CN109238297B - 一种用户最优及***最优的动态路径选择方法 - Google Patents

一种用户最优及***最优的动态路径选择方法 Download PDF

Info

Publication number
CN109238297B
CN109238297B CN201810992208.4A CN201810992208A CN109238297B CN 109238297 B CN109238297 B CN 109238297B CN 201810992208 A CN201810992208 A CN 201810992208A CN 109238297 B CN109238297 B CN 109238297B
Authority
CN
China
Prior art keywords
traffic
user
current
path
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.)
Expired - Fee Related
Application number
CN201810992208.4A
Other languages
English (en)
Other versions
CN109238297A (zh
Inventor
文峰
封筱
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.)
Shenyang Ligong University
Original Assignee
Shenyang Ligong 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 Shenyang Ligong University filed Critical Shenyang Ligong University
Priority to CN201810992208.4A priority Critical patent/CN109238297B/zh
Publication of CN109238297A publication Critical patent/CN109238297A/zh
Application granted granted Critical
Publication of CN109238297B publication Critical patent/CN109238297B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/3453—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
    • 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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level

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)
  • Navigation (AREA)

Abstract

本发明提出一种用户最优及***最优的动态路径选择方法，流程包括：交通信息中心统计当前路网中总的车辆数量，同时待选择路径车辆将自身实时信息发送给交通信息中心；每隔时间间隔T，通过Sarsa学习更新Q值表；计算交通路网拥堵系数；计算每个相邻路段的概率；计算当前车辆绕行参数，当绕行参数大于等于1时，执行下一步，否则根据上一步计算的概率给出待选择路径；为车辆重新计算诱导路径；使用轮盘赌方法选择的路径提供给用户，直到用户到达期望终点；能够充分利用当前交通***的实际拥堵状况和用户当前的绕行状况进行最大化两者收益的动态路径诱导，在保证交通***效率的基础上减少用户出行成本。

Description

一种用户最优及***最优的动态路径选择方法
技术领域
本发明属于智能交通技术领域，具体涉及一种用户最优及***最优的动态路径选择方法。
背景技术
近年来，城市交通拥堵已经成为非常普遍的现象，随之而来的环境污染，出行成本增加和能源浪费造成了巨额的社会经济损失。交通拥堵问题不仅仅是交通***需要面对的难题，对用户而言也是亟需解决的问题。然而，在交通诱导中往往用户和交通***管理者的目标并不一致。交通***管理者期望能提高整个交通***的通行效率、充分利用路网资源，而用户则仅期望自身的行驶时间、花费最少等出行需求得到满足。在交通游道中，两者间的这种关系体现在交通***发布的诱导信息和用户的路径选择之间。因此，设计能够合理协调用户最优及***最优的路径选择方法成为研究的热门。
以往的研究大多以博弈模型去分析用户及交通***管理者的路径选择行为，进而去量化两者的收益进行合适的路径选择建模。在此类研究中，路径选择模型的总是以Logit模型、随机期望效用理论、基于前景理论或累积前景理论的基础上进行研究和建模。而在实际生活中，人们对诱导的需求已趋于实时、动态化而且当前路网规模也非常庞大，这些建立在精准数学模型基础上的路径选择方法并不能满足在大规模路网下的诱导需求。
Sarsa学习作为具有强自学习、自适应能力的一种on-policy强化学习方法，被很多学者应用于动态路径诱导***中。Sarsa学习不断与交通环境进行交互，能充分利用路网实时交通信息去优化路径诱导方法，非常适用于在复杂多变，随机性强的大规模路网中进行动态路径诱导。
发明内容
针对以上技术不足，本发明提出一种用户最优及***最优的动态路径选择方法，具体包括：
步骤1：交通信息中心统计当前路网中总的车辆数量，同时待选择路径车辆将自身实时信息发送给交通信息中心，所述实时信息包括通行成本、当前路段、期望终点，其中，所述通行成本设置为旅行时间、燃油费或距离，选择其中之一；
步骤2：每隔时间间隔T，交通信息中心根据步骤1中获取的待选择路径车辆实时信息数据，统计路网中距更新时间最近时刻，各个路段上所经过车辆的实际通行成本以及每个交通节点所对应的相邻路段，通过Sarsa学习更新Q值表，更新公式如下所示：
Qd(i,j)←Qd(i,j)+α(rij+γQd(j,k)-Qd(i,j))
其中，Qd(i,j)表示从交通节点i出发经过相邻交通节点j且终点为d的Q值，k表示交通节点j的相邻交通节点，α表示学习率，γ表示折扣率，rij表示车辆经过路段sij的实际通行成本；
步骤3：计算交通路网拥堵系数：交通信息中心根据路网中当前总的车辆数量，计算交通路网拥堵系数，公式如下所示：
Figure GDA0003484651800000021
其中，c表示路网拥堵系数，β、λ为参数，Vnum表示当前路网中总的车辆数量；
步骤4：计算每个相邻路段的概率：交通信息中心根据车辆所处当前路段和其期望终点，在Q值表中读取对应此终点并与当前路段相邻的所有路段的Q值，结合如下基于交通路网拥堵系数的Boltzmann概率分布公式计算每个相邻路段的概率：
Figure GDA0003484651800000022
其中，Pd(i,j)表示仅考虑当前***交通状况选择路段sij的概率,i，j为相邻交通节点，A(i)表示以交通节点i为起点的路段的终点集合，根据路网拓扑结构获取，c表示路网拥堵系数，EQd(i)表示节点i周围路段到目的地d的Q值的平均值。
步骤5：计算当前车辆绕行参数，公式如下所示：
Figure GDA0003484651800000023
其中，ri表示车辆在当前交通节点i的绕行程度，Qd(j,k)表示步骤4中根据相邻路段Boltzmann概率分布使用轮盘赌方法所选择的路段sjk所对应的Q值，Qd(i,j)表示车辆所处当前路段sij的Q值。当绕行参数ri大于等于1时，执行步骤6，否则根据步骤4计算的概率给出待选择路径；
步骤6：为车辆重新计算诱导路径：交通信息中心根据车辆绕行参数查找对应的诱导拒绝率，根据如下基于路网拥堵系数及诱导拒绝率的Boltzmann概率分布公式为车辆重新计算诱导路径：
Figure GDA0003484651800000024
其中，uij表示诱导拒绝率参数，uij值的设定是基于车辆绕行程度的，其中，路网拥堵系数c中参数β、λ的设定以及诱导拒绝率参数uij与绕行参数ri对应关系的设定反映了交通***管理者与用户间的协调程度。
步骤7：基于步骤6中的概率分布将使用轮盘赌方法选择的路径提供给用户，用户使用轮盘赌方法选择的路径后达到目的地，则结束动态路径选择方法，若用户使用轮盘赌方法选择的路径后还未到达目的地，则用户到达下一交通节点时，计算交通路网拥堵系数，重复步骤3～步骤7直到用户到达期望终点。
有益技术效果：
1.一种用户最优及***最优的动态路径选择方法，能够充分利用当前交通***的实际拥堵状况和用户当前的绕行状况进行最大化两者收益的动态路径诱导，在保证交通***效率的基础上减少用户出行成本。
2.一种用户最优及***最优的动态路径选择方法，从实际角度出发，考虑用户绕行所带来的出行成本增加问题，为用户提供更符合其个人意愿的动态诱导路径从而提高诱导路径接受率，进一步提高交通***的通行效率。
3.一种用户最优及***最优的动态路径选择方法中绕行参数的设计可以有效降低Sarsa学习的搜索成本，促进交通***整体交通状况的优化。
附图说明
图1为本发明实施例的一种用户最优及***最优的动态路径选择方法的整体流程图；
图2为本发明实施例的网交通状况良好时路径选择示意图；
图3为本发明实施例的网交通状况拥堵时路径选择示意图；
图4为本发明实施例与传统诱导算法相比车辆平均行驶时间对比图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，一种用户最优及***最优的动态路径选择方法，如图1所示，具体包括：
步骤1：交通信息中心统计当前路网中总的车辆数量，同时车辆将自身实时信息发送给交通信息中心，所述实时信息包括通行成本、位置、期望终点，其中，所述通行成本设置为旅行时间、燃油费或距离，选择其中之一；
步骤2：每隔时间间隔T，交通信息中心根据步骤1中获取的待选择路径车辆实时信息数据，统计路网中距更新时间最近时刻，各个路段上所经过车辆的实际通行成本以及每个交通节点所对应的相邻路段，通过Sarsa学习更新Q值表，更新公式如下所示：
Qd(i,j)←Qd(i,j)+α(rij+γQd(j,k)-Qd(i,j))
其中，Qd(i,j)表示从交通节点i出发经过相邻交通节点j且终点为d的Q值，k表示交通节点j的相邻交通节点，α表示学习率，γ表示折扣率，rij表示车辆经过路段sij的实际通行成本。
在基于Sarsa学习的动态路径诱导***中，每个路段对应的Q值表示车辆从此路段出发到达终点所需的累积通行成本。Q值表在交通信息中心以如下格式储存：
表1 Q值表
Figure GDA0003484651800000041
如图2所示，路段sij对应Q值更新如下所示：
129s←150s+0.7×(20s+100s-150s)
其中，箭头右边的150s,100s分别表示终点为d，经过路段sij和路段sjk的期望旅行时间，路段sjk是路段sij相邻交通路段，学习率α为0.7，折扣率γ为1，车辆经过路段sij的实际通行时间为20s。路段sij更新后的Q值为129s。
步骤3：计算交通路网拥堵系数：交通信息中心根据路网中当前总车辆数量计算交通路网拥堵系数，以此衡量当前交通***的交通状况。公式如下所示：
Figure GDA0003484651800000042
其中，参数β为0.3，λ为0.005。假设当前路网中总车辆数量Vnum为26，则由公式可得，路网拥堵系数c为0.2。
步骤4：计算基于路网拥堵系数的Boltzmann概率分布：交通信息中心根据车辆所处当前路段和其期望目的地，在Q值表中读取对应此目的地并与当前路段相邻的所有路段的Q值，结合如下基于路网拥堵系数的Boltzmann概率分布公式计算每个相邻路段的概率：
Figure GDA0003484651800000043
其中，Pd(i,j)表示仅考虑当前***交通状况选择路段sij的概率,i，j为相邻交通节点，A(i)表示以交通节点i为起点的路段的终点集合，根据路网拓扑结构获取，c表示路网拥堵系数，EQd(i)表示节点i周围路段到目的地d的Q值的平均值。
如图2所示，各个相邻路段的Boltzmann概率分别为0.8169，0.1533和0.298。
步骤5：计算当前车辆绕行参数，公式如下所示：
Figure GDA0003484651800000044
其中，ri表示车辆在当前交通节点i的绕行程度，Qd(j,k)表示步骤4中根据相邻路段Boltzmann概率分布使用轮盘赌方法所选择的路段sjk所对应的Q值，Qd(i,j)表示车辆所处当前路段sij的Q值，当绕行参数ri大于等于1时，执行步骤6，否则根据步骤4计算的概率给出待选择路径；
由上式定义可知，绕行参数可以帮助Sarsa学习更快得搜索到最优路径，减少搜索空间。
步骤6：为车辆重新计算诱导路径：交通信息中心根据车辆绕行参数查找对应的诱导拒绝率，根据如下基于路网拥堵系数及诱导拒绝率的Boltzmann概率分布公式为车辆重新计算诱导路径：
Figure GDA0003484651800000051
其中，uij表示诱导拒绝率参数，uij值得设定是基于车辆绕行程度的，当***在步骤4中提供给车辆的诱导路径的通行成本比当前所在路径通行成本还高时，认为车辆发生绕行，此时用户会对诱导路径产生质疑。在此式中，路网拥堵系数c中参数α的设定以及拒绝率参数uij与绕行参数ri对应关系的设定反映了交通***管理者与用户间的协调程度。
其中，uij表示诱导拒绝率参数为2，计算可得相邻路段的分别为0.9409,0.0582和0.0009。相比于只考虑***交通状况的路段选择方法，考虑用户意愿的路段选择方法使相邻路段间所对应的概率差异增大。
用户的绕行越多则拒绝接受诱导路径的概率越大，此时用户更倾向于选择符合自身意愿的路径即通行成本更低的路径而不是仅根据***当前交通状况而提供的诱导路径。拒绝率参数uij与绕行参数ri的对应关系，如表2所示：
表2 ri-uij对应表
Range of r<sub>i</sub> (0,1) [1,1.3) [1.3,1.5) [1.5,1.8) [1.8,2) [2,2.5) [2.5,3) [3,∞)
u<sub>ij</sub> 1 2 4 10 15 20 25 30
如图2和图3所示，用户的绕行越多则拒绝接受诱导路径的概率越大，即当c固定ujk由1增大到2时，对应较小Q值的边概率增大，较大Q值的边概率减小。此时用户更倾向于选择符合自身意愿的路径即旅行时间更少的路径，而不是仅根据***当前交通状况而提供的诱导路径；当路网车辆较少即路网拥堵系数c为0.2，值较低时，选择道路的方法类似于贪婪算法。搜索的路径接近于静态环境中的最短路径，Q值最小的边对应的概率最大，此时能够有效利用此时的路网资源；当路网逐渐拥堵即c为0.5时，不同Q值的各个路段间Boltzmann概率差异减小，诱导路径的选择将会更依赖于交通***管理者。
步骤7：基于步骤6中的概率分布将使用轮盘赌方法选择的路径提供给用户，用户使用轮盘赌方法选择的路径后达到目的地，则结束动态路径选择方法，若用户使用轮盘赌方法选择的路径后还未到达目的地，则用户到达下一交通节点时，计算交通路网拥堵系数，重复步骤3～步骤7直到用户到达期望终点。
如图4所示，本发明与传统诱导算法相比车辆平均行驶时间对比图，横坐标：仿真时间步纵坐标：车辆平均行驶时间本发明提出的一种用户最优及***最优的动态路径选择方法与传统路径诱导算法相比能有效提高交通***通行效率，减少交通***中车辆的平均行驶时间，降低用户通行成本。

Claims (2)

1.一种用户最优及***最优的动态路径选择方法，其特征在于，包括如下流程：
步骤1：交通信息中心统计当前路网中总的车辆数量，同时待选择路径车辆将自身实时信息发送给交通信息中心；
步骤2：每隔时间间隔T，交通信息中心根据步骤1中获取的待选择路径车辆实时信息数据，统计路网中距更新时间最近时刻，各个路段上所经过车辆的实际通行成本以及每个交通节点所对应的相邻路段，通过Sarsa学习更新Q值表，更新公式如下所示：
Qd(i,j)←Qd(i,j)+α(rij+γQd(j,k)-Qd(i,j))
其中，Qd(i,j)表示从交通节点i出发经过相邻交通节点j且终点为d的Q值，k表示交通节点j的相邻交通节点，α表示学习率，γ表示折扣率，rij表示车辆经过路段sij的实际通行成本；
步骤3：计算交通路网拥堵系数：交通信息中心根据路网中当前总的车辆数量，计算交通路网拥堵系数，公式如下所示：
Figure FDA0003458092470000011
其中，c表示路网拥堵系数，β、λ为参数，Vnum表示当前路网中总的车辆数量；
步骤4：计算每个相邻路段的概率：交通信息中心根据车辆所处当前路段和其期望终点，在Q值表中读取对应此终点并与当前路段相邻的所有路段的Q值，结合如下基于交通路网拥堵系数的Boltzmann概率分布公式计算每个相邻路段的概率：
Figure FDA0003458092470000012
其中，pd(i,j)表示仅考虑当前***交通状况选择路段sij的概率,i，j为相邻交通节点，A(i)表示以交通节点i为起点的路段的终点集合，根据路网拓扑结构获取，c表示路网拥堵系数，EQd(i)表示节点i周围路段到目的地d的Q值的平均值；
步骤5：计算当前车辆绕行参数，公式如下所示：
Figure FDA0003458092470000013
其中，ri表示车辆在当前交通节点i的绕行程度，Qd(j,k)表示步骤4中根据相邻路段Boltzmann概率分布使用轮盘赌方法所选择的路段sjk所对应的Q值，Qd(i,j)表示车辆所处当前路段sij的Q值；当绕行参数ri大于等于1时，执行步骤6，否则根据步骤4计算的概率给出待选择路径；
步骤6：为车辆重新计算诱导路径：交通信息中心根据车辆绕行参数查找对应的诱导拒绝率，根据如下基于路网拥堵系数及诱导拒绝率的Boltzmann概率分布公式为车辆重新计算诱导路径：
Figure FDA0003458092470000021
其中，uij表示诱导拒绝率参数，uij值的设定是基于车辆绕行程度的，其中，路网拥堵系数c中参数β、λ的设定以及诱导拒绝率参数uij与绕行参数ri对应关系的设定反映了交通***管理者与用户间的协调程度；
步骤7：基于步骤6中的概率分布将使用轮盘赌方法选择的路径提供给用户，若用户使用轮盘赌方法选择的路径后达到目的地，则结束动态路径选择方法，若用户使用轮盘赌方法选择的路径后还未到达目的地，则用户到达下一交通节点时，重复步骤3～步骤7直到用户到达期望终点。
2.根据权利要求1所述一种用户最优及***最优的动态路径选择方法，其特征在于，所述实时信息包括通行成本、当前路段、期望终点，其中，所述通行成本设置为旅行时间、燃油费或距离，选择其中之一。
CN201810992208.4A 2018-08-29 2018-08-29 一种用户最优及***最优的动态路径选择方法 Expired - Fee Related CN109238297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810992208.4A CN109238297B (zh) 2018-08-29 2018-08-29 一种用户最优及***最优的动态路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810992208.4A CN109238297B (zh) 2018-08-29 2018-08-29 一种用户最优及***最优的动态路径选择方法

Publications (2)

Publication Number Publication Date
CN109238297A CN109238297A (zh) 2019-01-18
CN109238297B true CN109238297B (zh) 2022-03-18

Family

ID=65069372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810992208.4A Expired - Fee Related CN109238297B (zh) 2018-08-29 2018-08-29 一种用户最优及***最优的动态路径选择方法

Country Status (1)

Country Link
CN (1) CN109238297B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947098A (zh) * 2019-03-06 2019-06-28 天津理工大学 一种基于机器学习策略的距离优先最佳路径选择方法
CN111667101B (zh) * 2020-05-22 2023-12-12 武汉大学 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及***
CN112652189B (zh) * 2020-12-30 2021-09-28 西南交通大学 基于策略流的交通分配方法、装置、设备及可读存储介质
CN113503888A (zh) * 2021-07-09 2021-10-15 复旦大学 一种基于交通信息物理***的动态路径引导方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007087928A1 (de) * 2006-02-01 2007-08-09 Siemens Aktiengesellschaft Verfahren und vorrichtung zur ermittlung einer umleitungsroute bei einem kraftfahrzeug mit einem nicht aktivierten navigationssystem
WO2009056388A1 (de) * 2007-10-31 2009-05-07 Robert Bosch Gmbh Navigationssystem und verfahren zur routenermittlung
CN102929281A (zh) * 2012-11-05 2013-02-13 西南科技大学 一种不完全感知环境下的机器人kNN路径规划方法
CN104658297A (zh) * 2015-02-04 2015-05-27 沈阳理工大学 一种基于Sarsa学习的中心式动态路径诱导方法
CN105096622A (zh) * 2015-08-11 2015-11-25 吉林大学 一种基于车路通信的动态路径诱导方法
CN105857107A (zh) * 2016-05-17 2016-08-17 上海交通大学 一种基于电网实时数据的电动汽车充电导航***
CN107389064A (zh) * 2017-07-27 2017-11-24 长安大学 一种基于惯性导航的无人车变道控制方法
CN107911299A (zh) * 2017-10-24 2018-04-13 浙江工商大学 一种基于深度q学习的路由规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100442018C (zh) * 2005-08-05 2008-12-10 北京工业大学 延误风险规避的车载导航***准动态路线优化方法
CN101308555A (zh) * 2008-06-27 2008-11-19 北京工业大学 多模式公交出行路径寻优方法
CN106952475B (zh) * 2017-04-26 2019-04-23 清华大学 用户均衡原则下的双路径路网个性化诱导率分配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007087928A1 (de) * 2006-02-01 2007-08-09 Siemens Aktiengesellschaft Verfahren und vorrichtung zur ermittlung einer umleitungsroute bei einem kraftfahrzeug mit einem nicht aktivierten navigationssystem
WO2009056388A1 (de) * 2007-10-31 2009-05-07 Robert Bosch Gmbh Navigationssystem und verfahren zur routenermittlung
CN102929281A (zh) * 2012-11-05 2013-02-13 西南科技大学 一种不完全感知环境下的机器人kNN路径规划方法
CN104658297A (zh) * 2015-02-04 2015-05-27 沈阳理工大学 一种基于Sarsa学习的中心式动态路径诱导方法
CN105096622A (zh) * 2015-08-11 2015-11-25 吉林大学 一种基于车路通信的动态路径诱导方法
CN105857107A (zh) * 2016-05-17 2016-08-17 上海交通大学 一种基于电网实时数据的电动汽车充电导航***
CN107389064A (zh) * 2017-07-27 2017-11-24 长安大学 一种基于惯性导航的无人车变道控制方法
CN107911299A (zh) * 2017-10-24 2018-04-13 浙江工商大学 一种基于深度q学习的路由规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Shanqing Yu ; Jing Zhou ; Bing Li ; Shingo Mabu ; Kotaro Hirasawa.Q value-based Dynamic Programming with SARSA Learning for real time route guidance in large scale road networks.《The 2012 International Joint Conference on Neural Networks》.2012,全文. *
强化学习在机器人路径规划中的应用研究;童亮，王准;《计算机仿真》;20131231;第30卷(第12期);全文 *

Also Published As

Publication number Publication date
CN109238297A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109238297B (zh) 一种用户最优及***最优的动态路径选择方法
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN112418547A (zh) 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
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***
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN112990648B (zh) 一种轨道交通网络运营稳定性评估方法
CN112146673A (zh) 基于改进蚁群算法的高速公路多点协同救援路径规划方法
CN112101676B (zh) 一种乘车路径规划方法、装置、计算机设备及存储介质
CN111504338B (zh) 一种基于小区疫情态势的步行路径规划方法及***
CN110929925A (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
CN112801399B (zh) 一种路径生成方法、装置、终端设备及存储介质
CN105427001A (zh) 地区中小学校校车最优路线与配置方法
CN112418514B (zh) 一种运用蚁群***优化校园公交线路规划的方法
CN111737826B (zh) 一种基于增强学习的轨道交通自动仿真建模方法及装置
Aswani et al. Game-theoretic routing of GPS-assisted vehicles for energy efficiency
De Nunzio et al. Bi-objective eco-routing in large urban road networks
Wu et al. Data-driven inverse learning of passenger preferences in urban public transits
CN116882842A (zh) 一种公共综合交通体系通达度评估方法
CN109887280B (zh) 一种交通网络节点关键度评估方法
CN111191817A (zh) 一种基于换乘客流量的公交线网拓扑划分方法
Song et al. Traffic prediction based route planning in urban road networks
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN114842641B (zh) 面向省域的多模式链式交通分配方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220318