CN106096756A - 一种城市交通路网动态实时多路口路径选择方法 - Google Patents
一种城市交通路网动态实时多路口路径选择方法 Download PDFInfo
- Publication number
- CN106096756A CN106096756A CN201610375047.5A CN201610375047A CN106096756A CN 106096756 A CN106096756 A CN 106096756A CN 201610375047 A CN201610375047 A CN 201610375047A CN 106096756 A CN106096756 A CN 106096756A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- value
- crossing
- road network
- 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.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
Abstract
本发明公开了一种城市交通路网动态实时多路口路径选择方法,首先构造一个城市交通路网的动态实时多路口路径选择模型,有效描述了多个路口多个车辆同时进行路径选择时的动态策略;然后通过一种解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法,在保证车辆的偏好前提下,将交通流均匀分布在可选路径上,使得城市交通路网道路资源应用效率最大化。
Description
技术领域
本发明属于计算机科学和智能交通技术领域,涉及一种城市交通路网动态实时多路口路径选择方法。
背景技术
随着世界范围的城镇化发展,大型城市交通拥堵现象越来越严重,不仅影响人们的工作效率,带来很大经济损失,还造成严重的环境污染和安全事故,给人们的生命健康带来很大威胁。在现有城市空间扩容有限的情况下,如何充分利用现有交通道路资源、缓解城市拥堵现象已成为现代城市发展中亟待解决的一个热点问题。
目前缓解城市交通拥堵的主要方法如下:
(1)调控交通灯的动态优化;比如SCATS(Sydney Coordinated Adaptive TrafficSystem)和SCOOT(Split Cycle Offset Optimization Technique)系统。该类方法主要从宏观交通流角度疏散交通拥堵,通过加快行驶车辆的流通速度来提高道路资源的利用率,但没有考虑到每个微观行驶车辆的不同交通需求;
(2)单个行驶车辆的路径导航算法;主要有确定性算法,包括A*算法、Dijkstra最短路径算法、动态规划算法等;智能算法,包括PSO算法、遗传算法、蚁群优化算法、神经网络算法等;基于当前交通状况寻优算法,比如TomTom,Google导航等。上述方法均为非协商类算法,其问题在于,为每个车辆提供最优路径的时候没有考虑到车辆间的相互影响,因而可能会导致很多车辆涌入相同路段,造成新的交通拥堵,反而延长了车辆行驶时间;
(3)基于车辆或路径数据的寻优方法;为了将车辆分散在不同路径以缓解交通拥堵现象,有的学者根据车辆行驶的历史路径数据,选择行驶时间相近的一组路径并依据概率推荐给行驶车辆;或者基于路径的拥堵程度进行定价来引导车辆选择行驶路径;或者通过与路网中心的互动博弈来进行车辆的路径选择。
以上方法对于分散交通流从而减轻交通拥堵程度起到了一定作用,但是这些方法要么是基于静态数据,车辆的路径选择不是基于动态的交通信息且缺乏协作;要么是计算效率较低,不能提供快速精确的路径选择。而且,以上方法中车辆主要是基于行驶时间来进行路径选择,没有考虑到更多的偏好指标,缺乏灵活的个 性化选择。
发明内容
为了解决上述技术问题,本发明提供了一种城市交通路网动态实时多路口路径选择方法,在保证车辆的偏好前提下,结合可选路线的实时交通状况,将交通流均匀分布在可选路径上,使得城市交通路网道路资源应用效率最大化。
本发明所采用的技术方案是:一种城市交通路网动态实时多路口路径选择方法,其特征在于:首先构造一个城市交通路网的动态实时多路口路径选择模型DR2SM,有效描述了多个路口多个车辆同时进行路径选择时的动态策略;然后通过一种解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法SALA,在保证车辆的偏好前提下,将交通流均匀分布在可选路径上,使得城市交通路网道路资源应用效率最大化。
作为优选,所述构造一个城市交通路网的动态实时多路口路径选择模型DR2SM,其具体实现过程是:
将城市交通路网建模成有向图G(L,E),其中L是路口集合,E是路口之间的路段集合;
假设城市交通路网中路口数量为m;lx表示第x个路口,x=1,2,...,m,则L={l1,l2,...,lm};对任意相邻路口lx和ly,(lx,ly)∈E表示一条从路口lx能直接到达路口ly的路段;In(lx)表示能直接开往路口lx的所有邻居路口集合,Out(lx)表示从路口lx开出能直接到达的所有邻居路口集合;Turn(lx,ly)表示从路口lx开往ly的车辆可以转向的路口集合,如果从路口ly可以返回lx,则Turn(ly,lx)=Out(ly)-{lx};如果从路口ly不可以返回lx,则Turn(ly,lx)=Out(ly);
假设城市交通路网中行驶车辆的数量设为n,所有的行驶车辆集合表示为N={1,...,i,...,n};其中,第i个行驶车辆的起点路口和终点路口分别表示为oi和di;在当前时刻t,第i辆车已经过的路口集合、以及刚驶离的路口和即将驶向的路口,分别用和来表示;当第i辆车驶向路口时,根据对前方可选路径的偏好和成本的综合估计,并结合通过实时监控得到的交通状况信息,选择一条可选路径进行转向,用lk表示该车辆在下一个时间步选择转向的路口,即用Action(i,t)表示该车辆在当前时刻t的转向动作,则 用表示在当前时刻t,第i辆车驶向路口并经由路口lk,到达目的地di的所有可选路径集合,其中第h条可选路径表示为该路径的路段数表示为
基于上述定义,城市交通路网的动态实时多路口路径选择模型DR2SM即为求解如下参数优化问题:
其中,表示当前时刻t第i个车辆选择的最优路径,表示当前时刻t除了第i个车辆的其他所有车辆的路径选择策略所组成的向量,为当前时刻t第i个车辆路径选择的效用值,为当前时刻t第i个车辆的可选路径集合;π*(i,t)在当前时刻t,第i个车辆针对其他车辆路径选择的最优策略;及分别表示在当前时刻t,第i个车辆驶向路口并转向路口lk到达目的地di对应的耗费时间成本阈值、耗费距离成本阈值、耗油量成本阈值,以及经由其中的第h条路径到达目的地对应的预期耗费时间成本值、耗费距离成本值、耗油量成本值。
作为优选,所述选择一条可选路径进行转向,需同时考虑对可选路径的偏好值、不确定因素值以及耗费成本值,最后可得车辆对可选路径的效用值;用效用函数表示在当前时刻t,第i辆车驶向路口并转向路口lk,经由第h条可选路径到达目的地di对应的效用值,定义如下:
其中分别表示车辆对于相应可选路径的偏好值、不确定因素值以及耗费成本值;p、b、c是乘法因子,分别表示待转向车辆在选择可选路径时偏好值、不确定因素值以及耗费成本值的权重比例,根据行驶车辆所在地侧重的不同 城市交通路网标准分别取不同的值。
作为优选,车辆对于相应可选路径的偏好值P,计算如下:
P=alt×w1+lan×w2+sdw×w3+lgt×w4+cpl×w5+fmy×w6;
其中各参数的含义请见下表1:
表1车辆对于相应可选路径的偏好值计算中的参数定义
w1~w6表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1。
作为优选,车辆对于相应可选路径的不确定因素值不确定因素值B,如下所示:
B=accident×a1+activity×a2;
其中各参数的含义请见下表2:
表2 车辆对于相应可选路径的不确定因素值计算中的参数定义
a1、a2表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1;
对于突发交通事故这个不确定因素,如果交通事故影响程度非常大,导致该路段的车辆无法继续通行,则该值可设为INF,表示车辆转向时不会选择该路段;如果有交通事故,但对该路段的交通影响不是很大,依然可以让部分车辆顺利通行,则该值为[0,1]之间,依据事故的严重程度取值,该值越大,表示事故越严重,对路段交通影响越大。
作为优选,车辆对于相应可选路径的耗费成本值C,具体如下:
C=time×t1+dist×t2+oil×t3;
其中各参数的含义请见下表3:
表3 车辆对于相应可选路径的耗费成本值计算中的参数定义
t1~t3表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1;
其中预期耗费时间成本和预期耗油量成本与相应路径的拥堵状况有关;为了表示相应路段对应的拥堵状况,引入拥堵系数τ,该系数的值与路面上的实际车辆数q和该路段的阈值容量Y和堵塞容量D有关,具体计算公式如下:
该路段的预期耗费时间为该路段的平均行驶时间与该路段的拥堵系数的乘积,而一条路径上的预期耗费时间成本为各路段上的预期耗费时间之和与该路径的期望时间的比值;该路径对应的预期耗油量成本为各路段上的预期耗油量之和与该路径的期望耗油量的比值。
作为优选,所述p、b、c的取值取决于城市规模因素和路网车流量因素,当城市规模较大(城区常住人口500万以上),对应的路网车流量较大(大于1000辆/小时)的情况下,车辆行驶侧重通行效率,会首先考虑尽量避开较拥堵路径,其次考虑对路径的偏好,此时b、c的取值偏大,p的取值偏小;当城市规模偏小(城区常住人口300万以下),对应的路网车流量偏小(小于500辆/小时)的情况下,车辆行驶侧重较偏好的路径,此时p的取值偏大,b、c的取值偏小。
作为优选,所述解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法SALA,其具体实现包括以下子步骤:
步骤1:初始化路径;
在最初时刻t=0,每个车辆i随机选择最初路径在下一时刻t=1将该路径作为试探性最佳路径TBR
步骤2:适应性学习;
t=t+1,利用各车辆的混合策略计算出各车辆新的路径选择向量其具体实现过程如下:
每个车辆i通过探索来选择试探性最佳路径TBR h*,然后将该路径包含到最佳路径集中,即以最大化各车辆估测效用为目标;
其中:Ri={1,...,h,...,Mi}(i∈N)表示第i个车辆的可选路径集,ri∈Ri表示第i个车辆的路径选择策略,表示车辆i对于选择的路径ri的估测效用。
以高概率选择最大估测效用路径,以低概率随机选择其他路径,车辆i通过探索来选择试探性最佳路径TBR h*:
其中ε是一个很小的任意正数;TBR的选择概率为:
其中K是归一化因子,而Logit参数根据下面的式子进行更新,即根据用户的经验自动进行更新;
其中表示车辆的后悔值,定义为其中当时间t变得非常大时,后悔值接近于0;
步骤3:路径选择迭代计算;
判断新的路径选择向量中,各车辆的路径选择是否是TBR,若是则该车辆的路径选择在后面时刻保持不变;若不是,则回转执行所述步骤2;
步骤4:输出最佳路径选择;
如果在约定次数内各车辆都已找到自己的TBR,即各车辆路径选择达到Nash均衡时,或者计算到离连接点有一段给定距离时,算法终止SALA;当算法SALA执行完毕,车辆i按照最终的路径选择方案转向相应的路口继续行驶。
本发明的有益效果是:相对于其他交通模型,本发明在充分考虑车辆行驶时的多个主观、客观影响因素,以及车辆进行路径选择时彼此间相互影响的基础上,针对城市路网中多路口的大量车辆同时进行动态路径导航,为行驶车辆提供更加实时精确的个性化路径选择。
附图说明
图1:本发明实施例的城市交通路网动态实时多路口路径选择模型;
图2:本发明实施例的城市交通路网模型;
图3:本发明实施例的状态迁移概率示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对 本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
