CN114419917A - 一种基于单向图的交通拥堵疏导方法及系统 - Google Patents
一种基于单向图的交通拥堵疏导方法及系统 Download PDFInfo
- Publication number
- CN114419917A CN114419917A CN202111539512.1A CN202111539512A CN114419917A CN 114419917 A CN114419917 A CN 114419917A CN 202111539512 A CN202111539512 A CN 202111539512A CN 114419917 A CN114419917 A CN 114419917A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- road network
- graph
- traffic
- 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
Images
Classifications
-
- 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
-
- 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
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于单向图的交通拥堵疏导方法及系统,该方法包括根据路网结构数据构建路网单向图结构模型;选取路网单向图结构模型中一条边计算边权重系数;判断选取的边的对应道路是否发生拥堵;当发生拥堵时获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;将计算的最短路径分配至对应车辆进行导航。本发明通过构建路网单向图结构模型,对节点间的边进行加权计算,利用单位时间内该道路的承载负荷和道路的预计承载总负荷计算出一个比值,将这个比值作为单向图中边的权重,使每条边的权重系数更贴近实际道路情况,以此抽象出一个更符合现实的图结构,在此基础上再去计算车辆起点和目的地的最短路径,能更加准确有效。
Description
技术领域
本发明涉及交通拥堵疏导技术领域,具体涉及一种基于单向图的交通拥堵疏导方法及系统。
背景技术
随着国家经济的高速发展,国内各大城市的机动车数量节节攀升,车辆使用率增加是导致交通拥堵的主要原因。市区内每逢高峰时间,上班的、旅游的、购物的车流从四面八方涌入,从而导致现有道路无法负荷如此大的车流量,而造成堵塞的情形。同时受修路、天气原因或交通意外而封路等都可以造成交通的拥堵。交通的拥堵会在一定程度上增加通勤的时间,造成驾驶人员的经济损失等,也会造成燃料的浪费和空气的污染。为了增强对城市的管理能力,降低交通道路拥堵所带来的损失,各大城市都陆续建立起覆盖全市交通道路的城市交通道路视频监控网络,通过监控网络进行实时的城市交通监控,对发生的交通拥堵的地段进行及时的处置。在监控网络中,管理者通过对路段交通运行状态的实时监测,在发生拥堵后,引导交警执行相关管控措施。针对人工监测的缺点,人们采用了智能视频分析技术以及大数据对交通监控的视频流进行分析,进而检测是否有交通拥堵发生。
在疏导方面,通常是对行驶车辆的路径进行规划,传统的路径规划算法通常为最短路径算法,如Dijkstra算法。但其只考虑了两节点间的距离,没有针对实际路况,不能完全体现出道路的交通状况,从而得出的结果不具备可靠性。同时在使用Dijkstra算法时,需要将路网抽象为图,有的是将其抽象为双向图,不过双向图存在可能给出误解的问题。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于单向图的交通拥堵疏导方法及系统。
为了达到上述发明目的,本发明采用的技术方案为:
第一方面,本发明提出了一种基于单向图的交通拥堵疏导方法,包括以下步骤:
S1、根据路网结构数据构建路网单向图结构模型;
S2、选取路网单向图结构模型中一条边计算边权重系数;
S3、判断选取的边的对应道路是否发生拥堵;若是,则执行步骤S4;否则返回步骤S2;
S4、获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
S5、将计算的最短路径分配至对应车辆进行导航。
进一步地,所述步骤S1具体包括以下分步骤:
S1-1、获取当前区域的路网结构数据;
S1-2、将获取的路网结构数据抽象为单向图结构,构建路网单向图结构模型。
进一步地,所述步骤S2具体包括以下分步骤:
S2-1、获取选取的边的对应道路在设定高峰时间段内的车流量数据和车速数据,计算对应道路的预估承载负荷;
S2-2、获取选取的边的对应道路在当前设定单位时间内车流量数据和车速数据,计算对应道路的单位时间边负荷;
S2-3、根据计算的对应道路的预估承载负荷和单位时间边负荷,计算边权重系数。
进一步地,所述步骤S2-3中边权重系数的计算公式表示为:
式中,Ei表示边权重系数,Li表示对应道路的预估承载负荷,Δli表示对应道路的单位时间边负荷。
进一步地,所述步骤S4具体包括以下分步骤:
S4-1、获取经过发生拥堵的道路的车辆的当前位置和目的地信息;
S4-2,将车辆的当前位置和目的地信息映射为路网单向图结构模型中的对应节点;
S4-3、根据映射得到的节点,采用加权Dijkstra算法计算对应节点间的最短路径。
第二方面,本发明还提出了一种基于单向图的交通拥堵疏导系统,应用如上述的基于单向图的交通拥堵疏导方法,包括:
模型构建模块,用于根据路网结构数据构建路网单向图结构模型;
第一计算模块,用于选取路网单向图结构模型中一条边计算边权重系数;
拥堵判断模块,用于判断选取的边的对应道路是否发生拥堵;
第二计算模块,用于获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
路径分配模块,用于将第二计算模块计算的最短路径分配至对应车辆进行导航。
本发明具有以下有益效果:
本发明通过构建路网单向图结构模型,对节点间的边进行加权计算,利用单位时间内该道路的承载负荷和道路的预计承载总负荷计算出一个比值,将这个比值作为单向图中边的权重,使每条边的权重系数更贴近实际道路情况,以此抽象出一个更符合现实的图结构,在此基础上再去计算车辆起点和目的地的最短路径,能更加准确有效,解决了传统的Dijkstra算法只考虑的两节点间的距离,不能完全体现出道路的交通状况的问题。
附图说明
图1为本发明实施例1所提供的基于单向图的交通拥堵疏导方法流程示意图;
图2为本发明实施例2所提供的基于单向图的交通拥堵疏导系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,本发明实施例提供了一种基于单向图的交通拥堵疏导方法,包括以下步骤S1至S5:
S1、根据路网结构数据构建路网单向图结构模型;
在本实施例中,步骤S1具体包括以下分步骤S1-1至S1-2:
S1-1、获取当前区域的路网结构数据;
具体而言,这里的路网结构数据可以采用如OpenStreetMap(简称OSM)开源wiki地图。当前区域是指按行政区域划分的地区,如当前城市等。
S1-2、将获取的路网结构数据抽象为单向图结构,构建路网单向图结构模型。
具体而言,获取的OSM开源wiki地图为xml结构,其中包含了节点信息(节点id、经纬度、节点名称等)和道路信息(道路id、道路类型、名称、节点id等),建立单向图时,通过遍历xml文件提取节点信息和道路信息,将其保存为单向图G=<V,E>的集合数据。道路id和节点id一一对应,同时各个id指向其所包含的其他数据。
S2、选取路网单向图结构模型中一条边计算边权重系数;
在本实施例中,步骤S2具体包括以下分步骤S2-1至S2-3:
S2-1、获取选取的边的对应道路在设定高峰时间段内的车流量数据和车速数据,计算对应道路的预估承载负荷Li;
S2-2、获取选取的边的对应道路在当前设定单位时间内车流量数据和车速数据,计算对应道路的单位时间边负荷Δli;
S2-3、根据计算的对应道路的预估承载负荷Li和单位时间边负荷Δli,计算边权重系数Ei,并将对应的权重系数赋给图结构的边,计算公式表示为:
S3、判断选取的边的对应道路是否发生拥堵;若是,则执行步骤S4;否则返回步骤S2;
在本实施例中,本发明通过视频流监测系统监控是否有拥堵路段的产生,根据视频流监控可以判断路网单向图结构模型中的边的对应道路是否发生拥堵;如果选取的边的对应道路发生了拥堵,则执行步骤S4来计算最短路径;如果选取的边的对应道路没有发生拥堵,则重新选择路网单向图结构模型中下一条边继续进行判定。其中视频流监测系统可以采用基于深度学习的识别算法,例如基于GoogleNet和AlexNet深度学习网络的拥堵识别算法,以实时的视频流监控数据作为输入,输出拥堵识别结果。
S4、获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
在本实施例中,步骤S4具体包括以下分步骤:
S4-1、获取经过发生拥堵的道路的车辆的当前位置和目的地信息;
S4-2,将车辆的当前位置和目的地信息映射为路网单向图结构模型中的对应节点;
具体而言,本发明采用的映射方法为将车辆的当前位置和目的地位置的经纬度调用地图软件接口转为道路名称,根据道路名称在图结构模型中查找对应的节点。如果未查到一致节点,则根据经纬度计算最近的节点位置。最终将其与当前位置和目的地进行对应。
S4-3、根据映射得到的节点,采用加权Dijkstra算法计算对应节点间的最短路径。
具体而言,本发明采用加权Dijkstra算法计算对应节点间的最短路径包括如下步骤:
S4-3-1、根据单向图G=<V,E>中每个节点是否联通和赋予的权重,构建一个邻接矩阵;
S4-3-2、根据车辆当前位置映射获得的节点,从该节点开始遍历邻接矩阵,并将该节点标记为已访问,并保存;
S4-3-3、寻找从该节点到其他各节点中寻找权值最小的那个点,除开标记为访问过的节点和权值为-1的节点,-1表示不可达,并将该节点保存;
S4-3-4、以上述步骤S4-3-3所找寻的节点为起点,寻找从该节点到其他各节点中寻找权值最小的那个点,并将该节点保存;
S4-3-5、重复结果上述S4-3-3,S4-3-4步骤,直至找寻到目的地所对应的节点;
S4-3-6、遍历已保存的节点,获取其所连道路名称和经纬度,构建<道路名称,经纬度>的数据集合作为新的导航路径返回;
S4-3-7、如果遍历完邻接矩阵,无法到达目的地,则保留之前的导航路径。
S5、将计算的最短路径分配至对应车辆进行导航。
本发明由通过车载导航软件获取车辆的当前位置和目的地并与服务器后台进行实时的位置信息交互;服务器载入视频流拥堵识别系统,当检测到拥堵发生时,调用本发明方法,抽象路网结构模型,并计算车辆当前位置到目的地的最短路径,最终将结果范围到车载导航,更新车辆的规划行驶路径。
实施例2
实施例1对于本发明提供的一种基于单向图的交通拥堵疏导方法的实施例进行了详细的描述,本发明还提供了一种与该方法对应的基于单向图的交通拥堵疏导系统。由于系统的实施例与方法部分的实施例相互照应,因此系统的实施例请参见方法部分的实施例的描述,这里暂不赘述。
如图2所示,本发明基于实施例1所描述的基于单向图的交通拥堵疏导方法,提供了一种基于单向图的交通拥堵疏导系统,包括:
模型构建模块,用于根据路网结构数据构建路网单向图结构模型;
第一计算模块,用于选取路网单向图结构模型中一条边计算边权重系数;
拥堵判断模块,用于判断选取的边的对应道路是否发生拥堵;
第二计算模块,用于获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
路径分配模块,用于将第二计算模块计算的最短路径分配至对应车辆。
本发明实施例提供的基于单向图的交通拥堵疏导系统具有上述基于单向图的交通拥堵疏导方法的有益效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于单向图的交通拥堵疏导方法,其特征在于,包括以下步骤:
S1、根据路网结构数据构建路网单向图结构模型;
S2、选取路网单向图结构模型中一条边计算边权重系数;
S3、判断选取的边的对应道路是否发生拥堵;若是,则执行步骤S4;否则返回步骤S2;
S4、获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
S5、将计算的最短路径分配至对应车辆进行导航。
2.根据权利要求1所述的基于单向图的交通拥堵疏导方法,其特征在于,所述步骤S1具体包括以下分步骤:
S1-1、获取当前区域的路网结构数据;
S1-2、将获取的路网结构数据抽象为单向图结构,构建路网单向图结构模型。
3.根据权利要求1所述的基于单向图的交通拥堵疏导方法,其特征在于,所述步骤S2具体包括以下分步骤:
S2-1、获取选取的边的对应道路在设定高峰时间段内的车流量数据和车速数据,计算对应道路的预估承载负荷;
S2-2、获取选取的边的对应道路在当前设定单位时间内车流量数据和车速数据,计算对应道路的单位时间边负荷;
S2-3、根据计算的对应道路的预估承载负荷和单位时间边负荷,计算边权重系数。
5.根据权利要求1所述的基于单向图的交通拥堵疏导方法,其特征在于,所述步骤S4具体包括以下分步骤:
S4-1、获取经过发生拥堵的道路的车辆的当前位置和目的地信息;
S4-2,将车辆的当前位置和目的地信息映射为路网单向图结构模型中的对应节点;
S4-3、根据映射得到的节点,采用加权Dijkstra算法计算对应节点间的最短路径。
6.一种基于单向图的交通拥堵疏导系统,其特征在于,应用如权利要求1至5任一所述的基于单向图的交通拥堵疏导方法,包括:
模型构建模块,用于根据路网结构数据构建路网单向图结构模型;
第一计算模块,用于选取路网单向图结构模型中一条边计算边权重系数;
拥堵判断模块,用于判断选取的边的对应道路是否发生拥堵;
第二计算模块,用于获取经过发生拥堵的道路的车辆交通数据,计算车辆经过该道路的最短路径;
路径分配模块,用于将第二计算模块计算的最短路径分配至对应车辆进行导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539512.1A CN114419917B (zh) | 2021-12-15 | 2021-12-15 | 一种基于单向图的交通拥堵疏导方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539512.1A CN114419917B (zh) | 2021-12-15 | 2021-12-15 | 一种基于单向图的交通拥堵疏导方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419917A true CN114419917A (zh) | 2022-04-29 |
CN114419917B CN114419917B (zh) | 2023-01-24 |
Family
ID=81268103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111539512.1A Active CN114419917B (zh) | 2021-12-15 | 2021-12-15 | 一种基于单向图的交通拥堵疏导方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419917B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842659A (zh) * | 2022-05-07 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208289A (ja) * | 2002-12-11 | 2004-07-22 | Nippon Telegr & Teleph Corp <Ntt> | マルチキャスト転送経路計算方法及びマルチキャスト転送経路計算装置並びにプログラム |
US20150153183A1 (en) * | 2010-10-06 | 2015-06-04 | Google Inc. | Automated identification of anomalous map data |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN112797995A (zh) * | 2020-12-17 | 2021-05-14 | 北京工业大学 | 具有时空特性态势信息的车辆应急导航方法 |
-
2021
- 2021-12-15 CN CN202111539512.1A patent/CN114419917B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208289A (ja) * | 2002-12-11 | 2004-07-22 | Nippon Telegr & Teleph Corp <Ntt> | マルチキャスト転送経路計算方法及びマルチキャスト転送経路計算装置並びにプログラム |
US20150153183A1 (en) * | 2010-10-06 | 2015-06-04 | Google Inc. | Automated identification of anomalous map data |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN112797995A (zh) * | 2020-12-17 | 2021-05-14 | 北京工业大学 | 具有时空特性态势信息的车辆应急导航方法 |
Non-Patent Citations (5)
Title |
---|
吴正明等: "基于实时交通最优路径算法的研究", 《机械与电子》 * |
杜学风等: "公路交通拥塞路径规划设计仿真", 《计算机仿真》 * |
王洪德等: "基于角改进的城市交通网络实时最短路径算法研究", 《安全与环境学报》 * |
邢强等: "基于实时交通信息的电动汽车路径规划和充电导航策略", 《中国电机工程学报》 * |
郭丽晓: "基于拓扑地图的AGV智能路径规划技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842659A (zh) * | 2022-05-07 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
CN114842659B (zh) * | 2022-05-07 | 2023-08-04 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114419917B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
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 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
Pattanaik et al. | Smart real-time traffic congestion estimation and clustering technique for urban vehicular roads | |
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN106446960A (zh) | 一种密度聚类划分时间段的动态热度路网构建方法 | |
CN112710317A (zh) | 自动驾驶地图的生成方法、自动驾驶方法及相关产品 | |
Song et al. | Exploring pareto routes in multi-criteria urban bicycle routing | |
CN114419917B (zh) | 一种基于单向图的交通拥堵疏导方法及系统 | |
CN117521937B (zh) | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 | |
CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
CN113793500A (zh) | 城市交通道路可计算路网的构建方法及系统 | |
Selamat et al. | A fast path planning algorithm for route guidance system | |
Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
Pop | Decision making in road traffic coordination methods: a travel time reduction perspective | |
Garcia et al. | A smart peri-urban I2V architecture for dynamic rerouting | |
CN113240917B (zh) | 一种将深度神经网络应用于智慧交通的交通管理系统 | |
Khodadadi et al. | Improve traffic management in the vehicular ad hoc networks by combining ant colony algorithm and fuzzy system | |
Barberi et al. | Smart city: Effects on urban mobility and expected developments due to autonomous vehicles | |
Borthakur et al. | Study and analysis of A Vehicular Traffic Intersection Point, For Traffic and Congestion Control in Amolapatty, Dibrugarh, Assam. | |
Lv et al. | Optimization of dynamic parking guidance information for special events |
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 |