CN110119839A - 一种城市道路交通事故应急救援路径规划方法 - Google Patents
一种城市道路交通事故应急救援路径规划方法 Download PDFInfo
- Publication number
- CN110119839A CN110119839A CN201910333608.9A CN201910333608A CN110119839A CN 110119839 A CN110119839 A CN 110119839A CN 201910333608 A CN201910333608 A CN 201910333608A CN 110119839 A CN110119839 A CN 110119839A
- Authority
- CN
- China
- Prior art keywords
- time
- rescue
- path
- road
- traffic
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000007726 management method Methods 0.000 title claims abstract description 70
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000009792 diffusion process Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 241000544061 Cuculus canorus Species 0.000 claims description 3
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 3
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 3
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 abstract 1
- 230000003068 static effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市道路交通事故应急救援路径规划方法,包括步骤:1)生成城市路网拓扑结构图,获取交通流数据以及救援起终点信息;2),分析城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标;3)构建定时协同进化路径规划的基本框架,系统说明定时协同进化路径规划的优化原理;4)结合城市道路车辆运行特性,设计合适的求解算法;5)明确城市路网实际交通环境中不确定性因素的计算方法;6)通过计算机编程,输出救援路径规划结果。本发明可解决城市道路应急救援路径规划问题。
Description
技术领域
本发明涉及城市道路交通事故应急救援路径规划最优性与稳定性的技术领域,尤其是指一种城市道路交通事故应急救援路径规划方法。
背景技术
应急救援是阻止城市道路交通事故影响进一步恶化、保障受伤人员生命安全的关键手段。据世界卫生组织报道,全球每年因道路交通事故受伤的人数为3000万~5000万,其中受伤致死人数约为120万,即平均每天死亡3300人,且今后20年伤亡人数将增加65%左右。交通事故的频发与受伤人数的剧增迫使应急效率亟待进一步提高以控制受伤人员伤势、抑制事故的二次发生及疏导事故引起的交通拥堵。事实上,应急救援效率与救援时间高度相关,即救援时间越长救援效率越低。救援时间由救援响应时间与救援行程时间组成,其大小取决于救援路径规划,因此应急救援效率的快慢主要受救援路径规划方法的限制。由此可知,应急救援路径规划对于控制交通事故致因的拥堵范围与严重性、挽救受伤人员生命以及提高交通运行安全性具有重要的现实意义。
目前,国内外已有路径规划研究总体上分为静态路径规划与动态路径规划两大类。静态路径规划作为重要的路径规划理论基础,主要是在静态路网上寻找最短路。大量基于特定搜索规则的方法用于解决静态路径规划问题,例如广度优先搜索、深度优先搜索及最佳优先搜索,其中A*算法与Dijkstra算法因其良好的适应性与优化性能被广泛应用。事实上,路径规划往往受到城市路网中多种时变因素的影响,例如:自然灾害、信号控制、交通拥堵与其他不确定性因素。为了更好的描述实际路网交通环境的变化,大量关于动态路径规划的研究随之涌现,其中基于在线优化方法成为目前有效处理动态路径规划时变特性的主流研究。
为了描述路网交通状态的时变性,现有基于在线优化方法的研究常把动态路径规划看作是随时间变化的静态路径规划集合。在线优化方法根据每个时刻的静态路网交通状态快速地寻找最优路径,并在行进过程中实时更新修正最优路径。总而言之,基于在线优化方法的研究的核心思想是根据当前时刻路网交通状态快速且有效地寻找从当前位置到终点的最优路径。事实上,车辆按照在线优化方法匹配得到的实时路径行驶,其实际行驶路径轨迹往往与最优结果相差甚远。其主要原因在于忽视了前后时刻路网交通状态变化的关联性与可预测性,把动态交通环境下的路径规划问题简单地分割为多个静态路径规划子问题进行求解。在现实应用中,在线优化方法的路径规划过程具有显著的时滞性,无法提前绕开即将出现的拥堵区域,增加了救援行程时间。另一方面,由于在线优化方法无法预知拥堵区域的消散趋势,容易采取行程时间更长的绕路决策,进一步加大了救援行程时间。
鉴于此,为了降低城市动态交通环境下应急救援时间并提高其可靠性,本发明提出了一种定时协同进化路径规划方法以解决应急救援路径规划问题,即在对城市路网交通状态预测信息的基础上,将路径规划过程与动态交通环境的演变协同进行,以规划出所需行程时间最短的路径。其次,在救援车辆行进过程中,每隔一段时间根据路网交通状态最新演变趋势重新预测路网交通流信息,并规划最优路径,以降低路网交通状态的预测误差。最后,引入了一种改进的波纹扩散算法以实现协同优化进程。本发明不仅能够根据城市路网交通状态预测信息快速地规划出行程时间最短的救援路径,更可以应用于其他应急救援场景,即城市道路交通事故应急救援路径规划与其他场景应急救援路径规划均在本发明研究范围内,可为应急救援路径规划提供参考与支持。
发明内容
本发明的目的在于克服现有技术的缺点和不足,提出了一种城市道路交通事故应急救援路径规划方法,基于城市路网交通状态的未来动态演变预测信息进行协同规划最优路径,以有效降低救援行程时间。同时,每隔一定的时间步长获取路网交通状态最新数据,以重新预测路网交通流信息并调整规划路径,减少路网环境预测误差,从而全面提升应急救援工作的效率以及可靠性。
为实现上述目的,本发明所提供的技术方案为:一种城市道路交通事故应急救援路径规划方法,包括以下步骤:
1)生成城市路网拓扑结构图,获取城市路网结构信息、城市路网实时交通流数据、城市路网短时交通流预测数据、救援起点与终点位置信息;
2)确定应急救援路径规划评价指标,分析城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标,以合理评估路径规划方法的优化性能;
3)构建定时协同进化路径规划的基本框架,在预测城市路网交通状态信息的基础上,路径规划进程与动态交通环境的演变协同进行,以时间单元为导向,寻找从当前救援起点至救援终点的目标函数最优路径,同时,通过设置固定时间步长获取路网交通状态最新数据,以重新预测路网未来短时交通流信息,并重新规划救援路径;
4)算法设计,结合城市道路车辆运行特性,引入波纹扩散算法并改进其波纹接力赛的运行形式,以实现定时协同进化路径规划方法;
5)不确定性计算,分析城市路网实际交通环境中可能出现的不确定性因素,给出不确定性因素的定义及通用计算方法,为评估救援路径可靠性提供数据支撑;
6)通过计算机编程,输出救援路径规划结果。
在步骤1)中,所述城市路网结构信息包括城市路网交叉口邻接信息和路段长度信息,能够从城市规划设计方案获取城市路网结构信息资料;所述城市路网实时交通流数据包括城市路网各路段车辆平均行驶速度以及交叉口通行平均延误的实时信息,能够从城市道路交通指挥中心获取城市路网实时交通流数据;所述城市路网短时交通流预测数据指的是城市路网各路段车辆平均行驶速度和交叉口通行平均延误的预测信息,基于路网交通流历史数据预测得到;所述救援起点与终点位置信息包括救援起点的地理位置和救援终点的地理位置,能够从应急救援方案中获取。
在步骤2)中,根据城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标,具体如下:
城市道路应急救援特性:应急救援是阻止城市道路交通事故影响进一步恶化、保障受伤人员生命安全的关键手段,由此可知,应急救援第一要义是尽可能缩短救援时间,即迅速到达救援现场,讲究应急救援效率的提升,而非降低应急救援成本,而应急救援效率的高低主要受救援路径行程时间的限制;
其次,由于城市道路交通环境的动态变化,尤其是高峰期交通流演变剧烈,极容易干扰救援路径的规划,使得救援车辆无法按时到达,因此,应急救援的次要目标是按时到达救援终点,讲究应急救援路径的可靠性,避免产生冗余的行程延误,错失最佳救援时机。
评价指标选取:路径规划方法的评估需要结合应急救援的需求,根据上面所述,救援路径规划方法的评价指标应以路径行程时间最小,路径行程时间可靠性最大为核心,即行程时间及其可靠性,在此用T表示路径行程时间,用T85%反映行程时间可靠性,其中T85%为所有路径行程时间的85分位数,即85%的路径行程时间小于该值。
在步骤3)中,根据城市路网交通状态预测信息,研究定时协同进化路径规划方法基本原理及数学描述,具体如下:
定时协同进化路径规划的基本原理是以当前位置作为新的起点,通过路网历史交通流数据预测当前时刻之后未来的路网交通流状态,在此基础上路径规划子过程与路网交通状态演变协同进行以规划出最优路径,同时,设置固定时间步长为Ntim,每隔Ntim个时间单元更新路网交通流数据库以校正路网交通流预测信息,并重新协同规划最优路径直至车辆到达终点位置;
数学描述:目前城市道路交通事故应急救援工作是由负责该管辖范围的救援部门响应,并以其位置为起点调度车辆沿规划路径前往现场进行救援,定时协同进化路径规划方法是以救援行程时间最小化为目标函数;
minT=F(Oj,L(Pt *)) (1)
式中,Pt *为t时刻输出的最优路径;Oj为救援起点;L(Pt *)表示路径Pt *包含的节点数;目标函数T表示车辆沿优化路径Pt *行驶的救援行程时间;F(Oj,L(Pt *))是从起点Oj沿路径Pt *的时间成本函数,单位为分钟;
目标函数满足以下约束条件:
At+k|t(Pt *(i),Pt *(i+1))=1,k≥0 (2)
式中,Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *的第i个节点;Oj为救援起点;At+k|t(Pt *(i),Pt *(i+1))表示在时间t预测的时间t+k时节点Pt *(i)与节点Pt *(i+1)之间的连通状态,其中1表示连通,0表示不连通;表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点的平均延误,单位为分钟;Pt *(i+1))表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点与第i+1个节点之间路段的行程时间,单位为分钟;Fc(Oj,Pt *(1))表示从起点Oj至节点Pt *(1)的时间成本,单位为分钟;
由上述可知,式(2)至式(4)清晰地表明了在车辆沿路径Pt *行驶过程中子路径的连通性与时间成本都是随时间协同变化的,而其它路径规划方法忽略了这一点,子路径在时间t+k时路网连通状态、节点平均延误与路段平均车速的预测信息是由动态交通环境迭代演变而来,由此总结出通用的交通环境演变函数,见式(5):
式中,At+k|t表示在时间t预测的时间t+k时路网各节点的连通矩阵;表示在时间t预测的时间t+k时车辆通过路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数。
在步骤4)中,根据城市道路车辆运行特性,引入波纹扩散算法并改进其波纹接力赛的运行形式,具体如下:
a、城市道路车辆运行特性
①交通流时空异质性:城市道路交通流随时间演变更加剧烈,且交通流在空间上的分布也存在非均衡性,因此,为贴近实际应用,救援路径规划应考虑交通流在时间与空间分布上的异质性;
②信号控制限流因素:车辆在城市道路运行过程中,受到信号控制交叉口的限制,往往需要停车排队通行,导致路段交通流状态的波动幅度与频率进一步扩大,故路径规划应考虑信号控制限流对车辆运行的影响;
③路网交通流数据量大:由于城市路网路段与交叉口数量众多,车辆保有量大,使得路网交通流数据的获取与预测均需占用大量存储空间,事实上,在进行路径规划时往往仅需要获取部分路网的交通流状态,或者仅需预测邻近路网未来某一时段的交通流状态。因此,为了进一步降低计算机计算负荷,提高存储资源的使用效率,在进行路径规划仅获取局部路网的交通流数据,并仅预测短时间内可能行驶的路网交通状态,停止获取或预测远离起终点之间区域的路网交通状态信息;
b、纹扩散算法核心思想
波纹扩散算法求解最优路径的核心思想在于波纹接力赛,波纹接力赛从起始点开始传播初始波纹,并在波纹到达终点时终止波纹接力赛,在波纹接力赛中,当波纹达到未激活的节点时将直接激活该节点产生新的波纹,并以此类推,不同扩散速度的波纹互相竞争赶往终点,第一个到达终点的波纹决定了从起点到终点的最短路径,并通过回溯逆推方法获取已遍历节点的路径编号,由于定时协同进化路径规划方法是以时间单元导向随着路网交通环境变化协同优化的过程,而波纹扩散算法的波纹扩散过程同样是由时间单元导向进行扩散寻优的,这样就能够很好实现定时协同进化路径规划方法的协同优化性能;
c、数学描述
为了简化问题描述但又不失一般性,假设整个路网有N个节点,波纹的源点与终点总是分别为节点1与节点N,在波纹接力赛中,节点i最多只有1个波纹,记为波纹i,但波纹i最多能够同时分裂为4个不同方向、速度与半径的弧段,即表示节点i最多与4个节点邻接;令SR(i)表示节点i的波纹状态,其中SR(i)=0,1,2,3分别代表节点i的波纹处于未访问、等待、激活、死亡状态;设rR(i)表示波纹i中各方向弧段半径集合,rR(i,j)表示波纹i沿节点i至节点j方向传播的弧段半径,且有rR(i,j)∈rR(i),i≠j;St+k|t(i)表示预测时间t+k|t内波纹i各弧段的扩散速度集合,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度,且有St+k|t(i,j)∈St+k|t(i);不难看出,St+k|t(i)与rR(i)是相互对应、相互依存的,都是针对同一弧段不同特性的描述变量;设FR(i)表示激活节点i的波纹节点编号,记录激活节点i的上一个节点编号,是路径回溯的核心依据;若FR(i)=0代表节点i尚未被激活,FR(i)=j>0表示节点i被节点j激活;当波纹接力赛终止后,能够由FR(N)回溯推导出最优路径,其回溯公式为:
式中,Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *中的第i个节点;
为了贴近实际与目标函数最优化,扩散速度矩阵St+k|t是实际路网中预测时间t+k|t的路段平均行驶速度,且扩散速度矩阵St+k|t与时间单元tunit应满足式(7),用路网路段扩散速度矩阵St+k|t表征路段行程时间成本矩阵的变化;
0<St+k|t(i,j)×tunit≤Lmin (7)
式中,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度;Lmin是所有路段中最短路段的长度,单位为米;tunit是时间单元长度,单位为分钟。
在步骤5)中,分析城市路网实际交通环境中可能出现的不确定性因素,给出不确定性因素的定义及通用计算方法,包括以下步骤:
5.1)路网交通环境不确定性的定义:尽管城市动态交通环境具有一定的可预测性,但是在利用其可预测的特点规划最优路径的同时也带来了不确定性;在路网交通状态预测信息中,路网交通环境的不确定性表现为预测误差,现有大部分基于多种智能算法的短时交通流预测方法的预测精度能达到90%以上,有马尔科夫、遗传算法、BP神经网络、Logistic回归及布谷鸟算法,但仍然不能够做到100%精准预测,且预测误差会随着时间不断累积;换而言之,在预测路网交通状态时总是存在预测误差,使得路径规划方法的行程时间可靠性降低,难以达到实际最优效果;在此,用式(8)描述路网各路段、节点信息的预测误差:
式中,表示在时间t预测的时间t+k时车辆通过路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差,是由t时刻路网历史交通数据预测并随时间累积产生的,体现为St+k|t的预测误差,故有:
5.2)路网交通环境不确定性的常用计算方法:与交通流类似的是,预测误差在空间分布上同样具有异质性,且会随时间变化而不断累积,即预测时间跨度越大,预测误差越大,在此给出预测误差的通用计算方法:
vt+k|t(i,j)=vt+k(i,j)±ε(t+k) (10)
式中,vt+k|t(i,j)表示在时间t预测的时间单元t+k时路段(i,j)的平均速度;vt+k(i,j)表示时间单元t+k时路段(i,j)的实际平均速度;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差;表示平均速度预测误差的时间累积速率,反映预测误差随时间单元的增加而不断累积;β表示平均速度预测误差在空间分布上的固有差异。
本发明与现有技术相比,具有如下优点与有益效果:
1、提出的城市道路交通事故应急救援路径规划方法,具有协同进化特性的优势,可以提前预知路网交通状态的变化,有效避开即将出现的拥堵区域,能够有效缩短救援路径行程时间,有利于提高应急救援效率,降低应急救援时间,使得救援车辆快速到达事故现场。
2、可与短时交通流预测方法相结合,在预测路网交通环境上进行路径规划,减少对实时路网交通状态数据的依赖性,可以应用于数据更新周期较长或部分数据缺失的城市路网。
3、本发明具有局部并行计算的优势,可以有效提高计算机存储效率,减少计算负荷,使其能够快速求解最优救援路径,缩短应急救援响应时间。
4、本发明具有定时重新优化的优势,大幅度增加了城市路网交通环境不确定性因素的影响,能够有效降低各种不确定性对路径规划的干扰,输出的救援路径行程时间更短、更可靠,使得救援车辆能够按时到达救援现场。
5、利用定时重新优化的特性,相比其他实时重新优化的方法更加高效,能够避免错误绕路决策的同时,减少运行算法的次数,降低最优路径计算时间。
6、根据本发明步骤进行编程后,形成系统的计算方法,相比现有路径规划方法可操作性更强,对提高城市道路应急救援效率与可靠性具有重要的理论意义和社会价值。
附图说明
图1为本发明方法的建模流程框架图。
图2为本发明仿真路网结构示意图。
图3为本发明定时协同进化路径规划基本原理框架图。
图4为本发明定时协同进化路径规划方法运行示意图。
图5为本发明波纹扩散算法基本原理框架图。
图6为本发明波纹接力赛运行示意图。
图7为本发明路网交通拥堵区域演变示意图。
图8为本发明在线优化方法输出的路径结果示意图。
图9为本发明定时协同进化方法输出的路径结果示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本发明所提供的城市道路交通事故应急救援路径规划方法,包括以下步骤:
1)生成城市路网拓扑结构图,获取城市路网结构信息、城市路网实时交通流数据、城市路网短时交通流预测数据、救援起点与终点位置信息等。
所述城市路网结构信息包括城市路网交叉口邻接信息、路段长度信息,可从城市规划设计方案获取城市路网结构信息资料;所述城市路网实时交通流数据包括城市路网各路段车辆平均行驶速度以及交叉口通行平均延误的实时信息,可从城市道路交通指挥中心获取城市路网实时交通流数据;所述城市路网短时交通流预测数据指的是城市路网各路段车辆平均行驶速度和交叉口通行平均延误的预测信息,可基于路网交通流历史数据预测得到;所述救援起点与终点位置信息包括救援起点的地理位置、救援终点的地理位置,可从应急救援方案中获取。
城市路网结构信息为:路网节点规模为N=400,路网中每个节点最多与4个节点相连,节点间最小距离为150m,详细路网结构如图2所示。
城市路网实时交通流数据为:路网所有路段实际平均速度vt+k|t(i,j)初始数值生成服从正态分布函数,即vt+k|t(i,j)~N(30,10)且0≤vt+k|t≤60,单位为km/h;路段(i,j)平均速度变化量服从均匀分布,则有k≥0,令路网交叉口车辆平均延误同样服从均匀分布,即单位为s。
城市路网短时交通流预测数据为:在实际路网交通流数据的基础上加上预测误差,即vt+k|t(i,j)=vt+k(i,j)±ε(t+k),令β=[0.05,0.1]。
救援起点与终点位置信息为:设路网左下角顶点为原始救援起点,路网右上角顶点为救援终点;
2)确定应急救援路径规划评价指标。分析城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标,以合理评估路径规划方法的优化性能。
城市道路应急救援特性。应急救援是阻止城市道路交通事故影响进一步恶化、保障受伤人员生命安全的关键手段。由此可知,应急救援第一要义是尽可能缩短救援时间,即迅速到达救援现场,讲究应急救援效率的提升,而非降低应急救援成本,而应急救援效率的高低主要受救援路径行程时间的限制。
其次,由于城市道路交通环境的动态变化,尤其是高峰期交通流演变剧烈,极容易干扰救援路径的规划,使得救援车辆无法按时到达。因此,应急救援的次要目标是按时到达救援终点,讲究应急救援路径的可靠性,避免产生冗余的行程延误,错失最佳救援时机。
路径规划方法的评估需要结合应急救援的需求,根据上面所述,救援路径规划方法的评价指标应以路径行程时间最小,路径行程时间可靠性最大为核心,即行程时间及其可靠性。在此用T表示路径行程时间,用T85%反映行程时间可靠性,其中T85%为所有路径行程时间的85分位数,即85%的路径行程时间小于该值。
3)定时协同进化路径规划方法基本原理及优化流程实现。根据城市路网交通状态预测信息,研究定时协同进化路径规划方法基本原理,其基本原理框架如图3所示,优化流程如图4所示,其中,令每个时间单元tunit为1min,定时优化步长Ntim=5min,表示每隔5min重新规划一次路径。
构建定时协同进化路径规划的基本框架。在预测城市路网交通状态信息的基础上,路径规划进程与动态交通环境的演变协同进行,以时间单元为导向,寻找从当前救援起点至救援终点的目标函数最优路径。同时,通过设置固定时间步长获取路网交通状态最新数据,以重新预测路网未来短时交通流信息,并重新规划救援路径。
定时协同进化路径规划的基本原理是以当前位置作为新的起点,通过路网历史交通流数据预测当前时刻之后未来的路网交通流状态,在此基础上路径规划子过程与路网交通状态演变协同进行以规划出最优路径。同时,设置固定时间步长为Ntim,每隔Ntim个时间单元更新路网交通流数据库以校正路网交通流预测信息,并重新协同规划最优路径直至车辆到达终点位置。
目前城市道路交通事故应急救援工作是由负责该管辖范围的救援部门响应,并以其位置为起点调度车辆沿规划路径前往现场进行救援。本发明的定时协同进化路径规划方法是以救援行程时间最小化为目标函数。
minT=F(Oj,L(Pt *)) (1)
式中:Pt *为t时刻输出的最优路径;Oj为救援起点;L(Pt *)表示路径Pt *包含的节点数;目标函数T表示车辆沿优化路径Pt *行驶的救援行程时间;F(Oj,L(Pt *))是从起点Oj沿路径Pt *的时间成本函数,单位为分钟。
目标函数满足以下约束条件:
At+k|t(Pt *(i),Pt *(i+1))=1,k≥0 (2)
