CN115691107A - 一种实现交叉口主干道交通负载优化的车辆调度方法 - Google Patents
一种实现交叉口主干道交通负载优化的车辆调度方法 Download PDFInfo
- Publication number
- CN115691107A CN115691107A CN202211110409.XA CN202211110409A CN115691107A CN 115691107 A CN115691107 A CN 115691107A CN 202211110409 A CN202211110409 A CN 202211110409A CN 115691107 A CN115691107 A CN 115691107A
- Authority
- CN
- China
- Prior art keywords
- model
- optimization
- road
- vehicle
- traffic load
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 448
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 89
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006855 networking Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种实现交叉口主干道交通负载优化的车辆调度方法,包括:云端网络构建全局优化模型和各主干道模型;路侧单元构建并发送第一交通负载优化模型;智能车辆根据全局优化模型、各主干道模型和第一交通负载优化模型,构建并上传车辆自身优化模型;路侧单元接收车辆自身优化模型,整合成第二交通负载优化模型并发送;边缘计算单元接收第二交通负载优化模型,求解优化结果,建立目标主干道拥堵预测模型,发送优化结果和目标主干道拥堵预测模型;云端网络接收优化结果并给出智能车辆调度决策。本发明解决智能交通***和车辆之间的不加密数据传输存在安全隐患的技术问题,实现有效保护智能车辆的本地隐私数据的技术效果。
Description
技术领域
本发明涉及智能交通技术领域,具体而言,涉及一种基于车联网平台,实现交叉口主干道交通负载优化的车辆调度方法。
背景技术
车联网技术(V2X)是将车辆与一切事物相连接的新一代信息通信技术,通过车与车、车与人、车与路侧基础设备、车与云端网络的通信和交互,实现全时空交通信息的实时和动态交互,满足车辆主动安全控制和道路协同管理要求,以达到人、车、路的有效协同。在车联网的支持下,智能车辆和云端网络,包括路侧单元都获得了快速的发展,智能车辆通过使用各类传感器、车载软硬件设备等,与路侧单元和云端网络能够通过相互协同实现多源异构数据融合、状态预测,满足车辆的环境感知增强和扩展要求,降低事故发生率,达到安全高效的驾驶目的。智能车辆、路侧单元和云端网络能够通过相互协同实现联合决策和控制,避免交通过程中存在的排队、等待和决策逻辑死锁等问题,提高通行效率,形成安全、高效和环保的智能交通***。
但是,在实际应用中,存在以下几个问题:一般云端网络和智能车辆的通信数据是通过无线通信连接的车辆原始数据,包括智能车辆的目的地、用户绑定信息、车辆行驶状态等,在传输过程中可能会遇到恶意用户的拦截,做出删除、修改车辆数据等违法行为或造成严重的隐私泄露问题,因此智能交通***和车辆之间的不加密数据传输存在安全隐患;一般情况下通过自适应调整交通灯相位时间来缓解交通拥堵问题,当针对多个需要优化的主干道交通拥堵情况时,单纯通过自适应调整交通灯相位时间来缓解交通拥堵问题效率太低,难以有效降低主干道通行负载;现有技术中,云端网络和智能车辆的可用计算资源是有限的,云端网络工作任务过多会严重影响了车联网的实际***部署,并且从云端计算处理问题,再下发给每辆智能车,会造成较大的延迟问题,进一步降低主干道通行的流畅度。
发明内容
因此,本发明提供一种实现交叉口主干道交通负载优化的车辆调度方法,解决了云端网络和车辆之间的不加密数据传输存在安全隐患的技术效果。
为解决上述问题,本发明提供一种实现交叉口主干道交通负载优化的车辆调度方法,包括:
步骤S6:云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策;
与现有技术相比,采用该技术方案所达到的技术效果:云端网络发布目标主干道优化任务用于唤醒路侧单元、智能车辆和边缘计算单元,在云端网络侧构建全局优化模型MITS和各主干道模型为路侧单元和边缘计算单元提供初始模型,路侧单元和边缘计算单元可以据此建立其他模型;路侧单元根据云端网络发送的全局优化模型MITS和各主干道模型建立交通负载优化模型并将交通负载优化模型发送至智能车辆,为智能车辆提供所需参数;智能车辆接收路侧单元传递过来的交通负载优化模型根据交通负载优化模型中的所需参数来计算自车模型,构建车辆自身优化模型上传车辆自身优化模型路侧单元将智能车辆传递过来的车辆自身优化模型根据交通负载优化模型整合成第二交通负载优化模型边缘计算单元接收第二交通负载优化模型求解优化结果,并构建目标主干道拥堵预测模型云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则给出智能车辆调度决策,其中智能车辆调度决策,调度决策包括左转、右转和直行。通过上传车辆自身优化模型来代替车辆目的地等信息,能够有效保护智能车辆的本地隐私数据。
本发明***包含一个云端网络和一个区域范围内的所有路侧单元和边缘计算单元,由路侧单元负责和具有无线通信的智能车辆进行通信连接。因为具体模型求解计算下放到边缘计算单元和路侧单元,云端网络可以扩大区域覆盖范围,接收新的区域内的路侧单元和边缘计算单元,组成新的云端网络。在云端网络***数据吞吐量足够的情况下,可以对全区或全市的主干道交通负载进行优化,整体云端网络***具有一定的可扩展性,可以从一个区域扩展到全区的交通负载优化。
其中,Ri为主干道i对应路侧单元映射数量;P为主干道集合数量;i为某一目标主干道标号,总数为I;j为某一路侧单元标号,总数为J;
步骤S12:云端网络发布目标主干道优化任务至路侧单元、边缘计算单元和智能车辆;
与现有技术相比,采用该技术方案所达到的技术效果:云端网络先初始化区域内主干道集合P={P1,P2,…,Pi},imax为区域内主干道数量的最大值,i为某一目标主干道标号;I为区域内目标主干道总数;P1代表区域内第一条主干道,Pi代表区域内第i条主干道;并建立路侧单元与主干道映射R={R1,R2,…,Rj},R为主干线映射集合,j为某一路侧单元标号;J为路侧单元总数,R1代表某一条主干道上的第一个路侧单元,Rj代表该条主干道上的第j个路侧单元,代表第j个路侧单元收集的目标主干道优化模型;云端网络构建各主干道模型代表第i个目标主干道优化模型,假设一个区域内有i条主干道,一条主干道上有j个路侧单元,该各主干道模型表示第i条主干道上,从第一个路侧单元到第j个路侧单元所有路侧单元收集的目标主干道优化模型集合;云端网络构建全局优化模型MITS,该全局优化模型MITS代表区域内,从第一条主干道到第i条主干道所有主干道收集的主干道优化模型的集合。云端网络发布目标主干道优化任务至路侧单元、边缘计算单元和智能车辆,路侧单元、边缘计算单元和智能车辆接收目标主干道优化任务,并根据需求开始工作。云端网络发送全局优化模型MITS和各主干道模型至路侧单元和边缘计算单元,路侧单元接收全局优化模型MITS和各主干道模型并传递给智能车辆;并根据全局优化模型MITS和各主干道模型向路侧单元和边缘计算单元分配对应主干道,将优化任务模型求解下放到边缘计算单元和智能车辆进行,可以充分利用道路环境中已有的计算资源,解决整个区域内各主干道的交通负载优化,能够提高计算资源利用效率。
步骤S131:初始化聚类中心个数、聚类中心位置;
步骤S132:计算每个主干道与聚类中心的相似度(传输距离),将主干道归类到最相似的类中;
步骤S133:更新聚类中心;
步骤S134:若聚类中心没有收敛,重复步骤S132-S133;
步骤S135:建立每个聚类的优化需求矩阵;
步骤S136:初始化边缘计算单元对优化任务的供应矩阵;
步骤S137:重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类;
步骤S138:若边缘计算单元的供应不满足需求矩阵,重复步骤S137;
步骤S139:建立边缘计算选择模型,将边缘计算单元分配到各聚类分组。
与现有技术相比,采用该技术方案所达到的技术效果:采用聚类算法作为边缘计算单元的任务分配框架,初始化聚类中心个数K,代表目标主干道集合数量,设置区域内最远的K个主干道作为起始聚类中心位置C;计算每个主干道与聚类中心的距离D,将每个主干道归类到距离最近的聚类分组中;计算每个聚类分组的平均位置,更新聚类中心C*;若聚类中心没有收敛,即聚类中心仍将据需更新,重复步骤计算每个主干道与聚类中心的距离D,将每个主干道归类到距离最近的聚类分组中和计算每个聚类分组的平均位置,更新聚类中心C*;建立每个聚类的优化需求矩阵;初始化边缘计算单元对优化任务的供应矩阵;重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类分组;若边缘计算单元的供应不满足需矩阵,重复步骤重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类分组;建立边缘计算单元选择模型,按照传输距离最近原则分配个聚类分组。
与现有技术相比,采用该技术方案所达到的技术效果:路侧单元负责和具有无线通信的智能车辆进行通信连接,路侧单元接收从云端网络传递过来的全局优化模型MITS和各主干道模型并将全局优化模型MITS和各主干道模型传递至智能车辆,将模型求解传递至智能车辆进行,可以充分利用智能车辆已有的计算资源,缓解云端网络计算压力,并提高计算资源利用效率;代表第u辆车的车辆自身优化模型,为映射RSUj的智能车辆数量,u为智能车辆数量,路侧单元构建第一交通负载优化模型该第一交通负载优化模型代表第一辆智能车辆到第u辆智能车辆在第j个路侧单元上收集的车辆自身优化模型;路侧单元发送交通负载优化模型至智能车辆,为智能车辆提供初始的第一交通负载优化模型智能车辆可以根据第一交通负载优化模型中的所需参数来计算自车模型。
步骤S31:智能车辆接收云端网络发布的目标主干道优化任务;
步骤S34:智能车辆初始化智能车辆的本地行驶状态,并收集外界环境信息;
步骤S35:智能车辆重新规划目的地导航线路;
其中,交叉口选择包括:左转、直行、右转,代价模型(cturn,cpath,ctraffic)包括转弯代价、路程代价、选择道路的预测交通量代价,(cturn)为左转的转弯代价、路程代价、选择道路的预测交通量代价的代价模型,(cpath)为直行的转弯代价、路程代价、选择道路的预测交通量代价的代价模型,(ctraffic)为右转的转弯代价、路程代价、选择道路的预测交通量代价的代价模型。
与现有技术相比,采用该技术方案所达到的技术效果:主要由可接入车联网的智能车辆组成,智能车辆接收云端网络发布的目标主干道优化任务,收到优化任务开始准备工作,接收路侧单元传递的全局优化模型MITS、各主干道模型和路侧单元构建的第一交通负载优化模型为了根据模型中的所需参数来计算自车模型;智能车辆初始化自车状态模型,并根据自身装载的各类型传感器以及其他设备,包括各类单/双目相机、超声波雷达、激光雷达、车辆行驶状态(速度、加速度、参考轨迹等),不断收集道路附近路线规划所需要的信息,建立对应的环境模型;然后建立左转、直行、右转三种道路选择下的优先级列表和损失代价模型(cturn,cpath,ctraffic),代价模型包括转弯代价、路程代价、选择道路的预测交通量代价;基于车辆自身使用的行驶路线导航算法重新规划路径,分别计算出左转、直行、右转三种交叉口道路选择下的综合最优行驶路线,最优路径以最小化损失代价为目的。根据三种道路选择的损失代价,建立代价最小的优先级列表,以及相应的代价模型;将道路选择优先级列表和相应代价模型构建为车辆自身优化模型通过无线连接上传给对应的路侧单元。重规划路线的选择在智能车辆本地进行计算,通过上传交叉口选择优先排序以及车辆自身优化模型来代替车辆目的地等信息,有效保护智能车辆的本地隐私数据。并且在传输过程中,针对同一辆智能车辆,所经过的每一个主干道,其路侧单元接收的交叉口选择优先排序和车辆自身优化模型不具有转换关系,仅与当前主干道交叉口有关,进一步加强防止恶意攻击者对用户隐私数据的破解能力。
与现有技术相比,采用该技术方案所达到的技术效果:路侧单元接收智能车辆建立的车辆自身优化模型路侧单元收集非智能车辆行驶状态包括所在车道,车速,根据车辆自身优化模型和非智能车辆行驶状态整合成第二交通负载优化模型再将第二交通负载优化模型至边缘计算单元进行累加聚合。
与现有技术相比,采用该技术方案所达到的技术效果:边缘计算单元接收云端网络发送的初始化全局优化模型MITS和初始化主干道模型边缘计算单元接收路侧单元发送的第二交通负载优化模型该第二交通负载优化模型表示区域内第j个路侧单元收集到的车辆自身优化模型的集合;并聚合累加生成第二各主干道模型该第二各主干道模型表示区域内第i条主干道所有路侧单元收集到的交通负载优化模型的集合;再迭代求解优化结果,优化结果包括左转、右转、直行其中一种结果,边缘计算单元根据优化结果建立目标主干道拥堵预测模型包括周期内目标主干道吞吐量;最后将优化结果和目标主干道拥堵预测模型发送至云端网络、路侧单元和智能道路指示牌,只考虑每个主干道的交通负载优化,并将优化求解任务分配给边缘计算单元,能够减轻云端网络计算压力,提高求解空间和求解速度。
步骤S531:初始化全局优化模型MITS及负载优化模型;
步骤S532:构建智能车辆分岔口选择模型;
步骤S533:选择智能车辆分岔口优先级最高的作为初始解;
步骤S534:根据分岔口容量调整智能车辆的选择优先级列表;
步骤S535:迭代步骤S534,直到算法收敛到符合分岔***通容量的最小代价,得到优化结果。
与现有技术相比,采用该技术方案所达到的技术效果:本发明采用延迟接收算法,调度代价损失较小的智能车辆更新道路选择,初始化主干道分岔***通容量模型及负载优化模型;以每辆智能车辆当前道路选择作为初始解X,更新智能车辆道路选择优先级列表和损失代价模型,选择变更道路选择而产生损失代价最小的车辆进行道路更新,更新全局负载优化结果,检验目标主干道最大可通行车辆容量;若全局负载优化结果或目标主干道最大可通行车辆容量不满足目标阈值,重复更新全局负载优化结果,若算法提前收敛,则传递负载优化结果;若迭代次数到达最大值,则停止上述步骤。
步骤S553:智能道路指示牌中展示道路拥堵情况。
与现有技术相比,采用该技术方案所达到的技术效果:边缘计算单元发送优化结果和目标主干道拥堵预测模型至云端网络和路侧单元,通过云端网络下放优化结果给边缘计算单元,边缘计算单元将优化结果通过路侧单元传递给智能车辆,缓解了车辆从云端网络接收优化结果的延迟问题,智能车辆根据云端网络聚合的全局优化结果和目标阈值的判断结果,选择是否根据优化结果做出调度决策;边缘计算单元将目标主干道拥堵预测模型传递至智能道路指示牌,并在智能道路指示牌中展示道路拥堵情况,由此,道路拥堵情况给非智能车辆的道路选择提供一个建议,非智能车辆可以根据智能道路指示牌中展示的道路拥堵情况,进行道路的选择,从而进一步缓解主干道拥堵情况。
进一步的,上述技术方案中,云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策,包括:
步骤S61:云端网络接收优化结果并聚合成全局优化结果;
步骤S62:将全局优化结果和目标阈值对比;
步骤S63:根据全局优化结果和目标阈值对比的结果给出智能车辆调度决策或重复步骤S2-S5指令,若全局优化结果未达到目标阈值,则云端网络给出重复步骤S2-S5的指令,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策。
与现有技术相比,采用该技术方案所达到的技术效果:云端网络接收边缘计算单元优化求解的优化结果,并在云端网络聚合成全局优化结果,根据全局优化结果和目标阈值对比的结果,云端网络做出指令,若全局优化结果满足目标阈值,则智能车辆接收路侧单元传递的优化结果,给出智能车辆调度决策;若全局优化结果不满足目标阈值,则云端网络发布重复指令,重复步骤S2-S5。
采用本发明的技术方案后,能够达到如下技术效果:
(1)有效保护智能车辆的本地隐私数据;
(2)可以充分利用道路环境中已有的计算资源,提高计算资源利用效率,减轻云端网络计算压力;
(3)提高车辆接收优化结果的速度;
(4)整体智能交通***具有一定的可扩展性,可以从一个区域扩展到全区的交通负载优化;
(5)每个主干道的车辆通行模型和智能车辆的道路选择模型可以利用深度强化学习进行DQN、RNN等网络进行训练的,通过前期的训练,降低后期计算资源使用。
附图说明
图1为本发明一些实施例的实现交叉口主干道交通负载优化的车辆调度方法的步骤流程图之一。
图2为本发明一些实施例的实现交叉口主干道交通负载优化的车辆调度方法的步骤流程图之二。
图3为本发明一些实施例的实现交叉口主干道交通负载优化的车辆调度方法的步骤流程图之三。
图4为本发明一些实施例的实现交叉口主干道交通负载优化的车辆调度方法的步骤流程图之四。
图5为本发明一些实施例的实现交叉口主干道交通负载优化的车辆调度方法的步骤流程图之五。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参见图1,本发明提供一种实现交叉口主干道交通负载优化的车辆调度方法,包括:
步骤S6:云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策;
本实施例的方案应用于高峰期间智能车辆躲避拥堵路段的场景,最常见的是智能车辆确定目的地后,智能车辆自身使用的行驶路线导航开始工作规划路径,但由于道路上车辆过多,按车辆自身使用的行驶路线导航行驶可能会遇到主干道交通拥堵的情况,并容易造成主干道交通拥堵情况更加严重的问题。
在本实施例中,云端网络需要先发布目标主干道优化任务,初始化全局优化模型MITS和各主干道模型构建全局优化模型MITS和各主干道模型为路侧单元和边缘计算单元提供初始模型,路侧单元和边缘计算单元可以据此建立其他模型;利用云端网络下发任务给到路侧单元、边缘计算单元和智能车辆,将优化任务模型下放至边缘计算单元和智能车辆进行计算,减轻云端网络计算压力,还可以充分利用道路环境中已有的计算资源,减少资源的浪费,并能将计算结果更快速下发给智能车辆,缓解延迟问题,进一步加快区域内各主干道的交通负载优化速度。
路侧单元根据云端网络发送的全局优化模型MITS和各主干道模型建立交通负载优化模型并将交通负载优化模型发送至智能车辆,为智能车辆提供所需参数;智能车辆接收路侧单元传递过来的交通负载优化模型根据交通负载优化模型中的所需参数来计算自车模型,构建车辆自身优化模型上传车辆自身优化模型路侧单元将智能车辆传递过来的车辆自身优化模型根据交通负载优化模型整合成第二交通负载优化模型边缘计算单元接收第二交通负载优化模型求解优化结果,并构建目标主干道拥堵预测模型云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则给出智能车辆调度决策,其中智能车辆调度决策,调度决策包括左转、右转和直行。
其中,Ri为主干道i对应路侧单元映射数量;P为主干道集合数量;i为某一目标主干道标号,总数为I;j为某一路侧单元标号,总数为J;
步骤S12:云端网络发布目标主干道优化任务至路侧单元、边缘计算单元和智能车辆;
