CN112991801A - 一种基于时变路况的最优安全路径获取方法 - Google Patents
一种基于时变路况的最优安全路径获取方法 Download PDFInfo
- Publication number
- CN112991801A CN112991801A CN202110245648.5A CN202110245648A CN112991801A CN 112991801 A CN112991801 A CN 112991801A CN 202110245648 A CN202110245648 A CN 202110245648A CN 112991801 A CN112991801 A CN 112991801A
- Authority
- CN
- China
- Prior art keywords
- iteration
- path
- time
- intersection
- road
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于时变路况的最优安全路径获取方法,其步骤包括:1、通过历史数据分析确定起讫点间各路段的分时段速度变化及分布规律;2、将出行风险、通行时间、出行油耗与各路段的时变速度建立函数关系;3、求解K最短路以及初始油耗总量建立时间约束条件和油耗约束条件;4、建立拉格朗日松弛模型对原路径规划问题进行求解,从而得到满足各约束条件的最小风险路径。本发明针对道路上行驶的各类驾驶员,着重考虑时变路况以及油耗及时间成本,在出行路径规划中提前进行路段诱导,确保避开事故高发期,兼顾出行效率和油耗成本,从而保障个人出行安全及社会交通的稳定高效。
Description
技术领域
本发明属于导航算法开发领域,具体的说是一种基于时变速度的最优安全路径获取方法。
背景技术
随着居民汽车保有量的急剧增加,导航软件获得了大量的用户和广阔的发展空间,相应的导航算法中关于减少出行时间、躲避拥堵、减少收费等功能的开发为人们的日常出行提供极大的便利。
然而,在现有的技术中,存在着以下几点不足,一是现有的导航算法很少与未来的实时路况建立更加明确的联系,致使导航路线单一死板、不知变通;二是缺乏对除时间成本之外的风险成本、油耗成本等的综合考虑,现有算法无法诱导车辆寻找出行成本更低且更安全的最优路径;三是未深入挖掘动态的实时路况尤其是时变速度对出行油耗、出行风险等产生的显著影响,从而无法针对速度变化规律对路径进行更加符合未来实时路况且综合成本最低的最优路径。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于时变路况的最优安全路径获取方法,以期能得到兼顾能耗、效率与安全的最优出行路径,从而保障个人出行安全及社会交通的稳定高效。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于时变路况的最优安全路径获取方法的特点是按以下步骤进行:
步骤1:获取所述起点ps和终点pd相应的路网图G=(P,A,E,W,S),其中,P表示交叉口集合,且P={p1,p2,…,pq,…,pQ},pq表示从起点ps到终点pt之间存在的第q个交叉口,q=1,2,…,Q;Q表示交叉口的总数,As表示交叉口之间的路段集合,且A={ai,j=(pi,pj)|i,j=1,2,…,Q},ai,j表示第i个交叉口pi与第j个交叉口pj之间的路段,路段ai,j的长度用li,j表示;出行路径所包含的路段数用m表示;E表示通行时间,且E={e(t)i,j|i,j=1,2,…,Q},e(t)i,j表示通过路段ai,j的通行时间;W表示总出行油耗,且W={w(t)i,j|i,j=1,2,…,Q},其中,w(t)i,j表示通过路段ai,j的油耗,与时变速度相关;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重,且n为正整数;V(t)i,j表示第i个交叉口pi与第j个交叉口pj之间的路段ai,j在第t个时段的速度;R表示幂指数;表示通过路段ai,j的平均速度;
定义决策变量xi,j为0、1变量,如果通过路段ai,j,则令xi,j=1,反之令xi,j=0;
在所述路网图G中,将与起点ps相邻的所有交叉口记为集合As;将与终点pd相邻的所有交叉口记为集合Ad;
步骤2:利用式(1)—式(4)构建流平衡约束:
xs,j、xj,t、xi,k、xk,j∈{0,1} (4)
式(1)-式(4)中,pj:as,j∈A表示在集合As中选择第j个交叉口pj作为下一个要通过的交叉口;pj:aj,t∈A表示在集合Ad中选择第j个交叉口pj作为到达终点pt前要通过的交叉口;决策变量xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;
式(1)表示必有一条路径从起点vs出发;
式(2)表示必有一条路径到达终点vt;
式(3)表示若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤3:构造通行时间约束;
步骤3.1:定义长度最大增加系数α,表示可绕路程度;
步骤3.2:利用实时动态最优路径的改进Dijkstra算法得到起点ps和终点pt之间的时间最短路径,且通行时间为T,则利用式(2)构造第二个约束;
步骤3.3:利用标准K最短路算法获取K条处于时间最短路径长度的α倍范围内的所有路径并组成基于起点的可选择路径集合;
步骤4:利用式(3)建立出行油耗约束:
式(3)中,F表示车辆初始油量;
步骤5:利用式(4)构建路径行驶风险最小的目标函数MinUB,并以式(1)、式(2)、式(3)、式(4)、式(5)和式(6)为约束条件,共同构成最小行车风险模型;将所述目标函数MinUB与式(5)的约束条件共同构成简化最小行车风险模型;
步骤6:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤6.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax;
定义误差控制范围为ε,定义步长为θ;定义第I次迭代的数值向量为ηI,并初始化η0=0;
定义第I次迭代下的目标函数值为UBI,并初始化UB0为+∞;
步骤6.2:利用式(8)-式(13)构建第I次迭代下的拉格朗日松弛模型:
式(8)-式(13)中,λI为第I次迭代下的拉格朗日乘子,并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ,τ为无限接近于0的正数;表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口; 表示在第I次迭代下集合As中选择第j个交叉口pj作为下一个要通过的交叉口; 表示在第I次迭代下集合Ad中选择第j个交叉口pj作为到达终点pd前所通过的交叉口;决策变量分别表示在第I次迭代下,是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;mI表示第I次迭代下的路径所包含的路段数;
式(11)表示在第I次迭代下必有一条路径从起点vs出发;
式(12)表示在第I次迭代下必有一条路径到达终点vt;
式(13)表示在第I次迭代下,若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤6.4:求解第I次迭代下的拉格朗日松弛模型;
步骤6.4.1:在步骤3采用标准K最短路算法所得的可选择路径集合中,嵌套使用实时动态最优路径的改进Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,枚举出所有满足拉格朗日松弛模型(式(8)-式(13))的第I次迭代下所有时的路段所组成的最优路径x*I;
利用式(6)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI +1;
LBI+1=max{LBI,LBI(λI)} (14)
式(6)中,LBI(λI)表示第I次迭代下的最优路径x*I对应的最优目标函数值;
步骤6.4.2:将第I次迭代下的最优路径x*I代入式(7),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),再利用式(8)得到第I+1次迭代的目标函数值UBI+1:
UBI+1=min{UBI(x*I),UBI} (15)
步骤6.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1:
步骤6.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1:
步骤6.4.5:将I+1赋值给I,转步骤6.3。
与现有技术相比,本发明的有益效果在于:
1、本发明通过综合分析路径选择中的三个重要指标——行驶时间、出行油耗和出行风险,使三者有机统一,恰当采用标准K最短路算法、求解实时动态最优路径的改进Dijkstra算法、拉格朗日松弛算法等算法及模型,确保在提前进行的全路径规划中逐步诱导车辆向最优的路段行驶,从而获取全局最优的动态出行路径,而不是仅仅实现了所选择路径的时间最短或油耗最小,从而大大减少了各路段上的事故发生率,最大程度地保障了居民的出行安全,且有效减少了出行成本,为维护社会交通网的安全、稳定、高效起到了积极作用。
2、本发明通过导航软件统计的大量历史数据分析,将得到的预测的速度变化规律即交通的时空特性与时间、油耗及出行风险之间建立科学准确的关系,让以时变速度为主要特征的实时路况与路径规划这二者之间关系更加密切、影响更加显著,从而进一步利用实时动态最优路径的改进Dijkstra算法在路径选择上进行一步步诱导,在有效提高了导航信息的准确度的基础上充分体现时变速度的变化规律,使得所规划路径更加符合实时的道路交通状况,实现了路径的“全指标最优化”——时间短、油耗低、风险小。
3、本发明尤其适用于城市路网结构复杂,路网节点数目庞大的情况,通过采用K最短路算法限制最优路径搜索范围,并探索在不同交通状态下行程时间的基本变化规律,在路网交通状态信息实时更新条件下,所规划路径不仅能够满足单个车辆最小化行车风险的需要,还充分缓解了城市交通压力,减少了环境污染,实现了路网资源的合理配置。
附图说明
图1为本发明方法流程图;
图2为本发明实例路网图(起点p1,终点p8);
图3为本发明实例速度时变图(以路段a1,5为例);
图4为本发明实例最优路径选择图(虚线为最终选择路径,即1→4→7→8)。
具体实施方式
本实施例中,一种基于时变路况的最优安全路径获取方法是引入以通行速度为衡量标准的时变路况数据作为通行耗时、耗油量和行车风险的决定性因素,综合采用K最短路、实时动态最优路径的改进Dijkstra算法和拉格朗日松弛算法进行建模计算,从而对出行路径进行逐步诱导,节约时间和燃油成本的同时,最大限度地降低出行风险,保障驾乘人员的出行安全:
本发明的最优安全路径获取方法针对所有导航用户,尤其适用于城市路网结构复杂,路网节点数目庞大的情况。下面结合具体实施例,进一步阐述本发明,如图1所示:
步骤1:获取起点ps和终点pd相应的路网图G=(P,A,E,W,S)其中,P表示交叉口集合,且P={p1,p2,…,pq,…,pQ},pq表示从起点ps到终点pt之间存在的第q个交叉口,q=1,2,…,Q;Q表示交叉口的总数,As表示交叉口之间的路段集合,且A={ai,j=(pi,pj)|i,j=1,2,…,Q},ai,j表示第i个交叉口pi与第j个交叉口pj之间的路段,路段ai,j的长度用li,j表示;;出行路径所包含的路段数用m表示;E表示通行时间,且E={e(t)i,j|i,j=1,2,…,Q},e(t)i,j表示通过路段ai,j的通行时间;W表示总出行油耗,且W={w(t)i,j|i,j=1,2,…,Q},其中,w(t)i,j表示通过路段aij的油耗,与时变速度相关,即n取正整数,表示以当前时段速度V(t)i,j在路段ai,j上行驶的路程,a,b,c为与车型密切相关的回归参数,此处以小汽车为例,取a=0.005,b=-0.97,c=54.0;δ=100km;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重,且n为正整数;V(t)i,j表示第i个交叉口pi与第j个交叉口pj之间的路段ai,j在第t个时段的速度;R表示幂指数,与运行车速相关,此处取R=2E-09×V3;表示通过路段ai,j的平均速度;速度的时变规律是由导航软件统计的大量历史数据与实时路况分析比对得出的预测规律,具有极高的精确度;实例路网图如图2所示;本发明各路段预测时变速度表如表1所示;本发明实例速度时变图(以路段a1,5为例)如图3所示;
表1本发明各路段预测时变速度表;
定义决策变量xi,j为0、1变量,如果通过路段ai,j,则令xi,j=1,反之令xi,j=0;
在路网图G中,将与起点ps相邻的所有交叉口记为集合As;将与终点pd相邻的所有交叉口记为集合Ad;
步骤2:利用式(1)—式(4)构建流平衡约束:
xs,j、xj,t、xi,k、xk,j∈{0,1} (4)
式(1)-式(4)中,pj:as,j∈A表示在集合As中选择第j个交叉口pj作为下一个要通过的交叉口;pj:aj,t∈A表示在集合Ad中选择第j个交叉口pj作为到达终点pt前要通过的交叉口;决策变量xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;
式(1)表示必有一条路径从起点vs出发;
式(2)表示必有一条路径到达终点vt;
式(3)表示若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤3:构造通行时间约束;
步骤3.1:定义长度最大增加系数α,表示可绕路程度;如:当α=1.0时,表示两点之间可接受的线路只能是两点问的最短路径;当α=1.6时,表示两点之问可接受的线路在两点间的最短路径长度的1.6倍范围内;
步骤3.2:利用实时动态最优路径的改进Dijkstra算法得到起点ps和终点pt之间的时间最短路径,且通行时间为T,则利用式(2)构造第二个约束;
步骤3.3:利用标准K最短路算法获取K条处于时间最短路径长度的α倍范围内的所有路径并组成基于起点的可选择路径集合;取α=1.5,表2为本发明各可能路径出行时间表,时间最短路径为1→4→7→8。
表2本发明各可能路径出行时间表
可行路径 | 花费时间(min) |
1→5→8 | 16.167 |
1→2→5→8 | 17.400 |
1→4→7→8 | 15.065 |
1→5→6→8 | 18.857 |
1→5→7→8 | 20.120 |
1→2→3→6→8 | 18.711 |
1→2→5→6→8 | 19.783 |
步骤4:利用式(3)建立出行油耗约束:
式(3)中,F表示车辆初始油量;本实例取F=3。各路径油耗计算表如表3所示。
表3本发明各可能路径油耗计算表
可行路径 | 油耗 |
1→5→8 | 2.477646 |
1→2→5→8 | 2.657383 |
1→4→7→8 | 2.27175 |
1→5→6→8 | 2.860709 |
1→5→7→8 | 3.069172 |
1→2→3→6→8 | 2.842486 |
1→2→5→6→8 | 3.002213 |
步骤5:利用式(4)构建路径行驶风险最小的目标函数MinUB,并以式(1)、式(2)、式(3)、式(4)、式(5)和式(6)为约束条件,共同构成最小行车风险模型;将目标函数MinUB与式(5)的约束条件共同构成简化最小行车风险模型;
步骤6:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤6.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax;
定义误差控制范围为ε,定义步长为θ;定义第I次迭代的数值向量为ηI,并初始化η0=0;
定义第I次迭代下的目标函数值为UBI,并初始化UB0为+∞;
步骤6.2:利用式(8)-式(13)构建第I次迭代下的拉格朗日松弛模型:
式(8)-式(13)中,λI为第I次迭代下的拉格朗日乘子,并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ,τ为无限接近于0的正数;表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口; 表示在第I次迭代下集合As中选择第j个交叉口pj作为下一个要通过的交叉口; 表示在第I次迭代下集合Ad中选择第j个交叉口pj作为到达终点pd前通过的交叉口;决策变量分别表示在第I次迭代下,是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;mI表示第I次迭代下的路径所包含的路段数;
式(11)表示在第I次迭代下必有一条路径从起点vs出发;
式(12)表示在第I次迭代下必有一条路径到达终点vt;
式(13)表示在第I次迭代下,若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤6.4:求解第I次迭代下的拉格朗日松弛模型;
步骤6.4.1:在步骤3采用标准K最短路算法所得的可选择路径集合中,嵌套使用实时动态最优路径的改进Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,枚举出所有满足拉格朗日松弛模型(式(8)-式(13))的第I次迭代下所有时的路段所组成的最优路径x*I;
利用式(6)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI +1;
LBI+1=max{LBI,LBI(λI)} (14)
式(6)中,LBI(λI)表示第I次迭代下的最优路径x*I对应的最优目标函数值;
步骤6.4.2:将第I次迭代下的最优路径x*I代入式(7),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),再利用式(8)得到第I+1次迭代的目标函数值UBI+1:
UBI+1=min{UBI(x*I),UBI} (15)
步骤6.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1:
步骤6.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1:
步骤6.4.5:将I+1赋值给I,转步骤6.3;
本发明各可能路径风险计算表如表4所示;
表4本发明各可能路径风险计算表
可行路径 | 路段平均风险值 |
1→5→8 | 1.00571 |
1→2→5→8 | 1.00417 |
1→4→7→8 | 1.00224 |
1→5→6→8 | 1.00399 |
1→5→7→8 | 1.00427 |
1→2→3→6→8 | 1.00535 |
1→2→5→6→8 | 1.05633 |
通过以上步骤计算本实施例,得到最优安全路径为1→4→7→8。如图4所示。
Claims (1)
1.一种基于时变路况的最优安全路径获取方法,其特征是按以下步骤进行:
步骤1:获取所述起点ps和终点pd相应的路网图G=(P,A,E,W,S),其中,P表示交叉口集合,且P={p1,p2,…,pq,…,pQ},pq表示从起点ps到终点pt之间存在的第q个交叉口,q=1,2,…,Q;Q表示交叉口的总数,As表示交叉口之间的路段集合,且A={ai,j=(pi,pj)|i,j=1,2,…,Q},ai,j表示第i个交叉口pi与第j个交叉口pj之间的路段,路段ai,j的长度用li,j表示;出行路径所包含的路段数用m表示;E表示通行时间,且E={e(t)i,j|i,j=1,2,…,Q},e(t)i,j表示通过路段ai,j的通行时间;W表示总出行油耗,且W={w(t)i,j|i,j=1,2,…,Q},其中,w(t)i,j表示通过路段ai,j的油耗,与时变速度相关;S表示行车风险,且S={si,j|i,j=1,2,…,Q},si,j表示路段ai,j的行车风险权重,且n为正整数;V(t)i,j表示第i个交叉口pi与第j个交叉口pj之间的路段ai,j在第t个时段的速度;R表示幂指数;表示通过路段ai,j的平均速度;
定义决策变量xi,j为0、1变量,如果通过路段ai,j,则令xi,j=1,反之令xi,j=0;
在所述路网图G中,将与起点ps相邻的所有交叉口记为集合As;将与终点pd相邻的所有交叉口记为集合Ad;
步骤2:利用式(1)—式(4)构建流平衡约束:
xs,j、xj,t、xi,k、xk,j∈{0,1} (4)
式(1)-式(4)中,pj:as,j∈A表示在集合As中选择第j个交叉口pj作为下一个要通过的交叉口;pj:aj,t∈A表示在集合Ad中选择第j个交叉口pj作为到达终点pt前要通过的交叉口;决策变量xs,j、xj,t、xi,k、xk,j分别表示是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;
式(1)表示必有一条路径从起点vs出发;
式(2)表示必有一条路径到达终点vt;
式(3)表示若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤3:构造通行时间约束;
步骤3.1:定义长度最大增加系数α,表示可绕路程度;
步骤3.2:利用实时动态最优路径的改进Dijkstra算法得到起点ps和终点pt之间的时间最短路径,且通行时间为T,则利用式(2)构造第二个约束;
步骤3.3:利用标准K最短路算法获取K条处于时间最短路径长度的α倍范围内的所有路径并组成基于起点的可选择路径集合;
步骤4:利用式(3)建立出行油耗约束:
式(3)中,F表示车辆初始油量;
步骤5:利用式(4)构建路径行驶风险最小的目标函数Min UB,并以式(1)、式(2)、式(3)、式(4)、式(5)和式(6)为约束条件,共同构成最小行车风险模型;将所述目标函数MinUB与式(5)的约束条件共同构成简化最小行车风险模型;
步骤6:利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解:
步骤6.1:初始化基本参数:
定义迭代计数器为I,并初始化I=0,迭代最大总次数记为Imax;
定义误差控制范围为ε,定义步长为θ;定义第I次迭代的数值向量为ηI,并初始化η0=0;
定义第I次迭代下的目标函数值为UBI,并初始化UB0为+∞;
步骤6.2:利用式(8)-式(13)构建第I次迭代下的拉格朗日松弛模型:
式(8)-式(13)中,λI为第I次迭代下的拉格朗日乘子,并初始化λ0=0;LBI为第I次迭代下的目标函数值,并初始化LB0为τ,τ为无限接近于0的正数;表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口;表示在第I次迭代下集合As中选择第j个交叉口pj作为下一个要通过的交叉口;表示在第I次迭代下集合Ad中选择第j个交叉口pj作为到达终点pd前所通过的交叉口;决策变量分别表示在第I次迭代下,是否通过路段as,j、路段aj,t、路段ai,k、路段ak,j;mI表示第I次迭代下的路径所包含的路段数;
式(11)表示在第I次迭代下必有一条路径从起点vs出发;
式(12)表示在第I次迭代下必有一条路径到达终点vt;
式(13)表示在第I次迭代下,若从第k个交叉口pk驶入,则也必将从第k个交叉口pk驶出;
步骤6.4:求解第I次迭代下的拉格朗日松弛模型;
步骤6.4.1:在步骤3采用标准K最短路算法所得的可选择路径集合中,嵌套使用实时动态最优路径的改进Dijkstra算法求解第I次迭代下的拉格朗日松弛模型,枚举出所有满足拉格朗日松弛模型(式(8)-式(13))的第I次迭代下所有时的路段所组成的最优路径x*I;
利用式(6)更新第I次迭代的目标函数值LBI,得到第I+1次迭代的目标函数值LBI+1;
LBI+1=max{LBI,LBI(λI)} (14)
式(6)中,LBI(λI)表示第I次迭代下的最优路径x*I对应的最优目标函数值;
步骤6.4.2:将第I次迭代下的最优路径x*I代入式(7),得到第I次迭代下的最优路径x*I所对应的目标函数值UBI(x*I),再利用式(8)得到第I+1次迭代的目标函数值UBI+1:
UBI+1=min{UBI(x*I),UBI} (15)
步骤6.4.3:利用式(16)更新第I次迭代的数值向量ηI,得到第I+1次迭代的数值向量ηI+1:
步骤6.4.4:利用式(17)更新第I次迭代的拉格朗日乘子λI,得到第I+1次迭代的拉格朗日乘子λI+1:
步骤6.4.5:将I+1赋值给I,转步骤6.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245648.5A CN112991801B (zh) | 2021-03-05 | 2021-03-05 | 一种基于时变路况的最优安全路径获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245648.5A CN112991801B (zh) | 2021-03-05 | 2021-03-05 | 一种基于时变路况的最优安全路径获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991801A true CN112991801A (zh) | 2021-06-18 |
CN112991801B CN112991801B (zh) | 2022-03-11 |
Family
ID=76353022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245648.5A Active CN112991801B (zh) | 2021-03-05 | 2021-03-05 | 一种基于时变路况的最优安全路径获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991801B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093188A (zh) * | 2021-11-23 | 2022-02-25 | 合肥工业大学 | 一种基于spfa算法的城市k则最短路径获取方法 |
CN114170831A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 一种考虑安全和效率的城市k则时变最短路径获取方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5836766A (ja) * | 1981-08-29 | 1983-03-03 | Hino Motors Ltd | パワ−・ステアリングに使用される流量調整弁 |
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 |
EP2610782A1 (en) * | 2011-12-27 | 2013-07-03 | Magneti Marelli S.p.A. | Method for planning the route of a vehicle |
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 |
WO2018103449A1 (zh) * | 2016-12-09 | 2018-06-14 | 大连理工大学 | 基于建成环境和低频浮动车数据的路段行程时间估计方法 |
CN109063899A (zh) * | 2018-07-06 | 2018-12-21 | 上海大学 | 车辆运输规划方法及装置、电子设备及可读存储介质 |
CN109118758A (zh) * | 2018-07-24 | 2019-01-01 | 南京锦和佳鑫信息科技有限公司 | 一种面向移动共享的智能网联交通管理*** |
CN110264757A (zh) * | 2019-05-21 | 2019-09-20 | 吉林大学 | 基于连续信号灯信息的智能网联汽车分层速度规划方法 |
CN110390421A (zh) * | 2019-06-12 | 2019-10-29 | 北京交通大学 | 基于时空网络的拥堵地铁线路客流协调控制方法 |
CN112071060A (zh) * | 2020-08-27 | 2020-12-11 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112071104A (zh) * | 2020-09-18 | 2020-12-11 | 清华大学 | 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法 |
CN112258875A (zh) * | 2020-10-26 | 2021-01-22 | 青岛理工大学 | 基于车路协同与自动驾驶的交叉口智能管控方法 |
CN112435498A (zh) * | 2020-11-23 | 2021-03-02 | 合肥工业大学 | 一种基于方向性诱导的城市路网最短路径获取方法 |
-
2021
- 2021-03-05 CN CN202110245648.5A patent/CN112991801B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5836766A (ja) * | 1981-08-29 | 1983-03-03 | Hino Motors Ltd | パワ−・ステアリングに使用される流量調整弁 |
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 |
EP2610782A1 (en) * | 2011-12-27 | 2013-07-03 | Magneti Marelli S.p.A. | Method for planning the route of a vehicle |
WO2018103449A1 (zh) * | 2016-12-09 | 2018-06-14 | 大连理工大学 | 基于建成环境和低频浮动车数据的路段行程时间估计方法 |
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 |
CN109063899A (zh) * | 2018-07-06 | 2018-12-21 | 上海大学 | 车辆运输规划方法及装置、电子设备及可读存储介质 |
CN109118758A (zh) * | 2018-07-24 | 2019-01-01 | 南京锦和佳鑫信息科技有限公司 | 一种面向移动共享的智能网联交通管理*** |
CN110264757A (zh) * | 2019-05-21 | 2019-09-20 | 吉林大学 | 基于连续信号灯信息的智能网联汽车分层速度规划方法 |
CN110390421A (zh) * | 2019-06-12 | 2019-10-29 | 北京交通大学 | 基于时空网络的拥堵地铁线路客流协调控制方法 |
CN112071060A (zh) * | 2020-08-27 | 2020-12-11 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112071104A (zh) * | 2020-09-18 | 2020-12-11 | 清华大学 | 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法 |
CN112258875A (zh) * | 2020-10-26 | 2021-01-22 | 青岛理工大学 | 基于车路协同与自动驾驶的交叉口智能管控方法 |
CN112435498A (zh) * | 2020-11-23 | 2021-03-02 | 合肥工业大学 | 一种基于方向性诱导的城市路网最短路径获取方法 |
Non-Patent Citations (1)
Title |
---|
刘琳等: "基于路由节点的最优油耗路径规划模型", 《重庆大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093188A (zh) * | 2021-11-23 | 2022-02-25 | 合肥工业大学 | 一种基于spfa算法的城市k则最短路径获取方法 |
CN114093188B (zh) * | 2021-11-23 | 2022-08-19 | 合肥工业大学 | 一种基于spfa算法的城市k则最短路径获取方法 |
CN114170831A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 一种考虑安全和效率的城市k则时变最短路径获取方法 |
CN114170831B (zh) * | 2021-12-09 | 2022-09-13 | 合肥工业大学 | 一种考虑安全和效率的城市k则时变最短路径获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112991801B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023056696A1 (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
Othman et al. | Ecological traffic management: A review of the modeling and control strategies for improving environmental sustainability of road transportation | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN112991801B (zh) | 一种基于时变路况的最优安全路径获取方法 | |
CN111197991A (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
Zhou et al. | A quantitative analysis of model predictive control as energy management strategy for hybrid electric vehicles: A review | |
CN115409256B (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
CN112687106B (zh) | 一种基于交通路网动静态综合模型的路径优化方法 | |
CN110979342A (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN115496257A (zh) | 基于时空融合的短时车速预测 | |
CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
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 | |
Zhang et al. | Neural network based vehicle speed prediction for specific urban driving | |
Wu et al. | Transformer-based traffic-aware predictive energy management of a fuel cell electric vehicle | |
CN114842641B (zh) | 面向省域的多模式链式交通分配方法 | |
CN113610298B (zh) | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 | |
CN113705891B (zh) | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 | |
CN115359672A (zh) | 一种数据驱动与强化学习结合的交通区域边界控制方法 | |
Huang et al. | Urban Expressway Travel Time Prediction Method Based on Fuzzy Adaptive Kalman Filter | |
li et al. | Comprehensive transportation network planning method based on energy conservation concept | |
CN112183871A (zh) | 基于空气指数的城市交通诱导*** |
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 |