CN111489549B - 一种基于历史行为画像的出行车辆路径选择方法 - Google Patents

一种基于历史行为画像的出行车辆路径选择方法 Download PDF

Info

Publication number
CN111489549B
CN111489549B CN202010164607.9A CN202010164607A CN111489549B CN 111489549 B CN111489549 B CN 111489549B CN 202010164607 A CN202010164607 A CN 202010164607A CN 111489549 B CN111489549 B CN 111489549B
Authority
CN
China
Prior art keywords
vehicle
traffic
time
travel
cost
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
Application number
CN202010164607.9A
Other languages
English (en)
Other versions
CN111489549A (zh
Inventor
万怀宇
林友芳
武志昊
韩升
王晶
张硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010164607.9A priority Critical patent/CN111489549B/zh
Publication of CN111489549A publication Critical patent/CN111489549A/zh
Application granted granted Critical
Publication of CN111489549B publication Critical patent/CN111489549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于历史行为画像的出行车辆路径选择方法，用以现有技术中出行车辆路径选择问题。所述基于历史行为画像的出行车辆路径选择方法，基于历史通行数据中车辆的通行特点建立车辆画像，构建时间费用通行模型，出行车辆采用所构建的通行模型进行路径选择。本发明基于历史行为画像的出行车辆路径选择方法，充分提取历史通行数据的车辆出行特征，寻找出最贴近实际通行规律的较优代价路径选择方法，从微观层面给每辆车提供车辆路径的最优选择方案，实现了基于实时路况下行程耗时少、费用低的经济环保出行方式，并进一步为交通管控决策提供基础数据，交通管控部门采用所构建的通行模型判断出行车辆的路径选择进行有效的交通管控。

Description

一种基于历史行为画像的出行车辆路径选择方法
技术领域：
本发明属于交通控制领域，具体涉及一种基于历史行为画像的出行车辆路径选择方法。
背景技术：
随着城市规模和城际交通的发展，高速公路规模不断扩大。高速路网环境易受多种因素影响导致路段封闭或新增，给车辆的出行路径提供了更加多样化的选择，也给道路养护相关部门带来了一定挑战。
出行车辆的路径选择，不仅与出发地和目的地之间的路程有关，而且与所行驶的高速公路收费费率有关。对于出行者而言，需要选择经济而路程耗时尽可能少的路径；对政策制定部门而言，需要仿真模拟出不同费率设置下的路网流量变化，更加合理的制定相关道路通行参数。
现有的路径规划算法主要有用于解决单源最短路径问题的深度或广度优先搜索算法和Dijkstra算法，用于解决多源最短路径的弗洛伊德算法。这些路径规划算法的应用前提是知道有哪些可达点，而当原始数据中不包括车辆的具体行驶路径的情况下，无法单纯的使用以上算法来进行计算。
发明内容：
本发明实施例的目的是解决基于时间成本和费用成本的出行车辆路径选择问题，基于此，提出了一种基于历史行为画像的出行车辆路径选择方法，基于历史通行数据中的车辆出行特点构建车辆画像，构建时间费用通行模型，出行车辆采用所构建的通行模型进行路径选择，实现基于实时路况下行程耗时少、费用低的经济环保出行方式，交通管控部门采用所构建的通行模型判断出行车辆的路径选择进行有效的交通管控。
为了实现上述目的，本发明采用的技术方案如下：
一种基于历史行为画像的出行车辆路径选择方法，所述出行车辆路径选择方法包括以下步骤：
步骤S1，对历史通行原始数据进行数据提取、清洗，得到历史通行数据；
步骤S2，利用历史通行数据构建逻辑路网；
步骤S3，对历史通行数据中的车辆行为进行分析，建立车辆画像；
步骤S4，根据所述逻辑路网和车辆画像构建出行车辆路径的时间成本和费用成本模型；
步骤S5，根据道路条件的变化修改逻辑路网，并基于时间成本和费用成本的模型，对相关历史通行数据重新进行路径选择。
作为本发明的一个优选实施例，所述步骤S2中构建逻辑路网，包括建立逻辑路网的节点和边，其中节点为收费广场，边为收费广场之间的最小可达通路。
作为本发明的一个优选实施例，所述步骤S3建立车辆画像，具体为：通过抽象化车辆的属性特征分析车辆行为，按照车型、出行频次、车辆出行目的地将车辆划分为“货车”、“通勤”、“旅游”、“其他”四大车辆画像。
作为本发明的一个优选实施例，所述步骤S4构建出行车辆路径的时间成本和费用成本模型，包括：
步骤S401，按照车辆画像类型，分析每种车辆画像下，费用与时间之间的关系；
步骤S402，依据建立的费用时间关系，建立逻辑路网中边的权值的参数设定关系。
作为本发明的一个优选实施例，所述步骤S401进一步为，读取全部数据，按照车辆画像进行分类，归一化处理相同车辆画像的车辆对应的通行时间和通行费用的比值，将归一化后的比值拟合为正态分布的曲线，求出正态分布对应的均值和方差，在均值方差和车辆画像之间建立一一对应的关系。
作为本发明的一个优选实施例，所述步骤S402进一步为：
依据每条通行记录中车辆对应的车辆画像，从对应关系中获取与车辆画像对应的费用时间比值关系，以所述费用时间比值关系作为影响通行权值中通行时间和通行费用的比重分配。
作为本发明的一个优选实施例，所述通行权值的具体计算公式如下：
Cost(O,D,M)＝wf(S)×f(O,D,M)+wt(S)×t(O,D,M) (1)
式(1)中，O,D分别表示起点收费广场和终点收费广场，T代表给定时段，M,S分别表示车辆类型和车辆画像；f(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行费用，t(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行时间，wf(S)是给定的车辆画像对应的费用权重，wt(S)是给定的车辆画像对应的时间权重，其中，wf(S)∈[0,1]，wt(S)∈[0,1]，wf+wt＝1。
作为本发明的一个优选实施例，所述步骤S5进一步为：
利用时间成本和费用成本的模型，将历史通行数据作为输入数据，在根据道路条件的变化修改后的逻辑路网上重新进行分析，按照不同车辆画像对时间费用的偏好不同，寻找最优路径，最终输出新的路径选择结果R，R形式如下：
[((A,B,C,D),(tA,tB,tC,tD)),…] (2)
作为本发明的一个优选实施例，所述方法还包括：
步骤S6，依据出行车辆实时的通行路径及通行时间完成路径推演，实现路径可视化仿真。
作为本发明的一个优选实施例，所述方法还包括：
步骤S7，根据所述路径选择结果制定交通管控方案。
本发明具有以下有益效果：
本发明实施例基于历史通行数据中车辆的通行特点建立车辆画像，构建时间费用通行模型，出行车辆采用所构建的通行模型进行路径选择，实现了基于实时路况下行程耗时少、费用低的经济环保出行方式，交通管控部门采用所构建的通行模型判断出行车辆的路径选择进行有效的交通管控。
本发明实施例可用于辅助交通应急部门进行应急预案的制定。通过对历史车辆数据的路径进行模拟仿真，得到全网车辆运行状态、各高速公路运行状况，对可能发生拥堵的路段进行预测，为应急部门进行应急预案的制定提供有效的决策支持。还可用于辅助交通规划部门进行规划方案的优化及对新开通高速公路路段的车流量进行仿真预测。通过对新开通路段及周围路段的流量情况进行模拟仿真，有效地为规划部门进行路段规划、新建公路桥梁选址等任务提供支持。同时，辅助交通运营部门进行收费策略的优化。通过模拟差异化收费，新开通高速公路收费路段的运行状态，得到全网路段流量仿真，计算新开通高速公路对周围公路的引流效果，对高速公路运营部门在收费定价等问题上提供决策支持。现已帮助广东省虎门大桥管理中心完成了广东省南沙大桥的定价任务。
本发明实施例对新开通高速公路费率设定提供有效的决策支持，除了可以模拟差异化收费条件下全网运行状态，同时给出各收费公路的收入统计情况，可以帮助新开通高速公路进行投资成本回收分析等数据支持外，还可以辅助第三方导航软件对用户提供出行服务。通过费率测算仿真功能可以针对用户进行细粒度级的路径导航与出行规划，针对用户出行目的给出考虑费用和时间成本的最优路径，帮助第三方导航软件考虑用户的出行成本，提升出行服务质量。
附图说明：
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于历史行为画像的出行车辆路径选择方法流程示意图。
具体实施方式：
下面通过参考示范性实施例，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
本发明基于历史通行大数据构建逻辑路网，并进一步建立车辆出行行为画像；基于逻辑路网，利用车辆画像构建出行车辆的时间成本和费用成本模型；在逻辑路网经过修改的情况下，通过建立的时间成本和费用成本的模型，对历史通行数据进行路径选择，得到车辆行驶过程中经过的路段及通行时间；依据车辆的通行路径及通行时间完成路径推演，最终实现路径的选择。本发明基于历史行为画像的出行车辆路径选择方法，充分提取历史通行数据的车辆出行特征，寻找出最贴近实际通行规律的较优代价路径选择方法，从微观层面给每辆车提供车辆路径的最优选择方案，并进一步为交通管控决策提供基础数据。
下面结合附图，通过一个具体地实施例对本发明作进一步详细的说明。
本实施例提供了一种基于历史行为画像的出行车辆路径选择方法。本实施例以国内某省某座大桥的真实历史通行数据集为例，其中包括了该省收费广场静态信息以及2018年5月至9月该大桥的通行流水数据。收费广场静态信息包含了各收费广场的经纬度坐标，收费广场的ID。通行流水数据中使用的字段有车辆ID、入口收费广场、出口收费广场、入口时间、出口时间、车辆类型、费用。当前已在该大桥附近新建了一座大桥，以缓解该大桥通行能力不足的问题。研究目标是，从车辆历史通行数据中，挖掘车辆出行特征，基于车辆画像建立时间成本和费用成本的模型，得出车辆是选择从原大桥通行还是从新大桥通行的仿真结果，完成车辆路径的选择。
图1所示为本实施例所述基于历史行为画像的出行车辆路径选择方法流程示意图。如图1所示，所述出行车辆路径选择方法，包括如下步骤：
步骤S1，对历史通行原始数据进行数据提取、清洗，得到历史通行数据。
为了提高数据可用性，需要对历史通行原始数据进行预处理，筛选可用字段，对筛选出可用的待分析字段进行标准化处理，去除异常值及空值。
步骤S2，利用历史通行数据构建逻辑路网。
本步骤利用清洗后的数据，构建逻辑路网，作为后续路径选择的分析基础。所述构建逻辑路网，包括建立逻辑路网的节点和边，其中节点为收费广场，边为收费广场之间的最小可达通路。
具体地，依据原始数据中收费广场的ID，结合收费广场经纬度信息，在地图中以节点的形式展示出收费广场。由于数据中缺少了各个收费广场之间的通路信息，需要寻找各收费广场名称之间的关系，通过收费广场编号的顺序码差值，建立收费广场间的最小可达关系，建立逻辑路网的边。
步骤S3，对历史通行数据中的车辆行为进行分析，建立车辆画像。
本步骤中，通过抽象化车辆的属性特征分析车辆行为，按照车型、出行频次、车辆出行目的地将车辆划分为“货车”、“通勤”、“旅游”、“其他”四大车辆画像。
具体地，车辆类型为货车的车辆划为“货车”；在某两地单月内通行次数超过20次的车辆划为“通勤”；抓取某省内景区数据，当某收费站周边5km范围内景区数据大于10，则该收费站为景区收费站，若车辆出行目的地为景区收费站，则该车辆画像为“旅游”；剩余车辆的车辆画像为“其他”。
步骤S4，根据所述逻辑路网和车辆画像构建出行车辆路径的时间成本和费用成本模型。
不同车辆画像类型，对时间和费用的偏好有所不同。本步骤中，在逻辑路网中，按车辆画像类型分别分析某一类型的车辆画像之间通行时间与通行费用的比值关系，建立时间成本及费用成本的模型，并将所述时间成本与费用成本模型应用于逻辑路网中边的权值设置。使用新的权值改进经典路径选择算法，如Dijkstra算法，从而进行路径选择。
具体地，本步骤包括：
步骤S401，按照车辆画像类型，分析每种车辆画像下，费用与时间之间的关系。
本步骤中，读取全部数据，按照车辆画像进行分类，归一化处理相同车辆画像的车辆对应的通行时间和通行费用的比值，将归一化后的比值拟合为正态分布的曲线，求出正态分布对应的均值和方差，在均值方差和车辆画像之间建立一一对应的关系。
步骤S402，依据建立的费用时间关系，建立逻辑路网中边的权值的参数设定关系。
本步骤中，依据每条通行记录中车辆对应的车辆画像，从对应关系中获取与车辆画像对应的费用时间比值关系，以所述费用时间比值关系作为影响通行权值中通行时间和通行费用的比重分配，所述通行权值的具体计算公式如下：
Cost(O,D,M)＝wf(S)×f(O,D,M)+wt(S)×t(O,D,M) (1)
式(1)中，O,D分别表示起点收费广场和终点收费广场，T代表给定时段，M,S分别表示车辆类型和车辆画像；f(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行费用，t(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行时间，wf(S)是给定的车辆画像对应的费用权重，wt(S)是给定的车辆画像对应的时间权重，其中，wf(S)∈[0,1]，wt(S)∈[0,1]，wf+wt＝1。
步骤S5，将出行车辆当前出行信息输入所述时间成本和费用成本的模型，输出所述出行车辆的路径选择。
本步骤中，所述出行车辆当前出行信息，至少包括车型、出发位置及时间、目的地。所述路径选择结果包括一条车辆行驶记录中的所有途经点以及经过每个收费广场的时刻的记录R，R形式如下：
[((A,B,C,D),(tA,tB,tC,tD)),…] (2)
其中，A,B,C,D表示车辆从A点出发，途径B,C，最终到达D点，tA,tB,tC,tD表示经过这个四个点的时刻。
当道路条件发生变化时，对所述逻辑路网进行相应修改。这里的道路条件变化，包括道路收费标准发生变化、在路网中新增路桥等。
利用时间成本和费用成本的模型，将历史通行数据作为输入数据，当道路收费标准发生变化，或是在路网中新增路桥后，将在根据道路条件的变化修改后的逻辑路网上重新进行分析，按照不同车辆画像对时间费用的偏好不同，寻找最优路径，最终输出新的路径选择结果。路径选择结果包括了一条车辆行驶记录中的所有途经点以及经过每个收费广场的时刻的记录R，R形式如下：
[((A,B,C,D),(tA,tB,tC,tD)),…] (2)
根据所述路径选择的结果，还可以实现路径选择的可视化仿真和交通管控政策制定。具体地，所述方法还可以包括：
步骤S6，依据出行车辆实时的通行路径及通行时间完成路径推演，实现路径可视化仿真。
具体地，本步骤包括：
步骤S601，按照细粒度对路径规划的输出结果进行划分。
本步骤中，依所所述路径选择的输出结果，获取到车辆经过的各个途经点及到达该点的时刻，将通行路径上原本成一系列的点分离成以最小路段为单位的两成对的数据，展开成各路段与时段的对应值,形如：
[((A,B),(tA,tB)),((B,C),(tB,tC)),((C,D),(tC,tD))…] (3)
步骤S602，整合划分后的路段时间数据，得到不同时间段内车辆所在的行驶路段。
本步骤中，按照不同的时间段，将车辆显示在不同的路段，即可得到经过路径选择后的车辆的行驶路径仿真结果。
当在步骤S6中进行仿真时，可以模拟真实路网中不存在的情况，如新增道路或者改变收费标准后路网中的车辆将进行怎样的路径选择。模拟路网中的环境时，利用时间成本和费用成本的模型，将历史通行数据作为输入数据，当道路收费标准发生变化，或是在路网中新增路桥后，将在根据道路条件的变化修改后的逻辑路网上重新进行分析，按照不同车辆画像对时间费用的偏好不同，寻找最优路径，最终输出新的路径选择结果R。
步骤S7，根据所述路径选择结果制定交通管控方案。
由以上可以看出，本发明实施例的所述基于历史行为画像的出行车辆路径选择方法，基于历史通行数据中车辆的通行特点建立车辆画像，构建时间费用通行模型，出行车辆采用所构建的通行模型进行路径选择。本发明基于历史行为画像的出行车辆路径选择方法，充分提取历史通行数据的车辆出行特征，寻找出最贴近实际通行规律的较优代价路径选择方法，从微观层面给每辆车提供车辆路径的最优选择方案，实现了基于实时路况下行程耗时少、费用低的经济环保出行方式，并进一步为交通管控决策提供基础数据，交通管控部门采用所构建的通行模型判断出行车辆的路径选择进行有效的交通管控。
以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于历史行为画像的出行车辆路径选择方法，其特征在于，所述出行车辆路径选择方法包括以下步骤：
步骤S1，对历史通行原始数据进行数据提取、清洗，筛选可用字段，对筛选出可用的待分析字段进行标准化处理，去除异常值及空值，得到历史通行数据；所述历史通行原始数据包括收费广场静态信息及通行流水数据；收费广场静态信息包含了各收费广场的经纬度坐标，收费广场的ID；通行流水数据中使用的字段有车辆ID、入口收费广场、出口收费广场、入口时间、出口时间、车辆类型、费用；
步骤S2，利用历史通行数据构建逻辑路网，包括建立逻辑路网的节点和边，其中节点为收费广场，边为收费广场之间的最小可达通路；
步骤S3，对历史通行数据中的车辆行为进行分析，建立车辆画像，通过抽象化车辆的属性特征分析车辆行为，按照车型、出行频次、车辆出行目的地将车辆划分为“货车”、“通勤”、“旅游”、“其他”四大车辆画像；
步骤S4，根据所述逻辑路网和车辆画像构建出行车辆路径的时间成本和费用成本模型，且包括：
步骤S401，按照车辆画像类型，分析每种车辆画像下，费用与时间之间的关系；进一步为，读取全部数据，按照车辆画像进行分类，归一化处理相同车辆画像的车辆对应的通行时间和通行费用的比值，将归一化后的比值拟合为正态分布的曲线，求出正态分布对应的均值和方差，在均值方差和车辆画像之间建立一一对应的关系；
步骤S402，依据建立的费用时间关系，建立逻辑路网中边的权值的参数设定关系；进一步为：依据每条通行记录中车辆对应的车辆画像，从对应关系中获取与车辆画像对应的费用时间比值关系，以所述费用时间比值关系作为影响通行权值中通行时间和通行费用的比重分配；
步骤S5，根据道路条件的变化修改逻辑路网，并基于时间成本和费用成本的模型，对相关历史通行数据重新进行路径选择；且进一步为：
利用时间成本和费用成本的模型，将历史通行数据作为输入数据，在根据道路条件的变化修改后的逻辑路网上重新进行分析，按照不同车辆画像对时间费用的偏好不同，寻找最优路径，最终输出新的路径选择结果R，R形式如下：
[((A,B,C,D),(tA,tB,tC,tD)),…] (1)，
其中，A,B,C,D表示车辆从A点出发，途径B,C，最终到达D点，tA,tB,tC,tD表示经过这个四个点的时刻。
2.根据权利要求1所述的基于历史行为画像的出行车辆路径选择方法，其特征在于，所述通行权值的具体计算公式如下：
Cost(O,D,M)＝wf(S)×f(O,D,M)+wt(S)×t(O,D,M) (2)
式(2)中，O,D分别表示起点收费广场和终点收费广场，M,S分别表示车辆类型和车辆画像；f(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行费用，t(O,D,M)是给定车型的车辆在该起点和终点的历史平均通行时间，wf(S)是给定的车辆画像对应的费用权重，wt(S)是给定的车辆画像对应的时间权重，其中，wf(S)∈[0,1]，wt(S)∈[0,1]，wf+wt＝1。
3.根据权利要求1所述的基于历史行为画像的出行车辆路径选择方法，其特征在于，所述方法还包括：
步骤S6，依据出行车辆实时的通行路径及通行时间完成路径推演，实现路径可视化仿真。
4.根据权利要求1所述的基于历史行为画像的出行车辆路径选择方法，其特征在于，所述方法还包括：
步骤S7，根据所述路径选择结果制定交通管控方案。
CN202010164607.9A 2020-03-11 2020-03-11 一种基于历史行为画像的出行车辆路径选择方法 Active CN111489549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010164607.9A CN111489549B (zh) 2020-03-11 2020-03-11 一种基于历史行为画像的出行车辆路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010164607.9A CN111489549B (zh) 2020-03-11 2020-03-11 一种基于历史行为画像的出行车辆路径选择方法

Publications (2)

Publication Number Publication Date
CN111489549A CN111489549A (zh) 2020-08-04
CN111489549B true CN111489549B (zh) 2021-08-27

Family

ID=71794357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010164607.9A Active CN111489549B (zh) 2020-03-11 2020-03-11 一种基于历史行为画像的出行车辆路径选择方法

Country Status (1)

Country Link
CN (1) CN111489549B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509081B (zh) * 2021-12-31 2023-01-06 北京中交兴路车联网科技有限公司 基于差异化收费计算车辆通行成本的方法以及装置
CN114419888A (zh) * 2022-01-21 2022-04-29 北京汇通天下物联科技有限公司 一种货运车辆的安全预警方法、装置、设备及存储介质
CN116524711B (zh) * 2023-03-13 2023-09-12 山东博安智能科技股份有限公司 基于交通大数据分析的智慧高速管控系统
CN116681197B (zh) * 2023-08-03 2023-10-24 万联易达物流科技有限公司 一种基于大数据的物流线路搜索方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740976A (zh) * 2016-01-28 2016-07-06 中国人民解放军军械工程学院 一种多目标情境下获取最优运输路径的方法
CN106326998A (zh) * 2015-06-29 2017-01-11 株式会社日立制作所 路径规划方法和路径规划装置
CN106600128A (zh) * 2016-12-06 2017-04-26 北京中交兴路信息科技有限公司 一种车辆画像计算方法及系统
CN108647840A (zh) * 2018-06-28 2018-10-12 安吉汽车物流股份有限公司 一种路径挖掘方法及装置、存储介质、服务器
CN108985506A (zh) * 2018-07-03 2018-12-11 蔚来汽车有限公司 行车路径推荐方法、预测方法、获取方法及其装置
CN109345649A (zh) * 2018-10-10 2019-02-15 福建省福泉高速公路有限公司 一种高速公路车道收费辅助监测的实现方法
CN110146103A (zh) * 2019-06-14 2019-08-20 电子科技大学 考虑目标走向与能源补给的无人设备路径规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326998A (zh) * 2015-06-29 2017-01-11 株式会社日立制作所 路径规划方法和路径规划装置
CN105740976A (zh) * 2016-01-28 2016-07-06 中国人民解放军军械工程学院 一种多目标情境下获取最优运输路径的方法
CN106600128A (zh) * 2016-12-06 2017-04-26 北京中交兴路信息科技有限公司 一种车辆画像计算方法及系统
CN108647840A (zh) * 2018-06-28 2018-10-12 安吉汽车物流股份有限公司 一种路径挖掘方法及装置、存储介质、服务器
CN108985506A (zh) * 2018-07-03 2018-12-11 蔚来汽车有限公司 行车路径推荐方法、预测方法、获取方法及其装置
CN109345649A (zh) * 2018-10-10 2019-02-15 福建省福泉高速公路有限公司 一种高速公路车道收费辅助监测的实现方法
CN110146103A (zh) * 2019-06-14 2019-08-20 电子科技大学 考虑目标走向与能源补给的无人设备路径规划方法

Also Published As

Publication number Publication date
CN111489549A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN111489549B (zh) 一种基于历史行为画像的出行车辆路径选择方法
Chen et al. Optimal design of autonomous vehicle zones in transportation networks
Frejinger Route choice analysis: data, models, algorithms and applications
CN113112068A (zh) 一种村镇公共设施选址布局的方法及其系统
CN107945510B (zh) 一种考虑交通需求和道路网络运行效率的路段检测方法
Zhao et al. Agent-based model (ABM) for city-scale traffic simulation: A case study on San Francisco
CN111612223A (zh) 基于土地和交通多源数据的人口就业分布预测方法及装置
Wismans et al. Real time traffic models, decision support for traffic management
Dantsuji et al. A novel metamodel-based framework for large-scale dynamic origin–destination demand calibration
Zhong et al. Exploring the spatially heterogeneous effects of urban built environment on road travel time variability
Tilg et al. Simulation-based design of urban bi-modal transport systems
Zhou et al. Dynamic origin-destination trip demand estimation for subarea analysis
Behara Origin-destination matrix estimation using big traffic data: A structural perspective
Ehmke et al. Floating car data based analysis of urban travel times for the provision of traffic quality
Rodrigues et al. Hybrid context-aware multimodal routing
Puusepp et al. Simulating pedestrian movement
Gaduh et al. Optimal Public Transportation Networks: Evidence from the World’s Largest Bus Rapid Transit System in Jakarta
Crawford et al. Analysing spatial intrapersonal variability of road users using point-to-point sensor data
CN114413923A (zh) 一种行驶路线推荐方法、装置、存储介质及系统
Doorley et al. Travel demand and traffic prediction with cell phone data: Calibration by mathematical program with equilibrium constraints
Ozbay et al. Estimation of economic impact of VMS route guidance using microsimulation
Ryu et al. A bicycle network analysis tool for planning applications in small communities.
Yan et al. Development of Road Functional Classification in China: An Overview and Critical Remarks
Bagula et al. Intelligent transportation related complex systems and sensors
Sundeen Economical Optimization of Reversible Lane Systems-A study of modeling and optimizing the economic aspects of reversible lane systems in Gothenburg

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Han Sheng

Inventor after: Wan Huaiyu

Inventor after: Lin Youfang

Inventor after: Wu Zhihao

Inventor after: Wang Jing

Inventor after: Zhang Shuo

Inventor before: Wan Huaiyu

Inventor before: Lin Youfang

Inventor before: Wu Zhihao

Inventor before: Han Sheng

Inventor before: Wang Jing

Inventor before: Zhang Shuo