CN111932875A - 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 - Google Patents

基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 Download PDF

Info

Publication number
CN111932875A
CN111932875A CN202010745088.5A CN202010745088A CN111932875A CN 111932875 A CN111932875 A CN 111932875A CN 202010745088 A CN202010745088 A CN 202010745088A CN 111932875 A CN111932875 A CN 111932875A
Authority
CN
China
Prior art keywords
intersection
road
road network
path
road section
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.)
Pending
Application number
CN202010745088.5A
Other languages
English (en)
Inventor
闫飞
宋雅剑
郑晟
张曼
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202010745088.5A priority Critical patent/CN111932875A/zh
Publication of CN111932875A publication Critical patent/CN111932875A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，将待研究路网的瓶颈交叉口作为起点交叉口，利用布谷鸟搜索算法搜索与瓶颈交叉口关联度高、拥堵严重的局部最优交叉口，结合边寻边走策略逐渐寻找到一条关联度高、拥堵严重的交叉口序列，这条交叉口序列即为交叉口群关键路径，在寻优速度、准确性等方面具有明显的优势，解决了当前搜索交叉口群关键路径工作量大和效率低的问题，便于交叉口群关键路径协调优化方案的制定与实施。本发明能直接从瓶颈交叉口入手搜索出交叉口群的关键路径，为制定合理的协调优化方案奠定基础。

Description

基于改进布谷鸟搜索算法的交叉口群关键路径识别方法
技术领域
本发明涉及城市交叉口群关键路径识别技术领域，更具体地说，涉及一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法。
背景技术
随着经济的发展，人民生活水平明显改善，城市机动车保有量逐渐上升，高峰时段城市路网交通拥堵现象日益频繁，可能造成交通瘫痪，延长人们出行时间。城市交通原发性拥堵往往产生于某个路段或某个交叉口，随着原发性拥堵持续时间的增长，在拥堵区域上游产生继发性拥堵，最终可能在局部路网形成饱和循环。解决关键的几个大型交叉口或关联交叉口组成的交叉口群的交通阻塞问题可以很大程度上缓解整个路网的交通拥堵。
交叉口群是城市道路网络中地理位置相邻且存在较强关联性的若干交叉口的集合。相比控制子区，交叉口群能依据交叉口间的关联特征从路网中予以识别，并且能直接搜索到路网瓶颈区域，能更直接、更有效地从瓶颈区域入手缓解交通拥堵。
布谷鸟搜索算法(Cuckoo Search，CS)是一种新型的群体智能优化算法，受布谷鸟巢寄生育雏行为的启发，并结合鸟类、果蝇等的飞行特征而提出。布谷鸟搜索算法的优点在于算法简单、参数少、易实现、搜索路径优、收敛速度快等，将布谷鸟搜索算法与边寻边走策略结合起来用于交叉口群关键路径识别领域中，从交通路网的瓶颈交叉口开始逐步搜索出关联性强、拥堵严重的交叉口序列，作为交叉口群的关键路径进行协调优化，在寻优速度、准确率等方面具有明显的优势。
目前在城市交叉口群关键路径识别领域，多数研究从划分交叉口群范围入手，基于小波变换、深度优先搜索、广度优先搜索等方式将路网中所有可能的路径识别出来，接着利用适当的关联度模型逐一检验，根据检验结果找出关键路径，过程繁琐，工作量大，不利于大规模路网协调优化方案的快速制定。
发明内容
针对现有方法的不足，提出一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，包括：
1)选取待研究路网，获取所述路网的道路拓扑结构和实时交通流数据；
2)基于所述路网的道路拓扑结构和实时交通流数据，构建路径关联度模型；
3)基于结合边寻边走策略的布谷鸟搜索算法的交叉口群关键路径识别方法，包括以下步骤：
3.1)初始化，设置空间维数是2维，交叉口总数为n，最大迭代次数为s，步长为
Figure BDA0002608093050000021
其中，
Figure BDA0002608093050000022
Figure BDA0002608093050000023
表示所述路网相邻交叉口间所有路段长度的最大值；
3.2)选取瓶颈交叉口V0作为起点交叉口，与起点交叉口V0相邻的交叉口数目是a0；
3.3)随机选取一个与起点交叉口V0相邻的交叉口作为初始交叉口Vi，i∈[1,n]，目标函数定义为初始交叉口Vi与瓶颈交叉口V0之间的交通关联度Ii,0；其中，交通关联度Ii,0通过构建的路径关联度模型进行计算；
3.4)结合Levy飞行公式搜索到距离瓶颈交叉口
Figure BDA0002608093050000024
步长范围内的新交叉口Vi+b，此处b＝1，计算新交叉口Vi+b对应的交通关联度I(i+b),0，比较新交叉口Vi+b与初始交叉口Vi交通关联度的大小关系，若I(i+b),0＞Ii,0，则更新当前最优交叉口为Vi+b；否则，继续将Vi作为当前的最优交叉口，b＝b+1；
3.5)判断当前最优交叉口是否满足b≥α0，若满足，记录当前最优交叉口编号，并作为下一代起点交叉口，若不满足，则返回步骤3.4)继续计算；同时判断当前迭代次数是否达到最大迭代次数，若是，则停止算法，输出记录的交叉口序列，识别为交叉口群关键路径；否则，继续转到3.3)进行计算。
其中，在获取所述路网的道路拓扑结构和实时交通流数据的步骤中，包括步骤：
选取待研究路网，设路网为A路网，路网A内的每个交叉口为顶点，连接相邻交叉口的道路为路段，路网A内共n条路段；
假设存在由二元数组构成的路网无向图N＝(V,L)，其中V是结点集合，表示待研究的物体，L是弧段集合，令L＝(v,w,Ivw)，其中v表示弧段的起点，w表示弧段的终点，Ivw表示弧段起点和终点间的特定关联，为路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；将路网A内的每条路段排序，路网A内共n条路段，节点集合V′＝(v1,v2,...,vn)代表所有相邻交叉口间的路段的集合，弧段集合L′＝(f,g,Ifg)，其中f表示路段的起点交叉口，g表示路段的终点交叉口，Ifg表示路段起点交叉口与终点交叉口间的特定关联，是路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；其中将每条路段作为边，并对路网A内每条路段排序，构成的集合是图；
选取影响路网交通情况的因素，在路段进口处、路段中间和路段出口处分别安装微波雷达检测器，获取实时交通流数据。
其中，在构建路径关联度模型的步骤中：
离散性指标I1的计算公式如下：
Figure BDA0002608093050000041
Figure BDA0002608093050000042
其中，i为路径起点交叉口绿灯开始后观测车队离散的时间间隔，通常取一秒；
tog和tdg分别是路径方向上起点交叉口和终点交叉口一个周期内的绿灯时长；
q0(i)表示车队在起点交叉口绿灯时间开始后在第i时段通过的车辆总数；qd(i+T)表示车队在第(i+T)个时段在终点交叉口绿灯时间内到达的车辆数；
T表示车辆平均旅行时间；
平均旅行时间修正系数表示为β，根据Rovertson车队离散公式，选择β＝0.8；
α代表绿灯时间均衡系数；
tming代表路径方向上车辆所途径的全部交叉口周期绿灯时间的最小值。
阻滞性指标I2的计算公式如下：
Figure BDA0002608093050000043
其中，
Figure BDA0002608093050000044
代表路段m的阻滞性关联指标，M代表路径中路段数量；
Figure BDA0002608093050000045
的计算公式如下：
Figure BDA0002608093050000046
其中，
Figure BDA0002608093050000047
代表路段m的第n条车道功能区的长度(m)；Lm代表路段m的长度(m)；
路径关联度模型为：
I＝I1′+I2′,I∈[0,2]
其中，I1′代表离散性指标I1的无量纲处理结果；I2′代表阻滞性指标I2的无量纲处理结果；
I1′和I2′的计算公式如下：
Figure BDA0002608093050000051
Figure BDA0002608093050000052
其中，I1max代表交叉口群所有路径离散性指标I1的最大值；
I1min代表交叉口群所有路径离散性指标I1的最小值；
I2max代表交叉口群所有路径阻滞性指标I2的最大值；
I2min代表交叉口群所有路径阻滞性指标I2的最小值。
其中，改进的布谷鸟搜索算法是将边寻边走策略结合于传统布谷鸟搜索算法中；首先从起点交叉口出发寻找步长范围内关联度最高的交叉口，即局部最优交叉口；搜索到局部最优交叉口后，判断此时迭代次数是否达到最大迭代次数，若是，则停止迭代；否则以当前局部最优交叉口作为下一代起点交叉口继续寻优，直到达到最大迭代次数为止。
区别于现有技术，本发明提供的一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，将待研究路网的瓶颈交叉口作为起点交叉口，利用布谷鸟搜索算法搜索与瓶颈交叉口关联度高、拥堵严重的局部最优交叉口，结合边寻边走策略逐渐寻找到一条关联度高、拥堵严重的交叉口序列，这条交叉口序列即为交叉口群关键路径，在寻优速度、准确性等方面具有明显的优势，解决了当前搜索交叉口群关键路径工作量大和效率低的问题，便于交叉口群关键路径协调优化方案的制定与实施。
与现有技术相比本发明具有以下有益效果：
1、相较于传统的分层或分布式城市区域信号协调控制系统中的控制子区，交叉口群是道路网络中的一个特殊群体，两者的识别与划分有显著差别：控制子区的生成通常是将整个网络划分为若干个子网，而交叉口群则需要根据交叉口间的关联特征从路网中予以识别；控制子区的划分侧重于将具有相似交通流特征的交叉口归为一组，交叉口群更强调搜索路网中的瓶颈区域及其影响范围；控制子区对整个路网协调优化的难度较大，且缺乏针对性，本研究将路网协调优化的对象转换为一条线，即关键路径，更具针对性。
2、目前在城市交叉口群关键路径识别领域，多数研究从划分交叉口群范围入手，基于小波变换、深度优先搜索、广度优先搜索等方式将路网中所有可能的路径识别出来，接着利用适当的关联度模型逐一检验，根据检验结果找出关键路径，过程繁琐，工作量大，不利于大规模路网协调优化方案的快速制定。本发明提出一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，直接从瓶颈交叉口入手，将交通关联度函数作为目标函数，结合边寻边走策略逐渐搜索到一条关联度高、拥堵严重的交叉口序列，这条交叉口序列即为交叉口群关键路径，在寻优速度、准确性等方面具有明显的优势，解决了当前搜索交叉口群关键路径工作量大和效率低的问题，便于交叉口群关键路径协调优化方案的制定与实施，从而有效缓解城市道路交通拥堵问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法的流程示意图。
图2是本发明提供的一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法的算法逻辑示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参阅图1，本发明提供了一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，包括：
1)选取待研究路网，获取所述路网的道路拓扑结构和实时交通流数据；
2)基于所述路网的道路拓扑结构和实时交通流数据，构建路径关联度模型；
3)基于结合边寻边走策略的布谷鸟搜索算法的交叉口群关键路径识别方法，包括以下步骤：
3.1)初始化，设置空间维数是2维，交叉口总数为n，最大迭代次数为s，步长为
Figure BDA0002608093050000071
其中，
Figure BDA0002608093050000072
Figure BDA0002608093050000073
表示所述路网相邻交叉口间所有路段长度的最大值；
3.2)选取瓶颈交叉口V0作为起点交叉口，与起点交叉口V0相邻的交叉口数目是a0；
3.3)随机选取一个与起点交叉口V0相邻的交叉口作为初始交叉口Vi，i∈[1,n]，目标函数定义为初始交叉口Vi与瓶颈交叉口V0之间的交通关联度Ii,0；其中，交通关联度Ii,0通过构建的路径关联度模型进行计算；
3.4)结合Levy飞行公式搜索到距离瓶颈交叉口
Figure BDA0002608093050000074
步长范围内的新交叉口Vi+b，此处b＝1，计算新交叉口Vi+b对应的交通关联度I(i+b),0，比较新交叉口Vi+b与初始交叉口Vi交通关联度的大小关系，若I(i+b),0＞Ii,0，则更新当前最优交叉口为Vi+b；否则，继续将Vi作为当前的最优交叉口，b＝b+1；
3.5)判断当前最优交叉口是否满足b≥α0，若满足，记录当前最优交叉口编号，并作为下一代起点交叉口，若不满足，则返回步骤3.4)继续计算；同时判断当前迭代次数是否达到最大迭代次数，若是，则停止算法，输出记录的交叉口序列，识别为交叉口群关键路径；否则，继续转到3.3)进行计算。
其中，在获取所述路网的道路拓扑结构和实时交通流数据的步骤中，包括步骤：
选取待研究路网，设路网为A路网，路网A内的每个交叉口为顶点，连接相邻交叉口的道路为路段，路网A内共n条路段；
假设存在由二元数组构成的路网无向图N＝(V,L)，其中V是结点集合，表示待研究的物体，L是弧段集合，令L＝(v,w,Ivw)，其中v表示弧段的起点，w表示弧段的终点，Ivw表示弧段起点和终点间的特定关联，为路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；将路网A内的每条路段排序，路网A内共n条路段，节点集合V′＝(v1,v2,...,vn)代表所有相邻交叉口间的路段的集合，弧段集合L′＝(f,g,Ifg)，其中f表示路段的起点交叉口，g表示路段的终点交叉口，Ifg表示路段起点交叉口与终点交叉口间的特定关联，是路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；其中将每条路段作为边，并对路网A内每条路段排序，构成的集合是图；
选取影响路网交通情况的因素，在路段进口处、路段中间和路段出口处分别安装微波雷达检测器，获取实时交通流数据。
其中，在构建路径关联度模型的步骤中：
离散性指标I1的计算公式如下：
Figure BDA0002608093050000081
Figure BDA0002608093050000082
其中，i为路径起点交叉口绿灯开始后观测车队离散的时间间隔，通常取一秒；
tog和tdg分别是路径方向上起点交叉口和终点交叉口一个周期内的绿灯时长；
q0(i)表示车队在起点交叉口绿灯时间开始后在第i时段通过的车辆总数；qd(i+T)表示车队在第(i+T)个时段在终点交叉口绿灯时间内到达的车辆数；
T表示车辆平均旅行时间；
平均旅行时间修正系数表示为β，根据Rovertson车队离散公式，选择β＝0.8；
α代表绿灯时间均衡系数；
tming代表路径方向上车辆所途径的全部交叉口周期绿灯时间的最小值。
阻滞性指标I2的计算公式如下：
Figure BDA0002608093050000091
其中，
Figure BDA0002608093050000092
代表路段m的阻滞性关联指标，M代表路径中路段数量；
Figure BDA0002608093050000093
的计算公式如下：
Figure BDA0002608093050000094
其中，
Figure BDA0002608093050000095
代表路段m的第n条车道功能区的长度(m)；Lm代表路段m的长度(m)；
路径关联度模型为：
I＝I1′+I2′,I∈[0,2]
其中，I1′代表离散性指标I1的无量纲处理结果；I2′代表阻滞性指标I2的无量纲处理结果；
I1′和I2′的计算公式如下：
Figure BDA0002608093050000096
Figure BDA0002608093050000097
其中，I1max代表交叉口群所有路径离散性指标I1的最大值；
I1min代表交叉口群所有路径离散性指标I1的最小值；
I2max代表交叉口群所有路径阻滞性指标I2的最大值；
I2min代表交叉口群所有路径阻滞性指标I2的最小值。
其中，改进的布谷鸟搜索算法是将边寻边走策略结合于传统布谷鸟搜索算法中；首先从起点交叉口出发寻找步长范围内关联度最高的交叉口，即局部最优交叉口；搜索到局部最优交叉口后，判断此时迭代次数是否达到最大迭代次数，若是，则停止迭代；否则以当前局部最优交叉口作为下一代起点交叉口继续寻优，直到达到最大迭代次数为止。
综上所述，本发明将布谷鸟搜索算法与边寻边走策略结合起来进行交叉口群关键路径识别，一方面基于交叉口间的关联特征从路网中识别关键路径，将路网协调优化的对象转换为一条线，更具针对性；另一方面解决了当前搜索交叉口群关键路径工作量大和效率低的问题，便于交叉口群关键路径协调优化方案的制定与实施，从而有效缓解城市道路交通拥堵问题。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.一种基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，其特征在于：包括以下步骤：
1)选取待研究路网，获取所述路网的道路拓扑结构和实时交通流数据；
2)基于所述路网的道路拓扑结构和实时交通流数据，构建路径关联度模型；
3)基于结合边寻边走策略的布谷鸟搜索算法的交叉口群关键路径识别方法，包括以下步骤：
3.1)初始化，设置空间维数是2维，交叉口总数为n，最大迭代次数为s，步长为
Figure FDA0002608093040000011
其中，
Figure FDA0002608093040000012
Figure FDA0002608093040000013
表示所述路网相邻交叉口间所有路段长度的最大值；
3.2)选取瓶颈交叉口V0作为起点交叉口，与起点交叉口V0相邻的交叉口数目是a0；
3.3)随机选取一个与起点交叉口V0相邻的交叉口作为初始交叉口Vi，i∈[1,n]，目标函数定义为初始交叉口Vi与瓶颈交叉口V0之间的交通关联度Ii,0；其中，交通关联度Ii,0通过构建的路径关联度模型进行计算；
3.4)结合Levy飞行公式搜索到距离瓶颈交叉口
Figure FDA0002608093040000014
步长范围内的新交叉口Vi+b，此处b＝1，计算新交叉口Vi+b对应的交通关联度I(i+b),0，比较新交叉口Vi+b与初始交叉口Vi交通关联度的大小关系，若I(i+b),0＞Ii,0，则更新当前最优交叉口为Vi+b；否则，继续将Vi作为当前的最优交叉口，b＝b+1；
3.5)判断当前最优交叉口是否满足b≥α0，若满足，记录当前最优交叉口编号，并作为下一代起点交叉口，若不满足，则返回步骤3.4)继续计算；同时判断当前迭代次数是否达到最大迭代次数，若是，则停止算法，输出记录的交叉口序列，识别为交叉口群关键路径；否则，继续转到3.3)进行计算。
2.根据权利要求1所述的基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，其特征在于，在获取所述路网的道路拓扑结构和实时交通流数据的步骤中，包括步骤：
选取待研究路网，设路网为A路网，路网A内的每个交叉口为顶点，连接相邻交叉口的道路为路段，路网A内共n条路段；
假设存在由二元数组构成的路网无向图N＝(V,L)，其中V是结点集合，表示待研究的物体，L是弧段集合，令L＝(v,w,Ivw)，其中v表示弧段的起点，w表示弧段的终点，Ivw表示弧段起点和终点间的特定关联，为路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；将路网A内的每条路段排序，路网A内共n条路段，节点集合V′＝(v1,v2,...,vn)代表所有相邻交叉口间的路段的集合，弧段集合L′＝(f,g,Ifg)，其中f表示路段的起点交叉口，g表示路段的终点交叉口，Ifg表示路段起点交叉口与终点交叉口间的特定关联，是路段通行能力、车速、路段长度、车辆数、车辆旅行时间关联中的一种；其中将每条路段作为边，并对路网A内每条路段排序，构成的集合是图；
选取影响路网交通情况的因素，在路段进口处、路段中间和路段出口处分别安装微波雷达检测器，获取实时交通流数据。
3.根据权利要求1所述的基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，其特征在于，在构建路径关联度模型的步骤中：
离散性指标I1的计算公式如下：
Figure FDA0002608093040000021
Figure FDA0002608093040000022
其中，i为路径起点交叉口绿灯开始后观测车队离散的时间间隔，通常取一秒；
tog和tdg分别是路径方向上起点交叉口和终点交叉口一个周期内的绿灯时长；
q0(i)表示车队在起点交叉口绿灯时间开始后第i时段通过的车辆总数；qd(i+T)表示车队在第(i+T)个时段在终点交叉口绿灯时间内到达的车辆数；
T表示车辆平均旅行时间；
平均旅行时间修正系数表示为β，根据Rovertson车队离散公式，选择β＝0.8；
α代表绿灯时间均衡系数；
tming代表路径方向上车辆所途径的全部交叉口周期绿灯时间的最小值。
阻滞性指标I2的计算公式如下：
Figure FDA0002608093040000031
其中，
Figure FDA0002608093040000032
代表路段m的阻滞性关联指标，M代表路径中路段数量；
Figure FDA0002608093040000033
的计算公式如下：
Figure FDA0002608093040000034
其中，
Figure FDA0002608093040000035
代表路段m的第n条车道功能区的长度(m)；Lm代表路段m的长度(m)；
路径关联度模型为：
I＝I1′+I2′,I∈[0,2]
其中，I1′代表离散性指标I1的无量纲处理结果；I2′代表阻滞性指标I2的无量纲处理结果；
I1′和I2′的计算公式如下：
Figure FDA0002608093040000041
Figure FDA0002608093040000042
其中，I1max代表交叉口群所有路径离散性指标I1的最大值；
I1min代表交叉口群所有路径离散性指标I1的最小值；
I2max代表交叉口群所有路径阻滞性指标I2的最大值；
I2min代表交叉口群所有路径阻滞性指标I2的最小值。
4.根据权利要求1所述的基于改进布谷鸟搜索算法的交叉口群关键路径识别方法，其特征在于，改进的布谷鸟搜索算法是将边寻边走策略结合于传统布谷鸟搜索算法中；首先从起点交叉口出发寻找步长范围内关联度最高的交叉口，即局部最优交叉口；搜索到局部最优交叉口后，判断此时迭代次数是否达到最大迭代次数，若是，则停止迭代；否则以当前局部最优交叉口作为下一代起点交叉口继续寻优，直到达到最大迭代次数为止。
CN202010745088.5A 2020-07-29 2020-07-29 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 Pending CN111932875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010745088.5A CN111932875A (zh) 2020-07-29 2020-07-29 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010745088.5A CN111932875A (zh) 2020-07-29 2020-07-29 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法

Publications (1)

Publication Number Publication Date
CN111932875A true CN111932875A (zh) 2020-11-13

Family

ID=73315930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010745088.5A Pending CN111932875A (zh) 2020-07-29 2020-07-29 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法

Country Status (1)

Country Link
CN (1) CN111932875A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN109493605A (zh) * 2018-12-12 2019-03-19 广州巨枫科技有限公司 一种有效的智能交通监控系统
CN109637121A (zh) * 2018-06-05 2019-04-16 南京理工大学 一种基于cs-svr算法的短时道路交通拥堵预测方法
CN110119839A (zh) * 2019-04-24 2019-08-13 华南理工大学 一种城市道路交通事故应急救援路径规划方法
CN110533905A (zh) * 2019-07-03 2019-12-03 广东工业大学 一种交通流预测的方法、系统及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN109637121A (zh) * 2018-06-05 2019-04-16 南京理工大学 一种基于cs-svr算法的短时道路交通拥堵预测方法
CN109493605A (zh) * 2018-12-12 2019-03-19 广州巨枫科技有限公司 一种有效的智能交通监控系统
CN110119839A (zh) * 2019-04-24 2019-08-13 华南理工大学 一种城市道路交通事故应急救援路径规划方法
CN110533905A (zh) * 2019-07-03 2019-12-03 广东工业大学 一种交通流预测的方法、系统及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法
CN115100857B (zh) * 2022-06-17 2024-03-19 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法

Similar Documents

Publication Publication Date Title
CN111197991B (zh) 基于深度神经网络的预测车辆最佳驾驶路径方法
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN109785619B (zh) 区域交通信号协调优化控制系统及其控制方法
CN101789182B (zh) 一种基于平行仿真技术的交通信号控制系统及方法
Seredynski et al. Comparison of green light optimal speed advisory approaches
CN112216127B (zh) 一种基于近端策略优化的小型路网交通信号优化方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN106652441A (zh) 一种基于时空数据的城市道路交通状态预测方法
CN108629970B (zh) 基于蒙特卡罗树搜索的交叉口信号参数优化方法
CN112435498B (zh) 一种基于方向性诱导的城市路网最短路径获取方法
CN111220162B (zh) 一种获取慢行车辆行驶轨迹的方法及装置
CN106530779A (zh) 一种基于城市交通控制信号灯的路径规划方法及系统
CN110738855A (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN113222385A (zh) 一种电动汽车行驶工况构建与评价方法
CN111932875A (zh) 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法
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
CN111337047B (zh) 基于多任务点约束的非结构化道路宏观路径规划方法
CN113569946A (zh) 开源地图与专业数据源路网自适应匹配法
CN112229409A (zh) 基于贝叶斯和进化算法的无人机协同航迹规划方法
Jang et al. A study on the effectiveness of A2C and A3C reinforcement learning in parking space search in urban areas problem
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
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
Behura et al. Road accident prediction and feature analysis by using deep learning
CN114783179A (zh) 基于状态矢量的拥堵聚类判别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113

RJ01 Rejection of invention patent application after publication