为了有效避免彼此之间的路径冲突,同时为行驶车辆提供更加精确的个性化路径选择,本发明提出一种城市交通路网动态实时多路口路径选择方法。该方法针对城市路网中多路口的大量车辆进行路径效用值的计算,需要考虑的因素非常多,不仅包括司机对道路的客观属性及主观偏好,还需要考虑到路线选择对应的耗费成本,以及道路上可能出现的突发事件等不确定因素。行驶车辆彼此间通过信息交互,利用自适应学习算法SALA寻找个体最优路径,在满足行驶车辆个体利益的同时,实现整个城市路网道路资源利用率的最大化。
本发明构造了一个城市交通路网的动态实时多路口路径选择模型DR2SM,有效描述了多个路口多个车辆同时进行路径选择时的动态策略,如图1所示;提出了一种解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法SALA,在保证车辆的偏好前提下,将交通流均匀分布在可选路径上,使得城市交通路网道路资源应用效率最大化。
以下结合附图及本发明的关键创新点对本实施例做进一步的阐述。
(1)DR2SM模型;
给定的城市交通路网可以被建模成有向图G(L,E),L是路口集合,E是路口之间的路段集合,如图2所示。假设城市交通路网中路口数量为m,lx(x=1,2,...,m)表示第x个路口,则L={l1,l2,...,lm}。对任意相邻路口lx和ly,(lx,ly)∈E表示一条从路口lx可以直接到达路口ly的路段。因为城市交通路网中有些路段是单向道,所以如果(lx,ly)∈E,不表示(ly,lx)∈E一定成立。In(lx)表示能直接开往路口lx的所有邻居路口集合,Out(lx)表示从路口lx开出能直接到达的所有邻居路口集合。Turn(lx,ly)表示从路口lx开往ly的车辆可以转向的路口集合,如果从路口ly可以返回lx,则Turn(ly,lx)=Out(ly)-{lx};如果从路口ly不可以返回lx,则Turn(ly,lx)=Out(ly)。
在以上城市交通路网中行驶车辆的数量设为n,所有的行驶车辆集合表示为N={1,...,i,...,n}。其中,第i个行驶车辆的起点路口和终点路口分别表示为oi和di。在当前时刻t,该车辆已经过的路口集合、以及刚驶离的路口和即将驶向的路口,分别用和来表示。当该车辆驶向路口时,根据对前方可选路径的偏好 和成本的综合估计,并结合通过实时监控得到的交通状况信息,选择一条可选路径进行转向,用lk表示该车辆在下一个时间步选择转向的路口,即用Action(i,t)表示该车辆在当前时刻t的转向动作,则 用表示在当前时刻t,第i辆车驶向路口并经由路口lk,到达目的地di的所有可选路径集合,其中第h条可选路径表示为该路径的路段数表示为
在考虑前方路径可能出现的不确定因素,以及该路径的行驶状况及对其影响等情形下,为了选择较偏好的路径,各路口待转向的车辆需同时考虑对可选路径的偏好值、不确定因素值以及耗费成本值,最后可得车辆对可选路径的效用值。这里,用效用函数表示在当前时刻t,第i辆车驶向路口并转向路口lk,经由第h条可选路径到达目的地di对应的效用值,定义如下:
其中分别表示车辆对于相应可选路径的偏好值、不确定因素值以及耗费成本值,p、b、c是乘法因子,分别表示待转向车辆在选择可选路径时偏好值、不确定因素值以及耗费成本值的权重比例,根据行驶车辆所在地侧重的不同城市交通路网标准,比如车辆通行效率、行驶安全性等,p、b、c分别取不同的值。p、b、c的取值取决于城市规模和路网车流量等因素,当城市规模较大,对应的路网车流量较大的情况下,车辆行驶侧重通行效率,会首先考虑尽量避开较拥堵路径,其次考虑对路径的偏好,此时b、c的取值偏大,p的取值偏小;当城市规模偏小,对应的路网车流量偏小的情况下,车辆行驶侧重较偏好的路径,此时p的取值偏大,b、c的取值偏小。基于以上原则,p、b、c的具体取值在多次试验探索中可取得最优值。行驶车辆对可选路径的效用值越大,则选择该路径的可能性越大。
为了在考虑对可选路径偏好的基础上,均匀分布在相应可选路径上不造成交通路网的拥堵,各路口的多个车辆在转向前的当前时刻t,根据得到的前方实时交通信息,通过信息交互进行拥堵博弈,并基于自适应学习算法SALA选择行驶路径,使得在确保各自耗费成本(包括时间、距离及耗油量等)不超过预期阈值的 情况下,各行驶车辆的路径选择策略达到Nash均衡,同时使城市路网道路资源应用效率达到最大化。根据以上描述,城市交通路网多路口实时动态路径选择模型即为求解如下参数优化问题:
其中,表示当前时刻t第i个车辆选择的最优路径,表示当前时刻t除了第i个车辆的其他所有车辆的路径选择策略所组成的向量,为当前时刻t第i个车辆路径选择的效用值,Ri t为当前时刻t第i个车辆的可选路径集合。π*(i,t)在当前时刻t,第i个车辆针对其他车辆路径选择的最优策略。及分别表示在当前时刻t,第i个车辆驶向路口并转向路口lk到达目的地di对应的耗费时间成本阈值、耗费距离成本阈值、耗油量成本阈值,以及经由其中的第h条路径到达目的地对应的预期耗费时间成本值、耗费距离成本值、耗油量成本值。
(2)交通流与效用值;
为表示城市路网中交通流与行驶车辆选择某条路径的效用值之间的关系,本发明定义了以下符号和术语。N={1,...,i,...,n}表示n个行驶车辆Agent集合。表示第i个车辆Agent的可选路径集,R-i表示除第i个车辆Agent外的其他所有车辆Agent的路线选择策略集合。若两个车辆的起点和终点相同,则它们的可选路径集也相同。ri∈Ri表示第i个车辆Agent的路径选择策略,r-i∈R-i表示其他车辆Agent的路径选择策略组合。所有车辆的路径选择策略可以表示为向量或者其中表示所有车辆Agent的路径选择策略下第i个车辆Agent所获得的效用值。从上一节车辆路径选择对应的效用值计算过程,可以得知行驶车辆选择某条路径的效用 值除了车辆对该路径的偏好及对应的不确定因素之外,主要和该路径上各路段的交通流量有关,而该值又取决于各车辆的路径选择策略,因此有如下定义。
已知E是城市路网内所有路段集合,定义qe表示路段e∈E上的交通流量。车辆i(i∈N)的可选路径集其中一条可选路径h∈Ri,由若干路段e∈h组成。在t时刻车辆i访问可选路径h(h∈Ri)的次数是一个0-1函数,定义如下:
其中1{·}是一个指示函数,如果大括号里的判断成立,则取值为1,否则为0。因此,可以得到t时刻路段e∈h的交通流量为:
其中,表示某个路段与路网中所有车辆可选路径的关系矩阵,其中元素表示路段e与第i个车辆的第h条可选路径的关系,如果路段e包含在第i个车辆的第h条可选路径中,则该值为1;否则为0。各行驶车辆在时刻t将可选路径集及对各可选路径的偏好值发送至信息中心,由信息中心结合城市路网实时交通信息,在每个博弈阶段将各车辆的可选路径选择进行一次组合,进而对各路段交通流量进行计算。假定每个车辆都是根据以往历史经验按照某一个固定概率彼此独立进行路径选择,并且每个车辆都可以观察到其他车辆的路径选择,结合上一节的效用计算公式,即可计算出车辆i在时刻t对选择路径的平均效用为了使车辆的随机路径选择过程趋向稳定,加上一个由随机选择产生的噪音即构成车辆i在时刻t的已知效用如下所示:
假定在每个时刻t,所有车辆都观测到前面每个时刻(0,......,t-1)选择路径的已知效用,并参照该信息选择时刻t的路径。根据在前面每个时刻的已知效用值,可以得到在时刻t车辆i对于路径h的估测效用(该效用值即为车辆i进行路径选择的最大化目标)为:
其中,表示直到时刻t为止(不包括该时刻)车辆i访问路径h的次数,定义如下:
结合公式(6)和(7),可以得到下面的公式,即车辆i根据前一时刻对于路径h的估测效用以及当前时刻t获知的已知效用,可得到当前时刻t路径h的估测效用:
(3)随机拥堵博弈;
当城市路网中的所有车辆在接近路口进行最佳路径选择时,基于可选路径的估测效用进行协商,这个协商过程称为随机拥堵博弈。在博弈过程中,每个车辆基于自适应学习算法选择最大化估测效用的可选路径,以较高的概率达到混合Nash均衡。在自适应学习算法里包括一个效用学习和策略学习同步更新方案,同时更新Logit模型参数。然而,当前车辆无法获取未选择路径的效用值,因此,本发明的算法依赖于估测效用的最佳响应函数,并且该响应函数由一个随机近似理论递归更新。
(4)混合Nash均衡;
本发明用混合策略表示车辆i在时刻t选择可选路径ri的概率,即:
其中,对于车辆i的任意一条可选路径1≤h≤Mi,都有并且假定每个车辆都认为其他车辆会根据混合策略独立进行路径选择,那么车辆i在基于混合策略空间里的平均效用为:
当每个车辆相对其他车辆的路径选择策略来说都是最佳路径时,则达到了混合Nash均衡,即满足:
(5)最佳响应函数
当城市路网中的车辆行驶到各路口进行路径选择时,因为彼此间的选择会相互影响,每个车辆都是基于对可选路径的估测效用来进行最佳路径选择,所以它们会基于概率来进行选择,而不是确定性选择。根据各车辆进行路径选择的概率以及对应的可选路径估测效用,每个车辆通过一个最佳响应函数来确定自己的最佳响应,以期找到路径选择的Nash均衡点。基于[文献1],定义车辆i选择 路径的最佳响应函数为:
其中μi>0是一个与用户相关的光滑参数,而是车辆i的个体信息,是一个光滑严格可微凹函数,有关个体信息函数的典型例子就是熵函数:
由此可以得到下面的最佳响应函数Logit型:
为了成为车辆i的最佳响应,用递归估计效用来渐近逼近已知效用。基于[文献2]中的随机近似理论,用下面的更新公式来近似表示公式(8):
其中对于每个车辆i,是一个确定性序列,满足以下条件:
公式(15)的收敛性属性可以用[文献3]中的常微分方程组(ODE)来近似。如果系统处于一个平稳过程,其中每个车辆都独立选择路径,并假定其他车辆都保持原先的路径,那么估测效用将会收敛到已知效用的期望值。在更一般的情况下,所有的车辆都同时改变路径,系统呈现不平稳过程。[文献4]已证实公式(15)中的参数ξt如果满足下面的条件,将是一个车辆特定的参数
当t→∞时,
根据[文献5]提出的扰动微分方程理论,[文献4]提供了下面的引理:结合车辆特定参数ξt,公式(15)得出的值只要它一直保持有界,那么它将会收敛到一个由异常扰动微分方程定义的有关交通流的内部联通的链递归集合。
(6)效用计算;
车辆在行驶的过程即将转向时,对未来的路径选择标准不仅仅依赖于该路径的距离和行驶时间,还会同时考虑其他因素,比如该路径所包含的路段的一些客观属性,包括车道数、是否有人行横道、照明设备是否充足等,以及司机对于道路的不同主观喜好,这些因素综合起来,就构成了车辆对某条路段的偏好,具体 参数如表1所示。
表1车辆选择道路偏好值计算中的参数定义
根据表1中描述的相关参数,可将它们进行权重组合计算一条路段的偏好值P,计算如下:
P=alt×w1+lan×w2+sdw×w3+lgt×w4+cpl×w5+fmy×w6 (18)
其中,w1~w6表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1。一条路径的偏好值为该路径上所有路段的偏好值之和,计算出来的偏好值越大,表示待转向车辆对该道路的偏好越高,对应的道路就越容易被选中。
表2车辆选择路段不确定因素值计算中的参数定义
在车辆行驶过程中,前方道路有时候会出现一些突发事件,比如交通事故、临时管制等,这些事件构成了车辆选择道路时要考虑的不确定因素,具体参数描述见表2。
对于每个不确定因素值的计算,主要考虑该突发事件对于整个路段交通的影响程度。比如,对于突发交通事故这个不确定因素,如果交通事故影响程度非常大,导致该路段的车辆无法继续通行,则该值可设为INF,表示车辆转向时不会选择该路段;如果有交通事故,但对该路段的交通影响不是很大,依然可以让部分车辆顺利通行,则该值为[0,1]之间,依据事故的严重程度取值,该值越大,表示事故越严重,对路段交通影响越大。对于临时管制等其他突发事件对应的不确定因素值,计算过程类似。根据对不同突发事件设定的值,可以计算该路段对应的不确定因素值B,如下所示:
B=accident×a1+activity×a2 (19)
其中,a1、a2表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1。一条路径对应的不确定因素值即为各路段对应的不确定因素值之和,计算出来的不确定因素值越大,表示待转向车辆选择该道路的可能性越低。
行驶车辆在对可选路径的偏好值和不确定因素值已确定的情况下,还需要考虑各路径的行驶状况。当车辆选择某路径进行转向时,会增加被选择路径的车流量,即对该路径的行驶状况造成一定的影响,同时也被该路径已有的拥堵状态所影响,这种影响包括车辆的行驶时间、距离及耗油量等,称为该车辆选择该路径所付出的成本代价,包括预期耗费时间成本、预期耗费距离成本、预期耗油量成本等。具体参数描述见表3。
表3车辆选择道路成本值计算中的参数定义
以上参数中,预期耗费距离成本的计算比较简单,只是该路径的实际长度与期望长度的比值,而预期耗费时间成本和预期耗油量成本则相对复杂,与相应路径的拥堵状况有关。为了表示相应路段对应的拥堵状况,本发明引入拥堵系数τ,该系数的值与路面上的实际车辆数q和该路段的阈值容量Y和堵塞容量D有关。一般来说,道路越拥堵,该道路对应的交通拥堵系数越大,不同阶段的车流量状态(包括自由流、半自由流、堵塞流等)对于交通拥堵系数的增加幅度也是不一样的。具体计算公式如下:
该路段的预期耗费时间可以计算为该路段的平均行驶时间与该路段的拥堵系数的乘积,而一条路径上的预期耗费时间成本为各路段上的预期耗费时间之和与该路径的期望时间的比值。类似的,该路径对应的预期耗油量成本为各路段上的预期耗油量之和与该路径的期望耗油量的比值。综合上面已计算出来的各预期耗费成本值,可以计算一条路径对应的耗费成本值C,具体如下:
C=time×t1+dist×t2+oil×t3 (21)
其中,t1~t3表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1。计算出来的耗费成本值越大,表示待转向车辆选择该道路的可能性越低。
(7)自适应学习算法SALA的实现;
在自适应学习算法中,本发明使用了Logit模型参数,该参数基于由已实现的效用定义的后悔值进行递归更新。如果每个车辆成功选择了更好路径,后悔值 会渐近地收敛于一个非常小的值,同时每个车辆选择最佳路径的概率也会增大。最后基于马尔科夫链模型证明了该算法收敛于ε-Nash均衡。
(8)马尔科夫学习过程
在驶向多路口的多个车辆进行路径选择博弈时,每个车辆的个体信息和所选路段的成本取决于其他路段的交通流,车辆的路径选择策略受到干扰,此时车辆的理性选择是较好响应,而不是最好响应。本发明的方法是基于马尔科夫学习模型进行状态转移,该模型将博弈过程中的状态看做一个学习层次,描述了状态迁移的过程。在每一个时间步t=1,2,...,用X(t)表示博弈状态,变量v为该状态下为学习者的数目,学习者就是成功地找到了最佳响应路径的车辆;而剩下的(n-v)个车辆则是非学习者。将非学习者的路径选择行为标为0;另一方面,将学习者的路径选择行为标为1,在接下来的时间步里,学习者将会保持行为不变。
用σv表示在状态X(t)下某辆车选择最佳路径的概率,而(1-σv)则表示某辆车没有选择到最佳路径的概率。那么,如图3所示,状态迁移概率表示为:
尽管信息分析中心知道当前状态,但是每个车辆并不知道自己当前所处的状态。根据马尔科夫链的性质可知,该马尔科夫链模型是不可约且非周期性的,所以会收敛到一个稳定的迁移概率λ,这可以在解决下面等式的时候找到。
且
(9)算法过程
在各车辆驶向路口选择前行路径的过程中,给定初始路径选择行为向量及对应的效用值后面的路径选择行为及效用值会相继产生。假定车辆i仅仅知道每个阶段t>0已实现的效用值并基于一定规则对可选路径的选择进行概率分布。信息中心在各车辆Agent对可选路径基于混合策略产生的路径选择向量的基础上,结合城市路网实时交通信息对路径的效用值进行计算并发 送给各车辆,使得行驶车辆知道每个时刻已实现的路径效用值并将其保存。行驶车辆在已实现的各时刻路径效用值基础上通过探索来选择当前时刻的最佳路径TBR(Tentative Best Route)。具体过程如下。
步骤1:初始化路径;
当车辆Agent在快要到达路口前向信息中心发送对前方路段的偏好信息以后察觉到需要协商路径选择时,自适应学习算法就被启动了,这个过程称为初始化条件。
在最初时刻t=0,每个车辆Agent i随机选择最初路径在下一时刻t=1将该路径作为试探性最佳路径TBR
步骤2:适应性学习阶段;
在随后的每一个时刻,每个车辆i通过探索来选择试探性最佳路径TBR h*,然后将该路径包含到最佳路径集中(即以最大化各车辆估测效用为目标):
基于下面的概率分配规则(以高概率选择最大估测效用路径,以低概率随机选择其他路径),车辆i通过探索来选择试探性最佳路径TBR h*:
其中ε是一个很小的任意正数。TBR的选择概率如下所示:
当ri=h* (26)
其中K是归一化因子,而Logit参数根据下面的式子进行更新,即根据用户的经验自动进行更新。
其中表示车辆的后悔值,定义为其中当时间t变得非常大时,后悔值接近于0。
新的路径选择向量根据各车辆的混合策略产生。
公式(25)中的第一个等式表明车辆i至少给每个可选路径分配概率εβi(h*),而给TBR分配的概率要多一点,以此来强化TBR。公式(25)和(26)一起表示车辆i的重新规划(适应性学习)过程,以此来试探性选择TBR。
步骤3:路径选择迭代过程;
如果TBR被重复选中,则该车辆在后面的阶段都保持该路径选择不变;如果根据混合策略选中的路径并不是TBR,那么车辆将根据公式(25)和(26)继续探索TBR。
步骤4:输出最佳路径选择;
如果在约定次数内各车辆Agent都已找到自己的TBR,即各车辆路径选择达到Nash均衡时,或者计算到离连接点(基于GPS定位)有一段给定距离时,算法终止,这被称为终止条件。当算法执行完毕,车辆Agent按照最终的路径选择方案转向相应的路口继续行驶。
表4给出自适应学习算法的具体过程。
表4自适应学习算法
其中:
[文献1]Fudenberg W,Levine D K.The Theory of Learning in Games[J].General Information,1996,133(1):177–198.
[文献2]Borkar V S.Stochastic approximation with two time scales[J].Systems&Control Letters,1997,29(97):291–294.
[文献3]Kushner H J,Clark D S,Kushner H J,et al.Stochasticapproximation methods for constrained and unconstrained systems/HaroldJ.Kushner,Dean S Clark[J].Books.google.com,1978.
[文献4]Leslie D S,Collins E J.Individual Q-Learning in Normal FormGames[J].Submission,2004,44(2):495-514.
[文献5]M.Dynamics of stochastic approximation algorithms[M]//Séminaire de Probabilités XXXIII.Springer Berlin Heidelberg,1999:1-68.
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种城市交通路网动态实时多路口路径选择方法,其特征在于:首先构造一个城市交通路网的动态实时多路口路径选择模型DR2SM,有效描述了多个路口多个车辆同时进行路径选择时的动态策略;然后通过一种解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法SALA,在保证车辆的偏好前提下,将交通流均匀分布在可选路径上,使得城市交通路网道路资源应用效率最大化。
2.根据权利要求1所述的城市交通路网动态实时多路口路径选择方法,其特征在于,所述构造一个城市交通路网的动态实时多路口路径选择模型DR2SM,其具体实现过程是:
将城市交通路网建模成有向图G(L,E),其中L是路口集合,E是路口之间的路段集合;
假设城市交通路网中路口数量为m;lx表示第x个路口,x=1,2,...,m,则L={l1,l2,...,lm};对任意相邻路口lx和ly,(lx,ly)∈E表示一条从路口lx能直接到达路口ly的路段;In(lx)表示能直接开往路口lx的所有邻居路口集合,Out(lx)表示从路口lx开出能直接到达的所有邻居路口集合;Turn(lx,ly)表示从路口lx开往ly的车辆可以转向的路口集合,如果从路口ly可以返回lx,则Turn(ly,lx)=Out(ly)-{lx};如果从路口ly不可以返回lx,则Turn(ly,lx)=Out(ly);
假设城市交通路网中行驶车辆的数量设为n,所有的行驶车辆集合表示为N={1,...,i,...,n};其中,第i个行驶车辆的起点路口和终点路口分别表示为oi和di;在当前时刻t,第i辆车已经过的路口集合、以及刚驶离的路口和即将驶向的路口,分别用和来表示;当第i辆车驶向路口时,根据对前方可选路径的偏好和成本的综合估计,并结合通过实时监控得到的交通状况信息,选择一条可选路径进行转向,用lk表示该车辆在下一个时间步选择转向的路口,即用Action(i,t)表示该车辆在当前时刻t的转向动作,则用表示在当前时刻t,第i辆车驶向路口并经由路口lk,到达目的地di的所有可选路径集合,其中第h条可选路径表示为该路径的路段数表示为
基于上述定义,城市交通路网的动态实时多路口路径选择模型DR2SM即为求解如下参数优化问题:
其中,表示当前时刻t第i个车辆选择的最优路径,表示当前时刻t除了第i个车辆的其他所有车辆的路径选择策略所组成的向量,为当前时刻t第i个车辆路径选择的效用值,为当前时刻t第i个车辆的可选路径集合;π*(i,t)在当前时刻t,第i个车辆针对其他车辆路径选择的最优策略;及分别表示在当前时刻t,第i个车辆驶向路口并转向路口lk到达目的地di对应的耗费时间成本阈值、耗费距离成本阈值、耗油量成本阈值,以及经由其中的第h条路径到达目的地对应的预期耗费时间成本值、耗费距离成本值、耗油量成本值。
3.根据权利要求2所述的城市交通路网动态实时多路口路径选择方法,其特征在于:所述选择一条可选路径进行转向,需同时考虑对可选路径的偏好值、不确定因素值以及耗费成本值,最后可得车辆对可选路径的效用值;用效用函数表示在当前时刻t,第i辆车驶向路口并转向路口lk,经由第h条可选路径到达目的地di对应的效用值,定义如下:
其中分别表示车辆对于相应可选路径的偏好值、不确定因素值以及耗费成本值;p、b、c是乘法因子,分别表示待转向车辆在选择可选路径时偏好值、不确定因素值以及耗费成本值的权重比例,根据行驶车辆所在地侧重的不同城市交通路网标准分别取不同的值。
4.根据权利要求3所述的城市交通路网动态实时多路口路径选择方法,其特征在于:车辆对于相应可选路径的偏好值P,计算如下:
P=alt×w1+lan×w2+sdw×w3+lgt×w4+cpl×w5+fmy×w6;
其中各参数的含义请见下表1:
表1车辆对于相应可选路径的偏好值计算中的参数定义
w1~w6表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1。
5.根据权利要求3所述的城市交通路网动态实时多路口路径选择方法,其特征在于:车辆对于相应可选路径的不确定因素值不确定因素值B,如下所示:
B=accident×a1+activity×a2;
其中各参数的含义请见下表2:
表2车辆对于相应可选路径的不确定因素值计算中的参数定义
a1、a2表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1;
对于突发交通事故这个不确定因素,如果交通事故影响程度非常大,导致该路段的车辆无法继续通行,则该值可设为INF,表示车辆转向时不会选择该路段;如果有交通事故,但对该路段的交通影响不是很大,依然可以让部分车辆顺利通行,则该值为[0,1]之间,依据事故的严重程度取值,该值越大,表示事故越严重,对路段交通影响越大。
6.根据权利要求3所述的城市交通路网动态实时多路口路径选择方法,其特征在于:车辆对于相应可选路径的耗费成本值C,具体如下:
C=time×t1+dist×t2+oil×t3;
其中各参数的含义请见下表3:
表3车辆对于相应可选路径的耗费成本值计算中的参数定义
t1~t3表示相应参数对应的独立权值乘法因子,因子越大表示对应的参数相对越重要,它们的和为1;
其中预期耗费时间成本和预期耗油量成本与相应路径的拥堵状况有关;为了表示相应路段对应的拥堵状况,引入拥堵系数τ,该系数的值与路面上的实际车辆数q和该路段的阈值容量Y和堵塞容量D有关,具体计算公式如下:
该路段的预期耗费时间为该路段的平均行驶时间与该路段的拥堵系数的乘积,而一条路径上的预期耗费时间成本为各路段上的预期耗费时间之和与该路径的期望时间的比值;该路径对应的预期耗油量成本为各路段上的预期耗油量之和与该路径的期望耗油量的比值。
7.根据权利要求3所述的城市交通路网动态实时多路口路径选择方法,其特征在于:所述p、b、c的取值取决于城市规模因素和路网车流量因素,当城市常住人口500万以上,对应的路网车流量大于1000辆/小时的情况下,车辆行驶侧重通行效率,会首先考虑尽量避开较拥堵路径,其次考虑对路径的偏好,此时b、c的取值偏大,p的取值偏小;当城区常住人口300万以下,对应的路网车流量小于500辆/小时的情况下,车辆行驶侧重较偏好的路径,此时p的取值偏大,b、c的取值偏小。
8.根据权利要求2-7任意一项所述的城市交通路网动态实时多路口路径选择方法,其特征在于:所述解决多个车辆进行路径选择时存在的冲突问题的自适应学习算法SALA,其具体实现包括以下子步骤:
步骤1:初始化路径;
在最初时刻t=0,每个车辆i随机选择最初路径ri 0,在下一时刻t=1将该路径作为试探性最佳路径TBR h*=ri 1=ri 0;
步骤2:适应性学习;
t=t+1,利用各车辆的混合策略计算出各车辆新的路径选择向量其具体实现过程如下:
每个车辆i通过探索来选择试探性最佳路径TBR h*,然后将该路径包含到最佳路径集中,即以最大化各车辆估测效用为目标;
其中:Ri={1,...,h,...,Mi}(i∈N)表示第i个车辆的可选路径集,ri∈Ri表示第i个车辆的路径选择策略,表示车辆i对于选择的路径ri的估测效用;
以高概率选择最大估测效用路径,以低概率随机选择其他路径,车辆i通过探索来选择试探性最佳路径TBR h*:
其中ε是一个很小的任意正数;TBR的选择概率为:
当ri=h*;
其中K是归一化因子,而Logit参数根据下面的式子进行更新,即根据用户的经验自动进行更新;
其中表示车辆的后悔值,定义为其中当时间t变得非常大时,后悔值接近于0;
步骤3:路径选择迭代计算;
判断新的路径选择向量中,各车辆的路径选择是否是TBR,若是则该车辆的路径选择在后面时刻保持不变;若不是,则回转执行所述步骤2;
步骤4:输出最佳路径选择;
如果在约定次数内各车辆都已找到自己的TBR,即各车辆路径选择达到Nash均衡时,或者计算到离连接点有一段给定距离时,算法终止SALA;当算法SALA执行完毕,车辆i按照最终的路径选择方案转向相应的路口继续行驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610375047.5A CN106096756A (zh) | 2016-05-31 | 2016-05-31 | 一种城市交通路网动态实时多路口路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610375047.5A CN106096756A (zh) | 2016-05-31 | 2016-05-31 | 一种城市交通路网动态实时多路口路径选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096756A true CN106096756A (zh) | 2016-11-09 |
Family
ID=57229567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610375047.5A Pending CN106096756A (zh) | 2016-05-31 | 2016-05-31 | 一种城市交通路网动态实时多路口路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096756A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887146A (zh) * | 2017-04-01 | 2017-06-23 | 北京广育德视觉技术股份有限公司 | 导向标识系统的信息处理方法与导向标识系统 |
CN106940829A (zh) * | 2017-04-28 | 2017-07-11 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN107421556A (zh) * | 2017-08-23 | 2017-12-01 | 上海车音智能科技有限公司 | 导航路径推送方法及装置 |
CN107424426A (zh) * | 2017-07-10 | 2017-12-01 | 南京邮电大学 | 一种基于深度学习的物流路径规划方法 |
CN107808542A (zh) * | 2017-12-08 | 2018-03-16 | 何旭连 | 一种导航准确的车载导航系统 |
CN108806259A (zh) * | 2018-01-15 | 2018-11-13 | 江苏壹鼎崮机电科技有限公司 | 基于bim的交通管制模型构建及标注方法 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109269516A (zh) * | 2018-08-29 | 2019-01-25 | 沈阳理工大学 | 一种基于多目标Sarsa学习的动态路径诱导方法 |
CN109425356A (zh) * | 2017-08-31 | 2019-03-05 | 株式会社东芝 | 路径推测装置、路径推测方法以及计算机可读介质 |
CN110647693A (zh) * | 2019-09-23 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 路径推荐的方法和装置 |
CN111553539A (zh) * | 2020-05-09 | 2020-08-18 | 上海大学 | 一种基于概率模型检验的行驶路径规划方法 |
CN111623790A (zh) * | 2020-05-26 | 2020-09-04 | 武汉大学深圳研究院 | 一种面向动态城市交通路网的快速路径规划方法 |
CN111785029A (zh) * | 2020-08-05 | 2020-10-16 | 李明渊 | 汽车红绿灯路口选择车道的装置及其使用方法 |
CN111898793A (zh) * | 2020-06-08 | 2020-11-06 | 东南大学 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819962A (zh) * | 2012-08-23 | 2012-12-12 | 江苏物联网研究发展中心 | 基于数字地图的城市交通流网络并行信息系统 |
CN103024046A (zh) * | 2012-12-16 | 2013-04-03 | 北京泛联至诚科技有限公司 | 一种面向物联网的通信中继节点部署方法 |
-
2016
- 2016-05-31 CN CN201610375047.5A patent/CN106096756A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819962A (zh) * | 2012-08-23 | 2012-12-12 | 江苏物联网研究发展中心 | 基于数字地图的城市交通流网络并行信息系统 |
CN103024046A (zh) * | 2012-12-16 | 2013-04-03 | 北京泛联至诚科技有限公司 | 一种面向物联网的通信中继节点部署方法 |
Non-Patent Citations (3)
Title |
---|
WENBIN HU等: ""An Actual Urban Traffic Simulation Model for Predicting and Avoiding Traffic Congestion", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
交通路径诱导系统中最优路径选取研究与仿真: "交通路径诱导系统中最优路径选取研究与仿真", 《计算机仿真》 * |
张颖: "基于D*思想的ASON动态均衡恢复策略研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887146A (zh) * | 2017-04-01 | 2017-06-23 | 北京广育德视觉技术股份有限公司 | 导向标识系统的信息处理方法与导向标识系统 |
CN106887146B (zh) * | 2017-04-01 | 2019-09-03 | 北京广育德视觉技术股份有限公司 | 导向标识系统的信息处理方法与导向标识系统 |
CN106940829A (zh) * | 2017-04-28 | 2017-07-11 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN106940829B (zh) * | 2017-04-28 | 2021-06-18 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN107424426A (zh) * | 2017-07-10 | 2017-12-01 | 南京邮电大学 | 一种基于深度学习的物流路径规划方法 |
CN107424426B (zh) * | 2017-07-10 | 2020-07-07 | 南京邮电大学 | 一种基于深度学习的物流路径规划方法 |
CN107421556A (zh) * | 2017-08-23 | 2017-12-01 | 上海车音智能科技有限公司 | 导航路径推送方法及装置 |
CN109425356A (zh) * | 2017-08-31 | 2019-03-05 | 株式会社东芝 | 路径推测装置、路径推测方法以及计算机可读介质 |
CN107808542A (zh) * | 2017-12-08 | 2018-03-16 | 何旭连 | 一种导航准确的车载导航系统 |
CN107808542B (zh) * | 2017-12-08 | 2020-01-14 | 肇庆小驾智能科技有限公司 | 一种导航准确的车载导航系统 |
CN108806259A (zh) * | 2018-01-15 | 2018-11-13 | 江苏壹鼎崮机电科技有限公司 | 基于bim的交通管制模型构建及标注方法 |
CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109269516A (zh) * | 2018-08-29 | 2019-01-25 | 沈阳理工大学 | 一种基于多目标Sarsa学习的动态路径诱导方法 |
CN109269516B (zh) * | 2018-08-29 | 2022-03-04 | 沈阳理工大学 | 一种基于多目标Sarsa学习的动态路径诱导方法 |
CN110647693A (zh) * | 2019-09-23 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 路径推荐的方法和装置 |
CN111553539A (zh) * | 2020-05-09 | 2020-08-18 | 上海大学 | 一种基于概率模型检验的行驶路径规划方法 |
CN111623790A (zh) * | 2020-05-26 | 2020-09-04 | 武汉大学深圳研究院 | 一种面向动态城市交通路网的快速路径规划方法 |
CN111623790B (zh) * | 2020-05-26 | 2022-04-12 | 武汉大学深圳研究院 | 一种面向动态城市交通路网的快速路径规划方法 |
CN111898793A (zh) * | 2020-06-08 | 2020-11-06 | 东南大学 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
CN111898793B (zh) * | 2020-06-08 | 2021-03-09 | 东南大学 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
CN111785029A (zh) * | 2020-08-05 | 2020-10-16 | 李明渊 | 汽车红绿灯路口选择车道的装置及其使用方法 |
CN111785029B (zh) * | 2020-08-05 | 2021-06-04 | 李明渊 | 汽车红绿灯路口选择车道的装置及其使用方法 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096756A (zh) | 一种城市交通路网动态实时多路口路径选择方法 | |
Bazzan | Opportunities for multiagent systems and multiagent reinforcement learning in traffic control | |
CN105070042B (zh) | 一种交通预测的建模方法 | |
Jin et al. | A group-based traffic signal control with adaptive learning ability | |
Guo et al. | Day-to-day flow dynamics and congestion control | |
CN105608896B (zh) | 城市交通网络中的交通瓶颈识别方法 | |
Dallmeyer et al. | Don't go with the ant flow: Ant-inspired traffic routing in urban environments | |
CN108847037A (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN104821080A (zh) | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 | |
CN107170234A (zh) | 一种基于svm算法对短时交通路况预测的方法 | |
Vidhate et al. | Cooperative multi-agent reinforcement learning models (CMRLM) for intelligent traffic control | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
Lloret-Batlle et al. | Peer-to-peer ridesharing with ride-back on high-occupancy-vehicle lanes: Toward a practical alternative mode for daily commuting | |
Jacob et al. | Automated adaptive traffic corridor control using reinforcement learning: Approach and case studies | |
Eze et al. | Fuzzy logic model for traffic congestion | |
Pandey et al. | Multiagent reinforcement learning algorithm for distributed dynamic pricing of managed lanes | |
Jassbi et al. | Soft system modeling in transportation planning: Modeling trip flows based on the fuzzy inference system approach | |
Lehe | Downtown tolls and the distribution of trip lengths | |
Moshtagh et al. | The Stochastic Queue Core problem, evacuation networks, and state-dependent queues | |
CN111578961A (zh) | 基于领导者海豚群求解不确定条件车辆路径优化算法 | |
Eydi et al. | User-based vehicle route guidance in urban networks based on intelligent multi agents systems and the ant-q algorithm | |
CN110276949A (zh) | 基于机器学习的交通流短时预测方法 | |
Shi et al. | An adaptive route guidance model considering the effect of traffic signals based on deep reinforcement learning | |
Xie et al. | A strategy to alleviate rush hour traffics in urban areas based on school-trip commute information | |
Habibi et al. | Improvement of Multi-agent Routing Guidance with an Intelligent Traffic Light Scheduling and the Ability to Select Intermediate Destinations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |