CN117894201A - 基于全局交通信息的道路交通引导方法、装置及相关设备 - Google Patents
基于全局交通信息的道路交通引导方法、装置及相关设备 Download PDFInfo
- Publication number
- CN117894201A CN117894201A CN202410269562.XA CN202410269562A CN117894201A CN 117894201 A CN117894201 A CN 117894201A CN 202410269562 A CN202410269562 A CN 202410269562A CN 117894201 A CN117894201 A CN 117894201A
- Authority
- CN
- China
- Prior art keywords
- traffic information
- road
- node
- dynamic
- network
- 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 51
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000013439 planning Methods 0.000 claims abstract description 39
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 239000003016 pheromone Substances 0.000 claims description 49
- 241000257303 Hymenoptera Species 0.000 claims description 28
- 238000012800 visualization Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract 2
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全局交通信息的道路交通引导方法、装置及相关设备,包括:终端节点层收集动态全局交通信息,并将动态全局交通信息共享给边缘服务器;边缘服务器接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果;云端中心网络负责与边缘服务器通信,对边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并进行整合,得到可视化数字孪生可视化结果。采用本发明提高了交通引导的及时性和准确性。
Description
技术领域
本发明涉及交通安全领域,尤其涉及一种基于全局交通信息的道路交通引导方法、装置及相关设备。
背景技术
随着城市汽车保有量的增加,有限的道路资源与庞杂道路出行需求之间的矛盾日益显著,成为一个不能忽视的城市可持续发展问题,极大影响着人们的日常生活。
由于GPS定位技术的限制和建筑物等遮挡物的影响,定位往往不够精准以致给出导航指示可能不准确;其次,地图数据和交通信息都需要实时更新,而有些路径引导方法更新速度较慢,容易导致用户被误导或者遇到拥堵路段却没有提前预警等现象。由此,现有方式进行路径引导时效率较低且不及时,导致引导不准确的问题。
发明内容
本发明实施例提供一种基于全局交通信息的道路交通引导方法、装置、计算机设备和存储介质,以提高交通路径引导的准确性。
为了解决上述技术问题,本申请实施例提供一种基于全局交通信息的道路交通引导方法,应用于边缘计算网络架构环境,所述边缘计算网络架构环境包括终端节点、边缘服务器和云端中心网络,所述基于全局交通信息的道路交通引导方法包括:
所述终端节点层通过智能车辆和路边设备来收集动态全局交通信息,并将所述动态全局交通信息共享给所述边缘服务器,其中,所述动态全局交通信息包括实时交通流状态和路况信息;
所述边缘服务器接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于所述目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果,其中,所述目标交通信息包括城市道路拥堵网;
所述云端中心网络负责与所述边缘服务器通信,对所述边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对所述城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使所述交通引导需求端的车辆或用户端导航基于所述数字孪生可视化结果实现对每辆车相应的路线规划。
可选地,所述边缘服务器接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息包括:
采用如下公式进行所述目标交通信息的筛选:
;
其中,表示交通路网速度集,/>表示车辆处于正常行驶速度范围的速度的集,/>表示边缘节点获取的车辆在路段/>上的速度;
;
其中,I表示交叉路口集,表示车辆当前位置,/>表示当前路段/>,/>和表示车辆行进方向。
可选地,所述基于所述目标交通信息构建动态路网邻接矩阵包括:
针对所述目标交通信息,将同一路段速度数据整合成速度集进行预处理,取其上四分位数速度作为动态路网邻接矩阵的权值,计算方式如下:
;
以筛选出的交叉路口为节点,建立具有权重的无向图,所述无向图是由顶点集V和边集E组成的数据结构,由元组表示,G的顶点集/>,e表示终点节点,边集/>,邻接矩阵中数值为边权值,用两个顶点间的上四分位车速来表示,邻接矩阵如下:
;
;
根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值,动态更新邻接矩阵。
可选地,在所述基于所述目标交通信息构建动态路网邻接矩阵之后,所述方法还包括:
根据边缘节点上传的车辆位置信息,并以该车辆位置信息为当前路径规划算法起始点,以用户出行请求的目的地为终点,在各车辆到达各自请求目的点前不断收集、数据清洗和标准化、数据存储和管理以及更新和维护各请求路口的道路状况和车辆行驶等信息数据,生成全局信息数据库。
可选地,所述采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果包括:
基于所述动态路网邻接矩阵初始化蚁群,确定蚂蚁数量、起始节点和目标节点,设置初始启发式信息和信息素浓度;
基于所述初始化的蚁群采用双向搜索,从起始节点和目标节点同时开始搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径并得到关联启发式信息,作为所述路径引导结果。
可选地,所述采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果包括:
利用两个分布式网络节点,第一个节点计算起点到终点的路线,第二个节点计算从终点到起点的路线,当两条路径的交叉节点出现时,计算停止,并生成最终路线。
以通过路段的速度作为代价,假设节点一的路线代价为,节点二的路线代价为,
;
其中,为i到j的速度平均值,/>为i到j的速度方差值,/>,/>分别为均值与方差的权重系数;
当,/>都存在时,总代价为:
;
对于每只蚂蚁,从起点和目的地节点开始,在每一步选择下一个要访问的节点时,根据信息素浓度和启发式信息计算移动概率,运用轮盘赌法选择下一节点,更新路径和信息素浓度,移动概率如下:
;
其中,是时间t下道路节点i转移到道路节点j的信息素浓度,/>是当前节点i到终点e的启发式函数, />表示蚂蚁尚未访问过的节点集合,α为信息素重要程度因子,β为启发函数重要程度因子;
在所有蚂蚁完成一个循环后,更新每个路网节点路径上的信息素浓度;
在达到预设迭代条件时,将确定的路径作为所述路径引导结果。
为了解决上述技术问题,本申请实施例还提供一种基于全局交通信息的道路交通引导装置,包括终端节点、边缘服务器和云端中心网络,其中,
所述终端节点层用于通过智能车辆和路边设备来收集动态全局交通信息,并将所述动态全局交通信息共享给所述边缘服务器,其中,所述动态全局交通信息包括实时交通流状态和路况信息;
所述边缘服务器用于接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于所述目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果,其中,所述目标交通信息包括城市道路拥堵网;
所述云端中心网络用于负责与所述边缘服务器通信,对所述边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对所述城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使所述交通引导需求端的车辆或用户端导航基于所述数字孪生可视化结果实现对每辆车相应的路线规划。
可选地,所述边缘服务器包括:
信息筛选模块,用于采用如下公式进行所述目标交通信息的筛选:
;
其中,V表示交通路网速度集, 表示车辆处于正常行驶速度范围的速度的集,/>表示边缘节点获取的车辆在路段(i,j)上的速度。
可选地,所述边缘服务器还包括邻近矩阵构建模块,所述邻近矩阵构建模块包括:
权值计算单元,用于针对所述目标交通信息,将同一路段速度数据整合成速度集进行预处理,取其上四分位数速度作为动态路网邻接矩阵的权值,计算方式如下:
;
无向图构建单元,用于以筛选出的交叉路口为节点,建立具有权重的无向图,所述无向图是由顶点集V和边集E组成的数据结构,由元组表示,G的顶点集/>,边集/>,e表示终点节点,邻接矩阵中数值为边权值,用两个顶点间的上四分位车速来表示,邻接矩阵如下:
;
;
更新单元,用于根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值,动态更新邻接矩阵。
可选地,所述基于全局交通信息的道路交通引导装置还包括:
数据库生成模块,用于根据边缘节点上传的车辆位置信息,并以该车辆位置信息为当前路径规划算法起始点,以用户出行请求的目的地为终点,在各车辆到达各自请求目的点前不断收集、数据清洗和标准化、数据存储和管理以及更新和维护各请求路口的道路状况和车辆行驶等信息数据,生成全局信息数据库。
可选地,所述边缘服务器还包括路径引导计算模块,所述路径引导计算模块包括:
初始化单元,用于基于所述动态路网邻接矩阵初始化蚁群,确定蚂蚁数量、起始节点和目标节点,设置初始启发式信息和信息素浓度;
路径引导单元,用于基于所述初始化的蚁群采用双向搜索,从起始节点和目标节点同时开始搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径并得到关联启发式信息,作为所述路径引导结果。
可选地,所述路径引导单元包括:
路线初始化子单元,用于利用两个分布式网络节点,第一个节点计算起点到终点的路线,第二个节点计算从终点到起点的路线,当两条路径的交叉节点出现时,计算停止,并生成最终路线;
代价计算单元,用于以通过路段的速度作为代价,假设节点一的路线代价为,节点二的路线代价为/>,
;
其中,为i到j的速度平均值,/>为i到j的速度方差值,/>,分别为均值与方差的权重系数;
总代价计算单元,用于当,/>都存在时,总代价为:
;
概率计算单元,用于对于每只蚂蚁,从起点和目的地节点开始,在每一步选择下一个要访问的节点时,根据信息素浓度和启发式信息计算移动概率,运用轮盘赌法选择下一节点,更新路径和信息素浓度,移动概率如下:
;
其中,是时间t下道路节点i转移到道路节点j的信息素浓度,/>是当前节点i到终点e的启发式函数,/>表示蚂蚁尚未访问过的节点集合,α为信息素重要程度因子,β为启发函数重要程度因子;
信息更新单元,用于在所有蚂蚁完成一个循环后,更新每个路网节点路径上的信息素浓度;
结果确定单元,用于在达到预设迭代条件时,将确定的路径作为所述路径引导结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于全局交通信息的道路交通引导方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于全局交通信息的道路交通引导方法的步骤。
本发明实施例提供的基于全局交通信息的道路交通引导方法、装置、计算机设备及存储介质,终端节点层通过智能车辆和路边设备来收集动态全局交通信息,并将动态全局交通信息共享给边缘服务器,其中,动态全局交通信息包括实时交通流状态和路况信息;边缘服务器接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果;云端中心网络负责与边缘服务器通信,对边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使交通引导需求端的车辆或用户端导航基于数字孪生可视化结果实现对每辆车相应的路线规划。实现通过边缘计算将计算资源部署到离车辆更近的地方,从而实现更低的延迟,提升车辆与道路设施之间的互动速度,同时采用双向A*蚁群算法和动态路网邻接矩阵实时处理和分析大量数据,对道路状况的变化做出快速响应。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的基于全局交通信息的道路交通引导方法的一实施例的流程图;
图3是本申请一个基于动态全局交通信息的双向A*蚁群算法流程图;
图4是根据本申请的基于全局交通信息的道路交通引导装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于全局交通信息的道路交通引导方法由服务器执行,相应地,基于全局交通信息的道路交通引导装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2,图2示出本发明实施例提供的一种基于全局交通信息的道路交通引导方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S201:终端节点层通过智能车辆和路边设备来收集动态全局交通信息,并将动态全局交通信息共享给边缘服务器,其中,动态全局交通信息包括实时交通流状态和路况信息。
具体地,边缘节点层包括数据的收集与过滤。通过智能车辆和路边监测设备来收集和共享动态全局交通信息,全局交通信息除了包括路段车辆速度和路况信息还包括车辆定位信息,将信息数据化,通过增补缺失数据内容剔除无效数据,来有效过滤数据集。然后将其传输至边缘服务层进行数据管理。
S202:边缘服务器接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果,其中,目标交通信息包括城市道路拥堵网。
具体地,边缘服务器用于将终端节点层设备收集的道路行驶汽车的位置信息、速度信息以及轨迹数据进行数据处理。筛选出路径规划请求区域以及其辐射区域包含的交叉路口、路段以及路段上车辆运行的速度,剔除路段不处于运行状态的车辆以及超出正常行驶范围的速度数据,然后建立起动态路网邻接矩阵,进而管理生成全局的信息数据库(这些数据库中包含了道路的拓扑结构、实时交通流状态、历史交通数据等信息),其后对动态路网邻接矩阵的信息数据进行双向A*蚂蚁信息素路径引导算法。
其中,蚁群算法是一种模拟蚂蚁觅食行为的优化算法。蚂蚁在搜索食物时会释放信息素,其他蚂蚁会根据信息素的浓度来选择路径。双向蚁群算法是一种改进的蚁群算法,它结合了正向和反向搜索策略,以提高搜索效率和准确性。在正向搜索过程中,蚂蚁们从起点出发,按照信息素浓度和启发式函数的指导选择下一个目标点,直到到达起点。最后,通过比较正向和反向搜索的结果,选择最优路径,作为最终结果,本实施例中的双向A*蚁群算法是采用A*算法(A星算法)作为启发式路径寻址的改进型双向蚁群算法,在本实施例中,动态路网较为复杂,属于多目标路径规划,采用双向A*蚁群算法相较于传统的蚁群算法,可大幅度提高寻址效率,节约时间。
边缘服务层包括数据管理和基于动态全局交通信息的双向A*蚁群蚁群算法的路径规划方法应用。边缘服务器分布式设置在城市每个区划范围中心,作为一个路径规划与拥堵识别单元将结果传送给中心网络服务器,中心网络服务器将拥堵状态汇集成一个城市道路拥堵网,随后中心网络再通过车辆或用户端导航设置好的出发地与目的地来寻找一条新的低耗时相对非拥堵路段。
在本发明一具体实施方式中,边缘服务器接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息包括:
采用如下公式进行目标交通信息的筛选:
;
其中,V表示交通路网速度集,表示车辆处于正常行驶速度范围的速度的集,/>表示边缘节点获取的车辆在路段(i,j)上的速度。
其中,数据筛选处理目的是筛选出路径规划请求区域以及其辐射区域包含的交叉路口、路段以及路段上车辆运行的速度,剔除路段不处于运行状态的车辆以及超出正常行驶范围的速度数据。
在本发明一具体实施方式中,基于目标交通信息构建动态路网邻接矩阵包括:
针对目标交通信息,将同一路段速度数据整合成速度集进行预处理,取其上四分位数速度作为动态路网邻接矩阵的权值,计算方式如下:
;
以筛选出的交叉路口为节点,建立具有权重的无向图,无向图是由顶点集V和边集E组成的数据结构,由元组表示,G的顶点集/>,边集/>(e表示终点节点),邻接矩阵中数值为边权值,用两个顶点间的上四分位车速来表示,邻接矩阵如下:
;
;
根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值,动态更新邻接矩阵。
其中,动态更新邻接矩阵具体过程为:由于实际交通路网的动态变化属性,本发明设定在车辆到达目的地前以车辆即将到达的路口作为当前起始点,以目的地作为终点,根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值(速度),重新建立动态路网邻接矩阵。在车辆到达目的地前,每当车辆行驶至下一个路口,就重复进行上述操作构建新的动态路网邻接矩阵。
在本发明一具体实施方式中,在基于目标交通信息构建动态路网邻接矩阵之后,方法还包括:
根据边缘节点上传的车辆位置信息,并以该车辆位置信息为当前路径规划算法起始点,以用户出行请求的目的地为终点,在各车辆到达各自请求目的点前不断收集、数据清洗和标准化、数据存储和管理以及更新和维护各请求路口的道路状况和车辆行驶等信息数据,生成全局信息数据库。
需要说明的是,全局信息数据库中的数据,将会根据车辆的特定行进位置需要,不间断取用参与后续的路径规划算法。
在本发明一具体实施方式中,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果,以符合现实交通路网动态变化的实际状况,实现全面快速访问最优路径,具体包括:
基于动态路网邻接矩阵初始化蚁群,确定蚂蚁数量、起始节点和目标节点,设置初始启发式信息和信息素浓度;
基于初始化的蚁群采用双向搜索,从起始节点和目标节点同时开始搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径并得到关联启发式信息,作为路径引导结果。
本实施例中,考虑到动态路网邻接矩阵边权值(速度)在实际场景中的动态属性,首先根据初步建立的动态路网邻接矩阵运用双向A*的蚁群算法得到初始路径,在车辆到达下一个路口前,以当前位置为起始点重新建立路网,再次进行双向A*蚁群算法,得到进一步的路径规划,每到达下一个路口前重复进行此操作,直到到达目的地。
双向A*蚁群算法按照双向搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径和相关的启发式信息,以信息素浓度和启发式信息计算移动概率,选择下一个移动目标节点。移动到下一节点,更新路径和信息素浓度,重复以上步骤,直到正向路径和逆向路径相遇或时小循环结束,当达到设定迭代次数,算法终止。
在本发明一具体实施方式中,具体如图3所示,图3位基于动态全局交通信息的双向A*蚁群算法图,本实施例中采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果包括:
利用两个分布式网络节点,第一个节点计算起点到终点的路线,第二个节点计算从终点到起点的路线,当两条路径的交叉节点出现时,计算停止,并生成最终路线。
以通过路段的速度作为代价,假设节点一的路线代价为,节点二的路线代价为,
;
其中,为i到j的速度平均值,/>为i到j的速度方差值,/>,分别为均值与方差的权重系数;
当,/>都存在时,总代价为:
;
对于每只蚂蚁,从起点和目的地节点开始,在每一步选择下一个要访问的节点时,根据信息素浓度和启发式信息计算移动概率,运用轮盘赌法选择下一节点,更新路径和信息素浓度,移动概率如下:
;
其中,是时间t下道路节点i转移到道路节点j的信息素浓度,/>是当前节点i到终点e的启发式函数, />表示蚂蚁尚未访问过的节点集合,α为信息素重要程度因子,β为启发函数重要程度因子;
在所有蚂蚁完成一个循环后,更新每个路网节点路径上的信息素浓度;
在达到预设迭代条件时,将确定的路径作为路径引导结果。
其中,启发式函数如下:
;
;
n为权重集中的数据总个数, 表示速度数据从小到大排序后,处于中间位置的25%位置的速度值。
本实施例中,在所有蚂蚁完成一个循环后,每个路网节点路径上的信息素浓度都需要及时更新。根据路径质量更新信息素浓度,以路段时间窗口内速度增量集上的上四分位值衡量路段拥堵程度以作为路径拥堵程度的指标。增加优质路径的信息素浓度,减少劣质路径的信息素浓度,使蚂蚁在后续搜索中更倾向于选择路径质量较高的路线,提高搜索效率。
作为一种优选方式,本实施例提出信息素动态更新方式:在每一轮所有蚂蚁经过节点生成相应路径后,对蚂蚁生成的路径上的速度累加后进行排序,即: ,只有生成了至今最优路径的蚂蚁和排序名次在前(w-1)的蚂蚁才被允许释放信息素,蚂蚁在边(i,j)上释放的信息素的权值由蚂蚁排序后的名次决定。每次迭代完成后,蚂蚁所经路径将按从小到大的顺序排列。全局最优解的权重为w,第r个最优解的权重为 />,则更新规则如下:
;/>
其中是信息素挥发性因子,/>表示蚂蚁的数量;/>表示第 只蚂蚁在它经过的边释放的信息素。/>表示所有蚂蚁在从当前节点 到下一个节点 的连接路径上释放的信息素浓度的总和,/>为当前最优路径,/>为至今最优路径的权值。
;
其中Q表示表示蚂蚁在一个循环中释放的信息素总量的常数,表示该循环中k只蚂蚁的最佳路径速度,当满足正向搜索和逆向搜索相遇时,即找到了一条从当前起点到目标节点的路径,此时基于全局交通信息的双向A*蚁群算法的小循环结束,重复进行小循环,直到大循环达到设定迭代次数,算法终止。此时蚂蚁构建的至今最优路径为通行速度最快、最小拥堵的最优路径。
S203:云端中心网络负责与边缘服务器通信,对边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使交通引导需求端的车辆或用户端导航基于数字孪生可视化结果实现对每辆车相应的路线规划。
本实施例中,对城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,具体可采用数字孪生对整合结果进行建模,得到数字模型,再通过3D可视化技术将数字模型转化成逼真的三维场景。
云端网络中心由路径规划和路段信息反馈两个部分组成。
路径规划,云端网络中心与边缘服务器层进行通信,将边缘服务器通过双向A*蚂蚁信息素算法处理得到的结果进行整合,基于结果对每辆车实现路线规划,将信息素浓度最高的作为当前最优路径规划结果分配给需求请求客户端,在车辆抵达目的地前以每个经过的路口作为路径更新搜寻命令实现车辆边行驶边规划,利用实时动态的动态全局交通信息以避开高拥堵路段。
路段信息反馈。云端中心网络通过双向A*蚁群算法计算得到的结果,即算法选择的最优路径和最优路径各路段上的速度。根据最优路径信息和最优路径各路段速度可以计算行车抵达目的地的预计时间,同时以边缘节点获取的实时动态全局交通信息可以判断路段的拥堵情况和交通状况等信息。将上述信息传递给用户,用户不仅可以按照来自云端中心网络传递的最终路径规划进行出行,同时也可以根据收到的反馈信息,将其作为最终路径规划的辅助自主进行决策出行。
本实施例中,终端节点层通过智能车辆和路边设备来收集动态全局交通信息,并将动态全局交通信息共享给边缘服务器,其中,动态全局交通信息包括实时交通流状态和路况信息;边缘服务器接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果;云端中心网络负责与边缘服务器通信,对边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使交通引导需求端的车辆或用户端导航基于数字孪生可视化结果实现对每辆车相应的路线规划。实现通过边缘计算将计算资源部署到离车辆更近的地方,从而实现更低的延迟,提升车辆与道路设施之间的互动速度,同时采用双向A*蚁群算法和动态路网邻接矩阵实时处理和分析大量数据,对道路状况的变化做出快速响应。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4示出与上述实施例基于全局交通信息的道路交通引导方法一一对应的基于全局交通信息的道路交通引导装置的原理框图。如图4所示,该基于全局交通信息的道路交通引导装置包括终端节点31、边缘服务器32和云端中心网络33。各功能模块详细说明如下:
终端节点层用于通过智能车辆和路边设备来收集动态全局交通信息,并将动态全局交通信息共享给边缘服务器,其中,动态全局交通信息包括实时交通流状态和路况信息;
边缘服务器用于接收终端节点层发送的动态全局交通信息,对动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和动态路网邻接矩阵进行路径引导计算,得到路径引导结果,其中,目标交通信息包括城市道路拥堵网;
云端中心网络用于负责与边缘服务器通信,对边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使交通引导需求端的车辆或用户端导航基于数字孪生可视化结果实现对每辆车相应的路线规划。
可选地,边缘服务器包括:
信息筛选模块,用于采用如下公式进行目标交通信息的筛选:
其中,V表示交通路网速度集,表示车辆处于正常行驶速度范围的速度的集,/>表示边缘节点获取的车辆在路段(i,j)上的速度。
可选地,边缘服务器还包括邻近矩阵构建模块,邻近矩阵构建模块包括:
权值计算单元,用于针对目标交通信息,将同一路段速度数据整合成速度集进行预处理,取其上四分位数速度作为动态路网邻接矩阵的权值,计算方式如下:
;
无向图构建单元,用于以筛选出的交叉路口为节点,建立具有权重的无向图,无向图是由顶点集V和边集E组成的数据结构,由元组表示,G的顶点集/>,边集 />,e表示终点节点,邻接矩阵中数值为边权值,用两个顶点间的上四分位车速来表示,邻接矩阵如下:/>
;
;
更新单元,用于根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值,动态更新邻接矩阵。
可选地,基于全局交通信息的道路交通引导装置还包括:
数据库生成模块,用于根据边缘节点上传的车辆位置信息,并以该车辆位置信息为当前路径规划算法起始点,以用户出行请求的目的地为终点,在各车辆到达各自请求目的点前不断收集、数据清洗和标准化、数据存储和管理以及更新和维护各请求路口的道路状况和车辆行驶等信息数据,生成全局信息数据库。
可选地,边缘服务器还包括路径引导计算模块,路径引导计算模块包括:
初始化单元,用于基于动态路网邻接矩阵初始化蚁群,确定蚂蚁数量、起始节点和目标节点,设置初始启发式信息和信息素浓度;
路径引导单元,用于基于初始化的蚁群采用双向搜索,从起始节点和目标节点同时开始搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径并得到关联启发式信息,作为路径引导结果。
可选地,路径引导单元包括:
路线初始化子单元,用于利用两个分布式网络节点,第一个节点计算起点到终点的路线,第二个节点计算从终点到起点的路线,当两条路径的交叉节点出现时,计算停止,并生成最终路线;
代价计算单元,用于以通过路段的速度作为代价,假设节点一的路线代价为,节点二的路线代价为/>,
;
其中,为i到j的速度平均值,/>为i到j的速度方差值,/>,分别为均值与方差的权重系数;
总代价计算单元,用于当,/>都存在时,总代价为:
;
概率计算单元,用于对于每只蚂蚁,从起点和目的地节点开始,在每一步选择下一个要访问的节点时,根据信息素浓度和启发式信息计算移动概率,运用轮盘赌法选择下一节点,更新路径和信息素浓度,移动概率如下:
;
其中,是时间t下道路节点i转移到道路节点j的信息素浓度,/>是当前节点i到终点e的启发式函数,/>表示蚂蚁尚未访问过的节点集合,α为信息素重要程度因子,β为启发函数重要程度因子;
信息更新单元,用于在所有蚂蚁完成一个循环后,更新每个路网节点路径上的信息素浓度;
结果确定单元,用于在达到预设迭代条件时,将确定的路径作为路径引导结果。
关于基于全局交通信息的道路交通引导装置的具体限定可以参见上文中对于基于全局交通信息的道路交通引导方法的限定,在此不再赘述。上述基于全局交通信息的道路交通引导装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于全局交通信息的道路交通引导方法的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行基于全局交通信息的道路交通引导方法的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于全局交通信息的道路交通引导方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于全局交通信息的道路交通引导方法,其特征在于,应用于边缘计算网络架构环境,所述边缘计算网络架构环境包括终端节点、边缘服务器和云端中心网络,所述基于全局交通信息的道路交通引导方法包括:
终端节点层通过智能车辆和路边设备来收集动态全局交通信息,并将所述动态全局交通信息共享给所述边缘服务器,其中,所述动态全局交通信息包括实时交通流状态和路况信息;
所述边缘服务器接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于所述目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果;
所述云端中心网络负责与所述边缘服务器通信,对所述边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对所述城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使所述交通引导需求端的车辆或用户端导航基于所述数字孪生可视化结果实现对每辆车相应的路线规划。
2.如权利要求1所述的基于全局交通信息的道路交通引导方法,其特征在于,所述边缘服务器接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息包括:
采用如下公式进行所述目标交通信息的筛选:
;
其中,表示交通路网速度集,/>表示车辆处于正常行驶速度范围的速度的集,表示边缘节点获取的车辆在路段/>上的速度;
;
其中,I表示交叉路口集,表示车辆当前位置,/>表示当前路段/>,/>和/>表示车辆行进方向。
3.如权利要求2所述的基于全局交通信息的道路交通引导方法,其特征在于,所述基于所述目标交通信息构建动态路网邻接矩阵包括:
针对所述目标交通信息,将同一路段速度数据整合成速度集进行预处理,取其上四分位数速度作为动态路网邻接矩阵的权值,计算方式如下:
;
其中,表示在速度集元素数值由大至小排列后处于第25%位置上的速度,n为速度集元素个数;
以筛选出的交叉路口为节点,建立具有权重的无向图,所述无向图是由顶点集V和边集E组成的数据结构,由元组表示,G的顶点集/>,e表示终点节点,边集,邻接矩阵中数值为边权值,用两个顶点间的上四分位车速来表示,邻接矩阵如下:
;
;
根据边缘节点层传递的动态全局交通信息动态更新动态路网邻接矩阵的边权值,动态更新邻接矩阵。
4.如权利要求1所述的基于全局交通信息的道路交通引导方法,其特征在于,在所述基于所述目标交通信息构建动态路网邻接矩阵之后,所述方法还包括:
根据边缘节点上传的车辆位置信息,并以该车辆位置信息为当前路径规划算法起始点,以用户出行请求的目的地为终点,在各车辆到达各自请求目的点前不断收集、数据清洗和标准化、数据存储和管理以及更新和维护各请求路口的道路状况和车辆行驶等信息数据,生成全局信息数据库。
5.如权利要求1所述的基于全局交通信息的道路交通引导方法,其特征在于,所述采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果包括:
基于所述动态路网邻接矩阵初始化蚁群,确定蚂蚁数量、起始节点和目标节点,设置初始启发式信息和信息素浓度;
基于所述初始化的蚁群采用双向搜索,从起始节点和目标节点同时开始搜索,分别使用正向A*算法和逆向A*算法计算得到相应路径并得到关联启发式信息,作为所述路径引导结果。
6.如权利要求5所述的基于全局交通信息的道路交通引导方法,其特征在于,所述采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果包括:
利用两个分布式网络节点,第一个节点计算起点到终点的路线,第二个节点计算从终点到起点的路线,当两条路径的交叉节点出现时,计算停止,并生成最终路线;
以通过路段的速度作为代价,假设节点一的路线代价为,节点二的路线代价为/>,
;
其中,为i到j的速度平均值,/>为i到j的速度方差值,/>,/>分别为均值与方差的权重系数;
当,/>都存在时,总代价为:
;
对于每只蚂蚁,从起点和目的地节点开始,在每一步选择下一个要访问的节点时,根据信息素浓度和启发式信息计算移动概率,运用轮盘赌法选择下一节点,更新路径和信息素浓度,移动概率如下:
;
其中,是时间t下道路节点i转移到道路节点j的信息素浓度,/>是当前节点i到终点e的启发式函数,/>表示蚂蚁尚未访问过的节点集合,/>为信息素重要程度因子,/>为启发函数重要程度因子;
在所有蚂蚁完成一个循环后,更新每个路网节点路径上的信息素浓度;
在达到预设迭代条件时,将确定的路径作为所述路径引导结果。
7.一种基于全局交通信息的道路交通引导装置,其特征在于,所述基于全局交通信息的道路交通引导装置包括终端节点、边缘服务器和云端中心网络,其中,
终端节点层用于通过智能车辆和路边设备来收集动态全局交通信息,并将所述动态全局交通信息共享给所述边缘服务器,其中,所述动态全局交通信息包括实时交通流状态和路况信息;
所述边缘服务器用于接收所述终端节点层发送的所述动态全局交通信息,对所述动态全局交通信息进行数据处理,筛选出路径规划请求区域以及其辐射区域包含的交通信息,作为目标交通信息,并基于所述目标交通信息构建动态路网邻接矩阵,采用双向A*蚁群算法和所述动态路网邻接矩阵进行路径引导计算,得到路径引导结果,其中,所述目标交通信息包括城市道路拥堵网;
所述云端中心网络用于负责与所述边缘服务器通信,对所述边缘服务器的目标交通信息进行汇集,得到城市道路拥堵网,并对所述城市道路拥堵网及路径引导结果进行整合,得到数字孪生可视化结果,将数字孪生可视化结果发送给交通引导需求端,以使所述交通引导需求端的车辆或用户端导航基于所述数字孪生可视化结果实现对每辆车相应的路线规划。
8.如权利要求7所述的基于全局交通信息的道路交通引导装置,其特征在于,所述边缘服务器包括:
信息筛选模块,用于采用如下公式进行所述目标交通信息的筛选:
;
其中,表示交通路网速度集,/>表示车辆处于正常行驶速度范围的速度的集,表示边缘节点获取的车辆在路段/>上的速度。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于全局交通信息的道路交通引导方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于全局交通信息的道路交通引导方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269562.XA CN117894201A (zh) | 2024-03-11 | 2024-03-11 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269562.XA CN117894201A (zh) | 2024-03-11 | 2024-03-11 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117894201A true CN117894201A (zh) | 2024-04-16 |
Family
ID=90649517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269562.XA Pending CN117894201A (zh) | 2024-03-11 | 2024-03-11 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117894201A (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708698A (zh) * | 2012-06-12 | 2012-10-03 | 北京理工大学 | 基于车联网的车辆最优路径导航方法 |
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN106548646A (zh) * | 2016-11-08 | 2017-03-29 | 西安电子科技大学宁波信息技术研究院 | 基于雾计算的城市堵车时道路信息服务系统及方法 |
CN106679685A (zh) * | 2016-12-29 | 2017-05-17 | 鄂尔多斯市普渡科技有限公司 | 一种用于车辆导航的行车路径规划方法 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110954119A (zh) * | 2019-11-11 | 2020-04-03 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN111880174A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于支持自动驾驶控制决策的路侧服务系统及其控制方法 |
CN111982109A (zh) * | 2019-05-24 | 2020-11-24 | 北京百度网讯科技有限公司 | 用于路径规划的方法、装置、设备和计算机可读存储介质 |
US20210215494A1 (en) * | 2020-07-30 | 2021-07-15 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for processing navigation data, device and storage medium |
CN114189869A (zh) * | 2021-12-09 | 2022-03-15 | 中国人民解放军陆军工程大学 | 基于边缘计算的无人车协同路径规划和资源分配方法 |
CN114399095A (zh) * | 2021-12-29 | 2022-04-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
CN114566059A (zh) * | 2022-01-14 | 2022-05-31 | 浙江中控信息产业股份有限公司 | 一种一键护航特种车辆协同优先系统 |
CN114964286A (zh) * | 2022-05-10 | 2022-08-30 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
CN115355922A (zh) * | 2022-08-16 | 2022-11-18 | 山东劳动职业技术学院(山东劳动技师学院) | 一种基于改进蚁群算法的出行路径规划方法及系统 |
CN115547087A (zh) * | 2022-09-21 | 2022-12-30 | 合肥工业大学 | 基于两阶段法与方向诱导的城市路网最短路径获取方法及应用 |
CN115631645A (zh) * | 2022-10-27 | 2023-01-20 | 东莞理工学院 | 基于动态最优路径规划的多任务无人集群控制系统及方法 |
CN115798199A (zh) * | 2022-11-04 | 2023-03-14 | 山东科技大学 | 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 |
CN115824242A (zh) * | 2022-11-18 | 2023-03-21 | 东南大学 | 基于Yen算法与蚁群算法融合的路径规划方法 |
CN116046008A (zh) * | 2023-02-01 | 2023-05-02 | 深圳市唯特视科技有限公司 | 基于态势感知的路线规划方法、系统及效能评估装置 |
CN116448135A (zh) * | 2023-03-31 | 2023-07-18 | 清华大学 | 基于深度强化学习的路径规划方法、装置和车辆 |
CN117521937A (zh) * | 2024-01-08 | 2024-02-06 | 苏州观瑞汽车技术有限公司 | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
-
2024
- 2024-03-11 CN CN202410269562.XA patent/CN117894201A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708698A (zh) * | 2012-06-12 | 2012-10-03 | 北京理工大学 | 基于车联网的车辆最优路径导航方法 |
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN106548646A (zh) * | 2016-11-08 | 2017-03-29 | 西安电子科技大学宁波信息技术研究院 | 基于雾计算的城市堵车时道路信息服务系统及方法 |
CN106679685A (zh) * | 2016-12-29 | 2017-05-17 | 鄂尔多斯市普渡科技有限公司 | 一种用于车辆导航的行车路径规划方法 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN111982109A (zh) * | 2019-05-24 | 2020-11-24 | 北京百度网讯科技有限公司 | 用于路径规划的方法、装置、设备和计算机可读存储介质 |
CN110954119A (zh) * | 2019-11-11 | 2020-04-03 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN111880174A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于支持自动驾驶控制决策的路侧服务系统及其控制方法 |
US20210215494A1 (en) * | 2020-07-30 | 2021-07-15 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for processing navigation data, device and storage medium |
CN114189869A (zh) * | 2021-12-09 | 2022-03-15 | 中国人民解放军陆军工程大学 | 基于边缘计算的无人车协同路径规划和资源分配方法 |
CN114399095A (zh) * | 2021-12-29 | 2022-04-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
CN114566059A (zh) * | 2022-01-14 | 2022-05-31 | 浙江中控信息产业股份有限公司 | 一种一键护航特种车辆协同优先系统 |
CN114964286A (zh) * | 2022-05-10 | 2022-08-30 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
CN115355922A (zh) * | 2022-08-16 | 2022-11-18 | 山东劳动职业技术学院(山东劳动技师学院) | 一种基于改进蚁群算法的出行路径规划方法及系统 |
CN115547087A (zh) * | 2022-09-21 | 2022-12-30 | 合肥工业大学 | 基于两阶段法与方向诱导的城市路网最短路径获取方法及应用 |
CN115631645A (zh) * | 2022-10-27 | 2023-01-20 | 东莞理工学院 | 基于动态最优路径规划的多任务无人集群控制系统及方法 |
CN115798199A (zh) * | 2022-11-04 | 2023-03-14 | 山东科技大学 | 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 |
CN115824242A (zh) * | 2022-11-18 | 2023-03-21 | 东南大学 | 基于Yen算法与蚁群算法融合的路径规划方法 |
CN116046008A (zh) * | 2023-02-01 | 2023-05-02 | 深圳市唯特视科技有限公司 | 基于态势感知的路线规划方法、系统及效能评估装置 |
CN116448135A (zh) * | 2023-03-31 | 2023-07-18 | 清华大学 | 基于深度强化学习的路径规划方法、装置和车辆 |
CN117521937A (zh) * | 2024-01-08 | 2024-02-06 | 苏州观瑞汽车技术有限公司 | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
Non-Patent Citations (3)
Title |
---|
王勇;于文震;: "智能交通系统中动态路径诱导算法分析", 公路交通技术, no. 01, 25 February 2015 (2015-02-25) * |
王柯;叶智耿;: "基于云计算的动态路径诱导算法研究", 电脑迷, no. 11, 5 November 2018 (2018-11-05) * |
胡耀民;刘伟铭;: "基于改进型蚁群算法的最优路径问题求解", 华南理工大学学报(自然科学版), no. 10, 15 October 2010 (2010-10-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN109409612B (zh) | 一种路径规划方法、服务器及计算机存储介质 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
Lan et al. | Travel time estimation without road networks: an urban morphological layout representation approach | |
CN109579858A (zh) | 导航数据处理方法、装置、设备及存储介质 | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
Xing et al. | A data fusion powered bi-directional long short term memory model for predicting multi-lane short term traffic flow | |
Li et al. | A trajectory restoration algorithm for low-sampling-rate floating car data and complex urban road networks | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
CN114386536A (zh) | 区域确定方法、装置、计算设备以及存储介质 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN113706857B (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
CN108615394A (zh) | 一种设置阈值的停车场引导系统及方法 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN117894201A (zh) | 基于全局交通信息的道路交通引导方法、装置及相关设备 | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Zhou et al. | Design of intelligent carpooling program based on big data analysis and multi-information perception | |
CN112541021A (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 | |
Costanzo et al. | Real time decision support systems for mobile users in intelligent cities |
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 |