CN105551244A

CN105551244A - 一种动态路径规划方法

Info

Publication number: CN105551244A
Application number: CN201510909227.2A
Authority: CN
Inventors: 付建胜; 王少飞; 祖晖; 阮志敏; 周欣
Original assignee: Chongqing Yun Tu Transport Science And Techonologies Co Ltd
Current assignee: China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority date: 2015-12-08
Filing date: 2015-12-08
Publication date: 2016-05-04
Anticipated expiration: 2035-12-08
Also published as: CN105551244B

Abstract

一种动态路径规划方法，该方法包括以下步骤：S1：接收用户输入出发点、目的地、期望耗时t_u和接收时间；S2：在路网上标定起始节点和终止节点；S3：实时查询离线生成的路径数据字典来获取备选路径集；S4：预测备选路径集中的每一条备选路径的行程时间t_r；S5：计算备选路径集中的每一条备选路径的概率权重，并选择路径概率权重最大的路径作为推荐路径给用户；S6：每隔一设定时间检测用户是否到达目的地；否则，执行步骤S7：动态刷新用户位置信息，即将新检测到的用户位置信息作为出发点。通过上述动态路径规划方法，在收到用户的查询时快速规划路径，实时性强，还具有为用户推荐预设时间内到达目的地可能性最大路径的方法。

Description

一种动态路径规划方法

技术领域

本发明涉及路径规划领域，具体涉及一种动态路径规划方法。

背景技术

当前，动态路径规划的常用方法是利用当前的交通状态和路网拓扑结构或者只依赖于路网拓扑结构来获取导航路径，这类方法主要采用一些理想统计模型来对交通状态进行统计分析和费用映射。在此基础上再采用传统的路径寻优方法获取多条备选路径来选出一条路径用于导航。

然而，现有动态路径规划方法随着路网拓扑结构复杂度提高，结合交通状态和路网拓扑的实时路径搜索会面临巨大的运算压力，导致响应速度慢，实时性不强。同时，现有动态路径规划方法不具有为用户推荐预设时间内到达目的地的方法，导致用户体验不佳。

发明内容

为解决现有动态路径规划方法响应速度慢，实时性不强的问题，本发明提出一种动态路径规划方法。

本发明提供的一种动态路径规划方法，其特征在于，该方法的在线计算部分包括以下步骤：

S1：接收用户输入出发点、目的地、期望耗时t_u和所述接收时间；

S2：在路网上标定起始节点和终止节点；

S3：实时查询离线生成的路径数据字典来获取备选路径集；

S4：预测所述备选路径集中的每一条备选路径的行程时间t_r；

S5：计算所述备选路径集中的每一条备选路径的概率权重，并选择路径概率权重最大的路径作为推荐路径给用户；

S6：每隔一设定时间检测用户是否到达目的地；是则，结束；否则，执行步骤S7；及

S7：动态刷新用户位置信息，即将新检测到的用户位置信息作为出发点，然后转回执行步骤S2至S5。

进一步的，该方法的离线计算部分包括以下步骤：

S8：接收历史数据，对路网节点进行编号，对所述路径数据字典进行设置；

S9：对路网拓扑结构进行优化分析和路径选取，获取备选路径集；

S10：对所述路径数据字典中所有备选路径进行统计分析，提取任意一条路径的行程时间概率分布等间距采样值序列；

S11：计算所述备选路径集中的每一条备选路径的长时预测值序列；

S12：更新所述路径数据字典，用于存储新的信息；

S13：每隔一设定时间检测是否有新的路网行程时间数据：是则，执行下一步S14；否则，执行步骤S15；

S14：将新的路网行程时间数据添加进所述路径数据字典中，并转回执行步骤S10；及

S15：每隔一设定时间检测路网拓扑结构是否改变：是则，转回执行步骤S8；否则，结束。

进一步的，所述步骤S3具体包括：根据所述起始节点和所述终止节点，从所述路径数据字典中实时查询并获取相应的备选路径集，备选路径集包括一个或多个备选路径，备选路径集通过所述离线计算的方式形成的。

进一步的，所述步骤S4具体包括：针对所述备选路径集的每一条备选路径，用时间序列自回归滑动平均模型(Auto-RegressiveandMovingAverage，ARMA)方法获得短时预测值t₁，从所述路径数据字典中读取某一路径的长时预测序列，并结合所述接收时间，用柳条插值算法获得长时预测值t₂，偏差率设定为δ，该备选路径的行程时间t_r为：

t_{r} = \{\begin{matrix} (t_{1} + t_{2}) / 2 & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | \leq δ \\ t_{2} & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | > δ \end{matrix};

其中，所述路径数据字典中存储有各备选路径及其对应的长时预测值t₂。

进一步的，所述步骤S5具体包括：针对所述备选路径集中的每一条备选路径，从所述路径数据字典中读取某一路径行程时间的概率等间距采样序列值，通过柳条插值算法，找到该备选路径的行程时间t_r和期望耗时t_u相对应的概率p_r和p_u，依据下式计算所有备选路径的概率权重W，比较并选出概率权重最大的路径，

W = \sqrt{p_{u}^{2} + p_{r}^{2}} \frac{\sqrt{t_{u}^{2} + t_{r}^{2}} + | t_{u} - t_{r} |}{\sqrt{t_{u}^{2} + t_{r}^{2}} + | t_{u} + t_{r} |} .

进一步的，所述历史数据包括道路断面车辆交通数据、路网行程时间数据、地图拓扑数据；通过地图拓扑数据，对路网节点进行编号，并以路网节点编号为主索引号，利用大数据技术来规划和优化路径数据字典的存储结构。

进一步的，所述步骤S9具体包括：使用前K条最短路径搜索(Kshortestpaths，KSP)方法对路网进行搜索处理，获取任意两个不同路网节点之间不超过K条备选路径，来作为备选路径集并存入所述路径数据字典之中。

进一步的，所述步骤S10具体包括：用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径的所有行程时间数据进行全局统计分析，获其概率分布的等间距采样序列值，该概率等间距采样序列值用于S5的概率查询。

进一步的，所述步骤S11具体包括：利用交通潮汐流理论，以天为循环周期，用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径在所有周期某个时刻对应的行程时间数据进行全局统计分析，选取概率最大值对应的行程时间作为对应路径在该时刻的行程时间长时预测值t₂，将该路径一个周期内所有时刻的长时预测值t₂按时序排列成一个长时预测序列。

进一步的，所述路径数据字典用于存储所述步骤S8获得的路网节点、所述步骤S9获得的备选路径集、所述步骤S10获得的路径行程时间概率等间距采样序列和所述步骤S11获得的路径行程时间长时预测序列。

本发明的有益效果通过上述动态路径规划方法，在收到用户的查询时快速规划路径，实时性非常强，还具有为用户推荐预设时间内到达目的地可能性最大路径的方法，提高用户体验。

附图说明

图1为本发明动态路径规划方法的在线计算部分一实施方式的流程图。

图2为本发明动态路径规划方法的离线计算部分一实施方式的流程图。

具体实施方式

请参阅图1，为本发明动态路径规划方法的在线计算部分一实施方式的流程图。本发明采用概率均衡原则计算路径行程时间的概率分布，能够大幅度降低运算复杂度，利用路径行程时间的概率分布进行路径概率权重计算，能使路网交通逼近概率均衡，任意两个不同路网节点的备选路径及其对应的行程时间概率分布形成有规律的路径数据字典，便于查找和读写，能够快速响应用户实时性要求。离线自适应的更新路径数据字典的数据，在此基础上进行动态路径选择，为用户快速实时的动态规划路径。

在步骤S1：接收用户输入出发点、目的地、期望耗时t_u和接收的时间。

在步骤S2：在路网上标定起始节点和终止节点。在本实施方式中，路网中包括若干节点，起始节点和终止节点可为一个或多个。

在步骤S3：实时查询离线生成的路径数据字典来获取备选路径集。在本实施方式中，路径数据字典存储有各备选路径及其对应的行程时间概率分布。路径数据字典存储有各备选路段及其对应的长时预测值t₂。

在步骤S4：预测备选路径集中的每一条备选路径的行程时间t_r。在本实施方式中，针对备选路径集的每一条备选路径，用时间序列自回归滑动平均模型(Auto-RegressiveandMovingAverage，ARMA)方法获得短时预测值t₁，从路径数据字典中读取某一路径的长时预测序列，并结合接收时间，用柳条插值算法获得长时预测值t₂，偏差率设定为δ，该备选路径的行程时间t_r为：

t_{r} = \{\begin{matrix} (t_{1} + t_{2}) / 2 & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | \leq δ \\ t_{2} & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | > δ \end{matrix} .

从而实现实时预测与长时预测融合处理，提高预测的响应实时性和预测精度。各备选路段的长时预测值t₂是通过以下方法得到的：用核密度估计(KernelDensityEstimates，KDE)算法对每一备选路段的行程时间进行统计分析，获其概率分布的等间距采样值。再利用交通潮汐流理论，以天为循环周期，对每一备选路段对应的时段的行程时间进行全局统计分析，选取概率最大值对应的行程时间作为该时段行程时间的长时预测值t₂。在本实施例中，每一时段为5分钟一个时段。

在步骤S5：计算备选路径集中的每一条备选路径的概率权重，并选择路径概率权重最大的路径作为推荐路径给用户。在本实施方式中，针对备选路径集中的每一条备选路径，从路径数据字典中读取某一路径行程时间的概率等间距采样序列值，通过柳条插值算法，找到该备选路径的行程时间t_r和期望耗时t_u相对应的概率p_r和p_u，依据下式计算所有备选路径的概率权重_W，比较并选出概率权重最大的路径，能大幅度降低运算复杂度，利用路径行程时间的概率分布进行路径概率权重计算，能使路网交通逼近概率均衡。

在步骤S6：每隔一设定时间检测用户是否到达目的地。是则，结束；否则，执行步骤S7：动态刷新用户位置信息，并将该刷新后的位置信息作为出发点，然后转回执行步骤S2。从而在用户行驶设定时间后再次动态规划，选择路径概率权重最大的路径作为推荐路径给用户，增强实时性，例如，万一在行驶10分钟后之前规划的路径中出现异常状况，可动态规划新的概率权重最大的路径。在本实施例中，设定时间一般为5-30分钟，也可根据不同路段而变化，例如城市路段行驶时，每隔5分钟检测用户是否到达目的地，而在高速路段行驶时，可每隔半小时检测用户是否到达目的地。

在本实施方式中，获取备选路径集的方法为：使用前K条最短路径搜索(Kshortestpaths，KSP)方法对路网进行搜索处理，获取起始节点和终止节点之间不超过K条备选路径，来作为备选路径集。在本实施例中，获取备选路径集包括不超过10条备选路径，以免计算量过大。实时获取备选路径集的每一路段行程时间和对应的交叉口延时是由路侧设备提供的数据来实现的。

在步骤S8：接收历史数据，对路网节点进行编号，对路径数据字典进行设置。利用道路断面车辆交通数据，统计分析获取路网行程时间、交叉口信号控制时长等数据。在本实施例中，历史数据包括路网行程时间数据、地图拓扑数据等，通过地图拓扑数据，对路网节点进行编号，并以路网节点编号为主索引号，利用大数据技术来规划和优化路径数据字典的存储结构。

在步骤S9：对路网拓扑结构进行优化分析和路径选取，获取备选路径集。具体的，步骤S9包括：使用前K条最短路径搜索(Kshortestpaths，KSP)方法对路网进行搜索处理，获取任意两个不同路网节点之间不超过K条备选路径，来作为备选路径集并存入路径数据字典之中。

在步骤S10：对路径数据字典中所有备选路径进行统计分析，提取任意一条路径的行程时间概率分布等间距采样值序列。具体的，步骤S10具体包括：用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径的所有行程时间数据进行全局统计分析，获其概率分布的等间距采样序列值，该概率等间距采样序列值用于S5的概率查询。

在步骤S11：计算备选路径集中的每一条备选路径的长时预测值序列。具体的，步骤S11具体包括：利用交通潮汐流理论，以天为循环周期，用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径在所有周期某个时刻对应的行程时间数据进行全局统计分析，选取概率最大值对应的行程时间作为对应路径在该时刻的行程时间长时预测值t₂，将该路径一个周期内所有时刻的长时预测值t₂按时序排列成一个长时预测序列。

在步骤S12：更新路径数据字典，用于存储新的信息。在本实施方式中，路径数据字典用于存储步骤S8获得的路网节点、步骤S9获得的备选路径集、步骤S10获得的路径行程时间概率等间距采样序列和步骤S11获得的路径行程时间长时预测序列。

