CN103646561B - 基于道路异常区域评估的路径选择方法及系统 - Google Patents

Abstract

本发明提出了一种基于道路异常区域评估的路径选择方法及系统，该方法包括如下步骤：初始化交通道路模型数据存储模块；车辆内部的物理传感器采集车辆行驶数据传输给最近的交通道路信息采集模块，交通道路信息采集模块对数据过滤、融合成当前路段HSP信息数据；每隔一个时间段，所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器；处理模块分别计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据并更新至交通道路模型数据存储模块；车辆更新下载交通道路模型数据后最优路径选择模块计算出最优路径。本发明能够提高路径选择效率，对交通网络来说，能很好地缓解交通运输压力，更好地分配交通道路资源，提高交通运输能力。

Description

基于道路异常区域评估的路径选择方法及系统

技术领域

本发明涉及智能交通控制领域，具体涉及一种基于道路异常区域评估的路径选择方法及系统。

背景技术

现在交通流动量巨大，网络复杂，驾驶路径选择多种多样，且每种路径的安全性和可靠行亦不尽相同。同时，车辆已经从单纯的物理系统发展为一个包含多种电子元件和控制系统的较为复杂的信息物理系统(CPS，CyberPhysicalSystem)。CPS采用云平台实现流量控制和系统管理，能够有效的处理海量数据，以此来提高其自身性能和安全性。伴随着交通云基础设施的建设，车载的导航系统在帮助驾驶员选择最佳路径时便可以将交通实时信息考虑在内。

在众多的路径选择算法中，最基本的路径选择算法是Dijkstra算法。Dijkstart算法是一种曲线图的搜索算法，解决了非负边缘路径开销中曲线图的单源最短路径问题，可以产生最短路径树，也可用于寻找从一个顶点到单一目的地的最短路径。在过去十年中，许多研究者对Dijkstra路径选择算法的行了大量的研究工作。例如，毕军等在《一种适于车辆导航系统的快速路径规划算法》中提出了两个节点之间的最短路径的快速路径规划算法，该算法利用双向和投影角度最小角度的方法，可以大大减少寻求空间和增加的寻道速度。为了降低计算复杂度，尹超在《开发的Dijkstra最短路径搜索算法和模拟》中提出了一个改进的Dijkstra最短路径搜索算法，考虑到不同类型的权重和设定的优先目标搜索区域，减少了大量无意义的操作。

M.Alivand在《NewMethodforFindingOptimalPathinDynamicNetworks》中将寻找最优路径定义为“如何从网络中的一个或多个位置到其他位置的多条路经中，确定最佳的路径”，并指出在寻找最优路径的许多研究中，时间被认为是静态参数，导致在不同时间的路径选择问题上却获得相似的解决方案。

但是A.M.Riad在《RealTimeRouteforDynamicRoadCongestions》中指出拥堵的交通运输网络不断变化，所有的网络位置上的各个链接权重不断变化，因此车辆通过时间亦在不断改变。其中，道路交通条件和产生拥堵的道路热点对交通时间有重要影响，一般情况下，高效率的路径选择应将其考虑在内。在两个方面会产生道路热点，一个是道路交通高流量的结果，称为正常热点(normalhotspot，NHSP)；另一个则是道路交通事故造成的热点，称为异常热点(abnormalhotspot，AHSP)。已有的路径选择方法缺乏对实时路况的考量，当用户想要在动态的网络中选择以最少时间到达目的地时，往往会出现规划偏差，难以发现最优路径。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于关键区域的良好驾驶技术参数获取方法及系统，本发明能够提高路径选择效率，对交通网络来说，能很好地缓解交通运输压力，更好地分配交通道路资源，提高交通运输能力。

