CN108597246B - 一种解决路径选择实时性问题以避免局部拥堵的方法 - Google Patents

Abstract

本发明公开了一种解决路径选择实时性问题以避免局部拥堵的方法，首先构建城市交通路网的实时动态多路口路径选择模型；然后构建效用值评价模型，通过效用值大小评判路径选择方案的优劣；最后最优路径选择。本发明可以充分利用量子计算的优势，实现实时的路径导航，并避免局部拥堵，可以有效缓解交通拥堵。

Description

一种解决路径选择实时性问题以避免局部拥堵的方法

技术领域

本发明属于智能交通技术领域，涉及一种局部拥堵解决的方法，具体涉及一种有效解决路径选择实时性问题以避免局部拥堵的方法。

背景技术

现有的城市交通路网路径选择研究主要依托于以下三个方面展开，分别为基于信号灯控制的路径选择模型、基于车辆个性化选择特性的路径选择方法和基于全局路网负载均衡的路径选择模型。

(1)为了改进交通信号灯控制的有效性，Anastasios等人提出一种实时的用于交通信号灯控制的策略([文献1])，解决非高峰期和过饱和两种不同状态下交通信号的控制方式。Kartik等人提出一种基于车载广播网络的OJF算法([文献2])，通过收集车辆当前位置和速度信息将车辆进行分组，实时自适应地对交通信号灯进行控制，使得各组间相交的延迟最小。He等人提出一种稳态信号控制算法和统一的集群共识信号，并通过信号调节使得路网达到全局负载均衡，此方法可以减少局部拥堵并实现路网流量的均衡分布([文献3])。然而以上基于信号灯控制的路径选择方法主要从全局交通流角度进行路径选择([文献4])，没有考虑到个体车辆的个性化行驶需求，并且这种改善仅能一定程度缓解交通压力，难以明显缓解交通拥堵。

(2)为了解决城市路网中个性化车辆特性考虑不足的问题，Nakajima等人提出了一种估计驾驶员驾驶意图的路径推荐算法([文献5])，提出了用于估计算法路由选择的驾驶员意图，然后根据此意图确定最佳路径选择方案，该方法可以通过分析已选路径与未选路径之间的差异来估计驾驶员的驾驶意图，通过放大这些差异从而获得路线并设定参数获得一条经过修饰的最佳路径。Potuzak等人提出了一种分割路网的方法([文献6])，该方法将路网划分为同质簇和异构集群，对于同质群集，该方法将交通路网划分成负载均衡的子网络，对于异构集群，该方法通过对比目标节点的负载比和特定节点的负载比来将交通路网划分为不同子网，并通过子网间不同的权重值来进行路径推荐。以上方法在微观角度上充分考虑了路网中路段对驾驶员的吸引比例、路段当前负载比例等([文献7])，但是这类算法容易造成过多车辆被选择到同一路段从而造成个别路段的交通拥堵现象，无法实现全局交通优化。

(3)为了使得路网拥堵减少，形成全局路网的均衡负载，Chan提出了一种基于智能群的神经网络短期交通量预测APSO算法([文献8])，该算法结合神经网络算法，对于交通流中的强非线性特征的交通流数据和新捕获的交通数据取得良好的预测效果。Lee等人提出了一种基于VANET交通控制和交通信息采集的车辆协作解决方案([文献9])，其提出的交通感知路由协议能监控相邻道路的实时交通状况部署静态节点和考虑道路交通网络流量，同时该方法也传递混合交通信息到其他的结果节点，从而达到车辆间相互协助选择一个更强大的和高效的全局最优路径。Yamada等人提出基于超路径的路径推荐方法([文献10])，选择行驶时间相近的一组路径并依据概率推荐给行驶车辆，将交通流分散在一组相似路径上，但该方法不是基于动态的实时交通信息，而是静态的历史交通数据。Pan等人根据实时交通信息([文献11])，尽量将车辆分散到车流量较低的路径，但没有充分利用实际最短路径的容量，从而会导致有些车辆被诱导到很远的路径。Wang等人通过交通灯收集实时交通信息([文献12])，并对突发交通拥堵事件进行规避，将车辆均衡分散在整个路网。但这类算法考虑的是交通灯及相关路段间的协作，并没有考虑微观车辆的行驶需求。

综上，现有的城市路网交通拥堵解决方案存在策略评价指标单一、对车辆个体特点考虑不足、动态性不足容易导致局部拥堵等问题，目前尚没有一种方法可以有效解决这些问题。

[文献1]Anastasios Kouvelas,Konstantinos Aboudolas,MarkosPapageorgiou,Elias B.Kosmatopoulos,A Hybrid Strategy for Real-Time TrafficSignal Control of Urban Road Networks,IEEE Transactions on IntelligentTransportation Systems,Sept.2011,884-894

[文献2]Kartik Pandit,Dipak Ghosal,H.Michael Zhang,Chen-Nee Chuah,Adaptive Traffic Signal Control With Vehicular Ad hoc Networks,IEEE Transactions on Vehicular Technology,May 2013,1459-1471

[文献3]Zhonghe He,Li Wang,Dai Li,Lingyu Zhang,Steady-State SignalControl for Urban Traffic Networks,2015 IEEE 18th International Conference on Intelligent Transportation Systems,15-18Sept.2015,463-470

[文献4]Jinghao Sun,Lan Guan,Qinxu Deng,Xin Zhang,FengyuanYang.Modeling Urban Traffic Control Systems from the Perspective of Real TimeCalculus.Journal of Software,2016,27(3):527-546

[文献5]Shinsuke Nakajima,Daisuke Kitayama,Yoshitaka Sushita,KazutoshiSumiya,Naiwala P.Chandrasiri,Kazunari Nawa，Route recommendation method forcar navigation system based on estimation of driver's intent,VehicularElectronics and Safety(ICVES),2012 IEEE International Conference on，24-27July 2012，318-323

[文献6]Tomas Potuzak,Feasibility study of optimization of a geneticalgorithm for traffic network division for distributed road trafficsimulation,2013 6th International Conference on Human System Interactions (HSI),6-8June 2013,372-379

[文献7]Yang Xu,Yuling Zhang,Tingting Sun,Yanfang Sun.Agent-BasedDecentralized Cooperative Traffic Control Toward Green-Waved Effects.Journalof Software,2012,23(11):2937-2945.

[文献8]Kit Yan Chan,Tharam Dillon,Elizabeth Chang,Jaipal Singh,Prediction of Short-Term Traffic Variables Using Intelligent Swarm-BasedNeural Networks,IEEE Transactions on Control Systems Technology(Volume:21,Issue:1),2012,263-274

[文献9]Jeng-Wei Lee,Chun-Chih Lo,Shih-Pu Tang,Mong-Fong Horng,Yau- Hwang Kuo,A hybrid traffic geographic routing with cooperative trafficinformation collection scheme in VANET,Advanced Communication Technology (ICACT),2011 13th International Conference on,13-16Feb.2011,1496-1501

[文献10]Yamada K,Ma J,Fukuda D.Simulation Analysis of the MarketDiffusion Effects of Risk-averse Route Guidance on Network Traffic[J].Procedia Computer Science,2013,19:874-881.

[文献11]Pan J,Popa I S,Zeitouni K,et al.Proactive Vehicular TrafficRerouting for Lower Travel Time[J].IEEE Transactions on Vehicular Technology,2013,62(8):3551-3568.

[文献12]Wang S,Djahel S,Mcmanis J.A Multi-Agent based vehicles re-routing system for unexpected traffic congestion avoidance[C],IntelligentTransportation Systems(ITSC),2014 IEEE 17th International Conference on.IEEE,2014:2541-2548

发明内容

为了解决上述技术问题，本发明提出了一种有效解决路径选择实时性问题以避免局部拥堵的方法。

本发明所采用的技术方案是：一种解决路径选择实时性问题以避免局部拥堵的方法，其特征在于，包括以下步骤：

步骤1：构建城市交通路网的实时动态多路口路径选择模型；

步骤2：构建效用值评价模型，通过效用值大小评判路径选择方案的优劣；

步骤3：最优路径选择。

相对于现有技术，本发明的有益效果是：首先，提出了一种城市路网实时动态多路口的路径选择模型，综合全面地考虑了各种路径选择指标，其次，提出了效用值计算公式，将路网交通指标合理量化，最后，改进了量子遗传算法使之适用于智能交通路径导航的问题，明显提升了路径选择的性能，从实验结果可以看出，本文提出的IQGA算法在路段拥堵时相较于传统算法性能可以提升10％以上。

附图说明

图1是本发明实施例的真实路网与模型的映射；

图2是本发明实施例的IQGA方法框架；

图3是本发明实施例的16个路口的人工模拟路网；

图4是本发明实施例的4×4路口路网实验结果；

图5是本发明实施例的10×10路口路网实验结果；

图6是本发明实施例的20×20路口路网实验结果；

图7是本发明实施例的100×100路口路网实验结果；

图8是本发明实施例的真实路网模型映射；

图9是本发明实施例的真实路网实验结果。

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。

针对路径选择目前遇到的实时性问题和局部拥堵的问题，本实施例做了以下工作，首先提出一种城市交通路网的实时动态多路口路径选择模型，综合考虑影响城市交通路网顺畅度的影响因素，整合为效用值，通过效用值大小评判路径选择方案的优劣，其次提出一种效用值评价模型，充分考虑现实路网中车辆选择路径的各种因素，使得路径选择结果更具客观真实性。最后提出一种改进的量子遗传方法IQGA用于解决交通拥堵中的路径选择问题。该算法包括：(1)在对车辆道路进行量子编码的前提下，提出一种QCIS策略对实际交通状况进行转换编码，构建量子染色体；(2)提出一种QCMA算法将量子染色体的计算位转化为针对不同车辆的路径选择结果；(3)提出一种COSDS策略对当前的路径选择结果优劣进行评判，并提出一种QUA算法对种群的量子编码进行迭代更新。

本实施例提出的一个动态多路口多车辆城市交通模型，本模型的路网中道路数、路口数和车辆数是固定的。城市路网中存在单向行驶道路和双向行驶道路，实际路网如图1映射为有向图。

如图1所示，将图1(a)中的真实路网映射为图1(b)中的路网模型有向图G(L,E)，L是节点，E是节点间带方向的矢量箭头，图1(a)中的路口映射为图1(b)中的节点L，Li(i＝1,2,3,…,c)表示单个路口，其中c为路口总数，图1(a)中的路段映射为图1(b)中的矢量箭头E，Ei(i＝1,2,3,…,r)包含两个路口，表示某一侧路段，如Ei＝(Ls,Lt)()表示Ls路口开往Lt路口的路段，其中r为路网中路段总数。路网中所有行驶的车辆集合用V表示，路网中单个车辆使用Vi(i＝1,2,3,…,n)表示，其中n为路网中行驶的车辆总数。对于每一辆车，都有其当前位置Ls(对于在两个路口之间的车辆，其当前位置记为其所开往的路口)和其当前目的地Lt(对于目的地在两个路口之间的车辆，计算时使用离目的地较近的路口进行表示)，因此对于路网中某一车辆Vi，路径可以用路口集合进行表示，即对于车辆Vi，其当前位置为Ls，其目的地为Lt，对路径可用路口集合{Ls,Lj,…，Lt}表示，则可行的一个路径选择可表示为Route_s,t＝{Ls,Lj,…，Lt}。路网中每个车辆被选择一个路径，所有车辆的路径构成一次路径选择，可表示为路径集合

这样的一个路径集合称为一次路径选择。

本实施例使用效用值F来评价路径选择方案的优劣。影响路径选择方案效用值F的因素有很多，包括不变因素，如车道数、路段速度限制、红绿灯时长、司机对推荐导航方案的依从程度等，也包括随时间不断变化的因素，如可选路径的距离、耗时、路况等，不变的因素本实施例整合为偏好值Z，变化的因素整合为成本值K，效用值F的计算公式如式(1)所示：

F＝Z-K (1)

对于一个车辆的已选路径，其效用值由偏好值Z和成本值K两部分决定，偏好值和成本值的计算由实际道路状况决定。偏好值的影响因素如表1所示，成本值的影响因素如表2所示。

表1偏好值Z的影响因素及参数定义

表1中各种因素对于偏好值的影响程度是不同的，每种因素根据城市规模和路径选择目标赋予相应的权值。对于任一车辆的某一条路径，其偏好值是一个确定值，与其他车辆的分布无关，只与路面状况和车辆起止点有关。偏好值Z计算公式如式(2)所示。

Z＝Zr*(ε₁*Zm+ε₂*Zs+ε₃*Zl+ε₄*Zt+ε₅*Zw) (2)

其中ε_i(i＝1,2……5)分别是各影响因素对应的独立乘法因子，其值与城市规模、决策目标的设定有关，乘法因子数值越大，其对应的影响因素越重要，计算偏好值时所占的权重比例越大，对偏好的影响越大。对于一个交通路网的任一辆车，其对于任一路段的影响因素的权重值是确定的。对于任一车辆的一个可选路径，各路段的偏好值是确定的，路径中路段的偏好值累加即该路径的偏好值，路径的偏好值越大，该路径越优。

表2成本值K的影响因素及参数定义

成本值的计算相对比较复杂，因为成本值的各个影响因素之间是有关联的。对于一个确定的路段来说其时间代价Kt和油量代价Ko不仅受到行驶距离的影响，同时也与道路当前拥堵状态相关。一般来说，在一段道路上，在车辆数达到路段正常容量之前，对于一辆车来说其时间代价和油量代价是固定不变的，在车辆数介于正常容量和拥堵容量之间，其时间代价和油量代价与车辆数是呈线性相关的，在达到拥堵容量后，每增加一辆车，时间成本和油量成本将呈指数级上升。本实施例使用拥堵系数γ来描述时间代价Kt和油量代价Ko与路段中车辆数的这种变化关系系数，公式(3)给出了拥堵系数的计算方法。路段的阈值容量记为H，路段的拥堵容量记为R，当前路段中的车辆数记为τ。

一个路段中的拥堵系数确定之后，相对应路段的油量代价Ko和时间代价Kt也可以相应计算得到。当所有车的可行路径确定时，任一条路径的成本值K即可得到，成本值K的计算公式如式(4)所示。

K＝ω₁*Ka+ω₂*Kt+ω₃*Kd+ω₄*Ko+ω₅*Kl (4)

其中，ω_i(i＝1,2……5)是影响成本值K的各影响因素的独立乘法因子，其值与城市规模、决策目标设定有关，它们的大小分别代表了各影响因素对成本值K的影响程度，也代表了其重要程度。对于路网中的任一车辆而言，当其选择的路径对应的成本值K越小，该路径越优，所有路段的成本值累加即为该路径的成本值。

由于本算法在计算效用值时进行比较的是路网中所有车辆的效用值之和，因此对于路网中的单个车辆，可能出现“全局最优，局部最差”的情况，因而为了保证个体的利益，本实施例算法中单个车辆的可选路径均在司机的容忍限度之内。

在本实施例的路网模型中，对于某一确定车辆与某一路网中路段来说，其关系有两种：该车辆经过该路段和该车辆不经过该路段，这两种关系可以用量子的两种基态来表示：|0>态表示车辆不经过该路段，|1>态表示车辆经过该路段。本实施例提出的IQGA方法在基于对车辆道路进行量子编码的前提下，使用QCIS策略对实际交通状况量化并编码，得到量子染色体，使用QCMA算法将量子染色体的计算位转化为针对不同车辆的路径选择结果，使用COSDS策略对当前的路径选择结果优劣进行评判，使用QUA算法对种群的量子编码进行迭代更新。改进的量子遗传算法的算法流程框图如图2所示。

(1)QCIS策略

在本实施例中，基于车辆对路段进行量子遗传编码，车辆与每一个路段的关系用一个量子位表示。量子遗传算法是在多个种群中同时展开的，每一个种群可以对应于一个路径选择方案，当种群数量越大时，种群基因的复杂度越高，理论上出现最优解的可能性越大，具体实现时可根据问题规模对种群大小进行调整，本实施例问题中记种群数量为m，m的值由路网规模与路网中路段数量决定。使用量子位编码时，对于单独的一辆车需要构建的量子染色体编码规模为2r，对于一个种群的量子染色体编码规模则为2n×r，则一次算法所需要的量子染色体编码规模为2m×n×r。单个车辆的量子染色体编码记为U，表达式如式(5)所示：

其中，r为路网中路段编号，n为路网中车辆编号，c为路段中路口编号，m为量子种群数量；α_i表示量子态|0>态的概率幅，β_i表示量子态|1＞态的概率幅，1≤i≤n；

对于城市路网来说，路网规模车辆规模都很大，已有的经典计算机无法满足其数据存储和数据计算所需条件，而量子计算机拥有强大的存储能力和计算能力，因此本实施例考虑在量子计算机上实现本算法。在量子计算机中，每个单独的量子位都可以处于叠加态中，对于一个有N位的量子寄存器，其叠加态可以表示为式(6)：

|ψ>是N维的Hilbert空间中的单位向量，它有2^N个相互正交的基本态，其表达式如式(7)所示。

其中

这表明在量子计算机中，处于叠加态的N位量子寄存器中的数可同时表示从0到2^N-1之间的2^N整数,它们各以一定的概率同时存在。因此，一个N位量子寄存器就可以同时存储2^N个N位二进制数。量子寄存器位数的线性增长使存储空间呈现指数增长。同时，量子计算机在进行量子计算时，可以使用量子门同时对N个量子位同时进行操作，计算效率远超经典计算机。

在对种群进行初始化编码时，为了增加种群多样性并减少算法运行次数，本实施例采用与道路中当前行驶的车辆数量相结合的编码方法。对于种群P_i(i＝1,2,……m)中的每一辆车V_i(i＝1,2……n)，其初始化编码方式为：对于V_i的第

到第

段量子染色体，|0＞态的编码为

|1＞态的编码为

对于V_i的其他段的量子染色体，其|1>态的编码为

|0＞态的编码为

x表示染色体序号，L表示染色体总数；

这样的编码方式可以保证种群之间的多样性，也可以尽可能地避免局部最优解，保证得到全局最优解。QCIS策略如表3所示：

表3 QCIS策略

(2)QCMA策略

每一个量子种群对应一种路径选择策略，在种群中的每一辆车都将获得从其当前位置到目的地的一条由路段组合成的唯一路径。从量子染色体Bm^j(j为当前迭代代数)映射为路径选择结果时时，遵循最大值选择原则和回溯法原则，并在回溯过程中会对染色体编码进行修正。最大值选择原则可描述为在车辆V_i从路口L_i驶向路口L_j时，在路口L_j需要对其将要驶向的路口进行选择，此时与L_j相邻的所有路口中除L_i外的路口集合记为Ll_j，将要驶向的路口L_w即为Ll_j中量子染色体中|1＞态概率幅最大的路段对应的终点路口。回溯法修正可描述为，当L_w存在于V_i已经选择过的路口集合Route_s,t ⁱ中时，回退到上一路口L_j重新选择路口，此时不再遵循最大值选择原则进行路口的选择，而是选择Ll_j中量子染色体中|1＞态概率幅大的路段对应的终点路口，并将Ll_j中量子染色体中|1>态概率幅大的路段的概率幅与Ll_j中量子染色体中|1>态概率幅最大的路段的概率幅进行交换。这两个映射原则的使用可以最大限度的利用数据，不需要废弃染色体并新建染色体，而是修正染色体，可以保证染色体代间的相关性，提高了计算和转换效率。QCMA算法如表4所示：

表4 QCMA算法

(3)COSDS策略

每一代的种群对应的路径选择计算出来之后，需要对每个种群对应的路径进行评判，评判标准通过效用值F来反映，F的计算过程见第三章，每个个体的效用值之和构成当前种群对应的效用值。在对所有种群进行效用值计算后需要比较得出当代最优效用值，将当代最优效用值与父代最优效用值进行比较，得出历代最优效用值，并将历代最优染色体存储在最优染色体集合BestBm^j中，历代最优效用值存储在最优效用值集合BestF^j中。在对所有种群进行效用值计算后需要比较得出当代最差效用值，将当代最差效用值对应的量子染色体存储在历代最差染色体存储在最差染色体集合WorstBm^j中，历代最差效用值存储在最差效用值集合WorstF^j中。综上所述，COSDS策略可以归纳如下：每一代的种群对应的路径选择计算出来之后，需要对每个种群对应的路径进行评判，评判标准通过效用值F来反映，F的计算过程见第三章，每个个体的效用值之和构成当前种群对应的效用值。在对所有种群进行效用值计算后需要比较得出当代最优效用值，将当代最优效用值与父代最优效用值进行比较，得出历代最优效用值，并将历代最优染色体存储在最优染色体集合BestBm^j中，历代最优效用值存储在最优效用值集合BestF^j中。在对所有种群进行效用值计算后需要比较得出当代最差效用值，将当代最差效用值对应的量子染色体存储在历代最差染色体存储在最差染色体集合WorstBm^j中，历代最差效用值存储在最差效用值集合WorstF^j中。综上所述，COSDS策略可以归纳如下：

表5 COSDS策略

(4)QUA策略

在一次路径规划解优劣判定完毕后，通过量子变换门对量子染色体种群进行更新，量子变换门有多种形式：非门、旋转门、Hadamard门等，在本实施例中，采用最常用的量子旋转门对量子染色体进行更新，量子旋转门的数学表达如公式(8)所示。

式(8)中的δθ＝g(α,β)*θ，g(α,β)表示旋转方向，其作用是约束算法的收敛性，取值可通过查询表6得知，表6是旋转门查找表。θ表示旋转角度，其作用是约束算法的收敛速度。在传统量子遗传算法中θ的取值是随迭代代数进行改变的，这样的取值改变虽然在一定程度上可以加快迭代速度并避免过早陷入局部最优解，但是并没有动态的随量子染色体的变化而改变，本实施例θ的取值将在介绍完旋转方向的选取策略后做详细介绍。

表6旋转门查找表

在表6中，X(g,l)表示当前第g辆车的量子染色体的第l位取|1>态还是|0>态，即第g辆车是否经过路段l，经过为1，不经过为0。b(g,l)表示当前代最优染色体的第g辆车是否经过路段l，经过为1，不经过为0。f(x)表示当前代的种群中第g辆车的路径规划偏好值，f(b)表示当前代最优偏好值。例如当X(g,l)＝1，b(g,l)＝0，f(x)<f(b)时，为了能是算法收敛向更优解的方向收敛，应通过量子门增大当前解对于第g辆车经过路段l的概率幅，因此查表可得旋转方向g(α,β)＝-1。

染色体初始化时的广度在一定程度上决定了算法可能迭代到实际最优解的可能性的大小，而旋转角θ的取值方式则直接决定了算法在计算过程中的收敛速度和全局最优解出现的概率。本算法在选择旋转角的取值方式时采用了计算代内迭代步长的方式来计算旋转角的大小。对于当前第j代的第h个种群中的第k辆车在第l个路段上的概率幅更新时，首先通过其|1>态对应的概率幅的大小来计算其偏离|1>态的角度，记为Ang_k,l ^h。当代最优解染色体对应的第k辆车在第l个路段上偏离|1>态的角度，记为Ang_B，当代最差解染色体对应的第k辆车在第l个路段上偏离|1>态的角度，记为Ang_w。偏离|1>态的角度的计算公式为：

Ang＝cos^-1α (9)

那么可以将旋转角θ的计算公式表示如下：

公式10中data为初始迭代角度，一般取值范围为0.01π到0.03π之间。

QUA算法如表7所示：

表7 QUA算法

请见图3，是本发明实施例的16个路口的人工模拟路网；此图包含16个路口和若干个双向路段，车辆在路网中行驶，有各自的起点和终点，每辆车的司机可接受的可选路径有若干条。

请见图4，是本发明实施例的4×4路口路网实验结果；从此图的实验结果可以看出，Dijkstra算法在4×4规模不拥堵路网中性能明显优于另两种算法，而路网拥堵时量子遗传算法和IQGA算法优势逐渐明显，IGQA算法性能最佳。

请见图5，是本发明实施例的10×10路口路网实验结果；从此图的实验结果可以看出，Dijkstra算法在10×10规模不拥堵路网中性能明显优于另两种算法，而路网拥堵时量子遗传算法和IQGA算法优势逐渐明显，总体性能优于4×4路网，IQGA算法性能最佳。

请见图6，是本发明实施例的20×20路口路网实验结果；从此图的实验结果可以看出，Dijkstra算法在20×20规模不拥堵路网中性能优于另两种算法，而路网拥堵时量子遗传算法和IQGA算法优势逐渐明显，总体性能优于10×10路网，IQGA算法性能最佳。

请见图7，是本发明实施例的100×100路口路网实验结果；从此图的实验结果可以看出，Dijkstra算法在100×100规模不拥堵路网中性能依旧优于另两种算法，而路网车辆逐渐增多时量子遗传算法和IQGA算法优势逐渐明显，总体性能优于20×20路网，IQGA算法性能最佳。

请见图8，是本发明实施例的真实路网模型映射；该图截取了武汉市武昌区路网，并对真实路网做模型映射，该路网中一共包含有个24路口，36个双向路段。

请见图9，是本发明实施例的真实路网实验结果。从此图的实验结果可以看出，Dijkstra算法在真实不拥堵路网中性能优于另两种算法，而路网逐渐拥堵时量子遗传算法和IQGA算法优势逐渐明显，IQGA算法在真实路网中性能依然优越。

本发明可以充分利用量子计算的优势，实现实时的路径导航，并避免局部拥堵，可以有效缓解交通拥堵。

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)

1.一种解决路径选择实时性问题以避免局部拥堵的方法，其特征在于，包括以下步骤：

步骤1：构建城市交通路网的实时动态多路口路径选择模型；

步骤1的具体实现过程是：

将真实路网映射为路网模型有向图G(L，E)，其中，将真实路网中的路口映射为节点L，Li表示单个路口，i＝1、2、3、...、c，其中c为路口总数；将真实路网中的路段映射为节点间带方向的矢量箭头E，E_j包含两个路口，表示某一侧路段，j＝1、2、3、...、r，其中r为路网中路段总数；将路网中所有行驶的车辆集合用V表示，路网中单个车辆用Vk表示，其中，k＝1、2、3、...、n，n为路网中行驶的车辆总数；

对于车辆V_k，其当前位置为Ls，其目的地为Lt，则路径用路口集合{Ls，Lj，...，Lt}表示，可行的一个路径选择表示为Route_s，t＝{Ls，Lj，...，Lt}；路网中每个车辆被选择一个路径，所有车辆的路径构成一次路径选择，表示为路径集合

这样的一个路径集合称为一次路径选择；

步骤2：构建效用值评价模型，通过效用值大小评判路径选择方案的优劣；

其中，效用值F的计算公式为：

F＝Z-K (1)

其中，影响路径选择方案效用值F的因素有很多，包括不变因素和变化因数，不变因素整合为偏好值Z，变化因素整合为成本值K；

所述偏好值Z的计算公式为：

其中，

表示路段是否可抵达，取值范围为{1，0}，1表示可达，0表示不可达；

表示路段状况，取值范围为[0，1]，路面状况越好，该值越大；

表示速度限制，取值范围为[0，1]，速度限制越少，取值越大；Zl表示路段照明状况，取值范围为[0，1]，照明条件越好，该值越大，白天设置为1；

表示司机对推荐导航方案的顺从程度，取值范围为[0，1]，顺从程度越大，该值越大；

表示司机对路段的熟悉程度，取值范围为[0，1]，越熟悉的道路，取值越大；

∈_i(i＝1，2......5)是偏好值Z的各影响因素对应的独立乘法因子，其值与城市规模、决策目标的设定相关，乘法因子数值越大，其对应的影响因素越重要，计算偏好值时所占的权重比例越大，对偏好的影响越大；

所述成本值K的计算公式为：

其中，Ka表示突发的交通事故或临时管制等带来的道路影响，取值范围为[0，1]∪{INF}[0，1]，影响程度越大，该值越大，INF表示无法通行；

表示所选路径耗费的时间代价，取值范围为(0，∞)；Kd表示所选路径耗费的距离代价，取值范围为(0，∞)；

表示所选路径耗费的油量代价，取值范围为(0，∞)；Kl表示交通灯的影响，取值范围为[0，1]，所选路径交通灯等待时间越长，该值越大；

ω_i(i＝1，2......5)是成本值K的各影响因素的独立乘法因子，其值与城市规模、决策目标设定相关，它们的大小分别代表了各影响因素对成本值K的影响程度，也代表了其重要程度；

一个路段中的拥堵系数γ为：

其中，H为路段的阈值容量，R为路段的拥堵容量，τ为当前路段中的车辆数；一个路段中的拥堵系数确定之后，相对应路段的油量代价

和时间代价

也相应计算得到；

步骤3：最优路径选择；

步骤3中的具体实现包括以下子步骤：

步骤3.1：在对车辆道路进行量子编码的前提下，对实际交通状况进行转换编码，构建量子染色体；

其中，利用QCIS策略对实际交通状况进行转换编码，具体实现包括以下子步骤：

步骤3.1.1：基于车辆对路段进行量子遗传编码，车辆与每一个路段的关系用一个量子位表示；对于某一确定车辆与某一路网中路段来说，其关系有两种：该车辆经过该路段和该车辆不经过该路段，|0＞态表示车辆不经过该路段，|1＞态表示车辆经过该路段；

使用量子位编码时，对于单独的一辆车需要构建的量子染色体编码规模为2r，对于一个种群的量子染色体编码规模则为2n×r，则一次算法所需要的量子染色体编码规模为2m×n×r；

单个车辆的量子染色体编码记为U，表达式为：

其中，r为路网中路段编号，n为路网中车辆编号，c为路段中路口编号，m为量子种群数量；α_i表示量子态|0>态的概率幅，β_i表示量子态|1>态的概率幅，1≤i≤n；

步骤3.1.2：确定路网中路段编号与路口编号对应关系集E_i＝(L_s，L_t)，s，t∈{1，2，...，c}；其中，L_s表示当前位置，L_t表示目的地；

步骤3.1.3：确定车辆对应量子染色体各段的编码方式；

对于种群P_i中的每一辆车V_j，其初始化编码方式为：对于V_j的第

到第

段量子染色体，|0>态的编码为

|1>态的编码为

对于V_j的其他段的量子染色体，其|1>态的编码为

|0>态的编码为

其中，i＝1、2、......、m，j＝1、2、......、n；x表示染色体序号，L表示染色体总数；

步骤3.1.4：对量子染色体按照选择好的编码方式进行赋值编码；

步骤3.1.5：编码完成后输出初代量子染色体Bm；

步骤3.2：将量子染色体的计算位转化为针对不同车辆的路径选择结果；

步骤3.3：对当前的路径选择结果优劣进行评判；

步骤3.4：对种群的量子编码进行迭代更新。

2.根据权利要求1所述的解决路径选择实时性问题以避免局部拥堵的方法：步骤3.2中，利用QCMA算法将量子染色体的计算位转化为针对不同车辆的路径选择结果，具体实现包括以下子步骤：

步骤3.2.1：输入量子染色体Bm^j，路网中车辆编号n，种群数量m，车辆当前请求位置L_s，车辆当前目的地L_t；其中，j为当前迭代代数；

步骤3.2.2：根据量子染色体Bm^j和最大值选择原则，选择V_h，k下一个要驶向的路口L_z；其中，V_h，k表示第h个种群的第k辆车；

步骤3.2.3：若L_z为当前目的地L_t，则输出Route_h，k ^j作为第j代第h个种群的第k辆车V_h，k的路径选择结果；Route_h，k ^j表示第j代第h个种群的第k辆车的路径选择结果；

步骤3.2.4：判断Lz是否存在于Route_h，k ^j中，若存在则跳转到下一步执行，负责将L_z加入到Route_h，k ^j中并跳转到步骤3.2.2继续执行；

步骤3.2.5：根据量子染色体Bm^j和回溯法原则，重新选择V_h，k下一个要驶向的路口L_z，并跳转到步骤3.2.3继续执行。

3.根据权利要求1所述的解决路径选择实时性问题以避免局部拥堵的方法：步骤3.3中，利用COSDS策略对当前的路径选择结果优劣进行评判，具体实现包括以下子步骤：

步骤3.3.1：输入第j代的所有种群的路径选择Route^j，种群数m，路网中车辆编号n，迭代代数j；

步骤3.3.2：判断当前迭代代数j是否为最大迭代代数，若是，则终止算法运行并输出当前路径选择策略Routej作为算法运算结果提交给被规划车辆，否则执行步骤3.3.2；

步骤3.3.3：通过路径选择结果计算每个车辆所选择的路径的偏好值.

和成本值

若

或

则遗弃当前选择结果所在染色体并使用QCIS策略生成一个新种群，否则通过公式1、公式2、公式3、公式4计算效用值F_i ^h；

步骤3.3.4：将每个种群中车辆效用值值相加，比较得到当代每个种群最优效用值Fb^h；

步骤3.3.5：将F^h与最优效用值集合BestF^j中的最后一个元素比较，若Fb^h更大，则将BestF^j规模加一并将F^h加入到最优效用值集合BestF^j中，将BestBm^j规模加一并将F^h对应的量子染色体加入到BestBm^j中，否则将BestF^j规模加一并将BestF^j的倒数第二个值复制到最后一个，将BestBm^j规模加一并将BestBm^j的倒数第二个值复制到最后一个；

步骤3.3.6：比较得出当代所有种群最差效用值Fw^h，将最差效用值集合WorstF^j规模加一并将Fw^h加入到WorstF^j中，将最差染色体集合WorstBm^j规模加一并将Fw^h对应的染色体加入到WorstBm^j中；Fw^h表示最差效用值，WorstF^j表示最差效用值集合，WorstBm^j表示最差染色体集合；

步骤3.3.7：输出最优偏好值集合BestF^j和最优染色体集合BestBm^j。

4.根据权利要求1所述的解决路径选择实时性问题以避免局部拥堵的方法：步骤3.4中，利用QUA算法对种群的量子编码进行迭代更新，具体实现包括以下子步骤：

步骤3.4.1：输入量子染色体Bm^j，量子种群规模m，路网车辆数n，路网路段数r，最优染色体集合BestF^j，最差染色体集合WorstF^j；

步骤3.4.2：对于当前第j代的第h个种群中的第k辆车在第l个路段上的概率幅更新，首先初始化

l＝1；

步骤3.4.3：执行第一次判断，判断

是否成立；

若是，则执行下述步骤3.4.4；

若否，则执行下述步骤3.4.7；

步骤3.4.4：执行第二次判断，判断l≤r是否成立；

若是，则执行下述步骤3.4.5；

若否，则执行下述步骤3.4.6；

步骤3.4.5：确定量子染色体组中要更新的量子染色体的位置

并找到对应位置的

和

的值；

计算各个染色体组中对应的偏离角Ang_k，l ^h，Ang_w，Ang_B；

根据偏离角计算当前量子染色体位的旋转角大小θ；

获得旋转门的方向并确定旋转门U(δθ)的值；

更新对应位置的染色体的值

l值加1后，回转执行步骤3.4.4；

步骤3.4.6：

值加1后，回转执行步骤3.4.3；

步骤3.4.7：输出更新后的量子染色体Bm^j。

5.根据权利要求4所述的解决路径选择实时性问题以避免局部拥堵的方法：步骤3.4中，对于当前第j代的第h个种群中的第k辆车在第l个路段上的概率幅更新时，首先通过其|1>态对应的概率幅的大小来计算其偏离|1>态的角度，记为Ang_k，l ^h；当代最优解染色体对应的第k辆车在第l个路段上偏离|1>态的角度，记为Ang_B，当代最差解染色体对应的第k辆车在第l个路段上偏离|1>态的角度，记为Ang_w；偏离|1>态的角度的计算公式为：

Ang＝cos^-1α (9)

则旋转角θ的计算公式为：

其中，data为初始迭代角度。

Images