CN110220527A - 一种基于公众活动预测的路径规划方法和装置 - Google Patents
一种基于公众活动预测的路径规划方法和装置 Download PDFInfo
- Publication number
- CN110220527A CN110220527A CN201910470249.1A CN201910470249A CN110220527A CN 110220527 A CN110220527 A CN 110220527A CN 201910470249 A CN201910470249 A CN 201910470249A CN 110220527 A CN110220527 A CN 110220527A
- Authority
- CN
- China
- Prior art keywords
- activity
- section
- information
- node
- time
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
- 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
-
- G06Q50/40—
Abstract
本发明公开了一种基于公众活动预测的路径规划方法和装置,其中,该方法包括:获取出行信息、实时路况信息和公众活动举办信息,采用路况预测模型,根据上述获取的信息,确定出发地到目的地的最优行驶路径。其中,上述出行信息包括出发地和目的地,公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;上述路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。本发明解决了相关技术中因区域性公众活动对交通路况影响大而降低路径规划可靠性的技术问题。
Description
技术领域
本发明属于导航规划领域,涉及一种基于公众活动预测的路径规划方法和装置。
背景技术
随着城市动态交通信息服务日益成熟,交通路况信息采集与处理技术成为当前应对城市交通拥堵,提升城市交通效率的有效手段。但是,相关技术中的路径导航规划方法多是基于实时动态交通信息,在出行前基于当时的路况规划行程,出行过程中再根据前方道路实时拥堵情况进行修正,提出备选方案。在这种模式下,若出行时间与城市交通高峰前后路况急剧变化的时段相叠加,将会大大降低路径规划的合理性。如遇到临时交通管制、交通事故或大型演出等,根据相关技术中的路径导航规划方法,在出发时依据当前路况规划的路径,当某一封闭路段逐渐变得拥堵,用户行驶在其中时,就没有办法改变行驶路径了。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明提供了一种基于公众活动预测的路径规划方法和装置,以至少解决相关技术中因区域性公众活动对交通路况影响大而降低路径规划可靠性的技术问题。
本发明的技术解决方案是:一种基于公众活动预测的路径规划方法,包括:获取出行信息、实时路况信息和公众活动举办信息,其中,所述出行信息包括出发地和目的地,所述公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;采用路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,其中,所述路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
可选的,采用所述路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,包括:根据所述公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];根据所述活动影响路段Lj和所述活动影响时间段[Te0,Ten],所述路径预定模型以ΔT为预定时间间隔,输出所述活动影响路段Lj的速度预测矩阵V,其中,所述速度预测矩阵V中的元素Vji为所述活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;根据所述选择权重Ak,确定所述最优行驶路径。
可选的,根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,包括:判断每一条可通行路段Sk是否为所述活动影响路段Lj;根据判断结果,将所述可通行路段Sk分为活动影响区域路段S'k和非活动影响区域路段S”k,其中S'k∈Lj;在所述Sk为所述活动影响区域路段S'k的情况下,根据所述实时路况信息和所述速度预测矩阵V,计算从所述出发地到达所述活动影响区域路段S'k的时间t'SK;判断所述t'SK是否在所述活动影响时间段[Te0,Ten]期间;在判断结果为是的情况下,根据所述速度预测矩阵V,确定所述活动影响区域路段S'k在所述t'Sk所属时间段中的预测平均通行速度Vkτ,并计算所述活动影响区域路段S'k的选择权重其中,Vkτ∈Vji,D'Sk为所述活动影响区域路段S'k的长度,τ为的商中的整数部分,0≤τ≤n;在判断结果为否的情况下,根据所述实时路况信息,计算所述活动影响区域路段S'k的选择权重其中,V'k为所述活动影响区域路段S'k在进行路径规划时的实时平均通行速度;在所述Sk为所述非活动影响区域路段S”k的情况下,计算所述非活动影响区域路段S”k的选择权重其中,D”Sk为所述非活动影响区域路段S”k的长度,Vk”为所述非活动影响区域路段S”k在进行路径规划时的实时平均通行速度。
可选的,根据所述选择权重Ak,确定所述最优行驶路径,包括:步骤一:根据所述Sk确定可通行路网中的所有节点Ng,其中,所述出发地为节点N0,g为自然数;步骤二:根据所述N0与所述Ng之间通过所述Sk的连接情况,构建每一个节点到所述N0的通过时长数组W={W00,W01,W02,...W0g},其中,所述W的初始值中,与所述N0有路段相连的节点对应的W0g为所述路段的选择权重Ak,与所述N0没有路段相连的节点对应的W0g为无穷大;步骤三:构建顶点集合NE,其中,所述NE中的元素为已确定至所述N0最短通过时长的节点,所述NE的初始集合中只有N0;步骤四:确定所述W中的最小值Wmin;步骤五:根据所述最小值Wmin,获取与之对应的节点Nmin;步骤六:将所述节点Nmin加入所述NE中,根据所述节点Nmin与其他不在所述NE中的节点之间通过所述Sk的连接情况,重新计算与所述Nmin有路径相连的节点对应的W0g;步骤七:比较重新计算前后两个W0g的大小,将较小的W0g更新入所述W中,同时记录所述Wmin对应的由所述节点Nmin至所述N0的最优路径;步骤八:判断所述节点Nmin是否为目的地,当判断结果为否时,重复步骤五至步骤七,其中,在每一次进入步骤五之前,还包括确定更新后的W中除去已加入所述NE的节点对应的W0g之外的最小值Wmin;当判断结果为是时,计算结束,并将记录的所述节点Nmin至所述N0的最优路径确定为所述最优行驶路径。
可选的,根据所述节点Nmin与其他不在所述NE中的节点之间通过所述Sk的连接情况,重新计算与所述Nmin有路径相连的节点对应的W0g,包括:获取所述Wmin对应的由所述节点Nmin至所述N0的最优路径,根据所述实时路况信息和所述速度预测矩阵V,计算到达所述节点Nmin的时间tmin;根据所述节点Nmin与其他不在所述NE中的节点之间的路径连接情况和所述tmin,依次判断连接所述节点Nmin的每一条路段是否为活动影响区域路段S'k,根据判断结果和所述tmin,确定连接所述节点Nmin的每一条路段的选择权重Ak;重新计算与所述Nmin有路径相连的节点对应的W0g=Wmin+Ak。
根据本发明的另一方面,还提出了另一种技术解决方案:一种基于公众活动预测的路径规划装置,包括:获取模块,用于获取出行信息、实时路况信息和公众活动举办信息,其中,所述出行信息包括出发地和目的地,所述公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;确定模块,用于采用路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,其中,所述路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
可选的,所述确定模块,包括:第一确定单元,用于根据所述公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];输出单元,用于根据所述活动影响路段Lj和所述活动影响时间段[Te0,Ten],所述路径预定模型以ΔT为预定时间间隔,输出所述活动影响路段Lj的速度预测矩阵V,其中,所述速度预测矩阵V中的元素Vji为所述活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;计算单元,用于根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;第二确定单元,用于根据所述选择权重Ak,确定所述最优行驶路径。
根据本发明的另一方面,还提出了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一项的基于公众活动预测的路径规划方法。
根据本发明的另一方面,还提出了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任意一项的基于公众活动预测的路径规划方法。
基于区域性公众活动是一种预先可知的城市交通影响事件,本发明采用预定历史时期内的公众活动信息和路况信息训练小波神经网络模型,将生成的路况预测模型应用在用户路径规划上,提出了一种考虑城市区域性公众活动事件对交通路况影响的出行路径规划方法。在路径规划之初就引入以区域性公众活动事件为主的确定性事件所导致的未来路况变化,可以良好的帮助用户在出行时规避此类城市交通事件的影响;同时,还建立了区域性公众活动交通影响下的最优路径算法,通过从出发地开始向附近节点由近及远层层扩展,直到寻求到至目的地最优行驶路径,算法简单、便捷,结果可靠。
附图说明
图1为根据本发明实施例的基于公众活动预测的路径规划方法的流程图;
图2为根据本发明实施例的基于公众活动预测的优化路径规划方法的路况预测流程图;
图3为根据本发明实施例的基于公众活动预测的优化路径规划方法的路段权重计算流程图一;
图4为根据本发明实施例的基于公众活动预测的优化路径规划方法的路段权重计算流程图二;
图5为根据本发明实施例的基于公众活动预测的路径规划装置的结构图。
具体实施方式
为使本领域技术人员更好的理解本发明方案,下面将结合附图描述本发明实施例。