在本实施例中,云端网络先初始化区域内主干道集合P={P1,P2,…,Pi},imax为区域内主干道数量的最大值,i为某一目标主干道标号;I为区域内目标主干道总数;P1代表区域内第一条主干道,Pi代表区域内第i条主干道;并建立路侧单元与主干道映射R={R1,R2,…,Rj},R为主干线映射集合,j为某一路侧单元标号;J为路侧单元总数,R1代表某一条主干道上的第一个路侧单元,Rj代表该条主干道上的第j个路侧单元,代表第j个路侧单元收集的目标主干道优化模型;云端网络构建各主干道模型 代表第i个目标主干道优化模型,假设一个区域内有i条主干道,一条主干道上有j个路侧单元,该各主干道模型表示第i条主干道上,从第一个路侧单元到第j个路侧单元所有路侧单元收集的目标主干道优化模型集合;云端网络构建全局优化模型MITS,该全局优化模型MITS表示区域内,从第一条主干道到第i条主干道所有主干道收集的主干道优化模型的集合。云端网络发布目标主干道优化任务至路侧单元、边缘计算单元和智能车辆,路侧单元、边缘计算单元和智能车辆接收目标主干道优化任务,并根据需求开始工作。云端网络发送全局优化模型MITS和各主干道模型至路侧单元和边缘计算单元,路侧单元接收全局优化模型MITS和各主干道模型并传递给智能车辆;并根据全局优化模型MITS和各主干道模型向路侧单元和边缘计算单元分配对应主干道,将优化任务模型求解下放到边缘计算单元和智能车辆进行,可以充分利用道路环境中已有的计算资源,解决整个区域内各主干道的交通负载优化。
步骤S131:初始化聚类中心个数、聚类中心位置;
步骤S132:计算每个主干道与聚类中心的相似度(传输距离),将主干道归类到最相似的类中;
步骤S133:更新聚类中心;
步骤S134:若聚类中心没有收敛,重复步骤S132-S133;
步骤S135:建立每个聚类的优化需求矩阵;
步骤S136:初始化边缘计算单元对优化任务的供应矩阵;
步骤S137:重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类;
步骤S138:若边缘计算单元的供应不满足需求矩阵,重复步骤S137;
步骤S139:建立边缘计算选择模型,将边缘计算单元分配到各聚类分组。
在本实施例中,采用聚类算法作为边缘计算单元的任务分配框架,初始化聚类中心个数K,代表目标主干道集合数量,设置区域内最远的K个主干道作为起始聚类中心位置C;计算每个主干道与聚类中心的距离D,将每个主干道归类到距离最近的聚类分组中;计算每个聚类分组的平均位置,更新聚类中心C*;若聚类中心没有收敛,即聚类中心仍将据需更新,重复步骤计算每个主干道与聚类中心的距离D,将每个主干道归类到距离最近的聚类分组中和计算每个聚类分组的平均位置,更新聚类中心C*;建立每个聚类的优化需求矩阵;初始化边缘计算单元对优化任务的供应矩阵;重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类分组;若边缘计算单元的供应不满足需矩阵,重复步骤重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类分组;建立边缘计算单元选择模型,按照传输距离最近原则分配个聚类分组。
在本实施例中,路侧单元负责和具有无线通信的智能车辆进行通信连接,路侧单元接收从云端网络传递过来的全局优化模型MITS和各主干道模型并将全局优化模型MITS和各主干道模型传递至智能车辆,将模型求解传递至智能车辆进行,可以充分利用智能车辆已有的计算资源,缓解云端网络计算压力,并提高计算资源利用效率;代表第u辆车的车辆自身优化模型,为映射RSUj的智能车辆数量,u为智能车辆数量,路侧单元构建第一交通负载优化模型该第一交通负载优化模型表示第一辆智能车辆到第u辆智能车辆在第j个路侧单元上收集的车辆自身优化模型;路侧单元发送第一交通负载优化模型至智能车辆,为智能车辆提供初始的第一交通负载优化模型智能车辆可以根据第一交通负载优化模型中的所需参数来计算自车模型。
步骤S31:智能车辆接收云端网络发布的目标主干道优化任务;
步骤S34:智能车辆初始化智能车辆的本地行驶状态,并收集外界环境信息;
步骤S35:智能车辆重新规划目的地导航线路;
其中,交叉口选择包括:左转、直行、右转,代价模型(cturn,cpath,ctraffic)包括转弯代价、路程代价、选择道路的预测交通量代价,(cturn)为左转的转弯代价、路程代价、选择道路的预测交通量代价的代价模型,(cpath)为直行的转弯代价、路程代价、选择道路的预测交通量代价的代价模型,(ctraffic)为右转的转弯代价、路程代价、选择道路的预测交通量代价的代价模型。
在本实施例中,主要由可接入车联网的智能车辆组成,智能车辆接收云端网络发布的目标主干道优化任务,收到优化任务开始准备工作,接收路侧单元传递的全局优化模型MITS、各主干道模型和路侧单元构建的第一交通负载优化模型为了根据模型中的所需参数来计算自车模型;智能车辆初始化自车状态模型,并根据自身装载的各类型传感器以及其他设备,包括各类单/双目相机、超声波雷达、激光雷达、车辆行驶状态(速度、加速度、参考轨迹等),不断收集道路附近路线规划所需要的信息,建立对应的环境模型;然后建立左转、直行、右转三种道路选择下的优先级列表和损失代价模型(cturn,cpath,ctraffic),代价模型包括转弯代价、路程代价、选择道路的预测交通量代价;基于车辆自身使用的行驶路线导航算法重新规划路径,分别计算出左转、直行、右转三种交叉口道路选择下的综合最优行驶路线,最优路径以最小化损失代价为目的。根据三种道路选择的损失代价,建立代价最小的优先级列表,以及相应的代价模型;将道路选择优先级列表和相应代价模型构建为车辆自身优化模型通过无线连接上传给对应的路侧单元。重规划路线的选择在智能车辆本地进行计算,通过上传分岔口选择优先级以及车辆自身优化模型来代替车辆目的地等信息,有效保护智能车辆的本地隐私数据。在传输过程中,针对同一辆智能车辆,所经过的每一个主干道,其路侧单元接收的分岔口选择优先级和本地优化模型不具有转换关系,仅与当前主干道分岔口有关,进一步加强防止恶意攻击者对用户隐私数据的破解能力。
在本实施例中,路侧单元接收智能车辆建立的车辆自身优化模型路侧单元收集非智能车辆行驶状态包括所在车道、车速,根据车辆自身优化模型和非智能车辆行驶状态整合成第二交通负载优化模型再将第二交通负载优化模型至边缘计算单元进行累加聚合。
在本实施例中,边缘计算单元接收云端网络发送的初始化全局优化模型MITS和初始化主干道模型边缘计算单元接收路侧单元发送的第二交通负载优化模型该第二交通负载优化模型表示区域内第j个路侧单元收集到的车辆自身优化模型的集合;并聚合累加生成第二各主干道模型该第二各主干道模型表示区域内第i条主干道所有路侧单元收集到的交通负载优化模型的集合;再迭代求解优化结果,优化结果包括左转、右转、直行其中一种结果,边缘计算单元根据优化结果建立目标主干道拥堵预测模型包括周期内目标主干道吞吐量;最后将优化结果和目标主干道拥堵预测模型发送至云端网络、路侧单元和智能道路指示牌,只考虑每个主干道的交通负载优化,并将优化求解任务分配给边缘计算单元,减轻云端网络计算压力。
步骤S531:初始化全局优化模型MITS及负载优化模型;
步骤S532:构建智能车辆分岔口选择模型;
步骤S533:选择智能车辆分岔口优先级最高的作为初始解;
步骤S534:根据分岔口容量调整智能车辆的选择优先级列表;
步骤S535:迭代步骤S534,直到算法收敛到符合分岔***通容量的最小代价,得到优化结果。
在本实施例中,本发明采用延迟接收算法,调度代价损失较小的智能车辆更新道路选择,初始化主干道分岔***通容量模型及负载优化模型;以每辆智能车辆当前道路选择作为初始解X,更新智能车辆道路选择优先级列表和损失代价模型,选择变更道路选择而产生损失代价最小的车辆进行道路更新,更新全局负载优化结果,检验目标主干道最大可通行车辆容量;若全局负载优化结果或目标主干道最大可通行车辆容量不满足目标阈值,重复更新全局负载优化结果,若算法提前收敛,则传递负载优化结果;若迭代次数到达最大值,则停止上述步骤。
步骤S553:智能道路指示牌中展示道路拥堵情况。
在本实施例中,边缘计算单元发送优化结果和目标主干道拥堵预测模型至云端网络和路侧单元,通过云端网络下放优化结果给边缘计算单元,边缘计算单元将优化结果通过路侧单元传递给智能车辆,缓解了车辆从云端网络接收优化结果的延迟问题,智能车辆根据云端网络聚合的全局优化结果和目标阈值的判断结果,选择是否根据优化结果做出调度决策;边缘计算单元将目标主干道拥堵预测模型传递至智能道路指示牌,并在智能道路指示牌中展示道路拥堵情况,由此,道路拥堵情况给智能车辆的道路选择提供一个建议,智能车辆可以根据智能道路指示牌中展示的道路拥堵情况,进行道路的选择,从而进一步缓解主干道拥堵情况。
进一步的,云端网络接收优化结果并聚合成全局优化结果,将全局优化结果和目标阈值对比,若全局优化结果未达到目标阈值,则重复步骤S2-S5,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策,包括:
步骤S61:云端网络接收优化结果并聚合成全局优化结果;
步骤S62:将全局优化结果和目标阈值对比;
步骤S63:根据全局优化结果和目标阈值对比的结果给出智能车辆调度决策或重复步骤S2-S5指令,若全局优化结果未达到目标阈值,则云端网络给出重复步骤S2-S5的指令,若全局优化结果达到目标阈值,则云端网络给出智能车辆调度决策。
在本实施例中,云端网络接收边缘计算单元优化求解的优化结果,并在云端网络聚合成全局优化结果,根据全局优化结果和目标阈值对比的结果,云端网络做出指令,若全局优化结果满足目标阈值,则智能车辆接收路侧单元传递的优化结果,给出智能车辆调度决策;若全局优化结果不满足目标阈值,则云端网络发布重复指令,重复步骤S2-S5。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种实现交叉口主干道交通负载优化的车辆调度方法,其特征在于,所述车辆调度方法包括:
步骤S6:所述云端网络接收所述优化结果并聚合成全局优化结果,将所述全局优化结果和目标阈值对比,若所述全局优化结果未达到所述目标阈值,则重复步骤S2-S5,若所述全局优化结果所述达到目标阈值,则所述云端网络给出智能车辆调度决策;
其中,Ri为主干道i对应路侧单元映射数量;P为主干道集合数量;i为某一目标主干道标号,总数为I;j为某一路侧单元标号,总数为J;
步骤S12:所述云端网络发布所述目标主干道优化任务至所述路侧单元、所述边缘计算单元和所述智能车辆;
步骤S131:初始化聚类中心个数、聚类中心位置;
步骤S132:计算每个主干道与所述聚类中心的相似度(传输距离),将主干道归类到最相似的类中;
步骤S133:更新所述聚类中心;
步骤S134:若所述聚类中心没有收敛,重复步骤S132-S133;
步骤S135:建立每个聚类的优化需求矩阵;
步骤S136:初始化所述边缘计算单元对优化任务的供应矩阵;
步骤S137:重规划每个聚类的需求矩阵,调整部分主干道优化任务的聚类;
步骤S138:若所述边缘计算单元的供应不满足需求矩阵,重复步骤S137;
步骤S139:建立边缘计算选择模型,将所述边缘计算单元分配到各聚类分组。
5.根据权利要求1所述的车辆调度方法,其特征在于,所述智能车辆接收所述目标主干道优化任务,根据所述全局优化模型MITS、所述各主干道模型和所述第一交通负载优化模型构建车辆自身优化模型上传所述车辆自身优化模型至路侧单元,包括:
步骤S31:所述智能车辆接收所述云端网络发布的所述目标主干道优化任务;
步骤S34:所述智能车辆初始化所述智能车辆的本地行驶状态,并收集外界环境信息;
步骤S35:所述智能车辆重新规划目的地导航线路;
7.根据权利要求1所述的车辆调度方法,其特征在于,所述边缘计算单元接收所述第二交通负载优化模型求解优化结果,建立目标主干道拥堵预测模型发送所述优化结果和所述目标主干道拥堵预测模型至所述云端网络、所述路侧单元和智能道路指示牌,包括:
10.根据权利要求1所述的车辆调度方法,其特征在于,所述云端网络接收所述优化结果并聚合成全局优化结果,将所述全局优化结果和目标阈值对比,若所述全局优化结果未达到所述目标阈值,则重复步骤S2-S5,若所述全局优化结果所述达到目标阈值,则所述云端网络给出智能车辆调度决策,包括:
步骤S61:所述云端网络接收所述优化结果并聚合成全局优化结果;
步骤S62:将所述全局优化结果和目标阈值对比;
步骤S63:根据所述全局优化结果和所述目标阈值对比的结果给出智能车辆调度决策或重复步骤S2-S5指令,若所述全局优化结果未达到所述目标阈值,则所述云端网络给出重复步骤S2-S5的指令,若所述全局优化结果所述达到目标阈值,则所述云端网络给出智能车辆调度决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110409.XA CN115691107A (zh) | 2022-09-13 | 2022-09-13 | 一种实现交叉口主干道交通负载优化的车辆调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110409.XA CN115691107A (zh) | 2022-09-13 | 2022-09-13 | 一种实现交叉口主干道交通负载优化的车辆调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115691107A true CN115691107A (zh) | 2023-02-03 |
Family
ID=85062064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211110409.XA Pending CN115691107A (zh) | 2022-09-13 | 2022-09-13 | 一种实现交叉口主干道交通负载优化的车辆调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691107A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3010440A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
CN107316472A (zh) * | 2017-07-28 | 2017-11-03 | 广州市交通规划研究院 | 一种面向干道双向不同需求的动态协调控制方法 |
CN109637137A (zh) * | 2018-12-29 | 2019-04-16 | 浙江方大智控科技有限公司 | 基于车路协同的交通管理*** |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
-
2022
- 2022-09-13 CN CN202211110409.XA patent/CN115691107A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3010440A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
CN107316472A (zh) * | 2017-07-28 | 2017-11-03 | 广州市交通规划研究院 | 一种面向干道双向不同需求的动态协调控制方法 |
CN109637137A (zh) * | 2018-12-29 | 2019-04-16 | 浙江方大智控科技有限公司 | 基于车路协同的交通管理*** |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
Non-Patent Citations (1)
Title |
---|
文孟飞;彭军;刘伟荣;李冲;张晓勇;: "一种增量式多目标优化的智能交通路径诱导方法", 湖南大学学报(自然科学版), no. 05, 25 May 2013 (2013-05-25), pages 55 - 60 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Levin et al. | A general framework for modeling shared autonomous vehicles with dynamic network-loading and dynamic ride-sharing application | |
CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析***与方法 | |
CN109657843B (zh) | 一种城市接驳公交***的一体化规划决策支持*** | |
CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
Florin et al. | A survey of vehicular communications for traffic signal optimization | |
CN1108249C (zh) | 一种车辆导航与路网管理的方法及装置 | |
CN101908275B (zh) | 基于多网络的公共交通优化出行方法 | |
JP2019537159A (ja) | 生成されたインターフェースを使用する自律走行車の監視 | |
EP3981106A1 (en) | Allocation of fog node resources | |
CN105070044A (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
Kim et al. | Navopt: Navigator assisted vehicular route optimizer | |
CN110110903A (zh) | 一种基于神经进化的配送车辆路径规划方法 | |
KR20200090528A (ko) | 분산 예측 기반의 교통신호 제어 시스템 및 그 방법 | |
JP2024521538A (ja) | 交通予測のための分散マルチタスク機械学習 | |
Abdelghaffar et al. | Developing a de-centralized cycle-free nash bargaining arterial traffic signal controller | |
Sun et al. | A novel cloudlet-dwell-time estimation method for assisting vehicular edge computing applications | |
Doostali et al. | IoT-based model in smart urban traffic control: Graph theory and genetic algorithm | |
Horng et al. | Traffic congestion reduce mechanism by adaptive road routing recommendation in smart city | |
CN114254825A (zh) | 一种配送路径的确定方法、装置、电子设备及存储介质 | |
Xie et al. | An energy-efficient high definition map data distribution mechanism for autonomous driving | |
Wu et al. | An efficient adaptive intelligent routing system for multi‐intersections | |
CN115691107A (zh) | 一种实现交叉口主干道交通负载优化的车辆调度方法 | |
Withanawasam et al. | Multi-agent based road traffic control optimization | |
WO2023274284A1 (zh) | 一种车辆控制方法、装置及*** | |
Raj et al. | The time-dependent multiple flying sidekicks traveling salesman problem: Parcel delivery with traffic congestion |
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 |