CN110274609B - 一种基于行程时间预测的实时路径规划方法 - Google Patents
一种基于行程时间预测的实时路径规划方法 Download PDFInfo
- Publication number
- CN110274609B CN110274609B CN201910495958.5A CN201910495958A CN110274609B CN 110274609 B CN110274609 B CN 110274609B CN 201910495958 A CN201910495958 A CN 201910495958A CN 110274609 B CN110274609 B CN 110274609B
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- travel time
- data
- vehicle travel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Images
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
- G01C21/3492—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于行程时间预测的实时路径规划方法，根据历史数据都具有相似的原则，采用道路车辆行程时间的历史数据对BP神经网络预测模型进行训练，得到误差相对较小的预测数据，以预测数据为路径导航规划的数据，采用Dijkstra最短路径算法进行实时动态路径规划，改进了现在很多导航系统都是依据车辆在道路的行驶速度，计算出的总的行驶时间，没有考虑车辆行驶过程中的一些其他因素的缺点。本发明基于历史数据相似性，采用BP神经网络算法对车辆行程时间进行预测，能相对准确的预测车辆出行时间花费，进行路径规划。
Description
技术领域
本发明基于BP神经网络、预测算法以及路径诱导等，设计一种基于行程时间预测的实时路径规划方法，属于智能交通系统应用领域。
背景技术
汽车已经进入了千家万户，这样的环境导致汽车保有量在逐年增加。然而汽车在给人们的生活带来便利的同时也带来了很多的问题，例如交通拥堵严重、环境污染加重、交通事故频发等。其中交通拥堵与人们的日常生活牵涉最多，而且影响整个交通路网的正常运行，就个人而言，现在社会生活节奏越来越快，人们渴望可以得到相对确切的路网上的时间花费，避开道路拥堵路段，提高出行效率。
因此出现了很多的导航系统，给人们的出行带来了便利。目前的导航系统行程时间预测算法是在规划行驶道路后，依据规划道路时检测出的每段道路车辆行驶速度、道路长度等，累计各段道路所需行驶时间，从而得到整个导航路径所需的形式时间。由于是依据车辆在道路的行驶速度，计算出的总的行驶时间，该预测算法的缺点是没有考虑一些其他的因素，对车辆行驶过程中的影响。
发明内容
为了克服现有的路径规划中的不足，本发明提供一种基于行程时间预测的实时路径规划方法，基于历史数据相似性，采用BP神经网络算法对车辆行程时间进行预测，能相对准确的预测车辆出行时间花费，进行路径规划。
本发明为了解决上述技术问题采用的技术方案如下：
一种基于行程时间预测的实时路径规划方法，包括如下步骤：
1)收集典型路段的车辆行程时间的历史数据；
2)判断车辆行程时间数据是否存在异常，将异常数据放入异常数据集单独处理；
3)确定BP神经网络拓扑结构并确定其权值的个数，根据计算其最大信息系数来确定BP神经网络输入层的节点个数，并选取单隐层的BP神经网络模型为预测原型；
其计算公式为：
其中：公式(1)和(2)中，X，Y表示需要计算的两个变量，I(x,y)表示两个变量X，Y的互信息，ρ(x),ρ(y)表示X，Y在给定的区域内的概率，MIC(x,y)表示最大信息系数，a和b表示在X，Y的二维空间中用散点图来表示，用方格划分成的区间数目，B是变量，一般取值为数据量的0.6次方左右；
4)在BP神经网络的每一个权值的变化上加上一项正比于前次权值的变化的值，并根据BP神经网络算法来产生新的权值变化。公式如下：
其中，η为学习速率，一般取值在(0.1，0.4)；
α为权系数修正常数，一般取值为(0.7，0.9)；
5)根据确定的权值，计算实际输出误差，并将误差反向传递给输入层，进一步调整，重复过程，直到满足自己期望，退出训练；
6)由上述预测结果，预测一天各时间段的车辆行程时间，进行车辆出行的路径规划。
进一步，所述步骤3)中，BP神经网络拓扑结构如下：
输入层：输入预处理的样本数据，具体预测时段为每天各个时间段的前三周周的相同星期日期的时段以及当天前一天的预测时段，预测路口的上个路口三个方向的汇入数据等七个数据；
隐含层：M和N表示为输入和输出层的节点数，隐含层节点数一般选择M*(N+1)或者M*N+a，a取(1,10)之间的数。
输出层：为车辆行程时间一个节点。
再进一步，所述步骤6)中，采用Dijkstra最短路径算法进行车辆行程时间的路径规划，过程如下：
6.1)以起点为中心，向周围路径搜索，选择车辆行程时间最少的路段，再以该路段为起点，搜索相邻路段中车辆行程时间最短的路段；
6.2)假设用户在时间t时刻，输入出发点V0和目的地Vn进行路径规划导航；
6.3)获取分析t所属的时间段，出发点V0所属路段，得到该t时刻，V0道路的车辆行程时间t1；
6.4)到达下一路口V1的时间为t+t1，搜索得到在t1时刻V1路口所属路段的车辆预测行程时间t2；
6.5)最终的路径规划总时间T＝t+t1+t2+…ti。
更进一步，所述步骤1)中，所述BP神经网络训练样本的选取过程为：
收集典型路段的车辆行程时间的历史数据，选取一个月内每天24小时的车辆过车数据作为训练的样本数据，包括车辆速度、道路路段长度、车头间距和车辆路口通过时间，其中车辆速度、道路路段长度、车头间距是为了判断预处理的异常数据，车辆路口通过时间是为了计算车辆在道路路段的行驶时间。
本发明的有益效果为：基于历史数据相似性，采用BP神经网络算法对车辆行程时间进行预测，能相对准确的预测车辆出行时间花费，进行路径规划。
附图说明
图1为选取的典型道路示例图；
图2为BP神经网络拓扑关系图；
图3为车辆行程时间预测流程图；
图4为路径规划流程图。
图5为基于行程时间预测的实时路径规划方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。
参照图1～图5，一种基于行程时间预测的实时路径规划方法，包括如下步骤：
1)收集典型路段的车辆行程时间的历史数据，选取一个月内每天24小时的车辆过车数据作为训练的样本数据，包括车辆速度、道路路段长度、车头间距、车辆路口通过时间等，其中车辆速度、道路路段长度、车头间距是为了判断预处理的异常数据，车辆路口通过时间是为了计算车辆在道路路段的行驶时间；
2)判断车辆行程时间数据是否存在异常，将异常数据放入异常数据集单独处理(异常数据包括过大或者过小的数据，数据的缺失)，对于过大或者过小的数据，采用直接删除的方式，对于缺失的数据，采用历史平均法进行补全；
3)确定BP神经网络的输入层数，计算公式如下：
其中：公式(1)和(2)中，X，Y表示需要计算的两个变量，I(x,y)表示两个变量X，Y的互信息，ρ(x),ρ(y)表示X，Y在给定的区域内的概率，MIC(x,y)表示最大信息系数，a和b表示在X，Y的二维空间中用散点图来表示，用方格划分成的区间数目，B是变量，一般取值为数据量的0.6次方左右。
输入层：输入预处理的样本数据，具体预测时段为每天各个时间段的前三周的相同星期日期的时段以及当天前一天的预测时段，预测路口的上个路口三个方向的汇入数据等七个数据；
隐含层：M和N表示为输入和输出层的节点数，隐含层节点数一般选择M*(N+1)或者M*N+a，a取(1,10)之间的数。
输出层：为车辆行程时间一个节点数
建立BP神经网络拓扑结构，输入节点为M,隐含层节点数为L,输出层节点数为N，权值的计算公式为：
P＝M*L+L*N+M+N+L
4)在BP神经网络的每一个权值的变化上加上一项正比于前次权值的变化的值，并根据BP神经网络算法来产生新的权值变化。公式如下：
其中，η为学习速率，一般取值在(0.1，0.4)；
α为权系数修正常数，一般取值为(0.7，0.9)；
5)根据确定的权值，计算实际输出误差，并将误差反向传递给输入层，进一步调整，重复过程，直到满足自己的期望，退出训练，获取车辆行程时间预测数据。
6)由上述预测结果，确定一天各时间段的车辆行程时间，进行车辆出行的路径规划。
所述步骤6)中，采用Dijkstra最短路径算法进行车辆行程时间的路径规划，过程如下：
6.1)以起点为中心，向周围路径搜索，选择车辆行程时间最少的路段，再以该路段为起点，搜索相邻路段中车辆行程时间最短的路段；
6.2)假设用户在时间t时刻，输入出发点V0和目的地Vn进行路径规划导航；
6.3)获取分析t所属的时间段，出发点V0所属路段，得到该t时刻，V0道路的车辆行程时间t1；
6.4)到达下一路口V1的时间为t+t1，搜索得到在t1时刻V1路口所属路段的车辆预测行程时间t2；
6.5)最终的路径规划总时间T＝t+t1+t2+…ti。
Claims (3)
1.一种基于行程时间预测的实时路径规划方法，其特征在于，所述方法包括如下步骤：
1)收集典型路段的车辆行程时间的历史数据；
2)判断车辆行程时间数据是否存在异常，将异常数据放入异常数据集单独处理；
3)确定BP神经网络拓扑结构并确定其权值的个数，根据计算其最大信息系数来确定BP神经网络输入层的节点个数，并选取单隐层的BP神经网络模型为预测原型；
其计算公式为：
其中：公式(1)和(2)中，X，Y表示需要计算的两个变量，I(x,y)表示两个变量X，Y的互信息，ρ(x),ρ(y)表示X，Y在给定的区域内的概率，MIC(x,y)表示最大信息系数，a和b表示在X，Y的二维空间中用散点图来表示、用方格划分成的区间数目，B是变量；
4)在BP神经网络的每一个权值的变化上加上一项正比于前次权值的变化的值，并根据BP神经网络算法来产生新的权值变化，公式如下：
其中，η为学习速率；
5)根据确定的权值，计算实际输出误差，并将误差反向传递给输入层，进一步调整，重复过程，直到满足自己期望，退出训练；
6)由上述预测结果，预测一天各时间段的车辆行程时间，进行车辆出行的路径规划；
所述步骤6)中，采用Dijkstra最短路径算法进行车辆行程时间的路径规划，过程如下：
6.1)以起点为中心，向周围路径搜索，选择车辆行程时间最少的路段，再以该路段为起点，搜索相邻路段中车辆行程时间最短的路段；
6.2)假设用户在时刻t，输入出发点V0和目的地Vn进行路径规划导航；
6.3)获取分析，出发点V0所属路段，得到该t时刻，V0道路的车辆行程时间t1；
6.4)到达下一路口V1的时刻为t+t1，搜索得到在t+t1时刻V1路口所属路段的车辆预测行程时间t2；
6.5)最终的路径规划总时间T＝t1+t2+…ti。
2.如权利要求1所述的一种基于行程时间预测的实时路径规划方法，其特征在于，所述步骤3)中，BP神经网络拓扑结构如下：
输入层：输入预处理的样本数据，具体预测时段为每天各个时间段的前三周的相同星期日期的时段以及当天前一天的预测时段，预测路口的上个路口三个方向的汇入数据；
隐含层：M和N表示为输入和输出层的节点数，隐含层节点数选择M*(N+1)或者M*N+a，a取(1,10)之间的数；
输出层：为车辆行程时间一个节点。
3.如权利要求1或2所述的一种基于行程时间预测的实时路径规划方法，其特征在于，所述步骤1)中，所述BP神经网络训练样本的选取过程为：
收集典型路段的车辆行程时间的历史数据，选取一个月内每天24小时的车辆过车数据作为训练的样本数据，包括车辆速度、道路路段长度、车头间距和车辆路口通过时间，其中车辆速度、道路路段长度、车头间距是为了判断预处理的异常数据，车辆路口通过时间是为了计算车辆在道路路段的行驶时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495958.5A CN110274609B (zh) | 2019-06-10 | 2019-06-10 | 一种基于行程时间预测的实时路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495958.5A CN110274609B (zh) | 2019-06-10 | 2019-06-10 | 一种基于行程时间预测的实时路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110274609A CN110274609A (zh) | 2019-09-24 |
| CN110274609B true CN110274609B (zh) | 2021-08-03 |
Family
ID=67961968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910495958.5A Active CN110274609B (zh) | 2019-06-10 | 2019-06-10 | 一种基于行程时间预测的实时路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110274609B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110617834B (zh) * | 2019-10-31 | 2021-02-26 | 电子科技大学 | 一种高斯过程路网下的最短路径规划方法 |
| CN110954119B (zh) * | 2019-11-11 | 2022-02-18 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
| CN112991798B (zh) * | 2019-12-12 | 2022-05-20 | 沈阳美行科技股份有限公司 | 基于通行速度数据的道路线段行驶时间确定方法及装置 |
| CN111197991B (zh) * | 2020-01-15 | 2022-09-23 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
| CN113252054B (zh) * | 2020-02-11 | 2023-11-28 | 株式会社日立制作所 | 一种导航方法和导航系统 |
| CN112967493A (zh) * | 2021-01-16 | 2021-06-15 | 北京工业大学 | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 |
| CN113269364A (zh) * | 2021-06-01 | 2021-08-17 | 上海汽车集团股份有限公司 | 一种共享车辆的调度方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127344A (zh) * | 2016-06-28 | 2016-11-16 | 合肥酷睿网络科技有限公司 | 一种基于网络的公交车到站时间预测方法 |
| CN106228268A (zh) * | 2016-07-26 | 2016-12-14 | 北京航空航天大学 | 一种基于收费数据的高速公路旅行时间的预测方法 |
| CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地系统单相接地故障选线方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
| CN109816170A (zh) * | 2019-01-25 | 2019-05-28 | 湖北大学 | 一种基于轨迹挖掘的出租车等待时间预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7058617B1 (en) * | 1996-05-06 | 2006-06-06 | Pavilion Technologies, Inc. | Method and apparatus for training a system model with gain constraints |
| CN109670580A (zh) * | 2018-12-21 | 2019-04-23 | 浙江工业大学 | 一种基于时间序列的数据修复方法 |
-
2019
- 2019-06-10 CN CN201910495958.5A patent/CN110274609B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127344A (zh) * | 2016-06-28 | 2016-11-16 | 合肥酷睿网络科技有限公司 | 一种基于网络的公交车到站时间预测方法 |
| CN106228268A (zh) * | 2016-07-26 | 2016-12-14 | 北京航空航天大学 | 一种基于收费数据的高速公路旅行时间的预测方法 |
| CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地系统单相接地故障选线方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
| CN109816170A (zh) * | 2019-01-25 | 2019-05-28 | 湖北大学 | 一种基于轨迹挖掘的出租车等待时间预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 附加周期和神经网络补偿的实时钟差预报模型;黄观文 等;《宇航学报》;20180131;第39卷(第1期);第83-88页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110274609A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110274609B (zh) | 一种基于行程时间预测的实时路径规划方法 | |
| CN110119839B (zh) | 一种城市道路交通事故应急救援路径规划方法 | |
| CN110516708B (zh) | 一种基于轨迹与路网匹配的路径预测方法 | |
| CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| CN101488284A (zh) | 道路交通状况即时预测的智能管理系统 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| Hu et al. | Optimal route planning system for logistics vehicles based on artificial intelligence | |
| CN109615851B (zh) | 一种在群智感知系统中基于关键路段的感知节点选取方法 | |
| CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
| CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
| CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
| Pettet et al. | Incident analysis and prediction using clustering and bayesian network | |
| CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
| CN110979342A (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
| CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
| CN110675646B (zh) | 公交站点位置获取方法及装置 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
| Park et al. | Intelligent speed profile prediction on urban traffic networks with machine learning | |
| CN104850657B (zh) | 一种全息位置地图的迭加方法 | |
| CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
| TW201738859A (zh) | 車速預測方法 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| Cheng et al. | Bus arrival time prediction model based on APC data |
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 |