根据本发明实施例,提供了一种基于公众活动预测的路径规划的方法实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的基于公众活动预测的路径规划方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取出行信息、实时路况信息和公众活动举办信息,其中,上述出行信息包括出发地和目的地,上述公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;
可选的,上述公众活动可以包括各类演出、大型赛事和会议等。该类公众活动大多为区域性的,对交通路况的影响确定性相对较高,适宜被分析模拟、并用于出行路径规划。该类公众活动的举办,会使大量的交通流在短时间内聚集在活动场馆及周边路网,造成交通流的时空分布发生异常,给周边路网带来巨大的冲击。但由于其发生的时间、地点及规模等信息是事先明确的,故通过对已举办的公众活动信息和举办地点周边路网的信息采集及分析,可以相对全面的掌握公众活动举办前后相关区域的交通流特性,进而可以更为准确的模拟和预测,从而能够有效的应用于用户出行时的路径规划。
步骤S102,采用路况预测模型,根据出行信息、实时路况信息和公众活动举办信息,确定出发地到目的地的最优行驶路径,其中,该路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
通过上述步骤,可以实现在本发明实施例中,采用通过预定历史时期内的公众活动信息和路况信息训练小波神经网络模型的方式,将生成的路况预测模型应用在用户路径规划上,提出一种考虑城市中区域性公众活动事件对交通路况影响的出行路径规划方法。本发明实施例在路径规划之初就引入以区域性公众活动事件为主的确定性事件所导致的未来路况变化,解决相关技术中因区域性公众活动对交通路况影响大而降低路径规划可靠性的技术问题,可以良好的帮助用户在出行时规避此类城市交通事件的影响,实现进一步提升路径规划合理性,可提前规避出行途中可能受到的公众活动事件影响的技术效果。
可选的,为了提前规避出行时段可能出现的路况大幅变化,还可以采用滑动平均模型或回归模型,通过预定历史时期内的公众活动信息和路况信息训练路况预测模型。通过采用滑动平均模型、回归模型或小波神经网络模型等方法预测出行时段上交通流变化的情况,使得对后续时段的路况预测效果更佳。
优选的,采用路况预测模型,根据出行信息、实时路况信息和公众活动举办信息,确定出发地到目的地的最优行驶路径,可以包括:根据公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];根据上述活动影响路段Lj和活动影响时间段[Te0,Ten],路径预定模型以ΔT为预定时间间隔,输出活动影响路段Lj的速度预测矩阵V,其中,速度预测矩阵V中的元素Vji为活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;根据出行信息、实时路况信息和速度预测矩阵V,计算出发地到目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;根据选择权重Ak,确定最优行驶路径。
可选的,ΔT可以取3分钟、5分钟或10分钟。上述速度预测矩阵V中的每一行元素为活动影响路段Lj在活动影响时间段[Te0,Ten]内以ΔT为间隔的不同时段内的预测平均通行速度,V中的每一列元素为在同一时段内所有活动影响路段的预测平均通行速度。
例如ΔT取10分钟时,假设公众活动举办地点为C,举办时间为上午10点到11点,进一步确定出活动影响路段为周边的C1,C2,C3,C4,C5,C6,C7,C8,活动影响时间段[9:30,11:30],通过预定历史时期内公众活动信息和路况信息的训练,路况预测模型将输出的速度预测矩阵为
优选的,根据出行信息、实时路况信息和速度预测矩阵V,计算出发地到目的地之间每一条可通行路段Sk的选择权重Ak,可以包括:判断每一条可通行路段Sk是否为活动影响路段Lj;根据判断结果,将可通行路段Sk分为活动影响区域路段S'k和非活动影响区域路段S”k,其中S'k∈Lj;
在Sk为活动影响区域路段S'k的情况下,根据实时路况信息和速度预测矩阵V,计算从出发地到达活动影响区域路段S'k的时间t'SK;再判断上述t'SK是否在活动影响时间段[Te0,Ten]期间;在判断结果为是的情况下,根据速度预测矩阵V,确定活动影响区域路段S'k在t'Sk所属时间段中的预测平均通行速度Vkτ,并计算活动影响区域路段S'k的选择权重其中,Vkτ∈Vji,D'Sk为活动影响区域路段S'k的长度,τ为的商中的整数部分,0≤τ≤n,其中,τ为上述商中的向下取整数部分,即若的值为2.3时,τ为2,若的值为5.7时,τ为5;在判断结果为否的情况下,根据实时路况信息,计算活动影响区域路段S'k的选择权重其中,Vk'为活动影响区域路段S'k在进行路径规划时的实时平均通行速度;
在Sk为非活动影响区域路段S”k的情况下,计算非活动影响区域路段S”k的选择权重其中,D”Sk为非活动影响区域路段S”k的长度,Vk”为非活动影响区域路段S”k在进行路径规划时的实时平均通行速度。
城市中区域性公众活动事件(如大型体育赛事、文艺演出等)是一种相对明确且交通影响模式清晰的事件,本发明实施例的将区域性公众活动事件纳入交通路况预测中的方法,在路径规划之初就引入确定性的事件所导致的未来路况变化,可以提前规避出行途中可能受到的公众活动事件影响,进一步提升了路径规划的合理性。
针对规划中的路径选择方式,优选的,本发明实施例中根据选择权重Ak,确定最优行驶路径,可以包括以下几个步骤:
步骤一:根据Sk确定可通行路网中的所有节点Ng,其中,出发地为节点N0,g为自然数;
步骤二:根据N0与Ng之间通过Sk的连接情况,构建每一个节点到N0的通过时长数组W={W00,W01,W02,...W0g},其中,W的初始值中,与N0有路段相连的节点对应的W0g为路段的选择权重Ak,与N0没有路段相连的节点对应的W0g为无穷大;
步骤三:构建顶点集合NE,其中,集合NE中的元素为已确定至N0最短通过时长的节点,NE的初始集合中只有N0;
步骤四:确定W中的最小值Wmin;
步骤五:根据最小值Wmin,获取与之对应的节点Nmin;
步骤六:将节点Nmin加入NE中,根据节点Nmin与其他不在NE中的节点之间通过Sk的连接情况,重新计算与Nmin有路径相连的节点对应的W0g;
步骤七:比较重新计算前后两个W0g的大小,将较小的W0g更新入W中,同时记录Wmin对应的由节点Nmin至N0的最优路径;
步骤八:判断节点Nmin是否为目的地,
当判断结果为否时,重复步骤五至步骤七,其中,在每一次进入步骤五之前,还包括确定更新后的W中除去已加入NE的节点对应的W0g之外的最小值Wmin;
当判断结果为是时,计算结束,并将记录的节点Nmin至N0的最优路径确定为最优行驶路径。
本发明实施例通过建立上述区域性公众活动交通影响下的最优路径算法,将路径选择过程从出发地开始向附近节点由近及远层层扩展,直到寻求出至目的地的最优行驶路径,算法简单、便捷,结果可靠。
进一步的,结合上述路况预测模型和最优路径算法,优选的,根据节点Nmin与其他不在NE中的节点之间通过可通行路段Sk的连接情况,重新计算与Nmin有路径相连的节点对应的W0g,可以包括:获取Wmin对应的由节点Nmin至N0的最优路径,根据实时路况信息和速度预测矩阵V,计算到达节点Nmin的时间tmin;根据节点Nmin与其他不在NE中的节点之间的路径连接情况和tmin,依次判断连接节点Nmin的每一条路段是否为活动影响区域路段S'k,根据判断结果和tmin,确定连接节点Nmin的每一条路段的选择权重Ak;重新计算与Nmin有路径相连的节点对应的W0g=Wmin+Ak。
即每一次获取与最小值Wmin对应的节点Nmin后,在根据节点Nmin与其他不在顶点集合NE中的节点之间通过Sk的连接情况,重新计算与Nmin有路径相连的节点对应的W0g时,都要根据节点Nmin至N0的最优路径,通过实时路况信息和速度预测矩阵V,计算到达该节点的时间,进而通过预测情况得到与节点Nmin有连接的路段的预测速度和选择权重,再根据该选择权重计算W0g。
通过以上数个优选方案,本发明实施例通过一种考虑城市区域性公众活动事件对交通路况影响的出行路径规划方法,在路径规划之初就引入以区域性公众活动事件为主的确定性事件所导致的未来路况变化,良好的帮助用户在出行时规避此类城市交通事件的影响;同时建立了区域性公众活动交通影响下的最优路径算法,使寻求出发地至目的地的最优行驶路径的算法便捷可靠。故本发明实施例解决了相关技术中因区域性公众活动对交通路况影响大而降低路径规划可靠性的技术问题,实现了进一步提升路径规划的合理性的技术效果。
根据本发明实施例,还提供了一种基于公众活动预测的优化路径规划方法实施例,该方法包括:
第一步:汇总历史时期内区域性公众活动数据,包括活动地点、时间、类型等信息,结合当时的活动周边路况数据,采用小波神经网络建立区域性公众活动影响下的路况预测模型。
第二步:在输入实时区域性公众活动信息后,可输出受该活动影响的路段在活动开始前后,以特定时间间隔ΔT的速度预测矩阵V。图2为根据本发明实施例的基于公众活动预测的优化路径规划方法的路况预测流程图,其中,速度预测矩阵V中元素为受活动影响路段Lj在以Te0为起始时间、以ΔT为间隔的第i个时间段内的预测平均通行速度Vji。
第三步:建立优化的路段权重算法f(l,t),该方法以路段通过时长为权重。与相关技术中的路段权重算法不同,该方法输入的路段信息还包含了进入该路段的时间t。判断t时刻进入的路段Ll,t是否在速度预测矩阵V中的方法如下:如果t∈[Te0,Ten],且第l路段在V所含路段列表中,则Ll,t在V中,否则就不在。
图3为根据本发明实施例的基于公众活动预测的优化路径规划方法的路段权重计算流程图一,如图3所示,如果判断不存在,表明该路段在时刻t未受到公众活动的影响,则采用路径规划时的实时路况数据为路段赋权值其中,Dl是路段l的长度,Vl是路径规划时第l路段上的实时平均通行速度。
图4为根据本发明实施例的基于公众活动预测的优化路径规划方法的路段权重计算流程图二,如图4所示,如果判断存在,则从速度预测矩阵V中读取路段平均通行速度为该路段赋权值,具体算法如下:
首先计算时刻t所在预测路况矩阵的时间段τ,τ为结果中的向下取整数部分,如果τ<0,则τ=0。其中,ΔT为预测路况矩阵的时间间隔,Te0为预测路况矩阵的起始时间。
然后计算路段l在t时刻的权重Al,其中,Dl是路段l的长度,Vl,τ是路段l在第τ时段上的预测平均通行速度。
第四步:建立区域性公众活动交通影响下的最优路径算法:
(1)构建当前路网中所有节点Ni到起始节点N0的通过时长数组W,其中,W[0]=w00=0,是起始节点N0至其自身的通过时长;与起始节点N0有路段相连的节点Ni对应的路段l0i的通过时长w0i采用优化的路段权重算法f(l,t)得到;与起始节点N0没有路段相连的节点对应的权重为无穷大。
(2)构建已经找到了最短通过时长的顶点集合NE,初始集合中只有N0。
(3)为每个节点Ni创建其到N0节点的路径集合Ri,初始集合中,每个Ri中只有N0。
(4)从数组W中选择未纳入集合NE的顶点对应的权重值中的最小值wc,则该值就是起始节点N0到该值对应的节点Nc的最短通过时长,并且把该点Nc加入到NE和Rc中。
(5)判断新加入的节点Nc是否有路段连接到其他顶点,如果有,则计算起始节点N0通过该节点到达每个连接节点Nj的通过时长w′0j:
w′0j=w0c+wcj
其中,w0c是Nc到N0的通过时长,wcj=f(lcj,t)是Nc到Nj的通过时长,其中,lcj是Nc到Nj的路段编号,t=T0+w0c是进入路段lcj的时刻。如果w′0j<W[j],则W[j]=w′0j,且Rj=[Rc,Nj]。
(6)重复步骤(3)至(5),直到集合NE中出现了目的地节点Nd,则Rd就是从N0到Nd的最优路径,计算结束。
区域性公众活动是一种预先可知的城市交通影响事件,本发明实施例充分运用这一特性,基于历史数据分析建模,对预先可知的事件影响下的城市交通路况进行模拟预测,所形成的结果作为最优交通路径规划的计算依据。本方法没有采用城市常规路况预测,而仅考虑区域性公众活动这种典型而确定的事件,在规避常规路况预测不确定性的同时,帮助用户在规划之初即考虑到了确定性的交通影响事件,实现未雨绸缪,在实际应用中具有可靠性和可实施性。
根据本发明实施例,还提供了一种基于公众活动预测的路径规划的装置实施例。图5为根据本发明实施例的基于公众活动预测的路径规划装置的结构图,如图5所示,该装置包括:获取模块51和确定模块52,其中,
获取模块51,用于获取出行信息、实时路况信息和公众活动举办信息,该出行信息包括出发地和目的地,公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;
确定模块52,连接与上述获取模块51,用于采用路况预测模型,根据出行信息、实时路况信息和公众活动举办信息,确定出发地到目的地的最优行驶路径,其中,路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
优选的,确定模块52,可以包括:第一确定单元,用于根据公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];输出单元,用于根据活动影响路段Lj和活动影响时间段[Te0,Ten],路径预定模型以ΔT为预定时间间隔,输出活动影响路段Lj的速度预测矩阵V,其中,速度预测矩阵V中的元素Vji为活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;计算单元,用于根据出行信息、实时路况信息和速度预测矩阵V,计算出发地到目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;第二确定单元,用于根据选择权重Ak,确定最优行驶路径。
根据本发明实施例,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备可以执行上述任意一项的基于公众活动预测的路径规划方法。
根据本发明实施例,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时可以执行上述任意一项的基于公众活动预测的路径规划方法。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (9)
1.一种基于公众活动预测的路径规划方法,其特征在于,包括:
获取出行信息、实时路况信息和公众活动举办信息,其中,所述出行信息包括出发地和目的地,所述公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;
采用路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,其中,所述路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
2.根据权利要求1所述的方法,其特征在于,采用所述路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,包括:
根据所述公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];
根据所述活动影响路段Lj和所述活动影响时间段[Te0,Ten],所述路径预定模型以ΔT为预定时间间隔,输出所述活动影响路段Lj的速度预测矩阵V,其中,所述速度预测矩阵V中的元素Vji为所述活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;
根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;
根据所述选择权重Ak,确定所述最优行驶路径。
3.根据权利要求2所述的方法,其特征在于,根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,包括:
判断每一条可通行路段Sk是否为所述活动影响路段Lj;
根据判断结果,将所述可通行路段Sk分为活动影响区域路段S'k和非活动影响区域路段S”k,其中S'k∈Lj;
在所述Sk为所述活动影响区域路段S'k的情况下,根据所述实时路况信息和所述速度预测矩阵V,计算从所述出发地到达所述活动影响区域路段S'k的时间t’SK;
判断所述t'SK是否在所述活动影响时间段[Te0,Ten]期间;
在判断结果为是的情况下,根据所述速度预测矩阵V,确定所述活动影响区域路段S'k在所述t'Sk所属时间段中的预测平均通行速度Vkτ,并计算所述活动影响区域路段S'k的选择权重其中,Vkτ∈Vji,D'Sk为所述活动影响区域路段S'k的长度,τ为的商中的整数部分,0≤τ≤n;
在判断结果为否的情况下,根据所述实时路况信息,计算所述活动影响区域路段S'k的选择权重其中,Vk'为所述活动影响区域路段S'k在进行路径规划时的实时平均通行速度;
在所述Sk为所述非活动影响区域路段S”k的情况下,计算所述非活动影响区域路段S”k的选择权重其中,D”Sk为所述非活动影响区域路段S”k的长度,Vk”为所述非活动影响区域路段S”k在进行路径规划时的实时平均通行速度。
4.根据权利要求3所述的方法,其特征在于,根据所述选择权重Ak,确定所述最优行驶路径,包括:
步骤一:根据所述Sk确定可通行路网中的所有节点Ng,其中,所述出发地为节点N0,g为自然数;
步骤二:根据所述N0与所述Ng之间通过所述Sk的连接情况,构建每一个节点到所述N0的通过时长数组W={W00,W01,W02,...W0g},其中,所述W的初始值中,与所述N0有路段相连的节点对应的W0g为所述路段的选择权重Ak,与所述N0没有路段相连的节点对应的W0g为无穷大;
步骤三:构建顶点集合NE,其中,所述NE中的元素为已确定至所述N0最短通过时长的节点,所述NE的初始集合中只有N0;
步骤四:确定所述W中的最小值Wmin;
步骤五:根据所述最小值Wmin,获取与之对应的节点Nmin;
步骤六:将所述节点Nmin加入所述NE中,根据所述节点Nmin与其他不在所述NE中的节点之间通过所述Sk的连接情况,重新计算与所述Nmin有路径相连的节点对应的W0g;
步骤七:比较重新计算前后两个W0g的大小,将较小的W0g更新入所述W中,同时记录所述Wmin对应的由所述节点Nmin至所述N0的最优路径;
步骤八:判断所述节点Nmin是否为目的地,
当判断结果为否时,重复步骤五至步骤七,其中,在每一次进入步骤五之前,还包括确定更新后的W中除去已加入所述NE的节点对应的W0g之外的最小值Wmin;
当判断结果为是时,计算结束,并将记录的所述节点Nmin至所述N0的最优路径确定为所述最优行驶路径。
5.根据权利要求4所述的方法,其特征在于,根据所述节点Nmin与其他不在所述NE中的节点之间通过所述Sk的连接情况,重新计算与所述Nmin有路径相连的节点对应的W0g,包括:
获取所述Wmin对应的由所述节点Nmin至所述N0的最优路径,根据所述实时路况信息和所述速度预测矩阵V,计算到达所述节点Nmin的时间tmin;
根据所述节点Nmin与其他不在所述NE中的节点之间的路径连接情况和所述tmin,依次判断连接所述节点Nmin的每一条路段是否为活动影响区域路段S'k,根据判断结果和所述tmin,确定连接所述节点Nmin的每一条路段的选择权重Ak;
重新计算与所述Nmin有路径相连的节点对应的W0g=Wmin+Ak。
6.一种基于公众活动预测的路径规划装置,其特征在于,包括:
获取模块,用于获取出行信息、实时路况信息和公众活动举办信息,其中,所述出行信息包括出发地和目的地,所述公众活动举办信息包括正在举办和即将举办的公众活动的活动地点、活动时间和活动类型;
确定模块,用于采用路况预测模型,根据所述出行信息、所述实时路况信息和所述公众活动举办信息,确定所述出发地到所述目的地的最优行驶路径,其中,所述路况预测模型为结合预定历史时期内的公众活动信息和路况信息训练的小波神经网络模型。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,包括:
第一确定单元,用于根据所述公众活动举办信息,确定活动影响路段Lj和活动影响时间段[Te0,Ten];
输出单元,用于根据所述活动影响路段Lj和所述活动影响时间段[Te0,Ten],所述路径预定模型以ΔT为预定时间间隔,输出所述活动影响路段Lj的速度预测矩阵V,其中,所述速度预测矩阵V中的元素Vji为所述活动影响路段Lj在以Te0为起始时间,以ΔT为间隔的第i个时间段内的预测平均通行速度,j、i和n都为自然数,i≤n;
计算单元,用于根据所述出行信息、所述实时路况信息和所述速度预测矩阵V,计算所述出发地到所述目的地之间每一条可通行路段Sk的选择权重Ak,其中,k为自然数;
第二确定单元,用于根据所述选择权重Ak,确定所述最优行驶路径。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1到5所述的任意一项的基于公众活动预测的路径规划方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到5所述的任意一项的基于公众活动预测的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470249.1A CN110220527B (zh) | 2019-05-31 | 2019-05-31 | 一种基于公众活动预测的路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470249.1A CN110220527B (zh) | 2019-05-31 | 2019-05-31 | 一种基于公众活动预测的路径规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110220527A true CN110220527A (zh) | 2019-09-10 |
CN110220527B CN110220527B (zh) | 2021-04-02 |
Family
ID=67819223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910470249.1A Active CN110220527B (zh) | 2019-05-31 | 2019-05-31 | 一种基于公众活动预测的路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110220527B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111486861A (zh) * | 2020-04-21 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路径规划方法、装置、设备和介质 |
CN112862204A (zh) * | 2021-02-23 | 2021-05-28 | 国汽(北京)智能网联汽车研究院有限公司 | 一种路径规划方法、系统、计算机设备及可读存储介质 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770690A (zh) * | 2009-12-25 | 2010-07-07 | 东软集团股份有限公司 | 交通状况预测装置及经路探索装置 |
CN102353380A (zh) * | 2011-06-30 | 2012-02-15 | 福建慧翰信息技术有限公司 | 路况预测和查询系统及方法 |
JP2012052805A (ja) * | 2010-08-31 | 2012-03-15 | Sanyo Electric Co Ltd | ナビゲーション装置 |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN103278168A (zh) * | 2013-04-28 | 2013-09-04 | 北京航空航天大学 | 一种面向交通热点规避的路径规划方法 |
CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及系统 |
WO2014150189A1 (en) * | 2013-03-15 | 2014-09-25 | Inrix Inc | Event-based traffic routing |
CN104567897A (zh) * | 2013-10-16 | 2015-04-29 | 大陆汽车投资(上海)有限公司 | 结合路况预测的路径规划方法及导航装置 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106297357A (zh) * | 2016-08-26 | 2017-01-04 | 华南理工大学 | 基于车联网的实时路径规划和poi信息检索系统及方法 |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
CN108053673A (zh) * | 2017-12-08 | 2018-05-18 | 上海壹账通金融科技有限公司 | 一种路况预报方法、存储介质和服务器 |
-
2019
- 2019-05-31 CN CN201910470249.1A patent/CN110220527B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770690A (zh) * | 2009-12-25 | 2010-07-07 | 东软集团股份有限公司 | 交通状况预测装置及经路探索装置 |
JP2012052805A (ja) * | 2010-08-31 | 2012-03-15 | Sanyo Electric Co Ltd | ナビゲーション装置 |
CN102353380A (zh) * | 2011-06-30 | 2012-02-15 | 福建慧翰信息技术有限公司 | 路况预测和查询系统及方法 |
WO2014150189A1 (en) * | 2013-03-15 | 2014-09-25 | Inrix Inc | Event-based traffic routing |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN103278168A (zh) * | 2013-04-28 | 2013-09-04 | 北京航空航天大学 | 一种面向交通热点规避的路径规划方法 |
CN104567897A (zh) * | 2013-10-16 | 2015-04-29 | 大陆汽车投资(上海)有限公司 | 结合路况预测的路径规划方法及导航装置 |
CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及系统 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106297357A (zh) * | 2016-08-26 | 2017-01-04 | 华南理工大学 | 基于车联网的实时路径规划和poi信息检索系统及方法 |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
CN108053673A (zh) * | 2017-12-08 | 2018-05-18 | 上海壹账通金融科技有限公司 | 一种路况预报方法、存储介质和服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111486861A (zh) * | 2020-04-21 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路径规划方法、装置、设备和介质 |
CN112862204A (zh) * | 2021-02-23 | 2021-05-28 | 国汽(北京)智能网联汽车研究院有限公司 | 一种路径规划方法、系统、计算机设备及可读存储介质 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
CN113095636B (zh) * | 2021-03-25 | 2024-01-23 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110220527B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kotsialos et al. | Traffic flow modeling of large-scale motorway networks using the macroscopic modeling tool METANET | |
CN107643085B (zh) | 一种路径推荐方法与装置 | |
CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN111197991B (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
CN110220527A (zh) | 一种基于公众活动预测的路径规划方法和装置 | |
Ortigosa et al. | Analysis of network exit functions for various urban grid network configurations | |
CN110361024A (zh) | 利用车辆组标识的动态车道级车辆导航 | |
JP5815718B2 (ja) | プローブデータを利用してナビゲーション優先度設定を判定し且つ検証する方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
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 | |
Li et al. | Adaptive traffic signal control model on intersections based on deep reinforcement learning | |
CN107045794A (zh) | 路况处理方法及装置 | |
Renfrew et al. | Traffic signal optimization using ant colony algorithm | |
CN109360421A (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
CN108629970A (zh) | 基于蒙特卡罗树搜索的交叉口信号参数优化方法 | |
CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
Zhao et al. | Traffic signal control with deep reinforcement learning | |
CN109520499A (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN113724507A (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
JP2014137741A (ja) | 交通評価装置、コンピュータプログラム及び交通評価方法 | |
Jang et al. | A study on the effectiveness of A2C and A3C reinforcement learning in parking space search in urban areas problem | |
CN115472023B (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 |
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 |