (zh) * 2016-05-12 2016-08-17 西安电子科技大学 基于移动自适应聚类的城市道路状况自动感知方法
CN105810001A (zh) * 2016-05-19 2016-07-27 东华大学 一种基于车载自组网的实时动态路径规划方法
CN105810001B (zh) * 2016-05-19 2018-06-26 东华大学 一种基于车载自组网的实时动态路径规划方法
CN107588779A (zh) * 2016-07-06 2018-01-16 中国第汽车股份有限公司 一种基于任意两节点间行程时间的车辆智能导航方法
CN107588779B (zh) * 2016-07-06 2021-03-05 中国第一汽车股份有限公司 一种基于任意两节点间行程时间的车辆智能导航方法
CN106709591A (zh) * 2016-08-11 2017-05-24 淮阴工学院 一种车联网环境下不确定需求的协同拼车路线选择方法
CN107341961A (zh) * 2017-07-24 2017-11-10 清华大学深圳研究生院 基于信息素反馈的路径诱导方法以及计算机可读存储介质
CN107341961B (zh) * 2017-07-24 2019-08-30 清华大学深圳研究生院 基于信息素反馈的路径诱导方法以及计算机可读存储介质
CN107885198A (zh) * 2017-09-25 2018-04-06 湖南大学 Agv调度方法
CN111127933A (zh) * 2019-01-29 2020-05-08 段乐 一种代替红绿灯的路口交通指挥系统

Also Published As

Publication number Publication date
CN102708698B (zh) 2014-07-02

Similar Documents

Publication Publication Date Title
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN103278168B (zh) 一种面向交通热点规避的路径规划方法
CN103364002B (zh) 结合实时路况及公共交通运营信息的路线规划系统和方法
CN104121918A (zh) 一种实时路径规划的方法和系统
CN103646560B (zh) 出租车行车轨迹经验知识路径的提取方法
CN103295414A (zh) 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN105513395A (zh) 一种基于车辆目的地预测的智能信息推送系统和方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
CN103177561B (zh) 公交实时路况的生成方法
CN104574967A (zh) 一种基于北斗的城市大面积路网交通感知方法
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
CN105718750A (zh) 一种车辆行驶轨迹的预测方法及系统
CN104464310A (zh) 城市区域多交叉口信号协同优化控制方法及系统
CN103745089A (zh) 一种多维公共交通运行指数评价方法
CN104680829B (zh) 基于多用户协同的公交车辆到站时间预测系统及方法
CN106971535B (zh) 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台
CN103903468A (zh) 道路拥堵时间预警方法及装置
CN104575050A (zh) 一种基于浮动车的快速路匝道智能诱导方法及装置
CN105006147A (zh) 一种基于道路时空关联关系的路段行程时间推断方法
CN104596534B (zh) 一种计算最优行车路径的方法
CN106017496A (zh) 一种基于路况的实时导航方法
CN103226020A (zh) 导航系统、服务器装置及导航装置
CN104575085A (zh) 一种基于浮动车的公交车到站动态诱导方法及装置
CN109544967A (zh) 一种基于低频avl数据的公交线网运行状态监控方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140702

Termination date: 20170612

CF01 Termination of patent right due to non-payment of annual fee