CN103971530A - 一种实时路径规划方法 - Google Patents
一种实时路径规划方法 Download PDFInfo
- Publication number
- CN103971530A CN103971530A CN201410227060.7A CN201410227060A CN103971530A CN 103971530 A CN103971530 A CN 103971530A CN 201410227060 A CN201410227060 A CN 201410227060A CN 103971530 A CN103971530 A CN 103971530A
- Authority
- CN
- China
- Prior art keywords
- path
- vehicle
- pheromones
- route
- represent
- 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
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了种实时路径规划方法,所述方法包括:首先根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器,然后调用蚁群算法,根据各辆车的信息素计算出下一时刻路径的信息素浓度,所述信息素浓度为车流量的估计参数,最后服务器根据各路径车流量信息,为车辆选择下一条要走的路径,避免拥塞,实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径,并且与传统的路径规划方法相比具有简单、灵活,且不易陷入局部解的技术效果。
Description
技术领域
本发明涉及交通流量研究领域,尤其涉及一种实时路径规划方法。
背景技术
蚁群算法,是一种用来在图中寻找优化路径的机率型算法。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。
蚁群算法是受到自然界中真实蚁群集体行为研究成果的启发而提出的一种蚁群的模拟优化算法。目前已经成功解决了诸如TSP, QAP, JSP 等典型的优化问题。随着城市规模和相配套的城市交通变得日益庞大和复杂,与此同时,以车辆为载体的人们对出行质量的要求也越来越高。在这现实矛盾下,采用有效手段实时诱导车辆规划合理行车路线,降低出行成本就显得尤为重要。在路径规划研究中,核心是路径规划算法,一个算法的好坏直接影响着路径规划质量的优劣。
传统最优路径指的是车辆在起点和终点间选择一条距离最短的路径。这时道路权值仅和行车距离有关。目前很多最优路径搜索研究是基于图论以简单的距离长短来衡量路径是否最优,市场上绝大多数导航仪也是基于这个准则生产的。但实际中,如果我们知道下一时间段道路中的交通流量情况,这样我们就可以避免拥挤的路段,而规划出一条相对较优的路径,虽然不一定是路径长度最短的路径。
综上所述,本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
在现有技术中,由于现有的路径规划方法采用将车辆在起点和终点间选择一条距离最短的路径作为最优路径,而没有考虑交通拥堵的情况,所以,现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题。
发明内容
本发明提供了一种实时路径规划方法,解决了现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题,实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径的技术效果。
为解决上述技术问题,本申请实施例提供了一种实时路径规划方法,所述方法包括:
根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器;
调用蚁群算法,根据各辆车的信息素计算出下一时间段路径的信息素浓度,所述信息素浓度为车流量的估计参数;
根据各路径车流量信息,选择合理的路径,避免拥塞。
进一步的,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器根据各路径车流量信息,为车辆选择下一条要走的合理路径。
进一步的,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器将各路径车流量信息发送给车辆导航设备,所述车辆导航设备根据所述各路径车流量信息选择下一条要走的合理路径。
进一步的,所述根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素具体包括:
定义 为i节点到j节点的距离,h(i,j) = 1/di,j 为每条路径的一个固定值;
利用反映路段拥塞情况的路阻函数模型公式来估计所述信息素分布情况,其中,所述路阻函数模型公式具体为:,其中 t 表示两交叉口之间的路段行驶时间,表示交通量为0时的 t ,v表示路段机动车交通量,c表示路段实用通行能力,为参数;
信息素浓度表示 t’时刻信息素浓度。
进一步的,所述调用蚁群算法,根据各辆车的信息素计算出下一时间段路径的信息素浓度包括:
下一时间段信息素浓度表示为:,其中,
,表示信息素挥发系数,1-表示挥发后还残留的信息素系数;表示第k个车辆在路径i-j上留下的信息素,表示第k辆汽车在t迭代时的路径,表示第k辆汽车所走过的路线长度;其中,;
其中,其他表示当(i,j)不属于时,表示下一时间段的信息素浓度,公式的第一项表示前一时间残留的信息素浓度,公式的第二项表示其它走过该路径的车辆留下的信息素。
进一步的,所述服务器根据各路径车流量信息,为车辆选择下一条要走的路径,具体包括:
根据传统的蚁群算法,按照概率规则选择下一条路径,所述概率规则具体为:
其中,其他表示当j不属于时,表示第k辆车在i节点时还未走过的路径集合,所述概率规则中为可调整参数。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了首先据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器,然后调用蚁群算法,根据各辆车的信息素计算出下一时刻路径的信息素浓度,所述信息素浓度为车流量的估计参数,最后服务器根据各路径车流量信息,为车辆选择下一条要走的路径,避免拥塞的技术方案,即预测出下一时间段的交通流量的估计值,避开拥塞路段,从而得到一条合理的较优路径,将实时路况信息融入到蚁群算法进行实时计算,根据蚁群算法进行道路预测,有利于道路车流量路况的准确性,所以,有效解决了现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题,进而实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径,并且与传统的路径规划方法相比具有简单、灵活,且不易陷入局部解的技术效果。
附图说明
图1是本申请实施例一中实时路径规划方法的流程示意图;
图2是本申请实施例一中交通网络示意图;
图3是本申请实施例一中本申请路径规划方法应用于实际中的流程图示意图。
具体实施方式
本发明提供了一种实时路径规划方法,解决了现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题,实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径的技术效果。
本申请实施中的技术方案为解决上述技术问题。总体思路如下:
采用了首先据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器,然后调用蚁群算法,根据各辆车的信息素计算出下一时刻路径的信息素浓度,所述信息素浓度为车流量的估计参数,最后服务器根据各路径车流量信息,为车辆选择下一条要走的路径,避免拥塞的技术方案,即预测出下一时间段的交通流量的估计值,避开拥塞路段,从而得到一条合理的较优路径,将实时路况信息融入到蚁群算法进行实时计算,根据蚁群算法进行道路预测,有利于道路车流量路况的准确性,所以,有效解决了现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题,进而实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径,并且与传统的路径规划方法相比具有简单、灵活,且不易陷入局部解的技术效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一:
在实施例一中,提供了一种实时路径规划方法,请参考图1-图3,所述方法包括:
S10,根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器;
S20,调用蚁群算法,根据各辆车的信息素计算出下一时间段路径的信息素浓度,所述信息素浓度为车流量的估计参数;
S30,根据各路径车流量信息,选择合理的路径,避免拥塞。
其中,在本申请实施例中,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器根据各路径车流量信息,为车辆选择下一条要走的合理路径。
其中,在本申请实施例中,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器将各路径车流量信息发送给车辆导航设备,所述车辆导航设备根据所述各路径车流量信息选择下一条要走的合理路径。
其中,在本申请实施例中,所述根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素具体包括:
定义为i节点到j节点的距离,h(i,j) = 1/di,j 为每条路径的一个固定值;
利用反映路段拥塞情况的路阻函数模型公式来估计所述信息素分布情况,其中,所述路阻函数模型公式具体为:,其中 t 表示两交叉口之间的路段行驶时间,表示交通量为0时的 t ,v表示路段机动车交通量,c表示路段实用通行能力,为参数;
信息素浓度表示 t’时刻信息素浓度。
其中,在实际应用中,由符号函数控制路段交通量对信息素浓度的增减,当交通量小于阈值时,该路段交通处于通畅状态,单个车辆行驶时间越短浓度越大;当交通量大于阈值时,该路段交通处于饱和状态,行驶时间会显著增大,信息素浓度迅速下降,此时再经过此路段的车量将通过信息素浓度的降低分流到其他高信息素浓度的路段上。这是符合实际情况的。所有车辆上报信息素即可由此估计出车流量的情况。
其中,在本申请实施例中,所述调用蚁群算法,根据各辆车的信息素计算出下一时刻路径的信息素浓度包括:
下一时间段信息素浓度表示为:,其中,
,表示信息素挥发系数,1-表示挥发后还残留的信息素系数;表示第k个车辆在路径i-j上留下的信息素,表示第k辆汽车在t迭代时的路径,表示第k辆汽车所走过的路线长度;其中,;
其中,其他表示当(i,j)不属于时,表示下一时间段的信息素浓度,公式的第一项表示前一时间残留的信息素浓度,公式的第二项表示其它走过该路径的车辆留下的信息素。这合理考虑的此路段和走过此路段的车辆的信息,估算出的信息素可以反映下一时间段的车流量信息,并且公式第一项越大估算出的车流量越大。
其中,在本申请实施例中,所述服务器根据各路径车流量信息,为车辆选择下一条要走的路径,具体包括:
根据传统的蚁群算法,按照概率规则选择下一条路径,所述概率规则具体为:
其中,其他表示当j不属于时,表示第k辆车在i节点时还未走过的路径集合,所述概率规则中为可调整参数。当时,选择的是最近的路径,等效于典型优化理论里的贪婪算法;当时,只考虑了信息素的影响,可能会产生次优路径。为了产生出好的优化路径,通常。
为了解决车辆拥塞问题 ,避开流量大的路径,系统改进蚁群算法进行道路预测,有利于道路车流量路况的准确性,导航系统安装此路况预测结果进行道路闭堵规划,能够提前避开道路拥堵,从而在全局上避免路况的大幅度波动。本申请实施例提供了基于蚁群算法的流量预测路径规划方法。如图 2 所示,本申请实施例中的方法包括:
计算路径中的信息素浓度;根据信息素还有路径代价估算出选择下一条路径的概率;根据计算的概率选择路径。
本发明的具体实现方法如下:
步骤一、确定网络中图(2)的源节点S和目的节点T,从源点出发,初始化时t = 0;τij(t)=c(初试值,常数);τij=0,选择S的下一路径,具体方法如下:
如图(3)所描述,先跟新 tabuk(s)(即已经走过的路径集合),这里就将S加入到tabuk(s)中;
(2)根据修改过概率计算公式计算选择下一条路径,此时,信息素浓度少,即车流量少,且路径较短的路径最优可能被选到,假设此时S在A和D中依据计算结果选择了A点作为下一条;
步骤二、跟新链路中的信息素分布:
如图(3)所示先要计算跟新信息素分布公式中涉及到的,即第k辆车所走过的路径长度,此信息为系统收集车辆向服务器上报的信息。
将代入信息跟新公式:
利用计算出下一时刻的信息素分布,再根据概率计算公式估算出下一条路径的选择概率。
利用选择优化路径:
如图2所示从A起选择B或C(依据概率选择)。
跟新tabuk(s),将A加入其中。
步骤三、重复步骤二,直到到达目的点T。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
由于采用了首先据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器,然后调用蚁群算法,根据各辆车的信息素计算出下一时刻路径的信息素浓度,所述信息素浓度为车流量的估计参数,最后服务器根据各路径车流量信息,为车辆选择下一条要走的路径,避免拥塞的技术方案,即预测出下一时间段的交通流量的估计值,避开拥塞路段,从而得到一条合理的较优路径,将实时路况信息融入到蚁群算法进行实时计算,根据蚁群算法进行道路预测,有利于道路车流量路况的准确性,所以,有效解决了现有的路径规划方法存在设计不合理,没有考虑交通流量情况,导致城市网路负载不均衡,产生交通拥堵,无法避开交通车流量较大的路径,以及交通资源浪费的问题,进而实现了道路车流量路况的准确性预测,能够避开道路拥堵,同时又保障最优线路的车流量最大化,从而在全局上避免路况的大幅度波动,产生合理的优化路径,并且与传统的路径规划方法相比具有简单、灵活,且不易陷入局部解的技术效果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种实时路径规划方法,其特征在于,所述方法包括:
根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素,并将所述信息素上报至服务器;
调用蚁群算法,根据各辆车的信息素计算出下一时间段路径的信息素浓度,所述信息素浓度为车流量的估计参数;
根据各路径车流量信息,选择合理的路径,避免拥塞。
2.根据权利要求1所述的方法,其特征在于,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器根据各路径车流量信息,为车辆选择下一条要走的合理路径。
3.根据权利要求1所述的方法,其特征在于,所述根据各路径车流量信息,选择合理的路径具体为:所述服务器将各路径车流量信息发送给车辆导航设备,所述车辆导航设备根据所述各路径车流量信息选择下一条要走的合理路径。
4.根据权利要求1所述的方法,其特征在于,所述根据路网中的路径状况定义路径代价,车辆根据所在路径产生信息素具体包括:
定义 为i节点到j节点的距离,h(i,j) = 1/di,j 为每条路径的一个固定值;
利用反映路段拥塞情况的路阻函数模型公式来估计所述信息素分布情况,其中,所述路阻函数模型公式具体为:,其中 t 表示两交叉口之间的路段行驶时间,表示交通量为0时的 t ,v表示路段机动车交通量,c表示路段实用通行能力,为参数;
信息素浓度 表示 t’时刻信息素浓度。
5.根据权利要求1所述的方法,其特征在于,所述调用蚁群算法,根据各辆车的信息素计算出下一时间段路径的信息素浓度包括:
下一时间段信息素浓度表示为:,其中,
,表示信息素挥发系数,1-表示挥发后还残留的信息素系数;表示第k个车辆在路径i-j上留下的信息素,表示第k辆汽车在t迭代时的路径,表示第k辆汽车所走过的路线长度;其中,;
其中,其他表示当(i,j)不属于时,表示下一时间段的信息素浓度,公式的第一项表示前一时间残留的信息素浓度,公式的第二项表示其它走过该路径的车辆留下的信息素。
6.根据权利要求1所述的方法,其特征在于,所述服务器根据各路径车流量信息,为车辆选择下一条要走的路径,具体包括:
根据传统的蚁群算法,按照概率规则选择下一条路径,所述概率规则具体为:
其中,其他表示j不属于时,表示第k辆车在i节点时还未走过的路径集合,所述概率规则中为可调整参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410227060.7A CN103971530B (zh) | 2014-05-27 | 2014-05-27 | 一种实时路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410227060.7A CN103971530B (zh) | 2014-05-27 | 2014-05-27 | 一种实时路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971530A true CN103971530A (zh) | 2014-08-06 |
CN103971530B CN103971530B (zh) | 2016-01-20 |
Family
ID=51240962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410227060.7A Expired - Fee Related CN103971530B (zh) | 2014-05-27 | 2014-05-27 | 一种实时路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971530B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN104567907A (zh) * | 2015-01-22 | 2015-04-29 | 四川汇源吉迅数码科技有限公司 | 一种基于动态反馈的实时路径规划方法 |
CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
CN108919805A (zh) * | 2018-07-04 | 2018-11-30 | 广东猪兼强互联网科技有限公司 | 一种车辆无人驾驶辅助系统 |
CN109186619A (zh) * | 2018-07-02 | 2019-01-11 | 广东工业大学 | 一种基于实时路况的智能导航算法 |
CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
WO2020151441A1 (zh) * | 2019-01-24 | 2020-07-30 | 爱驰汽车有限公司 | 基于实时路况的路线规划方法、系统、设备及存储介质 |
CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN116795108A (zh) * | 2023-06-09 | 2023-09-22 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1026649B1 (de) * | 1999-02-06 | 2004-09-15 | DaimlerChrysler AG | Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation |
CN101311680A (zh) * | 2007-05-23 | 2008-11-26 | 株式会社电装 | 导航装置及导航装置用的程序 |
CN102005129A (zh) * | 2010-09-19 | 2011-04-06 | 厦门雅迅网络股份有限公司 | 一种可实时进行路径诱导的中心导航方法 |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN102708698A (zh) * | 2012-06-12 | 2012-10-03 | 北京理工大学 | 基于车联网的车辆最优路径导航方法 |
-
2014
- 2014-05-27 CN CN201410227060.7A patent/CN103971530B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1026649B1 (de) * | 1999-02-06 | 2004-09-15 | DaimlerChrysler AG | Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation |
CN101311680A (zh) * | 2007-05-23 | 2008-11-26 | 株式会社电装 | 导航装置及导航装置用的程序 |
CN102005129A (zh) * | 2010-09-19 | 2011-04-06 | 厦门雅迅网络股份有限公司 | 一种可实时进行路径诱导的中心导航方法 |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN102708698A (zh) * | 2012-06-12 | 2012-10-03 | 北京理工大学 | 基于车联网的车辆最优路径导航方法 |
Non-Patent Citations (1)
Title |
---|
龙栋材 等: "蚂蚁算法在导航系统中的应用研究", 《第四届海峡两岸GIS发展研讨会暨中国GIS协会第十届年会论文集》, 31 December 2006 (2006-12-31) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331743B (zh) * | 2014-10-11 | 2017-05-17 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN104567907A (zh) * | 2015-01-22 | 2015-04-29 | 四川汇源吉迅数码科技有限公司 | 一种基于动态反馈的实时路径规划方法 |
CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN106052701B (zh) * | 2016-05-23 | 2018-08-14 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN109186619A (zh) * | 2018-07-02 | 2019-01-11 | 广东工业大学 | 一种基于实时路况的智能导航算法 |
CN109186619B (zh) * | 2018-07-02 | 2022-07-12 | 广东工业大学 | 一种基于实时路况的智能导航算法 |
CN108919805A (zh) * | 2018-07-04 | 2018-11-30 | 广东猪兼强互联网科技有限公司 | 一种车辆无人驾驶辅助系统 |
CN108919805B (zh) * | 2018-07-04 | 2021-09-28 | 江苏大块头智驾科技有限公司 | 一种车辆无人驾驶辅助系统 |
WO2020151441A1 (zh) * | 2019-01-24 | 2020-07-30 | 爱驰汽车有限公司 | 基于实时路况的路线规划方法、系统、设备及存储介质 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110211405B (zh) * | 2019-05-22 | 2021-11-09 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
CN110517492B (zh) * | 2019-08-27 | 2020-12-01 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113643535B (zh) * | 2021-08-02 | 2023-02-21 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN116795108A (zh) * | 2023-06-09 | 2023-09-22 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
CN116795108B (zh) * | 2023-06-09 | 2023-12-01 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103971530B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971530B (zh) | 一种实时路径规划方法 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN103745611B (zh) | 一种交通路径规划方法、装置及系统 | |
KR101465493B1 (ko) | 차량 내비게이션 시스템 및 차량의 목적지 경로를 결정하는 방법 | |
US8762050B2 (en) | Fuel-saving path planning navigation system and fuel-saving path planning method thereof | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN105489000A (zh) | 一种夜班公交车站点及路径选择方法 | |
JPWO2014024264A1 (ja) | 交通量予測装置および方法 | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
Wang et al. | An adaptive and VANETs-based Next Road Re-routing system for unexpected urban traffic congestion avoidance | |
CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
Elbery et al. | Eco-routing: an ant colony based approach | |
CN112669642A (zh) | 一种基于通行时间和车速预测的动态路径规划算法和系统 | |
CN114550482A (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Karoui et al. | An efficient path planning GLOSA‐based approach over large scale and realistic traffic scenario | |
Doolan et al. | Time-ants: an innovative temporal and spatial ant-based vehicular routing mechanism | |
CN113191028B (zh) | 交通仿真方法、系统、程序及介质 | |
Tarek et al. | Fog computing for optimized traffic control strategy | |
Selamat et al. | A fast path planning algorithm for route guidance system | |
Elbery et al. | VANET-based smart navigation for emergency evacuation and special events | |
El Esawey et al. | Calibration and validation of micro-simulation models of medium-size networks. | |
Saber et al. | Rothar: Real-time on-line traffic assignment with load estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 |
|
CF01 | Termination of patent right due to non-payment of annual fee |