CN110954119A - 一种基于大数据的城市道路机动车最优线路诱导方法 - Google Patents

Abstract

本发明提供的基于大数据的城市道路机动车最优线路诱导方法，利用改进的牌照法与车流波动理论相结合实测过路时间，利用大数据训练下的神经网络预测过路时间。本系统进行实时路况的提取并在后台进行大数据的处理，在车辆到达每段路时进行一次规划，若线路有所改变，将向驾驶员推荐更改线路,以避免行驶路线过长或在拥堵路段行车时间过长。此外，驾驶员还可输入多个目的地，采用蚁群算法规划多个有序目的地的最优路线向驾驶员推荐，采用贪心算法规划多个无序目的地的最优路线。本发明可以在出行前分析普遍规律提前预测规划出行路线，然后在行驶的过程中结合实时道路拥堵情况再进行最优路径的选择，具有很好的实时性，能够灵活的应对突发状况。

Description

一种基于大数据的城市道路机动车最优线路诱导方法

技术领域

本发明涉及路径规划技术领域，特别涉及一种基于大数据的城市道路机动车最优线路诱导方法。

背景技术

近年来，地图导航软件在人们的生活中变得十分重要。无论是基于何种方式出行，都可以借助地图导航软件规划出一条相对省时、经济的路线。但我国目前尚未建立一套完善的实时交通信息收集和发布的系统，而且目前的导航软件规划路径主要的参考值是路径最短，实时性不高。温毓铭等基于物联网的智能交通道路导航系统采用c#集成开发环境，利用c#语言进行编程开发和代码实现，采用SQL SERVER数据库管理数据进行路径的规划、节点及路线的管理以及距离的计算和拥堵路段管理。孔祥丽利用ITS和LBS获取路段长度、道路安全状况拥挤系数及道路的交通状况信息从而进行路径规划的过程。李媛提出了一种基于分区策略的动态路径规划方法，提出了图的划分方法。通过上述的研究方向，也只是提出了最短路径的搜寻办法，而没有考虑到路况信息的实时性，同时无法实现未来路径出行规划。

因此，如何提供一种基于大数据的城市道路机动车最短过路时间的路径推荐方法是本领域技术人员亟待解决的技术问题。

发明内容

本发明针对上述研究现状和存在的问题，提供了基于大数据的城市道路机动车最优线路诱导方法。通过对车辆轨迹数据的大量积累，使得估计动态路网中路径的通行时间变为可能，即针对给定的起点和终点，对不同路径的通行时间进行预测，从而找出通行时间最短的路径。

一种基于大数据的城市道路机动车最优线路诱导方法，包括如下步骤：

S1、以带权邻接矩阵的数据结构对路段节点进行存储，得到道路网络；

S2、根据道路通行时间相关的影响因素量化值和当前路段的当前时刻车辆通行实测时间，构建神经网络模型，用于预测当前路段的下一时刻车辆通行预测时间；

S3、获取目的节点、初始节点和初始时间；初始节点相邻的若干路段A当前时刻的车辆通行实测时间，并计算得到车辆达到路段A末端的时刻；

S4、获取道路网络中与路段A末端相交的路段B在当前时刻的车辆通行实测时间；

S5、将路段B在当前时刻的车辆通行实测时间输入至神经网络模型，得到在车辆到达路段A末端时刻下，路段B的车辆通行预测时间；

S6、判断路段B末端节点是否为目的节点，若不是，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点；若是，则进入S7；

S7、整合与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间，得到初始节点到目的节点之间所有线路的过路时间；

S8、利用改进的迪杰斯特拉算法，选择最短过路时间路径。

优选的，所述S1中，对道路网络上的每个节点进行编号；所述邻接矩阵包括节点之间的路程邻接矩阵、时间邻接矩阵、速度邻接矩阵，

路程邻接矩阵，若两节点o,s之间存在通路，则Arcs[o][s]有值并且等于o,s之间的距离，无通路时Arcs[s][o]＝Arcs[o][s]＝∞；

速度邻接矩阵，为道路网络中所有路段上的预计平均速度，所述预计平均速度的值根据拥堵信息更新，采用区间测速的方法获得预计值；

时间邻接矩阵，根据公式：t＝s/v，若两节点o,s之间存在通路时Time[o][s]＝Arcs[o][s]/Speed[o][s]，否则为∞，其中Speed[o][s]为节点o,s之间的速度邻接矩阵。

优选的，所述S2中构建神经网络模型的步骤包括：

将一系列与道路通行时间相关的影响因素量化后，再与当前路段的真实车辆通行实测时间汇总作为一个基本样本；

每过固定时间采集并储存一个基本样本，最终组成大数据网络；

再将所述大数据网络中的一个基本样本和上一个时刻的基本样本中的当前路段的真实车辆通行实测时间作为一个训练样本，若干个训练样本经过反复大量的训练后，得到以当前量化的影响因素作为未来预测的依据的神经网络模型；

将当前路段的当前时刻车辆通行实测时间输入至神经网络，预测得到当前路段的下一时刻车辆通行预测时间。

优选的，所述S3中，获取路段当前时刻的车辆通行实测时间的步骤包括：

在每一路段的路始和路末位置设置牌照监控设备，用于获得通过该路段的车辆通行实测时间，所述车辆通行实测时间为根据最小样本量计算的平均车辆通行实测时间；

其中，在给定时间内，若当前路段实测过路车辆少于该路段最小样本量，则利用牌照法确定路段是否拥堵，若路段拥堵，则触发车流波动算法计算拥堵消散时间以及车辆通过拥堵路段的时间。

优选的，所述S6中，若路段B末端节点不是目的节点，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点，具体为：

根据路段B的车辆通行预测时间得到车辆达到路段B末端节点的时刻，返回至S4，同时将路段B作为新的路段A，查找与新的路段A末端相交的新的路段B，并重复执行S4～S6。

优选的，所述S7中，整合与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间包括：

将与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间进行叠加；所述初始节点与目的节点之间其余路段为初始节点与目的节点之间单一路径方向上，除去与初始节点相邻的路段A的其余路段。

优选的，所述S8中改进的迪杰斯特拉算法包括：

利用改进的迪杰斯特拉算法对行驶时间进行判断，保留路径信息，并指定一个目的节点，求道路网络中初始节点与目的节点的时间最短路径：按照过路时间递增的次序产生最短用时路径。

优选的，结合改进的迪杰斯特拉算法，根据路段通行时间和信号灯时间获得所有路径中用时最短的路径。

优选的，当输入多个目的节点，且目的节点顺序确定时，通过改进的迪杰斯特拉算法结合贪心算法规划用时最短的路径。

优选的，当输入多个目的节点，且目的节点顺序不确定时，通过改进的迪杰斯特拉算法结合蚁群算法规划用时最短的路径。

本发明相较现有技术具有以下有益效果：

本发明提供的基于大数据的城市道路机动车最优线路诱导方法能够及时计算出合适路线，在驾驶员准备出行时为驾驶员规划好路线，并在驾驶过程中实时计算最优路线供驾驶员选择。本发明有助于缓解城市拥堵，在建立大数据的数据库后，还会利用神经网络对以往数据进行学习从而预测未来道路情况，即比如高峰期出行一般都是集中在一个时段堵车，此时本发明可以在出行前分析普遍规律提前预测规划出行路线，然后在行驶的过程中结合实时道路拥堵情况再进行最优路径的选择。并且在选择最优路线的同时，驾驶员还可设置多个有序或无序的目的地，会根据驾驶员的设置规划最优路线供驾驶员选择。而且本系统具有很好的实时性，能够灵活的应对突发状况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明提供的基于大数据的城市道路机动车最优线路诱导方法的流程图；

图2是本发明提供的部分道路网络示意图；

图3是本发明提供的当前路段的车辆通行实测时间计算示意图；

图4是本发明提供的最优路径规划示意图；

图5是本发明提供的神经网络拟合结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图1对本发明的实施例作详细的描述。

请参阅说明书附图1，为本发明基于大数据的城市道路机动车最优线路诱导方法实施方式的流程图。在本实施方式中，包括如下步骤：

S1、以带权邻接矩阵(设为Arcs)的数据结构对路段节点进行存储，得到道路网络；对道路网络上的每个节点进行编号；所述邻接矩阵包括节点之间的路程邻接矩阵、时间邻接矩阵、速度邻接矩阵，

路程邻接矩阵，若两节点o,s之间存在通路，则Arcs[o][s]有值并且等于o,s之间的距离，由于这里认为道路是双向可行的，因此Arcs[s][o]＝Arcs[o][s]，无通路时Arcs[s][o]＝Arcs[o][s]＝∞；由于本实施例重点考虑道路上花费的时间，因此对路网增添了如：是否拥堵、速度，时间等几层信息，依然是邻接矩阵的形式。时间邻接矩阵由路程、拥堵、速度等矩阵信息推算得出。

速度邻接矩阵，为道路网络中所有路段上的预计平均速度，所述预计平均速度的值根据拥堵信息更新，采用区间测速的方法获得预计值；

时间邻接矩阵，根据公式：t＝s/v，若两节点o,s之间存在通路时Time[o][s]＝Arcs[o][s]/Speed[o][s]，否则为∞，其中Speed[o][s]为节点o,s之间的速度邻接矩阵。

S2、根据道路通行时间相关的影响因素量化值和当前路段的当前时刻车辆通行实测时间，构建神经网络模型，用于预测当前路段的下一时刻车辆通行预测时间；构建神经网络模型的步骤包括：

将一系列与道路通行时间相关的影响因素量化后，再与当前路段的真实车辆通行实测时间汇总作为一个基本样本；

每过固定时间如5分钟(此时间依据所能提供的最大存储容量与后期处理样本的速度)采集并储存一个基本样本，最终组成大数据网络；

再将所述大数据网络中的一个基本样本和上一个时刻的基本样本中的当前路段的真实车辆通行实测时间作为一个训练样本，若干个训练样本经过反复大量的训练后，得到以当前量化的影响因素作为未来预测的依据的神经网络模型；

将当前路段的当前时刻车辆通行实测时间输入至神经网络，预测得到当前路段的下一时刻车辆通行预测时间。

采用BP(Back Propagation)神经网络算法，这是一种误差反向传播的监督式学习算法，理论上可以用来逼近任何一个函数，具有很好的非线性映射能力。我们将道路的拥堵情况视为一个由日期、时间和天气等因素为自变量的多元函数，通过大数据收集足够的相关数据，输入到神经网络中，经过算法的训练拟合出道路拥堵信息的预测函数来实现对道路拥堵情况的预测，参见说明书附图5。

S3、获取目的节点、初始节点和初始时间；如果驾驶员想要知道未来出行的最优路径，只需在本系统中输入目的地、初始地与初始时间即可利用预测时间规划最优路线。

获取初始节点相邻的若干路段A当前时刻的车辆通行实测时间，具体步骤包括：

在每一路段的路始和路末位置设置牌照监控设备，能够得知每一辆车的具体位置，以及通过各个路口的时间差。从而得到通过当前路段的车辆通行实测时间，所述车辆通行实测时间为根据最小样本量计算的平均车辆通行实测时间。在路始位置和路末位置可以得到通过的车辆数n以及各车辆通过此路段所用时间t_i，i＝1,2,3…n。对于最小样本量N的取值，在我们知道段路的平均标准差S、平均车速的容许误差E以及置信度K后，可利用公式

算出相应N的取值。对于车流密度，可利用公式

计算，Q为车流量，V为平均速度。对于车流量，可利用全自动交通流量观测仪得知此路段车流量。

参见说明书附图3，截取一小段路网举例，假设图中有7辆车行驶方向一致(从路1至路2)，我们将路2的N值取为3，定义一段时间为t。若要预测⑦车通过路2的运行时间，在t时间内，当i≥N时，我们取④③②车通过路2的时间的平均值作为实测时间；当i＜N时，此时只会有两种路段情况：出现拥堵或者非常通畅，我们利用牌照法确定路段是拥堵还是通畅，若道路拥堵，则触发车流波动理论计算拥堵消散时间以及车辆通过拥堵路段的时间。

S4、获取道路网络中与路段A末端相交的路段B在当前时刻的车辆通行实测时间；

S5、将路段B在当前时刻的车辆通行实测时间输入至神经网络模型，得到在车辆到达路段A末端时刻下，路段B的车辆通行预测时间；

S6、判断路段B末端节点是否为目的节点，若不是，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点；若是，则进入S7；若路段B末端节点不是目的节点，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点，根据路段B的车辆通行预测时间得到车辆达到路段B末端节点的时刻，返回至S4，同时将路段B作为新的路段A，查找与新的路段A末端相交的新的路段B，并重复执行S4～S6。

S7、将与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间进行叠加，得到初始节点到目的节点之间所有线路的过路时间。所述初始节点与目的节点之间其余路段为初始节点与目的节点之间单一路径方向上，除去与初始节点相邻的路段A的其余路段。

参见说明书附图2，在有了实测时间和预测时间后，系统将两时间结合以规划最优路线：与初始地相邻路段的车辆通行时间取实测时间，其余路段时间取预测时间。参见说明书附图2，假设车辆到达A点是10：00，则本系统规划路线时取①、②、③、④路段的实测时间，处于车辆正常通行的路段取预测时间(如⑤路通行时间取10：08时刻的预测时间，依次推知整个路网)。

S8、利用改进的迪杰斯特拉算法，选择最短过路时间路径。

改进的迪杰斯特拉算法包括：

利用改进的迪杰斯特拉算法对行驶时间进行判断，保留路径信息，并指定一个目的节点，求道路网络中初始节点与目的节点的时间最短路径：按照过路时间递增的次序产生最短用时路径。

迪杰斯特拉算法的改进：(1)将传统算法中对路程邻接矩阵的运算变更为对时间邻接矩阵的运算，得到时间最短路径。(2)传统迪杰斯特拉算法仅计算在最短路径上所花费的路程长度，但无法得知用时最短路径，所以在算法中引入了path[]数组来记录行走路径。

改进的迪杰斯特拉算法的具体实现：

首先需要引进3个辅助数组：time[]、path[]、set[]。

time[V_i]表示当前已经找到的从V₀到每个终端V_u的最短时间。它的初始状态为：若从V₀到V_i有边，则time[V_i]为通过该边需要消耗的时间，否则time[V_i]为∞。

path[V_i]中保存从V0到V_i最短时间路径上V_i的一个顶点，假设最短路径上的顶点序列为V0,V1,V2,…,V_i-1,V_i，则path[V_i]＝V_i-1。path[]的初始状态为：如果V0到V_i有边，则path[V_i]＝V0,否则path[V_i]＝-1。

set[]标记为数组，set[V_i]＝＝0表示V_i在T中，即没有被并入最短时间路径；set[V_i]＝＝1表示V_i在S中，即已经被并入最短时间路径。set[]的初态为:set[V₀]＝1,其余元素全为0

算法的执行过程如下：

1、从当前time[]数组中选出最小值，假设为time[V_u]，将set[V_i]设置为1，表示当前新并入的顶点为Vu；

2、循环扫描图中顶点，对每个顶点进行以下检测：

假设当前顶点为V_j，检索V_j是否已经被并入S中，即查看set[V_j]＝＝1是否成立。如果set[V_j]＝＝1，则什么都不做；如果set[V_j]＝＝0,则比较time[V_j]和time[V_u]+w的大小，其中w为边<V_u,V_j>的权值。这个比较就是要看V₀经过旧的最短路径到达V_j和V₀经过含有V_u的新的路径达到V_j哪个更短，如果time[V_j]>time[V_u]+w,则用新的路径来更新旧的，并把顶点V_u加入到路径中，且作为路径上V_j之前的那个顶点，否则什么都不做。

通过path[]数组可以打印出从源结点到任何一个顶点最短路径经过的所有顶点。但由于path[]记录的顶点的前后关系是单向的，只能从后向前输出，所以这里需要借助栈来实现逆向输出。

3、对1和2循环执行n-1次(n图中顶点个数)即可得到V₀到其余所有顶点的最短时间路径。

当驾驶员设置目的节点或目的地后，本方法将按照改进的迪杰斯特拉算法。根据路段通行时间和信号灯时间获得所有线路中的最优线路(以整段路通行时间最短为最优)，并向驾驶员推荐，使驾驶员在每个路段前方将要到达交叉口处选择四个方向(左、前、右和调头)之一继续行驶。

考虑到路段上拥堵的情况会发生变化，因此将程序设定为车辆每通过一段路后，就会根据最新的路况，按照上述方法重新规划路线，使得车辆可以始终避免拥堵。

参见说明书附图4(a)～(c)，如图(a)在程序中输入起点2，终点22后，本方法会规划好从起点到终点的最优路线，即粉色路线。如图(b)，在车辆行驶过一段路将要进入下一段路的时候，假如6、7段突现交通事故导致拥堵，本系统会再次进行规划供驾驶员选择，如图(c)(具体线路走向顺序如图右所示)。图中黑色线段将时间设置为无穷大表示没有路，将路段通行时间设置为0s代表此处没有路是个五岔口的节点。故本系统可延伸表示各种路段。图中的路段由绿、浅绿、黄、橘黄到红表示由畅通到拥堵的路段。

当输入多个目的节点，且目的节点顺序确定时，通过改进的迪杰斯特拉算法结合贪心算法规划用时最短的路径。因为贪心算法较其他算法相对简单，速度也是最快的。

贪心算法：

本算法可将多个有序目的地规划出最优路线。实现：依次对用户指定的目的地按照要求的顺序两两之间分别求最短路径，然后将所求出的各条路线依次连接，就可以得出一条经过所有目的地的最短路径。贪心策略即为每走一步都是在这一步上选择最短的路径，假设用户给出各个目的地或目的节点序列为V0,V1,V2,…,Vi-1,Vi，则算法首先在V0到V1上使用上述迪杰斯特拉算法计算出最短路径的走法，记为R0，然后在V1到V2上计算最短路径的走法，记为R1，继而是V2到V3…，直到Vi-1到Vi的最短路径的走法被计算出，记为Ri-1，然后按照R0,R1,…,Ri-1的顺序连接这些路径即为最终结果。

当输入多个目的节点，且目的节点顺序不确定时，通过改进的迪杰斯特拉算法结合蚁群算法规划用时最短的路径。因为蚁群算法最优解的收敛速度快、运算结果具有稳定性，而且适用于离散组合优化问题。

蚁群算法：

传统的蚁群算法存在收敛速度慢和容易陷入局部最优的缺陷，所以，采用了修改后的蚁群算法。对算法中下一个节点的选取概率进行修正，从原本选择浓度最高处改为在三个浓度较高处随机选取。改进信息素挥发系数，从随机选择介于0到1的直接过程，变为具有下线的动态变化的值，有效避免了可能求解速度过慢的问题。本算法可将多个无序目的地规划出最优路线。因为贪心策略仅仅在顺序被指定的前提下是最短的，而实际上，真正最短的路径无法通过确定的某种算法计算出，因而只能使用穷举法，但是对于较大的路网，穷举所消耗的时间是不可接受的，所以引入了蚁群算法来接近最短路径的走法。

采用蚁群算法与迪杰斯特拉算法嵌套的方式，首先接受目的地，使用迪杰斯特拉算法和基于神经网络算法的预测结果，找出任意两个目的地间的最短距离，生成一个仅由目的地点和它们之间的最短距离构成的子图，利用蚁群算法找出或逼近子图中的哈密顿回路，并记录行走顺序，但由于这里得出的行走顺序仅仅包含目的地，而不包括他们之间的点，所以应再依据行走顺序用迪杰斯特拉算法在原图中反推完整路线。其中蚁群算法的流程大致为：1)初始化信息素浓度：初始状态为蚂蚁规模与任意两个节点之间距离的比值。2)选择下一个节点：由信息素浓度计算选择下一个节点的概率，使用轮盘法依据概率进行选择3)更新信息素浓度：依据行走的路线长度，时间来更新信息素浓度。

确定出行日期和具体时刻后，从数据库中调取相应日期和相应时刻的各路段平均车速数据。比如说星期一出行，则调取星期一的数据，但排除节假日数据；若为节假日出行，则不考虑星期几，考虑该日期在节假日中的排序。另外，考虑季节、时令、天气对出行的影响，根据季节、时令和天气预报情况对未来出行进行路线规划。从数据库中调取同一星期或节假日、同一季节、时令和天气情况下的平均车速数据后，将其平均，作为计算未来出行推荐线路的车速数据，进而对未来出行线路进行规划。当车辆出发开始行程后，使用实时更新的线路推荐。

本发明与现有导航相比：现有导航规划的最优路径是在驾驶员此刻输入目的地后，便顺着这个路线一直行驶下去，本发明在开始出发时对每段道路进行对应通过时间的预测，(比如A路段五分钟后经过，B路段二十分钟后经过，就对A路段进行五分钟后的预测，B路段进行二十分钟后的预测)在行驶的过程中，再结合实时路况监测数据再进行对于突发情况(事故)的处理与最优路径的规划。

本发明可以用于普通车辆的导航，更适合应用于警车、消防车、救护车等对时间要求更高的行业车辆的导航。在突发地震、台风甚至战争的情况下，本发明可灵活地应对各种突发状况。对于地震多发地，当地震过后多个受灾点急需救助物资，此时需要运输车辆尽可能快速的把物资运送到各个无序的受灾点，同时受灾点附近的路况也容易出现变化，然后就能用到本发明多个无序目的地的功能，而且实时避免因灾害破坏的道路，从而最大效率的将物资送达各个受灾点。

以上对本发明所提供的基于大数据的城市道路机动车最优线路诱导方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，包括如下步骤：

S1、以带权邻接矩阵的数据结构对路段节点进行存储，得到道路网络；

S2、根据道路通行时间相关的影响因素量化值和当前路段的当前时刻车辆通行实测时间，构建神经网络模型，用于预测当前路段的下一时刻车辆通行预测时间；

S3、获取目的节点、初始节点和初始时间；初始节点相邻的若干路段A当前时刻的车辆通行实测时间，并计算得到车辆达到路段A末端的时刻；

S4、获取道路网络中与路段A末端相交的路段B在当前时刻的车辆通行实测时间；

S5、将路段B在当前时刻的车辆通行实测时间输入至神经网络模型，得到在车辆到达路段A末端时刻下，路段B的车辆通行预测时间；

S6、判断路段B末端节点是否为目的节点，若不是，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点；若是，则进入S7；

S7、整合与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间，得到初始节点到目的节点之间所有线路的过路时间；

S8、利用改进的迪杰斯特拉算法，选择最短过路时间路径。

2.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S1中，对道路网络上的每个节点进行编号；所述邻接矩阵包括节点之间的路程邻接矩阵、时间邻接矩阵、速度邻接矩阵，

路程邻接矩阵，若两节点o,s之间存在通路，则Arcs[o][s]有值并且等于o,s之间的距离，无通路时Arcs[s][o]＝Arcs[o][s]＝∞；

速度邻接矩阵，为道路网络中所有路段上的预计平均速度，所述预计平均速度的值根据拥堵信息更新，采用区间测速的方法获得预计值；

时间邻接矩阵，根据公式：t＝s/v，若两节点o,s之间存在通路时Time[o][s]＝Arcs[o][s]/Speed[o][s]，否则为∞，其中Speed[o][s]为节点o,s之间的速度邻接矩阵。

3.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S2中构建神经网络模型的步骤包括：

将一系列与道路通行时间相关的影响因素量化后，再与当前路段的真实车辆通行实测时间汇总作为一个基本样本；

每过固定时间采集并储存一个基本样本，最终组成大数据网络；

再将所述大数据网络中的一个基本样本和上一个时刻的基本样本中的当前路段的真实车辆通行实测时间作为一个训练样本，若干个训练样本经过反复大量的训练后，得到以当前量化的影响因素作为未来预测的依据的神经网络模型；

将当前路段的当前时刻车辆通行实测时间输入至神经网络，预测得到当前路段的下一时刻车辆通行预测时间。

4.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S3中，获取路段当前时刻的车辆通行实测时间的步骤包括：

在每一路段的路始和路末位置设置牌照监控设备，用于获得通过该路段的车辆通行实测时间，所述车辆通行实测时间为根据最小样本量计算的平均车辆通行实测时间；

其中，在给定时间内，若当前路段实测过路车辆少于该路段最小样本量，则利用牌照法确定路段是否拥堵，若路段拥堵，则触发车流波动算法计算拥堵消散时间以及车辆通过拥堵路段的时间。

5.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S6中，若路段B末端节点不是目的节点，继续利用神经网络模型预测与路段B末端节点相交路段的车辆通行预测时间，直至相交路段末端节点为目的节点，具体为：

根据路段B的车辆通行预测时间得到车辆达到路段B末端节点的时刻，返回至S4，同时将路段B作为新的路段A，查找与新的路段A末端相交的新的路段B，并重复执行S4～S6。

6.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S7中，整合与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间包括：

将与初始节点相邻的若干路段A当前时刻的车辆通行实测时间、初始节点与目的节点之间其余路段的车辆通行预测时间进行叠加；所述初始节点与目的节点之间其余路段为初始节点与目的节点之间单一路径方向上，除去与初始节点相邻的路段A的其余路段。

7.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，所述S8中改进的迪杰斯特拉算法包括：

利用改进的迪杰斯特拉算法对行驶时间进行判断，保留路径信息，并指定一个目的节点，求道路网络中初始节点与目的节点的时间最短路径：按照过路时间递增的次序产生最短用时路径。

8.根据权利要求1或7所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，结合改进的迪杰斯特拉算法，根据路段通行时间和信号灯时间获得所有路径中用时最短的路径。

9.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，当输入多个目的节点，且目的节点顺序确定时，通过改进的迪杰斯特拉算法结合贪心算法规划用时最短的路径。

10.根据权利要求1所述的一种基于大数据的城市道路机动车最优线路诱导方法，其特征在于，当输入多个目的节点，且目的节点顺序不确定时，通过改进的迪杰斯特拉算法结合蚁群算法规划用时最短的路径。

Images