CN114463977B

CN114463977B - 一种基于车路协同多源数据融合交通流预测的路径规划方法

Info

Publication number: CN114463977B
Application number: CN202210123932.XA
Authority: CN
Inventors: 张雅伦博
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2022-02-10
Filing date: 2022-02-10
Publication date: 2023-06-23
Anticipated expiration: 2042-02-10
Also published as: CN114463977A

Abstract

本发明公开了一种基于车路协同多源数据融合交通流预测的路径规划方法，包括以下步骤：步骤一，建立路网模型。步骤二，多源交通数据的融合。步骤三，训练时间图卷积神经网络T‑GCN以实现路网交通流预测。步骤四，使用已训练完成的T‑GCN模型对路网交通速度进行预测，并根据预测结果完成路径规划。本发明将路径规划与车路协同环境相结合，形成一个融合后的整体，基于此能够帮助路径规划系统获取更为丰富的感知信息。本发明考虑了交通数据的多源性与时空依赖性，将交通多源数据融合与时间图卷积网络模型相结合，使得预测结果更为准确。本发明利用路网交通预测信息作为路径规划的基础，能在一定程度上疏散拥堵路网。

Description

一种基于车路协同多源数据融合交通流预测的路径规划方法

技术领域

本发明属智慧城市交通领域，合理的车辆路径规划对出行体验与疏散路网交通拥堵有重要意义。对此，本发明在车路协同的环境中，对交通多源信息进行数据融合，通过结合图卷积神经网络与门控递归单元实现对未来时刻路网交通流的预测，并以此为基础设计了更为精准的最少时间代价路径规划算法。

背景技术

全局路径规划一般指的是在路网拓扑已知的情况下，根据通行最小代价选择一条从当前起点到目的地的路线，通行最小代价对应与穿越路段的某种成本，比如距离或者耗时。目前比较常见的全局路径规划算法，如：Dijkstra与A*，多为静态算法，即在静态的路网建模环境中，找到一条目标权值总和最小的道路。然而这些算法仅根据当前请求时刻的交通情况按照用户需求制定出了一条最优路线，但在真正的驾驶过程中随着时间推移交通信息也会随之改变，规划时刻顺畅的路径可能随时间推移逐渐拥堵，导致行驶效率的低下并最终影响整个路网的通行效率。

目前对交通信息的获取往往将车或者路割裂开来，随着车路协同“智慧的路”这一概念的提出，路侧传感器、RSU设备的普及使用，车辆可以通过C-V2X技术增强道路的融合感知能力，并且随着5G和云端边缘计算等技术的日益成熟，能够极大提高各类交通信息的融合计算能力并降低路网信息传递至车端的时延。

在智能交通系统中为车辆进行动态路径规划，重点是需要结合路网中多源交通信息的动态变化，对备选路径未来时刻交通流做出准确的预测，并在此基础上为车辆进行合理的路径规划。由于深度神经网络模型可以很好地捕捉数据的动态特征并取得最佳拟合效果，因此被广泛的用于各类预测任务中。交通信息具有多源性与时空依赖性的特点，目前多使用的交通预测方法仅关注路网中单一属性的数据，如速度或者密度，忽略了多源性。针对时空依赖性，需要模型同时提取时间和空间特征以获取准确的预测结果，目前使用深度神经网络来预测交通状况大多仅关注交通的时间周期特征，使用过去时刻的数据预测未来时刻的数据，忽略了空间特征，导致交通状况的变化不受周围路网的限制，影响了预测的准确性。

发明内容

针对现有大部分路径规划算法对实时路网交通信息改变的响应不及时与使用单源信息预测交通数据结果不够准确难以作为路径规划前提的问题。本发明提出了一种基于多源数据融合交通流预测的路径规划方法，充分利用车路协同环境中交通数据多源性与时空依赖性的特点，使用时空图卷积神经网络预测路网交通环境，并以此基础对已有的静态路径规划算法进行改进。包括以下步骤：

步骤一，建立路网模型。

确定当前路径规划的目标，如：最少时间，并使用合理的路网模型将现实交通中的道路状况抽象为具体化的数学问题进行描述。本发明选取的路径规划目标为最小通行时间，使用的道路路网模型结构用下式来进行描述：

其中，M表示智能交通路网拓扑结构，每条路段对应图结构中的一个节点，R表示路段节点集合，x_i，y_i表示每个路口节点的起始经纬度坐标，W表示路段r_ij的权重值。

单条路段平均通行时间的表达式为：

其中L表示当前路段的长度，V表示当前路段车辆通行的历史平均行驶速度，求出的结果T与实时环境中的路段通行时间出入较大，以此来实现动态路径规划的实时性较差。本发明将路段权值设计为如下公式：

其中，W_ij表示每条r_ij路段的预测通行时间，L_ij表示r_ij路段的实际长度，

为经预测后的道路交通速度。禁止通行表示r_ij路段因为某些客观原因被禁止通行。

步骤二，多源交通数据的融合。

利用车联网内车辆与道路感知设备的信息上报，获取能够影响交通通行效率的多源交通数据。影响交通情况的属性包括：信号灯情况、道路等级、天气情况、道路限行、交通事故等，由于每种属性对道路通行状态的影响有差别，对交通情况影响更大的应当赋予其更大的权值，本发明使用AHP层次分析法将多源特征数据合理融合作为交通预测的基础。

步骤三，训练时间图卷积神经网络(T-GCN)以实现路网交通流预测。

由于交通流数据具有多源性与时空依赖性，本发明将多源数据融合与时间图卷积神经网络(T-GCN)模型相结合，将预测问题规定为使用上文中的路网拓扑M和时间序列范围内的多源数据融合特征矩阵X作为模型的输入学习映射函数f，然后计算出下一时间序列范围的交通速度信息，可用下式来表示：

[V_t+1，…，V_t+T]＝f(M；(X_t-n，…，X_t-1，X_t))

其中，n是历史时间序列的长度，T是需要预测的时间序列长度，输入[t-n,t]时间序列范围内的特征信息，输出为[t+1,t+T]范围时刻的预测结果。

将路网范围内融合后的数据输入模型，使用两层图卷积神经网络(GCN)提取空间特征，接着使用门控递归单元(GRU)将GCN模型的输出作为GRU输入，获取道路上交通数据的时间动态变化，提取时间特征。

步骤四，使用已训练完成的T-GCN模型对路网交通速度进行预测，并根据预测结果完成路径规划。

本发明提出了一种基于道路通行时间预测的改进A*路径规划算法，通过路侧传感器实时上报路网多源交通数据，并在路侧RSU设备完成数据融合继续上报给云端平台，使用已训练完毕的T-GCN模型预测未来时刻路网范围内每条路段的交通速度，并根据步骤一中的路段权值公式计算出每条路段的通行时间作为权值，最后根据修改后的A*算法求出规划请求发出时刻的最优路径。

本发明将传统A*的评估函数修改为如下所示：

f_t(n)＝g_t(n)+h_t(n)

其中，n代表当前路段节点，f_t(n)表示从起点出发经过n到达终点的预估时间代价，g_t(n)表示从起点到n累计的预估时间和，h_t(n)表示从n到终点的预估最少行驶时间，g_t(n)的计算方法如下所示：

g_t(n)＝g_t(n_father)+t_n

其中，g_t(n_father)表示路段n的父路段节点的g值，t_n表示经过T-GCN模型预测计算出的路段n的预估通行时间。

h_t(n)的计算方法如下所示：

其中，s_n和y_n分别是当前节点的经纬度数据，x_des和y_des分别是目的地节点的经纬度数据，函数d(x)为经纬度到地理距离之间的转换函数，V_n为当前路段的交通预测速度。

与现有技术相比，本发明具有以下优点：

(1)本发明将路径规划与车路协同环境相结合，通过C-V2X将“人、车、路、云”等交通参与要素有机地联系在一起，形成一个融合后的整体，基于此能够帮助路径规划系统获取更为丰富的感知信息。

(2)本发明与其他使用神经网络模型预测交通情况相比，同时考虑了交通数据的多源性与时空依赖性，将交通多源数据融合与时间图卷积网络模型相结合，使得预测结果更为准确。

(3)本发明设计了一种动态路径规划方法，利用路网交通预测信息作为路径规划的基础，与使用历史交通数据的路径规划算法相比，在相同的规划目标下结果更优并且能在一定程度上疏散拥堵路网。

附图说明

图1为本发明整体实施方式的流程图；

图2为本发明路径规划流程的示意图；

具体实施方式

实施方式的流程图如图1所示，包括以下步骤：

步骤S10，根据真实地图建立路网模型，剔除无关道路，仅保留机动车道，并将处理后的数据存入云端数据库的路网模型表以备路径规划使用，数据表的设计如下所示：

表一：路网模型表

主键id

路段id

路段起点经纬度

路段终点经纬度

路段长度

路段的邻接路段id

表二：路段通行权重表

主键id

路段id

路段通行权重

记录时刻

表三：路段通行时间预测表

主键id

路段id

路段预测通行时间

预测时刻

步骤S20，路侧RSU设备对多源交通数据的融合，得到每条路段的道路融合效率指标并上传至云端平台；

步骤S30，根据历史路网多源交通数据训练T-GCN模型；

步骤S40，使用已训练完成的T-GCN模型对路网交通情况进行预测，并根据预测结果完成路径规划。

实施方式的步骤S20，路侧RSU设备对多源交通数据的融合，得到每条路段的道路融合效率指标并上传至云端平台包括以下步骤：

步骤S210，根据步骤S10生成的路网模型范围内的路段，选取除通行速度以外的多个影响交通情况的指标，按照九分位判别指标建立相应的判断矩阵A。

步骤S220，将A的每一列归一化后再对行向量求和并继续归一化后得到的特征向量W＝{w_i，...，w_n}为每种交通影响指标的权重。

步骤S230，为避免主观因素对判断矩阵的构造产生矛盾导致不满足一致性，需要对判断矩阵A进行一致性检验。通过

计算求得矩阵A的最大特征根λ_max。根据

求出一致性指标CI，进一步计算/>

检验判断矩阵A是否满足一致性，RI可根据矩阵阶数与平均一致性指标表格直接得到。若CR<0.1，则满足一致性要求，接受该判断矩阵；否则，该判断矩阵不符合一致性要求，必须重新构造判断矩阵并再次检验。

步骤S240，针对S10生成的交通路网模型中的不同的路段，按照每5分钟一次的要求通过不同类型传感器上报各影响指标的数据至路端RSU设备并利用其对每条路进行数据融合。由于每种指标具有不同的度量单位，需要对其数据进行最大最小值归一化到[0,1]区间去除量纲，即可得到各个指标归一化后的值m_i。最后将各指标的值m_i与其对应的权重ω_i相乘并求和，即可获得每条路段的道路融合效率指标，并将道路id、道路融合效率指标、数据获取时刻上报至云端平台存入路段通行权重表。

实施方式的步骤S30，根据历史路网多源交通数据训练T-GCN模型包括以下步骤：

步骤S300，将已存储在数据库中的历史路网交通数据分为训练集和测试集，使用训练集对T-GCN模型进行训练，测试集用来验证训练效果。

步骤S310，使用S10得到的路网模型M和邻接矩阵A作为拓扑结构，A邻接矩阵代表道路之间是否有连接。定义特征矩阵X^m×n，m表示路网中的道路数量，n表示节点历史时间序列的长度，X_i表示步骤S20求出的i时刻道路融合效率指标。

步骤S320，构建2层GCN网络模型，将n个历史时刻序列特征矩X_t-n，…，X_t-1，X_t作为输入，然后使用2层GCN去提取道路网络之间的拓扑关系，获得交通数据的空间特征，然后将获得的具有空间特征的时间序列输入到GRU模型中，通过GRU单元间的信息传输提取交通数据之间的时间特征，最后输出得到所有路段的交通预测速度结果。

步骤S330，为了评估预测的准确性，使用平均绝对误差(MAE)、均方根误差(RMSE)、拟合优度(R²)、准确度(Accuracy)来衡量模型的预测效果。数学公式分别如下所示：

其中z_i为i时刻交通速度的预测值；z_i'为i时刻交通速度的真实值；

表示z_i的平均值，Z和Z'分别表示z_i和z_i'的集合；MAE和RMSE的值越小、R2和Accuracy的值约接近1说明预测效果越好。

实施方式的步骤S40，使用已训练完成的T-GCN模型对路网交通情况进行预测，并根据预测结果完成路径规划，如图2所示包括以下步骤：

步骤S400，确定路径规划的起点start、目的地des、路径规划请求发出的时刻t，使用已训练好的T-GCN模型对所有备选路段的交通速度进行预测，并将每条路段长度除交通速度求出路段的预测行驶时间，按照路段id、路段预测通行时间、预测时刻存入路段通行时间预测表。

步骤S410，建立开集O存放待遍历的节点和闭集C存放已遍历节点，将start放入O。

步骤S420，判断开集O是否为空，若为空则结束计算说明路径规划失败；若否则执行步骤S430。

步骤S430，O中所有节点需要按照到des启发距离f_t(r_i)升序排列，选择第一个节点作为当前节点r_c，r_c判断是否为des；若是则不断回溯父节点直到start，得到结果路径路径算法结束；否则选择执行步骤S440

步骤S440，将r_c从O中移除，加入到C中，继续遍历rc的所有邻接节点并进行如下处理，将邻接节点记为r_a：

1)若r_a在C中，则跳过；

2)若r_a不在O中，则将r_a加入到O中，更新到达r_a的时刻，将r_c记做r_a的父节点，计算并记录下r_a的f_t(r_a)，g_t(r_a)，h_t(r_a)的值。

3)若r_a已经在O中，则沿着已搜索得到的路径到达节点r_a，计算出新的g_t(r_a)′值，将此时新计算出的g_t(r_a)′与之前已记录的r_a的g_t(r_a)作比较，如果新的值更小则更新记录中g_t(r_a)和f_t(r_a)的值，并将r_a的父节点更新为r_c。

4)判断r_c的邻接节点是否已经遍历完毕，若是则执行步骤S420，否则继续遍历邻接节点。

Claims

1.一种基于车路协同多源数据融合交通流预测的路径规划方法，其特征在于：该方法包括以下步骤：

步骤一，建立路网模型；

确定当前路径规划的目标，选取的路径规划目标为最小通行时间，使用的道路路网模型结构用下式来进行描述：

其中，M表示智能交通路网拓扑结构，每条路段对应图结构中的一个节点，x_i，y_i表示每个路口节点的起始经纬度坐标，R表示路段节点集合，W表示路段r_ij的权重值；

单条路段平均通行时间的表达式为：

其中L表示当前路段的长度，V表示当前路段车辆通行的历史平均行驶速度；将路段权值设计为如下公式：

为经预测后的道路交通速度；

步骤二，多源交通数据的融合；

利用车联网内车辆与道路感知设备的信息上报，获取能够影响交通通行效率的多源交通数据；使用AHP层次分析法将多源特征数据合理融合作为交通预测的基础；影响交通情况的属性包括：信号灯情况、道路等级、天气情况、道路限行、交通事故；

步骤S210，根据道路路网模型范围内的路段，选取除通行速度以外的多个影响交通情况的指标，按照九分位判别指标建立相应的判断矩阵A；

步骤S220，将判断矩阵A的每一列归一化后再对行向量求和并继续归一化后得到的特征向量W＝{ω_i，...，ω_n}为每种交通影响指标的权重；

步骤S230，对判断矩阵A进行一致性检验；通过

计算求得矩阵A的最大特征根λ_max；根据/>

求出一致性指标CI，计算/>

检验判断矩阵A是否满足一致性，RI根据矩阵阶数与平均一致性指标表格直接得到；若CR<0.1，则满足一致性要求，接受该判断矩阵；否则，该判断矩阵不符合一致性要求，重新构造判断矩阵并再次检验；

步骤S240，针对道路交通路网模型中的不同的路段，按照每5分钟一次要求通过不同类型传感器上报各影响指标的数据至路端RSU设备并利用其对每条路进行数据融合；对数据进行最大最小值归一化到[0,1]区间去除量纲，得到各个指标归一化后的值m_i；将m_i与其对应的权重ω_i相乘并求和，获得每条路段的道路融合效率指标，并将道路id、道路融合效率指标、数据获取时刻上报至云端平台存入路段通行权重表；

步骤三，训练时间图卷积神经网络T-GCN以实现路网交通流预测；

由于交通流数据具有多源性与时空依赖性，将多源数据融合与时间图卷积神经网络T-GCN模型相结合，将预测问题规定为使用路网拓扑模型M和时间序列范围内的多源数据融合特征矩阵X作为T-GCN模型的学习映射函数f的输入，然后计算出下一时间序列范围的交通速度信息，用下式来表示：

[V_t+1，…，V_t+T]＝f(M；(X_t-n，…，X_t-1，X_t))

其中，n是历史时间序列的长度，T是需要预测的时间序列长度，输入[t-n,t]时间序列范围内的特征信息，输出为[t+1,t+T]范围时刻的预测结果；

使用路网拓扑模型M和邻接矩阵A作为拓扑结构，A邻接矩阵代表道路之间是否有连接；定义特征矩阵X^m×n，m表示路网中的道路数量，n表示节点历史时间序列的长度，X_i表示i时刻道路融合效率指标；

构建2层GCN网络模型，将n个历史时刻序列特征矩X_t-n，…，X_t-1，X_t作为输入，然后使用2层GCN去提取道路网络之间的拓扑关系，获得交通数据的空间特征，然后将获得的具有空间特征的时间序列输入到门控递归单元GRU模型中，通过GRU单元间的信息传输提取交通数据之间的时间特征，最后输出得到所有路段的交通预测速度结果；

使用平均绝对误差MAE、均方根误差RMSE、拟合优度R²、准确度来衡量T-GCN模型的预测效果，数学公式分别如下所示：

表示z_i的平均值，Z和Z'分别表示z_i和z_i'的集合；

将路网范围内融合后的交通速度信息数据输入T-GCN模型，使用两层图卷积神经网络GCN提取空间特征，接着使用门控递归单元GRU将GCN模型的输出作为GRU输入，获取道路上交通数据的时间动态变化，提取时间特征；

步骤四，使用已训练完成的T-GCN模型对路网交通速度进行预测，并根据预测结果完成路径规划；根据步骤一中的路段权值公式计算出每条路段的通行时间作为权值，最后根据修改后的A*算法求出规划请求发出时刻的最优路径；

将A*的评估函数修改为如下所示：

f_t(r)＝g_t(r)+h_t(r)

其中，r代表当前路段节点，f_t(r)表示从起点出发经过r到达终点的预估时间代价，g_t(r)表示从起点到r累计的预估时间和，h_t(r)表示从r到终点的预估最少行驶时间，g_t(r)的计算方法如下所示：

g_t(r)＝g_t(r_father)+t_r

其中，g_t(r_father)表示路段r的父路段节点的g值，t_r表示经过T-GCN模型预测计算出的路段r的预估通行时间；

h_t(r)的计算方法如下所示：

其中，x_r和y_r分别是当前节点的经纬度数据，x_des和y_des分别是目的地节点的经纬度数据，函数d(x)为经纬度到地理距离之间的转换函数，V_r为当前路段的交通预测速度。