CN106225797B - 一种路径规划方法 - Google Patents

一种路径规划方法 Download PDF

Info

Publication number
CN106225797B
CN106225797B CN201610529601.0A CN201610529601A CN106225797B CN 106225797 B CN106225797 B CN 106225797B CN 201610529601 A CN201610529601 A CN 201610529601A CN 106225797 B CN106225797 B CN 106225797B
Authority
CN
China
Prior art keywords
path
road
junction node
weighted value
target position
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
Application number
CN201610529601.0A
Other languages
English (en)
Other versions
CN106225797A (zh
Inventor
童素芬
余睿敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinjiang Technology Co.,Ltd.
Original Assignee
Enjoyor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN201610529601.0A priority Critical patent/CN106225797B/zh
Publication of CN106225797A publication Critical patent/CN106225797A/zh
Application granted granted Critical
Publication of CN106225797B publication Critical patent/CN106225797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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

Abstract

本发明涉及一种路径规划方法，本方法通过建立路径规划模型、利用历史数据获得路径规划模型的参数、利用训练好的路径规划模型为驾驶人提供路径规划来完成路径规划，综合考虑了驾驶人对最短距离和最短行驶时间的需求；本发明的路径规划模型简单，计算速度快，大大提高最佳路径规划的计算速度，同时满足实时性的需求。

Description

一种路径规划方法
技术领域
本发明涉及智能交通技术领域，尤其涉及一种路径规划方法。
背景技术
现在，城市道路上车辆越来越多，路径规划的问题越来越重要。错综复杂的道路结构、实时变化的交通状况、以及大量频繁的路径规划，给路径规划的实时性和有效性带来了巨大的挑战。现有的路径规划，主要分为两种：静态路径规划和动态路径规划。静态路径规划，大多采用Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法等，动态路径规划则多采用遗传算法、蚁群算法、模拟退火、神经网络等方法。
传统的路径规划方法，如Dijkstra算法，其特点是以起始点为中心向外层层拓展，直到拓展到终点为止。Dijkstra算法主要基于点与点之间的连接关系，依靠连接关系寻找路线，算法总的时间复杂度为O(n2)，当节点数目和连接关系数量较大时，其计算效率和存储效率都很低。动态路径规划的计算量更是难以满足实时性的需求。
发明内容
本发明为克服上述的不足之处，目的在于提供一种路径规划方法，本方法通过建立路径规划模型、利用历史数据获得路径规划模型的参数、利用训练好的路径规划模型为驾驶人提供路径规划来完成路径规划，综合考虑了驾驶人对最短距离和最短行驶时间的需求，满足实时性的需求。
本发明是通过以下技术方案达到上述目的：一种路径规划方法，包括如下步骤：
(1)设路网结构为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合，路口节点vi(xi,yi)∈V，两个路口之间的路段构成道路路径ri,j＝＜vi,vj＞∈R，道路路径的权重值f(ri,j)∈F；其中，xi，yi分别为路口节点vi的横、纵坐标位置；设车辆行驶轨迹为S(O,D,VS,RS,FS,TS)，O(xO,yO)为车辆行驶轨迹的起始位置，D(xD,yD)为车辆行驶轨迹的目标位置，VS为车辆行驶轨迹经过的路口节点的集合，RS为车辆行驶轨迹经过的道路路径的集合，FS为车辆行驶轨迹经过的道路路径的权重值的集合，TS为车辆行驶轨迹经过路口节点的时间的集合；
(2)以车辆当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算得到路径选择因子，建立路径规划模型；
(3)根据历史样本数据训练得到路径规划模型的参数；
(4)利用训练好的路径规划模型提供路径规划。
作为优选，所述加权计算路径选择因子的计算公式如下：
其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，α+β＝1；p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，vt为最近经过的路口节点，vl为与vt构成关联路段的下一个路口节点，为可选行驶路段方向。
作为优选，所述vt为最近经过的路口节点的定义为当前位置在路口节点时，vt为p，当前位置在道路时，vt为沿道路行驶经过的第一个路口节点。
作为优选，所述步骤(3)根据历史样本数据训练得到路径规划模型的参数的步骤如下：
1)采集历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；
2)根据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法对求最小值，并将路口节点分成K类，V＝{V1,V2,...,Vk,...,VK}，Vk为第k组路口节点集合，μk为Vk的平均值；
3)计算每组分类的路口节点的密集程度η；
4)根据车辆行驶的初始位置、目标位置所在分类的路口节点的密集程度、交通区域道路路径的权重值的平均值、车辆行驶路径经过的分类个数，将历史样本数据进行划分；
5)计算划分得到的每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。
作为优选，所述步骤3)的η为每组分类包含的路口节点数/路口节点覆盖的地理面积。作为优选，将历史样本数据的划分方法为将路口节点的密集程度分为M个等级、交通区域道路路径的权重值的平均值分为N个等级，车辆行驶路径经过的分类个数为kk，历史样本数据符合的划分到组；
其中，VO、VD为初始位置和目标位置的路口节点集合，ηO,m1表示初始位置的路口节点的密集程度为第m1等级，ηD,m2表示目标位置的路口节点的密集程度为第m2等级，表示交通区域道路路径的权重值的平均值为第n个权重值。
作为优选，所述步骤5)计算最佳方向权重因子α和交通运行指数权重因子β的方法如下：
(a)随机产生α、β＝1-α；
(b)基于样本数据内的H条历史行驶轨迹提取H条可行路径，并计算H条可行路径的总行驶时间th；
(c)以H条可行路径的总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。
作为优选，所述步骤(b)提取样本数据内的H条可行路径，并计算H条可行路径的总行驶时间th的方法如下：
(A)从第一条历史行驶轨迹的初始位置开始，行驶至路口节点vt时，当前位置与目标位置构成的向量R中搜索所有与vt关联的道路路径rt,l，构成道路方向向量与道路方向之间的夹角为
(B)计算路径选择因子bt,l，选择bt,l最小值对应的道路路径；
(C)重复执行步骤(A)、(B)直至行驶到目标位置，获得一条可行路径Sh(Oh,Dh,VS,h,RS,h,FS,h,TS,h)；
(D)重复步骤(A)、(B)、(C)，获得H条可行路径，并计算H条可行路径的总行驶时间th。
作为优选，所述利用训练好的路径规划模型提供路径规划时只需输入初始位置及目标位置。
作为优选，所述步骤(1)中定义的道路路径的权重值可采用交通运行指数、道路通行成本、道路平均车速中的任意一种。
本发明的有益效果在于：1)本发明综合考虑了驾驶人对最短距离和最短行驶时间的需求，满足实时性的需求；2)本发明的路径规划模型简单，计算速度快，大大提高最佳路径规划的计算速度。
附图说明
图1是本发明的流程示意图；
图2是本发明实施例的聚类示意图；
图3是本发明实施例的路径选择示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：路网结构可以表示为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合。路口节点vi(xi,yi)∈V，两个路口之间的路段构成道路路径ri,j＝＜vi,vj＞∈R，道路路径的权重值f(ri,j)∈F。xi，yi分别为路口节点vi的横纵坐标位置。
车辆行驶轨迹可以表示为S(O,D,VS,RS,FS,TS)，O(xO,yO)为车辆行驶轨迹的起始位置，D(xD,yD)为车辆行驶轨迹的目标位置，VS为车辆行驶轨迹经过的路口节点的集合，RS为车辆行驶轨迹经过的道路路径的集合，FS为车辆行驶轨迹经过的道路路径的权重值的集合，TS为车辆行驶轨迹经过路口节点的时间的集合。
如图1所示，一种路径规划方法主要包括建立路径规划模型；利用历史数据获得路径规划模型的参数；利用训练好的路径规划模型为驾驶人提供路径规划这三个步骤。
一、建立路径规划模型
以当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算路径选择因子bt,l：
其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，vt为最新经过的路口节点(当前位置在路口节点时，vt为p，当前位置在道路时，vt为沿道路行驶经过的第一个路口节点)，vl为与vt构成关联路段的下一个路口节点，为可选行驶路段方向，α+β＝1。道路路径的权重值可以采用交通运行指数、或道路通行成本、或道路平均车速。
当权重值采用交通运行指数g时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的交通运行指数g(rt,l)；
当权重值采用道路通行成本w时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的通行成本w(rt,l)；当权重值采用道路平均车速c时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的平均车速c的倒数1/c(rt,l)。
该模型的优点，模型简单，计算速度快。当权重值为道路拥堵程度、道路通行成本时，该模型为驾驶人提供了既考虑行驶方向又考虑行驶需求的路径规划。与Dijkstra算法相比，该模型不需要经过层层迭代、循环计算，计算效率大大提高，满足实时计算的需求。该模型提供的规划路径也可以作为一条参考路径，来提高最佳路径规划的计算速度。
二、利用历史数据获得路径规划模型的参数
1、采集大量的历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；
2、据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法，对表达式求最小值，将路口节点分成K类，K取10，V＝{V1,V2,...,V10}，V1,V2示意图如图2所示。
3、本实施例中，将路口节点的密集程度分为5个等级，A1、A2、A3、A4、A5，采用交通运行指数作为交通区域道路路径的权重值，交通指数范围为0～10，分为五个等级：B1、B2、B3、B4、B5，分别指畅通(0-2)、基本畅通(2-4)、缓行(4-6)、较拥堵(6-8)、拥堵(8-10)。
4、根据路口节点的密集程度、交通区域平均交通运行指数、车辆行驶路径经过的分类个数，将历史样本数据进行划分，历史样本数据符合的划分到组；
路口节点密集程度高表示这块区域的路口节点多，车辆可以选择行驶的道路多，有利于路径规划的修正，路口节点密集程度低表示这块区域的路口节点少，车辆一旦选择一条道路行驶，则变更行驶道路的可能性较小；交通区域平均交通运行指数，交通高峰时段时平均交通运行指数较高，交通普通时段时平均交通运行指数较低；车辆行驶路径经过的分类个数越少，说明车辆初始位置与目标位置的距离越近。这样数据分类优点说明：车辆行驶需求的相似程度高于按时间或按区域的数据分类，提供更为准确的样本数据，便于建立更为适用的模型。
如下表1所示，车辆编号为NO.1457和NO.1853的数据划分到同一组样本数据
表1
5、求样本数据的最佳方向权重因子α和交通运行指数权重因子β，样本数据包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据；
5.1随机产生α、β=1-α，α≤1；
5.2从第一条历史行驶轨迹的初始位置开始，提取车辆编号为NO.1457的车辆行驶轨迹初始位置O（v0）、目标位置D（v10），车辆行驶时的实时交通运行指数；
如图3所示，车辆在初始位置O时，可选择的行驶道路有和对应的路径选择因子分别为：
比较行驶道路和的路径选择因子，选择行驶道路根据当时的交通运行指数换算车辆在道路的行驶时间
以此类推， 获得车辆编号为NO.1457 的车辆一条可行路径为O→v3→v4→v5→v6→v7→D；
行驶时间为
5.3包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据，计算总行驶时间th；
5.4以总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。本实施例中采用遗传算法求得样本数据的最佳方向权重因子α＝0.83和交通运行指数权重因子β＝0.17。
三、利用训练好的路径规划模型为驾驶人提供路径规划
当驾驶人输入初始位置、目标位置时，判断当前情况符合采用组对应的最佳方向权重因子α和交通运行指数权重因子β，获得规划路径。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (9)

1.一种路径规划方法，其特征在于包括如下步骤：
(1)设路网结构为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合，路口节点vi(xi,yi)∈V，两个路口之间的路段构成道路路径ri,j＝＜vi,vj＞∈R，道路路径的权重值f(ri,j)∈F；其中，xi，yi分别为路口节点vi的横、纵坐标位置；设车辆行驶轨迹为S(O,D,VS,RS,FS,TS)，O(xO,yO)为车辆行驶轨迹的起始位置，D(xD,yD)为车辆行驶轨迹的目标位置，VS为车辆行驶轨迹经过的路口节点的集合，RS为车辆行驶轨迹经过的道路路径的集合，FS为车辆行驶轨迹经过的道路路径的权重值的集合，TS为车辆行驶轨迹经过路口节点的时间的集合；
(2)以车辆当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算得到路径选择因子，建立路径规划模型；其中，所述加权计算路径选择因子的计算公式如下：
其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，α+β＝1；p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，vt为最近经过的路口节点，vl为与vt构成关联路段的下一个路口节点，为可选行驶路段方向；
(3)根据历史样本数据训练得到路径规划模型的参数；
(4)利用训练好的路径规划模型提供路径规划。
2.根据权利要求1所述的一种路径规划方法，其特征在于：所述vt为最近经过的路口节点的定义为当前位置在路口节点时，vt为p，当前位置在道路时，vt为沿道路行驶经过的第一个路口节点。
3.根据权利要求1所述的一种路径规划方法，其特征在于：所述步骤(3)根据历史样本数据训练得到路径规划模型的参数的步骤如下：
1)采集历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；
2)根据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法对求最小值，并将路口节点分成K类，V＝{V1,V2,...,Vk,...,VK}，Vk为第k组路口节点集合，μk为Vk的平均值；
3)计算每组分类的路口节点的密集程度η；
4)根据车辆行驶的初始位置、目标位置所在分类的路口节点的密集程度、交通区域道路路径的权重值的平均值、车辆行驶路径经过的分类个数，将历史样本数据进行划分；
5)计算划分得到的每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。
4.根据权利要求3所述的一种路径规划方法，其特征在于：所述每组分类的路口节点的密集程度η为每组分类包含的路口节点数/路口节点覆盖的地理面积。
5.根据权利要求3所述的一种路径规划方法，其特征在于：将历史样本数据的划分方法为将路口节点的密集程度分为M个等级、交通区域道路路径的权重值的平均值分为N个等级，车辆行驶路径经过的分类个数为kk，历史样本数据符合的划分到组；
其中，VO、VD为初始位置和目标位置的路口节点集合，ηO,m1表示初始位置的路口节点的密集程度为第m1等级，ηD,m2表示目标位置的路口节点的密集程度为第m2等级，表示交通区域道路路径的权重值的平均值为第n个权重值。
6.根据权利要求3所述的一种路径规划方法，其特征在于：所述计算最佳方向权重因子α和交通运行指数权重因子β的方法如下：
(a)随机产生α、β＝1-α；
(b)基于样本数据内的H条历史行驶轨迹提取H条可行路径，并计算H条可行路径的总行驶时间th；
(c)以H条可行路径的总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。
7.根据权利要求6所述的一种路径规划方法，其特征在于：所述步骤(b)提取样本数据内的H条可行路径，并计算H条可行路径的总行驶时间th的方法如下：
(A)从第一条历史行驶轨迹的初始位置开始，行驶至路口节点vt时，当前位置与目标位置构成的向量R中搜索所有与vt关联的道路路径rt,l，构成道路方向向量与道路方向之间的夹角为
(B)计算路径选择因子bt,l，选择bt,l最小值对应的道路路径；
(C)重复执行步骤(A)、(B)直至行驶到目标位置，获得一条可行路径Sh(Oh,Dh,VS,h,RS,h,FS,h,TS,h)；
(D)重复步骤(A)、(B)、(C)，获得H条可行路径，并计算H条可行路径的总行驶时间th。
8.根据权利要求1所述的一种路径规划方法，其特征在于：所述利用训练好的路径规划模型提供路径规划时只需输入初始位置及目标位置。
9.根据权利要求1所述的一种路径规划方法，其特征在于：所述步骤(1)中定义的道路路径的权重值可采用交通运行指数、道路通行成本、道路平均车速中的任意一种。
CN201610529601.0A 2016-06-30 2016-06-30 一种路径规划方法 Active CN106225797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610529601.0A CN106225797B (zh) 2016-06-30 2016-06-30 一种路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610529601.0A CN106225797B (zh) 2016-06-30 2016-06-30 一种路径规划方法

Publications (2)

Publication Number Publication Date
CN106225797A CN106225797A (zh) 2016-12-14
CN106225797B true CN106225797B (zh) 2019-08-20

Family

ID=57519941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610529601.0A Active CN106225797B (zh) 2016-06-30 2016-06-30 一种路径规划方法

Country Status (1)

Country Link
CN (1) CN106225797B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6823512B2 (ja) * 2017-03-16 2021-02-03 本田技研工業株式会社 経路決定装置、車両制御装置、経路決定方法、およびプログラム
US10710592B2 (en) * 2017-04-07 2020-07-14 Tusimple, Inc. System and method for path planning of autonomous vehicles based on gradient
WO2018227374A1 (en) * 2017-06-13 2018-12-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for route planning based on deep convolutional neural network
WO2019014879A1 (en) * 2017-07-19 2019-01-24 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEMS AND METHODS FOR DETERMINING RECOMMENDED INFORMATION OF A SERVICE REQUEST
CN109558960A (zh) * 2017-09-26 2019-04-02 北京京东尚科信息技术有限公司 路径规划方法、装置以及计算机可读存储介质
CN107817794B (zh) * 2017-10-13 2021-07-23 上海司南卫星导航技术股份有限公司 自动导航方法、控制装置及导航系统
CN107864711B (zh) * 2017-10-13 2021-04-20 上海司南卫星导航技术股份有限公司 耙地方法、控制装置及耙地系统
CN107894237A (zh) * 2017-11-16 2018-04-10 百度在线网络技术（北京）有限公司 用于显示导航信息的方法和装置
CN108932862B (zh) * 2018-07-27 2020-09-29 北京小马智行科技有限公司 一种自动驾驶车辆调度方法和装置
CN109341709A (zh) * 2018-08-15 2019-02-15 深圳壹账通智能科技有限公司 路线推荐方法、电子设备及计算机可读存储介质
CN110648546B (zh) * 2018-09-30 2021-11-23 北京奇虎科技有限公司 一种路况预警方法和装置
CN109409584A (zh) * 2018-10-08 2019-03-01 杭州异客科技有限公司 基于交通流量预测的旅游出行规划方法及系统
CN109269505A (zh) * 2018-10-24 2019-01-25 国家电网有限公司 一种电网设备巡检线路智能规划方法
CN111197991B (zh) * 2020-01-15 2022-09-23 西安电子科技大学 基于深度神经网络的预测车辆最佳驾驶路径方法
CN111310919B (zh) * 2020-02-08 2020-10-16 南栖仙策(南京)科技有限公司 基于场景切分和局部路径规划的驾驶控制策略训练方法
CN111461403B (zh) * 2020-03-06 2023-09-29 上海汽车集团股份有限公司 车辆路径规划方法及装置、计算机可读存储介质、终端
CN113778127B (zh) * 2021-09-18 2023-02-28 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113778128B (zh) * 2021-09-18 2023-03-31 中国人民解放军国防科技大学 基于遗传算法的无人机侦察任务规划方法及装置
CN114518750B (zh) * 2021-12-15 2023-08-15 电子科技大学 一种基于阿米巴运动机制的路径规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6192314B1 (en) * 1998-03-25 2001-02-20 Navigation Technologies Corp. Method and system for route calculation in a navigation application
CN103047990A (zh) * 2012-12-24 2013-04-17 北京交通发展研究中心 基于骨干路网分层的多路径选择方法
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
CN103714708A (zh) * 2013-12-18 2014-04-09 福建工程学院 一种基于出租车分时段的经验路径的最优路径规划的方法
CN104111074A (zh) * 2013-04-16 2014-10-22 神达电脑股份有限公司 移动电子装置及其产生导航路径的方法
CN105675002A (zh) * 2016-01-27 2016-06-15 闫凯 一种多途经点导航路线规划方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6192314B1 (en) * 1998-03-25 2001-02-20 Navigation Technologies Corp. Method and system for route calculation in a navigation application
US6298303B1 (en) * 1998-03-25 2001-10-02 Navigation Technologies Corp. Method and system for route calculation in a navigation application
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
CN103047990A (zh) * 2012-12-24 2013-04-17 北京交通发展研究中心 基于骨干路网分层的多路径选择方法
CN104111074A (zh) * 2013-04-16 2014-10-22 神达电脑股份有限公司 移动电子装置及其产生导航路径的方法
CN103714708A (zh) * 2013-12-18 2014-04-09 福建工程学院 一种基于出租车分时段的经验路径的最优路径规划的方法
CN105675002A (zh) * 2016-01-27 2016-06-15 闫凯 一种多途经点导航路线规划方法和系统

Also Published As

Publication number Publication date
CN106225797A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106225797B (zh) 一种路径规划方法
CN104464310B (zh) 城市区域多交叉口信号协同优化控制方法及系统
CN101639978B (zh) 一种动态划分交通控制子区的方法
CN103593430B (zh) 一种基于移动对象时空信息轨迹分段聚类的方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN110111574B (zh) 一种基于流量树分析的城市交通不平衡评价方法
CN107766808A (zh) 道路网络空间中车辆对象移动轨迹聚类的方法及系统
CN108629974A (zh) 顾及城市道路交通网络特征的交通运行指数建立方法
CN103047990B (zh) 基于骨干路网分层的多路径选择方法
CN111145565B (zh) 一种用于城市交通的协调路线和协调方案的推荐方法及系统
CN105788298B (zh) 一种双向绿波控制的方法及装置
CN106052701B (zh) 一种交通溢流状态下车辆路径选择的方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN107330217A (zh) 一种基于rbfnn的中观油耗预测方法
CN106446960A (zh) 一种密度聚类划分时间段的动态热度路网构建方法
CN108648444B (zh) 一种基于网格模型的信号交叉口运行评价方法
CN109785618A (zh) 一种基于组合逻辑的短时交通流预测方法
CN110274609A (zh) 一种基于行程时间预测的实时路径规划方法
CN101930670A (zh) 公交行驶路段社会车辆运行时间预测方法
CN104318794A (zh) 一种基于考虑城市交叉口时间延误的实用路径选择方法
CN110516702A (zh) 一种基于流数据的离散路径规划方法
CN103236169A (zh) 城市干线公交站间双向分段绿波信号设置方法
CN104406590B (zh) 一种基于道路等级的最短路径规划方法
CN109816271A (zh) 基于共享单车轨迹数据的自行车道服务水平评价方法
CN102062608B (zh) 备选路径规划方法及导航终端

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee before: ENJOYOR Co.,Ltd.