CN109000668B - 基于车联网的实时智能导航方法 - Google Patents
基于车联网的实时智能导航方法 Download PDFInfo
- Publication number
- CN109000668B CN109000668B CN201810515389.1A CN201810515389A CN109000668B CN 109000668 B CN109000668 B CN 109000668B CN 201810515389 A CN201810515389 A CN 201810515389A CN 109000668 B CN109000668 B CN 109000668B
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- road
- real
- cloud server
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于车联网的实时智能导航方法，包括云端服务器及车载通讯终端，步骤1：云端服务器载入历史道路交通信息；步骤2：车载通讯终端获取车辆位置、实时速度和目的地信息；步骤3：云端服务器接收车辆位置和目的地信息并存储和更新数据库；步骤4：云端服务器路径规划；步骤5：云端服务器发送规划路径到车载通讯终端；步骤6：车载通讯终端接收行驶路线；步骤7：车载通讯终端发送实时速度、位置到云端服务器；步骤8：车辆到达目的地，车载通讯终端结束导航；步骤9：车辆到达目的地，云端服务器结束对应车辆的导航。本发明能实时更新交通信息到云端服务器中，并根据交通信息规划合理的路径，达到提前分流和避免拥堵的目的。
Description
技术领域
本发明涉及智能交通领域，尤其涉及一种基于车联网的实时智能导航方法。
背景技术
随着科学技术的不断发展，各种智能化的导航系统开始在汽车的多媒体系统中普及应用。公开号为CN105741593A的中国发明专利申请公开了一种基于物联网的智能导航系统，包含服务器终端以及与其连接的多个车载终端，所述车载终端包含微控制器模块以及与微控制器模块连接的定位模块、射频收发模块、第一数据传输模块、第一显示模块和第一电源模块；所述服务器终端包含数据处理模块以及与其连接数据存储模块、第二显示模块、第二数据传输模块和第二电源模块。该发明专利申请通过车辆的经纬度进行道路状况的分析，从而实现躲避拥堵和提醒保持车距的目的，需要在所有的车辆上安装定位模块，成本高，实用性较差。
公开号为CN104680818A的中国发明专利申请公开了一种基于车联网的智能导航系统，包括多个超声波传感器、主控制器和用于与中心服务器进行通信的通信模块一，多个超声波传感器均依次通过滤波电路、放大电路、A/D转换电路与主控制器的输入端相接，主控制器的输入端还接有操作按键、数据存储器和用于与其他车辆进行通信的通信模块二，主控制器的输出端接有声光报警器、语音导航模块和显示器。该发明专利申请只能通过车身传感器感应周围的车流和人流，无法提前预警交通状况，且无法实施更新道路信息，影响导航的精准性。
发明内容
本发明的目的在于提供一种基于车联网的实时智能导航方法，能实时更新云端服务器中的交通信息，并根据交通信息规划合理的路径，达到提前分流和避免拥堵的目的。
本发明是这样实现的：
一种基于车联网的实时智能导航方法，包括云端服务器及车载通讯终端，云端服务器包括数据库，车载通讯终端通过无线网络与云端服务器通信；
所述的基于车联网的实时智能导航方法包括如下步骤：
步骤1：云端服务器载入或初始化历史道路交通信息；
步骤2：车载通讯终端获取车辆的位置、车辆的实时速度和目的地信息；
步骤3：云端服务器通过无线通信网络从多个车载通讯终端接收车辆的位置和目的地信息，并将信息根据时间戳存储到数据库，同时根据当前城市路网的实时道路信息更新数据库；
步骤4：根据城市路网的实时道路信息、历史道路信息和城市路网中车辆的行驶信息进行路径规划，避开拥堵路段；
步骤5：云端服务器发送规划好的路径信息到行驶车辆的车载通讯终端；
步骤6：车载通讯终端接收行驶路线并显示；
步骤7：车载通讯终端在行驶过程中发送车辆的实时速度、位置信息到云端服务器；
步骤8：车载通讯终端判断车辆是否到达目的地，若是，车载通讯终端结束导航，若否，返回步骤2；
步骤9：云端服务器判断车辆是否到达目的地，若是，云端服务器结束对该车辆的导航，若否，返回步骤3。
在所述的步骤3中，数据库的更新算法包括如下分步骤：
步骤3.1：根据车辆的位置信息定位到数据库中的城市路网对应位置；
步骤3.2：在一个局部路段A-B中，将局部路段A-B上同方向车辆的速度求和取均值，加上对应的系统时间戳，存储到数据库中；
步骤3.3：局部路段A-B的平均通过速度V持续更新，若局部路段A-B有车辆数据，则将多个车辆速度的均值作为该路段的通过速度并存储到数据库，若局部路段A-B没有车辆数据，则取该路段的最高限速为平均通过速度并存储到数据库；
