CN116580586B - 一种平衡个人利益和社会利益的车辆路径诱导方法及系统 - Google Patents
一种平衡个人利益和社会利益的车辆路径诱导方法及系统 Download PDFInfo
- Publication number
- CN116580586B CN116580586B CN202310852798.1A CN202310852798A CN116580586B CN 116580586 B CN116580586 B CN 116580586B CN 202310852798 A CN202310852798 A CN 202310852798A CN 116580586 B CN116580586 B CN 116580586B
- Authority
- CN
- China
- Prior art keywords
- road
- road section
- network
- traffic
- congestion
- 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.)
- Active
Links
- 230000008901 benefit Effects 0.000 title claims abstract description 62
- 230000006698 induction Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 18
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000001939 inductive effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Abstract
本发明公开了一种平衡个人利益和社会利益的车辆路径诱导方法及系统，方法包括：获取道路数据及出行数据；根据道路数据构建得到双层网络；利用Frank‑wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流；根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对目标动态车源进行路径诱导，得到车辆路径。溯源导致严重拥堵的动态车源，使用平衡个人利益和社会利益的车辆路径诱导模型，进行路径诱导，从而让造成拥堵的动态车源的使用者制定新的路径，实现了在平衡个人利益和社会利益的情况下进行交通诱导。
Description
技术领域
本发明属于路径诱导领域，尤其涉及一种平衡个人利益和社会利益的车辆路径诱导方法及系统。
背景技术
常见的城市道路的缓解拥堵的方法有出行需求控制、基础设施升级、路径诱导。其中，路径诱导比起前两者更加经济以及灵活。因此，采用路径诱导的方式缓解城市交通压力、减少燃料排放是非常重要的。
当前广泛使用的是Dijkstra最短路算法，采用贪心算法，求加权图中的最短路径问题。Dijkstra是一种“单源”的最短路径算法，一次计算能得到从一个起点到其他所有点的最短距离长度、最短路径的途径点。另外，考虑到路况时，用户均衡（User Equilibrium，UE）和系统最优（System Optimum，SO）是两种重要的交通分配模型，用户均衡UE的方式为：如果出行者有多条路径可供选择，会首先选择最短路径，随着交通量的增大，最短路径的出行时间会比次短路径还大，于是一部分出行者会选择次短路径出行，依此类推。系统最优SO的方式为：只考虑交通网络系统的总出行时间，而不需要关注每个出行者的出行时间。
但是，现有的方法仍然存在如下问题：
第1点，Dijkstra最短路算法不能考虑到交通现状对驾驶员路径选择的影响；
第2点，达到用户均衡UE状态时，没有出行者能单方面通过改变路径从而获得更小的出行费用，但会使系统总出行时间大，出行延误时间多；达到系统最优SO状态时，交通流按照总出行时间最小来分配，此时系统总出行时间最小，但会牺牲某些个体出行者的利益。
发明内容
本发明提供了一种平衡个人利益和社会利益的车辆路径诱导方法及系统，利用溯源导致严重拥堵的动态车源，使用平衡个人利益和社会利益的车辆路径诱导模型，进行路径诱导，从而让造成拥堵的动态车源的使用者制定新的路径，实现了在平衡个人利益和社会利益的情况下进行交通诱导。
为了解决上述技术问题，本发明所采用的技术方案是：
第一方面，提供一种平衡个人利益和社会利益的车辆路径诱导方法，包括：
获取国道省道及公路的道路数据及出行数据；
根据道路数据构建得到双层网络，双层网络包括国道省道网络和公路网络；
利用Frank-wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对目标动态车源进行路径诱导，得到车辆路径。
优选的，方法还包括：
根据路段通行函数，计算得到车辆通过一个路段的实际时间/>，/>为通过路段b所需要的实际时间，/>为自由行驶时间，/>为路段b的交通流，为路段b的实际通行能力，/>和/>为预设参数。
优选的，根据道路数据构建得到双层网络，包括：
根据道路数据对国道省道构建成国道省道网络，并对公路构建成公路网络；
建立国道省道网络和公路网络的相交节点之间的网间链接，使得相交节点之间具有相互对应的关系；
基于相交节点之间的网间链接、国道省道网络和公路网络，构建得到双层网络。
优选的，利用Frank-wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流，包括：
步骤1：基于路段的自由流出行时间进行全有全无交通分配，得到路段的初始交通流，其中0指当前迭代次数，在用户均衡UE状态下，确定交通分配数据规划式为：
；
；
其中，为路段b的交通流，B为路段集，OD表示i为起点，j为终点，/>为通过路段b所需要的实际时间，/>为总时间成本，/>为i到j的第k条路径的交通流，/>为i到j的交通需求，/>为0或1的变量，若路段b在i到j的路径上，则/>取值为1，若路段b不在i到j的路径上，则/>取值为0；
步骤2：获取判定解的精度的间隙函数表达式：
；
其中，指当前交通量x的情况下从i到j的出行费用；
步骤3：用当前的做路段交通流的全有全无分配，得到路段的流量/>；
步骤4：下降方向；
步骤5：通过一维搜索得到最佳步长；
步骤6：更新路段的流量，同时使/>加一；
步骤7：若大于精度/>，/>为当前精度，则返回循环执行步骤3-步骤6；若不大于精度/>，则结束循环，并输出公路网络上每一个路段在预设时间窗内的路段交通流。
优选的，根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源，包括：
根据路段拥堵程度计算公式，计算得到拥堵程度值/>；
当拥堵程度值超过拥堵阈值1时，对对应路段的车辆进行拥堵溯源，确定目标动态车源；
当拥堵程度值不超过拥堵阈值1时，不进行拥堵溯源。
优选的，方法还包括：
设定平衡个人利益和社会利益的车辆路径诱导模型的出行成本表达式：
；
其中，为社会公益系数，表示社会效益的占比，/>表示总出行成本，f指当前的交通流，/>为出行成本，/>为出行边际成本，当/>取1时，交通状态为系统最优SO状态；当/>取0时，交通状态为用户均衡UE状态。
第二方面，提供一种平衡个人利益和社会利益的车辆路径诱导系统，包括：
获取模块，用于获取国道省道及公路的道路数据及出行数据；
双层网络模块，用于根据道路数据构建得到双层网络，双层网络包括国道省道网络和公路网络；
交通流分配模块，用于利用Frank-wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
拥堵溯源模块，用于根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
路径诱导模块，用于基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对目标动态车源进行路径诱导，得到车辆路径。
优选的，系统还包括：
根据路段通行函数，计算得到车辆通过一个路段的实际时间/>，/>为通过路段b所需要的实际时间，/>为自由行驶时间，/>为路段b的交通流，为路段b的实际通行能力，/>和/>为预设参数。
优选的，交通流分配模块具体执行过程：
步骤1：基于路段的自由流出行时间进行全有全无交通分配，得到路段的初始交通流，其中0指当前迭代次数，在用户均衡UE状态下，确定交通分配数据规划式为：
；
；
其中，为路段b的交通流，B为路段集，OD表示i为起点，j为终点，/>为通过路段b所需要的实际时间，/>为总时间成本，/>为i到j的第k条路径的交通流，/>为i到j的交通需求，/>为0或1的变量，若路段b在i到j的路径上，则/>取值为1，若路段b不在i到j的路径上，则/>取值为0；
步骤2：获取判定解的精度的间隙函数表达式：
；
其中，指当前交通量x的情况下从i到j的出行费用；
步骤3：用当前的做路段交通流的全有全无分配，得到路段的流量/>；
步骤4：下降方向；
步骤5：通过一维搜索得到最佳步长；
步骤6：更新路段的流量，同时使/>加一；
步骤7：若大于精度/>，/>为当前精度，则返回循环执行步骤3-步骤6；若不大于精度/>，则结束循环，并输出公路网络上每一个路段在预设时间窗内的路段交通流。
优选的，系统还包括：
模型建立模块，用于设定平衡个人利益和社会利益的车辆路径诱导模型的出行成本表达式：
；
其中，为社会公益系数，表示社会效益的占比，/>表示总出行成本，f指当前的交通流，/>为出行成本，/>为出行边际成本，当/>取1时，交通状态为系统最优SO状态；当/>取0时，交通状态为用户均衡UE状态。
本发明所达到的有益效果：
根据获取的道路数据构建出国道省道网络和公路网络的双层网络，并构建两个网络之间节点的网间链接，这样方便两个网络之间的连接，溯源导致严重拥堵的动态车源，根据这些动态车源的使用者，使用平衡个人利益和社会利益的车辆路径诱导模型，进行路径诱导，从而让造成拥堵的动态车源的使用者制定新的路径，实现了在平衡个人利益和社会利益的情况下进行交通诱导。
附图说明
图1为本发明平衡个人利益和社会利益的车辆路径诱导方法的流程图；
图2为本发明平衡个人利益和社会利益的车辆路径诱导系统的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明实施例提供一种平衡个人利益和社会利益的车辆路径诱导方法，包括：
101，获取国道省道及公路的道路数据及出行数据；
其中，收集城市国道省道以及公路的道路数据，例如，某省路网国道省道11744条，高速公路550条，道路数据包括每一个路段的起始点、终点的经纬度、道路长度、所在城市名称、宽度、限速、路段容量等，根据路段通行函数，计算得到车辆通过一个路段的实际时间/>，/>为通过路段b所需要的实际时间，/>为自由行驶时间，/>为路段b的交通量，/>为路段b的实际通行能力，/>和/>为预设参数；
例如，某道路的限速为40km/h，道路长度5000m，而道路容量为4300，当前路段交通量为2500，和/>分别取0.15和4。则某道路的实际通行时间为/>。出行数据为把一天24小时分成24个时间窗，一个小时为一个时间窗。例如，5月15日的全天的某省起止点的交通出行量OD的出行数据。去掉重复的数据，一个时间窗内最少有2751条OD的出行数据，最多有13017条OD的出行数据。
102，根据道路数据构建得到双层网络，双层网络包括国道省道网络和公路网络；
其中，根据道路数据对国道省道构建成国道省道网络，并对公路构建成公路网络，建立国道省道网络和公路网络的相交节点之间的网间链接，使得相交节点之间具有相互对应的关系，基于相交节点之间的网间链接、国道省道网络和公路网络，构建得到双层网络。假设两层路网间的网间链接换乘时间取8min。
103，利用Frank-wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
其中，Frank-wolfe算法是一种广泛应用于求解交通分配问题的算法，Frank-wolfe算法的计算原理是：首先用全有全无的方式对需求量进行初始的分配，在每一次迭代的过程中，不断使用全有全无的方法进行分配，以此来获得迭代方向，并用二分法求出每次迭代的步长，不断对所有路段流量进行同步长的循环迭代，直到符合收敛条件；
步骤1：基于路段的自由流出行时间进行全有全无交通分配，得到路段的初始交通流，其中0指当前迭代次数，在用户均衡UE状态下，确定交通分配数据规划式为：
；
；
其中，为路段b的交通流，B为路段集，OD表示i为起点，j为终点，/>为通过路段b所需要的实际时间，/>为总时间成本，/>为i到j的第k条路径的交通流，/>为i到j的交通需求，/>为0或1的变量，若路段b在i到j的路径上，则/>取值为1，若路段b不在i到j的路径上，则/>取值为0；
步骤2：获取判定解的精度的间隙函数表达式：
；
其中，指当前交通量x的情况下从i到j的出行费用；
步骤3：用当前的做路段交通流的全有全无分配，得到路段的流量/>；
步骤4：下降方向；
步骤5：通过一维搜索得到最佳步长；
步骤6：更新路段的流量，同时使/>加一；
步骤7：若大于精度/>，/>表示的是当前精度，则返回循环执行步骤3-步骤6；若/>不大于精度/>，则结束循环，并输出公路网络上每一个路段在预设时间窗内的路段交通流。
104，根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
其中，根据路段拥堵程度计算公式，计算得到拥堵程度值/>；
当拥堵程度值超过拥堵阈值1时，对对应路段的车辆进行拥堵溯源，确定目标动态车源；
当拥堵程度值不超过拥堵阈值1时，不进行拥堵溯源，例如，某路段当前的交通量为3500，路段容量为4500，则当前路段的/>，小于1，则不算拥挤路段。
105，基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对目标动态车源进行路径诱导，得到车辆路径。
其中，设定平衡个人利益和社会利益的车辆路径诱导模型的出行成本表达式：
；
其中，为社会公益系数，表示社会效益的占比，/>表示总出行成本，f指当前的交通流，/>为出行成本，/>为出行边际成本，当/>取1时，交通状态为系统最优SO状态；当/>取0时，交通状态为用户均衡UE状态。
把系统总出行时间作为社会效益指标，个人效益指标为，/>代表了个体出行者当前使用的道路与最短路径(出行时间最短)之间的出行时间差的总和。在用户均衡UE状态下，/>达到了最大值，而每个出行者都选择了出行时间最小的出行路径/>，所以/>的值为0。在系统最优SO状态下，/>达到了最小值，而某些出行者为了全局而牺牲掉个人出行时间，此时的值最大。
把这两个指标归一化，得到两个相对更具有可比性的指标。社会效益相对效用：，个人公平性效益相对效用：/>；归一化之后，UE状态下社会效益/>为0，/>为1；SO状态下/>为1，/>为0。
当时，交通状态介于UE和SO之间，计算社会公益系数取/>时的系统总出行时间/>以及个体出行者当前使用的道路与最短路径(出行时间最短)之间的出行时间差的总和/>。就能得到取不同公益系数时的社会效益指标以及个人效益指标，可以通过改变社会公益系数的取值来控制缓解交通拥挤的力度。
对于选定的目标动态车源，应用成本表达式：
作为其出行成本计算公式，而其他选定的车源则不用考虑公益系数。计算当前状态下的/>以及/>。
本发明实施例的实施原理为：
根据获取的道路数据构建出国道省道网络和公路网络的双层网络，并构建两个网络之间节点的网间链接，这样方便两个网络之间的连接，溯源导致严重拥堵的动态车源，根据这些动态车源的使用者，使用平衡个人利益和社会利益的车辆路径诱导模型，进行路径诱导，从而让造成拥堵的动态车源的使用者制定新的路径，实现了在平衡个人利益和社会利益的情况下进行交通诱导。
基于以上图1所示的实施例中的平衡个人利益和社会利益的车辆路径诱导方法，下面通过实施例对平衡个人利益和社会利益的车辆路径诱导系统进行说明，如图2所示，本发明实施例的平衡个人利益和社会利益的车辆路径诱导系统，包括：
获取模块201，用于获取国道省道及公路的道路数据及出行数据；
双层网络模块202，用于根据道路数据构建得到双层网络，双层网络包括国道省道网络和公路网络；
交通流分配模块203，用于利用Frank-wolfe算法及出行数据在公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
拥堵溯源模块204，用于根据路段交通流确定拥堵程度值，对拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
路径诱导模块205，用于基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对目标动态车源进行路径诱导，得到车辆路径。
本发明所达到的有益效果：
根据获取的道路数据构建出国道省道网络和公路网络的双层网络，并构建两个网络之间节点的网间链接，这样方便两个网络之间的连接，溯源导致严重拥堵的动态车源，根据这些动态车源的使用者，使用平衡个人利益和社会利益的车辆路径诱导模型，进行路径诱导，从而让造成拥堵的动态车源的使用者制定新的路径，实现了在平衡个人利益和社会利益的情况下进行交通诱导。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (2)
1.一种平衡个人利益和社会利益的车辆路径诱导方法，其特征在于，包括：
获取国道省道及公路的道路数据及出行数据；
根据所述道路数据构建得到双层网络，所述双层网络包括国道省道网络和公路网络；
利用Frank-wolfe算法及所述出行数据在所述公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
根据所述路段交通流确定拥堵程度值，对所述拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对所述目标动态车源进行路径诱导，得到车辆路径；
所述方法还包括：
根据路段通行函数，计算得到车辆通过一个路段的实际时间/>，所述/>为通过路段b所需要的实际时间，所述/>为自由行驶时间，所述/>为所述路段b的交通流，所述/>为所述路段b的实际通行能力，所述/>和所述/>为预设参数；
所述根据所述道路数据构建得到双层网络，包括：
根据所述道路数据对国道省道构建成国道省道网络，并对公路构建成公路网络；
建立所述国道省道网络和所述公路网络的相交节点之间的网间链接，使得相交节点之间具有相互对应的关系；
基于所述相交节点之间的网间链接、所述国道省道网络和所述公路网络，构建得到双层网络；
所述利用Frank-wolfe算法及所述出行数据在所述公路网络上分配每个预设时间窗内的路段交通流，包括：
步骤1：基于路段的自由流出行时间进行全有全无交通分配，得到路段的初始交通流，其中0指当前迭代次数，在用户均衡UE状态下，确定交通分配数据规划式为：
；
；
其中，所述为路段b的交通流，所述B为路段集，所述OD表示i为起点，j为终点，所述为通过所述路段b所需要的实际时间，所述/>为总时间成本，所述/>为所述i到所述j的第k条路径的交通流，所述/>为所述i到所述j的交通需求，所述/>为0或1的变量，若所述路段b在所述i到所述j的路径上，则所述/>取值为1，若所述路段b不在所述i到所述j的路径上，则所述/>取值为0；
步骤2：获取判定解的精度的间隙函数表达式：
；
其中，所述指当前交通量x的情况下从所述i到所述j的出行费用；
步骤3：用当前的做路段交通流的全有全无分配，得到路段的流量/>；
步骤4：下降方向；
步骤5：通过一维搜索得到最佳步长；
步骤6：更新路段的流量，同时使/>加一；
步骤7：若大于精度/>，所述/>为当前精度，则返回循环执行步骤3-步骤6；若/>不大于精度/>，则结束循环，并输出所述公路网络上每一个路段在预设时间窗内的路段交通流；
所述根据所述路段交通流确定拥堵程度值，对所述拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源，包括：
根据路段拥堵程度计算公式，计算得到拥堵程度值/>；
当所述拥堵程度值超过拥堵阈值1时，对对应路段的车辆进行拥堵溯源，确定目标动态车源；
当所述拥堵程度值不超过拥堵阈值1时，不进行拥堵溯源；
所述方法还包括：
设定平衡个人利益和社会利益的车辆路径诱导模型的出行成本表达式：
；
其中，所述为社会公益系数，表示社会效益的占比，所述/>表示总出行成本，f指当前的交通流，所述/>为出行成本，所述/>为出行边际成本，所述/>为所述当前的交通流f的情况下的出行边际成本，当所述/>取1时，交通状态为系统最优SO状态；当所述/>取0时，交通状态为用户均衡UE状态。
2.一种平衡个人利益和社会利益的车辆路径诱导系统，其特征在于，包括：
获取模块，用于获取国道省道及公路的道路数据及出行数据；
双层网络模块，用于根据所述道路数据构建得到双层网络，所述双层网络包括国道省道网络和公路网络；
交通流分配模块，用于利用Frank-wolfe算法及所述出行数据在所述公路网络上分配每个预设时间窗内的路段交通流，使得达到用户均衡UE状态；
拥堵溯源模块，用于根据所述路段交通流确定拥堵程度值，对所述拥堵程度值超过拥堵阈值的路段的车辆进行拥堵溯源，确定目标动态车源；
路径诱导模块，用于基于预先建立的平衡个人利益和社会利益的车辆路径诱导模型，对所述目标动态车源进行路径诱导，得到车辆路径；
所述获取模块，还用于根据路段通行函数，计算得到车辆通过一个路段的实际时间/>，所述/>为通过路段b所需要的实际时间，所述/>为自由行驶时间，所述/>为所述路段b的交通流，所述/>为所述路段b的实际通行能力，所述/>和所述/>为预设参数；
所述双层网络模块，具体用于根据所述道路数据对国道省道构建成国道省道网络，并对公路构建成公路网络；建立所述国道省道网络和所述公路网络的相交节点之间的网间链接，使得相交节点之间具有相互对应的关系；基于所述相交节点之间的网间链接、所述国道省道网络和所述公路网络，构建得到双层网络；
所述交通流分配模块具体执行过程：
步骤1：基于路段的自由流出行时间进行全有全无交通分配，得到路段的初始交通流，其中0指当前迭代次数，在用户均衡UE状态下，确定交通分配数据规划式为：
；
；
其中，所述为路段b的交通流，所述B为路段集，所述OD表示i为起点，j为终点，所述为通过所述路段b所需要的实际时间，所述/>为总时间成本，所述/>为所述i到所述j的第k条路径的交通流，所述/>为所述i到所述j的交通需求，所述/>为0或1的变量，若所述路段b在所述i到所述j的路径上，则所述/>取值为1，若所述路段b不在所述i到所述j的路径上，则所述/>取值为0；
步骤2：获取判定解的精度的间隙函数表达式：
；
其中，所述指当前交通量x的情况下从所述i到所述j的出行费用；
步骤3：用当前的做路段交通流的全有全无分配，得到路段的流量/>；
步骤4：下降方向；
步骤5：通过一维搜索得到最佳步长；
步骤6：更新路段的流量，同时使/>加一；
步骤7：若大于精度/>，所述/>为当前精度，则返回循环执行步骤3-步骤6；若不大于精度/>，则结束循环，并输出所述公路网络上每一个路段在预设时间窗内的路段交通流；
所述系统还包括：
模型建立模块，用于设定平衡个人利益和社会利益的车辆路径诱导模型的出行成本表达式：
；
其中，所述为社会公益系数，表示社会效益的占比，所述/>表示总出行成本，f指当前的交通流，所述/>为出行成本，所述/>为出行边际成本，所述/>为所述当前的交通流f的情况下的出行边际成本，当所述/>取1时，交通状态为系统最优SO状态；当所述/>取0时，交通状态为用户均衡UE状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310852798.1A CN116580586B (zh) | 2023-07-12 | 2023-07-12 | 一种平衡个人利益和社会利益的车辆路径诱导方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310852798.1A CN116580586B (zh) | 2023-07-12 | 2023-07-12 | 一种平衡个人利益和社会利益的车辆路径诱导方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116580586A CN116580586A (zh) | 2023-08-11 |
| CN116580586B true CN116580586B (zh) | 2023-10-13 |
Family
ID=87540000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310852798.1A Active CN116580586B (zh) | 2023-07-12 | 2023-07-12 | 一种平衡个人利益和社会利益的车辆路径诱导方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580586B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008292323A (ja) * | 2007-05-24 | 2008-12-04 | Toyota Motor Corp | 経路案内システム |
| KR20100137672A (ko) * | 2009-06-23 | 2010-12-31 | 주식회사 동해종합기술공사 | 균형통행배정방법 |
| CN106504530A (zh) * | 2016-10-31 | 2017-03-15 | 合肥工业大学 | 一种用户出行路径诱导与管控系统及其方法 |
| CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
| CN108470447A (zh) * | 2018-03-30 | 2018-08-31 | 特斯联（北京）科技有限公司 | 一种自主路径规划的交通疏导系统和方法 |
| WO2021073524A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种拥堵交通流溯源分析方法 |
| WO2022149049A2 (en) * | 2021-01-08 | 2022-07-14 | Mobileye Vision Technologies Ltd. | Systems and methods for common speed mapping and navigation |
| CN115206086A (zh) * | 2022-05-17 | 2022-10-18 | 北京交通大学 | 一种考虑拥堵空间排队与溢出的静态交通流分配方法 |
| CN116013079A (zh) * | 2023-01-06 | 2023-04-25 | 福建省高速公路联网运营有限公司 | 一种面向高速公路诱导屏诱导的交通分配方法 |
| CN116403410A (zh) * | 2023-06-06 | 2023-07-07 | 中南大学 | 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 |
-
2023
- 2023-07-12 CN CN202310852798.1A patent/CN116580586B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008292323A (ja) * | 2007-05-24 | 2008-12-04 | Toyota Motor Corp | 経路案内システム |
| KR20100137672A (ko) * | 2009-06-23 | 2010-12-31 | 주식회사 동해종합기술공사 | 균형통행배정방법 |
| CN106504530A (zh) * | 2016-10-31 | 2017-03-15 | 合肥工业大学 | 一种用户出行路径诱导与管控系统及其方法 |
| CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
| CN108470447A (zh) * | 2018-03-30 | 2018-08-31 | 特斯联（北京）科技有限公司 | 一种自主路径规划的交通疏导系统和方法 |
| WO2021073524A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种拥堵交通流溯源分析方法 |
| WO2022149049A2 (en) * | 2021-01-08 | 2022-07-14 | Mobileye Vision Technologies Ltd. | Systems and methods for common speed mapping and navigation |
| CN115206086A (zh) * | 2022-05-17 | 2022-10-18 | 北京交通大学 | 一种考虑拥堵空间排队与溢出的静态交通流分配方法 |
| CN116013079A (zh) * | 2023-01-06 | 2023-04-25 | 福建省高速公路联网运营有限公司 | 一种面向高速公路诱导屏诱导的交通分配方法 |
| CN116403410A (zh) * | 2023-06-06 | 2023-07-07 | 中南大学 | 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 |
Non-Patent Citations (5)
| Title |
|---|
| A hybrid routing model for mitigating congestion in networks;Wang Pu 等;《ScienceDirect Physica A》;1-17 * |
| 交通信息对车辆路径选择的影响研究;郭雅 等;《科技传播》;第73和65页 * |
| 兼顾管理者需求和用户可接受性的交通诱导系统MPC设计;罗莉华;张方伟;陈继红;;南京理工大学学报(第02期);245-256 * |
| 手机信令与出租车GPS数据融合车源定位方法;王璞;鲁恒宇;谭倩;熊雨沙;毛应萍;李琳;;哈尔滨工业大学学报(第09期);102-106 * |
| 面向系统最优和用户均衡兼顾的区域交通诱导方法研究;周勇 等;《科学技术创新》;51-55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116580586A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102081658B (zh) | 基于分层路网的路径搜索方法和装置 | |
| US9599488B2 (en) | Method and apparatus for providing navigational guidance using the states of traffic signal | |
| Nie et al. | Reliable route guidance: A case study from Chicago | |
| CN107146446B (zh) | 一种基于rfid数据和动态车源的路径诱导方法 | |
| Wang et al. | A new solution for freeway congestion: Cooperative speed limit control using distributed reinforcement learning | |
| US8457880B1 (en) | Telematics using personal mobile devices | |
| CN111197991B (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
| CN104866654A (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
| CN104157142B (zh) | 一种基于浮动车数据的城市路径行程时间预测方法 | |
| CN105989737B (zh) | 一种停车诱导方法 | |
| CN105787586A (zh) | 一种最大化时空可达性的公交线路站点优化布设方法 | |
| CN105405294A (zh) | 道路拥堵路段的预警方法 | |
| CN107238391A (zh) | 一种公交出行路线的推荐方法及装置 | |
| Liu et al. | Popular route planning with travel cost estimation | |
| Wei et al. | Research on the optimal route choice based on improved Dijkstra | |
| CN101807348B (zh) | 一种动态网络导航系统及方法 | |
| CN113393690A (zh) | 考虑自动驾驶专用车道的混合交通均衡分配方法 | |
| Narayanan et al. | Travel time estimation using speed predictions | |
| CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
| Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
| CN116580586B (zh) | 一种平衡个人利益和社会利益的车辆路径诱导方法及系统 | |
| Jang et al. | A discrete time dynamic flow model and a formulation and solution method for dynamic route choice | |
| Kušić et al. | Building a motorway digital twin in SUMO: Real-time simulation of continuous data stream from traffic counters | |
| Yang et al. | Modeling dynamic vehicle navigation in a self-organizing, peer-to-peer, distributed traffic information system | |
| Haas et al. | An alternative approach for solving the environmentally-oriented discrete network design problem |
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 |