CN107944605B - 一种基于数据预测的动态交通路径规划方法 - Google Patents

一种基于数据预测的动态交通路径规划方法 Download PDF

Info

Publication number
CN107944605B
CN107944605B CN201711102815.0A CN201711102815A CN107944605B CN 107944605 B CN107944605 B CN 107944605B CN 201711102815 A CN201711102815 A CN 201711102815A CN 107944605 B CN107944605 B CN 107944605B
Authority
CN
China
Prior art keywords
average
time period
road section
road
speed
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
CN201711102815.0A
Other languages
English (en)
Other versions
CN107944605A (zh
Inventor
石慧珠
孙宁
韩光洁
金永霞
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201711102815.0A priority Critical patent/CN107944605B/zh
Publication of CN107944605A publication Critical patent/CN107944605A/zh
Application granted granted Critical
Publication of CN107944605B publication Critical patent/CN107944605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于数据预测的动态交通路径规划方法，将传统的路径规划方法和交通预测技术相结合，数据预测使用KNN算法，基于历史数据预测短期的交通流量；根据路段的长度，确定出每个路段在每个时间段的权重；此外，考虑到路网总体协调，从全局的角度，动态均衡地进行路径推荐，一方面避免向同一条路段推荐太多用户而造成未来新的交通拥塞，另一方面，对交通管制、交通事故等突发情况能够及时反映，以便更新规划的路径。本发明可以为司机提供有效和及时的交通路段拥堵信息，以得到动态、全局的最优路径推荐。

Description

一种基于数据预测的动态交通路径规划方法
技术领域
本发明属于交通路径规划技术领域，具体涉及一种基于数据预测的动态交通路径规划方法。
背景技术
近年来，交通事业迅猛发展，然而大中型城市中交通问题越来越严重，表现在拥挤情况严重、交通事故频发，尤其是在上下班高峰时期，如果有拥堵就会影响人们的行程，还会造成资源浪费、污染环境。
目前的智能交通系统(Intelligent Transport System，ITS)是处理日益恶化的道路拥堵、交通事故和环境污染的最有效手段。自20世纪80年代初以来，短期交通预测已成为大多数ITS和相关研究的重要的组成部分。它根据当前和以前的交通信息，对将来几秒钟到几个小时的交通情况作预测，预测的结果可以作为道路权重的重要标准应用于路径规划，以便提升城市交通效率。
发明内容
针对上述问题，本发明提出一种基于数据预测的动态交通路径规划方法，将传统的路径规划方法和交通预测技术相结合，预测使用KNN算法，基于历史数据预测短期的交通流量；根据各路段的长度，可以确定每个路段在每个时间段的权重；此外，考虑到路网总体协调，在全局的角度，动态均衡的进行路径推荐；一方面避免向同一条路段推荐太多用户而影响交通；另一方面，对交通管制、交通事故等及时反映，更新规划的路径，可以为司机提供有效和及时的路段拥堵信息，以得到最优路径。
实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种基于数据预测的动态交通路径规划方法，包括以下步骤：
(1)建立路网图；
(2)对时间进行划分获得若干个时间段，根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度；
(3)重复步骤(2)计算出每条路段在每个时间段的平均行驶速度和平均行驶时间；
(4)确定路网图中边的权重；
(5)以行驶时间最短为原则，进行路径规划。
进一步地，所述步骤(2)中的根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度，具体包括以下步骤：
(2.1)对于路段L1，从历史数据库中选择该路段的所有历史数据，再将当前数据
Figure BDA0001463686080000021
作为输入向量，
Figure BDA0001463686080000022
其中，V1,V2,...V5分别代表时间段、周、节假日、降雨量、时间段t平均车速，其中t表示一天中的任一时间段，时间段的取值为1～N，周的取值为1～7，节假日的取值为0或1；
(2.2)确定KNN算法的度量标准，计算每个历史数据与输入向量
Figure BDA0001463686080000023
之间的Euclidean距离：
Figure BDA0001463686080000024
式中：di表示输入向量
Figure BDA0001463686080000025
与历史数据库中的历史向量Xi之间的Euclidean距离，vg表示输入向量
Figure BDA0001463686080000026
的第g个分量，xi,g表示历史向量Xi的第g个分量，g∈{1,2...J}，J＝5；
(2.3)根据di的值，计算得到K个距离最小的历史向量作为
Figure BDA0001463686080000027
的K个最近邻：x1,x2…xK，相应也就得到了K个时间段t的平均车速；
(2.4)计算每个最近邻与
Figure BDA0001463686080000028
距离的倒数1/di，作为该近邻的权重；
(2.5)计算K个最近邻与
Figure BDA0001463686080000029
距离的倒数和：
Figure BDA00014636860800000210
(2.6)邻居xi的权重为
Figure BDA00014636860800000211
K个最近邻加权投票得到
Figure BDA00014636860800000212
的值Y，也就确定了
Figure BDA00014636860800000213
在t+1时刻的平均车速：
Figure BDA00014636860800000214
其中，
Figure BDA00014636860800000215
是历史数据库中
Figure BDA00014636860800000216
的最近邻xi的值；
Figure BDA00014636860800000217
表示路段L1在时间段t+1处的平均行驶速度，该值为历史数据库中的值；
Figure BDA00014636860800000218
是输入向量
Figure BDA00014636860800000219
的值，表示预测出的路段L1在时间段t+1时的平均行驶速度；
(2.7)按照步骤(2.1)-(2.6)计算出其余所有路段在时间段t+1时的平均行驶速度。
进一步地，所述步骤(3)具体为：得到路段L1在t+1时间段的平均行驶速度后，进行迭代运算，依次可以得出路段L1在t+2，t+3，…，t+N时间段的平均行驶速度
Figure BDA0001463686080000031
最终计算出各个路段的平均行驶速度表。
所述步骤(3)还包括：
假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间计算公式为：
Figure BDA0001463686080000032
其中，L为路段的长度，
Figure BDA0001463686080000033
为预测出的平均行驶速度。
所述步骤(3)还包括：结合推荐数目修正预测出的平均行驶速度，计算每条路段在每个时间段的平均行驶时间，具体为：
(3.1)根据行驶速度和路段车流密度的关系确定行驶速度的公式，具体如下所示：
v(ρ)＝vρ＝10-13.375ln(ρ)+30.797 (5)
其中，vρ＝10表示路段在车流密度为10veh/(km·lane)的情况下，汽车的平均行驶速度；
假设根据KNN算法预测到路段L1在时间段tm下的平均行驶车速为
Figure BDA0001463686080000034
即
Figure BDA0001463686080000035
则：
Figure BDA0001463686080000036
其中，ρ为路段对应时间段的车流密度，同样可以通过KNN算法预测，具体包括以下步骤：
(3.1.1)从历史数据库中选择该路段的所有历史数据，再将当前数据
Figure BDA0001463686080000037
作为输入向量，
Figure BDA0001463686080000038
其中，V1,V2,...V5分别代表时间段、周、节假日、降雨量、时间段t平均密度，其中t表示一天中的任一时间段；
(3.1.2)选择Euclidean距离作为KNN算法的度量标准，根据公式(1)计算每个历史数据与输入向量
Figure BDA0001463686080000039
之间的距离di；
(3.1.3)根据di的值，计算得到K个距离最小的历史向量作为
Figure BDA00014636860800000310
的K个最近邻：x1,x2…xk，相应也就得到了K个时间段t的车流平均密度；
(3.1.4)计算每个最近邻与
Figure BDA00014636860800000311
距离的倒数1/di，作为该近邻的权重；
(3.1.5)根据公式(2)计算K个最近邻与
Figure BDA00014636860800000312
距离的倒数和D；
(3.1.6)邻居xi的权重为
Figure BDA0001463686080000041
K个最近邻加权投票得到
Figure BDA0001463686080000042
的值Y，也就确定了
Figure BDA0001463686080000043
在t+1时刻的车流平均密度；
(3.2)之后推导路段被推荐次数对路段车速的影响，假设路径规划系统接收用户的出行请求，计算得到最优路径，并将该最优路径返回给用户，若在时间段tm下，路段L1的被推荐的次数为A，路段长度为L，那么A会对预测出的速度
Figure BDA0001463686080000044
产生影响，考虑这个影响之后，路段L1的平均行驶速度为
Figure BDA0001463686080000045
则：
a＝A/L (7)
vL1,m(ρ+a)＝vρ＝10-13.375ln(ρ+a)+30.797 (8)
由此可得：
Figure BDA0001463686080000046
即：
Figure BDA0001463686080000047
(3.3)将
Figure BDA0001463686080000048
写入路段的平均行驶速度表，依此类推其他路段的平均行驶速度表；
(3.4)假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：
Figure BDA0001463686080000049
其中，L为路段的长度，
Figure BDA00014636860800000410
为修正后的平均行驶速度。
进一步地，所述步骤(3)还包括：每过一个时间段，更新路段的平均行驶速度表。
进一步地，所述步骤(4)中路网图中边的权重的计算方法具体为：令由公式(4)或(11)得到的Cost′或者Cost作为路段的权重，路段在每个时间段都有一个权重，设路段LP在时间段tm的权重为
Figure BDA00014636860800000411
或
Figure BDA00014636860800000412
进一步地，所述步骤(5)具体为：基于步骤(1)中的路网图，利用Dijkstra算法进行规划路径，其中路网图中边的权重为
Figure BDA00014636860800000413
或
Figure BDA00014636860800000414
每规划一条路径，需要更新相关路段在相应时间段的被推荐次数，即次数加1；同时更新相关路段在相应时间段的权重
Figure BDA0001463686080000051
或
Figure BDA0001463686080000052
实现动态均衡的路径推荐。
进一步地，所述的一种基于数据预测的动态交通路径规划方法，还包括构建两个索引，用于动态调整路线，避开突发事件造成的拥堵：
1)起始节点和中间结点索引——(node1,nodei)＝{node1,node2,node3,nodei}，表示从起点node1到终点nodei之间所有可能经过的节点，使得从node1到nodei规划路径时，即步骤(5)中，就只需要构建包含上述节点的局部路网图，在局部路网图中应用Dijkstra算法进行路径规划，而不需要再利用步骤(1)中的全局路网图，从而减少Dijkstra算法的计算量；
2)司机和路段索引——Tral＝{way1,way2,way3}，表示司机的已规划路径由路段1、路段2、路段3组成；当某一路段发生交通事故时，及时更新涉及到前述发生交通事故的路段的相应司机的行驶路线。
本发明的有益效果：
本发明的基于数据预测的动态交通路径规划方法，首先根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在全局路网图中使用Dijkstra算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。
进一步地，本发明的基于数据预测的动态交通路径规划方法，还包括在路径规划的过程中逐渐建立起始节点和中间结点的索引，具体路径规划过程包括：
第一个阶段(例：系统试运行三个月)，系统根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在全局路网图中使用Dijkstra算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。同时在路径规划的过程中逐渐建立起始节点和中间结点的索引。
第二个阶段，系统根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在局部路网图(根据用户输入的起点和终点，可以找到索引中的所有可能经过的中间节点，由这些节点以及它们的边可以构成局部路网图)中使用Dijkstra算法进行路径规划，同样可以规划出时间最短的路径，并且时间接近于真实行驶时间，同时减少Dijkstra算法的计算量。本算法能够考虑到路网的全局协调，即考虑路段的被推荐次数对路段行驶速度的影响，将该影响加在路段的权重中，从全局的角度，动态均衡的进行路径推荐，一方面避免向同一条路段推荐太多用户而影响未来全局的交通，另一方面可以对交通管制、交通事故等情况做出及时反应，更新规划的路径。
附图说明
图1为本发明一种实施例的路径规划流程图；
图2为本发明一种实施例的路网示意图；
图3为本发明一种实施例的路径规划示意图；
图4为本发明一种实施例的在交通管制情况下的路径规划示意图；
图5为本发明和其他算法在路径总时间方面的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中，将传统的路径规划方法和交通预测技术相结合，一天24小时被划分为144个时间段，一个时间段为10分钟；预测每个路段在每个时间段的平均交通速度，并结合路段长度确定路段在每个时间段的平均行驶时间即路网图中边的权重；其中，预测使用KNN(k-Nearest Neighbor)算法，基于历史数据预测短期的交通流速，所述交通流速指在某时间段路段的平均行驶速度，最后在路网图中使用迪杰斯特拉(Dijkstra)算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。具体地，如图1所示，
一种基于数据预测的动态交通路径规划方法，包括以下步骤：
(1)建立路网图；
路网图可以表示为G＝(V，E)，其中V为图中的顶点，表示的是道路的交叉点，E表示图中的边，表示两个交叉点之间的路段，本发明实施例中的路网图的建立过程采用的是现有技术，本发明实施例中不做过多的赘述；
(2)对时间进行划分获得若干个时间段，根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度；
在本发明实施例中，将一天24小时划分为144个时间段，一个时间段为10分钟；
所述的根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度，以路段L1为例，具体包括以下步骤：
(2.1)从历史数据库中选择该路段的所有历史数据(可以选用5年时间内的所有数据，具体实施时按照实际需求可以做适度的时间范围调整)，再将当前数据
Figure BDA0001463686080000071
作为输入向量，
Figure BDA0001463686080000072
其中，V1,V2,...V5分别代表时间段(1～144)、周、节假日、降雨量、时间段t平均车速(km/h)，如表1所示，所述周的取值范围为1～7，代表着一周中的周几，为1就是指周一，为2就是指周二；所述节假日的取值为0或1，值为0为非节假日，值为1为节假日；所述降雨量的取值为：1～6，分别代表降雨量的6个等级；其中历史数据的特征有5维：{时间段(1～144)、周、节假日、降雨量、时间段t‐1的平均车速}，如表2所示；历史数据中时间段t的平均车速如表3所示；
表1
Figure BDA0001463686080000073
表2
Figure BDA0001463686080000074
表3
Figure BDA0001463686080000075
(2.2)确定KNN算法的度量标准，计算每个历史数据与输入向量
Figure BDA0001463686080000076
之间的距离：
Figure BDA0001463686080000077
式中：di表示输入向量
Figure BDA0001463686080000078
与历史数据库中的历史向量Xi之间的Euclidean距离，vg表示输入向量
Figure BDA0001463686080000079
的第g个分量，xi,g表示历史向量Xi的第g个分量(g∈{1,2...J}，J＝5)；
(2.3)根据di的值，计算得到K个距离最小的历史向量作为
Figure BDA00014636860800000710
的K个最近邻：x1,x2…xk，相应也就得到了K个值，即K个t时间段的平均车速，其中，t表示一天中的1-144中的任一时间段；
(2.4)计算每个最近邻与
Figure BDA0001463686080000081
距离的倒数1/di，作为该近邻的权重；
(2.5)计算K个最近邻与
Figure BDA0001463686080000082
距离的倒数和：
Figure BDA0001463686080000083
(2.6)邻居xi的权重为
Figure BDA0001463686080000084
K个最近邻加权投票得到
Figure BDA0001463686080000085
的值YA，也就确定了
Figure BDA0001463686080000086
在t+1时刻的平均车速：
Figure BDA0001463686080000087
其中，
Figure BDA0001463686080000088
是历史数据库中
Figure BDA0001463686080000089
的最近邻xi的值，
Figure BDA00014636860800000810
表示路段L1在时间段t+1处的平均行驶速度(历史数据库中的值)，
Figure BDA00014636860800000811
是输入数据
Figure BDA00014636860800000812
的值，表示预测出的路段在时间段t+1时的平均行驶速度；
(2.7)重复步骤(2.1)-(2.6)计算出路网图中其余所有路段在时间段t+1时的平均行驶速度。
(3)重复步骤(2)计算出每条路段在每个时间段的平均行驶速度和平均行驶时间；
具体为：得到路段L1在t+1时间段的平均速度后，进行迭代运算，依次可以得出路段L1在t+2，t+3，…，t+N时间段的平均行驶速度；每个路段都有一个平均行驶速度表；表中包含这144个时间段的平均行驶速度，如表4所示：
表4
Figure BDA00014636860800000813
进一步地，在本发明实施例的一种具体实施方式中，t时刻预测t+1时刻的交通流速是基于实际交通信息，预测t+2时刻的交通流速是基于预测出的交通信息，随着迭代次数的增多，不确定性会增大，所以每过一个时间段，更新路段的平均行驶速度表。
进一步地，假设求出的平均行驶速度可以完全反应汽车的行驶状态，结合路段的长度可以得到路段的平均行驶时间表，该表也作为路段(即路网图中的边)的权重表。
假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：
Figure BDA00014636860800000814
其中，L为路段的长度，
Figure BDA00014636860800000815
为预测出的平均行驶速度。
(4)确定路网图中边的权重；路网图中的权重不再是静态的路段特征，也不是当前时间的交通信息，而是结合了预测出的短期交通流速信息，一条路段在不同路径下的权重是不同的，路网图中边的权重确定方法具体为：令由公式(4)得到Cost作为路段的权重，路段在每个时间段都有一个权重，设路段Lp在时间段tm的权重为
Figure BDA0001463686080000091
m的取值范围是1-144。
(5)以行驶时间最短为原则，进行路径规划。
具体为：路径规划系统接收用户的出行请求，基于步骤(1)中的路网图，利用Dijkstra算法进行规划路径，其中路网图中边的权重为
Figure BDA0001463686080000092
每规划一条路径，需要更新相关路段在相应时间段的被推荐次数，即次数加1；同时更新相关路段在相应时间段的权重
Figure BDA0001463686080000093
实现动态均衡的路径推荐，得到最优路径后并将该最优路径返回给用户。
所述的一种基于数据预测的动态交通路径规划方法，还包括构建两个索引，用于动态调整路线，避开突发事件(如交通管制、交通事故等情况)造成的拥堵：
1)起始节点和中间结点索引——(node1,nodei)＝{node1,node2,node3,nodei}，表示从起点node1到终点nodei之间所有可能经过的节点，目的是简化原始路网图，这样从node1到nodei规划路径时，即步骤(5)中，就只需要构建包含上述节点的局部路网图，在局部路网图中应用Dijkstra算法进行路径规划，而不需要再利用步骤(1)中的全局路网图，从而减少Dijkstra算法的计算量。
2)司机和路段索引——Tral＝{way1,way2,way3}，表示司机的已规划路径由路段1、路段2、路段3组成。当某一路段发生交通事故等状况的时候，可以及时更新相应司机的行驶路线。
实施例2
本实施例与实施例1的区别在于：考虑了路段被推荐次数对交通的影响，每规划一条路径，需要更新相关路段在相应时间段的被推荐次数和权重，实现动态均衡的路径推荐；所述步骤(3)还包括：结合推荐数目和平均行驶速度，计算每条路段在每个时间段的平均行驶时间；具体为：
(3.1)根据行驶速度和路段车流密度的关系，确定行驶速度的公式，具体如下所示：
v(ρ)＝Vρ＝10-13.375ln(ρ)+30.797 (5)
其中Vρ＝10表示路段在车流密度为10veh/(km·lane)的情况下，汽车的平均行驶速度；
假设根据预测，路段L1在时间段tm下的平均形式车速为
Figure BDA0001463686080000101
即
Figure BDA0001463686080000102
则：
Figure BDA0001463686080000103
其中，ρ为路段对应时间段的密度，同样可以通过KNN算法预测，具体为：
(3.1.1)从历史数据库中选择该路段的所有历史数据，再将当前数据
Figure BDA0001463686080000104
作为输入向量，
Figure BDA0001463686080000105
其中，V1,V2,...V5分别代表时间段(1～144)、周(1～7)、节假日(0/1)、降雨量、时间段t平均密度，其中t表示一天中的1-144中的任一时间段；
(3.1.2)：选择Euclidean距离作为KNN算法的度量标准，计算每个历史数据与输入向量VA之间的距离di，如公式1所示。
(3.1.3)：根据di的值，计算得到K个距离最小的历史向量作为
Figure BDA0001463686080000106
的K个最近邻：x1,x2…xk，相应也就得到了K个时间段t的平均密度；
(3.1.4)计算每个最近邻与
Figure BDA0001463686080000107
距离的倒数1/di，作为该近邻的权重；
(3.1.5)计算K个最近邻与
Figure BDA0001463686080000108
距离的倒数和D，如公式(2)所示。
(3.1.6)：邻居xi的权重为
Figure BDA0001463686080000109
K个最近邻加权投票得到
Figure BDA00014636860800001010
的值Y，也就确定了
Figure BDA00014636860800001011
在t+1时刻的平均密度。
(3.2)之后推导路段被推荐次数对路段车速的影响，假设路径规划系统接收用户的出行请求，计算得到最优路径，若在某一时间段路段L1的被推荐的次数为A，路段长度为L，那么A会对预测出的速度
Figure BDA00014636860800001012
产生影响，考虑这个影响之后，路段的平均行驶速度为
Figure BDA00014636860800001013
则：
a＝A/L (7)
Figure BDA00014636860800001014
由此可得：
Figure BDA00014636860800001015
即：
Figure BDA0001463686080000111
(3.3)将
Figure BDA0001463686080000112
写入路段的平均行驶速度表；
(3.4)假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：
Figure BDA0001463686080000113
其中，L为路段的长度，
Figure BDA0001463686080000114
为修正后的平均行驶速度。
令由公式(4)得到Cost′作为路段的权重，路段在每个时间段都有一个权重，设路段Lp在时间段tm的权重为
Figure BDA0001463686080000115
m的取值范围是1-144。
如图2所示，车q要从节点1到节点7，它被推荐的路径是{L13，L37}，路段L13的平均车速为100千米/时，长度为1km，那么q车到达路段L37需要36分钟，也就是在第四个时间段进入路段L37，由预测可得到路段L37第四个时间段的平均行驶速度
Figure BDA0001463686080000116
再查询路段L37在第四个时间段被推荐的次数为a，通过公式(9)可计算出路段L37在第四个时间段的调整后行驶速度。
如图3所示，系统规划了节点34到节点39的路径，图中横坐标表示维度，纵坐标表示经度，虚线表示路段，实线表示规划的路径；当路段20-110发生了交通管制禁止通行时，所规划的路径如图4所示。因此利用本发明中所述的一种基于数据预测的动态交通路径规划方法可以有效避开交通管制的情况。
如图5所示，与经典的Dijkstra方法相比，本发明中所述的一种基于数据预测的动态交通路径规划方法规划的路径总时间较短。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于数据预测的动态交通路径规划方法，其特征在于，包括以下步骤：
(1)建立路网图；
(2)对时间进行划分获得若干个时间段，根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度；
(3)重复步骤(2)计算出每条路段在每个时间段的平均行驶速度和平均行驶时间；
(4)确定路网图中边的权重；
(5)以行驶时间最短为原则，进行路径规划；
所述步骤(2)中的根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度，具体包括以下步骤：
(2.1)对于路段L1，从历史数据库中选择该路段的所有历史数据，再将当前数据
Figure FDA0003074572980000011
作为输入向量，
Figure FDA0003074572980000012
其中，V1,V2,...V5分别代表时间段、周、节假日、降雨量、时间段t平均车速，其中t表示一天中的任一时间段，时间段的取值为1～N，周的取值为1～7，节假日的取值为0或1；
(2.2)确定KNN算法的度量标准，计算每个历史数据与输入向量
Figure FDA0003074572980000013
之间的欧式距离：
Figure FDA0003074572980000014
式中：di表示输入向量
Figure FDA0003074572980000015
与历史数据库中的历史向量Xi之间的欧式距离，vg表示输入向量
Figure FDA0003074572980000016
的第g个分量，xi,g表示历史向量Xi的第g个分量，g∈{1,2...J}，J＝5；
(2.3)根据di的值，计算得到K个距离最小的历史向量作为
Figure FDA0003074572980000017
的K个最近邻：x1,x2…xK，相应也就得到了K个时间段t的平均车速；
(2.4)计算每个最近邻与
Figure FDA0003074572980000018
距离的倒数1/di，作为该近邻的权重；
(2.5)计算K个最近邻与
Figure FDA0003074572980000019
距离的倒数和：
Figure FDA00030745729800000110
(2.6)邻居xi的权重为
Figure FDA00030745729800000111
K个最近邻加权投票得到
Figure FDA00030745729800000112
的值Y，也就确定了
Figure FDA00030745729800000113
在t+1时刻的平均车速：
Figure FDA0003074572980000021
其中，
Figure FDA0003074572980000022
是历史数据库中
Figure FDA0003074572980000023
的最近邻xi的值；
Figure FDA0003074572980000024
表示路段L1在时间段t+1处的平均行驶速度，该值为历史数据库中的值；
Figure FDA0003074572980000025
是输入向量
Figure FDA0003074572980000026
的值，表示预测出的路段L1在时间段t+1时的平均行驶速度；
(2.7)按照步骤(2.1)-(2.6)计算出其余所有路段在时间段t+1时的平均行驶速度。
2.根据权利要求1所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(3)具体为：得到路段L1在t+1时间段的平均行驶速度后，进行迭代运算，依次可以得出路段L1在t+2，t+3，…，t+N时间段的平均行驶速度
Figure FDA0003074572980000027
最终计算出各个路段的平均行驶速度表。
3.根据权利要求2所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(3)还包括：
假设平均行驶速度能完全反应汽车的行驶状态，那么该路段的平均行驶时间计算公式为：
Figure FDA0003074572980000028
其中，L为路段的长度，
Figure FDA0003074572980000029
为预测出的平均行驶速度。
4.根据权利要求3所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(3)还包括：结合推荐数目修正预测出的平均行驶速度，计算每条路段在每个时间段的平均行驶时间，具体为：
(3.1)根据行驶速度和路段车流密度的关系确定行驶速度的公式，具体如下所示：
v(ρ)＝vρ＝10-13.375ln(ρ)+30.797 (5)
其中，vρ＝10表示路段在车流密度为10veh/(km·lane)的情况下，汽车的平均行驶速度；
假设根据KNN算法预测到路段L1在时间段tm下的平均行驶车速为
Figure FDA00030745729800000210
即
Figure FDA00030745729800000211
则：
Figure FDA00030745729800000212
其中，ρ为路段对应时间段的车流密度，同样可以通过KNN算法预测，具体包括以下步骤：
(3.1.1)从历史数据库中选择该路段的所有历史数据，再将当前数据
Figure FDA0003074572980000031
作为输入向量，
Figure FDA0003074572980000032
其中，V1,V2,...V5分别代表时间段、周、节假日、降雨量、时间段t平均密度，其中t表示一天中的任一时间段；
(3.1.2)选择欧式距离作为KNN算法的度量标准，根据公式(1)计算每个历史数据与输入向量
Figure FDA0003074572980000033
之间的距离di；
(3.1.3)根据di的值，计算得到K个距离最小的历史向量作为
Figure FDA0003074572980000034
的K个最近邻：x1,x2…xk，相应也就得到了K个时间段t的车流平均密度；
(3.1.4)计算每个最近邻与
Figure FDA0003074572980000035
距离的倒数1/di，作为该近邻的权重；
(3.1.5)根据公式(2)计算K个最近邻与
Figure FDA0003074572980000036
距离的倒数和D；
(3.1.6)邻居xi的权重为
Figure FDA0003074572980000037
K个最近邻加权投票得到
Figure FDA0003074572980000038
的值Y，也就确定了
Figure FDA0003074572980000039
在t+1时刻的车流平均密度；
(3.2)之后推导路段被推荐次数对路段车速的影响，假设路径规划系统接收用户的出行请求，计算得到最优路径，并将该最优路径返回给用户，若在时间段tm下，路段L1的被推荐的次数为A，路段长度为L，那么A会对预测出的速度
Figure FDA00030745729800000310
产生影响，考虑这个影响之后，路段L1的平均行驶速度为
Figure FDA00030745729800000311
则：
a＝A/L (7)
Figure FDA00030745729800000312
由此可得：
Figure FDA00030745729800000313
即：
Figure FDA00030745729800000314
(3.3)将
Figure FDA00030745729800000315
写入路段的平均行驶速度表，依此类推其他路段的平均行驶速度表；
(3.4)假设平均行驶速度能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：
Figure FDA0003074572980000041
其中，L为路段的长度，
Figure FDA0003074572980000042
为修正后的平均行驶速度。
5.根据权利要求1或3所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(3)还包括：每过一个时间段，更新路段的平均行驶速度表。
6.根据权利要求4所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(4)中路网图中边的权重的计算方法具体为：令由公式(4)或(11)得到的Cost或者Cost′作为路段的权重，路段在每个时间段都有一个权重，设路段LP在时间段tm的权重为
Figure FDA0003074572980000043
或
Figure FDA0003074572980000044
7.根据权利要求6所述的一种基于数据预测的动态交通路径规划方法，其特征在于：所述步骤(5)具体为：基于步骤(1)中的路网图，利用Dijkstra算法进行规划路径，其中路网图中边的权重为
Figure FDA0003074572980000045
或
Figure FDA0003074572980000046
每规划一条路径，需要更新相关路段在相应时间段的被推荐次数，即次数加1；同时更新相关路段在相应时间段的权重
Figure FDA0003074572980000047
或
Figure FDA0003074572980000048
实现动态均衡的路径推荐。
8.根据权利要求1所述的一种基于数据预测的动态交通路径规划方法，其特征在于：还包括构建两个索引，用于动态调整路线，避开突发事件造成的拥堵：
1)起始节点和中间节点索引——(node1,nodei)＝{node1,node2,node3,nodei}，表示从起点node1到终点nodei之间所有可能经过的节点，使得从node1到nodei规划路径时，即步骤(5)中，就只需要构建包含上述节点的局部路网图，在局部路网图中应用Dijkstra算法进行路径规划；
2)司机和路段索引——Tral＝{way1,way2,way3}，表示司机的已规划路径由路段1、路段2、路段3组成；当某一路段发生交通事故时，及时更新涉及到前述发生交通事故的路段的相应司机的行驶路线。
CN201711102815.0A 2017-11-10 2017-11-10 一种基于数据预测的动态交通路径规划方法 Active CN107944605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711102815.0A CN107944605B (zh) 2017-11-10 2017-11-10 一种基于数据预测的动态交通路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711102815.0A CN107944605B (zh) 2017-11-10 2017-11-10 一种基于数据预测的动态交通路径规划方法

Publications (2)

Publication Number Publication Date
CN107944605A CN107944605A (zh) 2018-04-20
CN107944605B true CN107944605B (zh) 2021-07-30

Family

ID=61933728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711102815.0A Active CN107944605B (zh) 2017-11-10 2017-11-10 一种基于数据预测的动态交通路径规划方法

Country Status (1)

Country Link
CN (1) CN107944605B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876045A (zh) * 2018-06-25 2018-11-23 上海应用技术大学 基于lstm模型预测的急救车最优路线推荐方法
CN109190797A (zh) * 2018-08-03 2019-01-11 北京航空航天大学 一种基于改进k最近邻的大规模路网状态短时预测方法
CN109559512B (zh) * 2018-12-05 2021-08-24 北京掌行通信息技术有限公司 一种区域交通流量预测方法及装置
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN110009906B (zh) * 2019-03-25 2021-07-27 上海交通大学 基于交通预测的动态路径规划方法
CN110220527B (zh) * 2019-05-31 2021-04-02 中国四维测绘技术有限公司 一种基于公众活动预测的路径规划方法和装置
CN111428920B (zh) * 2020-03-17 2023-06-09 北京香侬慧语科技有限责任公司 一种基于图注意力网络的交通预测方法及系统
CN111982138B (zh) * 2020-07-09 2022-06-28 北京百度网讯科技有限公司 预测模型获取及路径规划方法、装置及存储介质
CN111862660B (zh) * 2020-07-23 2023-10-10 中国平安财产保险股份有限公司 基于效用补偿机制的实时路径规划方法及相关设备
CN112071060B (zh) * 2020-08-27 2022-07-26 华南理工大学 一种基于城市路网交通环境变化的应急救援路径规划方法
CN112179370B (zh) * 2020-11-06 2022-10-14 思创数码科技股份有限公司 一种基于动态路网的持续最优路线规划方法
CN112529254B (zh) * 2020-11-19 2022-11-25 歌尔股份有限公司 一种路径规划方法、装置和电子设备
CN113723655A (zh) * 2020-12-31 2021-11-30 京东城市(北京)数字科技有限公司 路径获取方法、装置、电子设备和存储介质
CN112991801B (zh) * 2021-03-05 2022-03-11 合肥工业大学 一种基于时变路况的最优安全路径获取方法
CN112991739B (zh) * 2021-03-23 2022-03-04 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN113159436B (zh) * 2021-04-29 2024-07-02 中国移动通信集团陕西有限公司 一种路径推荐方法、装置、设备及可读存储介质
CN113375673B (zh) * 2021-06-08 2022-09-06 嘉兴霏云信息科技有限公司 一种路径规划的优化算法
CN115409256B (zh) * 2022-08-24 2023-05-12 吉林化工学院 基于行程时间预测的拥堵区避让的路径推荐方法
CN117350607B (zh) * 2023-09-18 2024-06-07 嘉兴环洋电商物流服务有限公司 改进型knn算法模型的国际物流运输路径规划系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Dynamic Route Planning in Vehicular Networks based on Future Travel Estimation";Stefano Fontanelli等;《2010 IEEE Vehicular Networking Conference》;20110120;全文 *
"城市智能交通中的动态路径规划研究";李军;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170415;第7-44页 *

Also Published As

Publication number Publication date
CN107944605A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107944605B (zh) 一种基于数据预测的动态交通路径规划方法
Levin et al. On optimizing reservation-based intersection controls
US20190346275A1 (en) Vehicle route guidance
Kim et al. Optimal vehicle routing with real-time traffic information
CN112629533B (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
Sun et al. Dynamic path planning algorithms with load balancing based on data prediction for smart transportation systems
CN109959388A (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN102052926A (zh) 减少燃料消耗和成本的方法
CN105513400A (zh) 动态规划出行路径的方法
CN111028511B (zh) 一种交通拥堵预警方法及装置
Ding et al. An efficient algorithm for optimal route node sensing in smart tourism Urban traffic based on priority constraints
CN111898793B (zh) 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
De Nunzio et al. Bi-objective eco-routing in large urban road networks
Yang et al. Adaptive routing considering delays due to signal operations
Bagloee et al. Transit priority lanes in the congested road networks
GB2556876A (en) Vehicle route guidance
Liu et al. Efficient real-time routing for autonomous vehicles through bayes correlated equilibrium: An information design framework
Yang et al. Leveraging human driving preferences to predict vehicle speed
Zavin et al. Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data
CN113379159A (zh) 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
Wang et al. Real-time dynamic route optimization based on predictive control principle
Sinnott et al. On the design of a route parsing engine for connected vehicles with applications to congestion management systems
Zhao et al. A co-simulation, optimization, control approach for traffic light control with truck priority
GB2560487A (en) Vehicle route guidance
Elbery et al. A novel stochastic linear programming feedback eco-routing traffic assignment system

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