步骤3.4：重复步骤3.2和步骤3.3，对整个城市路网的平均通过速度进行计算，并在数据库中进行持续更新和记录。
在步骤3.4中，所述的城市路网的通过速度的更新方法如下：
步骤3.4.1：将一天24小时按每1分钟分段，分成1440个时间段，每个时间段车载通讯终端采集到车辆位置和速度信息，确认该信息的有效性以后将其作为实时交通信息数据；
步骤3.4.2：发送实时交通信息数据到数据库，并在历史交通信息中找出该实时交通信息数据对应的当前时间段的历史交通信息，筛选出采集时间最早的历史交通数据并删除；
步骤3.4.3：将新采集到的实时交通信息数据插入到该道路对应的数据表中，作为该道路在该时间段的历史交通数据的一部分，使每个路段的每个时间段的历史交通数据每天更新一次。
在所述的步骤4中，路径规划的算法包括如下分步骤：
步骤4.1：在当前城市路网中，根据城市路网中的各个路段的实时通过时间t为路段赋予相应的权值，权值t=L/V，其中，L表示待计算路段的长度，V表示对应的待计算路段的平均通过速度；
步骤4.2：整个城市路网中每个路段的权值t实时更新，并将历史权值存储在数据库中，形成一个有权的连通图；根据路网中车载通讯终端发来的路径规划请求和云端服务器的规划结果，云端服务器统计路网中单个路段在未来一个时间段将要通过的车辆数目，并据此将路网中各个路段对应的未来权值t进行更新；
步骤4.3：以车辆起始点为中心，每次添加进来一个可通行的道路结点，直到扩展到目的结点；
步骤4.4：每加入一个新的节点C，则根据起始点到节点C的权值t预测车辆到达节点C的时间，再读取节点C对应的历史交通数据，使用历史交通数据重新计算节点C的权值t并记录下来；
步骤4.5：暂时删除步骤4.4中加入的节点C并加入另一个比节点C的实时权值大的节点D，使用步骤4.4中的方法对节点D进行重新计算，并记录新权值t；
步骤4.6：重复步骤4.4和步骤4.5，直到没有新的和起点连通的待扩张节点加入，比较待加入的所有节点的新权值，选择最小权值的节点加入路径；
步骤4.7：以步骤4.6选择的节点为起点，重复步骤4.4-步骤4.6，直到目的地所在路径被加入到规划好的路径中。
在所述的步骤4.3至步骤4.7中，所述的节点表示不经过红绿灯的一段道路。
在所述的步骤4.2中，路段的权值t的更新步骤如下：
步骤4.2.1：将一天24小时按每1分钟分段，分成1440段，根据车辆的行驶速度和行驶路径中的实时通过时间t，预测出车辆到达路径中局部路段时的时间段T；
步骤4.2.2：每个时间段T分配2个计数器资源T1、T2，T1记录历史该时间段T道路上经过的车辆数目，T2统计未来该时间段T要经过该路段的车辆数目；
步骤4.2.3：当云端服务器为路网中的一辆车规划好路径后，云端服务器读取路网数据库中车辆路径所要经过的路段和经过路段的对应历史时间段T的权值t0和历史计数器T1，并启动T时间段计数器T2；当计数器T2累加值超过历史计数器T1后，计数器T2每增加一次，t0的值增加10秒钟，作为路段对应时间段T的未来权值；
步骤4.2.4：当T时间段计数器T2累加到N=10时，表示有十辆车将在未来的时间段T经过对应路段，此时将t0的值再额外加上S=1分钟，表示多等待一个红绿灯循环；
步骤4.2.5：当物理时间经过后，即路段中对应的时间段T在物理世界中真实过去了，云端服务器根据计数器T2的值和路段在时间段T的实际通行时间计算t0的值并记录到数据库。
在所述的步骤4.2.4中，N根据实时道路的规划通行数据由云端服务器统计得出，S根据所在路段的实时道路通行数据由云端服务器计算得出，云端服务器根据对应路段中车辆的位置更新信息计算出S的值，即一个红绿灯循环需要的时间；如果云端服务器接收到的有效数据过少或没有，则默认S = 1分钟。
在所述的步骤4中，在路线规划的过程中，规划距离在5分钟内能到达的路径采用道路实时交通信息数据，即城市路网的实时权值；规划距离超过5分钟到达的路径采用历史交通信息数据，即可能经过路段的未来的对应时段的权值。
所述的云端服务器的路径规划服务是多线程并行的，同时为城市路网中的多辆车辆提供服务。
本发明的创新点包括：
1、本发明通过车载通讯终端发送到云端服务器的关于汽车位置、速度、行驶路线等的数据，构建生成道路实时交通信息的算法，记录并不断更新道路历史交通信息的流程，并通过云端数据实时预测拥堵，且在实时路径规划时避免拥堵，缩短车辆到达目的地的时间，提升出行效率；通过云端服务器的车辆行驶数据动态的更新城市路网的交通信息，相比于传统的城市路网信息更新速度更快，更及时。
2、本发明通过算法生成的道路实时交通信息、道路历史交通信息和云端的实时车辆导航的路线信息进行拥堵预测和拥堵避免，可以在道路产生拥堵之前就预测到拥堵，并提前调整部分将要经过拥堵路段车辆的行驶路线，避免拥堵产生，可以更高效的利用路网的交通资源，使车辆到达目的地的时间更短，相比传统的被动躲避拥堵有较大的先进性，进而使城市路网中正在行驶的车辆之间形成一个智能的整体，提升路网的使用效率和道路的通畅性。
3、本发明只需要部分的车辆上安装T-BOX等车载通讯终端，可以为不安装车载通讯终端的车辆提供实时的行驶路线规划服务，例如可以通过手机中的地图App与云端的数据进行对接，适用于安装车载通讯终端的各型号车辆和未安装车载通讯终端但使用具有数据通信功能的导航设备的车辆。
4、本发明还可应用于政府的交通服务，通过算法获得的数据，可以实时的调整城市路网中的红绿灯与其它控制交通的信号，从而避免道路车辆无故等红灯现象，提升道路车辆行驶中遇到绿灯的概率，大幅提升路网的通过性与效率。
本发明能实时更新云端服务器中的交通信息，并根据交通信息规划合理的路径，达到提前分流和避免拥堵的目的。
附图说明
图1是本发明基于车联网的实时智能导航方法中云端服务器的流程图；
图2是本发明基于车联网的实时智能导航方法中车载通讯终端的流程图；
图3是本发明基于车联网的实时智能导航方法中数据库的更新算法流程图；
图4是本发明基于车联网的实时智能导航方法中云端服务器路径规划的算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
请参见附图1及附图2，一种基于车联网的实时智能导航方法，包括云端服务器及车载通讯终端，云端服务器包括数据库，车载通讯终端通过无线网络与云端服务器通信；车载通讯终端可采用车载联网模块T-BOX或具有数据通信功能的导航设备，云端服务器用于读取城市路网信息，读取并解析T-BOX或具有数据通信功能的导航设备发来的消息，城市路网信息需要定期更新，可以从地图供应商处获取。
所述的基于车联网的实时智能导航方法包括如下步骤：
步骤1：云端服务器载入或初始化历史道路交通信息；
步骤2：车载通讯终端获取车辆的位置、车辆的实时速度和目的地信息；
步骤3：云端服务器通过无线通信网络从多个车载通讯终端接收车辆的位置和目的地信息，并将信息根据时间戳存储到数据库，同时根据当前城市路网的实时道路信息更新数据库；
步骤4：根据路网的实时道路信息、历史道路信息和城市路网中其他车辆的行驶信息进行路径规划，避开拥堵路段；
步骤5：云端服务器发送规划好的路径信息到行驶车辆的车载通讯终端；
步骤6：车载通讯终端接收行驶路线并显示；
步骤7：车载通讯终端每间隔一段时间发送车辆的实时速度、位置信息到云端服务器；
步骤8：车载通讯终端判断车辆是否到达目的地，若是，车载通讯终端结束导航，若否，返回步骤2；
步骤9：云端服务器判断车辆是否到达目的地，若是，云端服务器结束对该车辆的导航，若否，返回步骤3。
请参见附图3，在所述的步骤3中，数据库的更新算法包括如下分步骤：
步骤3.1：根据车辆的位置信息定位到数据库中的城市路网对应位置；
步骤3.2：在一个局部路段A-B中，将局部路段A-B上同方向车辆的速度求和取均值，加上对应的系统时间戳，存储到数据库中；
步骤3.3：局部路段A-B的平均通过速度（记为V）持续更新，若局部路段A-B有车辆数据，则将多个车辆速度的均值作为该路段的通过速度并存储到数据库，若局部路段A-B没有车辆数据，则取该路段的最高限速为平均通过速度并存储到数据库；不同等级的道路，对应不同的最大通行速度，有些道路由于一些特殊的原因，会设置一个较低的限制通行速度，其最大通行速度以限定速度为准。对于没有明确限速要求的道路，取其设计的最大时速作为车流自由通过时可达到的最高速度。
步骤3.4：重复步骤3.2和步骤3.3，对整个城市路网的平均通过速度进行计算，并在数据库中进行持续更新和记录。
在步骤3.4中，所述的城市路网的通过速度的更新方法如下：
步骤3.4.1：将一天24小时按每1分钟分段，分成1440个时间段，每个时间段车载通讯终端采集到车辆位置和速度信息，确认该信息的有效性以后将其作为实时交通信息数据用于路阻计算；
步骤3.4.2：发送实时交通信息数据到数据库，并在历史交通信息中找出该实时交通信息数据对应的当前时间段的历史交通信息，筛选出采集时间最早的那条历史交通数据，并将该历史交通数据删除掉；
步骤3.4.3：将新采集到的实时交通信息数据插入到该道路对应的数据表中，作为该道路在该时间段的历史交通数据的一部分，使得每个路段的每个时间段的历史交通数据每天更新一次，保证了历史交通信息能够得到及时有效的更新。
请参见附图4，在所述的步骤4中，根据车辆的定位（起始点）和目的地，使用改进后的Dijkstra算法（迪杰斯特拉算法）在带权值的城市路网中找出一条耗时最短的路径。迪杰斯特拉算法是由荷兰计算机科学家狄克斯特拉于1959年提出的，是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题。
具体的路径规划的算法如下：
步骤4.1：在当前城市路网中，根据城市路网中的各个路段的实时通过时间t为路段赋予相应的权值，该权值t（单位：小时）通过路网中各个路段的长度L（单位：千米）除以路段的实时通过速度得到，即t=L/V，其中，L表示待计算路段的长度，V（单位：千米/小时）表示对应的待计算路段的平均通过速度；某一路段实时通过时间t越短，则路段的权值越小；某一路段实时通过时间t越长，则路段的权值越大。
步骤4.2：整个城市路网中每个路段的权值t进行实时更新，并将历史权值存储在数据库中，形成一个有权的连通图，根据路网中车载通讯终端发来的路径规划请求和云端服务器的规划结果，云端服务器统计路网中单个路段在未来某个时间段将要通过的车辆数目，并据此将路网中各个路段对应的未来的权值t进行更新；
步骤4.3：以车辆起始点为中心，每次添加进来一个可以通行的道路结点，直到扩展到目的结点，其扩张时选择下一个结点的依据是选择与已经被包含进来的所有结点相连的、连通代价最小的结点，此处的节点及以下步骤中所述的节点表示不经过红绿灯的一端道路；
步骤4.4：每加入一个新的节点C，则根据起始点到节点C的权值t预测车辆到达节点C的时间，然后读取节点C对应的历史交通数据，使用历史交通数据重新计算节点C的权值t并记录下来；
步骤4.5：暂时删除步骤4.4中加入的节点C并加入另一个比节点C的实时权值较大的节点D，使用步骤4.4中的方法对节点D进行重新计算，并记录新权值t；
步骤4.6：重复步骤4.4和步骤4.5，直到没有新的和起点连通的待扩张节点加入，比较待加入的所有节点的新权值，选择最小权值的节点加入路径；
步骤4.7：以步骤4.6选择的节点为起点，重复步骤4.4-步骤4.6，直到目的地所在路径被加入到规划好的路径中。
在所述的步骤4.2中，路段的权值t的更新步骤如下：
步骤4.2.1：将一天24小时按每1分钟分段，分成1440段，根据车辆的行驶速度和行驶路径中的实时通过时间t，预测出车辆到达路径中局部路段时的时间段T；
步骤4.2.2：每个时间段T分配2个计数器资源T1、T2，T1记录历史该时间段T道路上经过的车辆数目，T2统计未来该时间段T要经过该路段的车辆数目；
步骤4.2.3：当云端服务器根据改进的Dijkstra算法（迪杰斯特拉算法）为路网中的一辆车规划好路径后，云端服务器读取路网数据库中车辆路径所要经过的路段和经过路段的对应历史（昨天）时间段T的权值t0和历史计数器T1（T1表示在历史（昨天）的T时段，路段上经过的车辆数目，此参数作为一个参考值），并启动T时间段计数器T2；当计数器T2累加值超过历史计数器T1后，计数器T2每增加一次，t0的值增加10秒钟，作为路段对应时间段T的未来权值；其它车辆的路径规划和对路段权值的影响与上述方法相同；
步骤4.2.4：当T时间段计数器T2累加到N（N = 10）时，表示有十辆车将在未来的时间段T经过对应路段，此时将t0的值再额外加上S（S = 1）分钟，表示多等待一个红绿灯循环；
步骤4.2.5：当物理时间经过后，即路段中对应的时间段T在物理世界中真实的过去了，云端服务器根据计数器T2的值和路段在时间段T的实际通行时间计算t0的值并记录到数据库。
在步骤4.2.4中，N根据实时道路的规划通行数据由云端服务器统计得出，S根据所在路段的实时道路通行数据由云端服务器计算得出，云端服务器根据对应路段中车辆的位置更新信息计算出S的值，即一个红绿灯循环需要的时间；如果云端服务器接收到的有效数据过少或没有，则默认S = 1分钟。
后续的车辆再进行路径规划时，将采用更新后的权值t0，这样当t0增加到一定大小，即表示未来T时刻该路段将拥堵到某一程度。t0的改变会被服务器端的路径规划算法读取到，通过改进的Dijkstra算法找出其它更快的替代路径，从而改变后续车辆的路径规划方案，实现提前分流，避免拥堵的效果。
在所述的步骤4中，在路线规划的过程中，由于城市道路交通中实时交通信息变化较快，规划距离较近（如5分钟之内可到达）的路径采用道路实时交通信息数据，即城市路网的实时权值；规划距离较远（如5分钟内不可达）的路径认为实时交通信息在路径规划过程中无法参考，因此采用历史交通信息数据，即可能经过路段的未来的对应时段的权值，从而实现在进入拥堵路段之前就已经避开的策略。
云端服务器的路径规划服务是多线程并行的，同时为城市路网中的车辆提供服务。数据库中的城市路网历史权值可以按年进行保存，从而可以实现记录不同季节，不同节假日等等的车流规律，但是在实际使用时，城市路网的历史权值采用昨天的权值即可。
云端服务器不间断运行路径规划算法，根据道路交通数据库中的历史信息、实时的道路信息、车辆的目的地信息进行综合，规划出一条耗时最短、城市路网利用率最优、既能躲避现有拥堵又可以在路网中相关车辆的配合下避免路网拥堵的路线。
以上仅为本发明的较佳实施例而已，并非用于限定发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于车联网的实时智能导航方法，其特征是：包括云端服务器及车载通讯终端，云端服务器包括数据库，车载通讯终端通过无线网络与云端服务器通信；
所述的基于车联网的实时智能导航方法包括如下步骤：
步骤1：云端服务器载入或初始化历史道路交通信息；
步骤2：车载通讯终端获取车辆的位置、车辆的实时速度和目的地信息；
步骤3：云端服务器通过无线通信网络从多个车载通讯终端接收车辆的位置和目的地信息，并将信息根据时间戳存储到数据库，同时根据当前城市路网的实时道路信息更新数据库；
步骤4：根据城市路网的实时道路信息、历史道路信息和城市路网中车辆的行驶信息进行路径规划，避开拥堵路段；
步骤4.1：在当前城市路网中，根据城市路网中的各个路段的实时通过时间t为路段赋予相应的权值，权值t=L/V，其中，L表示待计算路段的长度，V表示对应的待计算路段的平均通过速度；
步骤4.2：整个城市路网中每个路段的权值t实时更新，并将历史权值存储在数据库中，形成一个有权的连通图；根据路网中车载通讯终端发来的路径规划请求和云端服务器的规划结果，云端服务器统计路网中单个路段在未来一个时间段将要通过的车辆数目，并据此将路网中各个路段对应的未来权值进行更新；
步骤4.2.1：将一天24小时按每1分钟分段，分成1440段，根据车辆的行驶速度和行驶路径中的实时通过时间t，预测出车辆到达路径中局部路段时的时间段T；
步骤4.2.2：每个时间段T分配2个计数器资源T1、T2，T1记录历史该时间段T道路上经过的车辆数目，T2统计未来该时间段T要经过该路段的车辆数目；
步骤4.2.3：当云端服务器为路网中的一辆车规划好路径后，云端服务器读取路网数据库中车辆路径所要经过的路段和经过路段的对应历史时间段T的权值t0和历史计数器T1，并启动T时间段计数器T2；当计数器T2累加值超过历史计数器T1后，计数器T2每增加一次，t0的值增加10秒钟，作为路段对应时间段T的未来权值；
步骤4.2.4：当T时间段计数器T2累加到N=10时，表示有十辆车将在未来的时间段T经过对应路段，此时将t0的值再额外加上S=1分钟，表示多等待一个红绿灯循环；
步骤4.2.5：当物理时间经过后，即路段中对应的时间段T在物理世界中真实的过去了，云端服务器根据计数器T2的值和路段在时间段T的实际通行时间计算t0的值并记录到数据库；
步骤4.3：以车辆起始点为中心，每次添加进来一个可通行的道路结点，直到扩展到目的结点；
步骤4.4：每加入一个新的节点C，则根据起始点到节点C的权值t预测车辆到达节点C的时间，再读取节点C对应的历史交通数据，使用历史交通数据重新计算节点C的权值t并记录下来；
步骤4.5：暂时删除步骤4.4中加入的节点C并加入另一个比节点C的实时权值大的节点D，使用步骤4.4中的方法对节点D进行重新计算，并记录新权值t；
步骤4.6：重复步骤4.4和步骤4.5，直到没有新的和起点连通的待扩张节点加入，比较待加入的所有节点的新权值，选择最小权值的节点加入路径；
步骤4.7：以步骤4.6选择的节点为起点，重复步骤4.4-步骤4.6，直到目的地所在路径被加入到规划好的路径中；
步骤5：云端服务器发送规划好的路径信息到行驶车辆的车载通讯终端；
步骤6：车载通讯终端接收行驶路线并显示；
步骤7：车载通讯终端在行驶过程中发送车辆的实时速度、位置信息到云端服务器；
步骤8：车载通讯终端判断车辆是否到达目的地，若是，车载通讯终端结束导航，若否，返回步骤2；
步骤9：云端服务器判断车辆是否到达目的地，若是，云端服务器结束对该车辆的导航，若否，返回步骤3。
2.根据权利要求1所述的基于车联网的实时智能导航方法，其特征是：在所述的步骤3中，数据库的更新算法包括如下分步骤：
步骤3.1：根据车辆的位置信息定位到数据库中的城市路网对应位置；
步骤3.2：在一个局部路段A-B中，将局部路段A-B上同方向车辆的速度求和取均值，加上对应的系统时间戳，存储到数据库中；
步骤3.3：局部路段A-B的平均通过速度V持续更新，若局部路段A-B有车辆数据，则将多个车辆速度的均值作为该路段的通过速度并存储到数据库，若局部路段A-B没有车辆数据，则取该路段的最高限速为平均通过速度并存储到数据库；
步骤3.4：重复步骤3.2和步骤3.3，对整个城市路网的平均通过速度进行计算，并在数据库中进行持续更新和记录；
在步骤3.4中，所述的城市路网的通过速度的更新方法如下：
步骤3.4.1：将一天24小时按每1分钟分段，分成1440个时间段，每个时间段车载通讯终端采集到车辆位置和速度信息，确认该信息的有效性以后将其作为实时交通信息数据；
步骤3.4.2：发送实时交通信息数据到数据库，并在历史交通信息中找出该实时交通信息数据对应的当前时间段的历史交通信息，筛选出采集时间最早的历史交通数据并删除；
步骤3.4.3：将新采集到的实时交通信息数据插入到该道路对应的数据表中，作为该道路在该时间段的历史交通数据的一部分，使每个路段的每个时间段的历史交通数据每天更新一次。
3.根据权利要求1所述的基于车联网的实时智能导航方法，其特征是：在所述的步骤4.3至步骤4.7中，所述的节点表示不经过红绿灯的一段道路。
4.根据权利要求1所述的基于车联网的实时智能导航方法，其特征是：在所述的步骤4.2.4中，N根据实时道路的规划通行数据由云端服务器统计得出，S根据所在路段的实时道路通行数据由云端服务器计算得出，云端服务器根据对应路段中车辆的位置更新信息计算出S的值，即一个红绿灯循环需要的时间；如果云端服务器接收到的有效数据过少或没有，则默认S = 1分钟。
5.根据权利要求1所述的基于车联网的实时智能导航方法，其特征是：在所述的步骤4中，在路线规划的过程中，规划距离在5分钟内能到达的路径采用道路实时交通信息数据，即城市路网的实时权值；规划距离超过5分钟到达的路径采用历史交通信息数据，即可能经过路段的未来的对应时段的权值。
6.根据权利要求1所述的基于车联网的实时智能导航方法，其特征是：所述的云端服务器的路径规划服务是多线程并行的，同时为城市路网中的多辆车辆提供服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810515389.1A CN109000668B (zh) | 2018-05-25 | 2018-05-25 | 基于车联网的实时智能导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810515389.1A CN109000668B (zh) | 2018-05-25 | 2018-05-25 | 基于车联网的实时智能导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109000668A CN109000668A (zh) | 2018-12-14 |
| CN109000668B true CN109000668B (zh) | 2020-10-30 |
Family
ID=64573680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810515389.1A Active CN109000668B (zh) | 2018-05-25 | 2018-05-25 | 基于车联网的实时智能导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109000668B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109729164B (zh) * | 2018-12-28 | 2021-11-09 | 国汽(北京)智能网联汽车研究院有限公司 | 智能网联汽车计算平台车端与云端运算等级分配方法 |
| CN109697881B (zh) * | 2019-01-15 | 2021-04-27 | 南通大学 | 一种基于实时道路拥堵信息的绕行指引方法 |
| CN109785656B (zh) * | 2019-03-18 | 2021-03-02 | 南京大学 | 一种基于局部近似秩的交通规划及导航方法 |
| CN110245764A (zh) * | 2019-05-13 | 2019-09-17 | 特斯联（北京）科技有限公司 | 一种基于分布式存储数据库的约车出行方法 |
| CN110657815A (zh) * | 2019-09-07 | 2020-01-07 | 苏州浪潮智能科技有限公司 | 一种基于云计算的Dijkstra导航方法、系统、终端及存储介质 |
| CN110595493A (zh) * | 2019-09-25 | 2019-12-20 | 北京蓦然认知科技有限公司 | 一种实时动态路径规划方法和装置 |
| CN110716544A (zh) * | 2019-10-18 | 2020-01-21 | 广州大学 | 一种辅助无人驾驶汽车的车联网系统及其实现方法 |
| CN110930698B (zh) * | 2019-11-18 | 2021-05-04 | 北京交通大学 | 一种5g车联网环境下前方道路透明化计算方法 |
| CN112863164A (zh) * | 2019-11-27 | 2021-05-28 | 帝亚一维新能源汽车有限公司 | 网约无人驾驶车辆系统和方法 |
| CN111141302B (zh) * | 2019-12-26 | 2023-10-27 | 斑马网络技术有限公司 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
| CN111199315A (zh) * | 2019-12-30 | 2020-05-26 | 江苏随易信息科技有限公司 | 包裹配送控制方法及装置、可读存储介质和终端 |
| CN113411360B (zh) * | 2020-03-16 | 2022-10-21 | 成都秦川物联网科技股份有限公司 | 基于车联网的分区云平台网外运算方法及系统 |
| CN111649754A (zh) * | 2020-04-29 | 2020-09-11 | 上汽大众汽车有限公司 | 一种基于熟路路线的导航方法、系统和服务器 |
| CN111882902B (zh) * | 2020-07-16 | 2022-05-03 | 山东瑞智飞控科技有限公司 | 一种用于智能交通的语音播报系统 |
| CN112153611B (zh) * | 2020-09-28 | 2023-02-28 | 斑马网络技术有限公司 | 无线服务配置方法、装置、设备及存储介质 |
| CN112533147A (zh) * | 2020-11-25 | 2021-03-19 | 安徽工程大学 | 一种基于5g通信的城市交通应急预警方法及系统 |
| CN112700639B (zh) * | 2020-12-07 | 2022-03-08 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
| CN114882720B (zh) * | 2021-01-21 | 2023-10-03 | 广州汽车集团股份有限公司 | 智能路网的推送方法、推送装置及车辆 |
| CN113029176B (zh) * | 2021-03-19 | 2023-08-15 | 深蓝汽车科技有限公司 | 面向多层级体验的电动汽车最优充电路径规划方法 |
| CN113259852B (zh) * | 2021-06-21 | 2021-10-12 | 成都秦川物联网科技股份有限公司 | 智能车联网跨区域数据共享方法及系统 |
| CN113487866A (zh) * | 2021-06-30 | 2021-10-08 | 重庆电子工程职业学院 | 基于多源异构数据融合技术的交通管理系统 |
| CN113823119B (zh) * | 2021-08-11 | 2022-09-16 | 江铃汽车股份有限公司 | 一种基于云计算的行车安全及导航预警方法 |
| CN114627648B (zh) * | 2022-03-16 | 2023-07-18 | 中山大学·深圳 | 一种基于联邦学习的城市交通流诱导方法及系统 |
| CN116753966B (zh) * | 2023-04-10 | 2024-04-12 | 中核勘察设计研究有限公司 | 一种导航电子地图数据获取方法及设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964148B (zh) * | 2009-07-24 | 2013-06-19 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
| KR101911522B1 (ko) * | 2011-03-28 | 2018-10-25 | 팅크웨어(주) | 전자 기기 및 전자 기기의 내비게이션 서비스 방법 |
| CN102622897B (zh) * | 2012-04-07 | 2014-04-30 | 山东大学 | 基于视频的车辆排队长度动态估计方法 |
| CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
| CN103927866B (zh) * | 2013-12-31 | 2016-02-10 | 北京航空航天大学 | 基于gps的车辆等待红绿灯时间预测方法 |
| CN104240500A (zh) * | 2014-08-25 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种路况信息预测方法及系统 |
| US10459440B2 (en) * | 2016-01-04 | 2019-10-29 | GM Global Technology Operations LLC | System and method for remotely assisting autonomous vehicle operation |
| CN107144286B (zh) * | 2016-03-01 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 导航方法及装置 |
-
2018
- 2018-05-25 CN CN201810515389.1A patent/CN109000668B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109000668A (zh) | 2018-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109000668B (zh) | 基于车联网的实时智能导航方法 | |
| US9672735B2 (en) | Traffic classification based on spatial neighbor model | |
| EP1348208B1 (en) | Traffic monitoring system | |
| US9958280B2 (en) | Assessing inter-modal passenger travel options | |
| US6879907B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
| EP3410348A1 (en) | Method and apparatus for building a parking occupancy model | |
| US20160265930A1 (en) | Identifying significant locations based on vehicle probe data | |
| US20100082226A1 (en) | System and Methods For Providing Predictive Traffic Information | |
| US20110035146A1 (en) | Distributed traffic navigation using vehicular communication | |
| CN103177562B (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| US20040102893A1 (en) | Traffic monitoring system | |
| US11348453B2 (en) | Method and apparatus for dynamic speed aggregation of probe data for high-occupancy vehicle lanes | |
| WO2001023835A2 (en) | Apparatus and methods for providing route guidance for vehicles | |
| 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 | |
| CN106382939A (zh) | 一种基于历史数据的导航路径行驶时间预测系统及方法 | |
| WO2009130257A2 (en) | A method of creating a speed estimation | |
| CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
| CN111882867A (zh) | 一种基于物联网的城市智慧交通预警系统 | |
| Wang et al. | An adaptive and VANETs-based Next Road Re-routing system for unexpected urban traffic congestion avoidance | |
| US10489431B2 (en) | Digital location-based data methods and product | |
| Toulni et al. | An approach to avoid traffic congestion using VANET | |
| Tatomir et al. | Travel time prediction for dynamic routing using ant based control | |
| CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
| CN117521937B (zh) | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190619 Address after: No. 2500, Yangpu District military road, Shanghai, Shanghai Applicant after: Saic Motor Corporation Limited Applicant after: Shanghai Automotive Industry Corporation (Group) Address before: No. 2500, Yangpu District military road, Shanghai, Shanghai Applicant before: Saic Motor Corporation Limited |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |