CN115798199A - 车辆路径动态自适应规划方法、系统、计算机设备及存储介质 - Google Patents
车辆路径动态自适应规划方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115798199A CN115798199A CN202211378272.6A CN202211378272A CN115798199A CN 115798199 A CN115798199 A CN 115798199A CN 202211378272 A CN202211378272 A CN 202211378272A CN 115798199 A CN115798199 A CN 115798199A
- Authority
- CN
- China
- Prior art keywords
- road section
- traffic
- flow
- road
- vehicle
- 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 59
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 44
- 239000003016 pheromone Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 28
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000007418 data mining Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆路径动态自适应规划方法、系统、计算机设备及存储介质。其中，本发明方法包括如下步骤：步骤1.建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测；建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；步骤2.利用车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，从而得到车辆行驶时间最短路径。本发明方法通过对交通拥堵的传播、路段交通路况的变化进行综合分析，考虑拥堵传播过程对于交通流的影响，从路段的空间相关性、交通路况动态变化方面建立了路网交通流量动态加载模型，实现了动态交通形势下车辆行程时间的准确预测。
Description
技术领域
本发明涉及车辆路径规划技术领域，特别涉及一种车辆路径动态自适应规划方法、系统、计算机设备及存储介质。
背景技术
智能交通系统在解决城市交通拥堵，提高城市路网运转效率方面发挥了重要的作用，道路交通状态传播规律分析和路径规划是智能交通系统的重要研究内容。
道路交通状态传播规律分析主要挖掘交通拥挤的时空分布特征、拥挤空间相关关系、分析拥挤时瓶颈路段的交通状态变化、拥塞在不同的交通网络下的传播规律等。
路径规划主要通过分析交通状态规律，为车辆提供实时最优的行驶路线，保证车辆行驶时间最短，提高整个交通路网的通行能力，路径规划是交通拥塞控制的重要研究内容。
目前，基于交通流量的路径规划问题，还主要停留在固定交通场景的定性分析，缺少强关联性真实动态交通流量对于路网流量的加载变化的研究，因而无法快速准确地预测实际道路交通状态，无法获取动态交通环境下最优的路径规划。
发明内容
本发明的目的在于提出一种车辆路径动态自适应规划方法，以实现动态交通形势下车辆行程时间的准确预测，从而获取动态交通环境下最优的路径规划。
本发明为了实现上述目的，采用如下技术方案：
一种车辆路径动态自适应规划方法，包括如下步骤：
步骤1.首先建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测；然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；
步骤2.利用车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
此外，在上述车辆路径动态自适应规划方法的基础上，本发明还提出了一种与之相对应的车辆路径动态自适应规划系统，其技术方案如下：
一种车辆路径动态自适应规划系统，包括：
车辆行程时间预测模型建立模块，用于建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测，然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；
车辆行驶时间最短路径求解模块，用于根据车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
此外，在上述车辆路径动态自适应规划方法的基础上，本发明还提出了一种用于实现上述车辆路径动态自适应规划方法的计算机设备。
该计算机设备包括存储器和处理器，存储器中存储有可执行代码，处理器执行所述可执行代码时，用于实现上面述及的车辆路径动态自适应规划方法的步骤。
此外，在上述车辆路径动态自适应规划方法的基础上，本发明还提出了一种用于实现上述车辆路径动态自适应规划方法的计算机可读存储介质。
该计算机可读存储介质，其上存储有程序，当该程序被处理器执行时，用于实现上面述及的车辆路径动态自适应规划方法的步骤。
本发明具有如下优点：
如上所述，本发明针对动态交通情形下车辆行驶路径规划问题，提出了一种车辆路径动态自适应规划方法，该方法对交通拥堵的传播、路段交通路况的变化进行了综合分析，通过考虑拥堵传播过程对于交通流的影响，从路段的空间相关性、交通路况动态变化方面建立了路网交通流量动态加载模型，实现了动态交通形势下车辆行程时间的准确预测。此外，本发明还改进了蚁群算法，并将该算法应用于两点间最短路径求解问题，诱导车辆产生自适应于当前交通流量的最优路径，减少时间上的延误，最后通过实验验证了方法的有效性。
附图说明
图1为本发明实施例中车辆路径动态自适应规划方法的流程示意图；
图2为简化的城市路网交通相位关系示意图；
图3为空间相关路段分级图；
图4为路段通行能力变化图；
图5为夹角选择原理示意图；
图6为基于改进的蚁群算法求解路径规划问题的流程示意图；
图7为本发明实验中缓冲区设置图；
图8为本发明实验中全部定位点示意图；
图9为本发明实验中根据缓冲区筛选过的定位点示意图；
图10为本发明实验中关联规则挖掘结果图；
图11为本发明实验中初始路段交通流量图；
图12为本发明实验中不同车流量情形下算法性能对比图；
图13为传统算法路径规划示意图；
图14基于改进算法的路径规划示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，本实施例述及了一种车辆路径动态自适应规划方法，其包括如下步骤：
步骤1.首先建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测；然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间。
建立路段流量动态加载模型的过程如下：
步骤1.1.1.将城市交通路网抽象成由节点以及边组成的交通网络，在该交通网络拓扑结构下，将车辆流量抽象成交通流；其中，节点即十字路口交叉点，边即路段。
由于车辆流量的速度、密度时刻会发生变化，因此，各个路段的交通状态也在不断随之变化且相互作用，如图2为简化的城市路网交通相位关系示意图。
该图2给出了一个简化的城市路网交通流向图。
图中用箭头来表示交通路网中的交通流量，已为图中的各箭头标注序号，箭头方向来表示交通流的流向，箭头的大小则来表示交通流量大小，线型用来分辨交通流流向。
本发明利用FP-Growth算法，通过挖掘历史交通数据来分析和计算交通流的空间相关性。
步骤1.1.2.基于FP-Growth算法计算浮动车行驶轨迹路段之间的关联规则，将关联规则的置信度作为交通流空间相关性的相关系数，构建流量转移概率矩阵。
该步骤1.1.2具体为：
步骤I.1通过建立路段空间相关性矩阵，量化关联路段间影响以及影响程度。
路段空间相关性矩阵用来表示各个路段交通流之间交互关系的大小。车辆行驶轨迹可以反映车辆行驶的路径，表达车辆的来源、去向以及交互流量的大小。
使用FP-Growth数据挖掘方法获得的频繁项集，得到两条路段之间的关联规则的置信度，将置信度作为空间相关性矩阵的元素，则路段空间相关性矩阵Wij如式(1)所示。
公式(1)中，行号i1、i2、i3…im和列号j1、j2、j3…jm表示路段编号，wij表示路段i、j之间的空间相关性大小，其中，wij与wji并不相等，即空间权重矩阵是非对称的矩阵。
步骤I.2.构建邻接矩阵A描述路段空间层次上的邻接关系，如公式(2)所示，该邻接矩阵A用来描述交通路网中路段的邻接关系。
公式(2)中，行号i1、i2、i3…im和列号j1、j2、j3…jm表示路段编号，邻接矩阵A中的元素都用0和1表示，其中，元素0表示不邻接，元素1表示邻接。
步骤I.3.构建可达矩阵描述路段之间的连通性。
由于各路段相互连接互通，即使两个路段空间上并不相邻，车辆却仍然能够通过若干路段彼此到达，通过构造可达矩阵R来反映路段之间的连通性。
可达矩阵R的运算，通过邻接矩阵A和单位矩阵E的布尔运算得到。
后面的路段选择概率的计算需要考虑当前路段与哪些路段是联通的(即可达)虽然后续计算流量时只简单考虑相邻路段，但是使用可达矩阵可以统一计算，比较方便。
如图3所示，不同线型的线条表示阶数逐渐递增的邻接路段，通过简单的计算可知，与初始路段相邻的k阶路段数量为m＝6*k-3。
步骤I.4.构建流量转移概率矩阵。
通过路段连通关系即可达矩阵和路段空间相关性矩阵，将路段空间权重矩阵中同一路段相同阶数的邻接路段的空间相关性进行归一化处理，再进行误差处理得到流量转移概率矩阵。
该步骤I.4具体为：
首先求得路段选择概率，计算公式为式(3)：
其中，Uij为路段选择概率，wig表示相对于路段i，全部路段中与路段j阶数相同的路段g的空间权重；由于路段选择概率趋近于中心化，因此，通过路段选择概率与平均选择概率的比较来得到误差系数Eij，计算公式为式(4)：
其中，k表示可达阶数，
表示平均选择概率。
因为可达阶数越多，可选的路段就会越多，从宏观考虑，路段越多时每条路段被选择的概率会逐渐趋向于接近，所以叫做平均选择概率。
即实际路段选择概率Rij为：
Rij＝Uij+Eij(5)
由此得到流量转移概率矩阵pij如公式(6)所示：
其中，Rig表示相对于路段i，全部路段中与路段j阶数相同的路段g的空间权重。
步骤1.1.3.建立路段流量动态加载模型，具体包括建立拥塞路段流量动态加载模型、建立上游路段流量加载模型以及建立下游路段流量加载模型。
为了简化问题，假设车辆通过十字路口花费的时间是一定的，本发明只考虑车辆在路段上行驶花费的时间。经过全部路段所用时间ta计算公式如式(7)所示：
式中，ti为通过路段i花费的时间，n为车辆行程中经过的路段总数。
在车辆行程预测中，需要计算交通流量的变化，并对变化后的路段交通状况进行实时的判定和分析，具体如下：
a.当交通流量小于路段实际通行能力时，车辆能够快速顺利通过当前路段，判定当前路段为畅通状态；
b.当路段交通流量大于路段实际通行能力时，车辆无法顺利快速通过路段，需要减慢速度排队以致产生拥挤，判定当前路段为拥塞状态。
步骤II.1.建立拥塞路段流量动态加载模型。
路段进入拥塞状态后会形成通行能力瓶颈点，以此将路段分为三个细微具体的路段，即上游路段La、瓶颈路段Lb、下游路段Lc。
如图3所示，假设在T0时刻开始发生拥堵。
对于上游路段La，输入交通流为
路段流量为
发生拥堵后路段La的实际通行能力
由初始状态的
变为瓶颈点通行能力Davg。
实际通行能力
即初始状态路段未发生阻塞的，按照车流量的行驶速度可以计算出流畅通行的通行能力；而当发生阻塞时，路段的车辆行驶速度就会降低，通行能力就会下降即下降到瓶颈点通行能力Davg，以上两个通行能力均用路段流量大小去衡量。
对于瓶颈路段Lb，路段流量为
路段实际通行能力为Davg。
对于下游路段Lc，路段流量
Lc路段的实际通行能力
仍然为初始状态的
当经过时间tx后，交通拥挤状态蔓延至整个上游路段，此时上游路段La的可接收的输入交通流
由
减小至瓶颈点通行能力Davg。
步骤II.2.建立上游路段流量加载模型。
与拥塞瓶颈路段上游的La路段相似，当前上游路段初始输入交通流为qr，路段流量为Qr＝qr，路段实际通行能力为
当下游路段发生拥塞时，上游路段的实际通行能力由
变为Davg，车流量开始出现拥挤排队。
当经过时间ts时，交通拥挤蔓延至十字路口，此时上游路段流量缩小至Davg。根据流量转移概率矩阵来计算交通流变化情况，各上游路段当前实际通行能力计算公式如式(8)所示。
Dr＝∑Dro(8)
其中，Dr表示当前上游路段实际通行能力，Dro表示上游所有路段接收的方向流大小。
步骤II.3.建立下游路段流量预测模型。
下游路段的流量主要来源于所有上游路段的流量，因此当拥塞路段实际通行能力降低后，与之相关下游路段的交通流量也会相应部分减少。
当拥塞路段流量不发生变化后，输出流量保持不变，因此下路路段的流量也不会再变化。
上游路段流量减少存在两种情况：
上游路段为拥塞发生路段或上游路段是拥塞路段的下游路段；由于上游路段的车辆会驶入多条下游路段，因此下游路段流量的减少量也需要按照车辆实际转移概率计算。
下游路段流量减小后的流量
计算公式如式(9)所示。
其中，qij表示下游路段初始流量，pij表示上游路段流量转向该下游路段的流量转移概率矩阵，qi表示上游路段初始流量，Qi表示上游路段流量减少后的流量值。
建立车辆行程时间预测模型的过程如下：
步骤1.2.1.建立通畅状态下车辆行程时间计算模型。
通畅状态下计算车辆行程时间，使用与路段交通流量和实际通行能力有关的交通模型阻抗函数来求解。Davidson提出的改进排队模型是一种渐近阻抗函数，能够较好地描述出行时间与交通流之间的关系，计算公式如公式(10)和公式(11)所示。
其中，参数J为服务水平参数，与道路等级、道路宽度等因素有关。
本实施例中参数J的取值为0.5(城市干道取0.4～0.6)。
ti表示通畅状态路段行驶时间，
为路段i的通畅通行时间；Qi为通过路段i的交通流量；Di为路段i的实际通行能力；Li为路段i的长度；Vf为自由流通行速度。
步骤1.2.2.建立拥塞状态下车辆行程时间计算模型。
构建交通波模型来描述拥堵变化，假设车辆在某个路段是先进先出的，则车辆的行驶时间是所有车辆在该车辆之前通过该路段的时间。车辆正常行驶下速度vi为：
当车辆排队等待时，需要考虑当前路段的车流密度和拥塞状况的传播。
根据交通波模型，拥塞传播速度vs为公式(13)。
式中，Davg为瓶颈路段通行能力，kp为瓶颈路段上游路段的车流密度，ki为当前路段车辆自由行驶条件下的车流密度。
瓶颈路段上游路段的车流密度kp的计算公式如式(14)所示。
其中，Dc表示路段可通行能力，L表示瓶颈路段与上游路段交叉口的距离，n表示车道数；Dc与车辆车道数和瓶颈路段与上游路段交叉口的距离相关，计算公式如式(15)所示。
其中，l表示车辆标准长度，取4m，d表示车辆间距，取1m。
当前路段车辆自由行驶条件下的车流密度ki的计算公式如式(16)所示。
交通拥塞状态蔓延过整个上游路段的时间计算模型如式(17)所示。
假设T0时刻路段发生阻塞，如果车辆在T1时刻进入路段并且交叉口处交通未发生堵塞，则车辆遇到交通堵塞的时间为Δt，如式(18)所示。
车辆通过拥塞路段的上游路段的时间为初入路段正常行驶时间和通过蔓延产生的阻塞路段的时间之和，计算模型如式(19)所示。
式中，te表示车辆通过瓶颈路段的时间。
步骤1.2.3.建立相关的车辆行程时间预测模型，如公式(20)所示。
tL＝∑[ti·h]+∑[te·h]+∑tg (20)
式中，tL表示路径行程时间；ti表示通畅状态路段行驶时间；te表示阻塞状态路段行驶时间，h为决策变量，当经过该路段取值为1，反之则为0；tg表示车辆通过十字路口花费时间。
为了简化问题，假设车辆通过十字路口花费的时间是一定的。
步骤2.利用车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
将车辆行程时间预测模型计算所得的各路段实际通行时间作为蚁群算法各路段的权重比值，将车辆行程时间预测模型的目标函数作为蚁群算法的求解目标，可以有效地促进并改善蚁群算法的求解效率。其中，目标函数是指求得的行程时间最小即tL最小。
蚁群算法是实现路径规划的重要优化方法。意大利学者M.Dorigoric通过观察自然界蚂蚁世界的行为，提出了一种模拟蚂蚁群体智能行为的优化算法—蚁群算法。
针对原始蚁群算法信息素更新策略的不足，Stutzle等人提出了“最大最小蚁群系统”来改进蚁群算法易陷于停滞的问题。
在解决路径规划问题的过程中，蚂蚁在选择下一城市时，只需要考虑两个因素：道路上残留的信息素浓度和两点之间道路的长度。
第c只蚂蚁由路段i转移到路段j的选择概率
如式(21)所示；
其中，τij为路段i和路段j之间的信息素浓度，α为信息素启发式因子，是衡量τij的参数；ηij为路段i和路段j之间的信息素浓度，β为期望启发式因子，是衡量ηij的参数。
allowedc表示目前还没有被第c只蚂蚁访问过的路段。
信息素的更新模型如式(22)所示；
其中，τij(t)、τij(t+1)分别表示路段i和路段j之间第t、t+1的信息素浓度，ρ为信息素挥发系数，0<ρ<1，Δτij表示城市i到城市j路径上信息素的增长量。
路网最短路径的问题求解中，因为起点和终点是固定的，因此可以对固定的方向进行选择。这种方向选择策略可以提高蚁群算法的智能搜索特性。
通过智能思维可知，最短路径的最优解不会偏离起点与终点连线方向太多，因此站在当前节点的角度上，下一节点的选择应尽可能偏向当前节点与终点的连线方向，即可用两条直线的夹角来描述方向的偏差大小。
夹角大小的取值∈[0,π]，描述示意图如图5所示。
其中，A点为起点，B点为终点，当前节点为C点，下一节点有D、E两个节点。定义CD与CB之间的夹角为θ，定义CE与CB之间的夹角为
二者满足
当CD与CE的信息素浓度和道路长度相等时，蚂蚁对于下一节点的选择应当更倾向于与终点夹角更小的D点，即根据此倾向改进了后继节点的选择概率。
改进的蚁群算法中，对于计算下一节点的转移概率公式的系数ηij进行了改进，增加了方向角度的影响。改进后的系数ηij计算公式如式(23)所示。
其中，wij为路段ij的道路阻抗；θ表示下一次要选择的路段中与终止路段之间夹角最小的夹角大小，λ为与道路阻抗相关的放大系数。
从公式(23)中可以看出，路段阻抗越小，路段越接近终点方向，选为经过路段的概率越大。因此，改进后能有效的改善蚁群算法前期收敛速度较慢的缺点。
传统的蚁群算法要取每只蚂蚁所经过的路径进行信息素的更新，为了提高算法的收敛速度和收敛质量，改进算法的性能，需要对信息素更新机制做出一定的改进。
本发明为蚂蚁主体添加了“价值”属性，只有成功到达终点的蚂蚁才是有价值的蚂蚁，当蚂蚁最终没有到达终点时，则会被判定为无价值的蚂蚁。
当最后进行信息素更新时，对于有价值的蚂蚁，会对其行走路径进行信息素的增加，对于没有价值的蚂蚁，会减少其行走路径上的信息素。
并且有价值的蚂蚁会根据其所走路径长度来进行价值排序，只有价值超过平均值的蚂蚁才有资格参与到指导下一代蚂蚁选择路径的信息素更新中。
在信息素更新机制中，每只蚂蚁所拥有的信息素总量不同，信息素总量会按照价值排名的顺位而依次递减。为了防止搜索停滞，陷入局部最优解，也对每条路段(即每条边)上的信息素含量的值限制在一个合理的区间[τmin,τmax]中。
这样设计的信息素更新机制，不仅能减少无效路径的搜索，提高搜索效率，加快算法收敛，还可以有效避免算法结果陷入局部最优解。
如图6所示，基于改进的蚁群算法求解路径规划问题的过程如下：
III.1.初始化各种蚁群算法参数，选定求解最短路径时间的起点和终点，设定所有的蚂蚁都出生在初始路段。
III.2.开始迭代过程，每次迭代动态加载路段流量，计算并更新算法中边的权重，每只蚂蚁都按照轮盘赌的方法通过流量转移概率大小的比较来选择下一个路段，并把选择的路段记录在禁忌表中；其中，算法中边即路段，算法中边的权重是指通过时间。
III.3.判断当前路段是否为终止路段。
若是，则继续执行步骤III.4；若否，则跳转至III.2继续搜索。
III.4.计算所有蚂蚁的总路径时间，并与最短路径时间进行比较，以确定是否要更新最短路径时间；使用改进的信息素更新策略更新经过路径上的信息素浓度。
III.5.判断迭代是否结束；若结束则输出全程的最短时间；否则，跳转到III.2继续迭代。
将建立的车辆行程时间预测模型和改进后的蚁群算法相结合，并与传统蚁群算法求解最短路径的方法进行比较，以验证本发明所建立的车辆行程时间预测模型的有效性。
以上海市静安区某一区域交通路网为实例背景，路网数据来自OpenStreetMap，数据集采用的坐标系为WGS-84。使用的浮动车数据来自香港科技大学公开的上海出租车行车数据集，于2007年2月20日0时至24时采集的大约1200万条数据，采样间隔低于30s。
数据集中每一项包括出租车ID、记录时间、经度、维度、出租车的瞬时速度等。
首先对于得到的路网文件进行适当的处理，将交通路网文件导入QGIS中，并对路网文件进行细化处理，删除建筑之类的干扰因素，以及小区道路等无关支路。其次对每条道路进行标号和设置20米的缓冲区，结果如图7所示。对出租车驾驶数据进行轨道定位数据清理，去除异常的数据，并根据缓冲区的范围对轨道定位点进行过滤。处理结果如图8、图9所示。
将所有相关车辆的车辆行驶轨迹转化为路段序列，把路段序列视为数据集。
通过python3 GUI可视化运行FP-Growth算法，计算各数据项集的支持度以及挖掘关联规则，获得符合支持度和置信度的关联规则，结果如图10所示。
对该路段的通行能力进行分析。《城市道路设计规范》规定的车道理论通行能力见表1。
同时，可通行能力还要受道路分类系数的影响，由于研究路网中大部分路段都是主干路，即影响系数为0.80。因此，道路的可通行能力为1384pcu·h-1。
使用车辆仿真软件SUMO对路网进行加载，根据路网长度仿真模拟出23810辆车的行驶轨迹，获得路网各个路段的初始流量，如图11所示。
表1车道理论通行能力表
假设车辆行驶在交叉路口的平均花费时间为30秒。
针对不同的车流量密度进行验证对比，使用车流量加载模型对路网中各个路段的初始流量进行加载，并通过车流量转移概率矩阵对道路交通流量进行预测。
使用三种算法(原始蚁群算法、最大最小蚂蚁系统算法、本发明改进的蚁群算法)进行路径规划，算法效果对比如图12所示。
由图12看出，前两种算法求取的规划路径时间随车辆量的增加而快速增大，而本发明提出的时间预测模型与改进的蚁群算法结合后，时间增长速度比较平缓，改进效果较为显著。
此外，本发明还对车辆流量仿真验证行程时间预测模型的显著有效性进行了验证。
以路网中合理包含的车辆数(23810辆车)举例：
按照传统路径规划方法，车辆从起点行驶到终点的最优路径为：48-122-121-56-213-164-166-165-163-162-193-62-130-131-128，如图13所示。
当行驶途中路段可能发生拥堵时，则行驶总时间会急剧增长。如果还是按照原本路径继续行驶的话，实际行驶时间则会变为1564秒。
而行程时间预测模型结合本发明改进的蚁群算法求得的最优路径为:11-108-144-27-24-165-163-162-193-123-104-133-115。所得路径如图14所示，行驶总时间为632秒。
如果按照传统算法规划的路径继续行驶的话，整个行程相比可预见的最短时间将会产生932秒(1564秒-632秒)的延误。因此，通过对同一车辆流量条件下的实验效果对比验证，能够突出体现出本发明建立的车辆行程时间预测模型的效果。
综上，本发明方法能够获取不同交通形势下最优车辆行驶路线，提高了路网的通行效率，且改进后的蚁群算法在收敛速度和准确度等方面得到了有效的提高。
此外，基于同样的发明构思，本发明实施例还提供了一种对应于上述车辆路径动态自适应规划方法的车辆路径动态自适应规划系统。
该车辆路径动态自适应规划系统，包括如下功能模块：
车辆行程时间预测模型建立模块，用于建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测，然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；
车辆行驶时间最短路径求解模块，用于根据车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
需要说明的是，上述车辆路径动态自适应规划系统中，各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
此外，本发明还提出了一种用于实现上述车辆路径动态自适应规划方法的计算机设备。该计算机设备包括存储器和一个或多个处理器。其中，在存储器中存储有可执行代码，处理器执行所述可执行代码时，用于实现上述车辆路径动态自适应规划方法的步骤。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置，此处不再赘述。
此外，本发明实施例还提供一种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，用于实现上述车辆路径动态自适应规划方法的步骤。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元，例如硬盘或内存，也可以是任意具备数据处理能力的设备的外部存储设备，例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (9)
1.一种车辆路径动态自适应规划方法，其特征在于，包括如下步骤：
步骤1.首先建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测；然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；
步骤2.利用车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
2.根据权利要求1所述的车辆路径动态自适应规划方法，其特征在于，
所述步骤1中，建立路段流量动态加载模型的过程如下：
步骤1.1.1.将城市交通路网抽象成由节点以及边组成的交通网络，在该交通网络拓扑结构下，将车辆流量抽象成交通流；其中，节点即十字路口交叉点，边即路段；
步骤1.1.2.基于FP-Growth算法计算浮动车行驶轨迹路段之间的关联规则，将关联规则的置信度作为交通流空间相关性的相关系数，构建流量转移概率矩阵；
该步骤1.1.2具体为：
步骤I.1使用FP-Growth数据挖掘方法获得的频繁项集，得到两条路段之间的关联规则的置信度，将置信度作为空间相关性矩阵的元素，则路段空间相关性矩阵Wij如式(1)所示；
公式(1)中，行号i1、i2、i3…im和列号j1、j2、j3…jm表示路段编号，wij表示路段i、j之间的空间相关性大小，其中，wij与wji并不相等，即空间权重矩阵是非对称的矩阵；
步骤I.2.构建邻接矩阵A描述路段空间层次上的邻接关系，如公式(2)所示；
公式(2)中，行号i1、i2、i3…im和列号j1、j2、j3…jm表示路段编号，邻接矩阵A中的元素都用0和1表示；其中，元素0表示不邻接，元素1表示邻接；
步骤I.3.构建可达矩阵描述路段之间的连通性；
可达矩阵R的运算，通过邻接矩阵A和单位矩阵E的布尔运算得到；
步骤I.4.构建流量转移概率矩阵；
通过构建的可达矩阵和路段空间相关性矩阵，将路段空间权重矩阵中同一路段相同阶数的邻接路段的空间相关性进行归一化处理，再进行误差处理得到流量转移概率矩阵；
该步骤I.4具体为：
首先求得路段选择概率，计算公式为式(3)：
其中，Uij为路段选择概率，wig表示相对于路段i，全部路段中与路段j阶数相同的路段g的空间权重；由于路段选择概率趋近于中心化，因此，通过路段选择概率与平均选择概率的比较来得到误差系数Eij，计算公式为式(4)：
其中，k表示可达的阶数，
表示平均选择概率；
即实际路段选择概率Rij为：
Rij＝Uij+Eij (5)
由此得到流量转移概率矩阵pij如公式(6)所示：
其中，ig表示相对于路段i，全部路段中与路段j阶数相同的路段g的空间权重；
步骤1.1.3.建立路段流量动态加载模型，具体包括建立拥塞路段流量动态加载模型、建立上游路段流量加载模型以及建立下游路段流量加载模型；
步骤II.1.建立拥塞路段流量动态加载模型；
路段进入拥塞状态后会形成通行能力瓶颈点，以此将路段分为三个细微具体的路段，即上游路段La、瓶颈路段Lb、下游路段Lc；假设在T0时刻开始发生拥堵；
对于上游路段La，输入交通流为
路段流量为
发生拥堵后路段La的实际通行能力
由初始状态的
变为瓶颈点通行能力Davg；
对于瓶颈路段Lb，路段流量为
路段实际通行能力为Davg；
对于下游路段Lc，路段流量
Lc路段的实际通行能力
仍然为初始状态的
当经过时间tx后，交通拥挤状态蔓延至整个上游路段，此时，上游路段La的可接收的输入交通流
由
减小至瓶颈点通行能力Davg；
步骤II.2.建立上游路段流量加载模型；
当前上游路段初始输入交通流为qr，路段流量为Qr＝qr，路段实际通行能力为
当下游路段发生拥塞时，上游路段的实际通行能力由
变为Davg，车流量开始出现拥挤排队；
当经过时间ts时，交通拥挤蔓延至十字路口，此时上游路段流量缩小至Davg；
根据流量转移概率矩阵来计算交通流变化情况，各上游路段当前实际通行能力计算公式如式(8)所示；
Dr＝∑Dro (8)
其中，Dr表示当前上游路段实际通行能力，Dro表示上游所有路段接收的方向流大小；
步骤II.3.建立下游路段流量预测模型；
下游路段的流量主要来源于所有上游路段的流量，因此，当拥塞路段实际通行能力降低后，与之相关下游路段的交通流量也会相应部分减少；
当拥塞路段流量不发生变化后，输出流量保持不变，因此下路路段的流量也不会再变化；
上游路段流量减少存在两种情况：
上游路段为拥塞发生路段或上游路段是拥塞路段的下游路段；由于上游路段的车辆会驶入多条下游路段，因此下游路段流量的减少量按照车辆实际转移概率计算；
下游路段流量减小后的流量
计算公式如式(9)所示；
其中，qij表示下游路段初始流量，pij表示上游路段流量转向该下游路段的流量转移概率矩阵，qi表示上游路段初始流量，Qi表示上游路段流量减少后的流量值。
3.根据权利要求2所述的车辆路径动态自适应规划方法，其特征在于，
所述步骤1中，建立车辆行程时间预测模型；
步骤1.2.1.建立通畅状态下车辆行程时间计算模型；
通畅状态下计算车辆行程时间，使用与路段交通流量和实际通行能力有关的交通模型阻抗函数来求解，计算公式如公式(10)和公式(11)所示；
其中，参数J为服务水平参数；i表示通畅状态路段行驶时间，
为路段i的通畅通行时间；Qi为通过路段i的交通流量；Di为路段i的实际通行能力；
Li为路段i的长度；Vf为自由流通行速度；
步骤1.2.2.建立拥塞状态下车辆行程时间计算模型；
构建交通波模型来描述拥堵变化，假设车辆在某个路段是先进先出的，则车辆的行驶时间是所有车辆在该车辆之前通过该路段的时间；车辆正常行驶下速度vi为：
当车辆排队等待时，需要考虑当前路段的车流密度和拥塞状况的传播；
根据交通波模型，拥塞传播速度vs为公式(13)；
式中，Davg为瓶颈路段通行能力，kp为瓶颈路段上游路段的车流密度，ki为当前路段车辆自由行驶条件下的车流密度；瓶颈路段上游路段的车流密度kp的计算公式如式(14)所示；
其中，Dc表示路段可通行能力，L表示瓶颈路段与上游路段交叉口的距离，n表示车道数；Dc与车辆车道数和瓶颈路段与上游路段交叉口的距离相关，计算公式如式(15)所示；
其中，l表示车辆标准长度，d表示车辆间距；
当前路段车辆自由行驶条件下的车流密度ki的计算公式如式(16)所示；
交通拥塞状态蔓延过整个上游路段的时间计算模型如式(17)所示；
假设T0时刻路段发生阻塞，如果车辆在T1时刻进入路段并且交叉口处交通未发生堵塞，则车辆遇到交通堵塞的时间为Δt，如式(18)所示；
车辆通过拥塞路段的上游路段的时间为初入路段正常行驶时间和通过蔓延产生的阻塞路段的时间之和，计算模型如式(19)所示；
式中，te表示车辆通过瓶颈路段的时间；
步骤1.2.3.建立相关的车辆行程时间预测模型，如公式(20)所示；
tL＝∑[ti·h]+∑[te·h]+∑tg (20)
式中，tL表示路径行程时间；ti表示通畅状态路段行驶时间；te表示阻塞状态路段行驶时间，h为决策变量，当经过该路段取值为1，反之则为0；tg表示十字路口花费时间。
4.根据权利要求3所述的车辆路径动态自适应规划方法，其特征在于，
所述步骤2具体为：
将车辆行程时间预测模型计算所得的各路段实际通行时间作为蚁群算法各路段的权重比值，将车辆行程时间预测模型的目标函数作为蚁群算法的求解目标；
其中，目标函数是指求得的行程时间最小即tL最小。
5.根据权利要求4所述的车辆路径动态自适应规划方法，其特征在于，
所述步骤2中，基于改进的蚁群算法求解路径规划问题的过程如下：
III.1.初始化各种蚁群算法参数，选定求解最短路径时间的起点和终点；
设定所有的蚂蚁都出生在初始路段；
III.2.开始迭代过程，每次迭代动态加载路段流量，计算并更新算法中边的权重，每只蚂蚁都按照轮盘赌的方法通过流量转移概率大小的比较来选择下一个路段，并把选择的路段记录在禁忌表中；其中，蚁群算法中边即路段，蚁群算法中边的权重是指通过时间；
III.3.判断当前路段是否为终止路段；
若是，则继续执行步骤III.4；若否，则跳转至III.2继续搜索；
III.4.计算所有蚂蚁的总路径时间，并与最短路径时间进行比较，以确定是否要更新最短路径时间，使用改进的信息素更新策略更新经过路径上的信息素浓度；
III.5.判断迭代是否结束，若结束则输出全程的最短时间；否则，跳转到III.2继续迭代。
6.根据权利要求5所述的车辆路径动态自适应规划方法，其特征在于，
第c只蚂蚁由路段i转移到路段j的选择概率
如式(21)所示；
其中，τij为路段i和路段j之间的信息素浓度，α为信息素启发式因子，是衡量τij的参数；ηij为路段i和路段j之间的信息素浓度，β为期望启发式因子，是衡量ηij的参数；
allowedc表示目前还没有被第c只蚂蚁访问过的路段；
信息素的更新模型如式(22)所示；
其中，τij(t)、τij(t+1)分别表示路段i和路段j之间第t、t+1的信息素浓度，ρ为信息素挥发系数，0<<1，Δτij表示城市i到城市j路径上信息素的增长量；
改进后的系数ηij计算公式如式(23)所示；
其中，wij为路段ij的道路阻抗，λ为与道路阻抗相关的放大系数，θ表示下一次要选择的路段中与终止路段之间夹角最小的夹角大小。
7.一种车辆路径动态自适应规划系统，其特征在于，包括：
车辆行程时间预测模型建立模块，用于建立城市交通路网中路段流量动态加载模型，以针对交通流量进行预测，然后建立考虑交通状态的车辆行程时间预测模型，以预测未来的路段通行时间；
车辆行驶时间最短路径求解模块，用于根据车辆行程时间预测模型，基于改进的蚁群算法对以动态交通路况下车辆行程时间最小化为目标的路径规划问题进行求解，得到车辆行驶时间最短路径。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，
用于实现权利要求1至6任一项所述的车辆路径动态自适应规划方法的步骤。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，当该程序被处理器执行时，用于实现权利要求1至6任一项所述的车辆路径动态自适应规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211378272.6A CN115798199A (zh) | 2022-11-04 | 2022-11-04 | 车辆路径动态自适应规划方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211378272.6A CN115798199A (zh) | 2022-11-04 | 2022-11-04 | 车辆路径动态自适应规划方法、系统、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115798199A true CN115798199A (zh) | 2023-03-14 |
Family
ID=85435615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211378272.6A Pending CN115798199A (zh) | 2022-11-04 | 2022-11-04 | 车辆路径动态自适应规划方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115798199A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523433A (zh) * | 2023-07-03 | 2023-08-01 | 常州唯实智能物联创新中心有限公司 | 基于双向动态边权重的四向车调度方法及系统 |
| CN116704753A (zh) * | 2023-05-29 | 2023-09-05 | 苏州大学 | 一种考虑路径选择的新型混合流路网溢流预测方法及系统 |
| CN117392850A (zh) * | 2023-11-29 | 2024-01-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于smo的交通拥堵实时预测与缓解方法、电子设备及存储介质 |
| CN117576936A (zh) * | 2024-01-17 | 2024-02-20 | 山东国建土地房地产评估测绘有限公司 | 一种城市道路交通规划数据管理方法 |
| CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
| CN118102234A (zh) * | 2024-04-29 | 2024-05-28 | 江西师范大学 | 一种基于轨迹信息的移动边缘计算服务迁移方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184640A1 (en) * | 2010-01-22 | 2011-07-28 | Research In Motion Limited | Automatic origin determination for faster route request initiation and resulting system response time |
| CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
| CN107389076A (zh) * | 2017-07-01 | 2017-11-24 | 兰州交通大学 | 一种适用于智能网联汽车的节能实时动态路径规划方法 |
| US20180033296A1 (en) * | 2016-07-27 | 2018-02-01 | Here Global B.V. | Method and apparatus for evaluating traffic approaching a junction at a lane level |
| CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
| CN112444256A (zh) * | 2019-08-27 | 2021-03-05 | 扬州盛世云信息科技有限公司 | 一种基于道路车流量的时间最短路径的方法 |
| CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 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 |
| CN114943358A (zh) * | 2021-11-02 | 2022-08-26 | 哈尔滨工程大学 | 一种基于多出口选择a*算法求解最短路径的人群疏散动态路径规划方法 |
| CN115273457A (zh) * | 2022-06-16 | 2022-11-01 | 重庆长安汽车股份有限公司 | 考虑城市路网行程时间动态变化的全局最优路径规划方法 |
-
2022
- 2022-11-04 CN CN202211378272.6A patent/CN115798199A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184640A1 (en) * | 2010-01-22 | 2011-07-28 | Research In Motion Limited | Automatic origin determination for faster route request initiation and resulting system response time |
| CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
| US20180033296A1 (en) * | 2016-07-27 | 2018-02-01 | Here Global B.V. | Method and apparatus for evaluating traffic approaching a junction at a lane level |
| CN107389076A (zh) * | 2017-07-01 | 2017-11-24 | 兰州交通大学 | 一种适用于智能网联汽车的节能实时动态路径规划方法 |
| CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
| CN112444256A (zh) * | 2019-08-27 | 2021-03-05 | 扬州盛世云信息科技有限公司 | 一种基于道路车流量的时间最短路径的方法 |
| CN114943358A (zh) * | 2021-11-02 | 2022-08-26 | 哈尔滨工程大学 | 一种基于多出口选择a*算法求解最短路径的人群疏散动态路径规划方法 |
| CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 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 |
| CN115273457A (zh) * | 2022-06-16 | 2022-11-01 | 重庆长安汽车股份有限公司 | 考虑城市路网行程时间动态变化的全局最优路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| FUXIN ZHANG ET AL.: "Model Predictive Power Control for Cooperative Vehicle Safety Systems", IEEE ACCESS, 31 December 2018 (2018-12-31) * |
| 徐红利: "考虑决策惯性的随机网络路径选择与交通流分配模型", 系统工程理论与实验, vol. 41, no. 4, 30 April 2021 (2021-04-30) * |
| 贺智明等: "基于自适应动态搜索蚁群算法的车辆路径规划", 计算机工程与设计, vol. 42, no. 2, 28 February 2021 (2021-02-28) * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704753A (zh) * | 2023-05-29 | 2023-09-05 | 苏州大学 | 一种考虑路径选择的新型混合流路网溢流预测方法及系统 |
| CN116523433A (zh) * | 2023-07-03 | 2023-08-01 | 常州唯实智能物联创新中心有限公司 | 基于双向动态边权重的四向车调度方法及系统 |
| CN116523433B (zh) * | 2023-07-03 | 2023-09-01 | 常州唯实智能物联创新中心有限公司 | 基于双向动态边权重的四向车调度方法及系统 |
| CN117392850A (zh) * | 2023-11-29 | 2024-01-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于smo的交通拥堵实时预测与缓解方法、电子设备及存储介质 |
| CN117392850B (zh) * | 2023-11-29 | 2024-05-28 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于smo的交通拥堵实时预测与缓解方法、电子设备及存储介质 |
| CN117576936A (zh) * | 2024-01-17 | 2024-02-20 | 山东国建土地房地产评估测绘有限公司 | 一种城市道路交通规划数据管理方法 |
| CN117576936B (zh) * | 2024-01-17 | 2024-03-22 | 山东国建土地房地产评估测绘有限公司 | 一种城市道路交通规划数据管理方法 |
| CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
| CN118102234A (zh) * | 2024-04-29 | 2024-05-28 | 江西师范大学 | 一种基于轨迹信息的移动边缘计算服务迁移方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115798199A (zh) | 车辆路径动态自适应规划方法、系统、计算机设备及存储介质 | |
| CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
| CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
| CN109785619A (zh) | 区域交通信号协调优化控制系统及其控制方法 | |
| Wilkie et al. | Self-aware traffic route planning | |
| CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
| CN112017440A (zh) | 一种面向自动驾驶环境下交叉口交通控制的迭代算法 | |
| CN103971530A (zh) | 一种实时路径规划方法 | |
| CN116050672B (zh) | 基于人工智能的城市管理方法及系统 | |
| CN113382382B (zh) | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 | |
| CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
| Raeis et al. | A deep reinforcement learning approach for fair traffic signal control | |
| Du et al. | Dynamic capacity estimation of mixed traffic flows with application in adaptive traffic signal control | |
| CN118015818A (zh) | 一种基于路径最优的车辆调度方法 | |
| CN112991745B (zh) | 分布式框架下交通流动态协同分配方法 | |
| Hu et al. | SOUP: A fleet management system for passenger demand prediction and competitive taxi supply | |
| Sharif et al. | Traffic Management in Internet of Vehicles Using Improved Ant Colony Optimization. | |
| CN116805449A (zh) | 一种考虑个体先验数据的交通信号模糊控制方法及系统 | |
| EP3779363A1 (en) | Method and system for vehicle routing based on parking probabilities | |
| CN114723156B (zh) | 一种基于改进遗传算法的全局交通信号灯调控方法 | |
| JP2014191765A (ja) | 渋滞予測装置 | |
| CN115824242A (zh) | 基于Yen算法与蚁群算法融合的路径规划方法 | |
| Xu et al. | Managing the Future: Route Planning Influence Evaluation in Transportation Systems | |
| Sha | Design and performance analysis of urban traffic control systems | |
| Yumaganov et al. | Cooperative Application of Vehicular Traffic Rerouting Method and Adaptive Traffic Signal Control Method |
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 |