S13：每隔一设定时间检测是否有新的路网行程时间数据：是则，执行下一步S14。否则，执行步骤S15。

S14：将新的路网行程时间数据添加进路径数据字典中，并转回执行步骤S10；

S15：每隔一设定时间检测路网拓扑结构是否改变：是则，转回执行步骤S8。否则，结束。

本发明的有益效果为采用概率均衡原则计算路径行程时间的概率分布，能够大幅度降低运算复杂度。利用路径行程时间的概率分布进行路径概率权重计算，能使路网交通逼近概率均衡，一定程度上能减缓交通拥堵，改善用户出行体验。任意两个不同路网节点的备选路径及其对应的行程时间概率分布形成有规律的路径数据字典，便于查找和读写，能够快速响应用户实时性要求。离线自适应的更新路段和路径数据字典的数据，在此基础上进行动态路径选择，能一定程度上辅助路网交通状态逐渐趋近于概率均衡。通过上述动态路径规划方法，在收到用户的查询时快速规划路径，实时性非常强，还具有为用户推荐预设时间内到达目的地可能性最大路径的方法，提高用户体验。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种动态路径规划方法，其特征在于，该方法的在线计算部分包括以下步骤：

S2：在路网上标定起始节点和终止节点；

S3：实时查询离线生成的路径数据字典来获取备选路径集；

2.如权利要求1所述的动态路径规划方法，其特征在于，该方法的离线计算部分包括以下步骤：

S12：更新所述路径数据字典；

3.如权利要求1所述的动态路径规划方法，其特征在于，所述步骤S3具体包括：根据所述起始节点和所述终止节点，从所述路径数据字典中实时查询并获取相应的备选路径集，备选路径集包括一个或多个备选路径，备选路径集通过所述离线计算的方式形成的。

4.如权利要求1所述的动态路径规划方法，其特征在于，所述步骤S4具体包括：针对所述备选路径集的每一条备选路径，用时间序列自回归滑动平均模型(Auto-RegressiveandMovingAverage，ARMA)方法获得短时预测值t₁，从所述路径数据字典中读取某一路径的长时预测序列，并结合所述接收时间，用柳条插值算法获得长时预测值t₂，偏差率设定为δ，该备选路径的行程时间t_r为：

t_{r} = \{\begin{matrix} (t_{1} + t_{2}) / 2 & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | \leq δ \\ t_{2} & | (t_{1} - t_{2}) / (t_{1} + t_{2}) | > δ \end{matrix};

5.如权利要求1所述的动态路径规划方法，其特征在于，所述步骤S5具体包括：针对所述备选路径集中的每一条备选路径，从所述路径数据字典中读取某一路径行程时间的概率等间距采样序列值，通过柳条插值算法，找到该备选路径的行程时间t_r和期望耗时t_u相对应的概率p_r和p_u，依据下式计算所有备选路径的概率权重W，比较并选出概率权重最大的路径，

W = \sqrt{p_{u}^{2} + p_{r}^{2}} \frac{\sqrt{t_{u}^{2} + t_{r}^{2}} + | t_{u} - t_{r} |}{\sqrt{t_{u}^{2} + t_{r}^{2}} + | t_{u} + t_{r} |} .

6.如权利要求2所述的动态路径规划方法，其特征在于，所述历史数据包括道路断面车辆交通数据、路网行程时间数据、地图拓扑数据；通过地图拓扑数据，对路网节点进行编号，并以路网节点编号为主索引号，利用大数据技术来规划和优化路径数据字典的存储结构。

7.如权利要求2所述的动态路径规划方法，其特征在于，所述步骤S9具体包括：使用前K条最短路径搜索(Kshortestpaths，KSP)方法对路网进行搜索处理，获取任意两个不同路网节点之间不超过K条备选路径，来作为备选路径集并存入所述路径数据字典之中。

8.如权利要求2所述的动态路径规划方法，其特征在于，所述步骤S10具体包括：用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径的所有行程时间数据进行全局统计分析，获其概率分布的等间距采样序列值，该概率等间距采样序列值用于S5的概率查询。

9.如权利要求2所述的动态路径规划方法，其特征在于，所述步骤S11具体包括：利用交通潮汐流理论，以天为循环周期，用核密度估计(KernelDensityEstimates，KDE)算法对每一条备选路径在所有周期某个时刻对应的行程时间数据进行全局统计分析，选取概率最大值对应的行程时间作为对应路径在该时刻的行程时间长时预测值t₂，将该路径一个周期内所有时刻的长时预测值t₂按时序排列成一个长时预测序列。

10.如权利要求2所述的动态路径规划方法，其特征在于，所述路径数据字典用于存储所述步骤S8获得的路网节点、所述步骤S9获得的备选路径集、所述步骤S10获得的路径行程时间概率等间距采样序列和所述步骤S11获得的路径行程时间长时预测序列。