CN115293427A - 一种针对城市早高峰最优出行路线的规划方法及系统 - Google Patents
一种针对城市早高峰最优出行路线的规划方法及系统 Download PDFInfo
- Publication number
- CN115293427A CN115293427A CN202210939487.4A CN202210939487A CN115293427A CN 115293427 A CN115293427 A CN 115293427A CN 202210939487 A CN202210939487 A CN 202210939487A CN 115293427 A CN115293427 A CN 115293427A
- Authority
- CN
- China
- Prior art keywords
- time
- traffic flow
- travel route
- neural network
- wavelet
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 27
- 238000011160 research Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000010187 selection method Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种针对城市早高峰最优出行路线的规划方法及系统,属于智能交通决策技术领域,将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;利用经典物理学速度时间公式,计算每个路段的出行时间;以每个路段的出行时间作为路段路权值,利用快速Di jkstra算法进行出行时间最短路径选择,最终得到最优出行路线;本发明通过对邹平市人民医院附近的交通路网进行模拟和仿真,证实了本发明所提方法模型的准确型、有效性以及实用性。
Description
技术领域
本发明属于智能交通决策技术领域,尤其涉及一种针对城市早高峰最优出行路线的规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
高德地图联合国家信息中心大数据分析发展部、清华大学交通运输研究所等多个研究机构,共同发布了《2021年度中国主要城市交通分析报告》;从这份报告可以看出,从主要城市道路出发,同比2020年,即2021年我国50个重点城市中有60%的城市内路网高峰行程延时指数显著上升,24%的城市基本维持稳定,16%的城市拥堵度下降。《交通强国建设纲要》提出了中国目前需要改善的交通运输条件,其中一个就是城市通勤,中国未来的主要发展方向是市区上下班时间不超过1个小时,而在日益严重的交通拥挤情况下,如何实现这个通勤目标成为迫切需要解决的问题。
对城市居民而言,实时、准确的交通信息能够有效地改善他们的出行效率,进而提升他们的幸福感。交通管理部门要充分利用实时、高效的交通信息,对城市道路交通状况进行全面的监控,加强道路交通的能力,以减轻城市交通拥堵、浪费资源、环境污染等问题,进而改善城市道路的运行稳定性,提高城市交通的整体运行效率。
实时且精确的交通流预测在交通管制、交通布局、和交通治理方面有着十分重要且现实的意义;但是,因为交通流随时间动态变动和交通路线网络拓扑构造约束具有时空相干特性,对于交通流的动态预测仍然有很大的挑战性。短期、动态流量预测通常用于预测短期内的交通状况,例如几分钟内的流量,由于受交通状况的影响,其计算时间相对较短,因而有许多困难。为了实现短期交通流量预测,国内外研究学者们做了很多不同类型的建模研究工作,目前国内外短时交通流量预测研究主要分为四类方法:基于数理统计理论的预测方法、基于非线性理论的预测方法、基于人工智能理论的预测方法、基于混合模型理论的预测方法。
(1)国外研究现状:
NvErRen等人在深度学习的基础上建立了短时交通流预测模型,将优化目标设定为最小的短时交通流预测误差,基于深度学习的框架,训练、拟合和调整长短时记忆(LSTM)模型。
AzadehEmami等人在褪色记忆卡尔曼滤波融合连接车辆和蓝牙传感器数据的基础上建立了短时交通流预测模型,研究和设计出了一种卡尔曼滤波器模型,并且将该模型用于基于两种实时数据来源(即蓝牙数据和联网车辆(CVs))的交通流量预测。褪色记忆卡尔曼滤波器(FMKF)的应用通过为新的测量值考虑更多的权重实现,以处理预测模型中的结果不精确的问题,并用更高的分辨率进行交通流量预测。利用基于Vissim交通仿真系统的训练数据,利用机器学习与大数据处理技术对KF方程参数进行校准。然后,使用与联网车辆和配备蓝牙的车辆(bv)的不同速率相关的一些测试数据,对传统和褪色记忆KF模型的性能进行验证和比较。
(2)国内研究现状:
Yu Xiaojie等人在三层云边缘物联网流量的基础上提出了一种新的边缘计算架构,而且在时空相关性的基础上提出了一种新的短时流量预测方法(TFPM-STC),该方法使用主成分分析法(PCA),对十字交叉路口的相关性进行研究,使用双向格式化递归单元(Bi-GRU)和卷积格式化递归单元(Conv-GRU)分析特征。
曾荣等人在传统WOA算法的基础上建立了IWOA-LSTM模型,将其线性传递的收敛因子修改成非线性的方法,通过tent混沌建立初始种群,然后把修改之后的IWOA计算和LSTM神经网络模型结合起来,该模型可以提高交通流预测准确性。
动态路径选择算法是在实时的道路交通状况信息的基础上,动态修改交通路线网络的路阻值,实时更新最优路径的选择直至到达目的地。国内外学者对于路径选择算法的研究已经很广泛且深入,比如Dijkstra算法、A*算法、Floyd算法、遗传算法以及蚁群算法等,以及现在大批涌出了对于基础的路径选择算法的改进算法。
(1)国外研究现状:
Robert Nismon Rio在移动预测的基础上设计了一种路径选择算法(PSA-MP),该算法将链路到达时间(LET)、移动和方向作为重要指标衡量链路稳定性。PSA-MP在链路故障之前,根据预测节点的LET、移动性和方向性,选取后备链路,以减少链路重构时延。
Janis Barzdins等人基于多核技术,在多核技术和双向Dijkstra算法的基础上,提出了并行Dijkstra算法。他们利用实际道路网络数据对该算法进行试验,结果表明与传统Dijkstra方法相比,本发明的算法具有更高的搜索效率。
(2)国内研究现状:
安毅生等人在蚁群计算的基础上设计了一种动态路线选择最佳优化方式,该方式在途径、路段信息素更新规律以及伪随机状态转换规律的基础上,为了模拟交通出行者在交通路网每个节点如何选择出行时间最短路径,首先测量道路网络中每个道路的流速和路阻,研究结果证明,该方法充分权衡了路线选取流程中的动态和静态先验意识、动态交通状况及路线选取随意性。
韩中华等人在并行遗传算法的基础上研究和开发与设计了一种最优动态路径选择办法,将子群体和移动策略引入到基本遗传算法中,研究和开发与设计了特别适合于路线优化算法的适应度函数、编码方法、移动算子和遗传控制算子,而且用神经网络预测模型研究和开发与设计了实时动态变化的路阻矩阵。
以上的路径选择算法,存在影响动态路径选择效率的问题,在最短路径的计算上准确率不高,如何在短时交通流量预测的基础上高效选择动态路径,实现高效准确的城市早高峰最优出行路线规划,是一个值得研究的课题。
发明内容
为克服上述现有技术的不足,本发明提供了一种针对城市早高峰最优出行路线的规划方法及系统,利用小波神经网络模型进行短时交通流预测,预测出平均出行速度,利用经典物理学速度时间公式转换为平均出行时间,并将该出行时间作为动态路径选择算法的路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,提高在城市早高峰条件下选择出行时间最短路径的准确性、有效性以及实用性。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种针对城市早高峰最优出行路线的规划方法;
一种针对城市早高峰最优出行路线的规划方法,包括:
将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
利用经典物理学速度时间公式,计算每个路段的出行时间;
以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
进一步的,所述历史时段的平均交通流速度,是当前时刻前n个时段的交通流速度的平均值;
n是预先设定的参数值,时段的时长设置为5分钟。
进一步的,所述小波神经网络模型,是将小波变换应用于神经网络,具体为:用非线性小波基函数代替一般的神经元非线性激励函数。
进一步的,所述小波神经网络模型具有三层结构:输入层、隐含层和输出层;
输入为获取的历史时段的平均交通流速度,隐含层节点的传递函数为小波基函数,当前时段内的平均交通流速度为输出。
进一步的,所述小波神经网络模型的训练过程为:
(1)对小波基函数的伸缩系数、平移参数、网络连接权重、网络学习率设置进行初始化;
(1)分别读入测试样本和训练样本;
(3)将训练样本输入小波神经网络模型,并计算其输出值,也就是当前时段内的平均交通流速度,计算网络模型的预测误差;
(4)通过计算误差对网络的权值和小波基函数的参数进行校正;
(5)检测训练过程是否已经结束,若没有结束则重回(3)。
进一步的,所述出行时间最短路径选择,是根据每一条路径的路权值的大小进行路径选择。
进一步的,所述快速Dijkstra算法,是把图中的所有顶点标记为黑点、灰点、黄点三种颜色,存放顶点时,将灰色点放置于顶点列表最前面,黄色点放置于顶点列表中间,黑色点放置于顶点列表最后面,具体为:
(1)将设置的起始点标记为黑点,剩下的所有顶点均为黄点;
(2)计算过程中,灰点不断变为黑点,并将该顶点移至顶点列表最后面,黄点不断变为灰点并将该顶点移至顶点列表最前面;
(3)在灰点集区中查找具有最小D()的顶点。
本发明第二方面提供了一种针对城市早高峰最优出行路线的规划系统。
一种针对城市早高峰最优出行路线的规划系统,包括速度预测模块、时间计算模块和路径选择模块;
速度预测模块,被配置为:将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
时间计算模块,被配置为:利用经典物理学速度时间公式,计算每个路段的出行时间;
路径选择模块,被配置为:以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明利用小波神经网络模型进行短时交通流预测,预测出平均出行速度,利用经典物理学速度时间公式转换为平均出行时间,并将该出行时间作为动态路径选择算法的路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,提高在城市早高峰条件下选择出行时间最短路径的准确性、有效性以及实用性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例中小波神经网络拓朴结构示意图。
图3为第一个实施例中Dijkstra算法的流程图。
图4为第一个实施例中快速Dijkstra算法的黑点、灰点、黄点集标号变化图。
图5为第一个实施例中选择的路网范围内的城市交通道路卫星图。
图6为第一个实施例中选择的路网范围内的交通道路路线图。
图7为第一个实施例中选择的路网范围内的路网结构简化图。
图8为第一个实施例中小波神经网路预测结果与实际情况对比图。
图9为第一个实施例中动态路径选择模拟仿真的初始基本参数的设定。
图10为第一个实施例中动态路径选择模拟仿真的文字化路径仿真界面。
图11为第一个实施例中动态路径选择模拟仿真的简化路网时间最短路径仿真。
图12为第一个实施例中动态路径选择模拟仿真的第二节点路权值和更新位置后的仿真界面显示。
图13为第一个实施例中动态路径选择模拟仿真的在第二节点更新位置和路权值后的简化路网仿真界面。
图14为第一个实施例中动态路径选择模拟仿真的在第三节点更新车辆坐标和路权值后的仿真界面。
图15为第一个实施例中动态路径选择模拟仿真的在第三节点更新车辆坐标和路权值后的仿真界面。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例公开了一种针对城市早高峰最优出行路线的规划方法;
如图1所示,一种针对城市早高峰最优出行路线的规划方法,包括:
步骤S1将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
将小波神经网络模型作为动态短时交通流预测模型,进行大约几分钟时间空隙的短时交通流预测,因为神经网络具备自学习、自适应等优秀特征,而小波变换具备时一频局部化和变焦特性,因此结合神经网络和小波变换,用非线性小波基函数代替一般的神经元非线性激励函数,可以使两者的优点充分发挥。
由于小波神经网络具有较为完整的知识结构,所以在函数空间L2(R)中,无论是正交或连续小波,它们的线性结合在L2(R)中稠密,所以能够在任何精度下无限接近于L2(R)的函数;小波方法能有效地指导小波网络的参数及隐含层的结点数量,从而解决了传统神经网络的学习与设计问题;小波基函数中的平移系数对应于时间,而扩展系数对应于频率,因而能够在时域、频域中对特定小波神经网络的参数进行相应的对应和解释;小波神经网络具有良好的学习性能,具有较高的预报精度和较好的收敛性。
通过大量的试验与研究表明,在一定时间内,交通流量的平均速度会受到前一段时间的平均流量的影响,因此本实施例提出了一种基于交通流平均速度特征的小波神经网络模型。
如图2所示,小波神经网络具有三层结构:输入层、隐含层和输出层,x1,x2,...,xk为该网络的输入,y1,y2,...,ym为该网络的输出(短时交通流预测值),wij为输入层到隐含层的连接权值,wjk为隐含层和输出层之间的权值。输入为历史时段的平均交通流速度,具体为当前时刻前n个时段的交通流速度的平均值;n是预先设定的参数值,时段的时长设置为5分钟;隐含层节点的传递函数需要具有足够的消失矩和紧支性,因此选择小波基函数。利用自动调整处理方法重新选择合适的小波基函数,从而使得该网络在前向传播信号的同时反向传播误差,当前时段内的平均车辆速度预测值为输出。
小波变换表达式:
等效的时域表达式为:
其中,a是尺度scale,τ是平移量translation,a表示镜头靠近或离开目标,τ表示镜头相对于目标的平行移动x(t)表示为待分析的信号,ψ(t)表示为小波基函数。
隐含层输出为
上式中,h(j)是隐含层第j个节点的输出值,hj是所选择的小波基函数,bj该函数平移因子,aj是该函数的伸缩因子,本模型选用Morlet母小波基函数作为小波基函数。
所述小波神经网络模型的训练过程为:
(1)小波神经网络的初始化;对小波基函数的伸缩系数、平移参数、网络连接权重、网络学习率设置初始化;
(2)将测试样本和训练样本的数据分别进行读入;通常训练样本的数量与小波神经网络学习能力和预测准确度正相关;
(3)将小波神经网络的预测结果输出;将训练样本输入小波神经网络,并计算其输出值,也就是交通流量的平均行驶速率,计算该网络预测误差;
(4)通过计算误差对权重和参数进行校正;通过预测误差修正了网络的权值和小波基函数的参数,从而使网络的预测逼近期望的数值;
(5)检测该算法过程是否已经结束,若没有结束则重回(3)。
小波神经网络的基本原理和小波神经网络模型用于短期流量预测中的理论优势,对小波神经网络的拓扑结构及其输入和输出进行了较为全面的描述。将小波神经网络的预测值即交通流平均速度用公式转换为出行时间,动态路径选择算法的路权值设置为行驶时间,根据路权值进行动态路径选择。
步骤S2利用经典物理学速度时间公式,计算每个路段的出行时间;
利用经典物理学速度时间公式计算路径出行时间,公式如下:
步骤S3以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
在对该方法的研究中发现,利用路段的时间来反映实际的城市道路交通量以及实变性,并通过对时间的差异性进行微分,从而使行车时间与平均行车速度之间的转换更为简便、简洁,因此,选取5分钟作为时间区间。在此基础上,结合小波神经网络对当前时刻的道路流量进行了预测,并用速度-时间公式求出了每一段所需的行车时间,并以此时间为依据,对该时段的道路路权进行了更新。
本实施例将路径选择算法为主要的优化对象,探讨如何有效、精确地求解该问题;路径选择算法是根据每一条路径的路权值的大小进行路径选择;在此基础上,提出了一种以每个路段的行车时间为道路权重的方法,并采用路径选择算法,以最短的路线为最佳路线。
Dijkstra算法是一种非常有效的路径选择算法,也是最典型和使用最广泛的一种算法,算法设G=(V,E)是一个有权值的有向无循环图,将该图中的每一条边e=(υi,υj)都赋予一个权值wij,D(vi)点υi和υj之间的最短距离用D(vi)表示,在图G选一个点为起点,设υ1为起点,如图3所示,具体为:
第一步,先给υ1标上黑色标号,且D(υ1)=0,其余各点D(υj)=+∞(j≠1),黑点时已经确定为到起始顶点是最短路径的顶点。
第二步,从刚得到为黑色标号的点υi对蓝点集进行扩展,则将所有这样的点{υj|(vi,υj)∈B,而且υj的标号不是黑色标号}的D(υj)修改为:min[D(υj),D(υi)+wij],将υj标定为灰色标号。
第三步,从灰点集中选择D(υi)最小即到顶点距离最短的点υi放入黑点集中,然后返回第二步,若没有找到标为灰色的点就结束。
对Dijkstra算法的改进算法有很多,其中效果比较好有:DKA、TQQ及DKD、排序优化算法;DKA、TQQ及DKD算法都通过消耗时间来解决空间存储问题,与时间最短路径的优化目标相背,排序优化算法将时间放在第一位,但是可能需要执行多次排序算法,这样优化的优势就不明显了;在考虑影响路径选择的因素和算法运行的时间复杂度的基础上选择应用快速Dijkstra算法。
按照Dijkstra算法从除黑色点之外的其他顶点中和选择一个具有最小D(υi)的点,如果没有特别的方法,非标记点就会被随机地存储在一个链表或者数组中;选择最小D(υi)点的时候需要遍历所有的顶点,如果数据量很大,会使得计算速度大大受到制约从而影响效率。为了克服这一影响计算效率的问题,本发明利用记录绝对地址来减少查询时间和顶点分区方法的快速Dijkstra算法,来克服这一影响计算效率的问题。
如图4所示,快速Dijkstra算法把图中的所有顶点标记为黑点、灰点、黄点三种颜色。存放顶点时,将灰色点放置于顶点列表最前面,黄色点放置于顶点列表中间,黑色点放置于顶点列表最后面。首先,只有所设置的起始点为黑点,剩下的所有顶点均为黄点。计算过程中,灰点不断变为黑点并将该顶点移至顶点列表最外面,黄点不断变为灰点并将该顶点移至顶点列表最里面,因此灰色顶点数量升高缓慢而且在一定的范围内。因此,只需要在灰点集区中查找具有最小D(υi)的顶点,不需要再去查找并比较其余大多数的顶点,极大的减少了查找时间,提高了算法的时间效率。
方法验证
本实施例通过对山东省邹平市人民医院附近的一条实际道路进行了实例分析,证明了所提出的小波神经网络方法的可行性和有效性,并对其进行了验证,将道路的实际情况抽象出来,便于模拟,最后通过仿真验证了所提出的方法的可行性和有效性。
首先是城市道路交通路网的基本介绍和数据说明,对山东省邹平市人民医院附近的黄山一路、黄山二路、黄山三路、黛溪二路、黛溪三路、通山街共六条道路组成的道路网结构为区间范围进行数据采集,在此数据基础上,利用小波神经网络进行短期流量预测,结果表明此算法是可行的。图4、图5显示了选择的路网范围内的城市交通道路卫星图和交通道路路线图。
我们设置起始点为舒视眼镜(A点),终点为天兴华府(B点),为了使研究更具有现实性,我们设置行驶方向只能为向右和向下即朝向终点方向。各道路都是双向六车道,将行车速度设定为30-60km/h,抽象简化路网结构,如下图所示:
设置起始点为舒视眼镜(A点),终点为天兴华府(B点),为了使研究更具有现实性,设置行驶方向只能为向右和向下即朝向终点方向;各道路都是双向六车道,将行车速度设定为30-60km/h,抽象简化路网结构,如图7所示.
本发明提供了一种小波神经网络的短期流量预测方法和基于快速Dijkstra的动态路径选取方法,模拟了一条真实的城市道路网络,验证了在确定出行时间、出发位置和目的地之后,该模型的仿真结果能否为交通行为的参与者提供最佳的出行路线即出行时间最短路径。在处于非出发点的情况下,当交通参与者确定了目前的位置后,是否可以根据交通状态的预测结果,对每个路段的道路权重进行调整,从而得出最佳的路线。
将邹平市人民医院附近交通路网2022年1月22日至1月23日采集到的交通流实时数据信息作为样本,样本数据分为道路利用率、交通流量、出行速度等方面的交通流信息,使用1月22日7:00至12:00共5个小时(早高峰时间段)的实时数据作为训练样本,1月23日7:30至12:30数据作为检测样本。
在城市早高峰路况下基于短时交通流预测的动态路径选择的仿真,首先是基于小波神经网络的短时交通流预测的MATLAB仿真,对比结果如图8所示。
由上述的小波神经网络预测对比图可知,此模型能较为准确地预测目前路段的平均车速,并且短期预测的流量信息与预期的期望一致。
然后对动态路径选择模拟仿真,选择C#语言来实现编程该部分的模拟仿真,使用VS 2020呈现可视化界面显示。本发明提出了一种利用小波神经网络模型进行短期流量预测的动态路线选择方法,在此基础上,提出了一种基于Dijkstra的快速Dijkstra算法。通过对该方案的仿真,希望能够实现在不同路况条件下,交通行为参与者能够根据实际的城市道路交通网络,做出更为精确的动态路线选择。在前面部分,使用小波神经网络方法对短期流量进行了预测,表明其预测结果与预期一致,性能良好,所以我们可以通过小波神经网络来进行预测,并将其用于动态路径选择。
本部分重点介绍了在早上8:00到9:00之间的交通路线选择的模拟,该模拟过程如下:
(1)确定网络类型,设置起点、结束点、出发时间,如图9;
(2)通过仿真得到可供通行的路径信息以及最短出行时间路径,如图10;
(3)仿真给出简化城市道路网络的出行时间最短路径,如图11;
(4)仿真给出行驶至第二节点时的界面显示,如图12、13;
(5)仿真给出行驶至第三节点时的界面显示,如图14、15。
由上述早高峰时段的模拟仿真可知,在开时出发时,路线的选取是:1→2→5→6→9,在行驶到第三个节点时,按照预测的结果路径进行了改变,调整为:5→8→9,因此本模型最终的路径选择方案为:1→2→5→8→9。该结果表明,在车辆行驶期间,所预测的道路权值发生了变化,而所设计的动态路线选择策略可以对道路进行动态的修正,从而验证了该方法的正确性和有效性。
本发明为了验证所论述的模型和算法,选取了山东省邹平市人民医院附近的黄山一路、黄山二路、黄山三路、黛溪二路、黛溪三路、通山街共六条道路组成的道路网络范围为实例,对其进行了简单的分析。最后,通过对某一路段所采集到的数据进行验证和分析,结果表明,小波神经网络方法在短期内预测交通流量具有良好的效果。最后根据给出的动态路径选择方法进行模拟仿真,结果也证明了该方案在城市早高峰条件下选择出行时间最短路径的有效性和实用性。
本发明提出了利用小波神经网络模型进行短时交通流预测,预测出平均出行速度,利用经典物理学速度时间公式转换为平均出行时间,并将该出行时间作为动态路径选择算法的路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择。本发明通过对邹平市人民医院附近的交通路网进行模拟和仿真,证实了本发明所提方法模型的准确型、有效性以及现实性。
实施例二
本实施例公开了一种针对城市早高峰最优出行路线的规划系统;
一种针对城市早高峰最优出行路线的规划系统,包括速度预测模块、时间计算模块和路径选择模块;
速度预测模块,被配置为:将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
时间计算模块,被配置为:利用经典物理学速度时间公式,计算每个路段的出行时间;
路径选择模块,被配置为:以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例1所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对城市早高峰最优出行路线的规划方法,其特征在于,包括:
将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
利用经典物理学速度时间公式,计算每个路段的出行时间;
以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
2.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述历史时段的平均交通流速度,是当前时刻前n个时段的交通流速度的平均值;
n是预先设定的参数值,时段的时长设置为5分钟。
3.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述小波神经网络模型,是将小波变换应用于神经网络,具体为:用非线性小波基函数代替一般的神经元非线性激励函数。
4.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述小波神经网络模型具有三层结构:输入层、隐含层和输出层;
输入为获取的历史时段的平均交通流速度,隐含层节点的传递函数为小波基函数,当前时段内的平均交通流速度为输出。
5.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述小波神经网络模型的训练过程为:
(1)对小波基函数的伸缩系数、平移参数、网络连接权重、网络学习率设置进行初始化;
(1)分别读入测试样本和训练样本;
(3)将训练样本输入小波神经网络模型,并计算其输出值,也就是当前时段内的平均交通流速度,计算网络模型的预测误差;
(4)通过计算误差对网络的权值和小波基函数的参数进行校正;
(5)检测训练过程是否已经结束,若没有结束则重回(3)。
6.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述出行时间最短路径选择,是根据每一条路径的路权值的大小进行路径选择。
7.如权利要求1所述的一种针对城市早高峰最优出行路线的规划方法,其特征在于,所述快速Dijkstra算法,是把图中的所有顶点标记为黑点、灰点、黄点三种颜色,存放顶点时,将灰色点放置于顶点列表最前面,黄色点放置于顶点列表中间,黑色点放置于顶点列表最后面,具体为:
(1)将设置的起始点标记为黑点,剩下的所有顶点均为黄点;
(2)计算过程中,灰点不断变为黑点,并将该顶点移至顶点列表最后面,黄点不断变为灰点并将该顶点移至顶点列表最前面;
(3)在灰点集区中查找具有最小D(vi)的顶点。
8.一种针对城市早高峰最优出行路线的规划系统,其特征在于:包括速度预测模块、时间计算模块和路径选择模块;
速度预测模块,被配置为:将小波神经网络模型作为动态短时交通流预测模型,以获取的历史时段的平均交通流速度为输入,预测当前时段内的平均交通流速度;
时间计算模块,被配置为:利用经典物理学速度时间公式,计算每个路段的出行时间;
路径选择模块,被配置为:以每个路段的出行时间作为路段路权值,利用快速Dijkstra算法进行出行时间最短路径选择,最终得到最优出行路线。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种针对城市早高峰最优出行路线的规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939487.4A CN115293427A (zh) | 2022-08-05 | 2022-08-05 | 一种针对城市早高峰最优出行路线的规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939487.4A CN115293427A (zh) | 2022-08-05 | 2022-08-05 | 一种针对城市早高峰最优出行路线的规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293427A true CN115293427A (zh) | 2022-11-04 |
Family
ID=83827895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210939487.4A Pending CN115293427A (zh) | 2022-08-05 | 2022-08-05 | 一种针对城市早高峰最优出行路线的规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664369A (zh) * | 2023-07-20 | 2023-08-29 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
-
2022
- 2022-08-05 CN CN202210939487.4A patent/CN115293427A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664369A (zh) * | 2023-07-20 | 2023-08-29 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
CN116664369B (zh) * | 2023-07-20 | 2023-11-10 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
US11657708B2 (en) | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN109947098A (zh) | 一种基于机器学习策略的距离优先最佳路径选择方法 | |
CN109902259B (zh) | 一种轻量级的缺失时空数据的重构方法 | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN102176283A (zh) | 一种简化交通路网模型及基于此模型的导航方法 | |
CN112163367B (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
CN112797995B (zh) | 具有时空特性态势信息的车辆应急导航方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN114973657A (zh) | 基于轨迹数据的城市交通噪声污染分析与评估方法 | |
CN115051925B (zh) | 一种基于迁移学习的时空序列预测方法 | |
CN115293427A (zh) | 一种针对城市早高峰最优出行路线的规划方法及系统 | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
Zhang et al. | Short-term Traffic Flow Prediction With Residual Graph Attention Network. |
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 |