CN106289293B - 一种基于智能学习算法的城市内容定位导航系统 - Google Patents
一种基于智能学习算法的城市内容定位导航系统 Download PDFInfo
- Publication number
- CN106289293B CN106289293B CN201610655257.XA CN201610655257A CN106289293B CN 106289293 B CN106289293 B CN 106289293B CN 201610655257 A CN201610655257 A CN 201610655257A CN 106289293 B CN106289293 B CN 106289293B
- Authority
- CN
- China
- Prior art keywords
- learning algorithm
- intelligence learning
- time
- destination
- particle
- 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
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000004907 flux Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 244000144992 flock Species 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能学习算法的城市内容定位导航系统,所述导航系统包括交通信号灯、手机app端,其中交通信号灯具有统计交通参数数据和发送数据的能力,通过收集所有城市路口的车流量和信号灯的时间、运行方向、目前流量等参数,在手机app端输入要到达的目的地,通过智能学习算法,根据当前位置的拥堵情况和等灯的时间、到目的地的路线情况,综合分析计算出到达目的地的最佳路径。本发明通过对传统粒子群优化算法进行了改进,利用了粒子群算法的一部分,通过目前移动的方位进行学习,实时反馈最佳路径,应用于现实的上班族场景,节省时间,高效利用资源,并通过物联网思想,通过交通灯与手机相互关联上网来实现。
Description
技术领域
本发明涉及粒子群算法技术领域,具体涉及一种基于智能学习算法的城市内容定位导航系统。
背景技术
伴随信息技术的发展,物联网思想已经被引入到生活中,手机app技术已成为生活便利的主要手段,这一技术既要求效率又要求准确度,所谓物联网技术就是通过安装信息传感设备,如射频识别(RFID)装置、红外感应器、全球定位系统、激光扫描器等,将所有的物品都与网络连接在一起,方便识别和管理。电视、洗衣机、空调甚至自行车、门锁和血压计上都能使用。
在很多一二线城市中堵车成了上班族最头痛的问题,车流量大、交通信号灯多是堵车的重要原因,随着物联网大规模普及,物联网广泛运用于智能交通、环境保护、政府工作、公共安全、平安家居、智能消防、工业监测、老人护理、个人健康等多个领域,一个上万亿元规模的高科技市场就此诞生。而智能学习算法运用在手机app和实际设备之间完成一系列功能的计算又是如虎添翼为人民的实际生活带来方便与快捷。
计算机领域中有很多优化算法。根据鸟群捕食原理改进的粒子群优化算法(Particle Swarm Optimization PSO)是一种用无质量、无体积的粒子作为个体的优化算法。
发明内容
本发明要解决的技术问题是:本发明针对车流量大、交通信号灯多问题,提供一种基于智能学习算法的城市内容定位导航系统。
本发明所采用的技术方案为:
一种基于智能学习算法的城市内容定位导航系统,所述导航系统包括交通信号灯、手机app端,其中交通信号灯具有统计交通参数数据和发送数据的能力,通过收集所有城市路口的车流量和信号灯的时间、运行方向、目前流量等参数,在手机app端输入要到达的目的地,通过智能学习算法,根据当前位置的拥堵情况和等灯的时间、到目的地的路线情况,综合分析计算出到达目的地的最佳路径。
所述智能学习算法采用粒子群算法,将用户作为一个粒子,到达同一目标的其他所有路线为学习样本,并虚拟出多个粒子,这些虚拟的粒子模拟用户位于道路不同方位相同距离的场景,和用户以相同的速度一起向前移动并接近目的地,实时的显示哪条路线更加接近目的地,当到达一个最优位置的时候用户便可采用最后的结果。
所述智能学习算法中引入了记忆技术以确保在学习的时候不会走重复的路线,即自己走过的路线。
所述智能学习算法在优化过程中粒子追随群体中当前位置和速度最优的粒子而移动,并经逐代迭代搜索后得到最优解。
在每一代中,粒子将跟踪本身迄今找到的最优解pbest和迄今找到的最优解gbest进行搜索。
所述智能学习算法不用等到所有粒子都聚集在一起才算最终结果,而是当到达某一位置的时候,粒子群算法终止,此时用户根据方位采取最佳结果即可。
所述系统最优路径检索步骤如下:
第一步:收集交通灯路口相关参数;
第二步:用户输入目的地,根据输入的阈值,锁定查找范围,计算虚拟粒子运行的最优值,并实时关注返回结果;
第三步:根据实时结果用户选择最佳的结果,当到达一个最终位置的时候,此时为最后的计算位置,根据此时返回的结果选择即可。
根据实验结果判断,改进的技术在长期的使用过程中,准确率和节省的时间能够提高20%-30%。
本发明的有益效果为:
本发明通过对传统粒子群优化算法进行了改进,利用了粒子群算法的一部分,通过目前移动的方位进行学习,实时反馈最佳路径,应用于现实的上班族场景,节省时间,高效利用资源,并通过物联网思想,通过交通灯与手机相互关联上网来实现。
附图说明
图1为本发明最优路径检索流程图。
具体实施方式
下面结合附图,根据具体实施方式对本发明进一步说明:
实施例1:
一种基于智能学习算法的城市内容定位导航系统,所述导航系统包括交通信号灯、手机app端,其中交通信号灯具有统计交通参数数据和发送数据的能力,通过收集所有城市路口的车流量和信号灯的时间、运行方向、目前流量等参数,在手机app端输入要到达的目的地,通过智能学习算法,根据当前位置的拥堵情况和等灯的时间、到目的地的路线情况,综合分析计算出到达目的地的最佳路径。
实施例2
在实施例1的基础上,本实施例所述智能学习算法采用粒子群算法,将用户作为一个粒子,到达同一目标的其他所有路线为学习样本,并虚拟出多个粒子,这些虚拟的粒子模拟用户位于道路不同方位相同距离的场景,和用户以相同的速度一起向前移动并接近目的地,实时的显示哪条路线更加接近目的地,当到达一个最优位置的时候用户便可采用最后的结果。
实施例3
在实施例2的基础上,本实施例所述智能学习算法中引入了记忆技术以确保在学习的时候不会走重复的路线,即自己走过的路线。
实施例4
在实施例3的基础上,本实施例所述智能学习算法在优化过程中粒子追随群体中当前位置和速度最优的粒子而移动,并经逐代迭代搜索后得到最优解。
在每一代中,粒子将跟踪本身迄今找到的最优解pbest和迄今找到的最优解gbest进行搜索,粒子群更新的基础公式如下:
present[i]=present[i]+v[i] (1)
v[]=w*v[]+c1*rand1()*(pbest[]-present[])+c2*random2()*(gbest[]-present[])(1)+random(v) (2)
速度更新公式rand(v)是本发明添加的随机值,来保证速度逼真性;
if(present[i]==cache && present!=pbest)//当前不是最优粒子
{
return;//如果发现走的是重复的路线则重新初始化
}
其中c1,c2取2,random()取(0,1)之间的随机数,这样使算法更具随机性,式(1)中,第一项是认知项,第二项v[]是动量项,通常认为粒子认识到自身经验,从而增强学习。
实施例5
在实施例4的基础上,本实施例所述智能学习算法不用等到所有粒子都聚集在一起才算最终结果,而是当到达某一位置的时候,粒子群算法终止,此时用户根据方位采取最佳结果即可。
实施例6
如图1所示,在实施例5的基础上,本实施例所述系统最优路径检索步骤如下:
第一步:收集交通灯路口相关参数;
第二步:用户输入目的地,根据输入的阈值,锁定查找范围,计算虚拟粒子运行的最优值,并实时关注返回结果;
第三步:根据实时结果用户选择最佳的结果,当到达一个最终位置的时候,比如:城市的某一接近路口的时候,此时为最后的计算位置,根据此时返回的结果选择即可。
实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种基于智能学习算法的城市内容定位导航系统,其特征在于,所述导航系统包括交通信号灯、手机app端,其中交通信号灯具有统计交通参数数据和发送数据的能力,通过收集所有城市路口的车流量和信号灯的时间、运行方向、目前流量参数,在手机app端输入要到达的目的地,通过智能学习算法,根据当前位置的拥堵情况和等灯的时间、到目的地的路线情况,综合分析计算出到达目的地的最佳路径;
所述智能学习算法采用粒子群算法,将用户作为一个粒子,到达同一目标的其他所有路线为学习样本,并虚拟出多个粒子,这些虚拟的粒子模拟用户位于道路不同方位相同距离的场景,和用户以相同的速度一起向前移动并接近目的地,实时的显示哪条路线更加接近目的地,当到达一个最优位置的时候用户就能采用最后的结果。
2.根据权利要求1所述的一种基于智能学习算法的城市内容定位导航系统,其特征在于,所述智能学习算法中引入了记忆技术以确保在学习的时候不会走重复的路线。
3.根据权利要求2所述的一种基于智能学习算法的城市内容定位导航系统,其特征在于,所述智能学习算法在优化过程中粒子追随群体中当前位置和速度最优的粒子而移动,在每一代中,粒子将跟踪本身迄今找到的最优解和迄今找到的最优解进行搜索,并经逐代迭代搜索后得到最优解。
4.根据权利要求3所述的一种基于智能学习算法的城市内容定位导航系统,其特征在于,所述智能学习算法当到达某一位置的时候,粒子群算法终止,此时用户根据方位采取最佳结果。
5.根据权利要求4所述的一种基于智能学习算法的城市内容定位导航系统,其特征在于,所述系统最优路径检索步骤如下:
第一步:收集交通灯路口相关参数;
第二步:用户输入目的地,根据输入的阈值,锁定查找范围,计算虚拟粒子运行的最优值,并实时关注返回结果;
第三步:根据实时结果用户选择最佳的结果,当到达一个最终位置的时候,此时为最后的计算位置,根据此时返回的结果进行选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610655257.XA CN106289293B (zh) | 2016-08-11 | 2016-08-11 | 一种基于智能学习算法的城市内容定位导航系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610655257.XA CN106289293B (zh) | 2016-08-11 | 2016-08-11 | 一种基于智能学习算法的城市内容定位导航系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106289293A CN106289293A (zh) | 2017-01-04 |
CN106289293B true CN106289293B (zh) | 2019-02-15 |
Family
ID=57668413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610655257.XA Active CN106289293B (zh) | 2016-08-11 | 2016-08-11 | 一种基于智能学习算法的城市内容定位导航系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106289293B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845239A (zh) * | 2017-02-27 | 2017-06-13 | 郑州云海信息技术有限公司 | 一种基于智能学习算法的操作系统实时警报方法 |
CN107449435B (zh) * | 2017-06-30 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 导航方法及装置 |
CN111968364B (zh) * | 2020-07-07 | 2022-07-22 | 王斌 | 基于路权分配的驾驶方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
CN103678649A (zh) * | 2013-12-20 | 2014-03-26 | 上海电机学院 | 基于云自适应粒子群算法的交通路径搜索系统及方法 |
KR20140100804A (ko) * | 2013-02-07 | 2014-08-18 | 아주대학교산학협력단 | 이동 단말 기반 네비게이션 서비스 제공 장치 및 그 방법 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
-
2016
- 2016-08-11 CN CN201610655257.XA patent/CN106289293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140100804A (ko) * | 2013-02-07 | 2014-08-18 | 아주대학교산학협력단 | 이동 단말 기반 네비게이션 서비스 제공 장치 및 그 방법 |
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
CN103678649A (zh) * | 2013-12-20 | 2014-03-26 | 上海电机学院 | 基于云自适应粒子群算法的交通路径搜索系统及方法 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
Non-Patent Citations (1)
Title |
---|
Research of Image Retrieval Algorithm Based on PSO and a new sub-block idea;Kaiping Wei,etc,;《2010 2nd International Conference on Advanced Computer Control》;20100617;第1卷;第431页-435页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106289293A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560609B (zh) | 路况预估方法、建立路况预估模型的方法及对应装置 | |
Ying et al. | Mining geographic-temporal-semantic patterns in trajectories for location prediction | |
CN106408124B (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
CN109636049A (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN106289293B (zh) | 一种基于智能学习算法的城市内容定位导航系统 | |
Faro et al. | Integrating location tracking, traffic monitoring and semantics in a layered ITS architecture | |
Rathore et al. | Exploiting real-time big data to empower smart transportation using big graphs | |
CN111818313A (zh) | 一种基于监控视频的车辆实时追踪方法及装置 | |
WO2018040671A1 (zh) | 活动目标群组的分类方法和电子设备 | |
CN104134067A (zh) | 基于智能视觉物联网的道路车辆监控系统 | |
CN105469599A (zh) | 车辆轨迹跟踪和车辆行为预测方法 | |
Yang et al. | Cooperative multi-camera vehicle tracking and traffic surveillance with edge artificial intelligence and representation learning | |
CN114328780A (zh) | 基于六角格的智慧城市地理信息更新方法、设备及介质 | |
Lee et al. | Crowd-sourced carpool recommendation based on simple and efficient trajectory grouping | |
CN112070288B (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
Syed et al. | Semantic scene upgrades for trajectory prediction | |
Yin et al. | Road traffic prediction based on base station location data by Random Forest | |
Ghosh et al. | A machine learning approach to find the optimal routes through analysis of gps traces of mobile city traffic | |
CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
CN106709021A (zh) | 一种城市数据的跨域查询分析方法 | |
Zhao et al. | Efficient semantic enrichment process for spatiotemporal trajectories | |
Kim | Travel mode classification method based on travel track information | |
CN113703015A (zh) | 数据处理方法、装置、设备及介质 | |
Tejima et al. | Mm-aqi: A novel framework to understand the associations between urban traffic, visual pollution, and air pollution | |
Sun et al. | LG-LSTM: Modeling LSTM-based interactions for multi-agent trajectory prediction |
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 |