CN107563543A - 一种基于群体智能的城市交通优化服务方法与系统 - Google Patents
一种基于群体智能的城市交通优化服务方法与系统 Download PDFInfo
- Publication number
- CN107563543A CN107563543A CN201710686872.1A CN201710686872A CN107563543A CN 107563543 A CN107563543 A CN 107563543A CN 201710686872 A CN201710686872 A CN 201710686872A CN 107563543 A CN107563543 A CN 107563543A
- Authority
- CN
- China
- Prior art keywords
- traffic
- local
- situation
- traffic situation
- global
- 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.)
- Granted
Links
Abstract
本发明公开了一种基于群体智能的城市交通优化服务方法与系统,包括:首先,基于群体智能对局部交通态势进行模拟,并根据模拟结果和局部交通优化目标选择各车辆的行驶时间和局部交通态势达到平衡的局部调度策略。其次,基于群体智能对全局交通态势进行模拟,并根据模拟结果和全局交通优化目标,选择局部交通态势与全局交通态势达到平衡的全局调度策略。然后,根据群体智能计算的结果对各个参与车辆进行最优路线推荐,以实现城市交通优化服务。最后,根据所提出的方法实现一种基于群体智能的城市交通优化服务系统,该系统包括:车载平台、态势认知系统、群体智能决策与控制系统,目的是提高城市交通优化服务决策的可执行性和有效性。
Description
技术领域
本发明涉及一种基于群体智能的城市交通优化服务方法与系统,属于智能交通领域。
背景技术
智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个交通运输管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统。其中,城市交通状态的预测与优化是智能交通的一个重要组成部分。利用人工智能,大数据等方法对城市交通状态进行预测与优化,能够缓解城市交通拥堵,提升城市交通运行效率。
传统智能交通系统将车作为被感知的对象,通过地感线圈、监控摄像头等多种手段对道路上的车辆速度、密度、拥堵程度等进行感知,极大的方便了交通管理者和驾驶员对交通状态进行认知。同时,传统智能交通系统利用大数据技术对采集到的大规模交通数据进行挖掘分析,从中发现了一定的宏观交通规律,并将这些规律应用到了交通状态的后继演化态势的预测过程中。但是由于车辆的驾驶行为是驾驶人或乘客意志的体现,交通状态形成的本质是各个相对独立的车辆根据对交通状态的认知进行自主驾驶决策的结果,忽略个体车辆驾驶决策的结果是,传统智能交通系统对交通态势的判定并不准确,导致目前的交通优化服务仅能在宏观上进行定性的指导,难以应用到具体的车辆调度控制过程中。
随着车联网技术的发展,车辆将随时联网,并累积大量的日常驾驶行为记录,对这些记录的挖掘分析能够刻画特定车辆驾驶人或乘客的驾驶决策行为偏好,这为基于群体智能解决城市交通态势认知问题打下基础。智能交通服务可以通过仿真城市交通优化调度过程与交通环境中相关车辆的驾驶决策过程,反映城市交通优化调度策略对各个相关车辆驾驶决策过程的影响,并反之根据相关车辆独立的驾驶决策结果,仿真城市交通状态的变化态势,以判断城市交通优化调度策略的有效性,并最终根据城市交通优化调度的目标选择合适的调度策略,以达到优化城市交通的目的。
发明内容
有鉴于此,本发明提供了一种基于群体智能的城市交通优化服务方法与系统。基于群体智能的方式对城市交通的局部和全局态势进行模拟计算,根据群体智能计算得到的局部和全局交通调度策略实现对城市交通的优化方法,同时也发明了一种基于以上方法的系统框架。
第一方面,本发明提供了一种基于群体智能的城市交通优化服务方法,包括下列步骤:
(1)将城市交通路网划分成若干个局部区域,通过群体智能实现局部交通态势的模拟,并根据模拟结果和局部交通优化目标选择局部调度策略,使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡;
(2)基于各个局部交通态势进行全局交通态势学习,通过群体智能实现全局交通态势的模拟,并根据模拟结果和全局交通优化目标选择全局调度策略,使得各局部交通态势与全局交通态势达到平衡;
(3)根据各个局部区域参与城市全局交通态势群体智能计算的结果,对各个参与车辆进行最优路线推荐,以最终实现城市交通优化服务。
进一步地,所述局部交通态势,是指局部区域内各道路的交通流量、行驶车速、交通密度、拥堵情况、局部区域对内/外整体的交通流入/流出量等道路交通状态随时间的变化趋势。通过群体智能实现局部交通态势的模拟是指模拟局部区域内各个车辆的驾驶决策,并基于驾驶决策结果产生模拟的局部交通态势;通过设置不同的局部交通策略,各个车辆将自主改变驾驶决策,从而获得不同局部交通策略导致的局部交通态势。其中,车辆的驾驶决策是车辆根据自身行驶目标点的选路需求获得所有备选路线所需经过道路的奖励值,选择获得的累计奖励大于累计行驶时间成本的备选路线作为后继行驶路段。局部调度策略是指根据局部交通态势呈现出的道路拥堵情况,对局部区域内每一条道路赋予一个奖励值;该奖励值通过时间成本与局部交通态势整体交通拥堵程度综合计算。所述的根据模拟结果和局部交通优化目标选择局部调度策略,使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡,是指通过群体智能进行局部交通态势的模拟,根据获得的局部交通态势呈现出的道路拥堵情况,动态调整局部调度策略,目标是减小局部交通态势中单一路段的交通拥堵,方法为提高交通通畅路段的奖励,降低交通拥堵路段的奖励;根据调整后的局部调度策略,再次通过群体智能进行局部交通态势的模拟,如此地进行迭代计算,最终选择能够使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡的局部调度策略和各个车辆的驾驶决策。
进一步地,全局交通态势是指全局区域内各局部区域的交通流量、行驶车速、交通密度、拥堵情况、交通流入/流出量等道路交通状态随时间的变化趋势。所述的基于各个局部交通态势进行全局交通态势学习,是指针对各个局部交通态势的历史变化趋势,及各个局部交通态势之间的交通流入/流出量之间的关联关系,进行全局交通态势变化规律的学习;学习方法是将全局交通态势根据交通流量、行驶车速、交通密度、拥堵状况、交通流入/流出量等状态进行取值,构建随时间变化的不同维度的交通态势图,通过使用深度卷积神经网络等方法进行特征学习。通过群体智能实现全局交通态势的模拟是指模拟各个局部区域的局部调度策略的决策,并获得基于各个局部区域调度策略的决策产生的模拟的局部交通态势结果,从而产生模拟的全局交通态势;通过设置不同的全局交通策略,各个局部区域将自主改变局部调度策略的决策,从而获得不同全局交通策略导致的全局交通态势。全局调度策略是指根据全局交通态势呈现出的道路拥堵情况,对局部区域之间的交通流入/流出量赋予一个奖励值;该奖励值是通过不同局部区域之间的交通流入/流出量与局部交通态势中的拥堵情况等指标之间的关联程度和全局交通态势中的交通拥堵程度综合计算。所述的根据模拟结果和全局交通优化目标选择全局调度策略,使得各局部交通态势与全局交通态势达到平衡,是指通过群体智能进行全局交通态势的模拟,根据获得的全局交通态势呈现出的道路拥堵情况,动态调整全局调度策略,目标是减小特定局部区域之间的交通流入/流出量,方法为降低产生交通拥堵的局部区域与其他局部区域之间的交通流入量的奖励,提高产生交通拥堵的局部区域与其他局部区域之间的交通流出量的奖励;根据调整后的全局调度策略,再次通过群体智能进行全局交通态势的模拟,如此地进行迭代计算,最终选择能够使得各局部区域的交通态势与全局的交通态势达到平衡的全局调度策略和局部调度策略。
进一步地,所述的各个局部区域参与城市全局交通态势群体智能计算的结果,是指在各局部区域的交通态势与全局的交通态势达到平衡时,各个局部区域所选择的局部调度策略。最优路线推荐是基于群体智能计算的结果完成各个车辆的选路决策,包括车辆当前所在局部区域的所经路段选择,及车辆后继将经过的其他局部区域的路段选择。
第二方面,本发明提供了一种基于群体智能的城市交通优化服务系统,包括:车载平台、态势认知系统、群体智能决策与控制系统;
进一步地,车载平台是部署在车辆上,用于收集车辆感知的交通数据,并发送给态势认知系统;另外,车载平台向群体智能决策与控制系统提交车辆行驶目的地,并接收群体智能决策与控制系统的行驶路径推荐。
进一步地,态势认知系统是用于获取车载平台上报的车辆感知的交通数据和从智能交通系统获取的交通数据,同时结合群体智能决策与控制系统反馈的局部调度策略和全局调度策略进行局部交通态势和全局交通态势的计算。态势认知系统包括局部态势认知模块和全局态势认知模块。其中,局部态势认知模块是指从感知数据接口获取属于某个局部区域的车辆上报的该车辆感知到的交通数据,从智能交通系统获取某个局部区域的交通数据,通过数据融合处理得到局部区域的交通状态;然后根据群体智能决策与控制系统通过设置局部控制策略产生的各个车辆模拟的驾驶决策结果计算局部交通态势。全局态势认知模块是指从智能交通系统获取全局交通数据,通过数据挖掘处理得到全局交通状态;然后根据群体智能决策与控制系统通过设置全局控制策略产生的各个局部区域的局部调度决策结果计算全局交通态势。
进一步地,群体智能决策与控制系统是基于群体智能实现局部交通态势和全局交通态势的模拟,并根据模拟结果选择局部调度策略和全局调度策略,最终为车辆生成推荐行驶路径,并下发给车载平台。群体智能决策与控制系统包括一个全局调度器和多个局部调度器。全局调度器包括全局群体智能计算执行器和路径推荐模块。其中,全局群体智能计算执行器用于模拟全局调度策略对各个局部区域进行引导和激励,及各局部区域的局部调度决策,并通过态势认知系统获取模拟全局调度策略产生的全局交通态势,基于城市整体交通态势达到平衡这一原则,选择最优的全局调度策略。路径推荐模块是根据全局智能计算执行器选择的全局调度策略,为车辆提供中长距离行驶路线推荐。局部调度器包括局部群体智能计算执行器和路口推荐模块。其中,局部群体智能计算执行器用于模拟局部调度策略对区域内车辆的驾驶决策行为的诱导,及各车辆的驾驶决策,并通过态势认知系统获取各个模拟局部调度策略产生的局部交通态势,基于各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡这一原则,选择最优的局部调度策略。路口推荐模块是根据局部群体智能计算执行器选择的局部调度策略为车辆提供近距离行驶路线推荐。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明所提供的一种基于群体智能的城市交通优化服务方法与系统的系统架构。
图2为本发明所提供的一种基于群体智能的城市交通优化服务方法与系统的局部交通态势群体智能计算过程。
图3为本发明所提供的一种基于群体智能的城市交通优化服务方法与系统的全局交通态势群体智能计算过程。
具体实施方式
为使本发明的目的、技术方案和优点更加明白清楚,下文将结合附图对本发明的实施例进行详细的说明。
本发明所提供的一种基于群体智能的城市交通优化服务方法与系统的系统总体架构示意图,如图1所示,该系统架构包括:车载平台、态势认知系统、群体智能决策与控制系统。
车载平台S11配置全球卫星定位系统,并与汽车OBD接口相连,能够采集车辆当前的位置、速度、加速度、方向等信息,如果车辆是出租车等营运车辆,还可以采集出租车是否载客等信息,以上采集到的信息通过感知数据接口传递给S13态势认知系统。S11还可通过公众移动通信网等手段,与群体智能决策与控制系统S12相连。S11向S12上报行驶目的地,S12向S11推送推荐的行驶路径。
群体智能决策与控制系统S12包含一个全局调度器S121和多个局部调度器S122。
其中,局部调度器S122包括局部群体智能计算执行器和路口推荐模块。局部群体智能计算执行器可采用非合作博弈模型完成群体智能计算,向态势认知系统S13中的局部态势认知模块提供所管理的车辆群体的模拟驾驶决策,从S13局部态势认知模块获取预测的局部交通态势,并进一步以局部区域通行时间最短和区域内交通状态均衡为目标,基于局部交通态势建立局部调度策略,对区域内车辆群体的驾驶决策进行诱导。路口推荐模块则根据局部群体智能计算执行器中各个车辆产生的驾驶决策结果,产生局部区域内下一个行驶路口推荐信息。
其中,全局调度器S121由全局群体智能计算执行器和路径推荐模块组成。全局群体智能计算执行器可采用合作博弈模型完成群体智能计算。全局群体智能计算执行器综合多个局部调度器S122中局部群体智能计算执行器产生的局部调度策略,向态势认知系统S13中的全局态势认知模块提供各个局部调度决策,从S13全局态势认知模块获取预测的全局交通态势,并进一步以全局交通态势均衡为目标,基于全局交通态势建立全局调度策略,对各区域的局部调度决策进行诱导。路径推荐模块则根据车辆目的地信息,结合全局交通态势给出全局视角的推荐路径,该推荐路径将兼顾单车通行时间最短和全局分流的要求。
态势认知系统S13由局部态势认知和全局态势认知组成,用于获取车载平台S11上报的车辆感知数据和从智能交通系统S14获取的城市交通路网信息和历史的交通态势数据,并结合S12群体智能决策与控制系统提供的局部调度策略和全局调度策略,进行局部交通态势和全局交通态势的计算。
本发明所提供的一种基于群体智能的城市交通优化服务计算方法的实施例,该方法包括局部交通态势群体智能计算和全局交通态势群体智能计算。
其中图2为局部交通态势群体智能计算的流程,包括:
S21,群体智能决策与控制系统的局部调度器根据态势认知系统提供的局部交通态势,构造初始的调度策略。调度策略是将局部区域内的每一条道路根据其拥堵情况赋予一个奖励值,并计算通过该道路的时间成本,得到一个道路-奖励-时间成本的列表。
S22,局部调度器模拟车辆在局部调度策略的诱导下,根据行驶目标点,选择获得的累计奖励大于累计行驶时间成本的路线作为后继备选的行驶路段,基于非合作博弈模型进行自主驾驶决策。
S23,态势认知系统根据局部调度器模拟产生的各个车辆的自主驾驶决策,计算模拟产生局部交通态势。
S24,根据模拟的局部交通态势,局部调度器判断各车辆在局部区域的行驶时间和局部区域的交通态势是否达到平衡,如果达到均衡,则结束迭代计算,获得局部调度策略和各个车辆的驾驶决策,否则转到S25。
S25,局部调度器根据模拟的局部交通态势中呈现出的道路拥堵情况,动态调整局部调度策略,减小局部交通态势中单一路段的交通拥堵,方法为提高交通通畅路段的奖励,降低交通拥堵路段的奖励。局部调度器根据调整后的调度策略重新进行群体智能计算,转到步骤S22。
图3是全局交通态势群体智能计算的流程,包括:
S31,态势认知系统基于各局部交通态势,包括局部交通态势历史变化趋势和各个局部交通态势之间的交通流入流出量之间的关联关系,进行全局交通态势变化规律学习,主要方法是将全局交通态势根据交通流量、行驶车速、交通的密度、拥堵状况、交通流入流出量等状态取值,根据时间不同构建为随时间变化的不同维度的交通态势图,使用深度卷积神经网络等学习方法学习其特征,得到全局交通态势的变化规律。
S32,全局调度器模拟在全局调度策略诱导下,根据整体交通态势达到平衡这一原则,基于合作博弈模型,考虑各个局部调度策略所能获得的奖励值累计最大,产生各个局部区域的局部调度策略。
S33,态势认知系统基于模拟的各个局部调度策略产生各个模拟的局部交通态势,并基于各个模拟的局部交通态势,产生模拟的全局交通态势。
S34,全局调度器根据模拟的全局交通态势,判断各局部区域的交通态势与全局的交通态势是否达到平衡。如果达到平衡,则结束迭代计算,得到全局调度策略和局部调度策略;否则,转向S35。
S35,根据模拟得到的全局交通态势呈现出的道路拥堵情况,动态调整全局调度策略,减小特定局部区域之间的交通流入流出量,方法为降低产生交通拥堵的局部区域与其他局部区域之间的交通流入量的奖励,提高产生交通拥堵的局部区域与其他局部区域之间的交通流出量的奖励。在调整后,转到S32进行下一轮的全局交通态势群体智能计算。
需要说明的是,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于群体智能的城市交通优化服务方法,其特征在于,包括如下步骤:
(1)将城市交通路网划分成若干个局部区域,通过群体智能实现局部交通态势的模拟,并根据模拟结果和局部交通优化目标选择局部调度策略,使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡;
(2)基于各个局部交通态势进行全局交通态势学习,通过群体智能实现全局交通态势的模拟,并根据模拟结果和全局交通优化目标选择全局调度策略,使得各局部交通态势与全局交通态势达到平衡;
(3)根据各个局部区域参与城市全局交通态势群体智能计算的结果,对各个参与车辆进行最优路线推荐,以最终实现城市交通优化服务。
2.根据权利要求1所述的方法,其特征在于:将城市交通路网划分成若干个局部区域,通过群体智能实现局部交通态势的模拟,并根据模拟结果和局部交通优化目标选择局部调度策略,使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡;
所述局部交通态势,是指局部区域内各道路的交通流量、行驶车速、交通密度、拥堵情况、局部区域对内/外整体的交通流入/流出量等道路交通状态随时间的变化趋势;
所述的通过群体智能实现局部交通态势的模拟,是指模拟局部区域内各个车辆的驾驶决策,并基于驾驶决策结果产生模拟的局部交通态势;通过设置不同的局部交通策略,各个车辆将自主改变驾驶决策,从而获得不同局部交通策略导致的局部交通态势;
其中,车辆的驾驶决策是车辆根据自身行驶目标点的选路需求获得所有备选路线所需经过道路的奖励值,选择获得的累计奖励大于累计行驶时间成本的备选路线作为后继行驶路段;
所述的局部调度策略,是指根据局部交通态势呈现出的道路拥堵情况,对局部区域内每一条道路赋予一个奖励值;该奖励值通过时间成本与局部交通态势整体交通拥堵程度综合计算;
所述的根据模拟结果和局部交通优化目标选择局部调度策略,使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡,是指通过群体智能进行局部交通态势的模拟,根据获得的局部交通态势呈现出的道路拥堵情况,动态调整局部调度策略,目标是减小局部交通态势中单一路段的交通拥堵,方法为提高交通通畅路段的奖励,降低交通拥堵路段的奖励;根据调整后的局部调度策略,再次通过群体智能进行局部交通态势的模拟,如此地进行迭代计算,最终选择能够使得各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡的局部调度策略和各个车辆的驾驶决策。
3.根据权利要求1所述的方法,其特征在于:基于各个局部交通态势进行全局交通态势学习,通过群体智能实现全局交通态势的模拟,并根据模拟结果和全局交通优化目标选择全局调度策略,使得各局部交通态势与全局交通态势达到平衡;
所述的全局交通态势,是指全局区域内各局部区域的交通流量、行驶车速、交通密度、拥堵情况、交通流入/流出量等道路交通状态随时间的变化趋势;
所述的基于各个局部交通态势进行全局交通态势学习,是指针对各个局部交通态势的历史变化趋势,及各个局部交通态势之间的交通流入/流出量之间的关联关系,进行全局交通态势变化规律的学习;学习方法是将全局交通态势根据交通流量、行驶车速、交通密度、拥堵状况、交通流入/流出量等状态进行取值,构建随时间变化的不同维度的交通态势图,通过使用深度卷积神经网络等方法进行特征学习;
所述的通过群体智能实现全局交通态势的模拟,是指模拟各个局部区域的局部调度策略的决策,并获得基于各个局部区域调度策略的决策产生的模拟的局部交通态势结果,从而产生模拟的全局交通态势;通过设置不同的全局交通策略,各个局部区域将自主改变局部调度策略的决策,从而获得不同全局交通策略导致的全局交通态势;
所述的全局调度策略,是指根据全局交通态势呈现出的道路拥堵情况,对局部区域之间的交通流入/流出量赋予一个奖励值;该奖励值是通过不同局部区域之间的交通流入/流出量与局部交通态势中的拥堵情况等指标之间的关联程度和全局交通态势中的交通拥堵程度综合计算;
所述的根据模拟结果和全局交通优化目标选择全局调度策略,使得各局部交通态势与全局交通态势达到平衡,是指通过群体智能进行全局交通态势的模拟,根据获得的全局交通态势呈现出的道路拥堵情况,动态调整全局调度策略,目标是减小特定局部区域之间的交通流入/流出量,方法为降低产生交通拥堵的局部区域与其他局部区域之间的交通流入量的奖励,提高产生交通拥堵的局部区域与其他局部区域之间的交通流出量的奖励;根据调整后的全局调度策略,再次通过群体智能进行全局交通态势的模拟,如此地进行迭代计算,最终选择能够使得各局部区域的交通态势与全局的交通态势达到平衡的全局调度策略和局部调度策略。
4.根据权利要求1所述的方法,其特征在于:根据各个局部区域参与城市全局交通态势群体智能计算的结果,对各个参与车辆进行最优路线推荐;
所述的各个局部区域参与城市全局交通态势群体智能计算的结果,是指在各局部区域的交通态势与全局的交通态势达到平衡时,各个局部区域所选择的局部调度策略;
所述的最优路线推荐,是基于群体智能计算的结果完成各个车辆的选路决策,包括车辆当前所在局部区域的所经路段选择,及车辆后继将经过的其他局部区域的路段选择。
5.根据权利要求1所述的方法实现一种基于群体智能的城市交通优化服务系统,该系统包括:车载平台、态势认知系统、群体智能决策与控制系统;
所述的车载平台,是部署在车辆上,用于收集车辆感知的交通数据,并发送给态势认知系统;另外,车载平台向群体智能决策与控制系统提交车辆行驶目的地,并接收群体智能决策与控制系统的行驶路径推荐;
所述的态势认知系统,是用于获取车载平台上报的车辆感知的交通数据和从智能交通系统获取的交通数据,同时结合群体智能决策与控制系统反馈的局部调度策略和全局调度策略进行局部交通态势和全局交通态势的计算;
所述的群体智能决策与控制系统,是基于群体智能实现局部交通态势和全局交通态势的模拟,并根据模拟结果选择局部调度策略和全局调度策略,最终为车辆生成推荐行驶路径,并下发给车载平台。
6.根据权利要求5所述的系统,其特征在于:态势认知系统包括局部态势认知模块和全局态势认知模块;
所述的局部态势认知模块,是指从感知数据接口获取属于某个局部区域的车辆上报的该车辆感知到的交通数据,从智能交通系统获取某个局部区域的交通数据,通过数据融合处理得到局部区域的交通状态;然后根据群体智能决策与控制系统通过设置局部控制策略产生的各个车辆模拟的驾驶决策结果计算局部交通态势;
所述的全局态势认知模块,是指从智能交通系统获取全局交通数据,通过数据挖掘处理得到全局交通状态;然后根据群体智能决策与控制系统通过设置全局控制策略产生的各个局部区域的局部调度决策结果计算全局交通态势。
7.根据权利要求5所述的系统,其特征在于:群体智能决策与控制系统包括多个局部调度器;
所述的局部调度器包括局部群体智能计算执行器和路口推荐模块;
其中,局部群体智能计算执行器用于模拟局部调度策略对区域内车辆的驾驶决策行为的诱导,及各车辆的驾驶决策,并通过态势认知系统获取各个模拟局部调度策略产生的局部交通态势,基于各车辆在局部区域的行驶时间和局部区域的交通态势达到平衡这一原则,选择最优的局部调度策略;
其中,路口推荐模块是根据局部群体智能计算执行器选择的局部调度策略为车辆提供近距离行驶路线推荐。
8.根据权利要求5所述的系统,其特征在于:群体智能决策与控制系统包括一个全局调度器;
所述的全局调度器包括全局群体智能计算执行器和路径推荐模块;
其中,全局群体智能计算执行器用于模拟全局调度策略对各个局部区域进行引导和激励,及各局部区域的局部调度决策,并通过态势认知系统获取模拟全局调度策略产生的全局交通态势,基于城市整体交通态势达到平衡这一原则,选择最优的全局调度策略;
其中,路径推荐模块是根据全局智能计算执行器选择的全局调度策略,为车辆提供中长距离行驶路线推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686872.1A CN107563543B (zh) | 2017-08-11 | 2017-08-11 | 一种基于群体智能的城市交通优化服务方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686872.1A CN107563543B (zh) | 2017-08-11 | 2017-08-11 | 一种基于群体智能的城市交通优化服务方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563543A true CN107563543A (zh) | 2018-01-09 |
CN107563543B CN107563543B (zh) | 2020-11-13 |
Family
ID=60975410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710686872.1A Active CN107563543B (zh) | 2017-08-11 | 2017-08-11 | 一种基于群体智能的城市交通优化服务方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563543B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900594A (zh) * | 2018-06-21 | 2018-11-27 | 中国联合网络通信集团有限公司 | 移动视频的优化方法、装置及系统 |
CN110053626A (zh) * | 2019-05-10 | 2019-07-26 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
CN110895878A (zh) * | 2019-10-09 | 2020-03-20 | 浙江工业大学 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
CN111462481A (zh) * | 2020-03-03 | 2020-07-28 | 北京理工大学 | 包含多功能无人车的云大脑智能交通系统 |
CN112904840A (zh) * | 2021-01-18 | 2021-06-04 | 陈潇潇 | 全局与局部分工合作各自追求最优的自动驾驶交通系统 |
CN114283607A (zh) * | 2020-12-21 | 2022-04-05 | 北京邮电大学 | 一种基于分布式群智学习的多车协同规划方法 |
CN114384823A (zh) * | 2022-03-23 | 2022-04-22 | 智能网联汽车(山东)协同创新研究院有限公司 | 基于智能网联汽车的模拟道路仿真测试系统 |
CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
CN117558132A (zh) * | 2024-01-11 | 2024-02-13 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN104900056A (zh) * | 2015-05-15 | 2015-09-09 | 四川大学 | 一种车路协同的交通态势感知方法和系统 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
-
2017
- 2017-08-11 CN CN201710686872.1A patent/CN107563543B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN104900056A (zh) * | 2015-05-15 | 2015-09-09 | 四川大学 | 一种车路协同的交通态势感知方法和系统 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
Non-Patent Citations (2)
Title |
---|
QUAN YUAN,ET AL: "A traffic congestion detection and information dissemination scheme for urban expressways using vehicular networks", 《TRANSPORTATION RESEARCH PART C》 * |
李静林等: "车联网群智感知与服务", 《中兴通讯技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900594B (zh) * | 2018-06-21 | 2021-03-19 | 中国联合网络通信集团有限公司 | 移动视频的优化方法、装置及系统 |
CN108900594A (zh) * | 2018-06-21 | 2018-11-27 | 中国联合网络通信集团有限公司 | 移动视频的优化方法、装置及系统 |
CN110053626A (zh) * | 2019-05-10 | 2019-07-26 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
CN110053626B (zh) * | 2019-05-10 | 2021-07-06 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
CN110895878A (zh) * | 2019-10-09 | 2020-03-20 | 浙江工业大学 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
CN110895878B (zh) * | 2019-10-09 | 2020-10-30 | 浙江工业大学 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
CN111462481A (zh) * | 2020-03-03 | 2020-07-28 | 北京理工大学 | 包含多功能无人车的云大脑智能交通系统 |
CN114283607B (zh) * | 2020-12-21 | 2022-09-20 | 北京邮电大学 | 一种基于分布式群智学习的多车协同规划方法 |
CN114283607A (zh) * | 2020-12-21 | 2022-04-05 | 北京邮电大学 | 一种基于分布式群智学习的多车协同规划方法 |
CN112904840A (zh) * | 2021-01-18 | 2021-06-04 | 陈潇潇 | 全局与局部分工合作各自追求最优的自动驾驶交通系统 |
CN114384823A (zh) * | 2022-03-23 | 2022-04-22 | 智能网联汽车(山东)协同创新研究院有限公司 | 基于智能网联汽车的模拟道路仿真测试系统 |
CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
CN117558132A (zh) * | 2024-01-11 | 2024-02-13 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
CN117558132B (zh) * | 2024-01-11 | 2024-03-15 | 北京华创智芯科技有限公司 | 基于大数据的交通管理平台数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107563543B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563543A (zh) | 一种基于群体智能的城市交通优化服务方法与系统 | |
CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
Mandhare et al. | Intelligent road traffic control system for traffic congestion: a perspective | |
CN107330547B (zh) | 一种城市公交动态调度优化方法及系统 | |
RU2733015C1 (ru) | Оперативное управление автономным транспортным средством | |
CN104658297B (zh) | 一种基于Sarsa学习的中心式动态路径诱导方法 | |
CN108932862A (zh) | 一种自动驾驶车辆调度方法和装置 | |
CN114283607B (zh) | 一种基于分布式群智学习的多车协同规划方法 | |
CN110114806A (zh) | 信号灯控制方法、相关设备及系统 | |
Vreeswijk et al. | Energy efficient traffic management and control-the eCoMove approach and expected benefits | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
KR20150128712A (ko) | 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션 | |
CN109615887A (zh) | 智慧交通网络系统信号指引方法 | |
CN107346460A (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
CN107886750A (zh) | 一种基于超视距协同认知的无人驾驶汽车控制方法与系统 | |
CN104637328B (zh) | 一种车辆自组织网络中基于rsu的分布式实时导航方法 | |
CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
CN109544913A (zh) | 一种基于深度q网络学习的交通灯动态配时算法 | |
CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
US20220306156A1 (en) | Route Planner and Decision-Making for Exploration of New Roads to Improve Map | |
Shen et al. | Study on road network traffic coordination control technique with bus priority | |
CN114758497A (zh) | 一种自适应停车场可变出入口控制方法、装置及存储介质 | |
Ahmad et al. | Applications of evolutionary game theory in urban road transport network: A state of the art review | |
CN109765801A (zh) | 基于vissim仿真的车联网设计速度调整的实现方法 | |
Gamel et al. | A fog-based Traffic Light Management Strategy (TLMS) based on fuzzy inference engine |
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 |