CN107490384B - 一种基于城市路网的最优静态路径选择方法 - Google Patents
一种基于城市路网的最优静态路径选择方法 Download PDFInfo
- Publication number
- CN107490384B CN107490384B CN201710709070.8A CN201710709070A CN107490384B CN 107490384 B CN107490384 B CN 107490384B CN 201710709070 A CN201710709070 A CN 201710709070A CN 107490384 B CN107490384 B CN 107490384B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- path
- congestion
- traffic
- 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
Images
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
-
- 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
Abstract
本发明公开了一种基于城市路网的最优静态路径选择方法,首先确定城市道路线路切割规则,然后道路拥塞度计算最后进行最优路径规划;本发明用于推送城市路网各线路的实时路况及拥塞度,有效疏导交通流量并起到拥塞管理和控制;使得人们旅行尽可能从离预定起点最近的最优起始点出发,到达离预定终点最近的最优目标点;制定旅行路径规划中合理的线路切割规则,能使静态路径选择过程达到较好的效果;给出最优化的静态路径规划与选择方法,可使人们不必盲目的选择旅行路径;同时,可有效提升他们的出行效率并降低出行成本。
Description
技术领域
本发明属于智慧城市技术领域,具体涉及一种基于城市路网的最优静态路径选择方法。
背景技术
智慧城市的研究是当前科研领域的一大研究热点。本专利以城市道路交通网络(以下简称路网)为研究背景,对人类旅行中的静态路径最优化选择方法进行研究,可有效解决他们盲目选择出行路线的问题。
随着城市的发展和私家车数量的急剧增长,城市的交通网络面临着日益严峻的拥塞考验。特别是在每天上下班时间的交通运输高峰时段,这类问题显得尤为突出。因此,为了有效缓解这类问题,本专利特别针对出现这类现象的原因进行研究,得出了一种有效解决拥塞管理和控制问题,并较好疏导交通流量,同时可合理规划路网中的静态路径,使人们能理性选择最优化旅行路径的最优化方法。
当前,国内外学者针对城市路网规划和选择的研究做了很多相关工作,虽然鲜有直接针对旅行路线规划中路径选择问题进行的研究,但它们仍能对本专利的研究提供一些思路和参考性价值。现把与本专利密切相关的研究进行总结,主要可概括为以下几个方面:
最大流最小切割算法在路网中的应用:最大流最小切割问题是联合算法和优化中最具探索性和最值得研究的问题之一。Varun Ramesh等人利用分布式Edmonds-Karp算法解决了带出度的对数正态分布的大型随机图的最大流最小切割问题(文献1)。
路网中的拥塞最小化问题:人口增长和汽车大规模产出导致交通拥塞问题的加剧。当今的交通堵塞已经不仅局限于大都市,在中等城市和高速公路上也会出现。一种可能减轻交通堵塞的方法就是针对街道和道路收费,以引导司机选择到达目的地的路径,从而更好的分散车流量。Fernando Stefanello等人针对收费站问题的两个版本提出了数学公式(文献2)。他们使用分段线性函数来模拟拥塞问题。他们将一种偏随机密钥遗传算法用于一组现实案例中,并根据两个不同权重函数计算最短路径。
路网中的最少通行费评估:拥塞通行费定价是一种减轻交通堵塞和降低网络延迟的廉价管理方法。众多针对通行费定价的模型之一是最小化收费站问题。该模型的目标是找出链接收费并同时引起用户有效使用网络和最小化可被收集的总通行费收入。虽然可作为一种线性模型,但应用到实际网络中,这类模型由于路网规模的庞大,而很难在合理时间内被最佳解决。Mohammadali Shirazi等人提出了一种在大规模路网中近似评估最低收费的方法(文献3)。该方法被实施到四个真实网络中(从中型到大型,其中两个为大型随机网络)。
路网中的交通容忍路径:在交通分析与计划中,历史交通信息是有价值的。例如,针对代表性的“源-目的”对进行路径的可靠性评估。同样,这些历史信息也可用来提供快速有效的路径可达服务。考虑到这些应用,Pui Hang Li等人提出了路网中的K条交通容忍路径(简称,TTP)问题,该问题将一对“源-目的”对和历史交通信息作为输入,然后返回K条路径从而最小化总的(历史)旅行时间(文献4)。与最短路径问题不同的是,TTP问题存在一个联合搜索空间,因此得到最优解的代价很高。首先,他们提出了一种带高效裁减规则的精确算法降低搜索时间。然后,他们提出了一种随时启发式算法尽可能在给定时间限制内找出一种低成本的解决方法。
动态路网中的内天际线查询处理:连续性的内天际线查询是一类重要的基于位置的查询,它能为用户提供有用的天际线目标信息。Yuan-Ko Huang等人提出了随着时间信息的变化在动态路网中高效处理连续内天际线查询的问题(文献5)。他们设计了三种数据结构,分别是目标属性模糊矩阵,道路距离排序列表和天际线目标扩展树,用于维护目标信息和路网。结合这三类数据结构,他们研发了一种叫做内天际线目标更新的高效算法,用于提供随时间变化信息的实时处理。
道路天气信息系统的位置优化问题:Tae J.Kwon等人提出了一种新方法用于关键性高速传感器框架的规划,该框架称之为道路天气信息系统(RWIS)(文献6)。该问题被转化为当最大化交通事故多发路段的覆盖面时,最小化危险路面环境的空间平均克里格方差问题。这种优化框架需要从RWIS网络中获取明确的信息值,并提供提高冬天维护操作的整体效果和保证乘客安全的潜能。空间模拟退火算法被用于解决结果优化问题,并利用现实中的案例说明该算法的性能。
社交网络中的交通信息:N.Wanichayapong等人发现在Twitter中存在大量类似交通堵塞,突发事件和天气的道路交通信息(文献7)。然而,在发布(或转发)前对交通信息进行提取和分类对于其他人而言显得很有意义。他们利用综合分析方法将来自Twitter的的交通信息分为两类。
S.Carvalho等人尝试利用发布在Twitter上的微博信息实现交通相关信息的实时感知(文献8)。他们针对这类问题提出了一种文本分类方法:他们希望能够自动从数百万计的无关信息中识别发布在Twitter上的交通相关信息。假定Twitter上的相关信息比例很低(小于0.05%)。该阶段的主要挑战是:①为设置的分类器创建一组合适的训练集;②驱动分类器到一个合理的水平使它能够准确识别相关信息。为了同时解决上述两个问题,他们引入双阶段引导策略。首先,利用通过某些官方消息来源自动发布在Twitter上的短消息翻译一组初始训练消息,使这组消息从内容上而言能够与期望识别的用户生成消息有可比性。然后,利用在机器发送消息上经过训练的分类器处理大量收集的Twitter消息以识别交通相关的消息,然后将其加入训练集并用来训练第二批分类器。
交通运输利益相关者在多次与客户的联系中越来越认识到社交媒体的价值。A.Gal-Tzur等人发现了社交媒体中的两面性-首先是通过交通服务提供者的社交媒体的潜在应用,其次是针对通过公众发布与共营运输政策发展相关信息的潜在价值(文献9)。
F.C.Pereira等人将互联网视作一种与特殊事件上下文相关的资源并研发了一种模型在事件领域中预测公交车的到达时间(文献10)。为了演示这种解决方法针对实践者的可行性,他们采用现成技术用于网络数据收集和预测模型的研发。
参考文献:
[1]Varun Ramesh,Shivanee Nagarajan,Saswati Mukherjee.Max-flow Min-cutAlgorithm in Spark with Application to Road Networks[C].InternationalConference on Big Data Technologies&Applications,pp.12–22,2017.
[2]Fernando Stefanello,Luciana S.Buriol,Michael J.Hirsch et al.On theminimization of traffic congestion in road networks with tolls[J].Annals OR249(1-2):119-139,2017.
[3]Mohammadali Shirazi,Hedayat Z.Aashtiani,LucaQuadrifoglio.Estimating the minimal revenue tolls in large-scale roadwaynetworks using the dynamic penalty function method[J].Computers&IndustrialEngineering 107:120-127,2017.
[4]Pui Hang Li,Man Lung Yiu,Kyriakos Mouratidis.Discovering historictraffic-tolerant paths in road networks[J].Geo-Informatica 21(1):1-32,2017.
[5]Yuan-Ko Huang.Within Skyline Query Processing in Dynamic RoadNetworks[J].ISPRS Int.J.Geo-Information 6(5):137,2017.
[6]Tae J.Kwon,Liping Fu,Stephanie J.Melles.Location Optimization ofRoad Weather Information System(RWIS)Network Considering the Needs of WinterRoad Maintenance and the Traveling Public[J].Comp.-Aided Civil andInfrastruct.Engineering 32(1):57-71,2017.
[7]Napong Wanichayapong et al.Social-based Traffic InformationExtraction and Classification[J].Proc.11th Int’l Conf.ITS Telecommunications(ITST):107-112,2011.
[8]S.Carvalho,L.Sarmento,and R.Rossetti.Real-Time Sensing of TrafficInformationin Twitter Messages[C].Proc.4th Workshop ArtificialTransportationSystems and Simulation,pp.1-4,2010.
[9]A.Gal-Tzur et al.The Impact of SocialMedia Usage on TransportPolicy:Issues,Challenges and Recommendations.Procedia[J].Social andBehavioralSciences,vol.111,2014,pp.937–946,2014.
[10]F.C.Pereira,F.Rodrigues,and M.Ben-Akiva.Using Data From the WebtoPredict Public Transport Arrivals UnderSpecial Events Scenarios[J].J.IntelligentTransportation Systems,June 2014,pp.1–16.
发明内容
针对现有技术的缺陷,本发明提出了一种基于城市路网的最优静态路径选择方法,在城市路网中配置和选择用户旅行的最优静态路径能够较大程度的节省时间,提升城市交通的运载能力。
本发明采用的技术方案是:一种基于城市路网的最优静态路径选择方法,其特征在于,包括以下步骤:
步骤1:确定城市道路线路切割规则;
步骤2:道路拥塞度计算;
步骤3:最优路径规划。
本发明的有益效果为:
1、用于推送城市路网各线路的实时路况及拥塞度,有效疏导交通流量并起到拥塞管理和控制;
2、使得人们旅行尽可能从离预定起点最近的最优起始点出发,到达离预定终点最近的最优目标点;
3、制定旅行路径规划中合理的线路切割规则,能使静态路径选择过程达到较好的效果;
4、给出最优化的静态路径规划与选择方法,可使人们不必盲目的选择旅行路径。同时,可有效提升他们的出行效率并降低出行成本。
附图说明
图1为本发明实施例的原理图;
图2为发明实施例的换道行驶速度分量示意图;
图3为发明实施例的路径最佳起始点选取原理示意图。
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。
发明的研究内容主要包括:
1、城市道路交通网络(简称路网)的拥塞管理与控制;
2、旅行路径规划中的最优起始点和最优目的点选择;
3、旅行路径规划中的线路切割规则与各子段的拥塞度计算;
4、静态路径规划的最优化选择方法。
城市道路的交通运输能力与城市道路的实时拥塞程度间有较大关联性。城市道路的拥塞主要是城市机动车辆(包括私家车、公交车、出租车等)造成的。因此,如何合理管理和有效控制机动车在城市道路中运行,即城市交通的拥塞管理与控制是一个具有挑战性的问题。通常而言,不同的城市道路各有其运载能力,若超出其运载能力就会造成交通堵塞。城市道路的运载能力主要受到以下因素的影响:
1、同向车道数,记为Rsn。车道数越多,同时通过路面的数目也越多;
2、交通信号灯的等待时间(等红灯时间),记为Tr-g。根据现行交通规则,交通信号灯主要分为:箭头直行、箭头左(右)转向和圆饼灯几种。不同车辆行驶方向等待时间的设置会影响交通运载能力。例如,右转向车辆较多的路口适合设置右转专用道而非圆饼灯;
3、交通事故、道路施工等突发事件。交通事故、道路施工等突发事件发生时,不可避免会临时占用若干条车道,这样会导致道路的运载能力大大降低;
4、天气状况。考虑安全因素时,雨雾雪等天气的道路运载能力一般低于晴天的运载能力。
请见图1,本发明提供的一种基于城市路网的最优静态路径选择方法,其特征在于,包括以下步骤:
步骤1:确定城市道路线路切割规则;
城市路网的切割规则在本专利中主要参照如下五个特征进行:①道路类型;②曲折程度;③交叉节点个数;④道路平整度;⑤交通标志与标线。
1、道路类型:当前我国的道路类型主要分为以下四类,快速路、主干路、次干路、支路,分别记为Rf,Ra,Rsa,Rd,因此道路类型集合Rtype={Rf,Ra,Rsa,Rd}。其中,
快速路:城市道路中设有中央分隔带,具有四条以上机动车道,全部或部分采用立体交叉与控制出入,供汽车以较高速度行驶的道路。又称汽车专用道。快速路的设计行车速度为60-80km/h。
主干路:连接城市各分区的干路,以交通功能为主。主干路的设计行车速度为40-60km/h。
次干路:承担主干路与各分区间的交通集散作用,兼有服务功能。次干路的设计行车速度为40km/h。
支路:次干路与街坊路(小区路)的连接线,以服务功能为主。支路的设计行车速度为30km/h。
由上述(1)-(4)可知,四种类型道路的最高限速可分别记为快速路最高限速Vf≤80km/h,主干路最高限速Va≤60km/h,次干路最高限速Vsa≤40km/h,支路最高限速Vd≤30km/h。由此可得出依据道路类型划分得出的各道路的最高限速集合Vr={Vf,Va,Vsa,Vd}。通过城市道路类型的差别可知,同等拥塞度时,路径规划的优先级为Rf>Ra>Rsa>Rd。而当车辆实时行驶速度低于下一优先级的最高道路限速的一定阈值τ(通常以百分比设定)时,自动将下一优先级的道路纳入路径规划和拥塞度计算的范畴。例如,设置τ=10%,那么当车辆在快速路上的正常时速低于54km/h时,自动将主干路纳入路径规划并计算其实时拥塞度。
总的来说,路网划分原则为划分后的道路必须是适合车辆行走与通过的道路,若遇分叉路径应根据分支数进行分割为若干子段;反之,则无需分割。
2、曲折程度:研究表明,当汽车行驶方向与前方规划路径方向间的转向角度大于30°时会严重影响车速,因此当规划路径某一点的切线与汽车行驶方向满足上述条件时,路径优先级应视作降等级处理,例如快速路应视作主干路处理,并计算对应的道路拥塞度。
3、交叉节点个数:本专利中的交叉节点特指城市路网中的交叉路口。一般而言,城市道路中凡是遇到车流量较大的交叉路口,通常会设置交通信号灯,因此车辆会由于等待交通信号灯而延长路径行驶时间。但对于设置了右转专用道的交叉路口,车辆行驶时间的影响程度较小。根据上述叙述,可得出参照交叉节点特征的路径规划思路。路径规划时,尽可能选择个数较少的交叉节点,且同数目的交叉节点使得规划车辆右转的几率较大。这样的路径规划设置可大大提升城市道路的运载能力。
4、道路平整度:道路的平整程度会对车速造成不同程度的影响。例如,减速带对车速的影响效果。研究表明,不同情况下的减速带能使车速降低6-13km/h。因此,在做路径规划时,应尽量避免选择路面不平的坑洼路段或设有减速带的道路。
5、交通标志与标线:道路交通中的限速标志会对车速造成显著的影响。例如,学校路段的提示标志出现时,司机会明显降低车速,并且学校路段由于人流量较大,因此在做路径规划时应尽量避免。
步骤2:道路拥塞度计算;
由于城市路网在交通高峰期存在交通运载压力过大而导致交通堵塞的现象,因此只有通过计算每条分割子路段的拥塞度,才能达到对旅行路径进行实时规划的目的。其计算的规则可参照线路切割规则,即:1、若规划路线存在路径切割,根据子段数目可依次进行各子段的拥塞度计算;2、子段拥塞度通常与车辆通过该子段所需的时间密切相关,设车辆以路段最高限速集合Vr通过该子段所需的时间为基准,记为ts。那么可根据大于该基准时间的倍数依次计算并定义子段的拥塞程度。
其中,Ls和Ld分别为选取子段的起始点和目标点的位置,i为子段被进一步划分的段数,由于子段一般为曲线路段,因此需要对子段进一步划分为小段直线路段,然后只有经过积分计算的路径参数(长度、瞬时速度等)才较准确。交通堵塞的根本原因是:子路段入口的车流量大于出口的车流量,其现象表现为车辆在子路段中的停车等待时间Tr-g介于Tmin(最短时间)和Tmax(最长时间)之间,Tmin和Tmax的推导过程将以单路径子段为例给出。在以交叉节点为端点的各道路子段中,设各车通过子段时的车速为子段道路的最高限速vr,车长度为li,分割子路段长度为s,并假定理想情况下,某时刻无车辆占用某道路子段,则进入该子段的第一辆车从入口端到出口端满足v1t1=s,其中v1和t1表示该车的车速和到达出口端所需时间。同理可做出如下推导:
假定各车均以子段最高限速行驶,那么将vr替换(1)中的各车车速,并对(1)中各式左右分别求和可得公式(2)。
针对(2)做等价变换,可得出以下推导过程,如公式(3)所示:
通过(3)可假定两种理想情境,第1辆车行驶起始点为子路段入口端到出口端,第2辆车从入口端到第1辆车车尾,依次第n辆车从入口端行驶至第n-1辆车尾。情境1:当前一辆车从起点到终点行驶完毕后,后一辆车紧随其后完成同一行驶过程;情境2:全部n辆车同时排队依次进入子段,直至n辆车刚好全部占用子路段为止。通过上述情境1和2的描述,可分别得出两种理想行车状况下的最长时间Tmax和最短时间Tmin。
由(4)可知,车辆在子路段中的停车等待时间Tr-g满足Tmin<Tr-g<Tmax。即车辆等红灯的时间不会短于该子路段全部被车辆占用的时间,也不会长于车辆依次占用该子路段的时间。
上文所述为理想状况下车辆的行驶过程,现实生活中的车辆行驶可以上述过程为参考。
通过参考理想状况,并加入现实参考因素可将理想条件尽可能贴近现实状况。常见的现实参考因素有:道路类型、曲线子段、天气类型、能见度、交叉路口和交通事故等。接下来将分别结合这些因素进行详细阐述。
道路拥塞度与道路运载能力的关系为DOCR=1-TCR,其中,DOCR为道路拥塞度,TCR为道路运载能力。
道路类型:该因素决定路径宽度、车辆行驶最高限速和车道数等。因此,不同的道路类型结合理想状况下的拥塞度计算模型得出的计算结果不同。
设道路拥塞度为DOCR,车道数为NumV-type,车道限速道路类型可量化为集合Rtype={Rf,Ra,Rsa,Rd}。假定当Rtype=Rf时,拥塞度为车道数为NumV-f,车道限速为那么拥塞度其中Numv-type为某一道路类型的车道数,为某一车道类型的车道限速。
曲线子段:车辆分别在直线和曲线上的行驶车速存在差别,因此在路径上若存在曲线子段时,应当将其单独切割并进行拥塞度计算。而在进行路径选择时,应参照上文对曲线子段转向角问题的相关描述,做出合理抉择。
曲线子段与道路弯曲程度相关,可将曲线子段的拥塞度转化为该弧对应的弦所在直线的拥塞度进行拥塞度计算。设该弧所对应的圆心角为θ,其量化关系为
天气类型:该因素对同一路段在不同天气条件下的车辆行驶速度有较大影响。例如,雨雪天气与晴天相比,即便是同一路段,车速也会明显降低。
天气类型可量化为集合Wtype={sun,rainy,snowy,...},设任一天气类型下的道路拥塞度为晴天的拥塞度为DOCR-sun,很显然天晴的拥塞度即为不考虑天气影响下的道路拥塞度,则DOCR-sun=DOCR,那么其他天气类型下的拥塞度计算公式为其中μ为权重系数。例如,Wtype={rainy},μ=1.5,则表明雨天的道路拥塞度为晴天的1.5倍。
能见度:在本专利中特指大气能见度,即由于固态或液态颗粒导致大气能见度明显降低的雾霾或大雾天气。由于能见度降低,同样会导致车速减慢。
能见度可量化为集合Vis={VRmin,VRmax},其中VRmin和VRmax分别表示最小和最大可视距离,因此能见度通常用可视距离表征。直观认识为,能见度越低,车辆行驶速度也越低。在此可设车辆行驶速度为Vsp,可得能见度与车辆行驶速度间可得到如下关系:其中
交叉路口:路径规划过程中,通常应避开交叉路口。除了交叉路口通常会等待交通信号灯外,交叉路口通常也是车流量较大且安全系数较低的路段。
规划路径中的交叉路口数目可量化为集合Noc={1,2,...,n},但根据距离的远近,城市中的交叉路口数目至多不超过6个,原因在于交叉路口等待交通信号灯会严重降低交通运输效率。根据上文假定的交通信号灯等待时间为Tr-g,可得规划路径中拥塞度与它们的关系为DOCR=NOC×Tr-g。
交通事故:该因素在本专利中特指车辆间的交通突发事件。由于该因素通常导致车道被占用,从而降低道路的运载能力。其公式可参见“道路占用与道路运载能力的关系”。
车道数与道路运载能力的关系:道路运载能力的直观体现是停车等待时间。一般而言,由于车道数越多,交通分流效果越好,因此停车等待时间越短,道路运载能力也越好。理想状况下,当前方发生当前车道占用时,后方车辆会换相邻车道行驶,由此便会产生行驶方向上速度的分量,从而降低后方各车辆的行驶速度。如图2所示,V1为车辆换道时的实际行驶速度,而它与车道上的速度分量V2的关系为V2=V1 cosα,由此可知由于换道导致行车速度下降,且这一行为导致该车后方所有车辆的车速降低。
其中,Ls和Le分别表示行车方向上道路的起点和终点,Ws和We分别表示道路的宽度从左到右分别为起点和终点。
道路占用与道路运载能力的关系:设同向车道数为Rsn,被占用道路条数为Ror,则道路运载能力的百分比为此处的道路占用特指车辆的停止性占用行为;以三车道为例,当突发事件发生时,假定车道通常会被占用两条,那么可得道路运载能力的百分比为
值得说明的,车道数与道路运载能力的计算公式运用于正常路况下,而车道占用与道路运载能力用于临时发生突发事故时的车道停止性占用行为,如交通事故或道路施工等。
车辆行驶的连锁效应:该效应在本专利中特指车辆在道路子段中行驶时,后方车辆与前方车辆间在车辆行驶速度上的传递性关系。即后方车辆在不换道超车的前提下行驶速度局限于前方车速。这种现象在车道数较少,车辆运载能力较低的子路段表现的尤为突出。因此,在做路径规划时,应尽量避免车辆行驶连锁效应的产生。
步骤3:最优路径规划,主要包括规划优先级和路径最佳起始点选取两部分。
规划优先级:在本专利中,路径规划优先级特指一种静态路径选取的评判规则,在实际应用中可采用得分高低的形式来进行最优路径的选取和推送。结合上述已阐述与路径规划优先级相关的各项规则,便可得出优先级的权重评价模型如下公式(5),设道路类型Rtype,路径曲折程度Rdoc,交叉路口数目Rnum,交通事故或道路施工的突发事件Rem,右转专用道的个数Rrs。
Rps=αRtype+βRdoc+γRnum+δRem+ηRrs (5);
其中,α,β,γ,δ和η的取值均介于0到1之间。公式(5)中影响规划优先级选择的各项因素可依照上文中的详述内容进行权重值选择和分级。以道路类型为例,如上文所述Rtype={Rf,Ra,Rsa,Rd},那么可分别给予当Rtype取值为Rf,Ra,Rsa和Rd时的权重α的参考取值为0.9,0.6,0.3和0.1。同理,Rdoc可根据车辆行驶转向前后的转向角大小进行赋值,转向角越大,权重β取值越低;Rnum可根据规划路径中的交叉路口数目进行赋值,交叉路口数目越多,γ的权重值越低;Rem可根据突发事件发生与否进行权重赋值,发生突发事件权重值δ为0,未发生突发事件权重δ为1;Rrs可根据规划路径中右转专用道的个数进行赋值,右转专用道个数越多,η的取值越大。
路径最佳起始点选取:从最佳起始点到最佳终止点的任一子段道路内部不存在路径规划回路,若存在路径规划回路,则选择穿过原起始点(或原终止点)做垂线,与车辆行驶方向垂直,并与对向车道相交的交点作为路径规划的起始点(或终止点)。如图3所示为规划路径中某子段存在回路时,最佳起始点(或终止点)的重新选取示意图。
当前地图软件在进行路径规划时鲜有考虑路径规划的情境,在选取路径起始点和终点时往往未考虑最佳端点的选取。例如,用户依照地图软件乘坐出租车,在规划点乘坐需要在子路段尽头转向,而在马路对面却刚好顺向。这种现象在上下班高峰期显得尤为突出。因此,完全可通过最佳起始点的选择让用户走过马路乘车,这样可节省出行时间和成本。
本发明还能采用用户行走路线跟踪与评估、用户满意度评估和系统纠错与个性化定制,为用户提供精确路径规划;
用户行走路线与评估:少数用户由于对某城市的道路非常熟悉,通常会根据长期旅行的经验判断某时刻走哪条路径会避开交通堵塞,这些经验往往可以弥补路径规划系统的不足。通过对用户实际行走路线的跟踪采集与评估,可提升路径规划系统对最优化路径规划的准确度。
用户满意度评估:用户满意度是路径规划系统的重要环节。用户和根据某次利用路径规划系统进行路径规划的经历对系统进行反馈性评判。同时,也是一种系统规划与用户经验判断的相互评判与弥补。
系统纠错与个性化定制:由于城市发展和交通运输情境的动态变化,一定时期后,有可能导致系统做路径规划时出现错误或准确率降低。系统可通过采集用户实际行走路径数据或采用推送路径与实际行走路径对比的方法进行系统纠检错。同时,长期使用系统的用户可对常规路径做个性化定制。
本专利中的静态路径体现了城市路网在一定时期内在结构和线路方面保持不变,而非实时交通运输状态的静态性。事实上,实时交通运输状态的不断变化导致了用户旅行路径规划的具有挑战性。因为,不同的时间在不同的路段城市交通的拥塞度都会发生变化。因此,用户旅行路径规划的方案也应随着拥塞度的变化而变化。
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 (5)
1.一种基于城市路网的最优静态路径选择方法,其特征在于,包括以下步骤:
步骤1:确定城市道路线路切割规则;
所述城市道路线路切割规则包括:道路类型的切割规则、曲折程度的切割规则、交叉节点个数的切割规则、道路平整度城市道路线路切割规则、交通标志与标线城市道路线路切割规则;
道路类型分为快速路、主干路、次干路、支路,分别记为Rf,Ra,Rsa,Rd;
所述快速路定义为:城市道路中设有中央分隔带,具有四条以上机动车道,全部或部分采用立体交叉与控制出入,供汽车以较高速度行驶的道路;快速路的最高限速Vf≤80km/h;
所述主干路定义为:连接城市各分区的干路;主干路的最高限速Va≤60km/h;
所述次干路定义为:承担主干路与各分区间的交通集散支路;次干路的最高限速Vsa≤40km/h;
所述支路定义为:次干路与街坊路或小区路的连接线路;支路的最高限速Vd≤30km/h;
所述道路类型的切割规则为:
(1)同等拥塞度时,路径规划的优先级等级关系为Rf>Ra>Rsa>Rd;
(2)当车辆实时行驶速度低于下一优先级的最高道路限速的一定阈值τ时,自动将下一优先级的道路纳入路径规划和拥塞度计算的范畴;
(3)若遇分叉路径则根据分支数进行分割为若干子段;
所述曲折程度的切割规则为:当汽车行驶方向与前方规划路径方向间的转向角度大于30°时,路径优先级降等级处理,并计算对应的道路拥塞度;
所述交叉节点个数的切割规则为:尽可能选择个数较少的交叉节点,且同数目的交叉节点使得规划车辆右转的几率较大;
所述道路平整度城市道路线路切割规则为:尽量避免选择路面不平的坑洼路段或设有减速带的道路;
所述交通标志与标线城市道路线路切割规则为:尽量避免选择限速标志的道路;
步骤2:道路拥塞度计算;
步骤3:最优路径规划。
2.根据权利要求1所述的基于城市路网的最优静态路径选择方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:若规划路线存在路径切割,根据子段数目依次进行各子段的拥塞度计算;设车辆以路段最高限速集合Vr通过子段S所需的时间为基准,记为ts,则根据大于该基准时间的倍数依次计算并定义子段S的拥塞程度;
其中,Ls和Ld分别为选取子段S的起始点和目标点的位置,i为子段S被进一步划分的段数;交通堵塞的根本原因是:子路段入口的车流量大于出口的车流量,其现象表现为车辆在子路段中的停车等待时间Tr-g介于最短时间Tmin和最长时间Tmax之间;
步骤2.2:构建道路拥塞度计算模型,包括道路类型因素、曲线子段因素、天气类型因素、能见度因素、交叉路口因素、交通事故因素、道路占用与车辆运载能力的关系、车道数与道路运载能力的关系和车辆行驶的连锁效应;
道路拥塞度与道路运载能力的关系为DOCR=1-TCR,其中,DOCR为道路拥塞度,TCR为道路运载能力;
道路类型分为快速路、主干路、次干路、支路,分别记为Rf,Ra,Rsa,Rd;道路类型可量化为集合Rtype={Rf,Ra,Rsa,Rd};设道路拥塞度为DOCR,车道数为NumV-type,车道限速假定当Rtype=Rf时,拥塞度为车道数为NumV-f,车道限速为那么拥塞度其中Numv-type为某一道路类型的车道数,为某一车道类型的车道限速;
曲线子段与道路弯曲程度相关,故将曲线子段的拥塞度转化为曲线弧对应的弦所在直线的拥塞度进行拥塞度计算;设弧所对应的圆心角为θ,其量化关系为:
天气类型可量化为集合Wtype={sun,rainy,snowy},其中,sun表示晴天,rainy表示雨天,snowy表示雪天;设任一天气类型下的道路拥塞度为晴天的拥塞度为DOCR-sun,晴天的拥塞度为不考虑天气影响下的道路拥塞度,则DOCR-sun=DOCR,其他天气类型下的拥塞度计算公式为其中μ为权重系数;
能见度可量化为集合Vis={VRmin,VRmax},其中VRmin和VRmax分别表示最小和最大可视距离;设车辆行驶速度为Vsp,则能见度与车辆行驶速度间的关系为:
规划路径中的交叉路口数目可量化为集合Noc={1,2,...,n},假定交通信号灯等待时间为Tr-g,则规划路径中拥塞度与交叉路口数目的关系为:
DOCR=NOC×Tr-g;
所述车道数与道路运载能力的关系:设车长为Lv,车宽为Wv,车道长为LR,车道宽为WR,道路运载能力为TCR,从时刻Ts到时刻Te道路上的车辆数为Numv,那么车道数与道路运载能力间的关系为:
其中,Ls和Le分别表示行车方向上道路的起点和终点,Ws和We分别表示道路的宽度从左到右分别为起点和终点;
交通事故发生时与车道停止性占用行为有关,原理与“道路占用与道路运载能力的关系”相同;
3.根据权利要求2所述的基于城市路网的最优静态路径选择方法,其特征在于,步骤2.1中最短时间Tmin和最长时间Tmax的计算过程为:
在以交叉节点为端点的各道路子段中,设各车通过子段时的车速为子段道路的最高限速vr,车长度为li,分割子路段长度为s,并假定某时刻某道路子段上无车辆,则进入该子段的第一辆车从入口端到出口端满足v1t1=s,其中v1和t1表示该车的车速和到达出口端所需时间;
则:
假定各车均以子段最高限速行驶,那么将vr替换(1)中的各车车速,并对(1)中各式左右分别求和可得公式(2);
对(2)做等价变换,得出:
通过(3)假定两种理想情境,第1辆车行驶起始点为子路段入口端到出口端,第2辆车从入口端到第1辆车车尾,依次第n辆车从入口端行驶至第n-1辆车尾;
情境1:当前一辆车从起点到终点行驶完毕后,后一辆车紧随其后完成同一行驶过程;
情境2:全部n辆车同时排队依次进入子段,直至n辆车刚好全部占用子路段为止;
通过上述情境1和2的描述,分别得出两种理想行车状况下的最长时间Tmax和最短时间Tmin;
则车辆在子路段中的停车等待时间Tr-g满足Tmin<Tr-g<Tmax。
4.根据权利要求1所述的基于城市路网的最优静态路径选择方法,其特征在于,步骤3的具体实现包括以下子步骤:
步骤3.1:规划优先级;
优先级的权重评价模型如下公式(5),
Rps=αRtype+βRdoc+γRnum+δRem+ηRrs (5);
其中,Rtype为设道路类型,Rdoc为路径曲折程度,Rnum为交叉路口数目,Rem为交通事故或道路施工的突发事件,Rrs为右转专用道的个数;α,β,γ,δ和η为权重,取值均介于0到1之间;采用Rps得分高低的形式来进行最优路径的选取和推送;
步骤3.2:路径最佳起始点选取;
选取原则是:从最佳起始点到最佳终止点的任一子段道路内部不存在路径规划回路,若存在路径规划回路,则选择穿过原起始点或原终止点做垂线,与车辆行驶方向垂直,并与对向车道相交的交点作为路径规划的起始点或终止点。
5.根据权利要求1-4任意一项所述的基于城市路网的最优静态路径选择方法,其特征在于:所述方法采用用户行走路线跟踪与评估、用户满意度评估和系统纠错与个性化定制,为用户提供精确路径规划;
所述用户行走路线与评估:通过对用户实际行走路线的跟踪采集与评估,提升路径规划系统对最优化路径规划的准确度;
所述用户满意度评估:用户根据某次利用路径规划系统进行路径规划的经历对系统进行反馈性评判;
所述系统纠错与个性化定制:通过采集用户实际行走路径数据或采用推送路径与实际行走路径对比的方法进行系统纠检错;同时,长期使用系统的用户能对常规路径做个性化定制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709070.8A CN107490384B (zh) | 2017-08-17 | 2017-08-17 | 一种基于城市路网的最优静态路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710709070.8A CN107490384B (zh) | 2017-08-17 | 2017-08-17 | 一种基于城市路网的最优静态路径选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107490384A CN107490384A (zh) | 2017-12-19 |
CN107490384B true CN107490384B (zh) | 2020-06-23 |
Family
ID=60646519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710709070.8A Active CN107490384B (zh) | 2017-08-17 | 2017-08-17 | 一种基于城市路网的最优静态路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107490384B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109974726A (zh) * | 2017-12-28 | 2019-07-05 | 北京搜狗科技发展有限公司 | 一种道路通行状态确定方法及装置 |
JP2019159611A (ja) * | 2018-03-09 | 2019-09-19 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
CN109166311A (zh) * | 2018-08-15 | 2019-01-08 | 广州市康软信息科技有限公司 | 一种基于车辆调度的区域急救监控方法、系统及装置 |
DE102019112922A1 (de) * | 2019-05-16 | 2020-11-19 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren und Vorrichtung zur Navigation |
CN110525451B (zh) * | 2019-07-25 | 2022-11-25 | 平安科技(深圳)有限公司 | 行车安全辅助方法、装置、车辆、及可读存储介质 |
CN110516938B (zh) * | 2019-08-14 | 2023-09-05 | 天津市政工程设计研究总院有限公司 | 一种基于启发式算法的区域禁货道路划定方法 |
CN112668813A (zh) * | 2021-03-16 | 2021-04-16 | 中智行科技有限公司 | 评估优化方法、装置、电子设备和存储介质 |
CN113066298B (zh) * | 2021-03-17 | 2022-04-29 | 北京航迹科技有限公司 | 车辆行驶控制方法、装置、车辆、服务器、存储介质 |
CN114267176A (zh) * | 2021-12-24 | 2022-04-01 | 中电金信软件有限公司 | 导航方法、装置、电子设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406590A (zh) * | 2014-11-26 | 2015-03-11 | 中国测绘科学研究院 | 一种基于道路等级的最短路径规划算法 |
CN105139645A (zh) * | 2015-07-23 | 2015-12-09 | 合肥革绿信息科技有限公司 | 一种基于浮动车技术的城市区域路网运行指数评估方法 |
CN105486322A (zh) * | 2016-01-14 | 2016-04-13 | 上海博泰悦臻网络技术服务有限公司 | 一种区域道路的路况信息获取方法和系统 |
CN106679685A (zh) * | 2016-12-29 | 2017-05-17 | 鄂尔多斯市普渡科技有限公司 | 一种用于车辆导航的行车路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
-
2017
- 2017-08-17 CN CN201710709070.8A patent/CN107490384B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406590A (zh) * | 2014-11-26 | 2015-03-11 | 中国测绘科学研究院 | 一种基于道路等级的最短路径规划算法 |
CN105139645A (zh) * | 2015-07-23 | 2015-12-09 | 合肥革绿信息科技有限公司 | 一种基于浮动车技术的城市区域路网运行指数评估方法 |
CN105486322A (zh) * | 2016-01-14 | 2016-04-13 | 上海博泰悦臻网络技术服务有限公司 | 一种区域道路的路况信息获取方法和系统 |
CN106679685A (zh) * | 2016-12-29 | 2017-05-17 | 鄂尔多斯市普渡科技有限公司 | 一种用于车辆导航的行车路径规划方法 |
Non-Patent Citations (1)
Title |
---|
城市路网多路口路径动态实时选择方法;严丽平等;《软件学报》;20160930;第2199-2217页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107490384A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN104200649B (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
Homburger et al. | Fundamentals of traffic engineering | |
CN105074793A (zh) | 用于车辆路径规划和交通管理的车道级车辆导航 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
Fan et al. | Congestion and environmental impacts of short car trip replacement with micromobility modes | |
Patnaik et al. | Divisive Analysis (DIANA) of hierarchical clustering and GPS data for level of service criteria of urban streets | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
Song et al. | Exploring pareto routes in multi-criteria urban bicycle routing | |
Al-Dabbagh et al. | The impact of road intersection topology on traffic congestion in urban cities | |
CN108985616A (zh) | 一种公交专用道布局评价方法 | |
Burke et al. | The space race: A framework to evaluate the potential travel-time impacts of reallocating road space to bicycle facilities | |
Tiedong et al. | Applying floating car data in traffic monitoring | |
Datta et al. | Classification of uncontrolled intersections using hierarchical clustering | |
Liu et al. | Study on the location of unconventional outside left-turn lane at signalized intersections based on an entropy method | |
CN114419917A (zh) | 一种基于单向图的交通拥堵疏导方法及系统 | |
Swords et al. | Analytical framework for prioritizing bicycle and pedestrian investments: New Jersey's statewide master plan update, phase 2 | |
CN112529338A (zh) | 一种顺路程度计算方法 | |
Khodadadi et al. | Improve traffic management in the vehicular ad hoc networks by combining ant colony algorithm and fuzzy system | |
Ramesh et al. | Evaluation of delay characteristics at signalized intersections for improvement in level of service | |
Al-Jameel et al. | Evaluation of traffic conditions for selected urban streets in North part of Al-Najaf City | |
Borthakur et al. | Study and analysis of A Vehicular Traffic Intersection Point, For Traffic and Congestion Control in Amolapatty, Dibrugarh, Assam. | |
WO2023228772A1 (ja) | 走行エネルギー推定装置、走行エネルギー推定方法、及びコンピュータプログラム | |
Theyab et al. | Evaluation of arterial streets in Karbala city | |
Vlasov et al. | The vehicle routing problem in urban road networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |