CN116678432A - 一种基于边缘服务下的车辆实时路径规划方法 - Google Patents

一种基于边缘服务下的车辆实时路径规划方法 Download PDF

Info

Publication number
CN116678432A
CN116678432A CN202310973184.9A CN202310973184A CN116678432A CN 116678432 A CN116678432 A CN 116678432A CN 202310973184 A CN202310973184 A CN 202310973184A CN 116678432 A CN116678432 A CN 116678432A
Authority
CN
China
Prior art keywords
intersection
edge
refers
crossing
planning
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
Application number
CN202310973184.9A
Other languages
English (en)
Other versions
CN116678432B (zh
Inventor
马勇
简雯欣
郑文胜
江兴鸿
郭晶晶
刘志全
李发根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202310973184.9A priority Critical patent/CN116678432B/zh
Publication of CN116678432A publication Critical patent/CN116678432A/zh
Application granted granted Critical
Publication of CN116678432B publication Critical patent/CN116678432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于边缘服务下的车辆实时路径规划方法，包括：获取路径规划的所需数据；构建部署点矩阵，将部署点的经纬度存入部署点矩阵；创建路径规划路口集合；根据所述交通流数据对道路进行实时事故检测，获得若干事故路口；将起始路口作为当前路口，判断当前路口的若干相连路口的路口容量，若路口容量超过容量阈值，则不考虑该相连路口；计算相连路口的路口优先级，选择优先级最高且不为事故路口的相连路口作为途经路口，将途经路口存入路径规划路口集合；当途径路口为目标路口时，输出路径规划路口集合，获得车辆规划路径。通过上述方式，本发明能够提高车辆获得边缘服务的稳定性，满足智能车辆的低时延的需求，提高用户的体验度。

Description

一种基于边缘服务下的车辆实时路径规划方法
技术领域
本发明涉及路径规划领域，特别是涉及一种基于边缘服务下的车辆实时路径规划方法。
背景技术
随着科学技术的发展，各种先进车载传感器的大规模部署和车辆日益智能化发展，为决策制定和智能化应用带来了大量计算任务，智能车辆需要高效处理复杂的计算任务以提高交通效率，然而车辆有限的存储和计算资源无法满足来自各种智能应用的低延时要求，车辆无法及时获取资源，容易导致系统决策延误，引发交通事故，面对智能车辆低时延的需求，车辆的路径规划变得至关重要。
公开号为CN113847926A，名称为一种基于边缘微服务协作的实时路径规划方法根据城市区域边缘微服务节点以及边缘基站服务器中记录的信息判断出实时路径情况，基于改进的蚁群算法做出实时路径规划，通过边缘微服务时间分析反馈，找到最快做出决策的边缘微服务器节点的路径方向，进行区域接续最终到达目的地，完成实时路径规划。但是该方法仅考虑了路径中能够提供最低延时的边缘服务器，缺乏对路径的实际安全情况进行判断。
公开号为CN114212107A，名称为一种基于价值图的智能网联驾驶规划方法通过在路口设置的边缘计算节点中基于区域内交通元素的特征计算通行势图，基于区域内静态特征计算路面基图，基于区域内所有车辆的历史轨迹，计算不可观测因素对通行价值的影响，获得通行价值底图，将三个图叠加形成通行价值图传输给车辆；车辆探测周围区域中的交通元素计算局部通行势图，并更新通行价值图，进行路径规划。该方法缺乏对车辆实际运行时，边缘服务器距离过大情况所带来的时延，没有考虑到边缘服务器的选择。
发明内容
本发明主要解决的技术问题是提供一种基于边缘服务下的车辆实时路径规划方法，能够解决在路径规划过程中，综合考虑道路安全性以及路口边缘服务能力问题。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于边缘服务下的车辆实时路径规划方法，所述方法包括：
S1：获取路口经纬度数据、路网数据、起始路口、目标路口、边缘服务器位置数据；所述路网数据包括：道路数据、路口容量、路口之间的距离、交通流数据；
S2：构建部署点矩阵，用于存储部署有边缘服务器部署点的经纬度数据；
S3：根据所述边缘服务器位置数据，得到边缘服务器的若干部署点，将所述部署点的经纬度存入所述部署点矩阵；
S4：创建路径规划路口集合，用于存储为车辆规划路径所经过的路口；
S5：根据所述交通流数据对道路进行实时事故检测，得到若干事故路口；
S6：将所述起始路口作为当前路口，判断所述当前路口的若干相连路口的路口容量是否超过容量阈值，若是，则不考虑该相连路口，反之，则转S7；
S7：结合所述路网数据、部署点，计算所述相连路口的路口优先级，选择优先级最高且不为事故路口的相连路口作为途经路口，将所述途经路口存入所述路径规划路口集合；
S8：判断所述途经路口是否为目标路口，若是，则输出所述路径规划路口集合，得到车辆规划路径；反之则将所述途经路口作为起始路口，转S6。
进一步地，所述部署点矩阵，是一个存储部署了边缘服务位置点的经纬度的二维矩阵，表达式如下：
；
其中，是指边缘服务器部署点的部署点矩阵，/>是指第m个边缘服务器部署点的经度，/>是指第m个边缘服务器部署点的纬度。
进一步地，所述路口优先级，计算公式为：
；
其中，为相连路口的路口优先级，为当前路口到相连路口的代价 值，为相连路口到目标路口的估计距离；
所述估计距离，是根据相连路口到目标路口的经纬度数据，利用半正矢公式进行计算得到。
进一步地，所述代价值，是指相连路口的边缘服务能力与所述当前路口与相连 路口之间的距离的权重和，计算公式为：
；
其中，为当前路口到相连路口的距离，是指相连路口的边缘服务 能力，和为各自的权重，其中。
进一步地，所述边缘服务能力，是指将与相连路口在D2D通信范围内部署点之间 的距离、负载以及计算能力代入边缘服务能力计算公式得到；
所述边缘服务能力计算公式，具体为：
；
其中，是指在相连路口在D2D通信范围内的部署边缘服务器的数量，是 指边缘服务器的部署点与相连路口之间的距离，是指边缘服务器的负载， 是指边缘服务器的计算能力，为各自的权重，其中。
进一步地，所述与相连路口在D2D通信范围内部署点之间的距离，是将部署点和 相连路口的经纬度数据利用半正矢公式进行计算得到。
进一步地，所述半正矢公式，用于计算两个地球上给定经纬度点之间近似球面距离，计算公式为：
；
其中，是指点n和点i之间的近似球面距离，/>是指点n的纬度，/>是指点/>的纬度，/>是指点n的经度，/>是指点/>的经度，/>是指地球的半径。
进一步地，所述事故路口，是指利用所述交通流数据对路口进行分析，计算路口事故率，若路口事故率大于阈值，则标注为事故路口；
所述路口事故率，计算公式为：
；
其中，是指路口的事故率，是指统计周期，是指路口日平均交通量，是 指路口的交通事故数量；
所述阈值取值为40%，当路口事故率大于40%，则将所述路口标注为事故路口。
进一步地，所述车辆规划路径，是由起始路口、目标路口以及途经路口相连接组成的路径。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、 将路径规划问题转化为路口连接问题，降低问题复杂性。
2、 考虑路口容量以及事故路口，对车辆路径进行实时规划，得以帮助规划出更为流畅的路径，避免拥堵或瓶颈路口，从而减少行程时间和延误。
3、 结合路口边缘服务能力，对车辆路径进行实时规划，可有助于平衡交通负载，提高整体交通效率，一定程度上提高车辆在行驶过程中获得边缘服务的稳定性，满足了智能车辆的低时延的需求，提高用户的体验度。
附图说明
图1是一种基于边缘服务下的车辆实时路径规划方法的整体流程图。
图2是一种基于边缘服务下的车辆实时路径规划方法的路径规划过程示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1和图2，本发明实施例包括：
如图1所示，一种基于边缘服务下的车辆实时路径规划方法，包括：
S1：获取路口经纬度数据、路网数据、起始路口、目标路口、边缘服务器位置数据；所述路网数据包括：道路数据、路口容量、路口之间的距离、交通流数据；
S2：构建部署点矩阵，用于存储部署有边缘服务器部署点的经纬度数据；
S3：根据所述边缘服务器位置数据，得到边缘服务器的若干部署点，将所述部署点的经纬度存入所述部署点矩阵；
S4：创建路径规划路口集合，用于存储为车辆规划路径所经过的路口；
S5：根据所述交通流数据对道路进行实时事故检测，得到若干事故路口；
S6：将所述起始路口作为当前路口，判断所述当前路口的若干相连路口的路口容量是否超过容量阈值，若是，则不考虑该相连路口，反之，则转S7；
S7：结合所述路网数据、部署点，计算所述相连路口的路口优先级，选择优先级最高且不为事故路口的相连路口作为途经路口，将所述途经路口存入所述路径规划路口集合；
S8：判断所述途经路口是否为目标路口，若是，则输出所述路径规划路口集合，得到车辆规划路径；反之则将所述途经路口作为起始路口，转S6。
进一步地，所述部署点矩阵，是一个存储部署了边缘服务位置点的经纬度的二维矩阵，表达式如下：
；
其中，是指边缘服务器部署点的部署点矩阵，/>是指第m个边缘服务器部署点的经度，/>是指第m个边缘服务器部署点的纬度。
进一步地，所述路口优先级，计算公式为：
；
其中，为相连路口的路口优先级，为当前路口到相连路口的代价 值，为相连路口到目标路口的估计距离；
所述估计距离，是根据相连路口到目标路口的经纬度数据，利用半正矢公式进行计算得到。
进一步地，所述代价值，是指相连路口的边缘服务能力与所述当前路口与相连 路口之间的距离的权重和，计算公式为：
；
其中，为当前路口到相连路口的距离，是指相连路口的边缘服务 能力，和为各自的权重，其中。
进一步地，所述边缘服务能力，是指将与相连路口在D2D通信范围内部署点之间 的距离、负载以及计算能力代入边缘服务能力计算公式得到；
所述边缘服务能力计算公式，具体为：
；
其中，是指在相连路口在D2D通信范围内的部署边缘服务器的数量，是 指边缘服务器的部署点与相连路口之间的距离，是指边缘服务器的负载， 是指边缘服务器的计算能力，为各自的权重，其中。
进一步地，所述与相连路口在D2D通信范围内部署点之间的距离，是将部署点和 相连路口的经纬度数据利用半正矢公式进行计算得到。
进一步地，所述半正矢公式，用于计算两个地球上给定经纬度点之间近似球面距离，计算公式为：
；
其中，是指点n和点i之间的近似球面距离，/>是指点n的纬度，/>是指点/>的纬度，/>是指点n的经度，/>是指点/>的经度，/>是指地球的半径。
所述路口事故率，计算公式为：
；
其中，是指路口的事故率，是指统计周期，是指路口日平均交通量，是 指路口的交通事故数量；
所述阈值取值为40%，当路口事故率大于40%，则将所述路口标注为事故路口。
进一步地，所述车辆规划路径，是由起始路口、目标路口以及途经路口相连接组成的路径。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于边缘服务下的车辆实时路径规划方法，其特征在于，方法包括：
S1：获取路口经纬度数据、路网数据、起始路口、目标路口、边缘服务器位置数据；所述路网数据包括：道路数据、路口容量、路口之间的距离、交通流数据；
S2：构建部署点矩阵，用于存储部署有边缘服务器部署点的经纬度数据；
S3：根据所述边缘服务器位置数据，得到边缘服务器的若干部署点，将所述部署点的经纬度存入所述部署点矩阵；
S4：创建路径规划路口集合，用于存储为车辆规划路径所经过的路口；
S5：根据所述交通流数据对道路进行实时事故检测，得到若干事故路口；
S6：将所述起始路口作为当前路口，判断所述当前路口的若干相连路口的路口容量是否超过容量阈值，若是，则不考虑该相连路口，反之，则转S7；
S7：结合所述路网数据、部署点，计算所述相连路口的路口优先级，选择优先级最高且不为事故路口的相连路口作为途经路口，将所述途经路口存入所述路径规划路口集合；
S8：判断所述途经路口是否为目标路口，若是，则输出所述路径规划路口集合，得到车辆规划路径；反之则将所述途经路口作为起始路口，转S6。
2.如权利要求1所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述部署点矩阵，是一个存储部署了边缘服务位置点的经纬度的二维矩阵，表达式如下：
；
其中，是指边缘服务器部署点的部署点矩阵，/>是指第m个边缘服务器部署点的经度，/>是指第m个边缘服务器部署点的纬度。
3.如权利要求1所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述路口优先级，计算公式为：
；
其中，为相连路口/>的路口优先级，/>为当前路口到相连路口/>的代价值，/>为相连路口/>到目标路口的估计距离；
所述估计距离，是根据相连路口到目标路口的经纬度数据，利用半正矢公式进行计算得到。
4.如权利要求3所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述代价值，是指相连路口的边缘服务能力与所述当前路口与相连路口之间的距离的权重和，计算公式为：
；
其中，为当前路口到相连路口/>的距离，/>是指相连路口/>的边缘服务能力，和/>为各自的权重，其中/>。
5.如权利要求4所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述边缘服务能力，是指将与相连路口在D2D通信范围内部署点之间的距离、负载以及计算能力代入边缘服务能力计算公式得到；
所述边缘服务能力计算公式，具体为：
；
其中，是指在相连路口/>在D2D通信范围内的部署边缘服务器的数量，/>是指边缘服务器/>的部署点与相连路口之间的距离，/>是指边缘服务器/>的负载，/>是指边缘服务器/>的计算能力，/>为各自的权重，其中/>。
6.如权利要求5所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述与相连路口在D2D通信范围内部署点之间的距离，是将部署点和相连路口的经纬度数据利用半正矢公式进行计算得到。
7.如权利要求6所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述半正矢公式，用于计算两个地球上给定经纬度点之间近似球面距离，计算公式为：
；
其中，是指点n和点i之间的近似球面距离，/>是指点n的纬度，/>是指点/>的纬度，/>是指点n的经度，/>是指点/>的经度，/>是指地球的半径。
8.如权利要求1所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述事故路口，是指利用所述交通流数据对路口进行分析，计算路口事故率，若路口事故率大于阈值，则标注为事故路口；
所述路口事故率，计算公式为：
；
其中，是指路口/>的事故率，/>是指统计周期，/>是指路口/>日平均交通量，/>是指路口的交通事故数量；
所述阈值取值为40%，当路口事故率大于40%，则将所述路口标注为事故路口。
9.如权利要求1所述的一种基于边缘服务下的车辆实时路径规划方法，其特征在于，所述车辆规划路径，是由起始路口、目标路口以及途经路口相连接组成的路径。
CN202310973184.9A 2023-08-04 2023-08-04 一种基于边缘服务下的车辆实时路径规划方法 Active CN116678432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310973184.9A CN116678432B (zh) 2023-08-04 2023-08-04 一种基于边缘服务下的车辆实时路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310973184.9A CN116678432B (zh) 2023-08-04 2023-08-04 一种基于边缘服务下的车辆实时路径规划方法

Publications (2)

Publication Number Publication Date
CN116678432A true CN116678432A (zh) 2023-09-01
CN116678432B CN116678432B (zh) 2023-10-24

Family

ID=87782319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310973184.9A Active CN116678432B (zh) 2023-08-04 2023-08-04 一种基于边缘服务下的车辆实时路径规划方法

Country Status (1)

Country Link
CN (1) CN116678432B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117395726A (zh) * 2023-12-12 2024-01-12 江西师范大学 一种基于路径规划的移动边缘计算服务迁移方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111367292A (zh) * 2020-03-20 2020-07-03 特路（北京）科技有限公司 自动驾驶汽车智能道路系统
US20210082130A1 (en) * 2018-10-26 2021-03-18 7-Elevn, Inc. System and method for position tracking using edge computing
CN113329432A (zh) * 2021-06-22 2021-08-31 中国科学院计算技术研究所 一种基于多目标优化的边缘服务布置方法和系统
US20210295705A1 (en) * 2020-03-23 2021-09-23 Toyota Motor Engineering & Manufacturing North America, Inc. Traffic-adaptive deployment of vehicle functions
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
US20220034670A1 (en) * 2020-07-31 2022-02-03 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for simulating edge-computing deployment in diverse terrains
US20220083391A1 (en) * 2020-09-11 2022-03-17 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for dynamic prediction and optimization of edge server scheduling
CN114212107A (zh) * 2020-12-21 2022-03-22 北京邮电大学 一种基于价值图的智能网联驾驶规划方法
CN114979134A (zh) * 2022-04-21 2022-08-30 云南大学 边缘计算环境中服务迁移的路径选择方法
CN115049151A (zh) * 2022-07-12 2022-09-13 润联软件系统(深圳)有限公司 导航路线推荐方法、装置、设备及存储介质
CN115562756A (zh) * 2022-10-18 2023-01-03 山东师范大学 一种多接入边缘计算的车辆任务卸载方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210082130A1 (en) * 2018-10-26 2021-03-18 7-Elevn, Inc. System and method for position tracking using edge computing
CN111367292A (zh) * 2020-03-20 2020-07-03 特路（北京）科技有限公司 自动驾驶汽车智能道路系统
US20210295705A1 (en) * 2020-03-23 2021-09-23 Toyota Motor Engineering & Manufacturing North America, Inc. Traffic-adaptive deployment of vehicle functions
US20220034670A1 (en) * 2020-07-31 2022-02-03 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for simulating edge-computing deployment in diverse terrains
US20220083391A1 (en) * 2020-09-11 2022-03-17 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for dynamic prediction and optimization of edge server scheduling
CN114212107A (zh) * 2020-12-21 2022-03-22 北京邮电大学 一种基于价值图的智能网联驾驶规划方法
CN113329432A (zh) * 2021-06-22 2021-08-31 中国科学院计算技术研究所 一种基于多目标优化的边缘服务布置方法和系统
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN114979134A (zh) * 2022-04-21 2022-08-30 云南大学 边缘计算环境中服务迁移的路径选择方法
CN115049151A (zh) * 2022-07-12 2022-09-13 润联软件系统(深圳)有限公司 导航路线推荐方法、装置、设备及存储介质
CN115562756A (zh) * 2022-10-18 2023-01-03 山东师范大学 一种多接入边缘计算的车辆任务卸载方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINLIANG XU; XIAO MA; AO ZHOU;等: "Path Selection for Seamless Service Migration in Vehicular Edge Computing", IEEE INTERNET OF THINGS JOURNAL *
温惠英;沈毅贤;: "基于层次分析法的物流配送车辆导航路径规划求权方法", 公路交通科技, vol. 25, no. 08 *
王美玲;潘允辉;: "基于GIS与约束条件下的最优路径规划研究", 北京理工大学学报, vol. 36, no. 08 *
郜文灿, 齐平, 束红, 蒋剑军: "基于MEC的无人物流车任务卸载策略", 铜陵学院学报, no. 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117395726A (zh) * 2023-12-12 2024-01-12 江西师范大学 一种基于路径规划的移动边缘计算服务迁移方法
CN117395726B (zh) * 2023-12-12 2024-03-01 江西师范大学 一种基于路径规划的移动边缘计算服务迁移方法

Also Published As

Publication number Publication date
CN116678432B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
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
Mohanty et al. Traffic congestion detection in a city using clustering techniques in VANETs
CN116678432B (zh) 一种基于边缘服务下的车辆实时路径规划方法
Pattanaik et al. Smart real-time traffic congestion estimation and clustering technique for urban vehicular roads
Rezaei et al. Refocus+: Multi-layers real-time intelligent route guidance system with congestion detection and avoidance
Kong et al. RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern
CN113950611B (zh) 用于预测道路属性的方法和数据处理系统
Kamble et al. On road intelligent vehicle path predication and clustering using machine learning approach
CN104599499A (zh) 一种分布式统计交通位置的方法及装置
Krislata et al. Traffic Flows System Development for Smart City.
Dong et al. A network analysis of road traffic with vehicle tracking data.
Tyagi et al. Intelligent transportation system: Past, present, and future
Kamiński et al. Multiagent routing simulation with partial smart vehicles penetration
CN105067001A (zh) 基于出租车经验数据的路径设置方法及系统
CN114419917B (zh) 一种基于单向图的交通拥堵疏导方法及系统
Ghosh et al. A machine learning approach to find the optimal routes through analysis of gps traces of mobile city traffic
Li et al. Intersection congestion analysis based on cellular activity data
CN108960533B (zh) 一种空中航路网优化方法
Lv et al. Optimization of dynamic parking guidance information for special events
Kong et al. Guest editorial introduction to the special issue on intelligent transportation systems empowered by AI technologies
Ciont et al. Comparative studies regarding traffic flow improvement scenarios using software modelling and real measured data
Wang et al. Vehicle Position Prediction Using Particle Filtering Based on 3D CNN-LSTM Model
El Khaili et al. Smart Urban Traffic Management for an Efficient Smart City
CN116698054B (zh) 道路匹配方法、装置、电子设备及存储介质
CN114863685B (zh) 一种基于风险接受程度的交通参与者轨迹预测方法及系统

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