CN112446538B - 一种基于个性化避险的最优路径获取方法 - Google Patents

一种基于个性化避险的最优路径获取方法 Download PDF

Info

Publication number
CN112446538B
CN112446538B CN202011319819.6A CN202011319819A CN112446538B CN 112446538 B CN112446538 B CN 112446538B CN 202011319819 A CN202011319819 A CN 202011319819A CN 112446538 B CN112446538 B CN 112446538B
Authority
CN
China
Prior art keywords
iteration
risk
intersection
path
road
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
CN202011319819.6A
Other languages
English (en)
Other versions
CN112446538A (zh
Inventor
丁建勋
丁卫东
满忠运
江宇鹏
冯战雨
周润东
朱孔金
龙建成
石琴
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202011319819.6A priority Critical patent/CN112446538B/zh
Publication of CN112446538A publication Critical patent/CN112446538A/zh
Application granted granted Critical
Publication of CN112446538B publication Critical patent/CN112446538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047Optimisation of routes or paths, e.g. travelling salesman problem
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/17Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于个性化避险的最优路径获取方法,其步骤包括:1、确定起讫点间各路段的通行效率权重和行车风险权重;2、驾驶员根据自身情况,个性化定制可接受的行车风险值;3、建立拉格朗日松弛模型对原路径规划问题进行求解,满足驾驶员对于行车风险的需求,得到最优路径。本发明针对新手和常发生违章和事故的非新手驾驶员,着重考虑路段历史事故发生率及个性化设定的行车风险值,在路径规划中避开事故高发路段,兼顾出行效率与行车安全,从而保障个人出行安全及社会交通的稳定高效。

Description

一种基于个性化避险的最优路径获取方法
技术领域
本发明属于导航算法开发领域,具体地说是一种基于个性化避险的最优路径获取方法。
背景技术
随着居民汽车保有量的急剧增加,导航软件获得了大量的用户和广阔的发展空间,相应的导航算法中关于减少出行时间、躲避拥堵、减少收费等功能的开发为人们的日常出行提供了极大的便利。
在现有的技术中,存在着以下几点不足,一是现有的导航算法对提高出行效率的重视程度远大过对降低出行风险的功能的开发,而许多通过时间少的路段有可能亦是事故高发的危险路段,这就会置驾驶员于不可预估的风险之中;二是对于道路事故率及驾驶员事故率等大数据的分析利用还不够,出行参与者无法对道路及行驶环境有较清晰的认识,致使人车路三者较难有机地联系起来;三是现有导航所规划的出行路线无法体现不同的驾驶员对于风险接受程度的个性化差异。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于个性化避险的最优路径获取方法,以期能得到兼顾效率与安全的最优出行路径,从而保障个人出行安全及社会交通的稳定高效。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于个性化避险的最优路径获取方法的特点是按以下步骤进行:
步骤1:获取导航的起点vs和终点vt,利用地图软件中的数据得到相应的路网图G=(V,A,T,S),其中,V表示交叉口集合,且V={v1,v2,…,vq,…,vQ},vq表示从起点vs到终点vt可能经过的第q个交叉口,q=1,2,…,Q;A表示交叉口之间的路段集合,且A={ai,j=(vi,vj)|i,j=1,2,…,Q},ai,j表示第i个交叉口vi与第j个交叉口vj之间的路段,路段ai,j的长度用li,j表示;T表示通行效率,且T={ti,j|i,j=1,2,…,Q},ti,j表示通过路段ai,j所需的时间效率权重;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重;定义决策变量xi,j为0、1变量,如果通过路段ai,j,则xi,j=1,反之xi,j=0;定义驾驶员所能接受的风险值为W;
步骤2:在导航开始阶段通过地图软件获得实时路况信息,并转换为路段ai,j的平均通行车速
Figure BDA0002792521600000011
从而利用式(1)得到路段ai,j的通行效率权重ti,j
Figure BDA0002792521600000021
步骤3:当实时路况信息更新时,转步骤1,否则转步骤4;
步骤4:获取路段ai,j在历史时间t内的交通管理数据,并将其中的历史交通事故信息数据分为致死致伤事故和仅财产损失事故,从而利用式(2)和式(3)分别计算出路段ai,j在历史时间t内单位车公里的致死致伤事故次数
Figure BDA0002792521600000022
和仅财产损失事故次数
Figure BDA0002792521600000023
Figure BDA0002792521600000024
Figure BDA0002792521600000025
式(2)和式(3)中,
Figure BDA0002792521600000026
表示长度为li,j的路段ai,j在历史时间t内发生的致死致伤事故数;
Figure BDA0002792521600000027
表示长度为li,j的路段ai,j在历史时间t内发生的仅财产损失事故数;AADTi,j为路段ai,j在历史时间t内的平均日交通量;
步骤5:通过式(4)计算路段ai,j的行车风险权重si,j
Figure BDA0002792521600000028
式(4)中,α表示与致死致伤事故相关的权重;
步骤6:构建模型的约束条件;
步骤6.1:利用式(5)构建流平衡约束:
Figure BDA0002792521600000029
式(5)中,vj:(vs,vj)∈A表示在起点vs的所有相邻交叉口集合中选择下一个将要通过的交叉口vj,vj:(vj,vt)∈A表示经过终点vt的所有相邻交叉口集合中的一个交叉口vj,vi:(vi,vk)∈A表示经过中间交叉口vk的所有相邻交叉口集合中的一个交叉口vi,vj:(vk,vj)∈A表示在中间交叉口vk的所有相邻交叉口集合中选择下一个将要通过的交叉口vj;起点vs与第j个交叉口vj之间的路段(vs,vj)属于集合A,第j个交叉口vj与终点vj之间的路段(vj,vt)属于集合A,第i个交叉口vi与第k个交叉口vk的路段(vi,vk)属于集合A,第k个交叉口vk与第j个交叉口vj的路段(vk,vj)属于集合A;xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、aj,t、ai,k、ak,j的决策变量,若xs,j、xj,t、xi,k、xk,j为0,则分别表示不通过路段as,j、aj,t、ai,k、ak,j,若xs,j、xj,t、xi,k、xk,j为1,则分别表示通过路段as,j、aj,t、ai,k、ak,j
Figure BDA0002792521600000031
表示必有一条路径从起点vs出发,
Figure BDA0002792521600000032
表示必有一条路径到达终点vt
Figure BDA0002792521600000033
表示若从第k个交叉口vk进入,则也必将从第k个交叉口vk出来;
步骤6.2:利用式(6)构建驾驶员个性化约束:
Figure BDA0002792521600000034
步骤7:求出风险值W的上界Smax和下界Smin
步骤7.1:当仅考虑风险权值si,j时,以式(7)作为目标函数,并以式(5)作为约束条件,从而构建风险最小路径模型,利用Dijkstra算法求解风险最小路径模型得到当前风险最小路径,并将当前风险最小路径中每个交叉口之间对应路段的行车风险权重的累加和作为下界Smin
Figure BDA0002792521600000035
步骤7.2:利用拓扑排序的方法,将路网图G中的所有交叉口顶点按照经过的顺序排成一个线性序列集合,按照拓扑排序的顺序,得到从起点vs到终点vt的所有可能路径,计算所有可能路径的行车风险值,通过比较从中选出风险最大路径,并将风险最大路径中每个交叉口之间对应路段的行车风险权重的累加作为上界Smax
步骤8:获取驾驶员所能接受的风险值W;
步骤8.1:对于n名非新手驾驶员,利用式(8)得到非新手驾驶员发生事故的反频率Wi I(K),再利用式(9)得到第i名非新手驾驶员可接受的风险值Wi I
Figure BDA0002792521600000036
Figure BDA0002792521600000037
式(9)中,
Figure BDA0002792521600000038
表示第i名非新手驾驶员在历史时间t内的发生的严重违章的次数;
Figure BDA0002792521600000039
表示第i名非新手驾驶员在历史时间t内的发生的非严重违章的次数;
Figure BDA0002792521600000041
表示第i名非新手驾驶员在历史时间t内的发生的致死致伤事故的次数;
Figure BDA0002792521600000042
表示第i名非新手驾驶员在历史时间t内的发生的仅财产损失事故的次数;Ki表示第i名非新手驾驶员在历史时间t内的总出行量;β表示与非新手驾驶员的严重违章次数相关的权重,μ表示与非新手驾驶员的致死致伤事故次数相关的权重,且β>1,μ>1;
式(10)中,WI(K)max表示n名非新手驾驶员中对应的最大可接受的风险值Wi I(K);
步骤8.2:对于m名新手驾驶员,利用式(10)得到第j名新手驾驶员可接受的风险值
Figure BDA0002792521600000043
Figure BDA0002792521600000044
步骤9:利用式(11)构建路径行驶时间最短的目标函数Min UB,并以式(5)和式(6)作为约束条件,从而共同构成原问题模型,将所述目标函数Min UB与式(5)的约束条件共同构成简化模型;
Figure BDA0002792521600000045
对于第i名非新手驾驶员,将Wi I赋值给W,对于第j名新手驾驶员,将
Figure BDA0002792521600000046
赋值给W;
当W<Smin时,表示原问题模型和简化模型建立失败,无可行路径;
当W=Smin时,则输出仅考虑风险权值si,j时求出的风险最小路径;
当Smin<W<Smax时,转步骤10得到时间最短路径;
当W≥Smax时,利用Dijkstra算法求解简化模型,得到相应的时间最短路径;
步骤10:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤10.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax
定义误差控制范围为ε,定义步长为θ;定义数值向量为η,并初始化η0=0;
定义第I次迭代下的路径行驶时间最短的目标函数值为UBI,并初始化UB0为+∞;
步骤10.2:利用式(12)构建第I次迭代下的拉格朗日松弛模型:
Figure BDA0002792521600000051
式(13)中,λI为第I次迭代下的拉格朗日乘子;并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ;
步骤10.3:如果
Figure BDA0002792521600000052
且I≤Imax,转步骤10.4,否则,将第I次迭代的目标函数值LBI所对应的所有
Figure BDA0002792521600000053
时的路段连起来即为时间最短路径;
步骤10.4:求解第I次迭代下的拉格朗日松弛模型;
步骤10.4.1:利用Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,得到第I次迭代下所有
Figure BDA0002792521600000054
时的路段所组成的最优路径x*I
利用式(13)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI +1
LBI+1=max{LBI,LBII)} (13)
式(13)中,LBII)表示第I次迭代下的最优路径x*I对应的最优目标函数值,并有:
Figure BDA0002792521600000055
式(14)中,
Figure BDA0002792521600000056
表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口;
步骤10.4.2:将第I次迭代下的最优路径x*I代入式(11),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),利用式(15)得到第I+1次迭代的目标函数值UBI+1
UBI+1=min{UBI(x*I),UBI} (15)
步骤10.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1
Figure BDA0002792521600000057
步骤10.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1
Figure BDA0002792521600000061
步骤10.4.5:将I+1赋值给I,转步骤10.3。
与现有技术相比,本发明的有益效果在于:
1、目前的导航重点考虑出行效率的提高,缺乏对与出行风险密切相关的驾驶员和道路这两者的大数据分析,更缺乏对单个驾驶员出行风险接受程度的考虑与个性化设定,在这种忽略路段及驾驶员出行风险的情况下所进行的出行路径规划,极易置本就事故率高的驾驶员和新手驾驶员于事故高发的路段上,致使行车风险和事故发生率的控制得不到有效保障,而本发明正是从这一点出发,着重考虑与分析高风险驾驶员与高风险路段之间的联系,使得“两高不相遇”,在使得路网上总的事故发生率降低的前提下,最大程度地保证了出行效率的提高,从而保障了个人出行安全及社会交通的稳定高效。
2、本发明所提出的最优路径获取方法,将每两个节点之间的弧的权重由目前的只考虑效率权重,变为时间效率权重和行车风险权重之和,依据不同驾驶员事故率的差异和最大路径风险值,设定能体现驾驶员个性化需求的可接受风险程度值W,驾驶员历史事故发生率越高,则可接受风险程度值W越小,允许选择的路径的最大风险值便越小,可选择的路径越会受到限制;驾驶员历史事故发生率越低,可接受风险程度值W越大,允许选择的路径的最大风险值越大,可选择的路径更多;从而为驾驶员提供更符合其驾驶能力和安全需求的出行路线。相比于现有的导航,新增的行车风险权重来应对驾驶员对于行车安全的需求,使得行车目的进一步细化和全面。
3、本发明所提出的最优路径获取方法,利用拉格朗日松弛思想建立拉格朗日松弛模型,并将此模型的目标函数值LB作为下界,将原问题模型即求解行驶时间最短的模型的目标函数值UB作为上界,随着迭代次数I的增加,不断更新上界和下界,缩小所能选择的路径的范围。当符合模型终止条件时,将最后一次迭代的拉格朗日松弛模型对应的最优解即所有xiI,j=1时的路段连起来即为模型的最优解,从而得到了兼顾行车效率和风险的最优路径,进而为自动驾驶技术奠定了基础,对未来可能出现的车祸提前进行规避。
附图说明
图1为本发明方法的流程图;
图2为本发明拉格朗日算法流程图;
图3为本发明实例路网图;
图4为本发明不考虑风险和考虑风险的路径选择对比图;
图5为本发明拉格朗日算法迭代过程图;
图6为本发明各路段行车风险权重图;
图7为本发明不同驾驶员W(k)值图。
具体实施方式
本实施例中,一种基于个性化避险的最优路径获取方法引入了行车风险权重,与原本已有的行车效率权重互为补充,更符合不同类型的驾驶员对于行车安全的需求,更合理地得到最优路径:
1.由实时路况信息和道路历史事故发生情况得到相应的路网图G,并确定起讫点;
2.引入行车风险权重,判断道路的类型,根据道路历史事故及违章发生率设定道路的行车风险权值;针对每个驾驶员,基于历史行车数据设定可接受风险值W,从而让新手驾驶员和常发生事故的非新手驾驶员避开高事故发生率路段,如表1所示,将实现表格当中所表现出来的效果;
表1
Figure BDA0002792521600000071
3.将原问题模型分解为单纯的求解时间最短路径模型和拉格朗日松弛模型,利用dijkstra算法分别求出对应模型的最优解,分别作为可行路径模型目标函数的上界和下界,在范围的收缩过程中得到满足驾驶员个性化需求的最优路径。
下面结合具体实施例,进一步阐述本发明,本发明的最优路径获取方法主要针对新手和常发生违章或事故的非新手驾驶员,通过对路段的历史事故发生率及不同驾驶员的风险接受度的数据分析得出个性化风险值,并结合拉格朗日松弛算法建立模型并求解,方法流程图如图1所示,拉格朗日算法流程图如图2所示,实例路网图如图3所示:
步骤1:如图3所示,获取导航的起点vs和终点vt,利用地图软件中的数据得到相应的路网图G=(V,A,T,S),其中,V表示交叉口集合,且V={v1,v2,…,vq,…,vQ},vq表示从起点vs到终点vt可能经过的第q个交叉口,q=1,2,…,Q;A表示交叉口之间的路段集合,且A={ai,j=(vi,vj)|i,j=1,2,…,Q},ai,j表示第i个交叉口vi与第j个交叉口vj之间的路段,路段ai,j的长度用li,j表示;T表示通行效率,且T={ti,j|i,j=1,2,…,Q},ti,j表示通过路段ai,j所需的时间效率权重;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重;图3中每条路段旁的括号表示(ti,j,si,j),定义决策变量xi,j为0、1变量,如果通过路段ai,j,则xi,j=1,反之xi,j=0;定义驾驶员所能接受的风险值为W;
步骤2:在导航开始阶段通过地图软件获得实时路况信息,并转换为路段ai,j的平均通行车速
Figure BDA0002792521600000081
从而利用式(1)得到路段ai,j的通行效率权重ti,j
Figure BDA0002792521600000082
步骤3:当实时路况信息更新时,转步骤1,否则转步骤4;
步骤4:获取路段ai,j在历史时间t内的交通管理数据,并将其中的历史交通事故信息数据分为致死致伤事故和仅财产损失事故,从而利用式(2)和式(3)分别计算出路段ai,j在历史时间t内单位车公里的致死致伤事故次数
Figure BDA0002792521600000083
和仅财产损失事故次数
Figure BDA0002792521600000084
Figure BDA0002792521600000085
Figure BDA0002792521600000086
式(2)和式(3)中,
Figure BDA0002792521600000087
表示长度为li,j的路段ai,j在历史时间t内发生的致死致伤事故数;
Figure BDA0002792521600000088
表示长度为li,j的路段ai,j在历史时间t内发生的仅财产损失事故数;AADTi,j为路段ai,j在历史时间t内的平均日交通量;
步骤5:通过式(4)计算路段ai,j的行车风险权重si,j
Figure BDA0002792521600000089
式(4)中,α表示与致死致伤事故相关的权重;
步骤6:构建模型的约束条件;
步骤6.1:利用式(5)构建流平衡约束:
Figure BDA0002792521600000091
式(5)中,vj:(vs,vj)∈A表示在起点vs的所有相邻交叉口集合中选择下一个将要通过的交叉口vj,vj:(vj,vt)∈A表示经过终点vt的所有相邻交叉口集合中的一个交叉口vj,vi:(vi,vk)∈A表示经过中间交叉口vk的所有相邻交叉口集合中的一个交叉口vi,vj:(vk,vj)∈A表示在中间交叉口vk的所有相邻交叉口集合中选择下一个将要通过的交叉口vj;起点vs与第j个交叉口vj之间的路段(vs,vj)属于集合A,第j个交叉口vj与终点vj之间的路段(vj,vt)属于集合A,第i个交叉口vi与第k个交叉口vk的路段(vi,vk)属于集合A,第k个交叉口vk与第j个交叉口vj的路段(vk,vj)属于集合A;xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、aj,t、ai,k、ak,j的决策变量,若xs,j、xj,t、xi,k、xk,j为0,则分别表示不通过路段as,j、aj,t、ai,k、ak,j,若xs,j、xj,t、xi,k、xk,j为1,则分别表示通过路段as,j、aj,t、ai,k、ak,j
Figure BDA0002792521600000092
表示必有一条路径从起点vs出发,
Figure BDA0002792521600000093
表示必有一条路径到达终点vt
Figure BDA0002792521600000094
表示若从第k个交叉口vk进入,则也必将从第k个交叉口vk出来;
步骤6.2:利用式(6)构建驾驶员个性化约束:
Figure BDA0002792521600000095
步骤7:求出风险值W的上界Smax和下界Smin
步骤7.1:当仅考虑风险权值si,j时,以式(7)作为目标函数,并以式(5)作为约束条件,从而构建风险最小路径模型,利用Dijkstra算法求解风险最小路径模型得到当前风险最小路径,并将当前风险最小路径中每个交叉口之间对应路段的行车风险权重的累加和作为下界Smin
Figure BDA0002792521600000096
步骤7.2:利用拓扑排序的方法,将路网图G中的所有交叉口顶点按照经过的顺序排成一个线性序列集合,按照拓扑排序的顺序,得到从起点vs到终点vt的所有可能路径,计算所有可能路径的行车风险值,通过比较从中选出风险最大路径,并将风险最大路径中每个交叉口之间对应路段的行车风险权重的累加作为上界Smax
步骤8:获取驾驶员所能接受的风险值W;
步骤8.1:对于n名非新手驾驶员,利用式(8)得到非新手驾驶员发生事故的反频率Wi I(K),再利用式(9)得到第i名非新手驾驶员可接受的风险值Wi I
Figure BDA0002792521600000101
Figure BDA0002792521600000102
式(9)中,
Figure BDA0002792521600000103
表示第i名非新手驾驶员在历史时间t内的发生的严重违章的次数;
Figure BDA0002792521600000104
表示第i名非新手驾驶员在历史时间t内的发生的非严重违章的次数;
Figure BDA0002792521600000105
表示第i名非新手驾驶员在历史时间t内的发生的致死致伤事故的次数;
Figure BDA0002792521600000106
表示第i名非新手驾驶员在历史时间t内的发生的仅财产损失事故的次数;Ki表示第i名非新手驾驶员在历史时间t内的总出行量;β表示与非新手驾驶员的严重违章次数相关的权重,μ表示与非新手驾驶员的致死致伤事故次数相关的权重,且β>1,μ>1;
式(10)中,WI(K)max表示n名非新手驾驶员中对应的最大可接受的风险值Wi I(K);
步骤8.2:对于m名新手驾驶员,利用式(10)得到第j名新手驾驶员可接受的风险值
Figure BDA0002792521600000107
Figure BDA0002792521600000108
步骤9:利用式(11)构建路径行驶时间最短的目标函数Min UB,并以式(5)和式(6)作为约束条件,从而共同构成原问题模型,将所述目标函数Min UB与式(5)的约束条件共同构成简化模型,即简化模型是原问题模型去掉约束条件(6)的简化版本,简化模型退化成常规的求解时间最短路径问题;
Figure BDA0002792521600000109
对于第i名非新手驾驶员,将Wi I赋值给W,对于第j名新手驾驶员,将
Figure BDA00027925216000001010
赋值给W,若驾驶员对于计算出的可接受风险权值不满意,也可以自己给出;
当W<Smin时,表示原问题模型和简化模型建立失败,无可行路径;
当W=Smin时,则输出仅考虑风险权值si,j时求出的风险最小路径;
当Smin<W<Smax时,转步骤10得到时间最短路径;
当W≥Smax时,利用Dijkstra算法求解简化模型,得到相应的时间最短路径;
步骤10:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤10.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax
定义误差控制范围为ε,定义步长为θ;定义数值向量为η,并初始化η0=0;
定义第I次迭代下的路径行驶时间最短的目标函数值为UBI,并初始化UB0为+∞;
步骤10.2:利用式(12)构建第I次迭代下的拉格朗日松弛模型:
Figure BDA0002792521600000111
式(13)中,λI为第I次迭代下的拉格朗日乘子;并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ,τ为一个任意小的正数;
步骤10.3:如果
Figure BDA0002792521600000112
且I≤Imax,转步骤10.4,否则,将第I次迭代的目标函数值LBI所对应的所有
Figure BDA0002792521600000113
时的路段连起来即为时间最短路径;
步骤10.4:求解第I次迭代下的拉格朗日松弛模型;
步骤10.4.1:利用Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,得到第I次迭代下所有
Figure BDA0002792521600000114
时的路段所组成的最优路径x*I
利用式(13)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI +1
LBI+1=max{LBI,LBII)} (13)
式(13)中,LBII)表示第I次迭代下的最优路径x*I对应的最优目标函数值,并有:
Figure BDA0002792521600000115
式(14)中,
Figure BDA0002792521600000116
表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口,W为一个确定的常数,当λI也确定时,λIW也可视为一个常数,因为每迭代一次,系数λI·si,j+ti,j会发生改变,最优决策变量
Figure BDA0002792521600000121
也会随之发生改变;
步骤10.4.2:将第I次迭代下的最优路径x*I代入式(11),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),利用式(15)得到第I+1次迭代的目标函数值UBI+1
UBI+1=min{UBI(x*I),UBI} (15)
步骤10.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1
Figure BDA0002792521600000122
步骤10.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1
Figure BDA0002792521600000123
步骤10.4.5:将I+1赋值给I,转步骤10.3。
如图3所示,路网图上每条路段都有行车效率权重和行车风险权重两个权重属性,现在已有的导航算法往往都是只考虑行车效率权重而忽视了行车风险权重,这有可能导致驾驶员一味地追求效率而忽视安全,将新手驾驶员和常发生交通事故的非新手驾驶员都往高风险路段上引导,造成交通事故的发生。
如图4所示,实线所表示出来的路径为仅考虑行车效率权重而未考虑行车风险权重所得到的路径;虚线所表示出来的路径为既考虑行车风险权重又考虑行车效率权重,利用拉格朗日算法建立模型求解出来的路径,相比于前者,后者虽然效率有所降低,但是安全性大大提高,有效的预防了交通事故的发生,降低了行车风险。
如图5所示,为利用拉格朗日松弛算法进行多次迭代的各个参数的具体数值,体现了在拉格朗日算法优化下的路径选择的改变。
如图6所示,依据每条道路的历史数据(包括历史违章数据和历史事故数据),可以得出道路的行车风险权重,其中伤亡事故要比仅财产损失事故要严重,故伤亡事故发生率占总安全权重的比率要大。
如图7所示,针对每个不同的驾驶员而言,其历史事故次数对将来的事故发生概率也有显著影响。历史违规(包括违章违法和发生交通事故)次数每增加一次,再次发生事故的概率也会相应的增加。同时,相较于违章行为,曾经发生过事故的驾驶员更加倾向于发生多次事。故而将驾驶员历史违章或者是事故数据与路段数据结合起来,将为事故的预防提供科学依据。

Claims (1)

1.一种基于个性化避险的最优路径获取方法,其特征是按以下步骤进行:
步骤1:获取导航的起点vs和终点vt,利用地图软件中的数据得到相应的路网图G=(V,A,T,S),其中,V表示交叉口集合,且V={v1,v2,…,vq,…,vQ},vq表示从起点vs到终点vt可能经过的第q个交叉口,q=1,2,…,Q;A表示交叉口之间的路段集合,且A={ai,j=(vi,vj)|i,j=1,2,…,Q},ai,j表示第i个交叉口vi与第j个交叉口vj之间的路段,路段ai,j的长度用li,j表示;T表示通行效率,且T={ti,j|i,j=1,2,…,Q},ti,j表示通过路段ai,j所需的时间效率权重;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重;定义决策变量xi,j为0、1变量,如果通过路段ai,j,则xi,j=1,反之xi,j=0;定义驾驶员所能接受的风险值为W;
步骤2:在导航开始阶段通过地图软件获得实时路况信息,并转换为路段ai,j的平均通行车速
Figure FDA0002792521590000011
从而利用式(1)得到路段ai,j的通行效率权重ti,j
Figure FDA0002792521590000012
步骤3:当实时路况信息更新时,转步骤1,否则转步骤4;
步骤4:获取路段ai,j在历史时间t内的交通管理数据,并将其中的历史交通事故信息数据分为致死致伤事故和仅财产损失事故,从而利用式(2)和式(3)分别计算出路段ai,j在历史时间t内单位车公里的致死致伤事故次数
Figure FDA0002792521590000013
和仅财产损失事故次数
Figure FDA0002792521590000014
Figure FDA0002792521590000015
Figure FDA0002792521590000016
式(2)和式(3)中,
Figure FDA0002792521590000017
表示长度为li,j的路段ai,j在历史时间t内发生的致死致伤事故数;
Figure FDA0002792521590000018
表示长度为li,j的路段ai,j在历史时间t内发生的仅财产损失事故数;AADTi,j为路段ai,j在历史时间t内的平均日交通量;
步骤5:通过式(4)计算路段ai,j的行车风险权重si,j
Figure FDA0002792521590000019
式(4)中,α表示与致死致伤事故相关的权重;
步骤6:构建模型的约束条件;
步骤6.1:利用式(5)构建流平衡约束:
Figure FDA0002792521590000021
式(5)中,vj:(vs,vj)∈A表示在起点vs的所有相邻交叉口集合中选择下一个将要通过的交叉口vj,vj:(vj,vt)∈A表示经过终点vt的所有相邻交叉口集合中的一个交叉口vj,vi:(vi,vk)∈A表示经过中间交叉口vk的所有相邻交叉口集合中的一个交叉口vi,vj:(vk,vj)∈A表示在中间交叉口vk的所有相邻交叉口集合中选择下一个将要通过的交叉口vj;起点vs与第j个交叉口vj之间的路段(vs,vj)属于集合A,第j个交叉口vj与终点vj之间的路段(vj,vt)属于集合A,第i个交叉口vi与第k个交叉口vk的路段(vi,vk)属于集合A,第k个交叉口vk与第j个交叉口vj的路段(vk,vj)属于集合A;xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、aj,t、ai,k、ak,j的决策变量,若xs,j、xj,t、xi,k、xk,j为0,则分别表示不通过路段as,j、aj,t、ai,k、ak,j,若xs,j、xj,t、xi,k、xk,j为1,则分别表示通过路段as,j、aj,t、ai,k、ak,j
Figure FDA0002792521590000022
表示必有一条路径从起点vs出发,
Figure FDA0002792521590000023
表示必有一条路径到达终点vt
Figure FDA0002792521590000024
表示若从第k个交叉口vk进入,则也必将从第k个交叉口vk出来;
步骤6.2:利用式(6)构建驾驶员个性化约束:
Figure FDA0002792521590000025
步骤7:求出风险值W的上界Smax和下界Smin
步骤7.1:当仅考虑风险权值si,j时,以式(7)作为目标函数,并以式(5)作为约束条件,从而构建风险最小路径模型,利用Dijkstra算法求解风险最小路径模型得到当前风险最小路径,并将当前风险最小路径中每个交叉口之间对应路段的行车风险权重的累加和作为下界Smin
Figure FDA0002792521590000026
步骤7.2:利用拓扑排序的方法,将路网图G中的所有交叉口顶点按照经过的顺序排成一个线性序列集合,按照拓扑排序的顺序,得到从起点vs到终点vt的所有可能路径,计算所有可能路径的行车风险值,通过比较从中选出风险最大路径,并将风险最大路径中每个交叉口之间对应路段的行车风险权重的累加作为上界Smax
步骤8:获取驾驶员所能接受的风险值W;
步骤8.1:对于n名非新手驾驶员,利用式(8)得到非新手驾驶员发生事故的反频率Wi I(K),再利用式(9)得到第i名非新手驾驶员可接受的风险值Wi I
Figure FDA0002792521590000031
Figure FDA0002792521590000032
式(9)中,
Figure FDA0002792521590000033
表示第i名非新手驾驶员在历史时间t内的发生的严重违章的次数;
Figure FDA0002792521590000034
表示第i名非新手驾驶员在历史时间t内的发生的非严重违章的次数;
Figure FDA0002792521590000035
表示第i名非新手驾驶员在历史时间t内的发生的致死致伤事故的次数;
Figure FDA0002792521590000036
表示第i名非新手驾驶员在历史时间t内的发生的仅财产损失事故的次数;Ki表示第i名非新手驾驶员在历史时间t内的总出行量;β表示与非新手驾驶员的严重违章次数相关的权重,μ表示与非新手驾驶员的致死致伤事故次数相关的权重,且β>1,μ>1;
式(10)中,WI(K)max表示n名非新手驾驶员中对应的最大可接受的风险值Wi I(K);
步骤8.2:对于m名新手驾驶员,利用式(10)得到第j名新手驾驶员可接受的风险值
Figure FDA0002792521590000037
Figure FDA0002792521590000038
步骤9:利用式(11)构建路径行驶时间最短的目标函数Min UB,并以式(5)和式(6)作为约束条件,从而共同构成原问题模型,将所述目标函数Min UB与式(5)的约束条件共同构成简化模型;
Figure FDA0002792521590000039
对于第i名非新手驾驶员,将Wi I赋值给W,对于第j名新手驾驶员,将
Figure FDA00027925215900000310
赋值给W;
当W<Smin时,表示原问题模型和简化模型建立失败,无可行路径;
当W=Smin时,则输出仅考虑风险权值si,j时求出的风险最小路径;
当Smin<W<Smax时,转步骤10得到时间最短路径;
当W≥Smax时,利用Dijkstra算法求解简化模型,得到相应的时间最短路径;
步骤10:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤10.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax
定义误差控制范围为ε,定义步长为θ;定义数值向量为η,并初始化η0=0;
定义第I次迭代下的路径行驶时间最短的目标函数值为UBI,并初始化UB0为+∞;
步骤10.2:利用式(12)构建第I次迭代下的拉格朗日松弛模型:
Figure FDA0002792521590000041
式(13)中,λI为第I次迭代下的拉格朗日乘子;并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ;
步骤10.3:如果
Figure FDA0002792521590000042
且I≤Imax,转步骤10.4,否则,将第I次迭代的目标函数值LBI所对应的所有
Figure FDA0002792521590000043
时的路段连起来即为时间最短路径;
步骤10.4:求解第I次迭代下的拉格朗日松弛模型;
步骤10.4.1:利用Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,得到第I次迭代下所有
Figure FDA0002792521590000044
时的路段所组成的最优路径x*I
利用式(13)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI+1
LBI+1=max{LBI,LBII)} (13)
式(13)中,LBII)表示第I次迭代下的最优路径x*I对应的最优目标函数值,并有:
Figure FDA0002792521590000045
式(14)中,
Figure FDA0002792521590000046
表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口;
步骤10.4.2:将第I次迭代下的最优路径x*I代入式(11),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),利用式(15)得到第I+1次迭代的目标函数值UBI+1
UBI+1=min{UBI(x*I),UBI} (15)
步骤10.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1
Figure FDA0002792521590000051
步骤10.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1
Figure FDA0002792521590000052
步骤10.4.5:将I+1赋值给I,转步骤10.3。
CN202011319819.6A 2020-11-23 2020-11-23 一种基于个性化避险的最优路径获取方法 Active CN112446538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011319819.6A CN112446538B (zh) 2020-11-23 2020-11-23 一种基于个性化避险的最优路径获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011319819.6A CN112446538B (zh) 2020-11-23 2020-11-23 一种基于个性化避险的最优路径获取方法

Publications (2)

Publication Number Publication Date
CN112446538A CN112446538A (zh) 2021-03-05
CN112446538B true CN112446538B (zh) 2022-11-08

Family

ID=74738832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011319819.6A Active CN112446538B (zh) 2020-11-23 2020-11-23 一种基于个性化避险的最优路径获取方法

Country Status (1)

Country Link
CN (1) CN112446538B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529088A (zh) * 2022-02-21 2022-05-24 山东大学 基于事故风险成本的驾驶路径规划方法及系统
CN116128224B (zh) * 2022-12-23 2024-01-26 山东省人工智能研究院 一种融合路网均衡和事故风险评估的智能驾驶决策方法
CN116453367B (zh) * 2023-04-06 2024-09-06 深圳奥龙检测科技有限公司 一种基于大数据的安全驾驶评估方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1737502A (zh) * 2005-08-05 2006-02-22 北京工业大学 延误风险规避的车载导航系统准动态路线优化方法
CN107451693A (zh) * 2017-08-02 2017-12-08 南京工业大学 多点多目标的危化品运输路径优化方法
CN108510168A (zh) * 2018-03-16 2018-09-07 江苏智通交通科技有限公司 基于交通事故关联规则的营运车辆路径规划方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN110517480A (zh) * 2019-07-23 2019-11-29 江苏大学 面向人机共驾智能网联车辆的驾驶权切换及碰撞预警系统
CN111242454A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 一种化工事故多目标两阶段应急救援物资调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10621670B2 (en) * 2014-08-15 2020-04-14 Scope Technologies Holdings Limited Determination and display of driving risk

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1737502A (zh) * 2005-08-05 2006-02-22 北京工业大学 延误风险规避的车载导航系统准动态路线优化方法
CN107451693A (zh) * 2017-08-02 2017-12-08 南京工业大学 多点多目标的危化品运输路径优化方法
CN108510168A (zh) * 2018-03-16 2018-09-07 江苏智通交通科技有限公司 基于交通事故关联规则的营运车辆路径规划方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN110517480A (zh) * 2019-07-23 2019-11-29 江苏大学 面向人机共驾智能网联车辆的驾驶权切换及碰撞预警系统
CN111242454A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 一种化工事故多目标两阶段应急救援物资调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Travel Time Reliability-Based Optimal Path Finding";Shuopeng Wang 等;《2010 Third International Joint Conference on Computational Science and Optimization》;20100729;全文 *
基于不同风险倾向的驾驶员路径诱导模型;张惠玲等;《中国安全科学学报》;20200515(第05期);全文 *

Also Published As

Publication number Publication date
CN112446538A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN112446538B (zh) 一种基于个性化避险的最优路径获取方法
CN110032782B (zh) 一种城市级智能交通信号控制系统及方法
CN103794065B (zh) 一种主动式的城市道路区域信号配时参数协同优化方法
CN110874704A (zh) 一种基于Floyd算法的应急救援交通路径优化方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN113935181A (zh) 一种基于匹配客流的列车模拟运行优化系统构建方法
CN111091295A (zh) 一种城市区域边界控制系统
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
Cao et al. Design of a traffic junction controller using classifier system and fuzzy logic
CN114842641A (zh) 面向省域的多模式链式交通分配方法
CN108830401B (zh) 基于元胞传输模型的动态拥堵收费最优费率计算方法
Lentzakis et al. Region-based dynamic forecast routing for autonomous vehicles
CN117764340A (zh) 一种新能源电动汽车充电引导分级调控方法
Pozanco et al. Urban Traffic Control Assisted by AI Planning and Relational Learning.
CN112381470A (zh) 基于智能体的交通流量分配方法、设备及存储介质
CN117133138A (zh) 一种多交叉口交通信号协同控制方法
CN110674967A (zh) 一种不确定行车时间下快递车辆路径鲁棒优化方法
CN115495701A (zh) 一种一致性电动汽车充电负荷时空分布预测方法
CN117351718B (zh) 一种基于智能网联环境的城市路网混合交通流逐日演化预测方法
CN113788007A (zh) 一种分层式实时能量管理方法和系统
Shahriar et al. Intersection traffic efficiency enhancement using deep reinforcement learning and V2X communications
CN113628442A (zh) 一种基于多信号灯强化学习的交通组织方案优化方法
CN110428628A (zh) 道路交通诱导方法
CN116189464B (zh) 基于精细化回报机制的交叉熵强化学习可变限速控制方法

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
GR01 Patent grant
GR01 Patent grant