CN110211405A - 一种基于交通信息素模型的出行路径规划方法 - Google Patents

一种基于交通信息素模型的出行路径规划方法 Download PDF

Info

Publication number
CN110211405A
CN110211405A CN201910430271.3A CN201910430271A CN110211405A CN 110211405 A CN110211405 A CN 110211405A CN 201910430271 A CN201910430271 A CN 201910430271A CN 110211405 A CN110211405 A CN 110211405A
Authority
CN
China
Prior art keywords
traffic information
model
information element
section
pheromones
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
CN201910430271.3A
Other languages
English (en)
Other versions
CN110211405B (zh
Inventor
王劼明
彭懿
徐筱筱
盛楚倩
陈新
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910430271.3A priority Critical patent/CN110211405B/zh
Publication of CN110211405A publication Critical patent/CN110211405A/zh
Application granted granted Critical
Publication of CN110211405B publication Critical patent/CN110211405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/3407—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
    • 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
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通信息素模型的出行路径规划方法。该方法为：首先根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，建立交通信息素模型；然后依据交通信息素模型，计算路网中各个路段的交通信息素，规划出交通信息素总和最小的出行路径；车辆按照规划的出行路径行驶，行驶过程中判断车辆是否到达目的地所在路段，若到达目的地所在路段，则流程结束，否则判断车辆是否驶入下一路段，若没有，则继续按照规划路径行驶；否则更新路网中各个路段的交通信息素，规划出交通信息素综合最小的出行路径，按照更新后的规划路径行驶。本发明能够根据实时交通状况变化规划出最优出行路径，提高了出行效率。

Description

一种基于交通信息素模型的出行路径规划方法
技术领域
本发明涉及出行的路径规划技术领域，特别是一种基于交通信息素模型的出行路径规划方法。
背景技术
伴随中国经济迅速发展，城市化进程不断加快，交通拥堵问题也日益突出。通过智能交通系统优化道路交通是缓解交通拥堵最有效的途径。作为智能交通系统的核心组成部分，动态交通诱导系统在城市交通管理中起着越来越重要的作用。而出行路径规划作为交通诱导系统的关键内容之一，在减缓交通拥堵，提高路网中道路使用率等方面起着十分重要的作用。路径选择本质上就是选择合适的路段权值，以实时交通信息为基础，通过一定的方法计算出路段权值，基于不同的需求规划出最佳路径。动态路径选择，就是通过实时交通信息求解出从出发地到目的地的最优路径，可以引导驾驶者避开交通拥挤路段，在微观上优化驾驶者的合理出行，在宏观上促进了道路网络交通流量的均衡分配，起到缓解交通拥挤的目的。
目前的导航系统一般是通过以下的方式进行最短时间路径规划：获取路段上行驶车辆的实时车速，计算该段道路上行驶车辆的平均速度，同时通过基础地图数据获取该段道路的设计时速，计算行驶车辆的平均速度和设计时速的比率，作为拥堵度，将拥堵度分级，进而定义该段道路的拥堵状况。现有的导航系统从根本上讲都是通过道路上车辆的速度来反映交通路况，但是车速和道路交通状况并不能直接画上等号，因为道路等级不同、道路宽度不同、道路实际情况不同，所以平均车速小并不能说明该条道路发生了交通拥堵，平均车速大也并不能代表该条道路交通通畅。因此，判断道路是否产生拥堵还需要车速以外的实时交通信息，如车辆的等待时间、车辆间的间距等，仅依据车速对道路拥堵状况做出的判断，不能准确、全面地反映实际交通路况。
发明内容
本发明的目的在于提供一种能够根据实时交通状况变化规划出最优出行路径，提高出行效率的基于交通信息素模型的出行路径规划方法。
实现本发明目的的技术解决方案为：一种基于交通信息素模型的出行路径规划方法，包括以下步骤：
步骤1、建立车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型建立交通信息素模型；
步骤2、t＝0，依据交通信息素模型，计算路网中各个路段的交通信息素，规划出交通信息素总和最小的出行路径；
步骤3、车辆按照规划的出行路径行驶，t＝t+1；
步骤4、判断车辆是否到达目的地所在路段，若到达目的地所在路段，则流程结束；否则，继续执行步骤5；
步骤5、判断车辆是否驶入下一路段，若没有，则执行步骤3；否则更新路网中各个路段的交通信息素，规划出综合交通信息素最小的出行路径，执行步骤3。
进一步地，步骤1所述的建立车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型建立交通信息素模型，具体如下：
步骤1.1、建立车速信息素模型：车速信息素是排斥信息素，随着车辆的行驶速度减小，车速信息素释放增加，道路拥堵的可能性增加；随着车辆的行驶速度增加，车速信息素释放减少，道路拥堵的可能性减小；车辆的行驶速度减小将释放更多的车速信息素，车辆的行驶速度增大将释放更少的车速信息素；
步骤1.2、建立停车等待信息素模型：停车等待信息素是排斥信息素，当路段上发生交通事故、交通拥堵或遇到红灯时，车辆停车等待，车辆将依据停车等待的时长释放对应量的停车等待信息素；
步骤1.3、建立刹车信息素模型：刹车信息素是排斥信息素，随着车辆刹车次数的增加，交通拥堵或事故产生的可能性增大，车辆将依据车辆刹车次数释放对应量的刹车信息素；
步骤1.4、建立交通信息素的传播与蒸发模型：交通流中上游位置的交通状况影响下游位置的交通信息素大小，当路段交通流达到饱和时，产生交通拥堵，对应的交通信息素增大；随着车流的前进，交通拥堵消散，对应的交通信息素减小；
步骤1.5、路段交通信息素的大小为该路段车速信息素、停车等待信息素、刹车信息素，以及该路段接收相邻路段传播的交通信息素之和，减去该路段蒸发的交通信息素。
进一步地，步骤1.1所述的建立车速信息素模型，具体如下：
车速信息素模型为：
式中，t为时间，为车速信息速，为路段p在时间t的车速信息素的值，i表示第i辆车，vi(t,p)为车辆在路段p的车速，N(t,p)为路段p在时间区间(t-1,t]内所有的车辆数。
进一步地，步骤1.2所述的建立停车等待信息素模型，具体如下：
停车等待信息素模型为：
式中，t为时间，为停车等待信息速，为路段p在时间t的停车等待信息素的值，i表示第i辆车，Ti(t,p)为对应车辆在路段p内的等待时间，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
进一步地，步骤1.3所述的建立刹车信息素模型，具体如下：
刹车信息素模型为：
式中，t为时间，为刹车信息素，为路段p在时间t的刹车信息素的值，i表示第i辆车，Bi(t,p)为对应于车辆的刹车次数，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
进一步地，步骤1.4所述的建立交通信息素的传播与蒸发模型，具体如下：
交通信息素具有传播和蒸发的物理属性，交通信息素的传播模型需要根据路段的实际信息素传播来确定；
交通信息素的蒸发模型为：
式中Ep为交通信息素的蒸发率，为第f种交通信息素在路段p和时间t的量值，为第f种交通信息素在路段p和时间区间(t-1,t]最近一次更新循环的量值，为由其他路段传播至路段p的第f种交通信息素量，为t+1时刻路段p的第f种交通信息素；Gp为信息素的传播率，1-Gp为当前路段信息素传播给其他路段后的剩余量。
进一步地，步骤1.5所述的根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，建立交通信息素模型，具体如下：
路段交通信息素的大小为该路段车速信息素、停车等待信息素、刹车信息素，以及该路段接收相邻路段传播的交通信息素之和，减去该路段蒸发的交通信息素，计算路段交通信息素需要对三种交通信息素进行无量纲化处理；
先考虑每种信息素的蒸发和传播情况，得到每种信息素经过蒸发与传播模型计算后的信息素，再计算路段交通信息素：
式中为路段交通信息素，k1为车速信息素权重，k2为停车等待信息素权重，k3为刹车信息素权重，k1+k2+k3＝1，k1、k2、k3的取值大小反映了不同信息素对于交通信息素的重要程度；为车速信息素考虑蒸发与传播后的无量纲化结果，为停车等待信息素考虑蒸发与传播后的无量纲化结果，为刹车信息素考虑蒸发与传播后的无量纲化结果。
进一步地，所述车速信息素权重k1、停车等待信息素权重k2、刹车信息素权重k3，采用主观赋权法即AHP法和客观赋权法即熵权法相结合的方法确定。
本发明与现有技术相比，其显著优点为：(1)根据蚁群、蜂群等群体生物利用生物信息素寻求最优路径的特性，提出交通信息素的概念，对实时交通信息进行分析并对特定的交通数据进行处理，转换为交通信息素，提高对实时交通状况判断的准确程度；(2)以交通信息素为基础，利用蚁群、蜂群通过信息素蒸发和传播更新路径信息的特性，并以此为依据，动态调整出行路线，提高了出行效率，节省了时间和车辆损耗，提高了驾驶者的驾驶体验；(3)将车辆的平均车速、车辆的等待时间、车辆间的间距等交通信息结合起来，作为综合判断道路是否产生拥堵的依据，并利用这个判断结果来寻求行程时间最短的路径，从而规划最优的出行路径，具有重要的实际应用价值。
附图说明
图1为本发明基于交通信息素模型的出行路径规划方法的流程示意图。
图2为本发明中交通信息素的结构框图。
图3为本发明中交通信息素的传播示意图。
图4为本发明实施例中仿真路网节点编号示意图。
图5为本发明实施例中仿真路网路段编号示意图。
图6为本发明实施例中道路模型构建界面示意图。
图7为本发明实施例中为12个时间段的交通信息素分级示意图，其中(a)～(l)分别为第1～第12个时间段的路网交通信息素分级示意图。
图8为本发明实施例中基于第一个时间间隔交通信息素的路径示意图。
图9为本发明实施例中基于第二个时间间隔交通信息素的路径示意图。
图10为本发明实施例中基于第三个时间间隔交通信息素的路径示意图。
图11为本发明实施例中车辆根据动态规划行驶的路径示意图。
具体实施方式
结合图1、图2，本发明基于交通信息素模型的出行路径规划方法，包括以下步骤：
步骤1、建立车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型建立交通信息素模型，具体如下：
步骤1.1、建立车速信息素模型：车速信息素是排斥信息素，随着车辆的行驶速度减小，车速信息素释放增加，道路拥堵的可能性增加；随着车辆的行驶速度增加，车速信息素释放减少，道路拥堵的可能性减小；车辆的行驶速度小将释放较多的车速信息素，车辆的行驶速度大将释放较少的车速信息素；
车速信息素模型为：
式中，t为时间，为车速信息速，为路段p在时间t的车速信息素的值，i表示第i辆车，vi(t,p)为车辆在路段p的车速，N(t,p)为路段p在时间区间(t-1,t]内所有的车辆数。
步骤1.2、建立停车等待信息素模型：停车等待信息素是排斥信息素，当路段上发生交通事故、交通拥堵或遇到红灯时，车辆停车等待，车辆将依据停车等待的时长释放对应量的停车等待信息素；
停车等待信息素模型为：
式中，t为时间，为停车等待信息速，为路段p在时间t的停车等待信息素的值，i表示第i辆车，Ti(t,p)为对应车辆在路段p内的等待时间，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
步骤1.3、建立刹车信息素模型：刹车信息素是排斥信息素，随着车辆刹车次数的增加，交通拥堵或事故产生的可能性增大，车辆将依据车辆刹车次数释放对应量的刹车信息素；
刹车信息素模型为：
式中，t为时间，为刹车信息素，为路段p在时间t的刹车信息素的值，i表示第i辆车，Bi(t,p)为对应于车辆的刹车次数，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
步骤1.4、建立交通信息素的传播与蒸发模型：交通流中上游位置的交通状况影响下游位置的交通信息素大小，当路段交通流达到饱和时，产生交通拥堵，对应的交通信息素增大；随着车流的前进，交通拥堵消散，对应的交通信息素减小；
交通信息素具有传播和蒸发的物理属性，结合图3，交通信息素的传播模型为：
式中Ep为交通信息素的蒸发率，为第f种交通信息素在路段p和时间t的量值，为第f种交通信息素在路段p和时间区间(t-1,t]最近一次更新循环的量值，为由其他路段传播至路段p的第f种交通信息素量，为t+1时刻路段p的第f种交通信息素；Gp为信息素的传播率，1-Gp为当前路段信息素传播给其他路段后的剩余量。
步骤1.5、根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，建立交通信息素模型；
路段交通信息素的大小为该路段车速信息素、停车等待信息素、刹车信息素，以及该路段接收相邻路段传播的各种交通信息素之和，减去该路段蒸发的各种交通信息素。先考虑每种信息素的蒸发和传播情况，得到每种信息素经过蒸发与传播模型计算后的信息素，再计算路段交通信息素。计算路段交通信息素需要对三种交通信息素需要进行无量纲化处理：
式中[T1,T2]为时间区间，为第f种交通信息素考虑蒸发与传播后在路段p和时间t的量值，为交通信息素在路段p上，t1时刻的最大值，为交通信息素在路段p上，t2时刻的最小值，为第f种交通信息素考虑蒸发与传播后的无量纲化结果；
先考虑每种信息素的蒸发和传播情况，得到每种信息素经过蒸发与传播模型计算后的信息素，再计算路段交通信息素：
式中为路段交通信息素，k1为车速信息素权重，k2为停车等待信息素权重，k3为刹车信息素权重，k1+k2+k3＝1，k1、k2、k3的取值大小反映了不同信息素对于交通信息素的重要程度；为车速信息素考虑蒸发与传播后的无量纲化结果，为停车等待信息素考虑蒸发与传播后的无量纲化结果，为刹车信息素考虑蒸发与传播后的无量纲化结果。
采用主观赋权法(AHP法)和客观赋权法(熵权法)相结合的方法确定车速信息素权重k1，停车等待信息素权重k2，刹车信息素权重k3，以求能够同时反映对交通信息素判断的主观性和实际三种信息素的客观性，具体计算方式为：
式中ki为综合权重；k′i为主观权重；k″i为客观权重即熵权；n是信息素的种类数，i＝1,2,3...,n。
客观权重k″i利用熵权法进行计算，计算方法如下：
计算第i类信息素第j个路段的比重Pij：
kij第i类信息素第j个路段的权重、m为路段的个数；
计算第i类信息素的熵值ei：
Pij为第i类信息素第j个路段的比重、m为路段的个数、j＝1,2,3...,m。
计算第i个指标的熵权k″i：
ei为第i类信息素的熵值、m为路段的个数、j＝1,2,3...,m。
步骤2、t＝0，依据交通信息素模型，计算路网中各个路段的交通信息素，规划出交通信息素总和最小的出行路径；
步骤3、车辆按照规划的出行路径行驶，t＝t+1；
步骤4、判断车辆是否到达目的地所在路段，若到达目的地所在路段，则流程结束；否则，继续执行步骤5；
步骤5、判断车辆是否驶入下一路段，若没有，则执行步骤3；否则，更新路网中各个路段的交通信息素，规划出综合交通信息素最小的出行路径，执行步骤3。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例1
本实施例中，建立起点、终点如图4和图5所示的路网模型，该路网的节点数量为28，路段数量为46，仿真路网各路段长度如表1所示：
表1仿真路网各路段长度统计表
路段序号 路段长度(m) 路段序号 路段长度(m) 路段序号 路段长度(m)
1 150 16 166 31 149
2 244 17 252 32 146
3 148 18 293 33 144
4 190 19 186 34 143
5 188 20 153 35 139
6 150 21 240 36 135
7 244 22 150 37 137
8 145 23 258 38 147
9 185 24 156 39 211
10 170 25 149 40 140
11 160 26 133 41 130
12 239 27 138 42 211
13 158 28 156 43 168
14 244 29 155 44 117
15 120 30 148 45 113
46 177
通过VISSIM微观仿真软件获取路网中各离散时间段的实时交通信息，仿真时长为180s，交通信息获取的时间间隔为15s，道路模型构建界面如图6所示。
根据仿真情况，获取各路网的交通信息，包括各个路段上汽车的平均车速、各个时间段内车辆停车等待时间、各个时间段内车辆刹车次数，将获取到的实时交通信息转化为各个路段上的速度信息素。
基于实时交通信息得到的三种交通信息素(速度信息素、停留信息素、刹车信息素)量值需要进行组合，即信息素的融合，以计算对应路段交通信息素，并以此为依据，提供最优的出行路径。
将三种交通信息素进行无量纲化处理后进行组合，计算路段1各个时间段的交通信息素，其结果如表2所示。
表2路段1各个时间段的路段交通信息素
重复以上步骤，根据接下来各个时间段的交通信息，计算各个路段的车速信息素、停车等待信息素和刹车信息素，再根据交通信息素模型计算出12个时间段内不同路段的交通信息素，计算结果如表3所示。
表3所有路段各个时间段的路段交通信息素
为了能够直观的体现出仿真路网中交通信息素的分布情况，将仿真路网中的交通信息素分成四个等级，绘制于路网中，分级情况如表4所示：
表4交通信息素分级情况
交通信息素 表示颜色
(0,0.7] 淡灰
(0.7,0.85] 浅灰
(0.85,0.95] 深灰
(0.95,1] 黑色
按照表4的分级情况，将12个时间段的交通信息素大小绘制于路网中，如图7(a)～(l)所示。
根据VISSIM仿真得到的交通信息，计算所有路段的交通信息素，根据0-15s即第一个时间段计算得到的所有路段交通信息素，计算出从节点1到节点28交通信息素总量最小的路径，路径为：1→2→3→4→10→11→12→18→23→28，全程行驶距离为1439m，全程耗时146.3s，规划路径如图8所示。
当车辆按照规划路径行驶至节点2时，距离出发时刻已经过去18.6s，路网中的交通信息素已经发生改变，根据第二个时间间隔计算出各个路段的交通信息素，计算出从节点2到节点28交通信息素总量最小的路径，规划路径为：2→3→9→15→21→26→27→28，全程行驶距离为1224m，全程耗时125.8s，规划路径如图9所示。
当车辆行驶至节点3时，路网交通信息素又发生了变化，根据第三个时间间隔的路段交通信息素，计算出从节点3到节点28交通信息素总量最小的路径，规划路径为：3→9→15→21→26→27→28，全程行驶距离为980m，全程耗时104.2s，规划路径如图10所示。
每当车辆即将行驶至下一路段时，根据最新时间间隔的路段交通信息素，求得交通信息素量最小的路径，并根据这个交通信息素量最小的路径，动态调整之前的规划路径，直至车辆行驶至目的地(节点28)。
最终，出行车辆行驶的路径为：1→2→3→9→10→11→12→18→23→28，全程行驶距离为1447m，全程耗时138.8s，规划路径如图11所示。
将基于距离最短路径，基于时间最短路径，基于时间路网模型的路径规划和基于交通信息素的出行路径规划的行程距离和行程时间进行比较，结果如表5所示。
表5出行路径比较结果
基于交通信息素模型的出行路径规划方法基于实时的交通信息，能够充分利用实时交通信息对交通状况进行判断，动态调整路线，最终得到一条最优路径。根据表5，可以看出基于交通信息素模型规划的出行路径在实际行驶过程中耗时最短，能够有效避免交通拥堵，能够为驾驶者提供一条符合实际交通情况的出行路径，提高了出行效率，节省了时间和车辆损耗，提高了驾驶者的驾驶体验。

Claims (8)

1.一种基于交通信息素模型的出行路径规划方法，其特征在于，包括以下步骤：
步骤1、建立车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型建立交通信息素模型；
步骤2、t＝0，依据交通信息素模型，计算路网中各个路段的交通信息素，规划出交通信息素总和最小的出行路径；
步骤3、车辆按照规划的出行路径行驶，t＝t+1；
步骤4、判断车辆是否到达目的地所在路段，若到达目的地所在路段，则流程结束；否则，继续执行步骤5；
步骤5、判断车辆是否驶入下一路段，若没有，则执行步骤3；否则更新路网中各个路段的交通信息素，规划出综合交通信息素最小的出行路径，执行步骤3。
2.根据权利要求1所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1所述的建立车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型建立交通信息素模型，具体如下：
步骤1.1、建立车速信息素模型：车速信息素是排斥信息素，随着车辆的行驶速度减小，车速信息素释放增加，道路拥堵的可能性增加；随着车辆的行驶速度增加，车速信息素释放减少，道路拥堵的可能性减小；车辆的行驶速度减小将释放更多的车速信息素，车辆的行驶速度增大将释放更少的车速信息素；
步骤1.2、建立停车等待信息素模型：停车等待信息素是排斥信息素，当路段上发生交通事故、交通拥堵或遇到红灯时，车辆停车等待，车辆将依据停车等待的时长释放对应量的停车等待信息素；
步骤1.3、建立刹车信息素模型：刹车信息素是排斥信息素，随着车辆刹车次数的增加，交通拥堵或事故产生的可能性增大，车辆将依据车辆刹车次数释放对应量的刹车信息素；
步骤1.4、建立交通信息素的传播与蒸发模型：交通流中上游位置的交通状况影响下游位置的交通信息素大小，当路段交通流达到饱和时，产生交通拥堵，对应的交通信息素增大；随着车流的前进，交通拥堵消散，对应的交通信息素减小；
步骤1.5、路段交通信息素的大小为该路段车速信息素、停车等待信息素、刹车信息素，以及该路段接收相邻路段传播的交通信息素之和，减去该路段蒸发的交通信息素。
3.根据权利要求1或2所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1.1所述的建立车速信息素模型，具体如下：
车速信息素模型为：
式中，t为时间，为车速信息速，为路段p在时间t的车速信息素的值，i表示第i辆车，vi(t,p)为车辆在路段p的车速，N(t,p)为路段p在时间区间(t-1,t]内所有的车辆数。
4.根据权利要求1或2所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1.2所述的建立停车等待信息素模型，具体如下：
停车等待信息素模型为：
式中，t为时间，为停车等待信息速，为路段p在时间t的停车等待信息素的值，i表示第i辆车，Ti(t,p)为对应车辆在路段p内的等待时间，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
5.根据权利要求1或2所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1.3所述的建立刹车信息素模型，具体如下：
刹车信息素模型为：
式中，t为时间，为刹车信息素，为路段p在时间t的刹车信息素的值，i表示第i辆车，Bi(t,p)为对应于车辆的刹车次数，N(t,p)为路段p在时间区间(t-1,t]内所有车辆的数量。
6.根据权利要求1或2所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1.4所述的建立交通信息素的传播与蒸发模型，具体如下：
交通信息素具有传播和蒸发的物理属性，交通信息素的传播模型需要根据路段的实际信息素传播来确定；
交通信息素的蒸发模型为：
式中Ep为交通信息素的蒸发率，为第f种交通信息素在路段p和时间t的量值，为第f种交通信息素在路段p和时间区间(t-1,t]最近一次更新循环的量值，为由其他路段传播至路段p的第f种交通信息素量，为t+1时刻路段p的第f种交通信息素；Gp为信息素的传播率，1-Gp为当前路段信息素传播给其他路段后的剩余量。
7.根据权利要求1或2所述的基于交通信息素模型的出行路径规划方法，其特征在于，步骤1.5所述的根据车速信息素模型、停车等待信息素模型、刹车信息素模型、交通信息素的传播与蒸发模型，建立交通信息素模型，具体如下：
路段交通信息素的大小为该路段车速信息素、停车等待信息素、刹车信息素，以及该路段接收相邻路段传播的交通信息素之和，减去该路段蒸发的交通信息素，计算路段交通信息素需要对三种交通信息素进行无量纲化处理；
先考虑每种信息素的蒸发和传播情况，得到每种信息素经过蒸发与传播模型计算后的信息素，再计算路段交通信息素：
式中为路段交通信息素，k1为车速信息素权重，k2为停车等待信息素权重，k3为刹车信息素权重，k1+k2+k3＝1，k1、k2、k3的取值大小反映了不同信息素对于交通信息素的重要程度；为车速信息素考虑蒸发与传播后的无量纲化结果，为停车等待信息素考虑蒸发与传播后的无量纲化结果，为刹车信息素考虑蒸发与传播后的无量纲化结果。
8.根据权利要求7所述的基于交通信息素模型的出行路径规划方法，其特征在于，所述车速信息素权重k1、停车等待信息素权重k2、刹车信息素权重k3，采用主观赋权法即AHP法和客观赋权法即熵权法相结合的方法确定。
CN201910430271.3A 2019-05-22 2019-05-22 一种基于交通信息素模型的出行路径规划方法 Active CN110211405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910430271.3A CN110211405B (zh) 2019-05-22 2019-05-22 一种基于交通信息素模型的出行路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910430271.3A CN110211405B (zh) 2019-05-22 2019-05-22 一种基于交通信息素模型的出行路径规划方法

Publications (2)

Publication Number Publication Date
CN110211405A true CN110211405A (zh) 2019-09-06
CN110211405B CN110211405B (zh) 2021-11-09

Family

ID=67788321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910430271.3A Active CN110211405B (zh) 2019-05-22 2019-05-22 一种基于交通信息素模型的出行路径规划方法

Country Status (1)

Country Link
CN (1) CN110211405B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992697A (zh) * 2019-12-19 2020-04-10 江苏金晓电子信息股份有限公司 一种高精度、高拓展性的用于规划交通最优路径的方法
CN113053116A (zh) * 2021-03-17 2021-06-29 长安大学 一种城市道路网络交通分配方法、系统、设备及存储介质
CN113341976A (zh) * 2021-06-09 2021-09-03 南通大学 基于锚定效应的新能源汽车混合蚁群路径规划方法
CN116184944A (zh) * 2022-12-05 2023-05-30 武汉易特兰瑞科技有限公司 一种智慧工厂智能机器人控制管理方法及系统
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336999A (zh) * 2013-06-07 2013-10-02 同济大学 一种基于多蚁群的组合交通疏散优化方法
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法
CN109506655A (zh) * 2018-10-19 2019-03-22 哈尔滨工业大学（威海） 基于非均匀建模的改进蚁群路径规划算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336999A (zh) * 2013-06-07 2013-10-02 同济大学 一种基于多蚁群的组合交通疏散优化方法
CN103971530A (zh) * 2014-05-27 2014-08-06 四川汇源吉迅数码科技有限公司 一种实时路径规划方法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109506655A (zh) * 2018-10-19 2019-03-22 哈尔滨工业大学（威海） 基于非均匀建模的改进蚁群路径规划算法
CN109489667A (zh) * 2018-11-16 2019-03-19 楚天智能机器人（长沙）有限公司 一种基于权值矩阵的改进蚁群路径规划方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992697A (zh) * 2019-12-19 2020-04-10 江苏金晓电子信息股份有限公司 一种高精度、高拓展性的用于规划交通最优路径的方法
CN113053116A (zh) * 2021-03-17 2021-06-29 长安大学 一种城市道路网络交通分配方法、系统、设备及存储介质
CN113341976A (zh) * 2021-06-09 2021-09-03 南通大学 基于锚定效应的新能源汽车混合蚁群路径规划方法
CN113341976B (zh) * 2021-06-09 2022-10-04 南通大学 基于锚定效应的新能源汽车混合蚁群路径规划方法
CN116184944A (zh) * 2022-12-05 2023-05-30 武汉易特兰瑞科技有限公司 一种智慧工厂智能机器人控制管理方法及系统
CN116184944B (zh) * 2022-12-05 2024-04-26 广东海兴塑胶有限公司 一种智慧工厂智能机器人控制管理方法及系统
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Also Published As

Publication number Publication date
CN110211405B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN110211405A (zh) 一种基于交通信息素模型的出行路径规划方法
CN106960584B (zh) 一种自适应路口交通信号灯的交通控制方法及装置
CN104851309B (zh) 一种交通诱导策略的实现方法
CN104464310B (zh) 城市区域多交叉口信号协同优化控制方法及系统
CN106548646B (zh) 基于雾计算的城市堵车时道路信息服务系统及方法
CN108847037A (zh) 一种面向非全局信息的城市路网路径规划方法
CN107507430A (zh) 一种城市路口交通控制方法及系统
CN105118288B (zh) 一种交通管理系统和方法
CN109887289A (zh) 一种城市交通网络模型的网络车流量最大化方法
CN101281684A (zh) 显示板诱导与区域控制协同运作的区域交通管理系统
CN108765948A (zh) 一种弹性的公车调度方法和系统
CN104408948B (zh) 基于车载gps的城市道路交通公交优先信号控制方法
CN106781558B (zh) 车联网下基于宏观基本图的主通道交通流快速疏导方法
Pribyl et al. Addressing EU climate targets: Reducing CO2 emissions using cooperative and automated vehicles
CN111627205B (zh) 自动驾驶车辆与非机动车辆通行权分配方法
CN107730886A (zh) 一种车联网环境下城市交叉口交通信号动态优化方法
CN105243856B (zh) 城市交通信号智能控制规则的自组织构建方法
CN104574970A (zh) 城市地下停车系统出入口接驳处交通状态评价方法
CN107331166B (zh) 一种基于路径分析的动态限行方法
CN104637328B (zh) 一种车辆自组织网络中基于rsu的分布式实时导航方法
CN106021902B (zh) 一种用于城市轨道交通客流拥挤指数的分级方法
CN108022435A (zh) 一种交通控制方法及系统
CN106935044A (zh) 一种基于公交信号优先协调控制的站点位置优化方法
CN108986459A (zh) 一种基于预约通行的高速公路拥挤疏导方法
CN115675584A (zh) 一种城市轨道交通市域线开行方案优化方法

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