CN114184202A - 路径规划方法及装置 - Google Patents
路径规划方法及装置 Download PDFInfo
- Publication number
- CN114184202A CN114184202A CN202111283418.4A CN202111283418A CN114184202A CN 114184202 A CN114184202 A CN 114184202A CN 202111283418 A CN202111283418 A CN 202111283418A CN 114184202 A CN114184202 A CN 114184202A
- Authority
- CN
- China
- Prior art keywords
- bayonet
- gate
- traffic flow
- cluster
- starting point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01C21/3453—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
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
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
本申请公开了一种路径规划方法及装置。其中,该路径规划方法包括:确定起点和终点之间的多个卡口;基于每个卡口的历史交通流数据预测每个卡口的交通流预估数据;将多个卡口进行聚类分析,生成至少两个卡口簇;并基于每个卡口簇中的至少部分卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值;基于每个卡口簇的拥堵程度预估值,确定出从起点到终点的规划路径。本申请可以解决由于实时路网信息更新存在的一定的滞后性而导致的交通拥堵的问题。
Description
技术领域
本申请涉及路径规划技术领域,特别是涉及一种路径规划方法及装置。
背景技术
交通拥堵作为城市灾害,带来的出行成本急剧增长、上下班通勤时间增加、能源浪费和环境污染等一系列负面影响十分严重。随着城市交管系统智能化不断升级,通过监测道路实况为出行者制定驾车路径,有效地减少交通拥堵,实现交通流的合理分配,但由于监测实况存在一定的滞后性,可能导致路径规划也存在一定的滞后性,进而可能导致路径规划不准确,造成交通拥堵。
发明内容
本申请提供一种路径规划方法及装置,结合未来交通流预测数据,采用自适应的方法进行路径规划,解决了由于实时路网信息更新存在的一定的滞后性而导致的交通拥堵的问题。
为达到上述目的,本申请提供一种路径规划方法,该方法包括:
确定起点和终点之间的多个卡口;
基于每个卡口的历史交通流数据预测每个卡口的交通流预估数据;
将多个卡口进行聚类分析,生成至少两个卡口簇;并基于每个卡口簇中的至少部分卡口的交通流预估数据,确定每个卡口簇的拥堵程度预估值;
基于每个卡口簇的拥堵程度预估值,确定出从起点到终点的规划路径。
其中,将多个卡口进行聚类分析,生成至少两个卡口簇的步骤包括:
从多个卡口中选择至少两个卡口作为初始中心卡口;
根据距初始中心卡口最近的原则,将剩余卡口分配到以初始中心卡口代表的卡口簇中,剩余卡口是多个卡口中除至少两个卡口之外的卡口。
其中,基于每个卡口簇中的至少部分卡口的交通流预估数据,确定每个卡口簇的拥堵程度预估值的步骤包括:
计算每个卡口簇中各个卡口的离散度,卡口的离散度为卡口到其所属卡口簇中其余卡口的距离之和;
将每个卡口簇中的离散度最小的卡口作为每个卡口簇的最终中心卡口;
基于每个卡口簇的最终中心卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值。
其中,卡口的交通流预估数据包括卡口的车辆数量预估值、车流量预估值和交通流密度预估值和/或平均车流速度预估值。
其中,该方法还包括:
确定每个卡口的邻域卡口的历史交通流数据,其中卡口的邻域卡口为与卡口相连接、且与卡口之间的距离小于第一距离的卡口;
基于每个卡口的历史交通流数据预测每个卡口的交通流预估数据的步骤包括:
基于每个卡口的历史交通流数据和每个卡口的邻域卡口的历史交通流数据,预测每个卡口的交通流预估数据。
其中,该方法还包括:
确定每个卡口的各组历史交通流数据的天气特征;
基于每个卡口的历史交通流数据预测每个卡口的交通流预估数据的步骤包括:
基于每个卡口的当前天气特征、每个卡口的历史交通流数据及其天气特征预测每个卡口的交通流预估数据。
其中,该方法还包括:
确定每个卡口的各组历史交通流数据的时间特征和空间特征;
基于每个卡口的历史交通流数据预测每个卡口的交通流预估数据的步骤包括:
基于每个卡口的当前天气特征、每个卡口的历史交通流数据及其时间特征、天气特征和空间特征,预测每个卡口的交通流预估数据。
其中,基于每个卡口簇的拥堵程度预估值,确定出从起点到终点的规划路径的步骤包括:
基于每个卡口簇的拥堵程度预估值进行至少一次迭代过程;
在第k+1次迭代过程中,以第k次迭代过程所确定的规划起点和基础路径为基础,确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;从拥堵程度预估值最低的卡口簇中,选择出与规划起点距离最短的下一个卡口;在距离最短的下一个卡口满足预设条件的情况下,基于距离最短的下一个卡口更新基础路径,且将规划起点更新为距离最短的下一个卡口。
其中,基于每个卡口簇的拥堵程度预估值,确定出从起点到终点的规划路径的步骤包括:
确定一条从起点到终点的基础路径;
将起点作为规划起点;
确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;
对在拥堵程度预估值最低的卡口簇中的规划起点的所有下一个卡口进行遍历,确定出与规划起点距离最短的下一个卡口;
在基础路径中的规划起点的下一个卡口和距离最短的下一个卡口不一致的情况下,将基础路径中的规划起点的下一个卡口替换为距离最短的下一个开口,得到替换路径;
在替换路径总路程小于基础路径总路程的情况下,将基础路径更新为替换路径,且将规划起点更新为距离最短的下一个卡口,并返回执行确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇的步骤,直至确定的距离最短的下一个卡口为终点。
其中,对在拥堵程度预估值最低的卡口簇中的起点的所有下一个卡口进行遍历,确定出与规划起点距离最短的下一个卡口的步骤包括:
以规划起点为第一目标点,从所有下一个卡口中依次选择两个卡口分别作为出发点和第二目标点,计算出从出发点到第一目标点和第二目标点的节约信息值;
将节约信息值最大的两个卡口中的第二目标点,作为与规划起点距离最短的下一个卡口。
为达到上述目的,本申请还提供一种路径规划设备,该路径规划设备包括处理器;处理器用于执行指令以实现上述方法。
为达到上述目的,本申请还提供一种计算机可读存储介质,其用于存储指令/程序数据,指令/程序数据能够被执行以实现上述方法。
本申请路径规划方法中,先确定起点和终点之间的多个卡口,然后预测得到多个卡口的交通流预估数据,并且将所有卡口进行聚类生成至少两个卡口簇,接着基于每个卡口簇中的至少部分卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值,这样就可基于至少两个卡口簇的拥堵程度预估值进行路径规划,无需记录所有卡口的拥堵程度预估值,并且无需基于所有卡口的拥堵程度预估值进行路径规划,使得路径规划简易化;且结合未来交通流预测数据,采用自适应的方法进行路径规划,解决了由于实时路网信息更新存在的一定的滞后性而导致的交通拥堵的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请路径规划方法一实施方式的流程示意图;
图2是本申请路径规划方法中车辆数量统计的流程示意图;
图3是本申请路径规划方法中卡口的交通流预估数据预测的示意图;
图4是本申请路径规划方法中路径规划过程所使用的节约路程算法的示意图;
图5是本申请路径规划设备一实施方式的结构示意图;
图6是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外,除非另外指明(例如,“或另外”或“或在替代方案中”),否则如本文所使用的术语“或”指代非排他性的“或”(即,“和/或”)。并且,本文所描述的各种实施例不一定相互排斥,因为一些实施例可以与一个或多个其它实施例组合以形成新的实施例。
本申请提供一种路径规划方法,具体如图1所示,本实施方式的路径规划方法包括以下步骤。需要注意的是,以下步骤编号仅用于简化说明,并不旨在限制步骤的执行顺序,本实施方式的各步骤可以在不违背本申请技术思想的基础上,任意更换执行顺序。
S101:确定起点和终点之间的多个卡口。
在确定路径规划的起点和终点后,可以先确定起点和终点之间的多个卡口,以便后续基于多个卡口的交通流预估数据进行路径规划。
可选地,在步骤S101中,可以先确定出从起点到终点的至少一条初始路径,然后将所有初始路径上的所有卡口作为起点和终点之间的多个卡口。具体地,可以先基于现有的路径规划算法进行简单的路径规划,以得到从起点到终点的至少一条初始路径。
当然,在其他实施例中,可以收集起点和终点及其直线连接第二距离范围内的所有卡口,得到起点和终点之间的多个卡口。其中,第二距离可根据实际情况进行设定,在此不做限定,例如可为10km或12km。
S102:确定每个卡口的历史交通流数据。
基于步骤S101确定起点和终点之间的多个卡口后,可以确定所有卡口的历史交通流数据,以便基于各个卡口的历史交通流数据预测出各个卡口的交通流预估数据,以便后续基于各个卡口的交通流预估数据进行路径规划。
在一实现方式中,路径规划设备或服务器内存储有其路径规划区域内所有卡口的历史交通流数据,这样在步骤S102中,只要基于卡口的空间特征(例如卡口编号、卡口经纬度等)从路径规划设备或服务器获取该卡口的历史交通流数据即可,通过这种方法就可得到所有卡口的历史交通流数据。
在另一实现方式中,路径规划设备或服务器内存储的是其路径规划区域所有卡口的历史视频数据,这样在步骤S102中,可以基于卡口的空间特征从路径规划设备或服务器获取该卡口的历史视频数据,然后通过目标检测网络对该卡口的每个历史视频数据中的车辆进行检测,以基于检测出的车辆统计该卡口的每个历史视频数据中的总车辆数量;接着可以通过该卡口的每个历史视频数据的总车辆数量计算出该历史视频数据的历史交通流数据,通过这种方法就可得到所有卡口的历史交通流数据。
其中,交通流数据可以包括车流量、交通流密度和平均车流速度等数据,在确定历史视频数据的总车辆数量后,可以通过下述公式计算出该历史视频数据的历史交通流数据;
X=n/t
Y=n/l;
V=X/Y
其中,X为历史视频数据的车流量,n为历史视频数据中的总车辆数量,t为历史视频数据中道路的长度;Y为历史视频数据的交通流密度,l表示历史视频数据的时间长度;V为历史视频数据的平均车流速度。
另外,如图2所示,上述历史视频数据的总车辆数量是指利用目标检测算法对历史视频数据进行车辆检测、目标跟踪并且经过去重处理得到的数据。
本申请的目标检测算法可根据实际情况进行设定,在此不做限定,例如可为YOLO或Faster R-CNNN等。
S103:基于卡口的历史交通流数据预测卡口的交通流预估数据。
基于步骤S102得到每个卡口的历史交通流数据后,可以基于每个卡口的历史交通流数据预测得到每个卡口的交通流预估数据。
其中,每个卡口都有至少一组历史交通流数据,在步骤S103中,需要将每个卡口的所有组历史交通流数据输入到预测模型中,以得到预测模型输出的每个卡口的交通流预估数据。例如,对于卡口A,路径规划设备或服务器中只存储有卡口A的前一天上班时间段(例如7-10点)和前一天下班时间段(例如17-20点)的历史视频数据或历史交通流数据,这样在步骤S102中能够确定出卡口A的前一天上班时间段和前一天下班时间段这两组历史交通流数据;在步骤S103中,需要将卡口A的前一天上班时间段和前一天下班时间段这两组历史交通流数据都输入到预测模型中,以得到卡口A的交通流预估数据。
可选地,可以基于每个卡口的当前天气特征、每个卡口的历史交通流数据及其天气特征预测出每个卡口的交通流预估数据。具体地,可以将每个卡口的当前天气特征、每个卡口的所有组历史交通流数据、以及每个卡口的各组历史交通流数据的天气特征输入到预测模型,以得到每个卡口的交通流预估数据,这样考虑到天气因素会对人们出行方式的选择造成影响,在预测交通流预估数据时增加天气因素,可以提高未来交通流预测的准确性。例如,在基于步骤S102确定出卡口A的前一天上班时间段和前一天下班时间段这两组历史交通流数据的情况下,可以在步骤S103之前确定出卡口A的前一天上班时间段的天气特征以及前一天下班时间段的天气特征,并且确定出当前天气特征;在步骤S103中,可以将卡口A的当前天气特征、卡口A的前一天上班时间段的历史交通流数据和天气特征、以及卡口A的前一天下班时间段的历史交通流数据和天气特征输入到预测模型中,以让预测模型基于卡口A的当前天气特征、所有组的历史交通流数据及其天气特征进行交通流预估数据预测。
其中,每个卡口的历史交通流数据对应的天气特征可以通过查询该历史交通流数据对应时间段的历史气象数据得到。或者每个卡口的历史交通流数据对应的天气特征可以通过主成分分析(PCA,principal component analysis)得到。
进一步地,在步骤S103中,如图3所示,可以基于每个卡口的当前天气特征、每个卡口的历史交通流数据及其时间特征、天气特征和空间特征,预测每个卡口的交通流预估数据。具体地,可以将每个卡口的当前天气特征、每个卡口的所有组历史交通流数据、以及每个卡口的各组历史交通流数据的时间特征、天气特征和空间特征输入到预测模型,以得到每个卡口的交通流预估数据,这样在预测交通流预估数据时不仅考虑到卡口的天气情况,也考虑到时间情况和空间情况,使得未来交通流预测更加准确。例如,在基于步骤S102确定出卡口A的前一天上班时间段和前一天下班时间段这两组历史交通流数据的情况下,可以在步骤S103之前确定出卡口A的前一天上班时间段的天气特征、空间特征和时间特征,并确定出卡口A前一天下班时间段的天气特征、空间特征和时间特征,并且确定出当前天气特征;在步骤S103中,可以将卡口A的当前天气特征、卡口A的前一天上班时间段的历史交通流数据、天气特征、空间特征和时间特征、以及卡口A的前一天下班时间段(例如17-20点)的历史交通流数据、天气特征、空间特征和时间特征输入到预测模型中,以让预测模型基于卡口A的当前天气特征、所有组的历史交通流数据及其天气特征、空间特征和时间特征进行交通流预估数据预测。
可选地,历史交通流数据的空间特征(例如可以是历史交通流数据所属卡口的经纬度、道路标号和路段长度等)和时间特征(例如可以是历史交通流数据所属历史视频数据的视频时间长度和录制时间信息)可以是通过统计模型对历史交通流数据对应的历史视频数据进行统计处理得到的。或者,在其他实施例中,历史交通流数据的空间特征可以是人工对历史交通流数据所属卡口的实际空间情况进行统计得到的,相应地,历史交通流数据的时间特征也可以是人工对历史交通流数据所属历史视频数据的时间信息进行统计得到的。其中,统计模型可根据实际情况进行选定,在此不做限制,例如可为CNN模型。
进一步地,在步骤S103中,可以基于每个卡口的当前天气特征和预测时间段、每个卡口的历史交通流数据及其时间特征、天气特征和空间特征,预测每个卡口的交通流预估数据。其中,预测时间段可以是用户选定的,也可以是路径规划设备基于用户下达路径规划指令的时间确定的。具体地,路径规划设备可以将下达路径规划指令的时间的下一时间段作为预测时间段,例如用户下达路径规划指令的时间为10:00,则路径规划设备可以将10:00-11:00作为预测时间段。或者,在其他实施例中,本申请路径规划方法被应用于基于工作日上下班短时交通流预测的路径规划中,可以将用户下达路径规划指令的时间所属时间段作为预测时间段,例如用户在上班时间段(例如7-10点)下达路径规划指令,则路径规划设备可以将上班时间段选定为预测时间段。
另外,考虑到邻域内交通流的状况,将对人们出行路径的选择造成影响,因此预测一个卡口的交通流预估数据时,不仅需要基于该卡口的历史交通流数据,还可考虑该卡口的邻域卡口的历史交通流数据。即在预测一个卡口的交通流预估数据时,还需要将该卡口的邻域卡口的历史交通流数据及其相关数据(例如邻域卡口的每组历史交通流数据的空间特征、时间特征和天气特征)输入到预测模型中。其中,卡口的邻域卡口可为与卡口相连接、且与卡口之间的距离小于第一距离的卡口。其中第一距离可根据实际情况进行设定,在此不做限定,例如可为1km或1.5km。
可选地,上述的预测模型具体可根据实际情况进行设定,在此不做限定,例如可为NN、LSTM和GRU模型等。
S104:将所有卡口进行聚类分析,生成至少两个卡口簇。
可以将所有卡口进行聚类分析,生成至少两个卡口簇,以便后续基于每个卡口簇中至少部分卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值,从而以便规划出拥堵程度预估值低的规划路径。
可选地,可以通过改进的k-means将所有卡口进行聚类,具体地,在步骤S104中,可以从所有卡口中选择至少两个点作为初始中心卡口;然后根据中心点最近原则,将剩余卡口分配到以初始中心卡口代表的卡口簇中,从而生成了至少两个卡口簇。
其中,可以从所有卡口中任意选择至少两个点作为初始中心卡口。或者,在其他实施例中,可以基于所有卡口的空间特征,从起点到终点之间均匀选择至少两个点作为初始中心卡口,避免了任意选择的至少两个点均位于起点附近或终点附近而导致同一卡口簇中卡口的拥堵程度预估值不一致,防止出现卡口簇的拥堵程度预估值无法代表其内大部分卡口的拥堵情况的情况。进一步地,也可以将起点和终点作为初始中心卡口。
其中,初始中心卡口的选择数量在此不做限定,例如可为2个、3个。初始中心卡口的数量可与卡口的总数正相关;例如卡口总数为100,可从所有卡口中选择9个初始中心卡口;又例如卡口总数为132时,可从所有卡口中选择10个初始中心卡口。
确定初始中心卡口之后,可以基于中心点最近原则,将除初始中心卡口以外的所有卡口分配到以初始中心卡口代表的卡口簇中,这样通过地址位置相近的卡口拥堵程度预估值大致相同的原理就可将拥堵程度预估值不同的卡口区分开来,以便后续规划出拥堵程度预估值低的路径。具体地,可以遍历所有卡口中除初始中心卡口以外的每个卡口,确认所遍历的卡口与每个初始中心卡口的距离,将所遍历的卡口加入到与所遍历的卡口距离最近的初始中心卡口所代表的卡口簇中。
当然,在其他实施例中,也可通过均值偏移聚类算法、DBSCAN聚类算法或层次聚类算法将所有卡口进行聚类。
另外,步骤S104的执行顺序可不受限定,只需在步骤S105之前执行即可,例如步骤S104也可在步骤S103之前执行。
S105:基于每个卡口簇中的至少部分卡口的交通流预估数据,确定每个卡口簇的拥堵程度预估值。
基于步骤S104得到所有卡口聚类而成的至少两个卡口簇后,可以基于每个卡口簇中的至少部分卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值,以便后续基于至少两个卡口簇的拥堵程度预估值进行路径规划,这样无需记录所有卡口的拥堵程度预估值,并且无需基于所有卡口的拥堵程度预估值进行路径规划,使得路径规划简易化。
可选地,在步骤S105中,在确定一个卡口簇的拥堵程度预估值时,可以基于该卡口簇中每个卡口的交通流预估数据确定该卡口簇中每个卡口的拥堵程度预估值,进而可将该卡口簇中出现最多次的拥堵程度预估值作为该卡口簇的拥堵程度预估值。例如,卡口簇N包括10个卡口,其中8个卡口拥堵程度预估值为1级,其余两个卡口拥堵程度预估值为2级,则卡口簇N的拥堵程度预估值可为1级。
在其他实现方式中,可以将每个卡口簇的中心点的拥堵程度预估值作为每个卡口簇的拥堵程度预估值,这样就可简单的确定出每个卡口簇的拥堵程度预估值。其中,每个卡口簇的中心点可以为每个卡口簇的初始中心卡口。为了避免每个卡口簇的初始中心卡口的拥堵程度预估值无法代表每个卡口簇大多数卡口的拥堵情况,可以对每个卡口簇的中心点进行优化更新,以确定出能够代表每个卡口簇大多数卡口拥堵情况的最终中心卡口,然后将最终中心卡口的拥堵程度预估值作为其所属卡口簇的拥堵程度预估值。
可选地,中心点优化更新的步骤可以包括:计算出每个卡口簇中各个卡口的离散度,将每个卡口簇中离散度最小的卡口作为每个卡口簇的最终中心卡口。其中,卡口簇中卡口的离散度为该卡口到其所属卡口簇中其余卡口的距离之和。
可选地,可以基于卡口的交通流预估数据确定卡口的拥堵情况。在交通流数据包括车流量、交通流密度和/或平均车流速度的情况下,可以基于卡口的其中一个交通流数据确定卡口的拥堵情况,例如可基于卡口的车流量确定卡口的拥堵程度预估值,又例如可基于卡口的交通流密度确定卡口的拥堵程度预估值。
其中,基于实际情况,上述卡口和卡口簇的拥堵程度预估值可分为至少两级。例如拥堵程度预估值可分为5级,1级代表不拥堵,2级代表有点拥堵,3级代表拥堵、4级代表很拥堵、5级代表非常拥堵。
S106:基于每个卡口簇的拥堵程度预估值,确定出从起点到终点的规划路径。
基于步骤S105确定出所有卡口簇的拥堵程度预估值后,可以基于所有卡口簇的拥堵程度预估值进行路径规划,以规划出从起点到终点的规划路径。
可以以拥堵程度预估值最低和路径总路程最小为原则,基于所有卡口簇的拥堵程度预估值进行路径规划。可以理解的是,在一些具体的实施例中,可能无法遍历所有的路径,以上述原则规划出来的规划路径拥堵程度预估值不一定最低,总路程也不一定最小;并且拥堵程度预估值最低和路径总路程最小可能不能同时满足,在此情况下,会优选满足拥堵程度预估值最低的原则,其次满足路径总路程最小的原则。
具体地,在步骤S106中,基于每个卡口簇的拥堵程度预估值进行至少一次迭代过程;在第k+1次迭代过程中,以第k次迭代过程所确定的规划起点和基础路径为基础,确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;从拥堵程度预估值最低的卡口簇中,选择出与规划起点距离最短的下一个卡口;在距离最短的下一个卡口满足预设条件的情况下,基于距离最短的下一个卡口更新基础路径,且将规划起点更新为距离最短的下一个卡口。其中,预设条件可理解为:基于距离最短的下一个卡口得到的替换路径的总路程小于基础路径的总路程。
具体地,上述迭代方案的具体执行步骤可体现为:可以确定一条从起点到终点的基础路径;将起点作为规划起点;确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;对在拥堵程度预估值最低的卡口簇中的规划起点的所有下一个卡口进行遍历,确定出与规划起点距离最短的下一个卡口;在基础路径中的规划起点的下一个卡口和距离最短的下一个卡口不一致的情况下,将基础路径中的规划起点的下一个卡口替换为距离最短的下一个开口,得到替换路径;在替换路径总路程小于基础路径总路程的情况下将基础路径更新为替换路径,否则不对基础路线进行更新;将规划起点更新为距离最短的下一个卡口,并返回执行确定包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇的步骤,直至确定的距离最短的下一个卡口为终点。本路径规划方案的具体实施步骤如下所示:
(1)定义基础路径S0,假设存在m个邻域(卡口簇),记为(k=1,2,3,…,m),k=1;
(2)使用邻域结构Ni,i∈[1,3]进行搜索,直到陷入局部最优解h’(即为与规划起点距离最短的下一个卡口),k=k+1;
(3)如果由局部最优解h’得到的替换路径S’<S0,令S0=S’,否则重复步骤(2);
(4)如果k>m,结束上述循环;
(5)输出更新后的规划路径;
在步骤(1)中,可以通过节约路程算法定义基础路径S0,如公式s(i,j)=d(0,i)+d(0,j)-d(i,j)所示,采用了基于三角不等式中两边之和一定大于第三边的原理,如图4所示,根据公式s(i,j)=d(0,i)+d(0,j)-d(i,j)可以计算出卡口i和j之间的节约值信息,在满足区域约束的情况下,将由大到小合并路径,直到遍历所有的卡口。另外,在其他实施例中,在步骤S101基于至少一条从起点到终点的初始路径得到多个卡口的情况下,在步骤S106中,可以从至少一条初始路径中选择一条作为基础路径,然后基于至少两个卡口簇的拥堵程度预估值进行路径优化,以得到规划路径。
在上述方案中,可以通过节约路程算法确定出与规划起点距离最短的下一个卡口。具体地,可以将规划起点作为第一目标点,从拥堵程度预估值最低的卡口簇中的规划起点的所有下一个卡口中依次选择两个卡口分别作为出发点和第二目标点,计算出从出发点到第一目标点和第二目标点的节约信息值;然后将节约信息值最大的两个卡口中的第二目标点,作为与规划起点距离最短的下一个卡口。例如,卡口簇A是包含规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇,卡口簇A中规划起点的下一个卡口为卡口A、卡口B和卡口D,可以依次运算(规划起点、卡口A和卡口B)、(规划起点、卡口A和卡口D)、(规划起点、卡口B和卡口D)、(规划起点、卡口B和卡口A)、(规划起点、卡口D和卡口A)、(规划起点、卡口D和卡口B)这些组合的节约信息值,接着将节约信息值最大的组合中的第二目标点作为与规划起点距离最短的下一个卡口。
上述的节约路程算法的计算公式如下所示:
s(o,p)=d(z,o)+d(z,p)-d(o,p);
其中,点z为出发点,点o为第一目标点,点p为第二目标点。
另外,在其他实施例中,在第k+1次迭代过程中,从拥堵程度预估值最低的卡口簇中,确定的可以是与起点距离最短的下一个卡口;并且在与起点距离最短的下一个卡口满足第二预设条件的情况下,基于与起点距离最短的下一个卡口更新基础路径,且将规划起点更新为与起点距离最短的下一个卡口。其中,在确定与起点距离最短的下一个卡口时,是以起点作为第一目标点计算节约信息值的,其余均等同于“确定与规划起点距离最短的下一个卡口的方案”。另外,第二预设条件可理解为:基于与起点距离最短的下一个卡口得到的替换路径的总路程小于基础路径的总路程。
进一步地,在逐步确定规划起点的下一个卡口的过程中,如果连续多次选择的拥堵程度预估值最低的卡口簇的拥堵程度预估值均大于第一阈值,则可以跳回起点重新规划,在重新规划时可以从包含起点的下一个卡口的所有卡口簇中拥堵程度预估值次低的卡口簇中选择出一个路程最短的卡口,选好之后可按照上述方案再次逐步规划路径。其中,第一阈值可根据实际情况进行设定,在此不做限定。例如在拥堵程度预估值分为5级的情况下,第一阈值可设为3级。
在本实施方式中,先确定起点和终点之间的多个卡口,然后预测得到多个卡口的交通流预估数据,并且将所有卡口进行聚类生成至少两个卡口簇,接着基于每个卡口簇中的至少部分卡口的交通流预估数据确定每个卡口簇的拥堵程度预估值,这样就可基于至少两个卡口簇的拥堵程度预估值进行路径规划,无需记录所有卡口的拥堵程度预估值,并且无需基于所有卡口的拥堵程度预估值进行路径规划,使得路径规划简易化;且结合未来交通流预测数据,采用自适应的方法进行路径规划,解决了由于实时路网信息更新存在的一定的滞后性而导致的交通拥堵的问题。
请参阅图5,图5是本申请路径规划设备20一实施方式的结构示意图。本申请路径规划设备20包括处理器22,处理器22用于执行指令以实现本申请上述任一实施方式的方法及任意不冲突的组合所提供的方法。
路径规划设备20可为摄像装置或服务器等设备,在此不做限定。
处理器22还可以称为CPU(Central Processing Unit,中央处理单元)。处理器22可能是一种集成电路芯片,具有信号的处理能力。处理器22还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器,或者该处理器22也可以是任何常规的处理器等。
路径规划设备20还可进一步包括存储器21,用于存储处理器22运行所需的指令和数据。
请参阅图6,图6为本申请实施方式中计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质30存储有指令/程序数据31,该指令/程序数据31被执行时实现本申请上述方法任一实施例以及任意不冲突的组合所提供的方法。其中,该指令/程序数据31可以形成程序文件以软件产品的形式存储在上述存储介质30中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质30包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种路径规划方法,其特征在于,所述方法包括:
确定起点和终点之间的多个卡口;
基于每个所述卡口的历史交通流数据预测每个所述卡口的交通流预估数据;
将所述多个卡口进行聚类分析,生成至少两个卡口簇;并基于每个所述卡口簇中的至少部分卡口的所述交通流预估数据,确定每个所述卡口簇的拥堵程度预估值;
基于每个所述卡口簇的拥堵程度预估值,确定出从所述起点到所述终点的规划路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述将所述多个卡口进行聚类分析,生成至少两个卡口簇的步骤包括:
从所述多个卡口中选择至少两个卡口作为初始中心卡口;
根据距初始中心卡口最近的原则,将剩余卡口分配到以所述初始中心卡口代表的卡口簇中;所述剩余卡口是所述多个卡口中除所述至少两个卡口之外的卡口。
3.根据权利要求2所述的路径规划方法,其特征在于,
所述基于每个所述卡口簇中的至少部分卡口的所述交通流预估数据,确定每个所述卡口簇的拥堵程度预估值的步骤包括:
计算每个所述卡口簇中各个卡口的离散度,所述卡口的离散度为所述卡口到其所属卡口簇中其余卡口的距离之和;
将每个所述卡口簇中的所述离散度最小的卡口作为每个所述卡口簇的最终中心卡口;
基于每个所述卡口簇的所述最终中心卡口的所述交通流预估数据,确定每个所述卡口簇的拥堵程度预估值。
4.根据权利要求3所述的路径规划方法,其特征在于,所述卡口的交通流预估数据包括所述卡口的车辆数量预估值、车流量预估值和交通流密度预估值和/或平均车流速度预估值。
5.根据权利要求1所述的路径规划方法,其特征在于,所述方法还包括:
确定每个所述卡口的邻域卡口的历史交通流数据,其中所述卡口的邻域卡口为与所述卡口相连接、且与所述卡口之间的距离小于第一距离的卡口;
所述基于每个所述卡口的历史交通流数据预测每个所述卡口的交通流预估数据的步骤包括:
基于每个所述卡口的历史交通流数据和每个所述卡口的邻域卡口的历史交通流数据,预测每个所述卡口的交通流预估数据。
6.根据权利要求1所述的路径规划方法,其特征在于,所述方法还包括:
确定每个所述卡口的各组历史交通流数据的天气特征;
所述基于每个所述卡口的历史交通流数据预测每个所述卡口的交通流预估数据的步骤包括:
基于每个所述卡口的当前天气特征、每个所述卡口的历史交通流数据及其天气特征预测每个所述卡口的交通流预估数据。
7.根据权利要求6所述的路径规划方法,其特征在于,所述方法还包括:
确定每个所述卡口的各组历史交通流数据的时间特征和空间特征;
所述基于每个所述卡口的历史交通流数据预测每个所述卡口的交通流预估数据的步骤包括:
基于每个所述卡口的当前天气特征、每个所述卡口的历史交通流数据及其时间特征、天气特征和空间特征,预测每个所述卡口的交通流预估数据。
8.根据权利要求1所述的路径规划方法,其特征在于,
所述基于每个所述卡口簇的拥堵程度预估值,确定出从所述起点到所述终点的规划路径的步骤包括:
基于每个所述卡口簇的拥堵程度预估值进行至少一次迭代过程;
在第k+1次迭代过程中,以第k次迭代过程所确定的规划起点和基础路径为基础,确定包含所述规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;从所述拥堵程度预估值最低的卡口簇中,选择出与所述规划起点距离最短的下一个卡口;在所述距离最短的下一个卡口满足预设条件的情况下,基于所述距离最短的下一个卡口更新所述基础路径,且将所述规划起点更新为所述距离最短的下一个卡口。
9.根据权利要求8所述的路径规划方法,其特征在于,
所述基于每个所述卡口簇的拥堵程度预估值,确定出从所述起点到所述终点的规划路径的步骤包括:
确定一条从所述起点到所述终点的基础路径;
将所述起点作为规划起点;
确定包含所述规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇;
对在所述拥堵程度预估值最低的卡口簇中的规划起点的所有下一个卡口进行遍历,确定出与所述规划起点距离最短的下一个卡口;
在所述基础路径中的所述规划起点的下一个卡口和所述距离最短的下一个卡口不一致的情况下,将所述基础路径中的所述规划起点的下一个卡口替换为所述距离最短的下一个开口,得到所述替换路径;
在所述替换路径总路程小于所述基础路径总路程的情况下,将基础路径更新为所述替换路径,且将规划起点更新为所述距离最短的下一个卡口,并返回执行所述确定包含所述规划起点的下一个卡口的所有卡口簇中拥堵程度预估值最低的卡口簇的步骤,直至确定的所述距离最短的下一个卡口为所述终点。
10.根据权利要求9所述的路径规划方法,其特征在于,所述对在所述拥堵程度预估值最低的卡口簇中的起点的所有下一个卡口进行遍历,确定出与所述规划起点距离最短的下一个卡口的步骤包括:
以所述规划起点为第一目标点,从所述所有下一个卡口中依次选择两个卡口分别作为出发点和第二目标点,计算出从所述出发点到所述第一目标点和所述第二目标点的节约信息值;
将所述节约信息值最大的两个卡口中的第二目标点,作为与所述规划起点距离最短的下一个卡口。
11.一种路径规划设备,其特征在于,所述路径规划设备包括处理器;所述处理器用于执行指令以实现如权利要求1-10中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有程序和/或指令,其特征在于,所述程序和/或指令被执行时实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111283418.4A CN114184202B (zh) | 2021-11-01 | 2021-11-01 | 路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111283418.4A CN114184202B (zh) | 2021-11-01 | 2021-11-01 | 路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114184202A true CN114184202A (zh) | 2022-03-15 |
CN114184202B CN114184202B (zh) | 2024-08-30 |
Family
ID=80601786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111283418.4A Active CN114184202B (zh) | 2021-11-01 | 2021-11-01 | 路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114184202B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201211614D0 (en) * | 2012-06-29 | 2012-08-15 | Tomtom Dev Germany Gmbh | Generating alternative routes |
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及系统 |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
CN108613681A (zh) * | 2018-05-14 | 2018-10-02 | 河海大学常州校区 | 大数据环境下基于迭代计算的路径规划分布式计算方法 |
CN109000676A (zh) * | 2018-06-22 | 2018-12-14 | 东华大学 | 一种vanet环境下结合预测信息的路径规划方法 |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN113532459A (zh) * | 2021-06-28 | 2021-10-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种预测式导航路线规划方法及系统 |
-
2021
- 2021-11-01 CN CN202111283418.4A patent/CN114184202B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201211614D0 (en) * | 2012-06-29 | 2012-08-15 | Tomtom Dev Germany Gmbh | Generating alternative routes |
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及系统 |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
CN108613681A (zh) * | 2018-05-14 | 2018-10-02 | 河海大学常州校区 | 大数据环境下基于迭代计算的路径规划分布式计算方法 |
CN109000676A (zh) * | 2018-06-22 | 2018-12-14 | 东华大学 | 一种vanet环境下结合预测信息的路径规划方法 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN113532459A (zh) * | 2021-06-28 | 2021-10-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种预测式导航路线规划方法及系统 |
Non-Patent Citations (2)
Title |
---|
张清华: "基于卡口车辆识别数据的车辆路径识别", 交通工程, no. 04, 31 August 2020 (2020-08-31) * |
李军: "城市智能交通中的动态路径规划研究", 中国优秀硕士学位论文全文库工程科技辑, no. 04, 15 April 2017 (2017-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN114184202B (zh) | 2024-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Dynamic cluster-based over-demand prediction in bike sharing systems | |
Gong et al. | Online spatio-temporal crowd flow distribution prediction for complex metro system | |
Nocera et al. | Assessing carbon emissions from road transport through traffic flow estimators | |
US8706459B2 (en) | Traffic sensor management | |
Wang et al. | A big data approach for smart transportation management on bus network | |
CN109559512A (zh) | 一种区域交通流量预测方法及装置 | |
Liu et al. | Adaptive collective routing using gaussian process dynamic congestion models | |
Tempelmeier et al. | Crosstown traffic-supervised prediction of impact of planned special events on urban traffic | |
Chen et al. | Discrimination and prediction of traffic congestion states of urban road network based on spatio-temporal correlation | |
EP3358541B1 (en) | A method of predicting a traffic behaviour in a road system | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN115658666B (zh) | 多源数据融合的稀疏交通流量补全方法及系统 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Ayman et al. | Data-driven prediction and optimization of energy use for transit fleets of electric and ICE vehicles | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
KR102545188B1 (ko) | 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 | |
Lu et al. | A parking occupancy prediction approach based on spatial and temporal analysis | |
Xu et al. | Applying finite mixture models to New York City travel times | |
Ram et al. | Smartbike: Policy making and decision support for bike share systems | |
CN114184202B (zh) | 路径规划方法及装置 | |
Waury et al. | Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation | |
CN116311892A (zh) | 一种基于拥堵传播的城市路段通行关键瓶颈识别方法 | |
Rempe et al. | Feature engineering for data-driven traffic state forecast in urban road networks | |
CN110428612A (zh) | 车辆管控方法、装置、计算机设备和存储介质 | |
Tang et al. | Short-term urban link travel time prediction using dynamic time warping with disaggregate probe data |
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 |