CN106052701B - 一种交通溢流状态下车辆路径选择的方法 - Google Patents
一种交通溢流状态下车辆路径选择的方法 Download PDFInfo
- Publication number
- CN106052701B CN106052701B CN201610345396.2A CN201610345396A CN106052701B CN 106052701 B CN106052701 B CN 106052701B CN 201610345396 A CN201610345396 A CN 201610345396A CN 106052701 B CN106052701 B CN 106052701B
- Authority
- CN
- China
- Prior art keywords
- overflow
- path
- point
- vehicle
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通溢流状态下车辆路径选择的方法,包括:在已知起始地点和目标地点的状态下,在路网中规划出一条车辆行驶的最短路径;当检测到该某一交叉口发生溢流时,查询道路属性表,得到该道路方向的停车波波速;计算查找溢流截断点,溢流截断点即溢流扩散后与已规划好的路径的相交节点,根据公式Δt=T‑Tω判断车辆能否顺利通过溢流截断点,如果能通过,则不需要重新进行路径的规划,可按照之前的路径正常行驶;在路网中利用路径规划算法去掉溢流相关路段后重新规划一条路径,直至溢流对所选择的路径不产生影响。该方法为交通拥堵状态下车辆该如何行驶提供了指导,不论是用于静态还是动态的路径规划,都具有很强的实用性。
Description
技术领域
本发明涉及智能交通系统领域,具体涉及一种交通溢流状态下车辆路径选择的方法。
背景技术
交通溢流是一个新的研究课题,国内外的研究相对较少。传统的溢流研究通常考虑排队时间的问题而没有考虑排队长度的问题,而且多数单独研究溢流现象本身,没有与路径规划等单车辆问题相结合。而传统的路径选择问题通常着重于算法的改进,忽视现实的道路状况而脱离实际。
通过检索发现:【李曙光等,具有物理排队的多模式动态网络加载问题研究,交通运输系统工程与信息,2009,1(9):56-61;】,【姚荣涵,车辆排队模型研究,吉林大学博士论文;】,【Richards,Shock waves on the highway,Operations Research 1956,4:42-51;】,【俞斌等,道路交通事故的影响范围算法,城市交通,2008(3);】,【石小法等,交通事故对城市交通网络的影响研究,公路交通科技,2000,17(5):38-41;】;上述文献都对溢流现象做了一定的研究,并获取某一时刻的某方向的道路排队长度的计算公式,而没有考虑在溢流状态下,溢流向四周扩散的状态以及未进入溢流路段的车辆如何行驶才能受溢流影响最小。
另外,通过检索发现:【Ziliaskopoulos A,Mahmassani,H.Time-dependentshortest-path algorithm forreal-time intelligent vehicle highway systemapplications[J],TransportationResearch Record,1993,1408:94—100;】,【冯蔚东,陈剑,贺国光,刘豹.交通流路线选择行为演化模型[J],系统工程理论与实践,2002,3:72-79;】,【任春明,张建勋.基于优化蚁群算法的机器人路径规划[J].计算机工程,2008(15):1-3】;传统的路径规划算法多采用Dijkstra经典算法,较先进的采用A*算法,现在比较热门的采用神经网络算法、蚁群算法等智能算法。但是大多数文献中采取的措施是对算法进行改进,使之时间效率更高,误差更小,然而道路状况是一个不断变化的量,研究城市交通,不能脱离道路状况而单独研究车辆的路径选择问题。
发明内容
为解决现有技术存在的不足,本发明公开了一种交通溢流状态下车辆路径选择的方法,本发明将交通溢流这个交通问题与车辆路径选择这个现实问题结合起来。在已知起始地点与目标地点之后,采用相应的算法规划出一条合理的路径。当城市路网内某交叉口发生溢流时,根据视频图像处理等现代交通检测技术,快速获得车辆排队的增长速度,即停车波波速,实时估计溢流可能蔓延到各个路口的时间。在获取得到上述溢流信息后,对现有的路径进行重新规划,使出行车辆尽量避开溢流路段,降低出行车辆陷入拥堵区域的风险,从而实现在避开拥堵区且在较短时间内到达目的地。
为实现上述目的,本发明的具体方案如下:
一种交通溢流状态下车辆路径选择的方法,包括以下步骤:
步骤一:在已知起始地点和目标地点的状态下,在路网中规划出一条车辆行驶的最短路径;
步骤二:车辆按照该最短路径在行驶过程中,通过对交叉口视频检测,当检测到该最短路径所经过的路口或与之连通的某一交叉口发生溢流时,查询道路属性表,得到该道路方向的长度和停车波波速,计算停车波传播到各个交叉口的时间;
步骤三:计算查找溢流截断点,溢流截断点即溢流扩散后与已规划好的路径的相交节点,根据公式Δt=T-Tω判断车辆能否顺利通过溢流截断点,如果能通过,则不需要重新进行路径的规划,可按照之前的路径正常行驶,否则转步骤四,其中,T为车辆到达溢流截断点的时间,Tw为溢流扩散至溢流截断点的时间;
步骤四:在路网中利用路径规划算法去掉溢流相关路段后重新规划一条路径,返回步骤三进行计算,直至溢流对所选择的路径不产生影响。
进一步的,在步骤三中,当Δt大于零,表示车辆不能顺利通过溢流截断点,需重新规划路径;
当Δt等于零,表示车辆到达时溢流也恰好传播到溢流截断点,为降低堵车风险,将该情况归为重新规划路径状态;
当Δt小于零,表示车辆能顺利通过溢流截断点,不需要重新规划路径。
进一步的,路径的规划采用A*算法,A*算法用于计算两点之间的最短路径,A*算法的搜索效率主要依赖于其所选取的两节点间最短距离的下界的质量。
进一步的,A*算法的估价函数定义为:
f(n)=g(s,n)+h(n,t) (2-1)
其中f(n)是节点n的估价值,g(s,n)是从初始节点s到n的最短路径值,h(n,t)是从节点n到目标节点t的最短路径估计代价。
进一步的,定义城市交通路网G=(V,E,H),其中V=(V1,V2……Vn)为G的点集,代表城市交通道路中的各个道路交叉口;表示连接点Vi和点Vj的弧段,代表连接各个路口之间的城市交通道路;Hij为Eij的权重,表示各个道路的行驶费用,即道路长度。
进一步的,对路网G中给定的两点s和t,定义他们之间的一条路径为P(s,t),为一组首位相连的序列:(s,i1),(i1,i2)……(ik,t),则路径P的长度路径P(s,t)定义为该路径上所有连边的权重的累加和,即
定义(s,t)之间的最短路径为H* (s,t),则
进一步的,A*算法执行步骤如下:
S1:初始化;
S(1-1)初始点设置为:i=s,L(i)=0,P(i)为空;其中L(i)表示从初始节点s到节点i的路径长度,P(i)表示该路径中节点i的前一节点。
S(1-2)所有其他点:L(j)=∞,j≠i j≠i;
S(1-3)候选节点集Q={i};
S2:节点选择,从集合Q中选取一个节点i并将其从Q中移除。
S3:节点松弛,对以节点i为起始点的所有连边E=(i,j)执行松弛操作,判断下列不等式是否成立g(s,i)+Hij+h(j,t)<f(j),如果满足,则更新当前存储的节点j的路径长度g(s,j)=g(s,i)+Hij,更新节点j的估价函数f(j)=g(s,i)+Hij+h(j,t)更新节点j的前一节点P(j)=i,并将节点j加入候选集合Q中。
S4:终止规则,如果集合Q为空,则算法完成,退出搜索;否则,转到S2再继续。
进一步的,当车辆在规定的时间内到达某一指定地点,定义车辆在道路上的时间为自由行驶时间与延误时间之和;
假设ki表示车辆通过路口i时的延误时间,则车辆在无溢流状态下从出发节点s到目标节点t的最短行驶时间为:
式中:vij表示车辆在道路Eij上行驶的速度,由于道路状况的不同,vij有不同的取值,ki表示车辆经过路口i时的延误时间,车辆经过的路口越多,需要等待红灯的时间越长,延误时间就越多。
进一步的,定义以下前提成立:
1.在路网中溢流发生点为A,去掉溢流点A及其相连路段之后,路网G仍然连通;
2.最短路径上任何一点到其终点即目的地都是最短的,集合P中任意一点到t的最短距离所经过的点一定是P(s,t)的子集,即满足下列公式:
H* (s,t)=H* (s,j)+H* (j,t)j∈P(s,t) (3-2)
其中j为路径上的一点且j∈P(s,t)。
进一步的,在新规划好的路径中查找溢流截断点,并分析该点的溢流等级,计算溢流传播到该点的时间,具体计算时:
根据公式uω=uf[1-(η1+1)]=-ufη1其中负号表示传播方向与车辆行驶方向相反;
设发生溢流点为点c,溢流截断点为点a,则溢流从c点传到a点的路径总长度L:
L=∑ij∈p(c,a)Hij (3-5)
溢流从c点传到a点的时间Tω:
计算车辆到达溢流截断点的时间,溢流截断点为a,则
计算Δt,判断车辆能否顺利通过
其中uf=vij,故上式可整理为
本发明的有益效果:
本发明将交通溢流这个交通问题与车辆路径选择这个现实问题结合起来。通过对Δt的判断,决定是否重新规划路径。该方法为交通拥堵状态下车俩该如何行驶提供了指导,不论是用于静态还是动态的路径规划,都具有很强的实用性。
附图说明
图1交通格锁示意图;
图2交通波原理图;
图3已知起始地点与目的地规划好的路径;
图4溢流发生示意图;
图5重新规划好的路径;
图6溢流扩散示意图;
图7SuperMap Deskpro.NET 6R工作环境示意图。
具体实施方式:
下面结合附图对本发明进行详细说明:
本发明所用设备及仿真环境介绍:
图像获取设备:摄像机,在本发明中,通过摄像机获取道路交通状态,为后面的研究提供数据支持。
如图7所示,软件环境:SuperMap Deskpro.NET 6R:SuperMap Deskpro.NET 6R是SuperMapGIS桌面产品中的旗舰式GIS产品,它功能全面且支持扩展开发,是一款可编程、可扩展、可定制的,二三维一体化的桌面GIS产品,能满足用户的多样化需求。其主要功能有:数据管理、数据处理与转换、空间分析、动态分段、网络分析等。在本发明中,利用该软件通过编程实现车辆路径的选择及交通溢流的扩散仿真模拟,通过模拟数据来反应道路真实状况。
一、城市交通路网溢流传播速度的研究
该问题的研究主要从溢流概述、溢流条件下的排队速度分析两个方面入手。
(一)溢流概述
所谓交通网溢流指的是在道路上或路口处发生交通事件的情况下,交通系统中的车辆在该点发生临时性的停滞,在不采取任何管理措施的情况下,其它车辆持续向该点汇聚,引起车流排队,当排队长度到达路口的情况下,与相交路口(十字路口、丁字路口等)车辆发生互阻,形成路口格锁,排队车辆进一步向道路四周扩散,从而产生交通溢流。路网车流因此逐渐趋向于静止,最终发生大范围的交通阻塞,后果十分严重。如图1所示。
(二)溢流条件下的排队速度分析
溢流条件下的排队速度分析主要包括两个步骤:
(1)交通波理论概述
交通波理论是一种宏观的交通流理论,把交通系统中的车流用一种流体动力学方法来模拟,描述了同向运动不同状态的两股交通流相遇时状态的转化过程,在智能交通系统、交通流分析、车辆排队长度计算和交通控制效果评价中都有广泛的应用。
如图2所示,假设交通波从左向右传播,波速为uω,波阵面s-s′左侧车流的速度为u1,密度为ρ1,右侧车流的速度为u2,密度为ρ2。以s-s′为参考面,右侧车流以uω-u1的速度进入参考面,左侧车流以uω-u2的速度从参考面流出。假设车流稳定的在单车道内行驶,那么时间t内进出参考面的车辆数应该相等。由此可得:
ρ1(uω-u1)t=ρ2(uwω-u2)t (1-1)
整理后,可得:
uω=(ρ1u1-ρ2u2)/(ρ1-ρ2) (1-2)
参考面两边的流量q1=ρ1u1,q2=ρ2u2,所以有:
uω=(q1-q2)/(ρ1-ρ2) (1-3)
这就是交通波理论的基本原理。
(2)基于交通波理论的溢流扩散速度研究
格林希尔治模型适用于交通拥堵条件下,能够比较准确预测车流速度。简单介绍格林希尔治模型:
式中:ρj为阻塞密度,表示道路完全拥堵时的车辆密度;ρi表示当前的道路阻塞密度;uf为自由流速度,即车辆正常行驶时的速度。
令称ηi为标准化密度,则有
u1=uf(1-η1),u2=uf(1-η2),代入波速公式得:
整理得:
uω=uf[1-(η1+η2)] (1-6)
现在考虑交叉口遇到红灯的情况下,假设车流的标准化密度为η1,相应路段平均速度为u1,根据式(1-6)可推导出停车波模型如下:
uω=uf[1-(η1+1)]=-ufη1 (1-7)
在该公式中,负号表示停车波的方向与车辆的行驶方向相反。路网中,两个路口之间的道路长度为L为已知量,在计算出停车波波速后,可计算出溢流蔓延到上游路口的时间T1:
二、车辆路径规划算法的研究
车辆路径选择算法很多,Dijkstra算法是进行路径规划的经典算法,早期的路径规划算法多采用此算法,并在此算法的基础上进行各种改进。Dijkstra算法多用于在给定一个出发结点的情况下从该节点到其他所有结点的最短路径,主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解,但由于它遍历计算的节点很多,所以效率低。在本申请中路径的规划采用A*算法,A*算法多用于计算两点之间的最短路径问题。A*算法的搜索效率主要依赖于其所选取的两节点间最短距离的下界的质量,该下界越接近真实值,则A*算法的搜索效率越高。
A*算法是一种典型的启发式搜索算法,它在搜索过程中引入估价函数,对每一个节点进行评估,得到最好的位置,再从这个位置进行搜索,直到搜索到目标。这样就省略了大量的无用搜索路径,提高了搜索效率。A*算法的估价函数定义为:
f(n)=g(n)+h(n) (2-1)
其中f(n)是节点n的估价值,g(n)是从初始节点到n的最短路径值,h(n)是从节点n到目标节点的最短路径估计代价。
A*算法的关键在于选取恰当的估价函数,当估价函数h(n)小于实际值时,搜索范围广,A*算法能得到最优解,此时的估价函数称为可接纳的;当估价函数h(n)大于实际值时,算法搜索节点数减少,搜索效率提高,但是不能保证得到最优解。
路网的定义:
定义城市交通路网G=(V,E,H),其中V=(V1,V2……Vn)为G的点集,代表城市交通道路中的各个道路交叉口;表示连接点Vi和点Vj的弧段,代表连接各个路口之间的城市交通道路;Hij为Eij的权重,表示各个道路的行驶费用,在本申请中即道路长度。
对图G中给定的两点s和t,定义他们之间的一条路径为P(s,t)为一组首位相连的序列:(s,i1),(i1,i2)……(ik,t),则路径P的长度路径P(s,t)定义为该路径上所有连边的权重的累加和,即
定义(s,t)之间的最短路径为H* (s,t),则
A*算法执行步骤如下:
(1)初始化。
①初始点设置为:i=s,L(i)=0,P(i)为空;
②所有其他点:L(j)=∞,j≠i j≠i;
③候选节点集Q={i}。
(2)节点选择。从集合Q中选取一个节点i并将其从Q中移除。
(3)节点松弛,对以节点i为起始点的所有连边E=(i,j)执行松弛操作,判断下列不等式是否成立g(s,i)+Hij+h(j,t)<f(j),如果满足,则更新当前存储的节点j的路径长度g(s,j)=g(s,i)+Hij,更新节点j的估价函数f(j)=g(s,i)+Hij+h(j,t)更新节点j的前一节点P(j)=i,并将节点j加入候选集合Q中。
(4)终止规则。如果集合Q为空,则算法完成,退出搜索;否则,转到(2)再继续。
三、交通溢流状态下车辆路径的选择
上述算法中,以路程的长度进行计算,现实生活中,我们通常要做的是在规定的时间内到达某一指定地点,我们定义车辆在道路上的时间为自由行驶时间与延误时间之和。
假设ki表示车辆通过路口i时的延误时间,则车辆在无溢流状态下从出发节点s到目标节点t的最短行驶时间为
式中:vij表示车辆在道路Eij上行驶的速度,由于道路状况的不同,vij有不同的取值。ki表示车辆经过路口i时的延误时间,车辆经过的路口越多,需要等待红灯的时间越长,延误时间就越多。
定义以下前提成立:
1.在路网中溢流发生点为A,去掉溢流点A及其相连路段之后,路网G仍然连通。
2.最短路径上任何一点到其终点(即目的地)都是最短的。集合P中任意一点到t的最短距离所经过的点一定是P的子集。即满足下列公式:
H* (s,t)=H* (s,j)+H* (j,t),j∈P。 (3-2)
其中j为路径上的一点且j∈P(s,t)。
定义以下概念:
1.溢流截断点:溢流扩散后与已规划好的路径的相交节点,该点是判断是否需要重新规划路径的重要依据。
2.N级溢流节点:与发生溢流的节点直接相连的为一级溢流点,与一级溢流点相连的为二级溢流点,依次类推。
在已规划好的路径中,随着溢流的扩散,一定会与已规划好的路径产生交点,这个点就是溢流截断点。溢流截断点将最优路径分成了两端,通过判断车辆到达溢流截断点的时间和溢流传播到该点的时间差,判断车辆能否顺利通过该点,如果能通过,则不需要重新进行路径的规划,否则需要重新规划路径。
具体计算过程如下:
1.已知起始地点与目标地之后,通过A*算法计算最佳路径,并计算出车辆在路上消耗的时间。
如图3所示:
2.车辆按照该最短路径在行驶过程中,通过对交叉口视频检测,当检测到该最短路径所经过的路口或与之连通的某一交叉口发生溢流时,查询道路属性表,如表1所示,得到该道路方向的长度和停车波波速,计算停车波传播到各个交叉口的时间。
表1 部分道路属性表
表1说明:路口ID为GIS地图中交叉口编号,每个编号代表一个交叉口;长度为该路口与上游路口的道路长度;上游路口ID为与该路口相连的上游路口编号;平均波速是指溢流在该路段的扩散速度。
判断发生溢流的点是否在已规划好的路径上,如果在,如图4所示,则重新规划路径,如图5所示,否则进行下一步。
3.在新规划好的路径中查找溢流截断点,并分析该点的溢流等级,如图6所示,计算溢流传播到该点的时间。
根据公式uω=uf[1-(η1+1)]=-ufη1其中负号表示传播方向与车辆行驶方向相反
设发生溢流点为点c,溢流截断点为点a,则溢流从c点传到a点的路径总长度L:
L=∑ij∈p(c,a)Hij (3-5)
溢流从c点传到a点的时间Tω:
4.计算车辆到达溢流截断点的时间。溢流截断点为a,则
5.计算Δt,判断车辆能否顺利通过
其中uf=vij,故上式可整理为
下面对Δt进行分析:
(1)Δt>0,表示车辆到达该路口的时间大于溢流传播到该路口的时间,当车辆达到该点时,该路口已不能通行,此时需要重新进行路径规划,将该点从路网中去掉后,重新规划路径。
(2)Δt=0,该情况表示车辆到达该点时溢流恰好也传播到该点,由于道路情况的不确定性,车辆在路上稍有延误就会导致不能顺利通过该路口,该情况下不能通过的风险很高,故将其等同第一种不能通过的情况。
Δt<0,表示车辆到达该路口时间小于溢流到达该路口的时间,车辆到达时,溢流并没有传播到该路口,车辆可顺利通过该路口,不需要重新规划路径,车辆可按照既定路径行驶。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种交通溢流状态下车辆路径选择的方法,其特征是,包括以下步骤:
步骤一:在已知起始地点和目标地点的状态下,在路网中规划出一条车辆行驶的最短路径;
步骤二:车辆按照该最短路径在行驶过程中,通过对交叉口视频检测,当检测到该最短路径所经过的路口或与之连通的某一交叉口发生溢流时,查询道路属性表,得到该道路方向的长度和停车波波速,计算停车波传播到各个交叉口的时间;
步骤三:计算查找溢流截断点,溢流截断点即溢流扩散后与已规划好的路径的相交节点,根据公式Δt=T-Tω判断车辆能否顺利通过溢流截断点,如果能通过,则不需要重新进行路径的规划,可按照之前的路径正常行驶,否则转步骤四,其中,T为车辆到达溢流截断点的时间,Tw为溢流扩散至溢流截断点的时间;
步骤四:在路网中利用路径规划算法去掉溢流相关路段后重新规划一条路径,返回步骤三进行计算,直至溢流对所选择的路径不产生影响;
在步骤三中,当Δt大于零,表示车辆不能顺利通过溢流截断点,需重新规划路径;
当Δt等于零,表示车辆到达时溢流也恰好传播到溢流截断点,为降低堵车风险,将该情况归为重新规划路径状态;
当Δt小于零,表示车辆能顺利通过溢流截断点,不需要重新规划路径。
2.如权利要求1所述的一种交通溢流状态下车辆路径选择的方法,其特征是,路径的规划采用A*算法,A*算法用于计算两点之间的最短路径,A*算法的搜索效率主要依赖于其所选取的两节点间最短距离的下界的质量。
3.如权利要求2所述的一种交通溢流状态下车辆路径选择的方法,其特征是,A*算法的估价函数定义为:
f(n)=g(s,n)+h(n,t) (2-1)
其中f(n)是节点n的估价值,g(s,n)是从初始节点s到n的最短路径值,h(n,t)是从节点n到目标节点t的最短路径估计代价。
4.如权利要求1所述的一种交通溢流状态下车辆路径选择的方法,其特征是,定义城市交通路网G=(V,E,H),其中V=(V1,V2……Vn)为G的点集,代表城市交通道路中的各个道路交叉口;表示连接点Vi和点Vj的弧段,代表连接各个路口之间的城市交通道路;Hij为Eij的权重,表示各个道路的行驶费用,即道路长度。
5.如权利要求4所述的一种交通溢流状态下车辆路径选择的方法,其特征是,对路网G中给定的两点s和t,定义他们之间的一条路径为P(s,t),为一组首位相连的序列,则路径P的长度路径P(s,t)定义为该路径上所有连边的权重的累加和。
6.如权利要求5所述的一种交通溢流状态下车辆路径选择的方法,其特征是,A*算法执行步骤如下:
S1:初始化;
S(1-1)初始点设置为:i=s,L(i)=0,P(i)为空;其中L(i)表示从初始节点s到节点i的路径长度,P(i)表示该路径中节点i的前一节点;
S(1-2)所有其他点:L(j)=∞,j≠i j≠i;
S(1-3)候选节点集Q={i};
S2:节点选择,从集合Q中选取一个节点i并将其从Q中移除;
S3:节点松弛,对以节点i为起始点的所有连边E=(i,j)执行松弛操作,判断下列不等式是否成立g(s,i)+Hij+h(j,t)<f(j),如果满足,则更新当前存储的节点j的路径长度g(s,j)=g(s,i)+Hij,更新节点j的估价函数f(j)=g(s,i)+Hij+h(j,t)更新节点j的前一节点P(j)=i,并将节点j加入候选集合Q中;
S4:终止规则,如果集合Q为空,则算法完成,退出搜索;否则,转到S2再继续。
7.如权利要求1所述的一种交通溢流状态下车辆路径选择的方法,其特征是,当车辆在规定的时间内到达某一指定地点,定义车辆在道路上的时间为自由行驶时间与延误时间之和。
8.如权利要求7所述的一种交通溢流状态下车辆路径选择的方法,其特征是,定义以下前提成立:
在路网中溢流发生点为A,去掉溢流点A及其相连路段之后,路网G仍然连通;
最短路径上任何一点到其终点即目的地都是最短的,集合P中任意一点到t的最短距离所经过的点一定是P(s,t)的子集。
9.如权利要求8所述的一种交通溢流状态下车辆路径选择的方法,其特征是,在新规划好的路径中查找溢流截断点,并分析该点的溢流等级,计算溢流传播到该点的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610345396.2A CN106052701B (zh) | 2016-05-23 | 2016-05-23 | 一种交通溢流状态下车辆路径选择的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610345396.2A CN106052701B (zh) | 2016-05-23 | 2016-05-23 | 一种交通溢流状态下车辆路径选择的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106052701A CN106052701A (zh) | 2016-10-26 |
CN106052701B true CN106052701B (zh) | 2018-08-14 |
Family
