CN110211405B - 一种基于交通信息素模型的出行路径规划方法 - Google Patents

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，v_i(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，T_i(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，B_i(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E_p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；G_p为信息素的传播率，1-G_p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，v_i(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，T_i(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，B_i(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E_p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；G_p为信息素的传播率，1-G_p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P_ij：

k_ij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e_i：

P_ij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：

e_i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 (2)

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、路段号s＝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，s＝s+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，规划出交通信息素总和最小的出行路径，执行步骤3；

步骤1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；

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，v_i(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，T_i(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，B_i(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E_p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；G_p为信息素的传播率，1-G_p为当前路段信息素传播给其他路段后的剩余量；

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。

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，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。

Images