为了实现本发明的上述目的，根据本发明的一个方面，本发明提供了一种基于道路异常区域评估的路径选择方法，包括如下步骤：

S1，初始化HSP(hotspot，热点)处理器的交通道路模型数据存储模块；

S2，判断是否结束操作，若需要结束，则直接结束退出，否则执行步骤S3；

S3，信息采集，道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据；

S4，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器，HSP处理器通过HSP信息数据汇集模块汇集并存储上传的路段HSP信息数据；

S5，HSP处理器的处理模块分别评估计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据；

S6，判断HSP处理器的交通道路模型数据存储模块中是否有数据，若没有数据，则直接将步骤S5生成的交通道路模型数据更新至数据存储模块中作为初始化数据；若数据存储模块中已有数据，则判断步骤S5生成的交通道路模型数据中是否含有新的HSP信息，若有，则将步骤S5生成的交通道路模型数据更新至交通道路模型数据存储模块中，否则返回步骤S2；

S7，在交通道路模型数据存储模块中的数据更新后，HSP处理器通知道路上的车辆交通道路模型数据存储模块中有新的HSP信息，提示道路上车辆更新下载交通道路模型数据；

S8，道路上的车辆下载交通道路模型数据并更新存储于车辆存储模块，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。

在本发明的一种优选实施方式中，在所述步骤S3中，车辆内部的物理传感器采集车辆的行驶数据包括车辆ID、车辆位置数据包生成时间、车辆位置、紧急状况信息以及当前交通实时信息。

在本发明的一种优选实施方式中，步骤S5中计算每一个HSP对当前各自路段产生的阻抗的方法为：

S51，定位AHSP和NHSP的路径位置；

S52，计算AHSP的路径长度L_Aregion及L_Aregion随时间的变化量△L_Aregion:

$L_{Aregion}=\sqrt{{({\mathrm{La}}_1-{\mathrm{La}}_2)}^2+{({\mathrm{Lo}}_1-{\mathrm{Lo}}_2)}^2}$

其中，距离AV最近的点P_start的坐标为(Lo₁，La₁)，距离AV最远的点P_end的坐标为(Lo₂，La₂)，

L_Aregion是随时间变化的参数，其变化量由路段上此区域车辆的流入率flow_out和流出率flow_in决定，L_Aregion的变化量△L_Aregion有如下三种状态:

定义△L_Aregion的值如下：

$\begin{array}{c}{\mathrm{\ΔL}}_{Aregion}=L_{Aregion}\left(t+1\right)-L_{Aregion}\left(t\right)\\ =L_{Aregion}\left(T\right)\[k^{\left({\mathrm{flow}}_{out}-{\mathrm{flow}}_{in}\right)}-1\],\end{array}$

其中，t为采样时刻；

S53，计算AHSP残留损伤程度t_rAHSP，

$t_{rAHSP}={\mathrm{\ρ}}_v\underset{i}{\overset{n}{\Σ}}{w}_i{t}_{\mathrm{int}i};$

其中，t_inti是AV损伤等级，n是考虑区域内的AV数，ρ_v是此路段路的车辆密度，w_i是由不同的AV决定的权重因子；

S54，计算AHSP释放时间t_release，

$t_{release}\left(t\right)=t_{rAHSP}{e}^{-t/k_{rm}};$

其中，t_rAHSP是AHSP残留损伤程度，K_rm是恢复常数；

S55，计算行车通过时延，

$f_{delay}\left(region\right)=\frac{f_{social}{f}_{weather}{t}_{release}}{f\left(L_{Aregion}\right)},$

其中，f_weather是该地区的天气因素因子，f_social是该地区的社会因素，f(L_Aregion)是AHSP长度因子，所述AHSP长度因子由事故车辆的价值总额和路段残余交通量决定，

AHSP长度因子f(L_Aregion)计算公式如下：

$f\left(L_{Aregion}\right)={k_L}^{{\mathrm{\ΔL}}_{Aregion}};$

其中，K_L是该地区的长度系数；

S56，确定所有候选路径的阻抗，对于一个给定的路段i，其阻抗表示为：

$R_i=<L_i,{\mathrm{IF}}_{{\mathrm{NHSP}}_i},{\mathrm{IF}}_{{\mathrm{AHSP}}_i}>,$

其中，和分别是NHSP和AHSP对考量路段的影响因子，L_i是路段的长度。

在本发明的一种优选实施方式中，步骤S56中，将AHSP对路段i的影响因子表示为：

${\mathrm{IF}}_{AHSP}=\left\{\begin{array}{c}{f}_{delay}\left(AHSP\right)-\frac{d}{v},f_{delay}>\frac{d}{v}\\ 0,else\end{array}\right.,$

其中，d是按原始选择的路径行驶计算出的当前车辆交通道路信息采集模块到AHSP车辆之间的距离，v是一般情况下车辆的行驶速度；

将NHSP对路段i的影响因子表示为：

${\mathrm{IF}}_{NHSP}=\frac{kc}{vm};$

其中，k是由该路段路段重要性所决定的恒定参数，v表示此路段上车辆的平均行驶速度，m表示该路段上车道的数量，c是一天中车辆在不同路段的不同时间段上出现NHSP的概率。

路段i的阻抗为：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)。

在本发明的一种优选实施方式中，在步骤S8中，根据Dijkstra算法计算出最优路径的方法为：

S81，判断是否有交通道路模型数据更新提示，若有则更新下载交通道路模型数据并存储于车辆存储模块，否则就继续监听是否有更新提示；

S82，通过车内的物理传感器采集车辆当前的位置信息，以确定车辆所在路段，并计算车辆的平均速度；

S83，判断车辆当前是否已有选择出的路径，若无已选择出的路径，则执行步骤S84，若有已选择出的路径，则执行步骤S85；

S84，进行初次匹配、预估道路上所有AHSP信息：

S84-1，在交通道路模型中，设车辆当前位置为源点，一一匹配出和源点相邻的AHSP，利用Dijkstra算法分别计算出源点到每个AHSP的最短路径；

S84-2，预估前车辆到达AHSP的按照最短路径时的IF_AHSP；

S84-3，过滤掉IF_AHSP＝0的AHSP信息，将剩余AHSP的IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

${\mathrm{IF}}_{AHSP}=f_{delay}\left(AHSP\right)-\frac{d}{v},$

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗；

S85，按已选择出路径行驶预估车辆到达交通事故处的最短路径IF_AHSP，判断IF_AHSP是否为零，若为零就执行步骤S87，否则就将IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

${\mathrm{IF}}_{AHSP}=f_{delay}\left(AHSP\right)-\frac{d}{v},$

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗；

S86，将计算得出路段的阻抗转化为Dijkstra算法中边的权重，计算得出最优路径；

S87，输出当前选择出的最优路径；

S88，判断车辆是否到目的地，若没有到达则返回步骤S81，否则结束该车辆的最优路径选择。

为了实现本发明的上述目的，根据本发明的另一个方面，本发明提供了一种基于道路异常区域评估的路径选择系统，其包括HSP处理器、多个交通道路信息采集模块和每台车辆上安装的一个车辆处理器；道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据；所述HSP处理器包括路段HSP信息数据汇集模块、处理模块和交通道路模型数据存储模块，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器并汇集于路段HSP信息数据汇集模块，处理模块分别计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据，所述交通道路模型数据存储模块用于存储交通道路模型数据；所述车辆处理器包括车辆存储模块和最优路径选择模块，所述车辆存储模块用于接收并存储交通道路模型数据，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。

本发明将表现异常的路段(如车行缓慢，发生道路交通事故等)标定为道路异常区域，基于这些道路异常区域，利用先进的交通道路信息采集模块采集汇集当前的交通状态数据，并上传至HSP处理器；HSP处理器位HSP路段的位置且评估道路上的HSP影响，最终形成路段阻抗，并同时将新的HSP信息数据更新至交通道路模型数据库；车辆接收数据库中更新的交通数据，根据车辆当前的位置信息和平均速度预估出当前交通道路实时的路段阻抗，在Dijkstra路径选择中将此路段阻抗转化为算法中路径的权重，从而计算出车辆当前的最优路径。

本发明把当前交通道路中车流量统计和交通事故对道路的影响因素考虑在车辆的路径选择中，而且这些数据的更新都实时的，提高了路径选择效率，对交通网络来说，能很好的缓解交通运输压力，更好地分配交通道路资源，提高交通运输能力。

本发明能够在关键区域为驾驶员提供实时驾驶数据参考建议，提高驾驶技术，降低油耗，提高舒适度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明基于道路异常区域评估的路径选择方法的流程图；

图2是本发明一个优选实施方式中不同时段的整体交通事故数分布图；

图3是本发明基一种优选实施方式中计算最优路径的方法流程图；

图4是本发明基于道路异常区域评估的路径选择系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种基于道路异常区域评估的路径选择方法，如图1所示，包括如下步骤：

S1，初始化HSP处理器的交通道路模型数据存储模块，清空交通道路模型数据存储模块中存储的交通道路模型数据，为上传更新数据做好准备。

S2，判断是否结束操作，若需要结束，则直接结束退出，否则执行步骤S3；在本实施方式中，结束操作的条件可以根据具体情况确定。

S3，信息采集，道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据。

S4，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器，HSP处理器通过HSP信息数据汇集模块汇集并存储上传的路段HSP信息数据。

S5，HSP处理器的处理模块分别评估出HSP对当前各自路段产生的阻抗影响，分别计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据。

S6，判断HSP处理器的交通道路模型数据存储模块中是否有数据，若没有数据，则直接将步骤S5生成的交通道路模型数据更新至数据存储模块中作为初始化数据；若数据存储模块中已有数据，则判断步骤S5生成的交通道路模型数据中是否含有新的HSP信息，若有，则将步骤S5生成的交通道路模型数据更新至交通道路模型数据存储模块中，否则返回步骤S2；

S7，在交通道路模型数据存储模块中的数据更新后，HSP处理器通知道路上的车辆交通道路模型数据存储模块中有新的HSP信息，提示道路上车辆更新下载交通道路模型数据；在本实施方式中，HSP处理器可以以广播方式告知道路上的车辆数据库中有新的HSP信息，提示道路上车辆更新下载模型数据。若数据库中有2个及2个以上的新HSP信息，HSP处理器每隔时间t1，以串行的方式广播新HSP信息，提示道路上车辆依次更新下载新HSP模型数据，在本实施方式中，t1为1s。

S8，道路上的车辆下载交通道路模型数据并更新存储于车辆存储模块，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。

在本实施方式中，车辆内部的物理传感器采集车辆的行驶数据，通过交通道路信息采集模块获取到信源的信息，包括车辆ID、车辆位置数据包生成时间、车辆位置、紧急状况信息等物理数据，和当前交通实时信息，比如NHSP、AHSP状态信息等，并每隔一个时间段将数据传输至HSP处理器。在本实施方式中，车辆位置即车辆所处的经纬度，通过GPS(GlobalPositioningSystem，全球定位系统)设备测量得到。

在本实施方式中，步骤S5中计算每一个HSP对当前各自路段产生的阻抗的方法为：

S51，定位AHSP和NHSP的路径位置，HSP处理器分析处理获得的交通道路信息采集模块采集的信息，根据其中的车辆位置信息判断AHSP和NHSP所在的路径。

S52，计算AHSP的路径长度L_Aregion及L_Aregion随时间的变化量△L_Aregion:

$L_{Aregion}=\sqrt{{({\mathrm{La}}_1-{\mathrm{La}}_2)}^2+{({\mathrm{Lo}}_1-{\mathrm{Lo}}_2)}^2}$

其中，距离AV最近的点Pstart的坐标为(Lo1，La₁)，距离AV最远的点Pend的坐标为(Lo₂，La₂)，

L_Aregion是随时间变化的参数，其变化量由路段上此区域车辆的流入率flow_out和流出率flow_in决定，L_Aregion的变化量△L_Aregion有如下三种状态:

定义△L_Aregion的值如下：

$\begin{array}{c}{\mathrm{\&Delta;L}}_{Aregion}=L_{Aregion}\left(t+1\right)-L_{Aregion}\left(t\right)\\ =L_{Aregion}\left(t\right)\&lsqb;k^{\left({\mathrm{flow}}_{out}-{\mathrm{flow}}_{in}\right)}-1\&rsqb;,\end{array}$

其中，t为采样时刻；

S53，计算AHSP残留损伤程度t_rAHSP，

$t_{rAHSP}={\mathrm{\&rho;}}_v\underset{i}{\overset{n}{\&Sigma;}}{w}_i{t}_{\mathrm{int}i};$

其中，t_inti是AV损伤等级，n是考虑区域内的AV数，ρ_v是此路段路的车辆密度，w_i是由不同的AV决定的权重因子，根据AV严重程度确定，w_i的取值范围在0～100，在本发明的一个更加优选的实施方式中，轻微AV取wi＝1，普通AV取wi＝50，严重AV取wi＝100。

S54，计算AHSP释放时间t_release，

$t_{release}\left(t\right)=t_{rAHSP}{e}^{-t/k_{rm}};$

其中，t_rAHSP是AHSP残留损伤程度，K_rm是恢复常数，根据AV严重程度确定，K_rm的取值范围在0～100，在本发明的一个更加优选的实施方式中，轻微AV取K_rm＝1，普通AV取K_rm＝50，严重AV取K_rm＝100；

在本实施方式中，AV严重程度也根据本领域中通用的判断标准。

S55，计算行车通过时延，

$f_{delay}\left(region\right)=\frac{f_{social}{f}_{weather}{t}_{release}}{f\left(L_{Aregion}\right)},$

其中，f_weather是该地区的天气因素因子，其对事故的发生频率的处理速度有很重的影响，fsocial是该地区的社会因素，与该地区人的素质，年龄，和健康的状态等有关，f(L_Aregion)是AHSP长度因子，所述AHSP长度因子由事故车辆的价值总额和路段残余交通量决定，

AHSP长度因子f(L_Aregion)计算公式如下：

$f\left(L_{Aregion}\right)={k_L}^{{\mathrm{\&Delta;L}}_{Aregion}};$

其中，K_L是该地区的长度系数；

S56，确定所有候选路径的阻抗，确定道路阻抗大小需要路段质量的准确信息，路段质量受许多因素影响，如路段长度，道路状况，HSP和天气条件等。所有这些因素都可以被转移到路径的阻抗上去而被考虑在最优化路径的选择中。因此，问题解决的关键点是如何获取所有候选路径的阻抗。

在本实施方式中，对于一个给定的路段i，其阻抗表示为：

$R_i=<L_i,{\mathrm{IF}}_{{\mathrm{NHSP}}_i},{\mathrm{IF}}_{{\mathrm{AHSP}}_i}>,$

其中，和分别是NHSP和AHSP对考量路段的影响因子，L_i是路段的长度。

在本发明的一个优选实施方式中，在路径选择时考虑NHSP和AHPS的影响，以此来提高Dijkstra算法的有效性。考虑到AHSP的影响，加入通过的时间延迟因素f_delay(AHSP)。为了简化问题，我们在这里不讨论社会和天气因素影响，将为f_social和f_weather设定为1。则AHSP的时间延迟因子f_delay(AHSP)表示如下:

$f_{delay}\left(AHSP\right)=\frac{t_{release}}{{k_L}^{{\mathrm{\&Delta;L}}_{Aregion}}}$

在本实施方式中，将AHSP对路段i的影响因子表示为：

${\mathrm{IF}}_{AHSP}=\left\{\begin{array}{c}{f}_{delay}\left(AHSP\right)-\frac{d}{v},f_{delay}>\frac{d}{v}\\ 0,else\end{array}\right.,$

其中，d是按原始选择的路径行驶计算出的当前车辆交通道路信息采集模块到AHSP车辆之间的距离，v是一般情况下车辆的行驶速度；

将NHSP对路段i的影响因子表示为：

${\mathrm{IF}}_{NHSP}=\frac{kc}{vm};$

其中，k是由该路段重要性所决定的恒定参数，v表示此路段上车辆的平均行驶速度，m表示该路段上车道的数量，c是一天中车辆在不同路段的不同时间段上出现NHSP的概率，在本实施方式中，采用2010年美国华盛顿州西雅图市在不同时段的整体交通事故数分布图，如图2所示，根据此图中交通事故数的分布特性，可以从当地的交通信息数据库中统计获得每个路段、每个时段车辆出现NHSP的概率分布数据，即c的数据。

得到路段i的阻抗为：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)。

如果一条路段既没有的NHSP，也没有AHSP时，即IF_NHSP＝0，IF_AHSP＝0，显然其阻抗等于该路段的长度。

如图3所示，在本发明的一种优选实施方式中，在步骤S8中，根据Dijkstra算法计算出最优路径的方法为：

S81，判断是否有交通道路模型数据更新提示，若有则更新下载交通道路模型数据并存储于车辆存储模块，否则就继续监听是否有更新提示。

S82，通过车内的物理传感器采集车辆当前的位置信息，以确定车辆所在路段，并计算车辆的平均速度。具体可以每t2时间段采集车辆的瞬时速度，然后计算算术平均值作为车辆的平均速度，在本实施方式中，t2为1s。

S83，判断车辆当前是否已有选择出的路径，若无已选择出的路径，则执行步骤S84，若有已选择出的路径，则执行步骤S85；

S84，进行初次匹配、预估道路上所有AHSP信息：

S84-1，在交通道路模型中，设车辆当前位置为源点，一一匹配出和源点相邻的AHSP，利用Dijkstra算法分别计算出源点到每个AHSP的最短路径；

S84-2，令当前车辆到达AHSP的按照最短路径是IF_AHSP；

S84-3，过滤掉IF_AHSP＝0的AHSP，将剩余AHSP的IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

${\mathrm{IF}}_{AHSP}=f_{delay}\left(AHSP\right)-\frac{d}{v},$

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗。

在本实施方式中，IF_NHSP短时间内不会改变，对路径选择影响很小，可以忽略，即取IF_NHSP＝0。

S85，按已选择出路径行驶预估车辆到达交通事故处的最短路径IF_AHSP，判断IF_AHSP是否为零，若为零就执行步骤S87，否则就将IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

${\mathrm{IF}}_{AHSP}=f_{delay}\left(AHSP\right)-\frac{d}{v},$

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗。

在本实施方式中，IF_NHSP短时间内不会改变，对路径选择影响很小，可以忽略，即取IF_NHSP＝0。

S86，将计算得出路段的阻抗转化为Dijkstra算法中边的权重，计算得出最优路径；

S87，输出当前选择出的最优路径；

S88，判断车辆是否到目的地，若没有到达则返回步骤S81，否则结束该车辆的最优路径选择。

在本实施方式中，利用Dijkstra算法计算得出最优路径可以采用现有的方法。

本发明提供了一种基于道路异常区域评估的路径选择系统，如图4所示，其包括HSP处理器、多个交通道路信息采集模块和每台车辆上安装的一个车辆处理器。在本实施方式中，假设道路上有m台车辆，具有n个交通道路信息采集模块。

道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据；所述HSP处理器包括路段HSP信息数据汇集模块、处理模块和交通道路模型数据存储模块，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器并汇集于路段HSP信息数据汇集模块，处理模块分别计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据，所述交通道路模型数据存储模块用于存储交通道路模型数据；所述车辆处理器包括车辆存储模块和最优路径选择模块，所述车辆存储模块用于接收并存储交通道路模型数据，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。

在本实施方式中，无线传感器网络中含有许多移动交通道路信息采集模块，这些交通道路信息采集模块作为车辆数据采集点和传输点，不仅能及时可靠地收集驶进其范围内的车辆的数据，还可进行分类。

道路上分布的交通道路信息采集模块将交通道路信息并行上传至HSP处理器，HSP处理器对上传的HSP信息进行定位和评估，将HSP对道路的影响转化为该段道路的阻抗，随后HSP处理器可以结合GIS会产生一个动态的交通道路模型，在更新交通道路模型数据库的同时，HSP处理器会以广播的形式提示道路上车辆下载更新车内模型数据库。道路车辆在收到广播提示后，便会从交通道路模型数据库中更新下载实时的交通道路模型数据，预估新的交通事故对已选择出的路径的影响，根据评估情况判断是否重新计算最优路径。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于道路异常区域评估的路径选择方法，其特征在于，包括如下步骤：

S1，初始化HSP处理器的交通道路模型数据存储模块；

S2，判断是否结束操作，若需要结束，则直接结束退出，否则执行步骤S3；

S3，信息采集，道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据；

S4，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器，HSP处理器通过HSP信息数据汇集模块汇集并存储上传的路段HSP信息数据；

S5，HSP处理器的处理模块分别评估计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据，计算每一个HSP对当前各自路段产生的阻抗的方法为：

S51，定位AHSP和NHSP的路径位置；

S52，计算AHSP的路径长度L_Aregion及L_Aregion随时间的变化量△L_Aregion:

其中，距离AV最近的点P_start的坐标为(Lo₁，La₁)，距离AV最远的点P_end的坐标为(Lo₂，La₂)，

L_Aregion是随时间变化的参数，其变化量由路段上此区域车辆的流入率flow_out和流出率flow_in决定，L_Aregion的变化量△L_Aregion有如下三种状态:

定义△L_Aregion的值如下：

其中，t为采样时刻；

S53，计算AHSP残留损伤程度t_rAHSP，

其中，t_inti是AV损伤等级，n是考虑区域内的AV数，ρ_v是此路段路的车辆密度，w_i是由不同的AV决定的权重因子；

S54，计算AHSP释放时间t_release，

其中，t_rAHSP是AHSP残留损伤程度，K_rm是恢复常数；

S55，计算行车通过时延，

其中，f_weather是该地区的天气因素因子，f_social是该地区的社会因素，f(L_Aregion)是AHSP长度因子，所述AHSP长度因子由事故车辆的价值总额和路段残余交通量决定，

AHSP长度因子f(L_Aregion)计算公式如下：

其中，K_L是该地区的长度系数；

S56，确定所有候选路径的阻抗，对于一个给定的路段i，其阻抗表示为：

其中，和分别是NHSP和AHSP对考量路段的影响因子，L_i是路段的长度；

S6，判断HSP处理器的交通道路模型数据存储模块中是否有数据，若没有数据，则直接将步骤S5生成的交通道路模型数据更新至数据存储模块中作为初始化数据；若数据存储模块中已有数据，则判断步骤S5生成的交通道路模型数据中是否含有新的HSP信息，若有，则将步骤S5生成的交通道路模型数据更新至交通道路模型数据存储模块中，否则返回步骤S2；

S7，在交通道路模型数据存储模块中的数据更新后，HSP处理器通知道路上的车辆交通道路模型数据存储模块中有新的HSP信息，提示道路上车辆更新下载交通道路模型数据；

S8，道路上的车辆下载交通道路模型数据并更新存储于车辆存储模块，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。

2.如权利要求1所述的基于道路异常区域评估的路径选择方法，其特征在于：在所述步骤S3中，车辆内部的物理传感器采集车辆的行驶数据包括车辆ID、车辆位置数据包生成时间、车辆位置、紧急状况信息以及当前交通实时信息。

3.如权利要求1所述的基于道路异常区域评估的路径选择方法，其特征在于：步骤S56中，将AHSP对路段i的影响因子表示为：

其中，d是按原始选择的路径行驶计算出的当前车辆交通道路信息采集模块到AHSP车辆之间的距离，v是一般情况下车辆的行驶速度；

将NHSP对路段i的影响因子表示为：

其中，k是由该路段路段重要性所决定的恒定参数，v表示此路段上车辆的平均行驶速度，m表示该路段上车道的数量，c是一天中车辆在不同路段的不同时间段上出现NHSP的概率，

路段i的阻抗为：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)。

4.如权利要求1所述的基于道路异常区域评估的路径选择方法，其特征在于：在步骤S8中，根据Dijkstra算法计算出最优路径的方法为：

S81，判断是否有交通道路模型数据更新提示，若有则更新下载交通道路模型数据并存储于车辆存储模块，否则就继续监听是否有更新提示；

S82，通过车内的物理传感器采集车辆当前的位置信息，以确定车辆所在路段，并计算车辆的平均速度；

S83，判断车辆当前是否已有选择出的路径，若无已选择出的路径，则执行步骤S84，若有已选择出的路径，则执行步骤S85；

S84，进行初次匹配、预估道路上所有AHSP信息：

S84-1，在交通道路模型中，设车辆当前位置为源点，一一匹配出和源点相邻的AHSP，利用Dijkstra算法分别计算出源点到每个AHSP的最短路径；

S84-2，预估前车辆到达AHSP的按照最短路径时的IF_AHSP；

S84-3，过滤掉IF_AHSP＝0的AHSP信息，将剩余AHSP的IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗；

S85，按已选择出路径行驶预估车辆到达交通事故处的最短路径IF_AHSP，判断IF_AHSP是否为零，若为零就执行步骤S87，否则就将IF_AHSP转化为Dijkstra算法中路段的阻抗，用恢复时间减去估计到达时间表达IF_AHSP，即：

然后根据如下公式：

R_i＝L_i(1+IF_NHSP)(1+IF_AHSP)，

计算出HSP对路段产生的阻抗；

S86，将计算得出路段的阻抗转化为Dijkstra算法中边的权重，计算得出最优路径；

S87，输出当前选择出的最优路径；

S88，判断车辆是否到目的地，若没有到达则返回步骤S81，否则结束该车辆的最优路径选择。

5.一种运行权利要求1所述基于道路异常区域评估的路径选择方法的系统，其特征在于，包括HSP处理器、多个交通道路信息采集模块和每台车辆上安装的一个车辆处理器；

道路上车辆内部的物理传感器采集车辆的行驶数据，经CAN总线汇聚，通过无线网络传输给最近的交通道路信息采集模块，所述交通道路信息采集模块收集驶进其采集范围内的车辆数据，进行数据过滤、融合成当前路段HSP信息数据；

所述HSP处理器包括路段HSP信息数据汇集模块、处理模块和交通道路模型数据存储模块，每隔一个时间段，道路上所有的交通道路信息采集模块将所有路段的HSP信息数据上传至HSP处理器并汇集于路段HSP信息数据汇集模块，处理模块分别计算每一个HSP对当前各自路段产生的阻抗并汇总生成交通道路模型数据，计算每一个HSP对当前各自路段产生的阻抗的方法为权利要求1步骤S5中所述的方法，所述交通道路模型数据存储模块用于存储交通道路模型数据；

所述车辆处理器包括车辆存储模块和最优路径选择模块，所述车辆存储模块用于接收并存储交通道路模型数据，最优路径选择模块根据车辆当前的位置和速度预估出新出现的交通事故对已有路径的影响，从而判断是否要进行重新计算路径，若需要则根据Dijkstra算法计算出最优路径。