CN110097757A - 一种基于深度优先搜索的交叉口群关键路径识别方法 - Google Patents

一种基于深度优先搜索的交叉口群关键路径识别方法 Download PDF

Info

Publication number
CN110097757A
CN110097757A CN201910430310.XA CN201910430310A CN110097757A CN 110097757 A CN110097757 A CN 110097757A CN 201910430310 A CN201910430310 A CN 201910430310A CN 110097757 A CN110097757 A CN 110097757A
Authority
CN
China
Prior art keywords
intersection
critical path
intersection group
depth
group
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
Application number
CN201910430310.XA
Other languages
English (en)
Other versions
CN110097757B (zh
Inventor
王炜
李欣然
卢慕洁
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910430310.XA priority Critical patent/CN110097757B/zh
Publication of CN110097757A publication Critical patent/CN110097757A/zh
Application granted granted Critical
Publication of CN110097757B publication Critical patent/CN110097757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明提供了一种基于深度优先搜索的交叉口群关键路径识别方法，属于城市智能交通管理和控制技术领域，包括以下步骤：(1)获取城市研究范围内的交叉口群网络结构数据库和交通运行状态数据库；(2)根据改进的互联指数模型计算交叉口之间路段的互联期望指数；(3)选择交叉口群范围内的悬挂点作为关键路径的备选起、终点；(4)利用深度优先搜索算法确定悬挂点之间所有简单路径，构建交叉口群关键路径的选择范围集；(5)计算关键路径选择范围集中所有路径的平均互联期望指数，指数最大的路径为交叉口群的关键路径。本发明步骤清晰，逻辑简明，对交叉口群关键路径协调控制具有重要意义，为城市智能交通管理和控制提供了有力的技术支撑。

Description

一种基于深度优先搜索的交叉口群关键路径识别方法
技术领域
本发明涉及城市智能交通管理和控制技术领域，特别是涉及一种基于深度优先搜索的交叉口群关键路径识别方法。
背景技术
近年来，随着我国城市化进程的不断推进，城市规模不断扩大，汽车拥有量快速增长，交通拥堵、交通污染和交通事故等一系列问题也随之而来。交叉口是整个城市道路交通网络的瓶颈，对交叉口运行状态的改善迫在眉睫。由于交叉口群中的交叉口之间具有较强的关联性，对单个交叉口交通信号的调整往往会影响与其相邻的若干个交叉口的交通运行状况，因此，以某个区域内全部交叉口作为研究对象的交叉口群协调控制已成为城市交通控制的发展新趋势。
城市道路交叉口群为城市路网中地理位置相邻且存在较强关联性的若干交叉口的集合，交叉口群一般具有高密度、短间距的特点，交叉口群范围内的道路等级差别不大，各个路段上的交通流量也较为均衡，干道交通流特征并不明显，很难直观地判断出交通主流向的分布，因此需要根据交通运行的实时状态来判断交通协调控制的优先级别。
交叉口群的范围确定之后，需要从交叉口群中提取出关键路径，并根据关键路径制定相应的优化控制方案，将交叉口群范围内的路网协调控制问题简化为几个关键路径上的交通协调控制问题。这种降低维度的处理方式既能简化交叉口群的协调控制问题，又能提高交通控制效率，优化交通资源的利用，为此本发明提出了一种基于深度优先搜索的交叉口群关键路径识别方法。
发明内容
为了解决以上问题，本发明提供一种基于深度优先搜索的交叉口群关键路径识别方法，本发明的目的是根据交叉口群交通运行的实时状态，利用互联指数模型衡量路段流量的关联性，从而提取出交叉口群范围内的关键路径。本发明提供的方法，对交叉口群信号协调控制具有较大意义，为城市智能交通管理和控制提供了有力的技术支撑，为达此目的，本发明提供一种基于深度优先搜索的交叉口群关键路径识别方法，包括以下步骤，其特征在于：
(A)获取城市研究范围内的交叉口群网络结构数据库和交通运行状态数据库；
(B)根据改进的互联指数模型计算交叉口之间路段的互联期望指数；
(C)选择交叉口群范围内的悬挂点作为关键路径的备选起、终点；
(D)利用深度优先搜索算法确定悬挂点之间所有简单路径，构建交叉口群关键路径的选择范围集；
(E)计算关键路径选择范围集中所有路径的平均互联期望指数，指数最大的路径为交叉口群的关键路径。
本发明的进一步改进，所述步骤(A)中，交叉口群网络结构数据库应至少包含交叉口群覆盖范围内各交叉口之间的邻接关系，各条路段的长度；交叉口群交通运行状态数据库应至少包含交叉口群覆盖范围内各路段的平均行驶速度，车辆排队长度，各交叉口的实际通行流量和转向数据等。
本发明的进一步改进，所述步骤(B)中，交叉口之间路段的互联期望指数的计算公式为：
上式中，各参数意义如下：n为上游交叉口的流入流向数，qi为上游交叉口第i流入流向流量，qmax为上游交叉口最大流入流向流量，T为车辆从上游交叉口进口停车线至下游交叉口进口车辆排队队尾的平均行驶时间，以分钟表示，其计算公式为：
上式中，各参数意义如下：L为相邻交叉口之间的路段长度，lq为下游交叉口进口排队长度，为车辆在路段上的平均行驶速度。
本发明的进一步改进，所述步骤(C)中，悬挂点是图论中的基本概念，顶点的度是指邻接到该顶点的边或弧的数目，图论中度为“1”的顶点称为悬挂点。
本发明的进一步改进，所述步骤(D)中，简单路径是图论中的基本概念，如果一条路径上的各个顶点均不互相重复，称这样的路径为简单路径。
本发明一种基于深度优先搜索的交叉口群关键路径识别方法与现有技术相比，具有以下技术效果：
(1)本发明将图论中经典的深度优先搜索算法应用到交叉口群关键路径识别的过程中，利用回溯和递归的算法思想，穷举了交叉口群关键路径所有可能的选择范围，并根据互联期望指数确定关键路径，本发明属于经典智能算法的跨学科应用。
(2)本发明计算高效、方法实用，通过交叉口群关键路径识别来判断出交叉口群范围内交通主流向的分布，由此确定了交通协调控制的优先级别，识别提取的交叉口群关键路径可以作为下一步进行交叉口群信号协调控制的基础。
附图说明
图1为本发明方法的总体流程图；
图2为本发明交叉口群网络结构图；
图3为本发明深度优先搜索算法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于深度优先搜索的交叉口群关键路径识别方法，本发明的目的是根据交叉口群交通运行的实时状态，利用互联指数模型衡量路段流量的关联性，从而提取出交叉口群范围内的关键路径。本发明提供的方法，对交叉口群信号协调控制具有较大意义，为城市智能交通管理和控制提供了有力的技术支撑。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
作为一个实施例，已知某交叉口群的网络结构如图2所示，该交叉口群的网络结构数据库和交通运行状态数据库已获取，利用本发明提供的方法确定该交叉口群中的关键路径。
如图1所示，运用本发明提出的基于深度优先搜索的交叉口群关键路径识别方法，包括如下步骤：
(A)获取城市研究范围内的交叉口群网络结构数据库和交通运行状态数据库；
如图2所示，交叉口群范围由18个具有编号的交叉口构成。交叉口群网络结构数据库应至少包含交叉口群覆盖范围内各交叉口之间的邻接关系，各条路段的长度；交叉口群交通运行状态数据库应至少包含交叉口群覆盖范围内各路段的平均行驶速度，车辆排队长度，各交叉口的实际通行流量和转向数据等。
(B)根据改进的互联指数模型计算交叉口之间路段的互联期望指数；
该交叉口群范围内交叉口之间路段的互联期望指数计算结果如表1所示。
表1路段互联期望指数计算结果
(C)选择交叉口群范围内的悬挂点作为关键路径的备选起、终点；
悬挂点是图论中的基本概念，顶点的度是指邻接到该顶点的边(或弧)的数目，图论中度为“1”的顶点称为悬挂点。交叉口群中的悬挂点只有一个通行方向和交叉口群范围内的其他交叉口邻接，其他通行方向(如果存在)必定和交叉口群外的交叉口邻接。车辆只有从一个悬挂点驶入、从另一个悬挂点驶离，才能被认为是完整地穿过整个交叉口群。本实施例中交叉口群范围内悬挂点有4个，节点编号为：1、10、11和17。
(D)利用深度优先搜索算法确定悬挂点之间所有简单路径，构建交叉口群关键路径的选择范围集；
简单路径是图论中的基本概念，如果一条路径上的各个顶点均不互相重复，称这样的路径为简单路径。规定了简单路径，就使得车辆在交叉口群范围内行驶时不能走回头路。如图3所示，基于深度优先搜索算法，对任意两个悬挂点之间的所有简单路径进行寻找，共得到40条简单路径构成关键路径选择范围集，如表2所示。
(E)计算关键路径选择范围集中所有路径的平均互联期望指数，指数最大的路径为交叉口群的关键路径。
计算各路径上互联期望指数的平均值，结果按从大到小的顺序进行排列，如表2所示。交叉口群中关键路径的识别结果为：1→2→3→4→5→6→7→8→9→10。
表2交叉口群关键路径识别计算过程
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种基于深度优先搜索的交叉口群关键路径识别方法，包括以下步骤，其特征在于：
(A)获取城市研究范围内的交叉口群网络结构数据库和交通运行状态数据库；
(B)根据改进的互联指数模型计算交叉口之间路段的互联期望指数；
(C)选择交叉口群范围内的悬挂点作为关键路径的备选起、终点；
(D)利用深度优先搜索算法确定悬挂点之间所有简单路径，构建交叉口群关键路径的选择范围集；
(E)计算关键路径选择范围集中所有路径的平均互联期望指数，指数最大的路径为交叉口群的关键路径。
2.根据权利要求1所述的一种基于深度优先搜索的交叉口群关键路径识别方法，其特征在于：所述步骤(A)中，交叉口群网络结构数据库应至少包含交叉口群覆盖范围内各交叉口之间的邻接关系，各条路段的长度；交叉口群交通运行状态数据库应至少包含交叉口群覆盖范围内各路段的平均行驶速度，车辆排队长度，各交叉口的实际通行流量和转向数据等。
3.根据权利要求1所述的一种基于深度优先搜索的交叉口群关键路径识别方法，其特征在于：所述步骤(B)中，交叉口之间路段的互联期望指数的计算公式为：
上式中，各参数意义如下：n为上游交叉口的流入流向数，qi为上游交叉口第i流入流向流量，qmax为上游交叉口最大流入流向流量，T为车辆从上游交叉口进口停车线至下游交叉口进口车辆排队队尾的平均行驶时间，以分钟表示，其计算公式为：
上式中，各参数意义如下：L为相邻交叉口之间的路段长度，lq为下游交叉口进口排队长度，为车辆在路段上的平均行驶速度。
4.根据权利要求1所述的一种基于深度优先搜索的交叉口群关键路径识别方法，其特征在于：所述步骤(C)中，悬挂点是图论中的基本概念，顶点的度是指邻接到该顶点的边或弧的数目，图论中度为“1”的顶点称为悬挂点。
5.根据权利要求1所述的一种基于深度优先搜索的交叉口群关键路径识别方法，其特征在于：所述步骤(D)中，简单路径是图论中的基本概念，如果一条路径上的各个顶点均不互相重复，称这样的路径为简单路径。
CN201910430310.XA 2019-05-22 2019-05-22 一种基于深度优先搜索的交叉口群关键路径识别方法 Active CN110097757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910430310.XA CN110097757B (zh) 2019-05-22 2019-05-22 一种基于深度优先搜索的交叉口群关键路径识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910430310.XA CN110097757B (zh) 2019-05-22 2019-05-22 一种基于深度优先搜索的交叉口群关键路径识别方法

Publications (2)

Publication Number Publication Date
CN110097757A true CN110097757A (zh) 2019-08-06
CN110097757B CN110097757B (zh) 2021-08-06

Family

ID=67448957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910430310.XA Active CN110097757B (zh) 2019-05-22 2019-05-22 一种基于深度优先搜索的交叉口群关键路径识别方法

Country Status (1)

Country Link
CN (1) CN110097757B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102611A (zh) * 2020-08-03 2020-12-18 上海理工大学 一种基于中断概率影响模型的城市路网关键路径辨识方法
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制系统及控制方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN106910350A (zh) * 2017-03-22 2017-06-30 东南大学 一种寻找信号控制交叉口群关键路径的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制系统及控制方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN106910350A (zh) * 2017-03-22 2017-06-30 东南大学 一种寻找信号控制交叉口群关键路径的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨洁，过秀成，李岩，何赏璐，刘迎: "城市信号控制交叉口群路径关联度模型", 《交通运输系统工程与信息》 *
胡华,高云峰,邱薇华: "基于路径关联性的交叉口群动态划分方法", 《重庆交通大学学报（自然科学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102611A (zh) * 2020-08-03 2020-12-18 上海理工大学 一种基于中断概率影响模型的城市路网关键路径辨识方法
CN112102611B (zh) * 2020-08-03 2023-02-03 上海理工大学 一种基于中断概率影响模型的城市路网关键路径辨识方法
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法
CN115100857B (zh) * 2022-06-17 2024-03-19 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法

Also Published As

Publication number Publication date
CN110097757B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN108470444B (zh) 一种基于遗传算法优化的城市区域交通大数据分析系统与方法
CN109785619A (zh) 区域交通信号协调优化控制系统及其控制方法
CN112820108B (zh) 一种自学习的路网交通状态分析及预测方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN109887289A (zh) 一种城市交通网络模型的网络车流量最大化方法
CN105825669A (zh) 一种识别城市快速路交通瓶颈的系统和方法
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN110211405B (zh) 一种基于交通信息素模型的出行路径规划方法
CN110266528A (zh) 基于机器学习的车联网通信的流量预测方法
CN114973733B (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN107490384A (zh) 一种基于城市路网的最优静态路径选择方法
CN102867409A (zh) 一种可用于城市中心区域的道路交通协同控制方法
CN110097757A (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN105489028A (zh) 过饱和多交叉口协同控制优化方法
CN106910350A (zh) 一种寻找信号控制交叉口群关键路径的方法
CN114117700A (zh) 基于复杂网络理论的城市公共交通网络优化研究方法
CN106530779A (zh) 一种基于城市交通控制信号灯的路径规划方法及系统
CN113593228A (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN104821086B (zh) 一种定位大规模交通网络中低效路段组合的方法
CN113792424A (zh) 自动驾驶车异质交通流下的多车道换道方法及系统
WO2023035666A1 (zh) 一种基于预期收益估计的城市路网交通信号灯控制方法
CN106297296A (zh) 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法
CN109345825B (zh) 车路协同环境下信号交叉口单向交通流控制系统及方法

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