CN112687106A - 一种基于交通路网动静态综合模型的路径优化方法 - Google Patents
一种基于交通路网动静态综合模型的路径优化方法 Download PDFInfo
- Publication number
- CN112687106A CN112687106A CN202110264127.4A CN202110264127A CN112687106A CN 112687106 A CN112687106 A CN 112687106A CN 202110264127 A CN202110264127 A CN 202110264127A CN 112687106 A CN112687106 A CN 112687106A
- Authority
- CN
- China
- Prior art keywords
- road
- node
- dynamic
- model
- static
- 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.)
- Granted
Links
- 230000003068 static effect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 239000000126 substance Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通路网动静态综合模型的路径优化方法。该方法首先根据路网的静态属性求取静态路阻因子,建立静态路网模型;然后根据路网的动态属性求取动态路阻因子,建立动态路网模型。再结合建立的两种路网模型,构建交通路网动静态综合模型,在该综合模型的基础上结合Dijkstra算法,计算并推荐实时路阻最小的路径作为最优路径。该方法建立的路网模型综合考虑了道路的长度、宽度、信号灯数量、车流量以及突发事件等动、静态属性,更加准确反映道路上的交通状况。基于该综合模型的计算得到的最优路径可以避免由于模型失配造成车辆绕行而增加的行驶时间与成本,可以有效缓解交通拥堵。
Description
技术领域
本发明属于交通控制系统领域,具体涉及一种基于交通路网动静态综合模型的路径优化方法。
背景技术
交通路网建模与路径优化问题是车辆最优路径导航研究领域中的基础问题之一,首先需要建立路网模型,然后根据模型及相应的路网规则约束建立路径优化算法,从而求解得到车辆的最优化路径。
目前,路网模型主要分为静态路网模型和动态路网模型两种。其中静态路网模型通过分析道路静态属性建立路网路阻模型,静态属性分析集中关注道路长度,而不充分考虑路宽、交叉节点信号灯数量的影响。动态路网模型通过分析道路动态属性建立路网路阻模型,动态属性分析集中分析道路车流量造成的拥堵,难以准确描述交通事故、车辆故障和道路整修等突发事件导致的交通堵塞。因此,无论是静态路网模型还是动态路网模型,都与实际交通路网的情况存在较大的误差,会进一步影响路径寻优的准确度,增加车辆绕行距离和耗时。
发明内容
针对现有技术的不足,本发明提出了一种基于交通路网动静态综合模型的路径优化方法,通过综合考虑道路的静态属性与动态属性,建立交通路网动静态结合的综合模型,基于该模型实现以最少形成耗时为目标的路径优化方法。
一种基于交通路网动静态综合模型的路径优化方法,具体包括四个步骤。
步骤一、建立路网静态模型。
s1.1、建立路网静态路阻因子模型:
综合考虑道路长度、道路宽度、节点信号灯数等静态属性,建立路网静态路阻模型:
w ij =Lh /v+α 1 (1/Lk +α 2 *Nh) (1)
其中,w ij 表示从道路节点v i 到道路节点v j 的静态路阻,v为通过该路段的行驶速度,Nh为节点处信号灯数,α 1 、α 2 均为通过数据训练得到的静态模型参数,Lk为道路宽度,Lh为道路长度。
在实际路网中,两个节点间通常存在障碍物需要绕路,因此根据曼哈顿距离计算节点v i (x1,y1)与节点v j (x2,y2)之间的道路长度Lh:
Lh=||dij||1=|x1-x2|+|y1-y2| (2)
其中,|| ||1表示求取求取l 1范数,| |表示取绝对值。
s1.2、建立路网静态模型:
根据s1.1得到的路网静态路阻因子模型,建立路网静态模型:
G
1
T
=(V,E,W)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
W 1 ={w ij |v ij ∈E} (3)
其中,G 1 T 为路网的静态赋权有向图,V为路网中节点集合,E为路网中道路集合,n是路网节点数;W1为道路静态路阻集合。
使用道路集合E为静态赋权有向图G 1 T 进行量化赋值。道路集合E为一个二维的n*n矩阵,记载了路网节点间的相邻关系。当节点v i 到节点v j 间存在一条边,则E的第(i,j)项a ij 的值为静态路阻w ij ;当节点v i 与节点v j 重合时,a ij 的值为0,反之为∞。
步骤二、建立路网动态模型。
s2.1、建立路段动态路阻因子模型:
当路段上出现突发事件时,通过该路段的行驶速度v l 为:
v l = a1 v 0 /(1+(td)β) (4)
β=a2+a3(td)3 (5)
其中,v 0 为该路段上的自由流车速,a1、a2、a3均为通过数据训练得到的路段动态模型参数,td代表该路段突发事件特征量:
当q(k)=0时,td=0
当0<q(k)<cdmax时,td= q(k)/ cdmax
当q(k)>cdmax时,td=∞ (6)
其中,q(k)为k时刻该路段上的车流量,cdmax为该路段最大限流量。
将车辆通过单位路段的时间作为标定指标,建立路段动态路阻因子模型:
zd=1/v l =(1+(td)β)/a1 v 0 (7)。
s2.2、建立节点动态路阻因子模型:
k时刻节点v i 处的车流量qi(k)为:
qi(k)= q1(k)+ q2(k)+...+ qNj(k) (8)
qi(k)表示k时刻从不同路段流出节点v i 的车流量,l=1,2...Nj且l≠s,Nj为直接与该节点连接且可驶出该节点的路段数。
k时刻在节点v i 处行驶时间Ti为:
当qi(k)>cjmax时,Ti=T0[1+α 4 (tc) α3 ]
当qi(k)≤cjmax时,Ti=T0 (9)。
tc为该节点突发事件特征量:
当qi(k)=0时,tc=0
当0<qi(k)<cjmax时,tc= qi(k)*Mj/ cdmax*Nj
当qi(k)>cjmax时,tc=∞ (10)
其中,T0为无突发事件所需的行驶时间,cjmax为节点v i 的限流量,Mj为与该节点连通的路段数,α 3 、 α 4 均为节点动态模型参数。
将车辆通过节点的时间作为标定指标,建立节点动态路阻因子模型:
z f i =Ti (11)。
s2.3、建立路网动态模型:
根据s2.1、s2.2得到k时刻路网的动态路阻因子为:
w k ij =zd+(z f i +z f j ) (12)
其中,z f i 、z f j 分别表示节点v i 、v j 处的动态路阻因子。
根据道路的动态路阻因子建立路网动态模型:
G
2
T
=(V,E,W
2
)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W 2 ={w k ij |v ij ∈E} (13)
该模型将一天划分为m个时间段,其中K为各个时间段集合。G 2 T 为路网的动态赋权有向图,W2为道路动态路阻集合。使用道路集合E为动态赋权有向图G 2 T 进行量化赋值。
步骤三、建立交通路网动静态综合模型。
根据步骤一和步骤二得到的路网静态和动态模型,建立交通路网动静态综合模型:
G
T
=(V,E,W)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W={‘w k ij |v ij ∈E,k∈K} (14)
其中,W为路网动静态综合路阻集合,随时间变化如下:
‘w k ij ={w ij ,w k ij } (15)
其中,‘w k ij 表示k时刻节点v i 与v j 之间的动静态路网综合路阻因子。
步骤四、路径寻优。
将步骤三得到的交通路网动静态综合模型与Dijkstra算法融合,根据综合模型中道路的综合路阻因子‘w k ij ,计算并推荐实时路阻最小的最优路径,具体包括4个步骤。
s4.1、根据路网动静态综合模型中路网的赋权有向图G T =(V,E,W),将所有节点V分为A组和B组。其中A组为已求得的最短路径的端点与对应的最短路径长度,B组为待计算的节点以及该节点与上一时刻加入A组的节点间的长度。
s4.2、从B组中选取一个与v 0 之间权重最小的节点v i ,将v i 加入到A组中,并将其从B组中移除。v 0 为A组中的起始节点。
s4.3、将节点v i 作为中间节点,当B组中的节点v j 经过中间节点v i 后与起始节点v 0 的距离小于不经过中间节点v i 直接到起始节点v 0 的距离,则修改B组中节点v j 的距离值。
s4.4、根据路网动静态综合模型中当前时刻的综合路阻因子,更新B组中各节点到中间节点v i 的路阻,并选择一个与中间节点v i 路阻最小的节点加入到A组中作为新的中间节点,并将其从B组中移除,修改B组中各节点到中间节点v i 的距离。
s4.5、重复s4.3、s4.4,直至节点集合V中的所有节点都被包含在A组中,得到权重相加之和最小的节点连接而成的路径即为所求的最优路径。
本发明具有以下有益效果。
1、综合考虑了道路长度、宽度和信号灯数量等静态属性,以及路段、节点车流量和突发事件等动态属性,建立了交通路网动静态综合模型,准确反映了交通动态拥堵导致的行程耗时,弥补了传统路网模型的不足。
2、基于动静态综合模型提出的路径优化算法,减少了因模型失配造成车辆绕行,实现实时求解最优行驶路径,达到减少绕行距离和成本以及缓减交通拥堵的目的。
附图说明
图1为典型路网图。
图2为最优路径求解流程图。
具体实施方式
以下结合附图对本发明作进一步的解释说明。
一种基于交通路网动静态综合模型的路径优化方法,具体包括四个步骤。
步骤一、建立路网静态模型。
s1.1、建立路网静态路阻因子模型:
道路的长度Lh、宽度Lk和节点信号灯数Nh都会影响车辆的通行时间;当Lh增加时,通过该路段的时间增加;当Lk增加时,交通拥堵减少,通过该路段时间的减少;当节点存在信号灯时,通过该路段时间增加。
综合考虑道路长度、道路宽度、节点信号灯数等静态属性,建立路网静态路阻模型:
w ij =Lh/v+α 1 (1/Lk+α 2 *Nh) (16)
其中,wij表示从道路节点v i 到道路节点v j 的静态路阻,v为通过该路段的行驶速度,α 1 、α 2 均为通过数据训练得到的静态模型参数。
在实际路网中,两个节点间因为存在障碍物需要绕路,因此根据曼哈顿距离计算节点v i (x1,y1)与节点v j (x2,y2)之间的道路长度Lh:
Lh=||dij||1=|x1-x2|+|y1-y2| (17)
其中,|| ||1表示求取l 1范数,| |表示取绝对值。
s1.2、建立路网静态模型:
根据s1.1得到的路网静态路阻因子模型,建立路网静态模型:
G
1
T
=(V,E,W
1
)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
W 1 ={w ij |v ij ∈E} (18)
其中,G 1 T 为路网的静态赋权有向图,V为路网中节点集合,E为路网中道路集合,n是路网节点数;W1为道路静态路阻集合,在静态模型中路权wij的值不随时间而变化。
使用道路集合E为静态赋权有向图G 1 T 进行量化赋值。道路集合E为一个二维的n*n矩阵,记载了路网节点间的相邻关系。当节点v i 到节点v j 间存在一条边,则E的第(i,j)项a ij 的值为静态路阻wij;当节点v i 与节点v j 重合时,a ij 的值为0,反之为∞:
道路集合E为:
步骤二、建立路网动态模型。
s2.1、建立路段动态路阻因子模型:
获取当前道路的车流量、自由流车速和道路通行能力,并考虑路段上出现突发事件,通过该路段的行驶速度v l 为:
v l = a1 v 0 /(1+(td)β) (21)
β=a2+a3(td)3 (22)
其中,v 0 为该路段上的自由流车速,a1=1、a2=1.88、a3=7,td代表该路段突发事件特征量:
当q(k)=0时,td=0
当0<q(k)<cdmax时,td= q(k)/ cdmax
当q(k)>cdmax时,td=∞ (23)
q(k)为k时刻该路段上的车流量,cdmax为该路段最大限流量。当该路段没有车辆时,由车主引起的突发状况的概率为0;当前路段的车流量在最大限流范围内,则突发事件发生的概率受当前路段车流量的影响,在0到1之间;当前路段的车流量若超过该路段限流量,则此路段当前时刻不通行,即突发事件发生的概率为百分百。
将车辆通过单位路段的时间作为标定指标,建立路段动态路阻因子模型:
zd=1/v l =(1+(td)β)/a1 v 0 (24)。
s2.2、建立节点动态路阻因子模型:
如图1所示为典型路网,k时刻节点1处的车流量qs(k)为:
qs(k)=q1(k)+q2(k)+q3(k) (25)
q1(k)、q2(k)、q3(k)分别为当前时刻流出节点1的车流量。当前时刻车流量qs(k)大于节点1的通行能力时,车辆需要排队通行;当qs(k)小于节点1的通行能力时,车辆可自由通行即路阻为0。当节点1产生拥堵时,可驶出节点1的道路数越多,节点1的拥堵程度就越小;同时,与节点1连通的道路数越多,从节点1处中转的车辆越多,节点突发事件特征量越大。
k时刻在节点v i 处行驶时间Ti:
当qi(k)>cjmax时,Ti=T0[1+α 4 (tc) α3 ]
当qi(k)≤cjmax时,Ti=T0 (26);
tc为该节点突发事件特征量:
当qi(k)=0时,tc=0
当0<qi(k)<cjmax时,tc= qi(k)*Mj/ cdmax*Nj
当qi(k)>cjmax时,tc=∞ (27)
其中,T0为无突发事件所需的行驶时间,cjmax为节点v i 的限流量,Mj为与该节点连通的路段数,α 3 、α 4 均为通过数据训练得到的节点动态模型参数。当该节点车流量为0时,当前该路段突发事件特征量也为0,表征当前该节点无突发事件发生;当该节点车流量小于该节点最大限流量时,当前该节点突发事件特征量与车流量有关;当该节点车流量大于该节点最大限流量,当前该节点突发事件特征量为无穷大,表征当前该节点通行速度为0。
节点处的动态路阻直接影响电动汽车车主通过该节点的时间,因此将车辆通过节点的时间作为标定指标,建立节点动态路阻因子模型:
z f i =Ti (28)。
s2.3、建立路网动态模型:
根据s2.1、s2.2得到k时刻路网的动态路阻因子为:
w k ij =zd+(z f i +z f j ) (29)
其中,z f i 、z f j 分别表示节点v i 、v j 处的动态路阻因子。
根据道路的动态路阻因子建立路网动态模型:
G
2
T
=(V,E,W
2
)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W 2 ={w k ij |v ij ∈E} (30)
该模型将一天划分为m个时间段,其中K为各个时间段集合。G 2 T 为动态赋权有向图,W2为道路动态路阻集合。使用道路集合E为动态赋权有向图G 2 T 进行量化赋值。
步骤三、建立交通路网动静态综合模型。
根据步骤一和步骤二得到的路网静态和动态模型,建立交通路网动静态综合模型:
G
T
=(V,E,W)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W={‘w k ij |v ij ∈E,k∈K} (31)
其中,W为路网动静态综合路阻集合,随时间变化如下:
‘w k ij ={w ij ,w k ij } (32)
其中,‘w k ij 表示k时刻节点v i 与v j 之间的动静态路网综合路阻因子。该模型综合考虑了道路长度、道路宽度、信号灯个数等静态属性,以及路段、节点拥堵、突发事件等动态属性,可以反映交通动态拥堵带来的行程耗时,以减少因模型失配造成的车辆绕行距离。
步骤四、路径寻优。
如图2所示,将步骤三得到的交通路网动静态综合模型与Dijkstra算法融合,根据综合模型中道路的综合路阻因子‘w k ij ,计算并推荐实时路阻最小的最优路径,具体包括以下步骤:
s4.1、根据路网动静态综合模型中路网的赋权有向图G T =(V,E,W),将所有节点V分为A组和B组。其中A组为已求得的最短路径的端点与对应的最短路径长度,B组为待计算的节点以及该节点与上一时刻加入A组的节点间的长度。
s4.2、从B组中选取一个与v 0 之间权重最小的节点v i ,将v i 加入到A组中,并将其从B组中移除。v 0 为A组中的起始节点。
s4.3、将节点v i 作为中间节点,当B组中的节点v j 经过中间节点v i 后与起始节点v 0 的距离小于不经过中间节点v i 直接到起始节点v 0 的距离,则修改B组中节点v j 的距离值。
s4.4、根据路网动静态综合模型中当前时刻的综合路阻因子,更新B组中各节点到中间节点v i 的路阻,并选择一个与中间节点v i 路阻最小的节点加入到A组中作为新的中间节点,并将其从B组中移除,修改B组中各节点到中间节点v i 的距离。
s4.5、重复s4.3、s4.4,直至节点集合V中的所有节点都被包含在A组中,得到权重相加之和最小的节点连接而成的路径即为所求的最优路径。
Claims (8)
1.一种基于交通路网动静态综合模型的路径优化方法,其特征在于:该方法具体包括以下步骤:
步骤一、建立路网静态模型;
考虑道路的长度、宽度以及节点的信号灯数量,建立节点间的路网静态路阻模型;然后根据静态路阻模型,建立路网静态模型,并通过表示节点间位置关系的道路集合对路网静态模型中的有向路网带权网络进行量化赋值;
步骤二、建立路网动态模型;
考虑路段与节点上的车流量与突发事件,分别将车辆通过单位路段与节点的时间作为标定指标,建立随时间变化的路段动态路阻因子模型与节点动态路阻因子模型,得到动态路阻因子模型,然后建立路网动态模型;通过道路集合对路网动态模型中的有向路网带权网络进行量化赋值;
步骤三、建立交通路网动静态综合模型;
根据步骤一和步骤二得到路网静态模型和动态模型,建立交通路网动静态综合模型:
G
T
=(V,E,W)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W={‘w k ij |v ij ∈E,k∈K} (1)
该模型将一天划分为m个时间段,其中,G T 为路网的赋权有向图,V为路网中节点集合,E为路网中道路集合,n是路网节点数;K为各个时间段集合;W为随时间变化的路网动静态综合路阻集合;‘w k ij ={w ij ,w k ij }表示k时刻节点v i 与v j 之间的动静态路网综合路阻因子,wij表示节点v i 到节点v j 的静态路阻,w k ij 表示k时刻路网的动态路阻因子;
步骤四、路径寻优
将步骤三得到的交通路网动静态综合模型与Dijkstra算法融合,根据综合模型中道路的综合路阻因子,计算并推荐实时路阻最小的最优路径。
2.如权利要求1所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:步骤一中建立的路网静态路阻模型为:
wij=Lh/v+α 1 (1/Lk+α 2 *Nh) (2)
其中,v为通过该路段的行驶速度,Nh为节点处信号灯数,α 1 、α 2 均为通过数据训练得到的静态模型参数,Lk为道路宽度,Lh为道路长度。
3.如权利要求2所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:节点v i (x1,y1)与节点v j (x2,y2)之间的道路长度Lh根据曼哈顿距离计算:
Lh=||dij||1=|x1-x2|+|y1-y2| (3)
其中,|| ||1表示求取l 1范数,| |表示取绝对值。
4.如权利要求1所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:步骤一中建立的路网静态模型为:
G
1
T
=(V,E,W
1
)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
W 1 ={w ij |v ij ∈E} (4)
其中,G 1 T 为路网的静态赋权有向图,W1为道路静态路阻集合。
5.如权利要求1-4任意一项所述的一种基于交通路网动静态综合模型的路径优化方法,其特征在于:所述道路集合E为一个二维的n*n矩阵,记载了路网节点间的相邻关系;当节点v i 到节点v j 间存在一条边,则E的第(i,j)项a ij 的值为静态路阻wij;当节点v i 与节点v j 重合时,a ij 的值为0,反之为∞。
6.如权利要求1所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:步骤二中建立的路段动态路阻因子模型为:
zd=1/v l =(1+(td)β)/a1 v 0 (5)
其中,v 0 为该路段上的自由流车速,v l 表示路段上出现突发事件时通过该路段的行驶速度:
v l = a1 v 0 /(1+(td)β) (6)
β=a2+a3(td)3 (7)
td代表该路段突发事件特征量:
当q(k)=0时,td=0
当0<q(k)<cdmax时,td= q(k)/ cdmax
当q(k)>cdmax时,td=∞ (8)
其中,a1、a2、a3均为路段动态模型参数,q(k)为k时刻该路段上的车流量,cdmax为该路段最大限流量;
节点动态路阻因子模型为:
z f i =Ti (9)
Ti为k时刻在节点v i 处行驶时间:
当qi(k)>cjmax时,Ti=T0[1+α 4 (tc) α3 ]
当qi(k)≤cjmax时,Ti=T0 (10)
tc为该节点突发事件特征量:
当qi(k)=0时,tc=0
当0<qi(k)<cjmax时,tc= qi(k)*Mj/ cdmax*Nj
当qi(k)>cjmax时,tc=∞ (11)
其中,T0为无突发事件所需的行驶时间,cjmax为节点v i 的限流量,Mj为与该节点连通的路段数,α3、α4均为节点动态模型参数;qi(k)为k时刻节点v i 处的车流量:
qi(k)= q1(k)+ q2(k)+...+ qNj(k) (12)
qi(k) 表示k时刻从不同路段流出节点v i 的车流量,l=1,2...Nj且l≠s,Nj为直接与该节点连接且可驶出该节点的路段数;
因此k时刻路网的动态路阻因子为w k ij =zd+(z f i +z f j ),其中z f i 、z f j 分别表示节点v i 、v j 处的动态路阻因子。
7.如权利要求1或6所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:根据道路的动态路阻因子建立路网动态模型:
G
2
T
=(V,E,W
2
)
V={v
i
|i=1,2,...,n}
E={v
ij
|v
i
∈V,v
j
∈V,i≠j}
K={k|k=1,2,...,m}
W 2 ={w k ij |v ij ∈E} (13)
该模型将一天划分为m个时间段,其中K为各个时间段集合;G 2 T 为路网的动态赋权有向图,W2为道路动态路阻集合。
8.如权利要求1所述一种基于交通路网动静态综合模型的路径优化方法,其特征在于:步骤四中计算并推荐实时路阻最小的最优路径的具体步骤为:
s4.1、根据路网动静态综合模型中路网的赋权有向图GT=(V,E,W),将所有节点V分为A组和B组;其中A组为已求得的最短路径的端点与对应的最短路径长度,B组为待计算的节点以及该节点与上一时刻加入A组的节点间的长度;
s4.2、从B组中选取一个与v 0 之间权重最小的节点v i ,将v i 加入到A组中,并将其从B组中移除;v 0 为A组中的起始节点;
s4.3、将节点v i 作为中间节点,当B组中的节点v j 经过中间节点v i 后与起始节点v 0 的距离小于不经过中间节点v i 直接到起始节点v 0 的距离,则修改B组中节点v j 的距离值;
s4.4、根据路网动静态综合模型中当前时刻的综合路阻因子,更新B组中各节点到中间节点v i 的路阻,并选择一个与中间节点v i 路阻最小的节点加入到A组中作为新的中间节点,并将其从B组中移除,修改B组中各节点到中间节点v i 的距离;
s4.5、重复s4.3、s4.4,直至节点集合V中的所有节点都被包含在A组中,得到权重相加之和最小的节点连接而成的路径即为所求的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264127.4A CN112687106B (zh) | 2021-03-11 | 2021-03-11 | 一种基于交通路网动静态综合模型的路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264127.4A CN112687106B (zh) | 2021-03-11 | 2021-03-11 | 一种基于交通路网动静态综合模型的路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112687106A true CN112687106A (zh) | 2021-04-20 |
CN112687106B CN112687106B (zh) | 2021-07-13 |
Family
ID=75458386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264127.4A Active CN112687106B (zh) | 2021-03-11 | 2021-03-11 | 一种基于交通路网动静态综合模型的路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112687106B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963563A (zh) * | 2021-09-23 | 2022-01-21 | 合肥哈工库讯智能科技有限公司 | 一种基于5g和边缘计算的amf调度控制系统 |
CN114282778A (zh) * | 2021-12-07 | 2022-04-05 | 重庆邮电大学 | 一种面向道路突发事件下交通态势的协同监测方法 |
CN115035724A (zh) * | 2022-07-13 | 2022-09-09 | 吉林大学 | 一种基于生态编队的物流车准时化运输车路协同管控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
US20130231862A1 (en) * | 2011-06-03 | 2013-09-05 | Microsoft Corporation | Customizable route planning |
CN110009906A (zh) * | 2019-03-25 | 2019-07-12 | 上海交通大学 | 基于交通预测的动态路径规划方法 |
CN110530386A (zh) * | 2019-08-26 | 2019-12-03 | 浙江工业大学 | 一种基于改进Dijkstra算法的动态最短路径规划方法 |
-
2021
- 2021-03-11 CN CN202110264127.4A patent/CN112687106B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
US20130231862A1 (en) * | 2011-06-03 | 2013-09-05 | Microsoft Corporation | Customizable route planning |
CN110009906A (zh) * | 2019-03-25 | 2019-07-12 | 上海交通大学 | 基于交通预测的动态路径规划方法 |
CN110530386A (zh) * | 2019-08-26 | 2019-12-03 | 浙江工业大学 | 一种基于改进Dijkstra算法的动态最短路径规划方法 |
Non-Patent Citations (1)
Title |
---|
董小帅等: "基于改进遗传算法的动态路径规划研", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963563A (zh) * | 2021-09-23 | 2022-01-21 | 合肥哈工库讯智能科技有限公司 | 一种基于5g和边缘计算的amf调度控制系统 |
CN114282778A (zh) * | 2021-12-07 | 2022-04-05 | 重庆邮电大学 | 一种面向道路突发事件下交通态势的协同监测方法 |
CN114282778B (zh) * | 2021-12-07 | 2024-04-30 | 重庆邮电大学 | 一种面向道路突发事件下交通态势的协同监测方法 |
CN115035724A (zh) * | 2022-07-13 | 2022-09-09 | 吉林大学 | 一种基于生态编队的物流车准时化运输车路协同管控方法 |
CN115035724B (zh) * | 2022-07-13 | 2022-12-02 | 吉林大学 | 一种基于生态编队的物流车准时化运输车路协同管控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112687106B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112687106B (zh) | 一种基于交通路网动静态综合模型的路径优化方法 | |
CN107944605B (zh) | 一种基于数据预测的动态交通路径规划方法 | |
CN107256632B (zh) | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN112216130B (zh) | 一种车路协同环境下的应急车辆诱导方法 | |
CN108072381B (zh) | 一种路径规划的方法及装置 | |
CN108399763B (zh) | 一种基于神经网络的交叉路口交通信号灯控制算法 | |
CN111898793B (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
CN111504338B (zh) | 一种基于小区疫情态势的步行路径规划方法及系统 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
CN110111573B (zh) | 一种基于物联网的拥堵车辆综合调度方法 | |
CN104331746B (zh) | 一种分离式的动态路径优化系统及其方法 | |
CN105788334A (zh) | 一种考虑驾驶者个人偏好的城市路径寻找方法 | |
Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
CN112991801A (zh) | 一种基于时变路况的最优安全路径获取方法 | |
CN114842641B (zh) | 面向省域的多模式链式交通分配方法 | |
Si et al. | Optimization model and algorithm for mixed traffic of urban road network with flow interference | |
CN113420920B (zh) | 一种应急资源运送路径与交通管制措施同步决策方法及系统 | |
CN108318048A (zh) | 一种基于不同转弯方向拥堵信息的路线规划方法及系统 | |
Jin et al. | Optimal routing of vehicles with communication capabilities in disasters | |
CN110570659B (zh) | 一种时间度量下的交通路网模型构建方法 | |
JP2004127104A (ja) | 交通情報予測システム、及びプログラム | |
CN111862660A (zh) | 基于效用补偿机制的实时路径规划方法及相关设备 | |
CN110147947B (zh) | 一种城市电动汽车公共充电网络服务质量分析方法 | |
CN116844362B (zh) | 一种交通流数据处理方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221207 Address after: 310020 Room 2408, Building 3, Xincheng Times Square, Jianggan District, Hangzhou, Zhejiang Patentee after: HANGZHOU CHIPSHARE TECHNOLOGY Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |