CN112629533B - 基于路网栅格化道路车流预测的精细化路径规划方法 - Google Patents
基于路网栅格化道路车流预测的精细化路径规划方法 Download PDFInfo
- Publication number
- CN112629533B CN112629533B CN202011252260.XA CN202011252260A CN112629533B CN 112629533 B CN112629533 B CN 112629533B CN 202011252260 A CN202011252260 A CN 202011252260A CN 112629533 B CN112629533 B CN 112629533B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- grid
- node
- 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.)
- Active
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
-
- 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
本发明基于路网栅格化道路车流预测的路径规划方法,步骤如下:基于城市的路网图,将城市划分为M×N的网格区域,在城市的路网中,将某一时刻的所有车辆的GPS或北斗数据根据经纬度和方向分配到所属的网格内,得到城市路网图的向不同方向的密度图;将得到的路网的某一时刻的密度图作为神经网络的输入,利用前30±15分钟的路网密度数据预测未来10±5分钟的神经网络;根据预测前某一时刻的道路周围网格区域的车流密度以及道路车流密度和平均速度的关系,计算得到预测后各道路的车辆平均行驶速度。根据某车辆当前所在位置划分一个栅格区域,并根据预测的未来10±5分钟的道路车辆密度和平均行驶速度信息,选择车辆在某一栅格区域内的道路。
Description
技术领域
本发明属于智能交通技术领域,涉及基于神经网络的城市交通密度预测方法及基于交通预测的车辆路径规划方法。
背景技术
随着智能交通的发展,城市道路基础设施不断完善,城市获取各种交通信息的途径丰富多样,很轻松就能获得所需要的交通数据。交通数据具有数量巨大,种类繁多,规律难以表述等特征,人工智能和神经网络可以很好地帮助我们找寻出大量交通数据中隐藏的规律。利用神经网络找寻交通状况中的规律,可以预测未来交通状况的走向,制定更加有效,高效的交通管理措施。这因此利用神经网络进行交通预测是具有极大潜力的,并且它们的优点使其成为当前智能交通技术领域的研究热点之一。
而目前传统的车辆路径规划算法是这样子实现的:对于车辆从起点到目的地,通过遍历路网的节点和道路,寻找到距离目的地最近的道路。传统的车辆路径规划算法能够找到起点和目的地之间的最短路径,但也存在着如下许多缺陷:不能灵活智能地适应复杂多变的城市道路交通;距离远时计算量巨大;容易指引所有车辆往少量道路上行驶造成交通拥堵;选择的道路不具备可调整性。在智能交通和人工智能发展的基础上,传统的车辆路径规划算法已逐渐被改进并且被其他路径规划算法所替换,以便在智能交通与人工智能技术的环境下进行有效的城市交通管理,并进一步适应智能交通与人工智能的发展与应用。
经过对现有文献的检索发现,Jinglin Li等人以及Meng Chen等人分别于2019年在《IEEE INTERNET OF THINGS JOURNAL(IEEE物联网杂志)》和2018年在《IEEETransactions on Intelligent Transportation Systems(IEEE智能交通***学报)》上发表了题为“An End-to-End Load Balancer Based on Deep Learning for VehicularNetwork Traffic Control(基于深度学习的用于车载网络流量控制的端到端负载均衡器)”与“PCNN:Deep Convolutional Networks for Short-Term Traffic CongestionPrediction(PCNN:深度卷积网络短期交通拥堵预测)”的文章。这些文章基于神经网络,分别提出了区域级和道路级的城市交通流量预测方法。尽管区域级和道路级的城市交通流量预测方法能满足部分我们对城市交通状况预测的需求,对指定交通管理措施起到一定指导作用,但对于城市级数量的道路交通密度预测的问题而言,它们难以满足未来智能交通中路径规划的要求。
经检索还发现,为了进一步优化车辆路径规划算法,Chang Guo等人在2018年发表的题为“Real-Time Path Planning in Urban Area via VANET-Assisted TrafficInformation Sharing(通过VANET辅助的交通信息共享进行城市实时路径规划)”的文章中,提出了一种根据实时信息改变车辆行驶路径的方法。通过实时判断前方道路车流状况,判断前方是否是拥堵路段,是否需要更换道路行驶,该方法在一定程度上避免车辆在拥堵路段上行驶。此外,经检索还发现,Miao Wang等人在2015年《IEEE TRANSACTIONS ONVEHICULAR TECHNOLOGY(IEEE车辆技术杂志)》上发表了题为“Real-Time Path PlanningBased on Hybrid-VANET-Enhanced Transportation System(基于实时路径规划混合式VANET增强运输***)”的文章,该文章在基于路网流量最优化的基础上,对于拥堵程度不同的道路和十字路口进行优先度排序,在拥堵路段和十字路口的车辆可以得到优先更换道路的权利,该方法在一定程度上可以促进路网流量最优化。
综上所述,现有技术存在的问题是:(1)现有的交通预测方法一般局限为区域级或道路级,难以预测城市数量级的道路车流量(2)大部分路径规划算法无法适应多变的城市交通状况(3)实时根据道路信息调整车辆路径,往往出现明知前方拥堵却没有可选道路的情况。解决上述技术问题的意义在于:基于目前人工智能技术的发展与智能交通技术的进步,更加高效可靠的城市交通预测方法可以提高交通预测的准确度和丰富交通预测的信息量,为未来城市交通管理措施提供新的思路并促进智能交通领域技术及人工智能在交通领域应用的发展。
发明内容
针对现有技术存在的问题,本发明目的在进行城市路网栅格化道路车辆密度预测的基础上提供了一种栅格化的精细路径规划方法。
本发明技术方案是这样实现的,基于路网栅格化道路车流预测的路径规划方法,所述城市路网栅格化道路车流密度预测方法及栅格化精细路径规划方法包括以下步骤:
步骤1:基于城市的路网图,将城市划分为M×N(M、N均为30-200)的网格区域,在城市的路网中,将某一时刻的所有车辆的GPS或北斗数据根据经纬度和方向分配到所属的网格内,得到城市路网图的向不同方向的密度图;
步骤2:将得到的路网的某一时刻的密度图作为神经网络的输入,利用前30±15分钟的路网密度数据预测未来10±5分钟的神经网络;
步骤3:根据预测前某一时刻的道路周围网格区域的车流密度以及道路车流密度和平均速度的关系,计算得到预测后各道路的车辆平均行驶速度。
步骤4:根据某车辆当前所在位置划分一个栅格区域,并根据预测的未来10±5分钟的道路车辆密度和平均行驶速度信息,选择车辆在某一栅格区域内的道路。
步骤5:若某车辆的行驶终点不在栅格区域内,在车辆即将完成该10±5分钟内规划的路程时重复步骤4,直到终点位于某栅格区域内。
进一步,所述利用卷积神经网络来对城市级别区域范围内的交通(车辆)密度预测,可以有效预测未来一定时间的交通变化(车辆道路流量)变化情况。
所述的城市路网图进行网格划分,且根据车辆的行驶方向划分东南西北四个方向区间,因此可以根据网格与具体道路进行匹配,将城市区域级的交通预测精细化到每一条道路上。
车辆进行路径规划同时考虑栅格区域内道路的密度预测信息计算车辆的最短路径以及栅格区域边缘点距离终点的估算距离,保证车辆在前往终点的有效道路上。本发明主要是利用预测信息来把握未来交通的变化趋势。
道路的车流密度与道路平均速度有密切关系,本方法利用道路的车流密度计算每个道路的车辆平均速度并用于路径规划。
车辆利用预测的交通信息来进行路径规划,可以避免选择未来将会变得拥堵的路段,长期还具备交通诱导、均衡城市道路车流量的作用。
尤其是车辆每次只对10分钟区域内路径进行规划,可以有效减少交通预测随着时间变长,预测准确度指数下降的问题,同时可以减少道路突发事故带来的拥堵。可以有效减少交通预测随着时间变长,准确度指数下降的问题,同时可以更加适应复杂多变的交通情况。
所述的车辆进行路径规划时同时考虑栅格区域内利用车辆密度预测信息计算的最短路径以及栅格区域边缘点距离终点的估算距离,保证车辆在前往终点的有效道路上。
以交通大数据中心作为收集交通信息,进行交通预测并为车辆提供路径规划的中心控制管理机制实现步骤如下:当一辆车辆需要从起点到终点进行路径规划时,划分以起点为原点,半径为10分钟路程的扇形区域内的道路作为栅格区域,向交通管理器发送进入时刻以及起点终点;交通大数据中心不断根据城市交通收集的信息预测未来的交通信息,在收到车辆的路径需求信息后根据栅格内的预测信息以及栅格边缘点到终点的估算距离为车辆进行栅格内路径的规划;
城市路网典型的划分为100乘100的网格区域并将车辆的行驶方向划分成东南西北四个方向区域,然后以10分钟为一个时间区间将车辆的GPS数据根据经纬度和行驶方向分配到所属的网格内,得到城市路网中车辆往各个方向行驶的密度图:
采用卷积神经网络和残差神经结构来进行交通预测,将实时收集的车流密度图(前30±15分钟的路网密度数据)作为神经网络的输入就用于预测下一个时间区间即10分钟后的车流密度图,并将密度图与路网中的每一条道路进行匹配,最后根据道路密度与道路平均速度的关系v=vmax(1-λ/λmax),计算每条道路的平均行驶速度,得到各条道路的速度信息(某时刻t从i到j的道路的平均速度):
其中vmax是道路的限速,λ和λmax分别是道路的车流密度与车流密度最大值。
在路径规划部分,栅格化精细路径规划分为栅格内最优路径计算以及从起点经各节点到终点的估算距离计算两个方面,当某车辆t时刻从起点O到终点D,根据两点的距离建立椭圆的路径搜索空间即从起点O到终点D可能经过的节点(节点代表不同道路的连接点,在一个栅格区域内存在多个节点),对于搜索空间内的节点计算其到终点的估算距离;路径规划的栅格与交通预测的栅格不太一样,路径规划的栅格是根据车辆位置划分的10分钟路程内即10min*vmax内的小栅格区域综合,然后节点是道路的连接点,即道路是从A点到B点的这种节点,然后边缘点就是节点位于大栅格的最***并且可以从这个节点离开当前栅格区域的节点。
每次车辆划分当前位置为原点,半径为10分钟路程内的所有路网预测小栅格区域作为车辆路径规划的大栅格区域,根据预测信息计算当前位置到栅格内边缘点(边缘点即为点位于栅格的边缘位置,并存在从该点离开栅格的道路)的最短时间及路径,再综合边缘节点到终点的估算距离,判断从哪个边缘节点离开栅格区域,当车辆即将离开栅格区域时重新划分栅格,进行路径计算过程,直到终点在栅格内时终止;
首先定义栅格区域的节点集为A={a1,a2,a3…}以及搜索空间B={b1,b2,b3…}
综上所述,本实施例提供的每次车辆进行栅格化的路径规划问题可以写成:
其中ai,分别是栅格区域内的普通节点和边缘节点,/>为当前位置到栅格区域边缘节点ai的最短时间,/>为边缘节点到终点的估算距离,α为0,1之间的权值,该权值的意思是栅格内根据预测信息进行的路径规划占较大的权重,这是因为栅格内的路径规划是根据预测信息计算的精确的时间,而估算距离是根据静态交通信息计算的值,比根据预测信息计算的准确度低。
每次车辆划分栅格都进行一次上述问题的求解,当ai中包括终点时终止。
本发明是一种基于路网栅格化道路车流预测的精细化路径规划方法。采用城市交通密度方向划分,利用神经网络预测交通密度以及车辆导航的栅格化路径规划算法。由于道路的平均速度与道路的车流量密度紧密相关,车辆能够根据预测的城市道路车流量密度阶段性地选择不同道路,从而寻找每个阶段中时间代价最小的行驶路径。相比于传统的交通导航方法,本发明基于人工智能技术来预测城市道路车流密度,通过栅格化的路径规划算法避免车辆重复拥堵情况,能够找出通往目的地所需时间更短的道路,提高行驶过程的平均速度,进一步达到交通诱导的作用。
有益效果:与现有技术相比,本发明的优点如下,首先,该城市路网栅格化道路车辆密度预测方法及栅格化的精细路径规划方法能够有效地避免车辆往拥堵区域和路段方向行驶;其次,城市级的路网栅格化道路车流密度预测方法是本专利的突出贡献之一;再次,车辆进行路径规划时进行栅格化的阶段性路径规划,降低了计算的复杂度,提高了车辆选择道路的灵活性,极大程度上提高了整个交通***的鲁棒性。
附图说明
图1是本发明实施例所采用的栅格化精细路径规划场景图。
图2是本发明实施例城市路网栅格化道路车流密度预测框图。
图3是本发明实施例栅格区域内最优路径算法实现框图。
图4是本发明实施例各节点到终点估算距离算法实现框图。
图5基于预测信息的栅格化精细路径规划方法和传统路径规划方法的平均出行时间比较示意图;
图6基于预测信息的栅格化精细路径规划方法和传统路径规划方法的平均出行速度比较示意图;
图7基于预测信息的栅格化精细路径规划方法和传统路径规划方法的平均计算时间比较示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当理解,此处所描述的具体实例仅仅用以解释本发明,但本发明的保护范围不限于下述的实施例。
实施例
本实施例采用了图1的城市交通路网场景,提出了一种城市路网栅格化道路车辆密度预测方法及栅格化的精细路径规划方法。首先在该交通场景下,需要在城市设立交通大数据中心。交通大数据中心负责整个城市交通数据的收集,将收集的信息进行整理分析,并利用神经网络进行城市路网栅格化的道路车辆密度预测,然后根据预测的交通信息为需要进行路径规划的车辆提供服务。
本实施例的基本目标是通过利用基于人工智能的交通预测技术得到路网交通预测信息,并用于车辆的路径选择。为了避免长时间预测导致的准确度下降和减少路径规划的计算量,交通大数据中心每次只需要对以车辆为中心半径为10分钟路程的栅格区域内的路径进行规划。以交通大数据中心作为收集交通信息,进行交通预测并为车辆提供路径规划的中心控制管理机制实现步骤如下:当一辆车辆需要从起点到终点进行路径规划时,划分以起点为原点,半径为10分钟路程的扇形区域内的道路作为栅格区域,向交通管理器发送进入时刻以及起点终点;交通大数据中心不断根据城市交通收集的信息预测未来的交通信息,在收到车辆的路径需求信息后根据栅格内的预测信息以及栅格边缘点到终点的估算距离为车辆进行栅格内路径的规划。上述车辆路径规划机制的特点在于,车辆需要进行路径规划时交通大数据中心只需要进行栅格内的路径计算,计算复杂度低,此外交通大数据中心每次只为车辆规划10分钟的路径,可以使得车辆的路径具备可调整性并充分利用预测的交通信息。
在本实施例中可将城市路网栅格化道路车辆密度预测方法及栅格化的精细路径规划方法分为交通预测,路径规划两个部分。
在交通预测部分,我们将某城市路网典型的划分为100乘100的网格区域并将车辆的行驶方向划分成东南西北四个方向区域,然后以10分钟为一个时间区间将车辆的GPS数据根据经纬度和行驶方向分配到所属的网格内,得到城市路网中车辆往各个方向行驶的密度图:
其中(m,n)为第m行第n列的网格区域,是t时刻车辆k的信息,包括位置信息以及速度信息/> 意味着车辆t时刻在网格区域(m,n)内且行驶方向在方向区间si内。因此位于行驶方向si的网格区域(m,n)内的车辆密度可用xt(si,m,n)来表示。最后我们可以得到每个时间间隔的城市路网车流密度分布情况:
{Xt|t=t0,t0-1…}
其次我们建立一个神经网络来进行交通的预测。在本发明中我们采用了卷积神经网络和残差神经结构来进行交通预测,卷积神经网络是一种功能强大的神经网络,通过共享参数等可以大量减少神经网络的训练复杂度,而残差神经结构在训练深层次网络中表现出很好的效果。一层卷积神经网络可以用下式表示:
Xl+1=fl(Wl*Xl+bl)
其中*代表卷积运算,Xl是神经网络的输入也是上一层神经网络的输出,Xl+1则是该层神经网络的输出,Wl和bl是该层神经网络的线性运算参数,而fl是该层神经网络的非线性运算函数,在本研究中我们采用的是ReLu函数。
而残差神经结构由三层卷积神经网络组成,并且它的输入与输出是相连的,因此它的公式如下:
和/>分别是残差神经结构的输入和输出,/>指的是残差神经结构的具体构造,其包含了3个卷积神经网络和ReLu函数。
然后根据历史交通信息以及误差函数对神经网络进行训练,训练目标是使得误差函数的值最小,误差函数如下:
其中xt(si,m,n)和分别是交通信息的真实值以及预测值,S是方向区间的个数,比如在东南西北四个方向区间的情况下S=4。
最后将实时收集的车流密度图作为神经网络的输入就可以预测下一个时间区间的车流密度图,并将密度图与路网中的每一条道路进行匹配,最后根据道路密度与道路平均速度的关系v=vmax(1-λ/λmax),计算每条道路的平均行驶速度,得到各条道路的速度信息(某时刻t从i到j的道路的平均速度):
V(i,j,t)
城市路网栅格化的交通车流密度预测效果如图2所示。
在路径规划部分,栅格化精细路径规划可分为栅格内最优路径计算以及从起点经各节点到终点的估算距离计算两个方面,当某车辆t时刻从起点O到终点D,根据两点的距离建立椭圆的路径搜索空间即从起点O到终点D可能经过的节点(节点代表不同道路的连接点,在一个栅格区域内存在多个节点),对于搜索空间内的节点计算其到终点的估算距离。每次车辆划分当前位置为原点,半径为10分钟路程内的所有路网预测小栅格区域作为车辆路径规划的大栅格区域,根据预测信息计算当前位置到栅格内边缘点(边缘点即为点位于栅格的边缘位置,并存在从该点离开栅格的道路)的最短时间及路径,再综合边缘节点到终点的估算距离,判断从哪个边缘节点离开栅格区域,当车辆即将离开栅格区域时重新划分栅格,进行路径计算过程,直到终点在栅格内时终止。在这我们首先定义栅格区域的节点集为A={a1,a2,a3…}以及搜索空间B={b1,b2,b3…}
综上所述,本实施例提供的每次车辆进行栅格化的路径规划问题可以写成:
其中ai,分别是栅格区域内的普通节点和边缘节点,/>为当前位置到栅格区域边缘节点ai的最短时间,/>为边缘节点到终点的估算距离,α为0,1之间的权值,该权值的意思是栅格内根据预测信息进行的路径规划占较大的权重,这是因为栅格内的路径规划是根据预测信息计算的精确的时间,而估算距离是根据静态交通信息计算的值,比根据预测信息计算的准确度低。
路径规划的栅格与交通预测的栅格不太一样,路径规划的栅格是根据车辆位置划分的10分钟路程内即10min*vmax内的小栅格区域综合,然后节点是道路的连接点,即道路是从A点到B点的这种节点,然后边缘点就是节点位于大栅格的最***并且可以从这个节点离开当前栅格区域的节点。
每次车辆划分栅格都进行一次上述问题的求解,当ai中包括终点时终止。
求解上述问题包括两方面计算,各节点到终点的估算距离计算以及栅格内最优路径计算,其求解过程分别如图3和图4所示。
对于栅格内的最优路径计算,参考dijistra算法,计算从起点到栅格内边缘点的最短时间,每次从栅格内未选择过的节点中选择离起点所需时间最短的节点,更新起点到其邻居节点的最短时间:
其中ai为所选的节点,为该节点的邻居节点,Li,j为两点间的距离,V(i,j,T(ai))为车辆在T(ai)时刻根据交通预测所得到的两节点间道路的平均行驶速度。
然后将计算完毕的节点ai列为已选择节点,再重复进行下一个离起点所需时间最短的节点的选择,直到所有节点均被迭代完毕或者离起点所需时间最短的节点的值为无穷大,即得到起点到各边缘点的最短时间T。
对于各节点到终点的估算距离的计算,对于搜索空间内的节点,我们首先采用分层的方法将整个节点集根据节点到终点之间的节点数进行分层,然后计算每一层的节点到终点的估算距离。具体来说,从终点D开始,将节点集B中的节点进行分层,若节点距离终点D之间至少还存在n个节点,那该节点即属于第n层节点,然后根据静态的道路信息,从第0层节点开始,每次计算第j层中的节点距离终点的估算距离,如下式:
其中为第j层中的节点,/>为/>在第j-1层中的邻居节点,根据上述公式最终可以得到各点到终点D的估算距离Q。
最后根据基于交通预测信息的从起点到边缘节点的最短时间T以及基于静态交通信息的边缘节点到终点的估算距离D可以求解并求的车辆在栅格区域内的具体行驶路径。
为了使本实施例更具直观性并且比较基于交通预测信息的栅格化精细路径规划算法与传统路径规划算法的性能优劣,图5,6,7展示了基于交通预测的栅格化精细路径规划算法和传统最短距离路径规划算法以及依靠实时信息的最短路径算法的平均出行时间,速度,计算时间的比较示意图。传统最短路径规划算法只考虑所选道路的物理距离,选择总距离最短的道路,依靠实时信息的最短路径算法是根据当前的交通状况,计算出按照当前交通状况所需的总体出行时间最短的路径。可以很明显发现基于交通预测的栅格化精细路径规划算法的出行时间明显小于传统最短距离路径规划算法,与依靠实时信息的最短路径算法的出行时间接近甚至略小于依靠实时信息的最短路径算法。基于交通预测的栅格化精细路径规划算法的出行平均速度大于传统路径规划算法和依靠实时信息的最短路径算法,而出行的距离比传统最短距离路径规划要略大。这是因为传统的路径规划是选择距离最短的路径,而不考虑实时交通信息,而依靠实时信息的最短路径算法考虑了当前的交通信息,但不能完全适应瞬息万变的交通状况,而基于交通预测的栅格化精细路径规划算法可以有效预测道路的堵塞状况,避免选择拥堵或即将拥堵的道路,可以寻找到可能行驶距离稍长,但拥堵程度低的道路,达到减少出行时间和提高出行平均速度的效果。另外可以发现基于交通预测的栅格化精细路径规划算法在每天早上5-8点附近时优势特别明显,这是由于该时间段属于由出行低谷到出行高峰的过渡区间,在这个时间段里道路的车流密度变化迅速,一般的路径算法无法适应如此快速变化的城市交通,而基于交通预测的栅格化精细路径规划算法通过预测交通信息的方法可以很好地在快速变化的城市交通路网中找到所需时间更短的道路。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于路网栅格化道路车流预测的路径规划方法,其特征在于:所述路网栅格化道路车流密度预测方法及栅格化精细路径规划方法包括以下步骤:
步骤1:基于城市的路网图,将城市划分为M×N的网格区域,M、N均为30-200,在城市的路网中,将某一时刻的所有车辆的GPS或北斗数据根据经纬度和方向分配到所属的网格内,得到城市路网图的向不同方向的密度图;
步骤2:将得到的路网的某一时刻的密度图作为神经网络的输入,利用前30±15分钟的路网密度数据预测未来10±5分钟的神经网络;
步骤3:根据预测前某一时刻的道路周围网格区域的车流密度以及道路车流密度和平均速度的关系,计算得到预测后各道路的车辆平均行驶速度;
步骤4:根据某车辆当前所在位置划分一个栅格区域,并根据预测的未来10±5分钟的道路车辆密度和平均行驶速度信息,选择车辆在某一栅格区域内的道路;
步骤5:若某车辆的行驶终点不在栅格区域内,在车辆即将完成该10±5分钟内规划的路程时重复步骤4,直到终点位于某栅格区域内;
以交通大数据中心作为收集交通信息,进行交通预测并为车辆提供路径规划的中心控制管理机制实现步骤如下:当一辆车辆需要从起点到终点进行路径规划时,划分以起点为原点,半径为10分钟路程的扇形区域内的道路作为栅格区域,向交通管理器发送进入时刻以及起点终点;交通大数据中心不断根据城市交通收集的信息预测未来的交通信息,在收到车辆的路径需求信息后根据栅格内的预测信息以及栅格边缘点到终点的估算距离为车辆进行栅格内路径的规划;
城市路网典型的划分为100乘100的网格区域并将车辆的行驶方向划分成东南西北四个方向区域,然后以10分钟为一个时间区间将车辆的GPS数据根据经纬度和行驶方向分配到所属的网格内,得到城市路网中车辆往各个方向行驶的密度图:
采用卷积神经网络和残差神经结构来进行交通预测,将实时收集的车流密度图、即前30±15分钟的路网密度数据作为神经网络的输入就用于预测下一个时间区间即10分钟后的车流密度图,并将密度图与路网中的每一条道路进行匹配,最后根据道路密度与道路平均速度的关系v=vmax(1-λ/λmax),计算每条道路的平均行驶速度,得到各条道路的速度信息,速度信息指某时刻t从i到j的道路的平均速度:
其中vmax是道路的限速,λ和λmax分别是道路的车流密度与车流密度最大值;
在路径规划部分,栅格化精细路径规划分为栅格内最优路径计算以及从起点经各节点到终点的估算距离计算两个方面,当某车辆t时刻从起点O到终点D,根据两点的距离建立椭圆的路径搜索空间即从起点O到终点D可能经过的节点,节点代表不同道路的连接点,在一个栅格区域内存在多个节点;对于搜索空间内的节点计算其到终点的估算距离;
每次车辆划分当前位置为原点,半径为10分钟路程内的所有路网预测小栅格区域作为车辆路径规划的大栅格区域,根据预测信息计算当前位置到栅格内边缘点的最短时间及路径,边缘点即为点位于栅格的边缘位置,并存在从该点离开栅格的道路,再综合边缘节点到终点的估算距离,判断从哪个边缘节点离开栅格区域,当车辆即将离开栅格区域时重新划分栅格,进行路径计算过程,直到终点在栅格内时终止;
定义栅格区域的节点集为A={a1,a2,a3…}以及搜索空间B={b1,b2,b3…};
综上所述,每次车辆进行栅格化的路径规划问题写成:
其中分别是栅格区域内的普通节点和边缘节点,/>为当前位置到栅格区域边缘节点ai的最短时间,/>为边缘节点到终点的估算距离,α为0,1之间的权值,该权值的意思是栅格内根据预测信息进行的路径规划占较大的权重,这是因为栅格内的路径规划是根据预测信息计算的精确的时间,而估算距离是根据静态交通信息计算的值,比根据预测信息计算的准确度低;每次车辆划分栅格都进行一次上述问题的求解,当ai中包括终点时终止。
2.根据权利要求1所述的城市路网栅格化道路车流密度预测方法及栅格化精细路径规划方法,其特征在于:车辆每次只对10分钟区域内路径进行规划,有效减少交通预测随着时间变长,预测准确度指数下降的问题,同时可以减少道路突发事故带来的拥堵。
3.根据权利要求1所述的城市路网栅格化道路车流密度预测方法及栅格化精细路径规划方法,其特征在于:求解上述问题包括两方面计算,各节点到终点的估算距离计算以及栅格内最优路径计算,对于栅格内的最优路径计算,参考dijistra算法,计算从起点到栅格内边缘点的最短时间,每次从栅格内未选择过的节点中选择离起点所需时间最短的节点,更新起点到其邻居节点的最短时间:
其中ai为所选的节点,为该节点的邻居节点,Li,j为两点间的距离,V(i,j,T(ai))为车辆在T(ai)时刻根据交通预测所得到的两节点间道路的平均行驶速度;
然后将计算完毕的节点ai列为已选择节点,再重复进行下一个离起点所需时间最短的节点的选择,直到所有节点均被迭代完毕或者离起点所需时间最短的节点的值为无穷大,即得到起点到各边缘点的最短时间T;
对于各节点到终点的估算距离的计算,对于搜索空间内的节点,首先采用分层的方法将整个节点集根据节点到终点之间的节点数进行分层,然后计算每一层的节点到终点的估算距离:从终点D开始,将节点集B中的节点进行分层,若节点距离终点D之间至少还存在n个节点,那该节点即属于第n层节点,然后根据静态的道路信息,从第0层节点开始,每次计算第j层中的节点距离终点的估算距离,如下式:
其中为第j层中的节点,/>为/>在第j-1层中的邻居节点,根据上述公式最终得到各点到终点D的估算距离Q;
最后根据基于交通预测信息的从起点到边缘节点的最短时间T以及基于静态交通信息的边缘节点到终点的估算距离D求解并求的车辆在栅格区域内的具体行驶路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252260.XA CN112629533B (zh) | 2020-11-11 | 2020-11-11 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252260.XA CN112629533B (zh) | 2020-11-11 | 2020-11-11 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112629533A CN112629533A (zh) | 2021-04-09 |
CN112629533B true CN112629533B (zh) | 2023-07-25 |
Family
ID=75303051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252260.XA Active CN112629533B (zh) | 2020-11-11 | 2020-11-11 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112629533B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449402B (zh) * | 2021-06-22 | 2022-08-05 | 武汉大学 | 一种断头路打通后路网效率增益预测方法 |
CN113651061B (zh) * | 2021-08-18 | 2023-04-14 | 上海德启信息科技有限公司 | 一种物流流转状态的监测方法及监测*** |
CN113848897B (zh) * | 2021-09-17 | 2023-12-12 | 宁波大学 | 用于对无人水面艇进行路径规划的方法、***和相关产品 |
CN114463977B (zh) * | 2022-02-10 | 2023-06-23 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN114877901B (zh) * | 2022-03-31 | 2024-05-28 | 北京工业大学 | 基于地图栅格化融合与A-star搜索的城市应急路径规划方法 |
CN115662114A (zh) * | 2022-10-08 | 2023-01-31 | 广州玩鑫信息科技有限公司 | 一种基于大数据的用于缓解拥堵的智能交通***及其运行方法 |
CN115630988B (zh) * | 2022-12-22 | 2023-10-27 | 北京大学深圳研究生院 | 陆路综合交通可达性测算方法和装置 |
CN116132998B (zh) * | 2023-03-30 | 2023-07-25 | 江西师范大学 | 一种基于路口中心度的城市边缘服务器部署方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104567906A (zh) * | 2015-01-14 | 2015-04-29 | 合肥革绿信息科技有限公司 | 一种基于北斗的城市路网车辆路径规划方法及装置 |
CN105258704A (zh) * | 2014-06-16 | 2016-01-20 | 中国科学院沈阳自动化研究所 | 基于快速路网建模的多尺度时空热点路径探测方法 |
CN107084732A (zh) * | 2011-02-03 | 2017-08-22 | 通腾发展德国公司 | 产生预期平均行进速度的方法 |
CN108106623A (zh) * | 2017-09-08 | 2018-06-01 | 同济大学 | 一种基于流场的无人车路径规划方法 |
CN108877268A (zh) * | 2018-08-07 | 2018-11-23 | 南京大学 | 一种面向无人驾驶的无红绿灯十字路口智能调度方法 |
WO2019048070A1 (en) * | 2017-09-06 | 2019-03-14 | Swiss Reinsurance Company Ltd. | ELECTRONIC SYSTEM FOR QUITE REAL-TIME DYNAMIC MEASUREMENT AND IDENTIFICATION OF DRIVER MANEUVER ONLY FROM MOBILE TELEPHONE TELEMETRY, AND METHOD THEREOF |
CN109959388A (zh) * | 2019-04-09 | 2019-07-02 | 南京大学 | 一种基于栅格扩展模型的智能交通精细化路径规划方法 |
CN110009906A (zh) * | 2019-03-25 | 2019-07-12 | 上海交通大学 | 基于交通预测的动态路径规划方法 |
CN110046742A (zh) * | 2019-02-28 | 2019-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 感知流体在可行路径上的规划方法 |
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
CN110691406A (zh) * | 2019-10-10 | 2020-01-14 | 南京大学 | 一种面向网联无人驾驶安全通信的d2d频谱高效共享方法 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
CN111337044A (zh) * | 2020-03-24 | 2020-06-26 | 北京交通发展研究院 | 一种基于通行权值的城市道路路径规划方法 |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及*** |
JP2020180870A (ja) * | 2019-04-25 | 2020-11-05 | 山内 和博 | 自動車及び自動車運転支援システム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10612930B2 (en) * | 2016-07-26 | 2020-04-07 | Apple Inc. | Normalization of device probe data for path identification |
US20190004524A1 (en) * | 2016-08-31 | 2019-01-03 | Faraday&Future Inc. | System and method for planning a vehicle path |
US11755018B2 (en) * | 2018-11-16 | 2023-09-12 | Uatc, Llc | End-to-end interpretable motion planner for autonomous vehicles |
-
2020
- 2020-11-11 CN CN202011252260.XA patent/CN112629533B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107084732A (zh) * | 2011-02-03 | 2017-08-22 | 通腾发展德国公司 | 产生预期平均行进速度的方法 |
CN105258704A (zh) * | 2014-06-16 | 2016-01-20 | 中国科学院沈阳自动化研究所 | 基于快速路网建模的多尺度时空热点路径探测方法 |
CN104567906A (zh) * | 2015-01-14 | 2015-04-29 | 合肥革绿信息科技有限公司 | 一种基于北斗的城市路网车辆路径规划方法及装置 |
WO2019048070A1 (en) * | 2017-09-06 | 2019-03-14 | Swiss Reinsurance Company Ltd. | ELECTRONIC SYSTEM FOR QUITE REAL-TIME DYNAMIC MEASUREMENT AND IDENTIFICATION OF DRIVER MANEUVER ONLY FROM MOBILE TELEPHONE TELEMETRY, AND METHOD THEREOF |
CN108106623A (zh) * | 2017-09-08 | 2018-06-01 | 同济大学 | 一种基于流场的无人车路径规划方法 |
CN108877268A (zh) * | 2018-08-07 | 2018-11-23 | 南京大学 | 一种面向无人驾驶的无红绿灯十字路口智能调度方法 |
CN110046742A (zh) * | 2019-02-28 | 2019-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 感知流体在可行路径上的规划方法 |
CN110009906A (zh) * | 2019-03-25 | 2019-07-12 | 上海交通大学 | 基于交通预测的动态路径规划方法 |
CN109959388A (zh) * | 2019-04-09 | 2019-07-02 | 南京大学 | 一种基于栅格扩展模型的智能交通精细化路径规划方法 |
JP2020180870A (ja) * | 2019-04-25 | 2020-11-05 | 山内 和博 | 自動車及び自動車運転支援システム |
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
CN110691406A (zh) * | 2019-10-10 | 2020-01-14 | 南京大学 | 一种面向网联无人驾驶安全通信的d2d频谱高效共享方法 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
CN111337044A (zh) * | 2020-03-24 | 2020-06-26 | 北京交通发展研究院 | 一种基于通行权值的城市道路路径规划方法 |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及*** |
Non-Patent Citations (7)
Title |
---|
Big data driven vehicular networks;Cheng, N., Lyu, F., Chen, J., Xu, W., Zhou, H., Zhang, S., & Shen, X;《IEEE Network》;第32卷(第6期);160-167 * |
Deep learning sensor fusion for autonomous vehicle perception and localization: A review;Fayyad, J., Jaradat, M. A., Gruyer, D., & Najjaran, H;《Sensors》;第20卷(第15期);1-4 * |
Toward collision-free and efficient coordination for automated vehicles at unsignalized intersection;Qian B, Zhou H, Lyu F, et al;《IEEE Internet of Things Journal》;第6卷(第6期);10408-10420 * |
城市道路未来车速预测模型研究;杨马英;楼挺;李一飞;;《小型微型计算机***》(第12期);190-194 * |
基于典型经验路径库的路径规划算法;谢海莹;;《交通运输研究》;第2卷(第01期);17-19 * |
空天地一体化网络技术:探索与展望;焦椤方,许云霆,张天祺等;《物联网学报》;第4卷(第3期);3-6 * |
车辆导航***中基于街区分块的分层路网路径规划;张照生;杨殿阁;张德鑫;连小珉;;《中国机械工程》(第23期);3255-3257 * |
Also Published As
Publication number | Publication date |
---|---|
CN112629533A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
CN107944605B (zh) | 一种基于数据预测的动态交通路径规划方法 | |
Lin et al. | Efficient network-wide model-based predictive control for urban traffic networks | |
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 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及*** | |
CN101639978B (zh) | 一种动态划分交通控制子区的方法 | |
CN103927890B (zh) | 一种基于动态o-d矩阵估计的干线协调信号控制方法 | |
CN113947900B (zh) | 一种智能网联快速路匝道协同控制*** | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN111080018B (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN113299107B (zh) | 一种多目标融合的交叉口动态车辆网联速度引导控制方法 | |
CN105489000A (zh) | 一种夜班公交车站点及路径选择方法 | |
CN115409256B (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN108985506A (zh) | 行车路径推荐方法、预测方法、获取方法及其装置 | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN102436598A (zh) | 一种基于交通图像信息的车辆最优路径挖掘方法 | |
CN112967493A (zh) | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 | |
EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
Kanoh et al. | Short-term traffic prediction using fuzzy c-means and cellular automata in a wide-area road network | |
CN114694382B (zh) | 一种基于车联网环境的动态单向交通控制*** | |
CN113763713B (zh) | 一种路网瓶颈路段发掘与管理方法及装置 | |
Wang et al. | Real-time urban regional route planning model for connected vehicles based on V2X communication | |
Kerper et al. | Driving more efficiently-the use of inter-vehicle communication to predict a future velocity profile |
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 |