CN110009906B - 基于交通预测的动态路径规划方法 - Google Patents
基于交通预测的动态路径规划方法 Download PDFInfo
- Publication number
- CN110009906B CN110009906B CN201910225789.3A CN201910225789A CN110009906B CN 110009906 B CN110009906 B CN 110009906B CN 201910225789 A CN201910225789 A CN 201910225789A CN 110009906 B CN110009906 B CN 110009906B
- Authority
- CN
- China
- Prior art keywords
- network model
- time
- grid
- node
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一种基于交通信息的动态路径规划方法,包括:网络模型抽象,堆叠网络和时空滚动算法。所述网络模型抽象,将实际道路转化为节点和权值的网络图结构,分为上层网络模型抽象和下层网络模型抽象,权值设置综合考虑交通流密度和路径长度;所述堆叠网络,将实时交通信息和多个步长的预测交通信息进行整合,得到最终的网络模型;所述时空滚动算法,包含时间滚动和空间滚动过程,按照一定时间间隔刷新交通状态,实现动态的规划。本发明能够保证在交通较为拥堵的情况下,行程路径的增加量在一定范围内,但是大大缩短了行程时间。
Description
技术领域
本发明属于最优路径问题领域,具体是综合考虑实时交通信息、预测交通信息和道路长度的动态路径规划算法。
背景技术
最短路径问题是图论中的经典问题,也是地理信息科学等领域的研究热点,在交通规划、交通运输和物流管理等领域有着广泛的应用。现实中的网络实体(本发明中主要指实际路网),需要根据其特性将其抽象为图论中的网络图概念,即建立网络模型。在建立了网络模型之后,才能采用图论中的各种网络分析方法对其进行讨论研究。
下面介绍最优路径问题的相关背景技术,此背景技术不属于本动态路径规划算法所包含的内容,在相关文献或书籍中可以找到。
按照路段阻抗特征可以把路网分为两种类型,静态(static)路网和动态(dynamic)路网两类,动态路网又被称为时变路网或时间依赖路网;根据对路段阻抗的了解程度,又可分为确定型(deterministic)路网和随机型(stochastic)路网两类。确定型路网的路段阻抗是确切已知的,而随机型路网的路段阻抗是不确定的,可以用某些已知的概率分布对其进行描述。由此,最短路径问题或最优路径可以分为以下4类:1)静态确定型路网的最短路径问题,即路网中路段的阻抗是固定不变的,如著名的Dijkstra算法,以其为代表的宽度优先搜索算法在最优路径问题中应用已十分广泛,但该方法在求解时准备搜索所有的网络节点,在网络节点数较大的情况下,其算法的时间花费也很难满足实际运算的需要;2)静态随机型路网的最优路径问题,即路网中路段的阻抗是个与时间无关的随机变量;3)时变路网的最短路径问题,路网中的路段的阻抗随时间变化而变化,是依赖于时间的确定性函数,也称为时间依赖型最优路径问题或动态路网最短路径问题。该领域的研究首先将静态最短路径算法应用于时变网络,后来在理论上区分FIFO(先入先出)网络和Non-FIFO网络,分别进行算法研究,最后将研究内容应用到实际交通网络中;4)随机时变路网的最优路径问题,路网中路段的阻抗是依赖于时间的随机变量或随机分布函数。随机时变路网更具有一般性,相对其它网络模型也更为复杂,也更接近实际交通网络。在不同决策策略下,随机时变网络的最优路径会有不同定义。
通过查阅相关文献,最优路径问题已有许多成果。但其在实际应用上大多路段阻抗为常数,即针对静态路网。而城市交通的日益拥堵,意味着实际路网中的特征是随机变化的,将这种随机特征引入最优路径问题,对提高个人出行效率和车辆物流配送服务水平尤为必要。另一方面,Dijkstra算法作为经典的最优路径算法,在建立网络模型时,将实际路径抽象为网络中的一条边,实际路径的某些特征作为边的权值。采用图的表示方法时,无论是邻接矩阵还是邻接表,都要开辟大量的内存用以存储,此外,该方法在求解时准备搜索所有的网络节点,在网络节点数较大的情况下,其算法的时间花费也很难满足实际运算的需要。
发明内容
为克服上述现有技术的不足,本发明提供一种融合实时交通信息、预测交通信息以及路径长度的动态滚动规划方法,在保证行程路径的增加量在一定范围的同时,在交通较为拥堵的情况下大大缩短了行程时间。
本发明的技术解决方案如下:
一种基于交通信息的动态路径规划方法,其特征在于,包括网络模型抽象阶段,堆叠网络阶段和时空滚动算法阶段;
所述网络模型抽象阶段,将实际道路转化为节点和权值的网络图结构,分为上层网络模型抽象和下层网络模型抽象,权值设置综合考虑交通流密度和路径长度;
所述堆叠网络阶段,将实时交通信息和多个步长的预测交通信息进行整合,得到最终的网络模型;
所述时空滚动算法阶段,包含时间滚动和空间滚动过程,按照一定时间间隔刷新交通状态,实现动态的规划算法。
所述网络模型抽象阶段,包含上层网络模型抽象过程和下层网络模型抽象过程:
上层网络模型抽象过程:
①将实际路网进行栅格化,划分为等大小的多个网格,以每个网格为一节点,第i号网格即为节点Vi,任意两个相邻节点Vi和Vj的连线,即网格i和网格j的一条公共连边,从网格i到网格j若有道路相通,则产生一条由Vi指向Vj的连边Eij,得到无权有向图G(V,E);每个网格内得到流量向量f=[qN,qE,qS,qW]和平均速度v;
②初始化车辆当前所处节点s、目的节点d、当前时间t,计算t时刻每个网格内交通流密度kit,公式如下:
式中,vit为网格内平均速度,q1it,q2it,q3it,q4it分别表示北、东、南、西四个方向相邻网格流入的车流量;
③通过权值映射,得到加权有向图G(V,E,wt),
式中,t时刻连边Eij的权值wij=kj+li
下层网络模型抽象:
④以路口为节点,路口相连为连边,权值为路径长度,得到下层网络模型G(v,e,w)。
所述堆叠采样阶段具体步骤包括:
步骤2.1令m=1;
步骤2.2以当前时刻T为出发点,预测T+1,T+2,...,T+n时刻的全局交通状态,得到预测加权有向图G(V,E,wT+1),…,G(V,E,wT+N),n表示时间间隔;
步骤2.3将预测加权有向图G(V,E,wT+1),…,G(V,E,wT+N)进行堆叠,以当前所处位置s为中心,s+m圈的节点权值选择T+m时刻的加权有向图G(V,E,wT+m)的权值;s表示的是一个网格,s+1圈网格指的是:以s为中心,紧紧围绕着s网格的第1圈网格,也就是附图4右边图形中t+1时刻所画的红色折线所贯穿过的网格;依次类推,s+2圈网格指s+1圈网格外的再一圈网格,也就是附图4右边图形中t+2时刻所画的红色折线贯穿过的网格。s+m描述的其实是一圈网格,每一圈网格的权值进行了重新采样(即步骤2.3中描述的权值选择),若这一圈网格包含了目的网格d,则代表采样可以结束,该过程在实施例2-4)的描述较为准确,即采样结束得到了新的更新过权值后的加权有向图。
步骤2.4令m=m+1,如果s+m与d重合,则得到加权有向图G(V,E,w),否则返回步骤2.2。
所述时空滚动算法,包含时间滚动过程和空间滚动过程,具体如下:
步骤3.1基于加权有向图G(V,E,w)运行一次Dijkstra算法,得到上层网络的规划结果,包含从节点s到节点d的所有节点编号,表示为p<Vs,Vd>;
步骤3.2路径p<Vs,Vd>中节点Vs和其下一节点Vs'中的所有道路,构建下层网络模型G(v,e,w),运行Dijkstra算法,得到下层路径p<vs,vs'>;
步骤3.3更新车辆节点s=s',判断条件s=d是否满足,若满足,则结束规步骤一中网络图的抽象和权值映射工作通过以下步骤获得:
1)对路网进行栅格化操作,即将其划分为等大小的网格,针对每个网格,得到流量向量f=[qN,qE,qS,qW]和平均速度v,以网格为节点,网格间是否有道路连通判断节点是否具有连边,得到无权有向图;
2)权值设置方法为下述公式:
wij=kj+li
i,j分别表示网格编号,k为网格内密度,l为网格内最长道路的路径长度,q1,q2,q3,q4分别表示北、东、南、西四个方向相邻网格流入的车流量,v为网格内平均速度。
步骤七中偏差计算通过以下方法获得:
以车辆当前所处节点s和目的节点d为对角线,得到一个包围当前节点和目的节点的最小矩形,根据下述公式计算:
其中n表示该矩形网络中所具有的节点个数,kri表示真实网络内的第i个网格密度值,kpi表示预测网络的第i个网格密度值,符号sign()表示kri和kpi的匹配度,kmin为提前设定的值。
与现有技术相比,本发明在全程交通流畅时能够选择最短路径,而在局部发生拥堵时可以自动避开拥堵路段,从而实现整体上的行程时间最短。
附图说明
图1是本发明***框图;
图2是本发明步骤一中密度计算示意图;
图3是本发明步骤一中权值映射过程图;
图4是本发明步骤三和步骤四中堆叠采样示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本发明的保护范围不限于下述的实施例。
本实施例中路网为上海市地面路网,包含1546个路口,30357条路段。将该路网划分为60*60的等大小网格,按照从左到右从上到下依次编号为1,2,…,3600,已知信息有:
1)车辆出发网格s,目的网格d,出发时刻T,s、d均为网格编号;
2)网格内最长路段长度li,i=1,...,3600,i表示网格编号;
3)网格速度{vit},t=1,2,...,144,其中t表示一天中的时刻,从00:00开始每隔10分钟一次,即t=1表示的时刻为00:00,t=2表示的时刻为00:10,依此类推,t=144表示的时刻为23:50;网格速度的计算在专利201610686958.X中有详细说明;
4)网格流量fit=[q1it,q2it,q3it,q4it],其中q1it,q2it,q3it,q4it分别表示北、东、南、西四个方向相邻网格在t-1时刻至t时刻流入网格i内的流量。
基于上述已知信息,具体实施步骤为:
1、上层网络模型抽象
本实施例中上层网络模型抽象过程具体步骤为:
1)以网格为节点,第i号网格即为节点Vi,任意两个相邻节点Vi和Vj,即网格i和网格j必须有一条公共连边,从网格i到网格j若有道路相通,则产生一条由Vi指向Vj的连边Eij,得到无权有向图G(V,E);
3)设置t时刻连边Eij的权值wijt,计算公式为wijt=kjt+li,得到加权有向图。
2、堆叠网络
本实施例中堆叠网络的形成过程如图4所示,包括如下步骤:
1)已知车辆当前所处位置s、目的地位置d和当前时刻T,根据上述1中方法已得到当前时刻的上层网络G(V,E,wT),此为实时加权有向图;
2)以当前时刻为出发点,预测T+1,T+2,...,T+N时刻的全局交通状态,预测方法为专利201610686958.X中所提到的方法,得到预测加权有向图G(V,E,wT+1),…,G(V,E,wT+N),初始化m值为1;
3)将有向图G(V,E,wT),G(V,E,wT+1),…,G(V,E,wT+N)进行堆叠,以节点s为中心,s+m圈的节点(与s相邻的节点)权值选择T+m时刻的加权有向图G(V,E,wT+m)的权值;
4)m值加1,重复上述步骤2-3),依次采样,直到采样节点到达目的节点d。最后得到新的加权有向图G(V,E,w)。
3、时空滚动算法
本实施例中的时刻滚动算法如图1所示,实施步骤如下:
1)在上述步骤2中的加权有向图G(V,E,w)运行一次Dijkstra算法,得到上层网络的规划结果,包含从节点s到节点d的所有节点编号,表示为p<Vs,Vd>;
2)选择路径p<Vs,Vd>中节点Vs和其下一节点Vs'中的所有道路,以路口为节点,实际道路为连边,路径长度为权值,构建下层网络模型G(v,e,w),运行Dijkstra算法,得到下层路径p<vs,vs'>;
3)更新车辆出发节点s=s',判断条件s=d是否满足,若满足,则结束规划,否则,进行步骤4);
4)计算此时的网格密度值kri,i表示路径p<Vs,Vd>中的所有节点编号;
6)设置阈值为0.35,将上述步骤5)中计算得到的err与阈值进行比较,若小于阈值,则回到步骤3、时空滚动算法下的第2)小步,若大于阈值,则回到步骤2的第1)小步。
经试验表明,本实施例采用的基于交通信息的动态路径规划算法,相对于传统的静态规划算法,能够保证行程路径在一定范围内,同时在交通较为拥堵的情况下,大大缩短了行程时间。
Claims (2)
1.一种基于交通信息的动态路径规划方法,其特征在于,包括网络模型抽象阶段,堆叠网络阶段和时空滚动算法阶段;
所述网络模型抽象阶段,将实际道路转化为节点和权值的网络图结构,分为上层网络模型抽象和下层网络模型抽象,权值设置综合考虑交通流密度和路径长度;所述网络模型抽象阶段,包含上层网络模型抽象过程和下层网络模型抽象过程:
上层网络模型抽象过程:
①将实际路网进行栅格化,划分为等大小的多个网格,以每个网格为一节点,第i号网格即为节点Vi,任意两个相邻节点Vi和Vj的连线,即网格i和网格j的一条公共连边,从网格i到网格j若有道路相通,则产生一条由Vi指向Vj的连边Eij,得到无权有向图G(V,E);每个网格内得到流量向量f=[qN,qE,qS,qW]和平均速度v;
②初始化车辆当前所处节点s、目的节点d、当前时间t,计算t时刻每个网格内交通流密度kit,公式如下:
式中,vit为网格内平均速度,q1it,q2it,q3it,q4it分别表示北、东、南、西四个方向相邻网格流入的车流量;
③通过权值映射,得到加权有向图G(V,E,wt),
式中,t时刻连边Eij的权值wij=kj+li
下层网络模型抽象:
④以路口为节点,路口相连为连边,权值为路径长度,得到下层网络模型G(v,e,w);
所述堆叠网络阶段,将实时交通信息和多个步长的预测交通信息进行整合,得到最终的网络模型;
所述时空滚动算法阶段,包含时间滚动和空间滚动过程,按照一定时间间隔刷新交通状态,实现动态的规划算法;
所述时空滚动算法,包含时间滚动过程和空间滚动过程,具体如下:
步骤3.1基于加权有向图G(V,E,w)运行一次Dijkstra算法,得到上层网络的规划结果,包含从节点s到节点d的所有节点编号,表示为p<Vs,Vd>;
步骤3.2路径p<Vs,Vd>中节点Vs和其下一节点Vs'中的所有道路,构建下层网络模型G(v,e,w),运行Dijkstra算法,得到下层路径p<vs,vs'>;
步骤3.3更新车辆节点s=s',判断条件s=d是否满足,若满足,则结束规划,否则,进入步骤3.4);
步骤3.4)设当前网格密度值kri,i表示路径p<Vs,Vd>中的所有节点编号;
步骤3.5)计算当前交通信息与预测交通信息的偏差err,公式如下:
式中,kpi表示步骤2中图G(V,E,w)内网格i的密度值,kmin=(kri+kpi)×10%
步骤3.6)设置阈值,如果偏差err小于阈值,返回步骤3.2,若偏差err大于阈值,则返回步骤2.1。
2.根据权利要求1所述基于交通信息的动态路径规划方法,其特征在于,所述堆叠采样阶段具体步骤包括:
步骤2.1令m=1;
步骤2.2以当前时刻T为出发点,预测T+1,T+2,...,T+n时刻的全局交通状态,得到预测加权有向图G(V,E,wT+1),…,G(V,E,wT+N),n表示时间间隔;
步骤2.3将预测加权有向图G(V,E,wT+1),…,G(V,E,wT+N)进行堆叠,以当前所处位置s为中心,s+m圈的节点权值选择T+m时刻的加权有向图G(V,E,wT+m)的权值;
步骤2.4令m=m+1,如果s+m与d重合,则得到加权有向图G(V,E,w),否则返回步骤2.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225789.3A CN110009906B (zh) | 2019-03-25 | 2019-03-25 | 基于交通预测的动态路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225789.3A CN110009906B (zh) | 2019-03-25 | 2019-03-25 | 基于交通预测的动态路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009906A CN110009906A (zh) | 2019-07-12 |
CN110009906B true CN110009906B (zh) | 2021-07-27 |
Family
ID=67167935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225789.3A Active CN110009906B (zh) | 2019-03-25 | 2019-03-25 | 基于交通预测的动态路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009906B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782178B (zh) * | 2019-11-01 | 2020-11-06 | 北京航空航天大学 | 一种交通网络规划辅助决策方法及装置 |
CN111415048B (zh) * | 2020-04-10 | 2024-04-19 | 大连海事大学 | 一种基于强化学习的车辆路径规划方法 |
CN114463982B (zh) * | 2020-06-30 | 2023-09-29 | 北京百度网讯科技有限公司 | 交通设施控制方法、装置、设备和介质 |
CN114283575B (zh) * | 2020-09-27 | 2023-02-07 | 上海交通大学 | 基于视频监控数据的信号灯交叉路口排队长度估计方法 |
CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
CN112529254B (zh) * | 2020-11-19 | 2022-11-25 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
CN112687106B (zh) * | 2021-03-11 | 2021-07-13 | 杭州电子科技大学 | 一种基于交通路网动静态综合模型的路径优化方法 |
CN115311856B (zh) * | 2022-08-04 | 2023-12-26 | 广西新发展交通集团有限公司 | 一种对路网重要节点进行交通管控的判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005055974A (ja) * | 2003-08-06 | 2005-03-03 | Zuken Inc | 電流経路の算出方法、dc抵抗値の算出方法、それらの装置、それらのプログラムおよびコンピュータ読み取り可能な記録媒体 |
CN101739817A (zh) * | 2009-11-26 | 2010-06-16 | 西北工业大学 | 一种动态起点的最短路径规划方法 |
CN103994768A (zh) * | 2014-05-23 | 2014-08-20 | 北京交通大学 | 动态时变环境下寻求全局时间最优路径的方法 |
CN105841709A (zh) * | 2016-03-22 | 2016-08-10 | 吉林大学 | 一种汽车行驶路径规划方法 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
-
2019
- 2019-03-25 CN CN201910225789.3A patent/CN110009906B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005055974A (ja) * | 2003-08-06 | 2005-03-03 | Zuken Inc | 電流経路の算出方法、dc抵抗値の算出方法、それらの装置、それらのプログラムおよびコンピュータ読み取り可能な記録媒体 |
CN101739817A (zh) * | 2009-11-26 | 2010-06-16 | 西北工业大学 | 一种动态起点的最短路径规划方法 |
CN103994768A (zh) * | 2014-05-23 | 2014-08-20 | 北京交通大学 | 动态时变环境下寻求全局时间最优路径的方法 |
CN105841709A (zh) * | 2016-03-22 | 2016-08-10 | 吉林大学 | 一种汽车行驶路径规划方法 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Short Term Diverging Traffic Flow Prediction based on ImF-VOMM Method;Xiangxiang Yu, Dewei Li, Yugeng Xi;《Proceedings of the 37th Chinese Control Conference》;20180627;第4351-4356页 * |
基于交通流量预测的动态最优路径规划研究;刘智琦,李春贵,陈波;《广西工学院学报》;20120630;第23卷(第2期);第41-45页 * |
基于动态交通的最短时间路径规划方法研究;向冬梅,陈树辉;《管控一体化》;20120930;第28卷(第9期);第317-319页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110009906A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009906B (zh) | 基于交通预测的动态路径规划方法 | |
AU2020203551A1 (en) | Dynamically determining origin and destination locations for a network system | |
CN109724611A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
Alazab et al. | An optimal transportation routing approach using GIS-based dynamic traffic flows | |
JP2002259888A (ja) | シミュレーション制御プログラム、方法及び装置 | |
Zhao et al. | Dynamic path planning of emergency vehicles based on travel time prediction | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
WO2023276420A1 (en) | Distributed multi-task machine learning for traffic prediction | |
KR20230057558A (ko) | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 | |
CN113516277A (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
Wei et al. | A knowledge-based problem solving method in GIS application | |
Ahmed et al. | Mobile-based Routes Network Analysis for Emergency Response Using an Enhanced Dijkstra's Algorithm and AHP. | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
Zavin et al. | Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Moshtagh et al. | The Stochastic Queue Core problem, evacuation networks, and state-dependent queues | |
CN106651010A (zh) | 一种基于最短路径的线网划分方法 | |
Habibi et al. | An Intelligent Traffic Light Scheduling Algorithm by using fuzzy logic and gravitational search algorithm and considering emergency vehicles | |
CN107679653B (zh) | 一种基于优势出行距离的od分配方法 | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及*** | |
Yang et al. | GIS‐Based Analysis of Railway’s Origin/Destination Path‐Selecting Behavior | |
Liu et al. | A benchmark generator for dynamic capacitated arc routing problems | |
Xie et al. | A network condition-centric flow selection and rerouting strategy to mitigate air traffic congestion under uncertainties | |
Pan et al. | A Discussion on the Evolution of the Pathfinding Algorithms | |
Pang et al. | Transit route planning for megacities based on demand density of complex networks |
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 |