CN108491971A - 基于出行计划的三维地图的最优路径规划方法 - Google Patents
基于出行计划的三维地图的最优路径规划方法 Download PDFInfo
- Publication number
- CN108491971A CN108491971A CN201810230282.2A CN201810230282A CN108491971A CN 108491971 A CN108491971 A CN 108491971A CN 201810230282 A CN201810230282 A CN 201810230282A CN 108491971 A CN108491971 A CN 108491971A
- Authority
- CN
- China
- Prior art keywords
- dimensional map
- path
- model
- plan
- travel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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)
- Navigation (AREA)
Abstract
本发明公开了一种基于出行计划的三维地图的最优路径规划方法,包括:S1、基于二维地图和交通流量数据,建立以时间为第三维度的三维地图模型以及存储地图模型数据的三维矩阵;S2、获得三维地图模型的权值;S3、构造三维地图模型的权值静止的时间域,基于用户的出行计划计算得出局部最优路径;S4、获得总行车时长最短的局部最优路径组合,得到最优总路径;S5、根据最优总路径划建立最小单位路径模型并更新三维矩阵以及三维地图模型,生成路径规划。本发明方法克服基于空间距离最优路径算法无法适应实际交通流量复杂多变以及时空距离最优路径算法复杂缓慢的缺点,可以预算未来的交通流量数据,给出的三维地图的最优路径规划。
Description
技术领域
本发明涉及智能交通技术领域。更具体地,涉及一种基于出行计划的三维地图的最优路径规划方法。
背景技术
最优路径是提升交通效率的关键问题。目前,国内外大多都从四种交通网络情况下来区分以及研究最优路径。这四种交通网络分别是,动态确定、动态随机、静态确定和静态随机的交通网络。一方面,静态确定交通网络的历史最为悠久,对于它的最优路径算法也是最为传统的,如Floyd算法。静态确定交通网络假设交通网络中边的权值是静止且确定的常量,但是无法真实地反映实际交通网络的随机性和时变性,基于空间距离的最优路径算法不能适应。另一方面,动态随机交通网络模型由于当代实际交通流量状况复杂多变,预测的交通流量数据并不稳定,同时基于时空的最优路径算法计算量巨大,难以快速准确满足用户的需求。
因此,需要提供一种基于出行计划的三维地图的最优路径规划方法,能够适应当代的交通流量状况,提升交通效率。
发明内容
本发明的目的在于提供一种基于出行计划的三维地图的最优路径规划方法,克服基于空间距离最优路径算法无法适应实际交通流量复杂多变以及时空距离最优路径算法复杂缓慢的缺点,可以预算未来的交通流量数据,给出的三维地图的最优路径规划。
为达到上述目的,本发明采用下述技术方案:
本发明提供了一种基于出行计划的三维地图的最优路径规划方法,其特征在于,包括:
S1、基于二维地图和交通流量数据,建立以时间为第三维度的三维地图模型以及存储地图模型数据的三维矩阵;
S2、获得三维地图模型的权值;
S3、构造三维地图模型的权值静止的时间域,基于用户的出行计划计算得出局部最优路径;
S4、获得总行车时长最短的局部最优路径组合,得到最优总路径;
S5、根据最优总路径划建立最小单位路径模型并更新三维矩阵以及三维地图模型,生成路径规划。
优选地,步骤S1所述三维地图模型表示为:
G(E,V,T)
其中,E为边;
V为顶点;
T为时间;以及
所述三维矩阵表示为:
M(Vi,Vj,Tk)
其中,Vi、Vj均为顶点集;
Tk为连续的时间集。
优选地,步骤S2所述三维地图模型的权值为:
W=M(Vi,Vj,Tk)
表示为车辆在Tk时刻出发由顶点Vi到顶点Vj的行车时长;以及
所述权值根据从三维地图模型中的交通流量数据中获取的某时刻某路径的车辆数和速度-密度模型计算得出。
优选地,步骤S3所述用户的出行计划表示为
TI(O,D,T)
其中,O为出发点;
D为终止点;
T为从O到D的最短行车时长。
优选地,步骤S5将最优总路径划分为至少一段最小单位路径,并建立最小单位路径模型,调整最小单位路径模型的权值后,根据调整后的最小单位路径模型的权值更新三维矩阵以及三维地图模型,生成路径规划。
本发明的有益效果如下:
相比于传统的静态确定或动态随机交通网络的路径规划及其最优路径算法,本发明根据获取的二维地图和实际交通流量数据,建立以车辆在某时刻出发通过某一路径的最短行车时长为权值的三维地图模型,能够准确反映实际交通网络的随机性和时变性。该三维地图模型利用现实情况下车辆数在一定范围内时,车辆通过这一路径的最短行车时长不发生变化这个特性,将三维地图进行降维处理,大大降低了最优路径规划算法的时间复杂度和空间复杂度,可以更好地适应复杂多变的交通流量情况,并将输出反向输入以更新三维地图模型,快速得出精确的最优路径规划,提升整体交通流量效率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的总体流程图。
图2示出本发明的三维地图模型。
图3示出本发明中的权值静止的时间域。
图4示出本发明中的最优路径算法。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本实施例提供了一种基于出行计划的三维地图的最优路径规划方法,如图1所示,包括如下步骤:
S1、基于二维地图和交通流量数据,建立以时间为第三维度的三维地图模型(如图2所示)以及存储三维地图模型数据的三维矩阵,包括:
以时间为第三维度的三维地图模型是在二维地图的基础上增加时间属性,能够表示任何连续时间下的现实交通流量情况。
具体实现步骤是,以道路为基础,以时间为第三维度,将二维地图模型G(E,V)升级为三维地图模型G(E,V,T),其中,E(edge)为边,V(vertex)为顶点,T(time)为时间。当T=t时,G(E,V,t)表示在t时刻的地图信息。
三维地图模型数据存储在三维地图矩阵中,从二维矩阵相应地转化为三维矩阵M(Vi,Vj,Tk),其中,Vi、Vj均为顶点集合,Tk为连续的时间集合。
S2、获得三维地图模型的权值,包括:
三维地图模型的权值W=M(Vi,Vj,Tk),表示车辆在Tk时刻出发由顶点Vi到顶点Vj的最短行车时长。根据三维地图模型中的交通流量数据可以知道某时刻某路径的车辆数,再根据速度-密度模型,计算得出车辆在某时刻出发通过某一路径的最短行车时长。
S3、构造三维地图模型权值静止的时间域,基于用户的出行计划得出局部最优路径,包括:
根据现实情况可以知道在某一路径上车辆数会频繁地发生变化,但是车辆通过这一路径的最短行车时长不发生变化。由于车辆在某时刻出发通过某一路径的最短行车时长作为三维地图模型的权值,那么从连续时间上的三维地图模型构造至少一段权值静止的时间域。
基于上述理论,从出发时刻起一直到能够获得数据的最后时刻为止。在这段时间内,能够形成至少一段连续的上述的时间域。
在一段权值静止的时间域里,可以将三维地图模型视为一个静态确定交通网络的二维地图模型,继而用Floyd算法对二维地图模型计算任意两点间的最优路径,如图3和图4所示。用户的出行计划的基本格式是TI(O,D,T)。根据用户的出行计划,可以得到在这段时间域里从O到D的最优路径,继而得到通过这一路径的最短行车时长。若此最短行车时长小于这段时间域,就可以采用这个最优路径。如果此最短时长大于这段时间域,则需计算出基于这次Floyd算法所得的局部最优路径能走到哪一节点,与最短行车时长t。再调出T+t时刻的三维地图模型,并计算得到从T+t时刻到权值再次发生变化之前的时间域,再次用Floyd算法计算,若在这段时间域能到达目的地D,则采用这次的路径。若不能到达,则重复上述方法,直到得出局部最优路径。
然而,基于本步骤S3得出的局部最优路径进行组合,其总行车时间不一定最短,也就不等于最优总路径。因此,需借助于下一步骤S4得出最优总路径。
S4、获得总行车时长最短的局部最优路径组合,得到最优总路径,包括:
计算出所有局部最优路径,并比较何种局部最优路径的组合,总行车时长最短。选择总行车时长最短的局部最优路径组合作为最优总路径。
S4.1、先用步骤S3所提出的算法,对出行计划,进行计算得出局部最优路径组合P1,以及该局部最优路径组合的权值w1。根据局部最优路径组合P1以及其他所有现有的出行计划,可以得知局部最优路径组合P1究竟影响了哪些出行计划,以及局部最优路径组合P1的加入会对哪个时间点上的哪些路径产生权值的变化(也就是在该时刻通过该路径车辆的最短行车时长是否会发生变化)。将所有受影响的出行计划的权值求和得Wp1,得出Ws1=Wp1+w1。
S4.2、排除P1路径,再次依据步骤S3所提出的算法计算得出局部最优路径组合P2,重复步骤1的内容,得出Ws2=Wp2+w2。
S4.3、重复以上步骤,直到没有可选路径,得到Wsi,共有i种不同路径。比较得出行车时长最短的Wsi。该路径组合Pj为最终的最优总路径。
S5、根据最优总路径建立最小单位路径模型并更新三维地图模型,生成路径规划,包括:
出行计划的基本格式是TI(O,D,T)。假设O=Vi,D=Vj,既出发地是Vi,目的地是Vj。所述的最优总路径是Vi到V1到V2到V3到Vj。节点Vi到节点Vj一共要通过四条局部最优路径。它们分别是(Vi,V1),(V1,V2),(V2,V3)和(V3,Vj)。
最小单位路径模型Mup(Vi,Vj,Tk)=WMup,权值WMup表示在Tk时刻该路径节点Vi到节点Vj上共有多少辆车;二维地图模型M(Vi,Vj)=W2dM,权值W2dM表示由顶点Vi到顶点Vj的路径长度;通过计算可以得到车辆通过各个最小单位路径最短行车时间ti=f(WMup,W2dM),t1,t2,t3,t4。
当该最优总路径被采用后,需要调整最小单位路径模型的权值WMup=Mup(Vi,Vj,Tk),TI(O,D,T)中T表示出发时刻,在T<Tk<T+t1范围内时,WMup=Mup(Vi,Vj,Tk)=Mup(Vi,Vj,Tk)+1。以此类推,调整这条最优总路径所影响的全部最小单位路径模型的权值。
最小单位路径模型的权值调整后,更新三维矩阵M(Vi,Vj,Tk)=W3dM以及三维地图模型,生成路径规划。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种基于出行计划的三维地图的最优路径规划方法,其特征在于,包括:
S1、基于二维地图和交通流量数据,建立以时间为第三维度的三维地图模型以及存储地图模型数据的三维矩阵;
S2、获得三维地图模型的权值;
S3、构造三维地图模型的权值静止的时间域,基于用户的出行计划计算得出局部最优路径;
S4、获得总行车时长最短的局部最优路径组合,得到最优总路径;
S5、根据最优总路径划建立最小单位路径模型并更新三维矩阵以及三维地图模型,生成路径规划。
2.根据权利要求1所述的基于出行计划的三维地图的最优路径规划方法,其特征在于,步骤S1所述三维地图模型表示为:
G(E,V,T)
其中,E为边;
V为顶点;
T为时间;以及
所述三维矩阵表示为:
M(Vi,Vj,Tk)
其中,Vi、Vj均为顶点集;
Tk为连续的时间集。
3.根据权利要求1所述的基于出行计划的三维地图的最优路径规划方法,其特征在于,步骤S2所述三维地图模型的权值为:
W=M(Vi,Vj,Tk)
表示为车辆在Tk时刻出发由顶点Vi到顶点Vj的最短行车时长;以及
所述权值根据从三维地图模型中的交通流量数据中获取的某时刻某路径的车辆数和速度-密度模型计算得出。
4.根据权利要求1所述的基于出行计划的三维地图的最优路径规划方法,其特征在于,步骤S3所述出行计划表示为
TI(O,D,T)
其中,O为出发点;
D为终止点;
T为从O到D的最短行车时长。
5.根据权利要求1所述的基于出行计划的三维地图的最优路径规划方法,其特征在于,步骤S5将最优总路径划分为至少一段最小单位路径,并建立最小单位路径模型,调整最小单位路径模型的权值后,根据调整后的最小单位路径模型的权值更新三维矩阵以及三维地图模型,生成路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230282.2A CN108491971B (zh) | 2018-03-20 | 2018-03-20 | 基于出行计划的三维地图的最优路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230282.2A CN108491971B (zh) | 2018-03-20 | 2018-03-20 | 基于出行计划的三维地图的最优路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491971A true CN108491971A (zh) | 2018-09-04 |
CN108491971B CN108491971B (zh) | 2022-04-15 |
Family
ID=63318712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810230282.2A Expired - Fee Related CN108491971B (zh) | 2018-03-20 | 2018-03-20 | 基于出行计划的三维地图的最优路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491971B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210305A (zh) * | 2019-04-30 | 2019-09-06 | 驭势(上海)汽车科技有限公司 | 行驶路径偏差确定方法及装置、存储介质及电子装置 |
CN111928867A (zh) * | 2020-08-20 | 2020-11-13 | 上海西井信息科技有限公司 | 基于时间扩展的路径规划方法、系统、设备及存储介质 |
US20210239481A1 (en) * | 2020-02-05 | 2021-08-05 | Fujitsu Limited | Information processing apparatus, recording medium, information processing method, and information processing system |
CN113554391A (zh) * | 2021-07-27 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于可视化模型的电商物流规划方法、装置和存储介质 |
CN113762575A (zh) * | 2020-12-02 | 2021-12-07 | 北京京东乾石科技有限公司 | 输送线路径优化方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059025A1 (en) * | 2000-11-12 | 2002-05-16 | Hong-Soo Kim | Method for finding shortest path to destination in traaffic network using Dijkstra algorithm or Floyd-warshall algorithm |
CN106845703A (zh) * | 2017-01-18 | 2017-06-13 | 东南大学 | 一种考虑转向延误的城市路网时变k最短路径搜索方法 |
CN107389076A (zh) * | 2017-07-01 | 2017-11-24 | 兰州交通大学 | 一种适用于智能网联汽车的节能实时动态路径规划方法 |
-
2018
- 2018-03-20 CN CN201810230282.2A patent/CN108491971B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059025A1 (en) * | 2000-11-12 | 2002-05-16 | Hong-Soo Kim | Method for finding shortest path to destination in traaffic network using Dijkstra algorithm or Floyd-warshall algorithm |
CN106845703A (zh) * | 2017-01-18 | 2017-06-13 | 东南大学 | 一种考虑转向延误的城市路网时变k最短路径搜索方法 |
CN107389076A (zh) * | 2017-07-01 | 2017-11-24 | 兰州交通大学 | 一种适用于智能网联汽车的节能实时动态路径规划方法 |
Non-Patent Citations (3)
Title |
---|
SAHAR ABBASI ET AL.: "Finding the Shortest Path in Dynamic Network using Labeling Algorithm", 《INTERNATIONAL JOURNAL OF BUSINESS AND SOCIAL SCIENCE》 * |
刘志远等: "基于GIS的耗时最少路径诱导系统开发", 《中国水运(下半月)》 * |
谭国真等: "考虑网络流量的最优路径求解模型和算法", 《小型微型计算机系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210305A (zh) * | 2019-04-30 | 2019-09-06 | 驭势(上海)汽车科技有限公司 | 行驶路径偏差确定方法及装置、存储介质及电子装置 |
US20210239481A1 (en) * | 2020-02-05 | 2021-08-05 | Fujitsu Limited | Information processing apparatus, recording medium, information processing method, and information processing system |
CN111928867A (zh) * | 2020-08-20 | 2020-11-13 | 上海西井信息科技有限公司 | 基于时间扩展的路径规划方法、系统、设备及存储介质 |
CN111928867B (zh) * | 2020-08-20 | 2021-04-30 | 上海西井信息科技有限公司 | 基于时间扩展的路径规划方法、系统、设备及存储介质 |
CN113762575A (zh) * | 2020-12-02 | 2021-12-07 | 北京京东乾石科技有限公司 | 输送线路径优化方法和装置 |
CN113762575B (zh) * | 2020-12-02 | 2024-05-21 | 北京京东乾石科技有限公司 | 输送线路径优化方法和装置 |
CN113554391A (zh) * | 2021-07-27 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于可视化模型的电商物流规划方法、装置和存储介质 |
CN113554391B (zh) * | 2021-07-27 | 2024-04-19 | 杭州拼便宜网络科技有限公司 | 基于可视化模型的电商物流规划方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108491971B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491971A (zh) | 基于出行计划的三维地图的最优路径规划方法 | |
Liu et al. | Tourism flows prediction based on an improved grey GM (1, 1) model | |
CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
Zhang et al. | Performance analysis of four modified approaches for wind speed forecasting | |
CN105989737B (zh) | 一种停车诱导方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
Krichene et al. | Stackelberg routing on parallel networks with horizontal queues | |
CN108182484A (zh) | 基于网格化技术和bp神经网络的空间负荷预测方法 | |
CN109871622A (zh) | 一种基于深度学习的低压台区线损计算方法及系统 | |
CN109862532A (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
CN107045785A (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
Pham et al. | Learning coordinated traffic light control | |
CN109508830A (zh) | 一种电动汽车时空动态负荷预测的方法 | |
CN109087509A (zh) | 一种路网交通运行状态预测方法 | |
CN109685274A (zh) | 基于maklink图多节点链路的高铁路径规划设计的方法 | |
CN104504280A (zh) | 考虑规划需求的电动汽车充电桩集群管理系统通信方式综合评价方法 | |
Tsekeris et al. | Gravity models for dynamic transport planning: Development and implementation in urban networks | |
Li et al. | Ant intelligence for solving optimal path‐covering problems with multi‐objectives | |
CN109840611A (zh) | 一种综合业务接入区定容定址处理方法及装置 | |
Sun | Continuous transportation network design problem based on bi-level programming model | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
CN111915078A (zh) | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 | |
CN104616507A (zh) | 一种交通子区信号周期的协调控制方法及系统 | |
CN109271663A (zh) | 一种基于主体仿真的城市道路养护策略优化方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |