CN104680775A - 基于海量交通数据的路网实时最优路径的并行提取方法 - Google Patents
基于海量交通数据的路网实时最优路径的并行提取方法 Download PDFInfo
- Publication number
- CN104680775A CN104680775A CN201310625357.4A CN201310625357A CN104680775A CN 104680775 A CN104680775 A CN 104680775A CN 201310625357 A CN201310625357 A CN 201310625357A CN 104680775 A CN104680775 A CN 104680775A
- Authority
- CN
- China
- Prior art keywords
- traffic data
- nodes
- real time
- arbitrary neighborhood
- node
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明公开一种基于海量交通数据的路网实时最优路径的并行提取方法,其包括步骤:A)在交通路网图中标记若干节点,获取每一节点的相邻关系信息;B)采集所述交通路网图中每一节点的多源实时交通数据;C)对采集的多源实时交通数据进行预处理,以提取符合要求的多源实时交通数据;D)将提取的每一节点的符合要求的多源实时交通数据融合为每一节点的符合要求的实时交通数据;E)对任意相邻的两个节点之间的行车时间进行预测计算而得到预测行车时间;F)对预测行车时间进行归一化处理,以转化为连接任意相邻的两个节点的边的权重;G)对节点间最短路径算法进行并行化处理,以获取任意相邻的两个节点之间的行车时间的最优路径。
Description
技术领域
本发明涉及智能交通领域;更具体地讲,涉及一种基于海量交通数据的路网实时最优路径的并行提取方法。
背景技术
近年来,世界各国纷纷致力于新兴交通科技,如智能交通系统的研究和应用,以应对目前严峻的交通环境。最优路径搜索是智能交通系统的一个重要课题,它通过向驾驶员提供基于实时交通信息的最优路径来达到诱导驾驶员行为、减少车辆在道路上的停留时间,进而实现改善城市交通和避免交通拥挤、阻塞的目的,同时还能降低尾气排放量,达到降低环境污染的目的。最优路径规划技术是智能交通中的核心技术之一,是准确有效的导航功能得以实现的基础。
在目前以时间最优的路径搜索研究中,都要基于交通数据进行行程时间的预测。基于单源交通数据进行行程时间预测相对来讲数据量和计算量较小,容易满足交通服务的实时性要求,但是其行程时间预测结果准确性较低,从而对时间最优的交通路径搜索结果产生不利的影响;基于多源的交通数据进行行程时间预测得到的行程时间准确性较高,能够有效提升时间最优的交通路径搜索结果的准确性,但是相对来讲数据量和计算量都较大,一般系统的计算能力难以满足交通服务实时性的要求。而且这些已有的方法中,没有应用历史的交通数据参与行程时间预测的过程。
目前,针对不同的路网特点的应用要求,各种最短路径算法在空间复杂度、时间复杂度及应用范围等方面各具特色。但是数据处理量的急剧增加使基于各种数据结构的串行算法时间复杂度几乎都达到了理论上的极限,难以满足大规模路网最短路径求解的实时要求。随着计算机科学的发展,并行计算技术为此问题的解决提供了一条有效的途径,目前最短路径并行计算领域的研究都是在单一的并行编程环境下进行的,针对常用的多核并行系统,浪费了计算资源。
发明内容
为了解决上述现有技术存在的问题,本发明的目的在于提供一种基于海量交通数据的路网实时最优路径的并行提取方法,其中,所述并行提取方法包括步骤:A)在交通路网图中标记若干节点,获取每一节点的相邻关系信息;B)采集所述交通路网图中每一节点的多源实时交通数据;C)对采集的多源实时交通数据进行预处理,以提取符合要求的多源实时交通数据;D)将提取的每一节点的符合要求的多源实时交通数据融合为该每一节点的符合要求的实时交通数据;E)根据所述交通路网图中任意相邻的两个节点的符合要求的实时交通数据和存储在数据库中的该任意相邻的两个节点之间的历史交通数据,对该任意相邻的两个节点之间的行车时间进行预测计算,从而得到该任意相邻的两个节点之间的预测行车时间,其中,所述历史交通数据为所述交通路网图中该任意相邻的两个节点之间的历史实际行车时间;F)对得到的该任意相邻的两个节点之间的预测行车时间进行归一化处理,以转化为所述交通路网图中连接该任意相邻的两个节点的边的权重;G)利用节点间最短路径算法对将转化的所述交通路径图中连接该任意相邻的两个节点的边的权重以及该任意相邻的两个节点的相邻关系信息进行计算,并对该节点间最短路径算法进行并行化处理,以获取所述交通路径图中该任意相邻的两个节点之间的行车时间的最优路径。
此外,所述步骤A)还包括:将所述交通路网图中每一节点的相邻关系信息存储到所述数据库中。
此外,在步骤C)中,对采集到的每一节点的多源实时交通数据进行预处理的具体实现方式是:在采集到的每一节点的多源实时交通数据中,将数据格式不正确的实时交通数据和/或数据信息缺失的实时交通数据和/或数据信息错误的实时交通数据剔除。
此外,在执行步骤D)之前,将提取的每一节点的符合要求的多源实时交通数据进行时间戳的同步操作。
此外,所述步骤E)的具体实现方式包括步骤:E1)根据所述交通路网图中该任意相邻的两个节点的融合的符合要求的实时交通数据来得到该任意相邻的两个节点之间的第一预测行车时间;E2)利用存储在所述数据库中的该任意相邻的两个节点之间的历史交通数据对步骤E1)得到的第一预测形成时间进行修正,进而得到该任意相邻的两个节点之间的所述预测行车时间。
此外,在步骤E)中,所述历史交通数据是以时间戳为标志存储在所述数据库中。
此外,在执行步骤G)之前,将转化的所述交通路网图中连接该任意相邻的两个节点的边的权重存储到所述数据库中。
本发明对通过多源实时交通数据进行车流行程时间的预测结果进行决策及融合,又应用历史交通数据对实时交通数据预测的车流行程时间进行了进一步的修正,得到更加准确的结果。并且本发明针对要处理的海量实时交通数据,提出了应用混合并行编程模型来实现交通路网中节点间最短路径算法,能充分利用共享存储模型和消息传递模型的优点,实现实时性的交通服务需求。
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,附图中:
图1是示出根据本发明的示例性实施例的基于海量交通数据的路网实时最优路径的并行提取方法的流程图。
具体实施方式
以下,通过参照附图对示例性实施例进行描述来解释本发明。
图1是示出根据本发明的示例性实施例的基于海量交通数据的路网实时最优路径的并行提取方法的流程图。
参照图1,在步骤S110中,将现实的城市交通路网转化为交通路网图,其中,将在现实的城市交通路网中将所有可能被查询的位置标记为该交通路网图中的节点,并将任意两个节点之间的线(即现实的城市交通路网中该任意两个节点所对应的两个被查询的位置之间的路线)标记为该交通路网图中的边。在所述交通路网图中获取每一节点的相邻关系信息。所述交通路网图中的节点可包括,但不限于,交通路网图(或者城市交通路网)中的公交站点、十字路口、交通枢纽等。此外,将交通路网图中每一节点的相邻关系信息存储到数据库中。
在步骤S120中,从现实的城市交通路网中获取交通路网图中的每一节点的多源实时交通数据。该多源实时交通数据是通过利用多种检测技术实时检测的交通数据,例如可采用多种传感器实时检测的交通数据。
在步骤S130中,对采集的多源实时交通数据进行预处理,以提取符合要求的多源实时交通数据。这里,通过对每一节点的多源实时交通数据进行预处理,以提取每一节点的符合要求的多源实时交通数据。而对每一节点的多源实时交通数据进行预处理的具体实现方式包括,但不限于,将每一节点的多源实时交通数据中的数据格式不正确和/或数据信息缺失和/或数据信息错误等不符合要求的部分实时交通数据剔除。通过将每一节点的多源实时交通数据中不符合要求的部分实时交通数据剔除掉,每一节点的多源实时交通数据中除不符合要求的实时交通数据之外的实时交通数据形成符合要求的多源实时交通数据。此外,在该步骤中,为了保证每一节点的符合要求的多源实时交通数据在应用时间上的一致性,需要对每一节点的符合要求的多源实时交通数据进行时间戳的同步操作。
在步骤S140中,将由步骤S130提取的每一节点的符合要求的多源实时交通数据融合为每一节点的符合要求的实时交通数据。这里,将由步骤S130提取的每一节点的符合要求的多源实时交通数据进行融合所采用的融合技术为现有技术的融合技术,为了避免赘述,在此不再详述。
在步骤S150中,首先,根据所述交通路网图中该任意相邻的两个节点的融合的符合要求的实时交通数据来得到该任意相邻的两个节点之间的第一预测行车时间;其次,可例如采用加权回归法,利用所述交通路网图中与该第一预测行车时间同一时间段的该任意相邻的两个节点之间的历史交通数据对得到的第一预测行车时间进行修正,进而得到该任意相邻的两个节点之间的预测行车时间。其中,所述历史交通数据为所述交通路网图中该任意相邻的两个节点之间的历史实际行车时间。所述历史实际行车时间可例如是,但不限于,前一天与该第一预测行车时间同一时间段的在该任意相邻的两个节点之间的实际行车时间。此外,将该任意相邻的两个节点之间的所述实际行车时间以时间戳为标志存储在所述数据库中,也就是说,所述历史实际行车时间是以时间戳为标志存储在所述数据库中来作为所述历史交通数据。
在步骤S160中,对由步骤S150得到的该任意相邻的两个节点之间的预测行车时间进行归一化处理,以转化为所述交通路网图中连接该任意相邻的两个节点的边的权重。这里,将由该步骤转化的所述交通路网图中连接该任意相邻的两个节点的边的权重存储到数据库中。
在步骤S170中,利用节点间最短路径算法对由步骤S160转化的所述交通路径图中连接该任意相邻的两个节点的边的权重以及由步骤S110获取的该任意相邻的两个节点的相邻关系信息进行计算,并对该节点间最短路径算法进行并行化处理,以获取所述交通路径图中该任意相邻的两个节点之间的行车时间的最优路径。
下面将采用弗洛伊德(floyd)算法作为所述节点间最短路径算法的一个实施例来对步骤S170的具体实现方式进行描述,在下面的描述中,采用MPI+OPENMP两级并行模型对弗洛伊德(floyd)算法进行并行化处理。
具体而言,将上述的交通路网图中的节点数量、节点的相邻关系信息、边的权重等实时交通数据输入到并行计算系统的根节点(或者主节点);根节点根据并行计算系统的计算节点数对从交通路网图中采集的所有实时交通数据进行划分,并把划分后的实时交通数据发送到相应的从节点;各个从节点接收相应的实时交通数据,并将其存储到本地(即存储到从节点);所有从节点针对本地的实时交通数据来并行进行路网最优路径搜索运算;其中,当各个从节点之间需要进行信息通信时,通过消息传递模型MPI来实现;所有从节点对于计算量集中的算法部分,采取共享存储并行模型,即应用OPENMP派生出若干线程,进行计算从节点内部的多线程并行计算;计算结束后,各个从节点发送计算结果到根节点,由根节点进行汇总计算,得到最后的结果(即最优路径)。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CDROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
综上所述,根据本发明的示例性实施例的基于海量交通数据的路网实时最优路径的并行提取方法,对通过多源实时交通数据进行车流行程时间的预测结果进行决策及融合,又应用历史交通数据对实时交通数据预测的车流行程时间进行了进一步的修正,得到更加准确的结果。并且,针对要处理的海量实时交通数据,提出了应用MPI+OPENMP混合并行编程模型来实现交通路网中节点间最短路径算法(即弗洛伊德算法),能充分利用共享存储模型和消息传递模型的优点,实现实时性的交通服务需求。
尽管已参照优选实施例表示和描述了本发明,但本领域技术人员应该理解,在不脱离由权利要求限定的本发明的精神和范围的情况下,可以对这些实施例进行各种修改和变换。
Claims (7)
1.一种基于海量交通数据的路网实时最优路径的并行提取方法,其特征在于,所述并行提取方法包括以下步骤:
A)在交通路网图中标记若干节点,获取每一节点的相邻关系信息;
B)采集所述交通路网图中每一节点的多源实时交通数据;
C)对采集的多源实时交通数据进行预处理,以提取符合要求的多源实时交通数据;
D)将提取的每一节点的符合要求的多源实时交通数据融合为该每一节点的符合要求的实时交通数据;
E)根据所述交通路网图中任意相邻的两个节点的符合要求的实时交通数据和存储在数据库中的该任意相邻的两个节点之间的历史交通数据,对该任意相邻的两个节点之间的行车时间进行预测计算,从而得到该任意相邻的两个节点之间的预测行车时间,其中,所述历史交通数据为所述交通路网图中该任意相邻的两个节点之间的历史实际行车时间;
F)对得到的该任意相邻的两个节点之间的预测行车时间进行归一化处理,以转化为所述交通路网图中连接该任意相邻的两个节点的边的权重;
G)利用节点间最短路径算法对将转化的所述交通路径图中连接该任意相邻的两个节点的边的权重以及该任意相邻的两个节点的相邻关系信息进行计算,并对该节点间最短路径算法进行并行化处理,以获取所述交通路径图中该任意相邻的两个节点之间的行车时间的最优路径。
2.根据权利要求1所述的并行提取方法,其特征在于,所述步骤A)还包括:将所述交通路网图中每一节点的相邻关系信息存储到所述数据库中。
3.根据权利要求1或2所述的并行提取方法,其特征在于,在步骤C)中,对采集到的每一节点的多源实时交通数据进行预处理的具体实现方式是:在采集到的每一节点的多源实时交通数据中,将数据格式不正确的实时交通数据和/或数据信息缺失的实时交通数据和/或数据信息错误的实时交通数据剔除。
4.根据权利要求1所述的并行提取方法,其特征在于,在执行步骤D)之前,将提取的每一节点的符合要求的多源实时交通数据进行时间戳的同步操作。
5.根据权利要求4所述的并行提取方法,其特征在于,所述步骤E)的具体实现方式包括以下步骤:
E1)根据所述交通路网图中该任意相邻的两个节点的融合的符合要求的实时交通数据来得到该任意相邻的两个节点之间的第一预测行车时间;
E2)利用存储在所述数据库中的该任意相邻的两个节点之间的历史交通数据对步骤E1)得到的第一预测形成时间进行修正,进而得到该任意相邻的两个节点之间的所述预测行车时间。
6.根据权利要求1或5所述的并行提取方法,其特征在于,在步骤E)中,所述历史交通数据是以时间戳为标志存储在所述数据库中。
7.根据权利要求2所述的并行提取方法,其特征在于,在执行步骤G)之前,将转化的所述交通路网图中连接该任意相邻的两个节点的边的权重存储到所述数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310625357.4A CN104680775B (zh) | 2013-11-28 | 2013-11-28 | 基于海量交通数据的路网实时最优路径的并行提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310625357.4A CN104680775B (zh) | 2013-11-28 | 2013-11-28 | 基于海量交通数据的路网实时最优路径的并行提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680775A true CN104680775A (zh) | 2015-06-03 |
CN104680775B CN104680775B (zh) | 2018-06-22 |
Family
ID=53315757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310625357.4A Active CN104680775B (zh) | 2013-11-28 | 2013-11-28 | 基于海量交通数据的路网实时最优路径的并行提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680775B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111223302A (zh) * | 2018-11-23 | 2020-06-02 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该系统 |
CN114328594A (zh) * | 2021-11-25 | 2022-04-12 | 北京掌行通信息技术有限公司 | 一种车辆的行驶路径判定方法、装置、存储介质及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004061292A (ja) * | 2002-07-29 | 2004-02-26 | Toshiba Corp | 経路探索方法及び経路探索プログラム |
CN101739836A (zh) * | 2009-12-18 | 2010-06-16 | 吉林大学 | 大规模路网下中心式实时动态交通诱导路径优化方法 |
CN102629417A (zh) * | 2012-04-26 | 2012-08-08 | 吉林大学 | 一种基于定位查询的限行管制网络数据组织与交通诱导路径优化方法 |
CN102749084A (zh) * | 2012-07-10 | 2012-10-24 | 南京邮电大学 | 一种面向海量交通信息的路径选择方法 |
CN102779410A (zh) * | 2012-07-19 | 2012-11-14 | 杭州师范大学 | 一种多源异类海量交通数据融合的并行实现方法 |
-
2013
- 2013-11-28 CN CN201310625357.4A patent/CN104680775B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004061292A (ja) * | 2002-07-29 | 2004-02-26 | Toshiba Corp | 経路探索方法及び経路探索プログラム |
CN101739836A (zh) * | 2009-12-18 | 2010-06-16 | 吉林大学 | 大规模路网下中心式实时动态交通诱导路径优化方法 |
CN102629417A (zh) * | 2012-04-26 | 2012-08-08 | 吉林大学 | 一种基于定位查询的限行管制网络数据组织与交通诱导路径优化方法 |
CN102749084A (zh) * | 2012-07-10 | 2012-10-24 | 南京邮电大学 | 一种面向海量交通信息的路径选择方法 |
CN102779410A (zh) * | 2012-07-19 | 2012-11-14 | 杭州师范大学 | 一种多源异类海量交通数据融合的并行实现方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111223302A (zh) * | 2018-11-23 | 2020-06-02 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该系统 |
CN114328594A (zh) * | 2021-11-25 | 2022-04-12 | 北京掌行通信息技术有限公司 | 一种车辆的行驶路径判定方法、装置、存储介质及终端 |
CN114328594B (zh) * | 2021-11-25 | 2022-11-01 | 北京掌行通信息技术有限公司 | 一种车辆的行驶路径判定方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN104680775B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
CN102081658B (zh) | 基于分层路网的路径搜索方法和装置 | |
CN106408124B (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
Pedro et al. | A tabu search approach for the prize collecting traveling salesman problem | |
CN113906716A (zh) | 雾节点资源的分配 | |
Ye et al. | A method for driving route predictions based on hidden Markov model | |
CN101694749A (zh) | 一种路径推测方法及装置 | |
CN103150177A (zh) | 一种更新公交线路数据的方法、装置和系统 | |
CN101900565A (zh) | 路径确定方法和装置 | |
CN112765753B (zh) | 一种公共交通超级网络构建方法 | |
CN112163166B (zh) | 检测道路属性的方法、装置、计算机可读介质及电子设备 | |
Arfat et al. | Parallel shortest path big data graph computations of US road network using apache spark: survey, architecture, and evaluation | |
CN109816131B (zh) | 路径规划方法、路径规划装置及计算机可读存储介质 | |
CN113312760A (zh) | 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 | |
CN102982395A (zh) | 一种基于空间节点聚类方法的快速公交换乘方法 | |
Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling | |
CN104680775A (zh) | 基于海量交通数据的路网实时最优路径的并行提取方法 | |
Guo et al. | Intelligent traffic cloud computing system based on ant colony algorithm | |
Jabeen et al. | Autonomous Vehicle Health Monitoring Based on Cloud-Fog Computing | |
CN114440914A (zh) | 路径规划方法、装置、电子设备、存储介质及程序产品 | |
Li et al. | Aggregate location recommendation in dynamic transportation networks | |
Liu et al. | Study of the logistics transportation vehicle terminal path optimization and algorithm based on GIS | |
Zhang et al. | Bidirectional k-nearest neighbor spatial crowdsourcing allocation protocol based on edge computing | |
Mao et al. | Exploration of ground truth from raw GPS data | |
Moreno-Navarro et al. | GIS modelling of intermodal networks: a comparison of two methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |