CN108613681A - 大数据环境下基于迭代计算的路径规划分布式计算方法 - Google Patents

Abstract

本发明公开了一种大数据环境下基于迭代计算的路径规划分布式计算方法，包括如下步骤：（1）、首先对路径规划请求的相关性进行定义；（2）、其次，对路径规划请求按照相关性划分簇；（3）、最后设计一个分布式计算框架，将相关性较小的请求分簇并行处理，一个簇内相关性较大的请求串行处理。本发明的计算方法，有利于维持算法在负载均衡方面的优越性，同时实现分布式计算，加快系统处理速度，适应大数据环境下的交通响应要求。

Description

大数据环境下基于迭代计算的路径规划分布式计算方法

技术领域

本发明涉及计算机领域，具体涉及分布式领域，尤其设计一种大数据环境下基于迭代计算的路径规划分布式计算方法。

背景技术

随着交通事业的发展，社会机动车保有量迅速增长，然而大中型城市中交通问题越来越突出，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，拥堵会影响人们的行程，还会造成资源浪费、污染环境，影响着城市居民生活水平的提高和城市经济的发展。

目前的导航系统通常会将同一条最优路径推荐给大量用户，但考虑到路网的负载均衡，提出一种迭代计算的路径规划方法，该方法将路径当前的被推荐次数纳入下一个路径规划方案中，也就是说对于并发式路径规划请求，每一个路径规划请求的处理结果都会对下一个路径规划请求产生影响。因此，对于同一时刻的大量导航请求来说，这种考虑了负载均衡的路径规划算法从本质上来讲是串行的，若不考虑串行，将路径规划请求平均地分到不同的计算节点上并行处理则无法体现算法的优越性。

根据高德地图的报告，2016年高德地图全球日均响应定位请求次数近300亿，面对如此海量的数据请求，必须利用分布式计算框架以提高路径规划算法运行速度。但目前普通的分布式计算框架无法满足以上迭代式算法的需求，需要针对这种路径规划算法设计相对应的分布式计算框架。

发明内容

本发明提供了一种用于大数据环境下基于迭代计算的路径规划算法的分布式计算方法，包括路径规划请求的相关性定义、路径规划请求的相关性划分以及并行处理三个模块；其中，一种迭代的路径规划算法主要用来实现城市交通的负载均衡，为了避免向同一条最优路径推荐大量的用户，需要将路径的被推荐次数纳入路径规划算法中，即一个路径规划结果可能会对下一个路径规划请求产生影响；针对这种迭代式的路径规划算法，设计一种分布式计算方法，有利于维持算法在负载均衡方面的优越性，同时实现分布式计算，加快系统处理速度，适应大数据的交通状况。

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：

一种大数据环境下基于迭代计算的路径规划分布式计算方法，包括如下步骤：

(1)、首先对路径规划请求的相关性进行定义；

(2)、其次，对路径规划请求按照相关性划分簇；

(3)、最后设计一个分布式计算框架，将相关性较小的请求分簇并行处理，一个簇内相关性较大的请求串行处理。

所述步骤(1)中路径规划请求的相关性定义为：若某一条路径规划请求产生的路径与另一条路径规划请求涉及的路径重叠数较多，则认为这两条路径规划请求相关性较大，上一条的计算结果会对下一条的计算产生影响，存在迭代计算的关系；否则，认为这两条路径规划请求相关性较小，计算结果对彼此不产生影响。

进一步地，所述路径规划请求的相关性划分利用K-means++聚类算法，具体步骤如下：

(3-1)预处理：确定K-means++聚类算法的k值；

(3-2)所述路径规划请求的输入为：起始点，目的地，请求时间，通过地图API将所述起始点和目的地名称转换为经纬度信息：

(起始点，目的地)→(S_LO，S_LA，D_LO，D_LA)

其中，S_LO表示起始点的经度，S_LA表示起始点的纬度，D_LO表示目的地的经度，D_LA表示目的地的纬度；

(3-3)将所述路径规划请求映射为点：首先将路径规划请求映射在二维坐标系中，横坐标代表经度，纵坐标代表纬度；一个路径规划请求为一个向量，向量的始端为起始点，向量的终端为目的地。之后进行第二次映射，将所述向量映射至抽象的四维空间，所述坐标系中的一个向量对应一个路径规划请求；

(3-4)利用K-means++算法，将坐标系中的点进行聚类，将坐标信息接近的点划分在一个簇中，也就是将起始点和目的地都接近的路径规划请求划分在一个簇中。

进一步地，步骤(3-1)中K值的计算步骤如下：

(4-1)以当前时刻为起始时刻，向后取若干分钟作为当前时间区间；

(4-2)从历史数据库中确定每条路段在当前时间段的平均行驶速度，之后确定路段的交通运行等级；

(4-3)计算被标记为“拥堵”的路段数量，认为相邻的拥堵路段为一条拥堵道路，最终得出拥堵的道路数量，以该数量作为K-means++聚类算法的k值。

进一步地，设计一个分布式计算框架，框架中计算节点的个数由步骤(4-3)中的k值决定，将一个簇中的路径规划请求放置在一个计算节点上串行计算，将不同簇的路径规划请求分布在不同的计算节点中并行计算。

本发明的有益效果：

有利于维持迭代的路径规划算法在负载均衡方面的优越性，同时实现分布式计算，加快系统处理速度，适应大数据的交通状况。

附图说明

图1是本发明的方法模块图；

图2是本发明的算法流程图；

图3是本发明的聚类说明图。

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。

如图1所示，本发明提供了一种大数据环境下迭代的路径规划算法的分布式计算方法，包括路径规划请求的相关性定义、路径规划请求的相关性划分以及并行处理三个模块；其中，一种迭代的路径规划算法主要用来实现城市交通的负载均衡，为了避免向同一条最优路径推荐大量的用户，需要将路径的被推荐次数纳入路径规划算法中，即一个路径规划结果可能会对下一个路径规划请求产生影响；针对这种迭代式的路径规划算法，设计一种分布式计算方法，有利于维持算法在负载均衡方面的优越性，同时实现分布式计算，加快系统处理速度，适应大数据的交通状况。

如图2所示，一种大数据环境下基于迭代计算的路径规划分布式计算方法，包括如下步骤：

(1)、首先对路径规划请求的相关性进行定义；

(2)、其次，对路径规划请求按照相关性划分簇；

(3)、最后设计一个分布式计算框架，将相关性较小的请求分簇并行处理，一个簇内相关性较大的请求串行处理。

路径规划请求的相关性定义为：若某一条路径规划请求产生的路径与下一条路径规划请求涉及的路径重叠数较少或者不重叠，则认为这两条路径规划请求相关性较小；相关性较小的路径规划请求可以认为对彼此不产生影响，因此可分在不同的计算节点中并行计算。

路径规划请求的相关性划分主要利用了K-means++聚类算法，具体步骤如下：

(1)预处理：确定K-means++聚类算法的K值；

(2)用户的路径规划请求的输入为(起始点，目的地，请求时间)，通过地图API将所述起始点和目的地名称转换为经纬度信息：

(起始点，目的地)→(S_LO，S_LA，D_LO，D_LA)

其中，S_LO表示起始点的经度，S_LA表示起始点的纬度，D_LO表示目的地的经度，D_LA表示目的地的纬度；

(3)将所述路径规划请求映射为点：如图3所示，首先将路径规划请求映射在二维坐标系中，横坐标代表经度，纵坐标代表纬度；一个路径规划请求为一个向量，向量的始端为起始点，向量的终端为目的地。之后进行第二次映射，将所述向量映射至抽象的四维空间，所述坐标系中的一个向量对应一个路径规划请求，例如，图中标号为1的向量，在四维空间中被映射为点，所述点和向量为同一个路径规划请求；

(4)利用K-means++算法，将坐标系中的点进行聚类，将坐标信息接近的点划分在一个簇中，也就是将起始点和目的地都接近的路径规划请求划分在一个簇中，例如，图中标号为1和标号为2的向量始端和终端分别接近，则在四维空间中被分在一个簇中。

其中，K-means算法是聚类分析中使用最广泛的算法之一，其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果；

假设要把样本集分为k个类别，算法描述如下：

(1)适当选择k个类的初始中心；

(2)在第n次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类；

(3)利用均值等方法更新该类的中心值；

(4)对于所有的k个聚类中心，如果利用(2)(3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。

进一步地，所述K-means++聚类算法的关键步骤是k值的确定，可以通过预处理确定k值，预处理步骤如下：

(1)以当前时刻为起始时刻，向后取十分钟作为当前时间区间；

(2)从历史数据库中确定每条路段在当前时间区间的平均行驶速度，之后确定路段的交通运行等级；

其中，交通运行等级划分如下表所示：

表1

(3)计算被标记为“拥堵”(包括中度拥堵和严重拥堵)的路段数量，可以认为相邻路段为一条道路，最终得出拥堵的道路数量，以该数量作为K-means++聚类算法的k值；

由于使用K-means++聚类算法的目的是将路径重叠可能性大的请求分在一起，从而保持路径规划算法所实现的城市路网负载均衡，从路径重叠的角度来看，拥堵的道路为大量车辆选择的道路，因此需要将这些车辆的路径规划请求分在一个簇中，最终得出拥堵的道路数量可以作为簇的数目，即K-means++聚类算法的k值。

进一步地，设计一个分布式计算框架，框架中计算节点的个数由k值决定，将一个簇中的路径规划请求放置在一个计算节点上串行计算，将不同簇的路径规划请求分布在不同的计算节点中并行计算。。

由于同一个簇中的路径规划请求为起始点和目的地相近的请求，相关性较大，那么这些请求的结果可能相近，即覆盖的路段相同，因此簇中的每一条请求都可能会影响到下一个请求，需要串行计算；而不同簇中的路径规划请求为起始点和目的地不相近的请求，相关性较小，那么这些请求的结果可能互不影响，即覆盖的路段不同，因此不同簇的路径规划请求互不影响，可以进行并行计算。

实施例：

以Dijkstra路径规划算法为例说明串行的方法，该算法使用了广度优先搜索解决赋权有向图或者无向图的单源最短路径问题，最终得到一个最短路径树。具体方法为：

(1)初始化：声明一个数组dist来保存源点到各个顶点的最短距离，同时声明一个集合T保存已经找到了最短路径的顶点。初始时，原点s的路径权重被赋为0(dis[s]＝0)。若对于顶点s存在能直接到达的边(s,m)，则把dis[m]设为w(s,m)，同时把所有其他(s不能直接到达的)顶点的路径长度设为无穷大，初始时，集合T只有顶点s。

(2)从dis数组选择最小值，则该值就是源点s到该值对应的顶点的最短路径，并且把该点加入到T中，此时完成一个顶点，

(3)检查新加入的顶点是否可以到达其他顶点并且看看通过该顶点到达其他点的路径长度是否比源点直接到达短，如果是，那么就替换这些顶点在dis中的值。

(4)从dis中找出最小值，重复上述动作，直到T中包含了图的所有顶点。

若考虑到路网的负载均衡，可以修改顶点的权重计算方式，首先声明一个数组rec保存两顶点之间的边的被推荐次数；将dist修改为最短距离和两个顶点之间的边的被推荐次数的加权和。进行一次路径规划后，得到依次访问的顶点序列，可以依次将边的被推荐次数+1；若同时有大量的路径规划请求，也需要依次计算，每次计算更新边的被推荐次数，这样才能体现负载均衡的思想。

以上描述了本发明的基本原理、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 (5)

1.一种大数据环境下基于迭代计算的路径规划分布式计算方法，其特征在于：包括如下步骤：

(1)、首先对路径规划请求的相关性进行定义；

(2)、其次，对路径规划请求按照相关性划分簇；

(3)、最后，设计一个分布式计算框架，实现最大限度的并行处理。

2.根据权利要求1所述的大数据环境下基于迭代计算的路径规划分布式计算方法，其特征在于：所述步骤(1)中路径规划请求的相关性定义为：若某一条路径规划请求产生的路径与另一条路径规划请求涉及的路径重叠数较多，则认为这两条路径规划请求相关性较大，上一条的计算结果会对下一条的计算产生影响，存在迭代计算的关系；否则，认为这两条路径规划请求相关性较小，计算结果对彼此不产生影响，不存在迭代计算的关系。

3.根据权利要求1所述的大数据环境下基于迭代计算的路径规划分布式计算方法，其特征在于：所述路径规划请求的相关性划分利用K-means++聚类算法，具体步骤如下：

(3-1)预处理：确定K-means++聚类算法的k值；

(3-2)所述路径规划请求的输入为：起始点，目的地，请求时间，通过地图API将所述起始点和目的地名称转换为经纬度信息：

(起始点，目的地)→(S_LO，S_LA，D_LO，D_LA) (1)

其中，S_LO表示起始点的经度，S_LA表示起始点的纬度，D_LO表示目的地的经度，D_LA表示目的地的纬度；

(3-3)将所述路径规划请求映射为点：首先将路径规划请求映射在二维坐标系中，横坐标代表经度，纵坐标代表纬度；一个路径规划请求为一个向量，向量的始端为起始点，向量的终端为目的地，之后进行第二次映射，将所述向量映射至抽象的四维空间，所述坐标系中的一个向量对应一个路径规划请求；

(3-4)利用K-means++算法，将坐标系中的点进行聚类，将坐标信息接近的点划分在一个簇中，也就是将起始点和目的地都接近的路径规划请求划分在一个簇中。

4.根据权利要求3所述的大数据环境下基于迭代计算的路径规划分布式计算方法，其特征在于：所述步骤(3-1)中k值的计算步骤如下：

(4-1)以当前时刻为起始时刻，向后取若干分钟作为当前时间区间；

(4-2)从历史数据库中确定每条路段在当前时间区间的平均行驶速度，之后确定路段的交通运行等级；

(4-3)计算被标记为“拥堵”的路段数量，认为相邻的拥堵路段为一条拥堵道路，最终得出拥堵的道路数量，以该数量作为K-means++聚类算法的k值。

5.根据权利要求1所述的大数据环境下基于迭代计算的路径规划分布式计算方法，其特征在于：所述步骤(3)中，设计一个分布式计算框架，框架中计算节点的个数由权利要求4中的k值决定，将一个簇中的路径规划请求放置在同一个计算节点上串行计算，将不同簇的路径规划请求分布在不同的计算节点中并行计算。