CN111337044B - 一种基于通行权值的城市道路路径规划方法 - Google Patents
一种基于通行权值的城市道路路径规划方法 Download PDFInfo
- Publication number
- CN111337044B CN111337044B CN202010211639.XA CN202010211639A CN111337044B CN 111337044 B CN111337044 B CN 111337044B CN 202010211639 A CN202010211639 A CN 202010211639A CN 111337044 B CN111337044 B CN 111337044B
- Authority
- CN
- China
- Prior art keywords
- vector
- grid
- edge
- vector grid
- impedance
- 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
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)
- Traffic Control Systems (AREA)
Abstract
本发明公开的基于通行权值的城市道路路径规划方法,涉及交通出行技术领域,通过将城市道路网信息网格化,将历史车辆出行路径数据网格化,计算矢量网格各条边的通行权值及通行阻抗,利用通行阻抗,基于最短路搜索算法识别最短路径,完成路径规划,简化了大规模路网路径导航计算过程,对庞杂路网信息通用化处理,得出矢量网格任意起点与讫点间的最短路径,可应用于分层路径规划,极大地提高了大数据应用在超大规模交通网络中的路径规划计算速度,适用范围广,简单易行。
Description
技术领域
本发明涉及交通出行技术领域,具体涉及一种基于通行权值的城市道路路径规划方法。
背景技术
背景技术路径导航与路径规划在交通领域有着十分重要的作用,现有的路径规划算法包括图搜索算法、Dijkstra最短路径算法、RRT路径规划算法、人工势场法。其中,图搜索法为常用的路径规划方法。但是,现有的路径规划方法在实际应用中存在以下缺陷:
(1)近些年来,各行业对于大数据的应用逐步深入,交通行业也是大数据应用的重点领域之一,但经过多年的多方位挖掘,大数据应用仍停留在简单的出行特征统计层面,缺乏路径级别的细致分析。其中一个重要原因就是大数据的规模过于庞大,导致现有路径规划算法在处理大规模数据时效率很低,极大限制了大数据在交通领域的应用。
(2)现有的路径规划算法对于道路阻抗的计算仅考虑道路长度或道路等级等基础设施供给水平,并没有考虑车辆运行中实际可能影响驾驶员路径选择的其他重要影响因素,进而可能导致路径规划结果偏离实际,缺乏可用性。
发明内容
为解决现有技术的不足,本发明实施例提供了一种基于通行权值的城市道路路径规划方法,该方法包括以下步骤:
根据多边形矢量网格,建立地理空间索引;
根据所述地理空间索引,将城市道路网信息网格化,生成第一矢量网格;
根据所述地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格;
根据所述历史车辆行驶轨迹数据,计算所述第二矢量网格各条边的通行权值;
根据所述通行权值及路网属性,计算通过所述第一矢量网格各条边的通行阻抗;
根据所述通行阻抗,基于最短路搜索算法,得到所述第一矢量网格任意起点及讫点之间的最短路径,完成城市道路路径规划。
优选地,根据多边形矢量网格,建立地理空间索引包括:
根据设定半径的矢量多边形矢量网格,切分城市所在的地理区域范围并建立经度、纬度与所述多边形矢量网格编号的关系,建立地理空间索引。
优选地,根据所述地理空间索引,将城市道路网信息网格化,生成第一矢量网格包括:
根据所述地理空间索引,识别能够被道路网穿过的矢量网格。
优选地,根据所述地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格包括:
根据历史车辆行驶轨迹的空间位置,创建第二矢量网格;
根据历史车辆行驶轨迹的行驶方向,创建所述第二矢量网格各条边的方向。
优选地,根据历史车辆行驶轨迹的行驶方向,创建所述第二矢量网格各条边的方向包括:
根据车辆轨迹地理空间信息索引矢量网格;
定义车辆在某一网格中的行驶方向为车辆驶出网格所经过的边的方向,提取车辆行驶方向信息;
以所述边的序列表征车辆行驶路径。
优选地,根据所述历史车辆行驶轨迹数据,计算所述第二矢量网格各条边的通行权值包括:
基于车辆历史出行数据,统计每个网格通过的车辆总数N以及车辆在网格各行驶方向的数量ni,则n1+n2+…+nq=N,其中,i=1……q,q为多边形网格的边数;
根据公式pi=ni/N,计算所述第二矢量各条边的方向被通过的权值,其中,pi为所述第二矢量各条边的通行权值,i=1……q。
优选地,根据所述通行权值,计算通过所述第一矢量网格各条边的通行阻抗包括:
定义pi×Li=A,其中,Li为第一矢量网格任一边的通行阻抗,A为常量;根据公式Li=A/pi=A×N/ni,计算第一矢量网格各条边的通行阻抗。
优选地,根据所述通行权值,计算通过所述第一矢量网格各条边的通行阻抗还包括:
优选地,根据所述通行权值,计算通过所述第一矢量网格各条边的通行阻抗还包括:
对于未被第二矢量网格覆盖的第一矢量网格,根据道路属性定义通行阻抗。
优选地,根据所述通行阻抗,得到所述第一矢量网格任意起讫点之间的最短路径包括:
根据所述第一矢量网格各条边的通行阻抗,构建交通网络网格化的出行通行阻抗结果数据库;
抽象所述第一矢量网格为图的节点,将所述第一矢量网格的各条边作图的边,将通行阻抗作为边权,利用最短路径搜索算法,对各个起点与讫点之间最小通行阻抗路径进行搜索,得到任意起点与讫点之间的最短路径。
本发明实施例提供的基于通行权值的城市道路路径规划方法,具有以下有益效果:
(1)通过历史出行数据,计算不同路径的通行权值,避免了仅通过道路长度、道路等级等基础设施供给水平来计算权值的片面性,提高了路径规划算法的实际可用性;
(2)简化了大规模路网路径的计算过程,将庞杂的路网路径通用化处理,极大地提高了大数据应用在超大规模交通网络中的路径规划计算速度,为海量大数据路径匹配、路径识别等提供了可能,极大地提高了大数据在交通领域的应用价值。
附图说明
图1为本发明实施例提供的基于通行权值的城市道路路径规划方法的流程图;
图2为本发明实施例提供的矢量网格各条边的方向示意图;
图3为本发明实施例提供的车辆行驶方向与矢量网格边的方向匹配关系示意图;
图4为本发明实施例提供的起点与讫点之间最短路径示意图;
图5a为采用本发明实施例提供的基于通行权值的城市道路路径规划方法得到的路径规划结果示意图;
图5b为与图5a对应的地图导航结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示,本发明提供的实施例提供的基于通行权值的城市道路路径规划方法,包括以下步骤:
S101,根据多边形矢量网格,建立地理空间索引。
S102,根据地理空间索引,将城市道路网信息网格化,生成第一矢量网格。
S103,根据地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格。
S104,根据历史车辆行驶轨迹数据,计算第二矢量网格各条边的通行权值。
S105,根据通行权值及路网属性,计算通过第一矢量网格各条边的通行阻抗。
S106,根据通行阻抗,基于最短路搜索算法,得到第一矢量网格任意起点及讫点之间的最短路径,完成城市道路路径规划。
可选地,根据多边形矢量网格,建立地理空间索引包括:
根据设定半径的矢量多边形矢量网格,切分城市所在的地理区域范围并建立经度、纬度与多边形矢量网格编号的关系,建立地理空间索引。
可选地,根据地理空间索引,将城市道路网信息网格化,生成第一矢量网格包括:
根据地理空间索引,识别能够被道路网穿过的矢量网格。
可选地,根据地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格包括:
根据历史车辆行驶轨迹的空间位置,创建第二矢量网格;
根据历史车辆行驶轨迹的行驶方向,创建第二矢量网格各条边的方向。
可选地,根据历史车辆行驶轨迹的行驶方向,创建第二矢量网格各条边的方向包括:
根据车辆轨迹地理空间信息索引矢量网格;
定义车辆在某一网格中的行驶方向为车辆驶出网格所经过的边的方向,提取车辆行驶方向信息;
以边的序列表征车辆行驶路径。
作为一个具体的实施例,对于网格的选择有三角形、矩形、六边形等多种。本发明以六边形矢量网格为例,如图2所示,定义各个六边形网格各条边的方向分别为e1、e2、e3、e4、e5及e6,车辆行驶路径的表征结果如图3所示。
可选地,根据历史车辆行驶轨迹数据,计算第二矢量网格各条边的通行权值包括:
基于车辆历史出行数据,统计每个网格通过的车辆总数N以及车辆在网格各行驶方向的数量ni,则n1+n2+…+nq=N,其中,i=1……q,q为多边形网格的边数;
根据公式pi=ni/N,计算所述第二矢量各条边的方向被通过的权值,其中,pi为所述第二矢量各条边的通行权值,i=1……q。
可选地,根据通行权值,计算通过第一矢量网格各条边的通行阻抗包括:
定义pi×Li=A,其中,Li为第一矢量网格任一边的通行阻抗,A为常量;
根据公式Li=A/pi=A×N/ni,计算第一矢量网格各条边的通行阻抗。
可选地,对于大规模交通网络中不同空间位置的矢量网格,其通过的车辆数N差异较大,导致不同矢量网格对比时,通行车辆数较小的矢量网格(如偏郊区)的边容易产生较大的通行权值和较小的通行阻抗,进而会导致车辆在路径选择时,会倾向于郊区,这与实际不符,进而需要基于车辆数将矢量网格归一化处理,根据公式计算归一化的第一矢量网格各条边的通行阻抗。
对于车辆被规划路径的总阻抗计算公式为:
可选地,根据通行阻抗,基于最短路搜索算法得到第一矢量网格任意起讫点之间的最短路径包括:
根据第一矢量网格各条边的通行阻抗,构建交通网络网格化的出行通行阻抗结果数据库;
作为一个具体的实施例,抽象所述第一矢量网格为图的节点,将所述第一矢量网格的各条边作图的边,将通行阻抗作为边权,利用Dijkstra最短路径算法,对各个起点与讫点之间最小通行阻抗路径进行搜索,得到如图4所示的起点与讫点之间的最短路径。
为了验证本发明实施例提供的基于通行权值的城市道路路径规划方法的可行性及准确性,下面通过实际数据的测试,从路径规划准确性对本发明应用于复杂城市路网的性能表现作进一步说明。
如图5a及图5b所示,采用本发明实施例提供的基于通行权值的城市道路路径规划方法对北京市大规模道路网信息进行规划的性能。起点为箭亭桥、终点为国贸进行路径规划,得到路径规划结果与常用导航软件中的导航结果完全一致。
利用本发明实施例提供的基于通行权值的城市道路路径规划方法在北京市区域路网内随机抽选100对起点和讫点,得到的规划结果与实际路径选择结果及导航软件推荐结果一致性可达100%。表明本发明实施例提供的基于通行权值的城市道路路径规划方法具有较高的准确度和实际应用价值。
本发明实施例提供的基于通行权值的城市道路路径规划方法,通过将城市道路网信息网格化,将历史车辆出行路径数据网格化,计算矢量网格各条边的通行权值及通行阻抗,基于通行阻抗识别最短路径,完成路径规划,简化了大规模路网路径导航计算过程,对庞杂路网信息通用化处理,得出矢量网格任意起点与讫点间的最短路径,可应用于分层路径规划,极大地提高了大数据应用在超大规模交通网络中的路径规划计算速度,适用范围广,简单易行。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于通行权值的城市道路路径规划方法,其特征在于,包括如下步骤:
根据多边形矢量网格,建立地理空间索引;
根据所述地理空间索引,将城市道路网信息网格化,生成第一矢量网格;
根据所述地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格;
根据所述历史车辆行驶轨迹数据,计算所述第二矢量网格各条边的通行权值;
基于车辆历史出行数据,统计每个网格通过的车辆总数N以及车辆在网格各行驶方向的数量ni,则n1+n2+…+nq=N,其中,i=1……q,q为多边形网格的边数;
根据公式pi=ni/N,计算所述第二矢量各条边的方向被通过的权值,其中,pi为所述第二矢量各条边的通行权值,i=1……q;
根据所述通行权值及路网属性,计算通过所述第一矢量网格各条边的通行阻抗;定义pi×Li=A,其中,Li为第一矢量网格任一边的通行阻抗,A为常量;
根据公式Li=A/pi=A×N/ni,计算第一矢量网格各条边的通行阻抗;
根据所述通行阻抗,基于最短路搜索算法,得到所述第一矢量网格任意起点及讫点之间的最短路径,完成城市道路路径规划。
2.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据多边形矢量网格,建立地理空间索引包括:
根据设定半径的矢量多边形矢量网格,切分城市所在的地理区域范围并建立经度、纬度与所述多边形矢量网格编号的关系,建立地理空间索引。
3.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据所述地理空间索引,将城市道路网信息网格化,生成第一矢量网格包括:
根据所述地理空间索引,识别能够被道路网穿过的矢量网格。
4.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据所述地理空间索引,将历史车辆行驶轨迹数据网格化,生成第二矢量网格包括:
根据历史车辆行驶轨迹的空间位置,创建第二矢量网格;
根据历史车辆行驶轨迹的行驶方向,创建所述第二矢量网格各条边的方向。
5.根据权利要求4所述的基于通行权值的城市道路路径规划方法,其特征在于,根据历史车辆行驶轨迹的行驶方向,创建所述第二矢量网格各条边的方向包括:
根据车辆轨迹地理空间信息索引矢量网格;
定义车辆在某一网格中的行驶方向为车辆驶出网格所经过的边的方向,提取车辆行驶方向信息;
以所述边的序列表征车辆行驶路径。
6.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据所述通行权值,计算通过所述第一矢量网格各条边的通行阻抗还包括:
根据公式计算归一化的第一矢量网格各条边的通行阻抗。
7.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据所述通行权值,计算通过所述第一矢量网格各条边的通行阻抗还包括:
对于未被第二矢量网格覆盖的第一矢量网格,根据道路属性定义通行阻抗。
8.根据权利要求1所述的基于通行权值的城市道路路径规划方法,其特征在于,根据所述通行阻抗,得到所述第一矢量网格任意起讫点之间的最短路径包括:
根据所述第一矢量网格各条边的通行阻抗,构建交通网络网格化的出行通行阻抗结果数据库;
抽象所述第一矢量网格为图的节点,将所述第一矢量网格的各条边作图的边,将通行阻抗作为边权,利用最短路径搜索算法,对各个起点与讫点之间最小通行阻抗路径进行搜索,得到任意起点与讫点之间的最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211639.XA CN111337044B (zh) | 2020-03-24 | 2020-03-24 | 一种基于通行权值的城市道路路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211639.XA CN111337044B (zh) | 2020-03-24 | 2020-03-24 | 一种基于通行权值的城市道路路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111337044A CN111337044A (zh) | 2020-06-26 |
CN111337044B true CN111337044B (zh) | 2022-02-18 |
Family
ID=71182726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211639.XA Active CN111337044B (zh) | 2020-03-24 | 2020-03-24 | 一种基于通行权值的城市道路路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111337044B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
CN113593217B (zh) * | 2021-06-08 | 2022-11-04 | 北京交通大学 | 一种交通警力指挥调度方法、设备及可读存储介质 |
CN113804213B (zh) * | 2021-10-14 | 2024-05-28 | 南京芯传汇电子科技有限公司 | 一种AStar快速路径规划改进算法 |
CN114877901B (zh) * | 2022-03-31 | 2024-05-28 | 北京工业大学 | 基于地图栅格化融合与A-star搜索的城市应急路径规划方法 |
CN115587460B (zh) * | 2022-11-24 | 2023-03-21 | 河北纬坤电子科技有限公司 | 道路交通情况数字仿真方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5586219A (en) * | 1994-09-30 | 1996-12-17 | Yufik; Yan M. | Probabilistic resource allocation system with self-adaptive capability |
ATE527518T1 (de) * | 2005-11-09 | 2011-10-15 | Harman Becker Automotive Sys | Bestimmung einer optimalen route mit karten- kacheln |
CN101270997B (zh) * | 2007-03-21 | 2010-07-28 | 北京交通发展研究中心 | 基于gps数据的浮动车动态实时交通信息处理方法 |
CN104269059B (zh) * | 2014-10-15 | 2016-06-15 | 河海大学 | 一种基于多源数据融合的城市路径行程时间预测方法 |
CN104567906B (zh) * | 2015-01-14 | 2017-06-23 | 合肥革绿信息科技有限公司 | 一种基于北斗的城市路网车辆路径规划方法及装置 |
CN107393301B (zh) * | 2017-07-25 | 2019-09-27 | 重庆市市政设计研究院 | 一种基于rfid数据的车辆轨迹识别方法 |
CN109959388B (zh) * | 2019-04-09 | 2023-03-14 | 南京大学 | 一种基于栅格扩展模型的智能交通精细化路径规划方法 |
CN110457012A (zh) * | 2019-06-27 | 2019-11-15 | 东南大学 | 用于可持续交通网络设计的多属性决策软件 |
CN110631601B (zh) * | 2019-11-13 | 2021-04-27 | 中国电子科技集团公司第二十八研究所 | 一种基于非显示拓扑矢量地图的路径规划方法 |
-
2020
- 2020-03-24 CN CN202010211639.XA patent/CN111337044B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111337044A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337044B (zh) | 一种基于通行权值的城市道路路径规划方法 | |
CN109506669B (zh) | 动态路径规划方法、装置、系统以及存储介质 | |
JP4705176B2 (ja) | 経路発見システム | |
JP5919950B2 (ja) | 経路探索方法、経路探索装置、及びプログラム | |
CN105758410A (zh) | 基于A‐Star 算法的快速路径规划混合方法 | |
Graser et al. | Is OSM good enough for vehicle routing? A study comparing street networks in Vienna | |
CN104949678A (zh) | 导航系统中导航结束点的确定方法、装置及导航设备 | |
CN113191550A (zh) | 地图匹配方法及装置 | |
CN112614206A (zh) | 道路中心线提取方法和装置 | |
JP2013195089A (ja) | 経路探索方法、経路探索装置、及びプログラム | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN112269848B (zh) | 一种众包轨迹数据融合方法及装置 | |
Cho et al. | A basis of spatial big data analysis with map-matching system | |
CN116167235A (zh) | 路网模型生成方法、装置及设备 | |
Kirono et al. | Graph-based modeling and dijkstra algorithm for searching vehicle routes on highways | |
US20200264002A1 (en) | Method For Computing Fastest Route On Road Networks With Dynamic Traffic Information | |
US20210270629A1 (en) | Method and apparatus for selecting a path to a destination | |
CN111666359B (zh) | Poi候选到达点挖掘方法、装置与设备 | |
CN115424446B (zh) | 用于交通组织评估的道路网络拓扑简化方法 | |
CN113865591A (zh) | 结合厂区自有路线数据导航的方法、装置、设备及介质 | |
Tarapata et al. | Machine learning algorithms for the problem of optimizing the distribution of parcels in time-dependent networks: the case study | |
Auer et al. | Boosting performance of map matching algorithms by parallelization on graphics processors | |
CN111506678A (zh) | 到达点负样本生成方法、装置与设备 | |
Wu | Incremental routing algorithms for dynamic transportation networks | |
CN117906626A (zh) | 一种路径规划方法、设备和计算机可读存储介质 |
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 |