ID=57177500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610345396.2A Active CN106052701B (zh) | 2016-05-23 | 2016-05-23 | 一种交通溢流状态下车辆路径选择的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106052701B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121791A (zh) * | 2017-12-14 | 2018-06-05 | 苏州泥娃软件科技有限公司 | 一种交通大数据路径可搜索系统 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952475B (zh) * | 2017-04-26 | 2019-04-23 | 清华大学 | 用户均衡原则下的双路径路网个性化诱导率分配方法 |
CN108090191A (zh) * | 2017-12-14 | 2018-05-29 | 苏州泥娃软件科技有限公司 | 一种交通大数据清洗整理的方法和系统 |
CN108562301A (zh) * | 2018-05-21 | 2018-09-21 | 北京石油化工学院 | 一种行驶路径的规划方法及装置 |
CN109101022A (zh) * | 2018-08-09 | 2018-12-28 | 北京智行者科技有限公司 | 一种作业路径更新方法 |
CN109974708B (zh) * | 2019-04-09 | 2021-02-26 | 集美大学 | 一种无人船航迹规划方法、终端设备及存储介质 |
CN110852470B (zh) * | 2019-09-20 | 2021-04-27 | 合肥工业大学 | 无人机与车辆协同下交通巡逻任务分配的优化方法 |
CN110941267B (zh) * | 2019-11-18 | 2021-05-25 | 电子科技大学 | 蚁群算法用于拥堵环境下的动态路径规划方法 |
CN111401614B (zh) * | 2020-03-09 | 2022-09-02 | 西南交通大学 | 一种城市轨道交通动态客流分配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5428545A (en) * | 1993-01-11 | 1995-06-27 | Mitsubishi Denki Kabushiki Kaisha | Vehicle guiding system responsive to estimated congestion |
CN102568194A (zh) * | 2011-12-26 | 2012-07-11 | 浙江工业大学 | 一种城市道路交通拥堵持续时间和空间扩散预测方法 |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
CN103090878A (zh) * | 2011-10-28 | 2013-05-08 | 北京中交兴路信息科技有限公司 | 一种车辆路径规划方法、系统及一种车载导航设备 |
CN103927892A (zh) * | 2014-04-29 | 2014-07-16 | 山东比亚科技有限公司 | 一种交通溢流协调控制优化模型的建立方法及其工作方法 |
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 |
CN105355044A (zh) * | 2015-10-27 | 2016-02-24 | 山东大学 | 一种基于gis的城市交通路网格锁传播的动态表达方法 |
-
2016
- 2016-05-23 CN CN201610345396.2A patent/CN106052701B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5428545A (en) * | 1993-01-11 | 1995-06-27 | Mitsubishi Denki Kabushiki Kaisha | Vehicle guiding system responsive to estimated congestion |
CN103090878A (zh) * | 2011-10-28 | 2013-05-08 | 北京中交兴路信息科技有限公司 | 一种车辆路径规划方法、系统及一种车载导航设备 |
CN102568194A (zh) * | 2011-12-26 | 2012-07-11 | 浙江工业大学 | 一种城市道路交通拥堵持续时间和空间扩散预测方法 |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
CN103927892A (zh) * | 2014-04-29 | 2014-07-16 | 山东比亚科技有限公司 | 一种交通溢流协调控制优化模型的建立方法及其工作方法 |
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 |
CN105355044A (zh) * | 2015-10-27 | 2016-02-24 | 山东大学 | 一种基于gis的城市交通路网格锁传播的动态表达方法 |
Non-Patent Citations (1)
Title |
---|
基于GIS的城市交通路网格锁传播建模及其动态表达研究;李慧敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160215;第C034-556页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121791A (zh) * | 2017-12-14 | 2018-06-05 | 苏州泥娃软件科技有限公司 | 一种交通大数据路径可搜索系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106052701A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
CN102176283B (zh) | 一种简化交通路网模型的导航方法 | |
CN102081658B (zh) | 基于分层路网的路径搜索方法和装置 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN103544291B (zh) | 道路网络中基于RRN-Tree的移动对象CKNN查询方法 | |
CN106446960B (zh) | 一种密度聚类划分时间段的动态热度路网构建方法 | |
Schmitt et al. | Vehicle route guidance systems: Classification and comparison | |
CN103090878A (zh) | 一种车辆路径规划方法、系统及一种车载导航设备 | |
van Wageningen-Kessels et al. | Discontinuities in the Lagrangian formulation of the kinematic wave model | |
CN111197991A (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
CN111337047B (zh) | 基于多任务点约束的非结构化道路宏观路径规划方法 | |
CN105825677A (zh) | 一种基于改进bml模型的城市交通拥堵预测方法 | |
CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
Aleksandr et al. | Dynamic traffic re-routing as a method of reducing the congestion level of road network elements | |
CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
Selamat et al. | A fast path planning algorithm for route guidance system | |
CN114419917B (zh) | 一种基于单向图的交通拥堵疏导方法及系统 | |
Hedderich et al. | Optimization of a Park Spot Route based on the A* Algorithm | |
Stan et al. | Routing Algorithms in Connected Cars Context. | |
Dong et al. | A weight-based road impedance function model | |
KR101304173B1 (ko) | Gis에서의 경로 계획 분석을 위한 도로 네트워크의 실제 세계 구현 시스템 및 방법 | |
Pan et al. | Road Network Modeling with Layered Abstraction for Path Discovery in Vehicle Navigation Systems. |
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 |