CN110009906B - 基于交通预测的动态路径规划方法 - Google Patents

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

基于交通预测的动态路径规划方法

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V_i，任意两个相邻节点V_i和V_j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V_i指向V_j的连边E_ij，得到无权有向图G(V,E)；每个网格内得到流量向量f＝[q_N,q_E,q_S,q_W]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k_it，公式如下：

式中，v_it为网格内平均速度，q_1it,q_2it,q_3it,q_4it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,w_t)，

式中，t时刻连边E_ij的权值w_ij＝k_j+l_i

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,w_T+1),…,G(V,E,w_T+N)，n表示时间间隔；

步骤2.3将预测加权有向图G(V,E,w_T+1),…,G(V,E,w_T+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,w_T+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＜V_s,V_d＞；

步骤3.2路径p＜V_s,V_d＞中节点V_s和其下一节点V_s'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＜v_s,v_s'＞；

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＝[q_N,q_E,q_S,q_W]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：

w_ij＝k_j+l_i

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，k_ri表示真实网络内的第i个网格密度值，k_pi表示预测网络的第i个网格密度值，符号sign()表示k_ri和k_pi的匹配度，k_min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l_i,i＝1,...,3600，i表示网格编号；

3)网格速度{v_it},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f_it＝[q_1it,q_2it,q_3it,q_4it]，其中q_1it,q_2it,q_3it,q_4it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V_i，任意两个相邻节点V_i和V_j，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V_i指向V_j的连边E_ij，得到无权有向图G(V,E)；

2)计算t时刻每个网格内交通流密度k_it，公式为

3)设置t时刻连边E_ij的权值w_ijt，计算公式为w_ijt＝k_jt+l_i，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,w_T)，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,w_T+1),…,G(V,E,w_T+N)，初始化m值为1；

3)将有向图G(V,E,w_T),G(V,E,w_T+1),…,G(V,E,w_T+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,w_T+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＜V_s,V_d＞；

2)选择路径p＜V_s,V_d＞中节点V_s和其下一节点V_s'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＜v_s,v_s'＞；

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k_ri，i表示路径p＜V_s,V_d＞中的所有节点编号；

5)计算此时交通信息与预测交通信息的偏差，计算公式为

和

其中，k_pi表示步骤2中图G(V,E,w)内网格i的密度值，k_min＝(k_ri+k_pi)×10％；

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V_i，任意两个相邻节点V_i和V_j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V_i指向V_j的连边E_ij，得到无权有向图G(V,E)；每个网格内得到流量向量f＝[q_N,q_E,q_S,q_W]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k_it，公式如下：

式中，v_it为网格内平均速度，q_1it,q_2it,q_3it,q_4it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,w_t)，

式中，t时刻连边E_ij的权值w_ij＝k_j+l_i

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＜V_s,V_d＞；

步骤3.2路径p＜V_s,V_d＞中节点V_s和其下一节点V_s'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＜v_s,v_s'＞；

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k_ri，i表示路径p＜V_s,V_d＞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，k_pi表示步骤2中图G(V,E,w)内网格i的密度值，k_min＝(k_ri+k_pi)×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,w_T+1),…,G(V,E,w_T+N)，n表示时间间隔；

步骤2.3将预测加权有向图G(V,E,w_T+1),…,G(V,E,w_T+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,w_T+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。

Images