式中:Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *的第i个节点;Oj为救援起点;At+k|t(Pt *(i),Pt *(i+1))表示在时间t预测的时间t+k时节点Pt *(i)与节点Pt *(i+1)之间的连通状态,其中1表示连通,0表示不连通;表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点的平均延误,单位为分钟;Pt *(i+1))表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点与第i+1个节点之间路段的行程时间,单位为分钟;Fc(Oj,Pt *(1))表示从起点Oj至节点Pt *(1)的时间成本,单位为分钟。
由上述可知,式(2)至式(4)清晰地表明了在车辆沿路径Pt *行驶过程中子路径的连通性与时间成本都是随时间协同变化的,而其他路径规划方法忽略了这一点。子路径在时间t+k时路网连通状态、节点平均延误与路段平均车速的预测信息是由动态交通环境迭代演变而来,由此总结出通用的交通环境演变函数,见式(5):
式中,At+k|t表示在时间t预测的时间t+k时路网各节点的连通矩阵;表示在时间t预测的时间t+k时路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数。
4)算法设计。根据城市道路车辆运行特性,引入波纹扩散算法,其基本原理如图5所示,其波纹接力赛改进后的运行形式如图6所示。
a、城市道路车辆运行特性。
①交通流时空异质性。城市道路交通流随时间演变更加剧烈,且交通流在空间上的分布也存在非均衡性。因此,为贴近实际应用,救援路径规划应考虑交通流在时间与空间分布上的异质性。
②信号控制限流因素。车辆在城市道路运行过程中,受到信号控制交叉口的限制,往往需要停车排队通行,导致路段交通流状态的波动幅度与频率进一步扩大,故路径规划应考虑信号控制限流对车辆运行的影响。
③路网交通流数据量巨大。由于城市路网路段与交叉口数量众多,车辆保有量庞大,使得路网交通流数据的获取与预测均需占用大量存储空间。事实上,在进行路径规划时往往仅需要获取部分路网的交通流状态,或者仅需预测邻近路网未来某一时段的交通流状态。因此,为了进一步降低计算机计算负荷,提高存储资源的使用效率,在进行路径规划仅获取局部路网的交通流数据。并仅预测短时间内可能行驶的路网交通状态,停止获取或预测远离起终点之间区域的路网交通状态信息。
b、波纹扩散算法核心思想。波纹扩散算法求解最优路径的核心思想在于波纹接力赛,波纹接力赛从起始点开始传播初始波纹,并在波纹到达终点时终止波纹接力赛。在波纹接力赛中,当波纹达到未激活的节点时将直接激活该节点产生新的波纹,并以此类推,不同扩散速度的波纹互相竞争赶往终点。第一个到达终点的波纹决定了从起点到终点的最短路径,并通过回溯逆推方法获取已遍历节点的路径编号。由于定时协同进化路径规划方法是以时间单元导向随着路网交通环境变化协同优化的过程,而波纹扩散算法的波纹扩散过程同样是由时间单元导向进行扩散寻优的,可以很好实现定时协同进化路径规划方法的协同优化性能。
c、数学描述。为了简化问题描述但又不失一般性,假设整个路网有N个节点,波纹的源点与终点总是分别为节点1与节点N。在波纹接力赛中,节点i最多只有1个波纹,记为波纹i,但波纹i最多可同时分裂为4个不同方向、速度与半径的弧段,即表示节点i最多与4个节点邻接。令SR(i)表示节点i的波纹状态,其中SR(i)=0,1,2,3分别代表节点i的波纹处于未访问、等待、激活、死亡状态。设rR(i)表示波纹i中各方向弧段半径集合,rR(i,j)表示波纹i沿节点i至节点j方向传播的弧段半径,且有rR(i,j)∈rR(i),i≠j。St+k|t(i)表示预测时间t+k|t内波纹i各弧段的扩散速度集合,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度,且有St+k|t(i,j)∈St+k|t(i)。不难看出,St+k|t(i)与rR(i)是相互对应、相互依存的,都是针对同一弧段不同特性的描述变量。设FR(i)表示激活节点i的波纹节点编号,记录激活节点i的上一个节点编号,是路径回溯的核心依据。若FR(i)=0代表节点i尚未被激活,FR(i)=j>0表示节点i被节点j激活。当波纹接力赛终止后,可由FR(N)回溯推导出最优路径,其回溯公式为:
式中,Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *中的第i个节点。
为了贴近实际与目标函数最优化,扩散速度St+k|t是实际路网中预测时间t+k|t的路段平均行驶速度,且扩散速度St+k|t与时间单元tunit应满足式(7)。用路网路段扩散速度St+k|t表征路段行程时间成本矩阵的变化。
0<St+k|t(i,j)×tunit≤Lmin (7)
式中,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度;Lmin是所有路段中最短路段的长度,单位为米;tunit是时间单元长度,单位为分钟。
5)不确定性计算。分析城市路网实际交通环境中可能出现的不确定性因素,给出不确定性因素的定义及通用计算方法,为评估救援路径可靠性提供数据支撑。城市路网实际交通环境中可能出现的不确定性因素如图7所示,不确定性的计算方法为:
vt+k|t(i,j)=vt+k(i,j)±ε(t+k)
式中,β=[0.05,0.1]。
路网交通环境不确定性的定义。尽管城市动态交通环境具有一定的可预测性,但是在利用其可预测的特点规划最优路径的同时也带来了不确定性。在路网交通状态预测信息中,路网交通环境的不确定性表现为预测误差。现有大部分基于多种智能算法的短时交通流预测方法的预测精度能达到90%以上,如马尔科夫、遗传算法、BP神经网络、Logistic回归及布谷鸟算法等,但仍然不能够做到100%精准预测,且预测误差会随着时间不断累积。换而言之,在预测路网交通状态时总是存在预测误差,使得路径规划方法的行程时间可靠性降低,难以达到实际最优效果。在此,用式(8)描述路网各路段、节点信息的预测误差:
式中,表示在时间t预测的时间t+k时车辆通过路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差,是由t时刻路网历史交通数据预测并随时间累积产生的,体现为St+k|t的预测误差,故有:
路网交通环境不确定性的常用计算方法。与交通流类似的是,预测误差在空间分布上同样具有异质性,且会随时间变化而不断累积,即预测时间跨度越大,预测误差越大,在此给出预测误差的通用计算方法:
vt+k|t(i,j)=vt+k(i,j)±ε(t+k) (10)
式中,vt+k|t(i,j)表示在时间t预测的未来时间单元t+k时路段(i,j)的平均速度;vt+k(i,j)表示时间单元t+k时路段(i,j)的实际平均速度;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差;表示平均速度预测误差的时间累积速率,反映预测误差随时间单元的增加而不断累积;β表示平均速度预测误差在空间分布上的固有差异。
6)对比结果输出。通过计算机编程,分别输出定时协同优化方法与在线优化方法100次路径规划结果。在线优化方法输出路径如图8所示,定时协同优化方法输出路径如图9所示,无不确定性情况下输出路径规划结果如表1所示:
表1无不确定性情况下的行程时间平均值
方法 | 行程时间T(min) |
在线优化方法 | 79.78 |
定时协同优化方法 | 55.38 |
由表1可知,定时协同优化方法的行程时间比在线优化方法的小30.58%。所有不确定性组合情况下定时协同优化方法输出的TT85%结果如表2所示。
表2定时协同优化方法TT85%结果(单位:min)
如表2所示,在所有不确定性组合中,定时协同优化方法TT85%的最大值为60.03min,仍比在线优化方法的行程时间小24.76%。实验结果表明基于路网交通状态预测信息的定时协同优化方法能够稳定输出行程时间更小的救援路径,其性能优于在线优化方法,在实际应用中具有较强的可行性。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (6)
1.一种城市道路交通事故应急救援路径规划方法,其特征在于,包括以下步骤:
1)生成城市路网拓扑结构图,获取城市路网结构信息、城市路网实时交通流数据、城市路网短时交通流预测数据、救援起点与终点位置信息;
2)确定应急救援路径规划评价指标,分析城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标,以合理评估路径规划方法的优化性能;
3)构建定时协同进化路径规划的基本框架,在预测城市路网交通状态信息的基础上,路径规划进程与动态交通环境的演变协同进行,以时间单元为导向,寻找从当前救援起点至救援终点的目标函数最优路径,同时,通过设置固定时间步长获取路网交通状态最新数据,以重新预测路网未来短时交通流信息,并重新规划救援路径;
4)算法设计,结合城市道路车辆运行特性,引入波纹扩散算法并改进其波纹接力赛的运行形式,以实现定时协同进化路径规划方法;
5)不确定性计算,分析城市路网实际交通环境中可能出现的不确定性因素,给出不确定性因素的定义及通用计算方法,为评估救援路径可靠性提供数据支撑;
6)通过计算机编程,输出救援路径规划结果。
2.根据权利要求1所述的一种城市道路交通事故应急救援路径规划方法,其特征在于:在步骤1)中,所述城市路网结构信息包括城市路网交叉口邻接信息和路段长度信息,能够从城市规划设计方案获取城市路网结构信息资料;所述城市路网实时交通流数据包括城市路网各路段车辆平均行驶速度以及交叉口通行平均延误的实时信息,能够从城市道路交通指挥中心获取城市路网实时交通流数据;所述城市路网短时交通流预测数据指的是城市路网各路段车辆平均行驶速度和交叉口通行平均延误的预测信息,基于路网交通流历史数据预测得到;所述救援起点与终点位置信息包括救援起点的地理位置和救援终点的地理位置,能够从应急救援方案中获取。
3.根据权利要求1所述的一种城市道路交通事故应急救援路径规划方法,其特征在于:在步骤2)中,根据城市道路交通事故应急救援特性,选取合适的救援路径规划方法评价指标,具体如下:
城市道路应急救援特性:应急救援是阻止城市道路交通事故影响进一步恶化、保障受伤人员生命安全的关键手段,由此可知,应急救援第一要义是尽可能缩短救援时间,即迅速到达救援现场,讲究应急救援效率的提升,而非降低应急救援成本,而应急救援效率的高低主要受救援路径行程时间的限制;
其次,由于城市道路交通环境的动态变化,尤其是高峰期交通流演变剧烈,极容易干扰救援路径的规划,使得救援车辆无法按时到达,因此,应急救援的次要目标是按时到达救援终点,讲究应急救援路径的可靠性,避免产生冗余的行程延误,错失最佳救援时机。
评价指标选取:路径规划方法的评估需要结合应急救援的需求,根据上面所述,救援路径规划方法的评价指标应以路径行程时间最小,路径行程时间可靠性最大为核心,即行程时间及其可靠性,在此用T表示路径行程时间,用T85%反映行程时间可靠性,其中T85%为所有路径行程时间的85分位数,即85%的路径行程时间小于该值。
4.根据权利要求1所述的一种城市道路交通事故应急救援路径规划方法,其特征在于:在步骤3)中,根据城市路网交通状态预测信息,研究定时协同进化路径规划方法基本原理及数学描述,具体如下:
定时协同进化路径规划的基本原理是以当前位置作为新的起点,通过路网历史交通流数据预测当前时刻之后未来的路网交通流状态,在此基础上路径规划子过程与路网交通状态演变协同进行以规划出最优路径,同时,设置固定时间步长为Ntim,每隔Ntim个时间单元更新路网交通流数据库以校正路网交通流预测信息,并重新协同规划最优路径直至车辆到达终点位置;
数学描述:目前城市道路交通事故应急救援工作是由负责该管辖范围的救援部门响应,并以其位置为起点调度车辆沿规划路径前往现场进行救援,定时协同进化路径规划方法是以救援行程时间最小化为目标函数;
minT=F(Oj,L(Pt *)) (1)
式中,Pt *为t时刻输出的最优路径;Oj为救援起点;L(Pt *)表示路径Pt *包含的节点数;目标函数T表示车辆沿优化路径Pt *行驶的救援行程时间;F(Oj,L(Pt *))是从起点Oj沿路径Pt *的时间成本函数,单位为分钟;
目标函数满足以下约束条件:
At+k|t(Pt *(i),Pt *(i+1))=1,k≥0 (2)
式中,Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *的第i个节点;Oj为救援起点;At+k|t(Pt *(i),Pt *(i+1))表示在时间t预测的时间t+k时节点Pt *(i)与节点Pt *(i+1)之间的连通状态,其中1表示连通,0表示不连通;表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点的平均延误,单位为分钟;表示在时间t预测的时间t+k时车辆通过路径Pt *第i个节点与第i+1个节点之间路段的行程时间,单位为分钟;Fc(Oj,Pt *(1))表示从起点Oj至节点Pt *(1)的时间成本,单位为分钟;
由上述可知,式(2)至式(4)清晰地表明了在车辆沿路径Pt *行驶过程中子路径的连通性与时间成本都是随时间协同变化的,而其它路径规划方法忽略了这一点,子路径在时间t+k时路网连通状态、节点平均延误与路段平均车速的预测信息是由动态交通环境迭代演变而来,由此总结出通用的交通环境演变函数,见式(5):
式中,At+k|t表示在时间t预测的时间t+k时路网各节点的连通矩阵;表示在时间t预测的时间t+k时车辆通过路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数。
5.根据权利要求1所述的一种城市道路交通事故应急救援路径规划方法,其特征在于:在步骤4)中,根据城市道路车辆运行特性,引入波纹扩散算法并改进其波纹接力赛的运行形式,具体如下:
a、城市道路车辆运行特性
①交通流时空异质性:城市道路交通流随时间演变更加剧烈,且交通流在空间上的分布也存在非均衡性,因此,为贴近实际应用,救援路径规划应考虑交通流在时间与空间分布上的异质性;
②信号控制限流因素:车辆在城市道路运行过程中,受到信号控制交叉口的限制,往往需要停车排队通行,导致路段交通流状态的波动幅度与频率进一步扩大,故路径规划应考虑信号控制限流对车辆运行的影响;
③路网交通流数据量大:由于城市路网路段与交叉口数量众多,车辆保有量大,使得路网交通流数据的获取与预测均需占用大量存储空间,事实上,在进行路径规划时往往仅需要获取部分路网的交通流状态,或者仅需预测邻近路网未来某一时段的交通流状态。因此,为了进一步降低计算机计算负荷,提高存储资源的使用效率,在进行路径规划仅获取局部路网的交通流数据,并仅预测短时间内可能行驶的路网交通状态,停止获取或预测远离起终点之间区域的路网交通状态信息;
b、纹扩散算法核心思想
波纹扩散算法求解最优路径的核心思想在于波纹接力赛,波纹接力赛从起始点开始传播初始波纹,并在波纹到达终点时终止波纹接力赛,在波纹接力赛中,当波纹达到未激活的节点时将直接激活该节点产生新的波纹,并以此类推,不同扩散速度的波纹互相竞争赶往终点,第一个到达终点的波纹决定了从起点到终点的最短路径,并通过回溯逆推方法获取已遍历节点的路径编号,由于定时协同进化路径规划方法是以时间单元导向随着路网交通环境变化协同优化的过程,而波纹扩散算法的波纹扩散过程同样是由时间单元导向进行扩散寻优的,这样就能够很好实现定时协同进化路径规划方法的协同优化性能;
c、数学描述
为了简化问题描述但又不失一般性,假设整个路网有N个节点,波纹的源点与终点总是分别为节点1与节点N,在波纹接力赛中,节点i最多只有1个波纹,记为波纹i,但波纹i最多能够同时分裂为4个不同方向、速度与半径的弧段,即表示节点i最多与4个节点邻接;令SR(i)表示节点i的波纹状态,其中SR(i)=0,1,2,3分别代表节点i的波纹处于未访问、等待、激活、死亡状态;设rR(i)表示波纹i中各方向弧段半径集合,rR(i,j)表示波纹i沿节点i至节点j方向传播的弧段半径,且有rR(i,j)∈rR(i),i≠j;St+k|t(i)表示预测时间t+k|t内波纹i各弧段的扩散速度集合,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度,且有St+k|t(i,j)∈St+k|t(i);不难看出,St+k|t(i)与rR(i)是相互对应、相互依存的,都是针对同一弧段不同特性的描述变量;设FR(i)表示激活节点i的波纹节点编号,记录激活节点i的上一个节点编号,是路径回溯的核心依据;若FR(i)=0代表节点i尚未被激活,FR(i)=j>0表示节点i被节点j激活;当波纹接力赛终止后,能够由FR(N)回溯推导出最优路径,其回溯公式为:
式中,Pt *为t时刻输出的最优路径;L(Pt *)表示路径Pt *包含的节点数;Pt *(i)表示路径Pt *中的第i个节点;
为了贴近实际与目标函数最优化,扩散速度矩阵St+k|t是实际路网中预测时间t+k|t的路段平均行驶速度,且扩散速度矩阵St+k|t与时间单元tunit应满足式(7),用路网路段扩散速度矩阵St+k|t表征路段行程时间成本矩阵的变化;
0<St+k|t(i,j)×tunit≤Lmin (7)
式中,St+k|t(i,j)表示预测时间t+k|t内波纹i沿节点i至节点j方向扩散的弧段速度;Lmin是所有路段中最短路段的长度,单位为米;tunit是时间单元长度,单位为分钟。
6.根据权利要求1所述的一种城市道路交通事故应急救援路径规划方法,其特征在于:在步骤5)中,分析城市路网实际交通环境中可能出现的不确定性因素,给出不确定性因素的定义及通用计算方法,包括以下步骤:
5.1)路网交通环境不确定性的定义:尽管城市动态交通环境具有一定的可预测性,但是在利用其可预测的特点规划最优路径的同时也带来了不确定性;在路网交通状态预测信息中,路网交通环境的不确定性表现为预测误差,现有大部分基于多种智能算法的短时交通流预测方法的预测精度能达到90%以上,有马尔科夫、遗传算法、BP神经网络、Logistic回归及布谷鸟算法,但仍然不能够做到100%精准预测,且预测误差会随着时间不断累积;换而言之,在预测路网交通状态时总是存在预测误差,使得路径规划方法的行程时间可靠性降低,难以达到实际最优效果;在此,用式(8)描述路网各路段、节点信息的预测误差:
式中,表示在时间t预测的时间t+k时车辆通过路网各节点的平均延误矩阵;St+k|t表示在时间t预测的时间t+k时路网各路段的平均速度矩阵;fdynamic表示交通环境演变函数;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差,是由t时刻路网历史交通数据预测并随时间累积产生的,体现为St+k|t的预测误差,故有:
5.2)路网交通环境不确定性的常用计算方法:与交通流类似的是,预测误差在空间分布上同样具有异质性,且会随时间变化而不断累积,即预测时间跨度越大,预测误差越大,在此给出预测误差的通用计算方法:
vt+k|t(i,j)=vt+k(i,j)±ε(t+k) (10)
式中,vt+k|t(i,j)表示在时间t预测的时间单元t+k时路段(i,j)的平均速度;vt+k(i,j)表示时间单元t+k时路段(i,j)的实际平均速度;ε(t+k)表示时间单元t+k的路网交通状态信息预测误差;表示平均速度预测误差的时间累积速率,反映预测误差随时间单元的增加而不断累积;β表示平均速度预测误差在空间分布上的固有差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333608.9A CN110119839B (zh) | 2019-04-24 | 2019-04-24 | 一种城市道路交通事故应急救援路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333608.9A CN110119839B (zh) | 2019-04-24 | 2019-04-24 | 一种城市道路交通事故应急救援路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119839A true CN110119839A (zh) | 2019-08-13 |
CN110119839B CN110119839B (zh) | 2021-05-14 |
Family
ID=67521400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333608.9A Active CN110119839B (zh) | 2019-04-24 | 2019-04-24 | 一种城市道路交通事故应急救援路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119839B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413005A (zh) * | 2019-08-25 | 2019-11-05 | 西北工业大学 | 一种基于逆推法的多无人机协同航迹规划方法 |
CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
CN110823236A (zh) * | 2019-10-12 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110992682A (zh) * | 2019-10-28 | 2020-04-10 | 西安华运天成通讯科技有限公司 | 一种基于卫星导航的道路救援方法及其系统 |
CN111612124A (zh) * | 2020-04-09 | 2020-09-01 | 杭州电子科技大学 | 一种面向任务智能调度的网络结构自适应优化方法 |
CN111882909A (zh) * | 2020-08-03 | 2020-11-03 | 上海理工大学 | 基于双层规划的应急救援调度与动态路径集成方法 |
CN111913967A (zh) * | 2020-08-07 | 2020-11-10 | 公安部道路交通安全研究中心 | 一种道路应急处置站点规划与资源调度系统 |
CN111932875A (zh) * | 2020-07-29 | 2020-11-13 | 太原理工大学 | 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 |
CN112071060A (zh) * | 2020-08-27 | 2020-12-11 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112101638A (zh) * | 2020-08-27 | 2020-12-18 | 华南理工大学 | 一种城市物流配送范围协同优化方法 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112418081A (zh) * | 2020-11-20 | 2021-02-26 | 南京森林警察学院 | 一种空地联合快速勘察交通事故的方法及系统 |
CN112529254A (zh) * | 2020-11-19 | 2021-03-19 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
CN113032667A (zh) * | 2021-03-02 | 2021-06-25 | 重庆邮电大学 | 一种基于城市道路网格的重路由及边捆绑方法 |
CN113074745A (zh) * | 2021-02-24 | 2021-07-06 | 南京泛析交通科技有限公司 | 一种城市道路保洁车辆路径规划方法及装置 |
CN113450590A (zh) * | 2021-06-29 | 2021-09-28 | 重庆市司法局 | 一种指挥中心系统及其工作方法 |
CN114723350A (zh) * | 2022-06-10 | 2022-07-08 | 北京科技大学 | 震后道路通行受阻对建筑修复进度影响的分析方法及装置 |
CN115130781A (zh) * | 2022-07-27 | 2022-09-30 | 中钢集团马鞍山矿山研究总院股份有限公司 | 一种计算城市水灾下的人员最短撤离路径方法 |
CN115775057A (zh) * | 2022-11-04 | 2023-03-10 | 北京中航科电测控技术股份有限公司 | 航空器应急救援系统 |
CN117809475A (zh) * | 2024-02-27 | 2024-04-02 | 交通运输部水运科学研究所 | 基于数据驱动的港区应急路段疏导系统 |
CN117912238A (zh) * | 2023-12-25 | 2024-04-19 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆增援态势感知方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318794A (zh) * | 2014-10-24 | 2015-01-28 | 浙江大学 | 一种基于考虑城市交叉口时间延误的实用路径选择方法 |
CN105488601A (zh) * | 2016-01-19 | 2016-04-13 | 北京师范大学 | 一种求解完整Pareto前沿的多目标优化方法 |
CN105571604A (zh) * | 2016-01-14 | 2016-05-11 | 北京师范大学 | 动态路网环境下的协同进化路径优化方法 |
-
2019
- 2019-04-24 CN CN201910333608.9A patent/CN110119839B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318794A (zh) * | 2014-10-24 | 2015-01-28 | 浙江大学 | 一种基于考虑城市交叉口时间延误的实用路径选择方法 |
CN105571604A (zh) * | 2016-01-14 | 2016-05-11 | 北京师范大学 | 动态路网环境下的协同进化路径优化方法 |
CN105488601A (zh) * | 2016-01-19 | 2016-04-13 | 北京师范大学 | 一种求解完整Pareto前沿的多目标优化方法 |
Non-Patent Citations (5)
Title |
---|
XIAO-BING HU等: ""A ripple-spreading algorithm for route optimization"", 《IEEE》 * |
XIAO-BING HU等: ""Co-evolutionary path optimization by ripple-spreading algorithm"", 《IEEE》 * |
张明空等: ""考虑火灾动态扩散过程的高层建筑疏散路径研究"", 《中国安全科学学报》 * |
段晓红: ""城市快速路网应急车辆动态调度与再配置研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
赵惠良等: ""城市交通非常规突发事件的应急资源调度最优路径研究"", 《北京理工大学学报》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413005A (zh) * | 2019-08-25 | 2019-11-05 | 西北工业大学 | 一种基于逆推法的多无人机协同航迹规划方法 |
CN110413005B (zh) * | 2019-08-25 | 2022-03-25 | 西北工业大学 | 一种基于逆推法的多无人机协同航迹规划方法 |
CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
CN110823236B (zh) * | 2019-10-12 | 2022-02-25 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110823236A (zh) * | 2019-10-12 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110992682A (zh) * | 2019-10-28 | 2020-04-10 | 西安华运天成通讯科技有限公司 | 一种基于卫星导航的道路救援方法及其系统 |
CN111612124A (zh) * | 2020-04-09 | 2020-09-01 | 杭州电子科技大学 | 一种面向任务智能调度的网络结构自适应优化方法 |
CN111932875A (zh) * | 2020-07-29 | 2020-11-13 | 太原理工大学 | 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 |
CN111882909A (zh) * | 2020-08-03 | 2020-11-03 | 上海理工大学 | 基于双层规划的应急救援调度与动态路径集成方法 |
CN111913967A (zh) * | 2020-08-07 | 2020-11-10 | 公安部道路交通安全研究中心 | 一种道路应急处置站点规划与资源调度系统 |
CN112071060A (zh) * | 2020-08-27 | 2020-12-11 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112101638A (zh) * | 2020-08-27 | 2020-12-18 | 华南理工大学 | 一种城市物流配送范围协同优化方法 |
CN112071060B (zh) * | 2020-08-27 | 2022-07-26 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112101638B (zh) * | 2020-08-27 | 2022-06-14 | 华南理工大学 | 一种城市物流配送范围协同优化方法 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112146673B (zh) * | 2020-09-27 | 2022-07-22 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112529254A (zh) * | 2020-11-19 | 2021-03-19 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
CN112418081B (zh) * | 2020-11-20 | 2023-09-29 | 南京森林警察学院 | 一种空地联合快速勘察交通事故的方法及系统 |
CN112418081A (zh) * | 2020-11-20 | 2021-02-26 | 南京森林警察学院 | 一种空地联合快速勘察交通事故的方法及系统 |
CN113074745A (zh) * | 2021-02-24 | 2021-07-06 | 南京泛析交通科技有限公司 | 一种城市道路保洁车辆路径规划方法及装置 |
CN113074745B (zh) * | 2021-02-24 | 2024-03-19 | 南京泛析交通科技有限公司 | 一种城市道路保洁车辆路径规划方法及装置 |
CN113032667A (zh) * | 2021-03-02 | 2021-06-25 | 重庆邮电大学 | 一种基于城市道路网格的重路由及边捆绑方法 |
CN113032667B (zh) * | 2021-03-02 | 2022-09-09 | 重庆邮电大学 | 一种基于城市道路网格的重路由及边捆绑方法 |
CN113450590A (zh) * | 2021-06-29 | 2021-09-28 | 重庆市司法局 | 一种指挥中心系统及其工作方法 |
CN114723350A (zh) * | 2022-06-10 | 2022-07-08 | 北京科技大学 | 震后道路通行受阻对建筑修复进度影响的分析方法及装置 |
CN115130781A (zh) * | 2022-07-27 | 2022-09-30 | 中钢集团马鞍山矿山研究总院股份有限公司 | 一种计算城市水灾下的人员最短撤离路径方法 |
CN115130781B (zh) * | 2022-07-27 | 2023-12-01 | 中钢集团马鞍山矿山研究总院股份有限公司 | 一种计算城市水灾下的人员最短撤离路径方法 |
CN115775057B (zh) * | 2022-11-04 | 2023-12-22 | 北京中航科电测控技术股份有限公司 | 航空器应急救援系统 |
CN115775057A (zh) * | 2022-11-04 | 2023-03-10 | 北京中航科电测控技术股份有限公司 | 航空器应急救援系统 |
CN117912238A (zh) * | 2023-12-25 | 2024-04-19 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆增援态势感知方法及系统 |
CN117809475A (zh) * | 2024-02-27 | 2024-04-02 | 交通运输部水运科学研究所 | 基于数据驱动的港区应急路段疏导系统 |
CN117809475B (zh) * | 2024-02-27 | 2024-04-26 | 交通运输部水运科学研究所 | 基于数据驱动的港区应急路段疏导系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110119839B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119839A (zh) | 一种城市道路交通事故应急救援路径规划方法 | |
Gerçek et al. | A multiple criteria approach for the evaluation of the rail transit networks in Istanbul | |
Ali et al. | IoT-based smart waste bin monitoring and municipal solid waste management system for smart cities | |
Wu et al. | Finding of urban rainstorm and waterlogging disasters based on microblogging data and the location-routing problem model of urban emergency logistics | |
CN112071060B (zh) | 一种基于城市路网交通环境变化的应急救援路径规划方法 | |
CN103337162A (zh) | 城市应急救援通道实时规划及动态调度系统 | |
Su et al. | A land use and transportation integration method for land use allocation and transportation strategies in China | |
Ma et al. | Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review | |
Yang et al. | Automatic generation of optimal road trajectory for the rescue vehicle in case of emergency on mountain freeway using reinforcement learning approach | |
Sun et al. | Solving demand-responsive feeder transit service design with fuzzy travel demand: A collaborative ant colony algorithm approach | |
JP2019046021A (ja) | 交通路線計画策定支援装置及び交通路線計画策定の支援方法 | |
Guo et al. | Max-flow rate priority algorithm for evacuation route planning | |
Zenina et al. | TRIP-based transport travel demand model for intelligent transport system measure evaluation based on micro simulation | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
Yousaf et al. | Ride-sharing: A multi source-destination path planning approach | |
Chen et al. | Dynamic path optimization in sharing mode to relieve urban traffic congestion | |
Jin et al. | Optimal routing of vehicles with communication capabilities in disasters | |
Jin et al. | Route planning of rescue vehicles in the process of dynamic change of traffic volume under emergency conditions | |
Yang et al. | Integrated approach for emergency medical service location and assignment problem | |
Lee et al. | A scenario approach to the evaluation of sustainable urban structure for reducing carbon dioxide emissions in Seoul | |
Wang et al. | Network Design Algorithm Implementation for Resilient Transportation System under Continuous Risk Perturbation with Big Data Analysis | |
Sun et al. | Bus based emergency evacuation organization strategy of nuclear power plant planning restricted area | |
Huang et al. | A method for safety evaluation and enhancement of urban rail transit network based on passenger flow assignment | |
Sahajramani et al. | Determination of correlation between street accessibility and crimes using space syntax network graph analysis | |
Touati et al. | On green routing and scheduling problem |
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 |