CN117804490A - 一种车辆运行路线的综合规划方法及装置 - Google Patents

Abstract

本发明提供了一种车辆运行路线的综合规划方法及装置，涉及路径规划技术领域，包括获取第一信息和第二信息；根据第一信息进行行为模式学习处理得到第三信息，第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型；根据第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息；根据第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息；对第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息。本发明通过综合考虑道路物理特性、环境因素以及司机的行为模式，优化路线规划，有效减少交通拥堵和车辆排放，提升了交通***的效率。

Description

一种车辆运行路线的综合规划方法及装置

技术领域

本发明涉及路径规划技术领域，具体而言，涉及一种车辆运行路线的综合规划方法及装置。

背景技术

随着全球对可持续发展和环境保护意识的增强，绿色出行成为现代交通规划领域的一个重要议题。绿色出行旨在通过优化交通路线、减少拥堵和降低车辆排放来减轻对环境的影响。然而，当前的车辆运行路线规划技术面临一些挑战，尤其是在适应复杂城市环境和实现绿色出行目标方面。现有的车辆运行路线规划方法依赖于基础的地图服务和交通流量数据，主要关注最短或最快的路线，而较少考虑环境影响、道路的物理特性和司机行为偏好。这些方法通常采用静态的规划方法，缺乏对道路条件、交通状况动态变化的适应能力，从而在支持绿色出行和有效应对高峰期交通拥堵方面效果有限。

针对现有技术的不足，现亟需一种车辆运行路线的综合规划方法及装置。

发明内容

本发明的目的在于提供一种车辆运行路线的综合规划方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种车辆运行路线的综合规划方法，包括：获取第一信息和第二信息，所述第一信息包括待规划区域内至少两个司机的行为数据，所述第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，所述行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择；

根据所述第一信息进行行为模式学习处理得到第三信息，所述第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型；

根据所述第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，所述第四信息为包含了路网效率和鲁棒性的网络流分析结果；

根据所述第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，所述第五信息为车辆运行路线方案，所述车辆运行路线方案包括每个司机的运行路线；

对所述第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，所述第六信息为最终车辆运行路线方案。

第二方面，本申请还提供了一种车辆运行路线的综合规划装置，包括：第一获取单元，用于获取第一信息和第二信息，所述第一信息包括待规划区域内至少两个司机的行为数据，所述第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，所述行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择；

第一处理单元，用于根据所述第一信息进行行为模式学习处理得到第三信息，所述第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型；

第二处理单元，用于根据所述第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，所述第四信息为包含了路网效率和鲁棒性的网络流分析结果；

第三处理单元，用于根据所述第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，所述第五信息为车辆运行路线方案，所述车辆运行路线方案包括每个司机的运行路线；

第四处理单元，用于对所述第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，所述第六信息为最终车辆运行路线方案。

本发明的有益效果为：

本发明通过综合考虑道路物理特性、环境因素以及司机的行为模式，优化路线规划，有效减少交通拥堵和车辆排放，提升了交通***的效率，还有助于减少环境污染，支持可持续发展目标。本发明通过考虑道路的物理特性和环境条件对交通流的影响，可以规避潜在的危险路段，增加驾驶安全性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的车辆运行路线的综合规划方法流程示意图;

图2为本发明实施例中所述的车辆运行路线的综合规划装置结构示意图。

图中标记：701、第一获取单元；702、第一处理单元；703、第二处理单元；704、第三处理单元；705、第四处理单元；7021、第一分析子单元；7022、第一聚类子单元；7023、第一映射子单元；7024、第二分析子单元；7025、第一构建子单元；7031、第三分析子单元；7032、第一模拟子单元；7033、第一处理子单元；7034、第一优化子单元；7041、第二优化子单元；7042、第二处理子单元；7043、第三优化子单元；7044、第四优化子单元；7051、第五优化子单元；7052、第六优化子单元；7053、第二模拟子单元；7054、第一调整子单元；70511、第一建模子单元；70512、第七优化子单元；70513、第四分析子单元；70514、第八优化子单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种每个的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，本实施例提供了一种车辆运行路线的综合规划方法，其方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。

步骤S1、获取第一信息和第二信息，第一信息包括待规划区域内至少两个司机的行为数据，第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择。

可以理解的是，司机行为数据包括出发点、目的地、出行时间和历史路线选择，这些信息是了解司机个性化需求和出行习惯的关键。具体地，从出发点和目的地信息中，可以揭示司机的常用路线；出行时间信息有助于识别司机在高峰或非高峰时段的出行偏好；历史路线选择则提供了对司机偏好路线的洞察。此外，实时交通网络状态数据，如路况、交通流量、事故或道路施工信息，以及环境数据（天气状况、能见度等）和路网结构数据（道路布局、交通信号灯位置和时序等），使***能够准确理解当前和未来的交通情况，并考虑环境因素对交通流的影响。整合这些数据不仅有助于创建个性化的路线规划，提高司机对推荐路线的遵循率，还能优化整体交通流量分布，减少拥堵，支持绿色出行，增强道路安全性。通过这种综合数据驱动的方法，本发明能够有效提升路线规划的准确性和适应性，尤其在应对复杂交通环境和突发事件时，能够提供更灵活、更可靠的路线选择，促进城市交通***的整体可持续发展。

步骤S2、根据第一信息进行行为模式学习处理得到第三信息，第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型。

可以理解的是，在这一步骤中，***首先分析司机的出发点、目的地、出行时间以及历史路线选择等数据，这些数据反映了司机的个人出行习惯和偏好。进一步地，通过应用数据分析和机器学习技术，如聚类分析、模式识别和预测建模，***能够识别出不同驾驶者的行为模式，并构建模型来预测司机在特定条件下的行为倾向。

步骤S3、根据第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，第四信息为包含了路网效率和鲁棒性的网络流分析结果。

可以理解的是，本步骤利用第二信息来构建一个详细的路网模型，该模型不仅反映了实时的交通流量和路况，还融入了环境因素和路网的结构特点，如交通信号灯布局、道路连接性等。结合第三信息中的行为模式模型，***能够在网络模型中模拟不同司机的行为倾向，进而评估各个节点（如交叉口、主要路段）的重要性以及它们对整体交通流的影响。通过这种分析，***能够识别出关键的交通瓶颈点和高效率路段，从而为交通管理和路线规划提供有价值的洞察。这种网络流分析结果不仅考虑了路网的效率，还关注其在面对突发事件（如交通事故、恶劣天气）时的鲁棒性，即网络的能力在面对挑战时保持功能和效率。

步骤S4、根据第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，第五信息为车辆运行路线方案，车辆运行路线方案包括每个司机的运行路线。

可以理解的是，本步骤利用网络流分析结果来预测驾驶者在特定路网条件下的决策。这涉及分析不同司机在面对交通流变化、路网瓶颈等因素时的行为倾向，这些倾向是基于之前从行为模式模型中获得的。预测处理考虑了司机的个性化需求和偏好，以及实时路网状况的复杂性。接下来，通过集体路线优化处理整合这些预测，以制定一个既高效又可持续的整体路线规划。优化过程涉及平衡个别司机的需求与整体路网效率，尝试减少拥堵、降低排放，同时确保每个司机的行程尽可能高效。

步骤S5、对第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，第六信息为最终车辆运行路线方案。

可以理解的是，本步骤为路径优化处理阶段，包括考虑路线的实际可行性、预期的交通状况、可能的延误以及环境影响等因素。优选地，该过程中可以采用多种优化算法，如遗传算法或模拟退火算法，以找到在效率、安全性和环境友好性等多个方面均衡的最优路线。进一步地，综合模拟处理则涉及使用高级模拟技术，如交通流模拟和多代理***模拟，来测试优化后的路线在实际交通环境中的表现。这个阶段的目标是确保所提出的路线在面对真实世界复杂性时的有效性和鲁棒性，同时评估其对整体交通流的影响。本步骤不仅确保了路线规划的实用性和有效性，而且通过模拟验证增强了其适应性和可靠性，为实现高效、环保的交通运行提供了强有力的支持。

在本公开的一种具体实施方式中，步骤S2包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。

步骤S21、根据第一信息进行主成分分析和权重分配处理，通过整合司机的出行基础数据和对特定路线特征的敏感度数据，得到特征向量集。

可以理解的是，主成分分析通过识别数据中的主要变量和模式，帮助提炼出最关键的信息，从而减少数据集的复杂性。在车辆运行路线规划的背景下，能够从大量的司机行为数据中提取出最重要的特征，如常用路线、出行时间偏好等。接下来，***会对从主成分分析中提取的主要特征进行权重分配。权重分配的目的是强调某些特征在路线规划中的重要性，如对拥堵路线的敏感度或对特定路段的偏好。这样做可以帮助模型更好地理解每个司机的独特行为模式和偏好。最终通过整合司机的出行基础数据（如出发点、目的地、常用路线）和对特定路线特征的敏感度数据（如对高峰时段或特定类型道路的偏好），***形成一个特征向量集。这个集合代表了司机行为的综合特征，为后续的聚类分析和行为模式识别提供基础。

步骤S22、根据特征向量集使用基于密度的聚类算法处理，通过结合司机在社交媒体上关于交通和路线的讨论数据，得到群组划分结果。

可以理解的是，特征向量集包含司机的出行基础数据（如出发点、目的地）和对特定路线特征的敏感度数据（例如，对特定道路类型或交通条件的偏好）。这些特征向量集在基于密度的聚类算法中作为输入数据，用于识别司机群体中的行为模式。在车辆运行路线规划的背景下，邻域半径（ε）和最小点数（MinPts）的设定是基于司机行为数据的性质来决定的。具体地，如果特征向量集显示司机在某个特定区域内的出行密度较高，ε可以设定为较小的值来识别这一密集区域内的细微模式。MinPts的设定则取决于希望识别的聚类的密集程度，较大的MinPts值可以帮助识别更为显著的行为模式。基于密度的聚类算法遍历每个特征向量（代表一个司机的行为模式），检查其邻域内的其他向量数量是否满足MinPts的要求。满足条件的向量被视为核心点，代表一个特定类型的司机行为模式。核心点及其密度可达的点形成一个聚类，代表一组具有类似行为模式的司机。而那些在核心点邻域内但不满足条件的点（边缘点）可能代表行为模式较为复杂或介于多种模式之间的司机。在本实施例中，完全孤立的点（噪声）代表那些具有极端或非常规行为模式的司机，不予以考虑。接下来，结合司机在社交媒体上关于交通和路线的讨论数据，这需要先对社交媒体内容进行文本分析，提取与交通、路线相关的关键词和情感倾向。这些数据通过自然语言处理技术（优选地，如情感分析和关键词提取）进行处理，然后与基于密度的聚类算法的聚类结果结合，以进一步细化和调整聚类分组。例如，如果一群司机在社交媒体上经常讨论某条路线的拥堵情况，并表现出负面情感，这可能表明他们对该路线的敏感度高，倾向于寻找替代路线。最终，本步骤得到的群组划分结果将司机根据他们的行为特征和社交媒体反馈分为不同的类别。这样的群组化有助于***更精确地理解不同司机的行为模式和偏好，从而在后续步骤中提供更为个性化的路线规划建议。涉及的计算公式如下：

其中，/>表示特定司机的行为数据的一个数据点；/>表示数据集中的另一个司机的行为数据点；/>表示领域半径；/>表示点/>的领域内的点集。

步骤S23、根据群组划分结果进行监督学习处理，通过结合路线选择频率特征，经过核函数映射处理构建得到能够区分司机在高峰和非高峰时段路线选择偏好的判别模型。

可以理解的是，本步骤涉及分析司机的路线选择频率特征，特别是针对不同时间段的偏好。采用的监督学习算法，优选地如支持向量机（SVM），利用已知的出行模式作为训练数据，通过核函数映射这些数据到一个更高维的空间，在这个空间中，不同时间段的出行偏好更易于区分。这样的处理不仅提高了模型的分类能力，还使得模型能够更准确地识别和预测司机在高峰期和非高峰期的行为差异。最终得到的判别模型为***提供了深入的洞察，有助于为司机制定更精准和个性化的路线规划，从而优化交通流量分配，减轻高峰时段的交通压力，提高整体交通***的效率和流畅度。

步骤S24、根据判别模型和历史路线的时间序列数据进行时间序列分析处理，通过采用混合效应模型适应不同司机的个体差异，得到用于预测未来特定时间段内驾驶者行为的趋势模型。

可以理解的是，本步骤利用混合效应模型，这种模型独特地结合了固定效应（如时间的周期性、天气等普遍因素）和随机效应（针对个别司机的特定行为特征），从而适应各司机的个体差异。通过分析历史数据中的趋势和模式，如司机在特定时段的出行习惯或对特定路线的偏好，***能够构建一个趋势模型。该模型不仅捕捉到了行为的规律性和周期性，还考虑了个体差异，使得预测更加精准和个性化。这样的时间序列分析方法使得模型能够预测未来特定时间段内司机可能的行为趋势，为实时和动态的路线规划提供了强有力的数据支持。这不仅提高了路线规划的适应性和准确性，还优化了个性化路线推荐，增强了司机的出行体验。

步骤S25、根据趋势模型和实时路况数据，应用贝叶斯网络处理构建得到行为模式模型。

可以理解的是，这一过程首先涉及融合历史行为趋势的预测与当前的路况信息，如交通流量和突发事件，以适应实时变化的交通状况。贝叶斯网络作为一种概率图模型，能够有效处理不确定性，在本场景中，它被用来模拟不同因素（如时间、天气、路况）对司机行为的影响，并预测不同情况下的行为模式。通过这种方法构建的行为模式模型不仅能反映司机在特定条件下的行为趋势，还能根据实时数据动态调整预测，增加模型的灵活性和适应性。这使得模型能够为路线规划提供更精确、更个性化的指导，特别是在应对快速变化的交通环境和应急情况时。需要说明的是，步骤S25包括步骤S251、S252和S253。

步骤S251、根据趋势模型和实时路况数据进行数据集成处理得到综合数据集，并根据综合数据集进行贝叶斯网络结构构建处理，得到反映不同因素相互作用的网络结构，其中网络的节点代表不同的影响因素（如时间、天气、当前路况），而边代表这些因素之间的概率关系。

可以理解的是，本步骤中，趋势模型提供的历史行为分析与实时路况数据的结合，创建了一个动态且全面的数据环境。这种融合不仅考虑了司机的长期行为模式，也考虑了当前路网状况的即时影响。这样的数据融合为预测提供了更全面的视角，特别是在快速变化的交通环境中，能够提供更准确的行为预测。贝叶斯网络的构建专门针对交通和司机行为的复杂性进行了优化。网络中的节点不仅包括时间、天气这样的标准因素，还考虑了对交通流动性有重大影响的因素，如特定事件（事故、大型活动）或路段特定条件（如施工、临时封路）。这种定制化的网络能多更精确地反映出在特定情况下司机行为的变化。

步骤S252、根据构建的网络结构，经过概率推理处理，得到不同情况下的行为模式预测结果。

可以理解的是，本步骤结合了复杂交通网络中的多元数据，如时段、天气状况及实时路况，使用贝叶斯网络进行概率推理以预测司机在不同情况下的行为模式。这种方法的能够动态适应实时交通变化，具体地，随着新数据的输入，比如最新的交通流量或事故报告，贝叶斯网络会相应调整其节点间的概率关系，实时更新行为预测。此外，这种推理处理不仅考虑了通用的影响因素，还能够根据个别司机的历史行为数据进行个性化预测，提高路线规划的精准度。例如，对于通勤司机和偶尔驾驶的司机，模型能够基于他们的历史行为和当前情况预测不同的行为模式。因此，本步骤不仅提升了交通预测模型的适应性和准确性，也为司机提供了更为个性化和实时的路线建议，有效提高了司机的出行体验。

步骤S253、根据行为模式预测结果进行适应性调整处理，得到最终的行为模式模型。

可以理解的是，在本步骤中不仅依据贝叶斯网络生成的初步行为模式预测结果进行调整，而且也将实时交通数据和不断变化的环境因素融入考量。这种动态调整机制使得模型能够实时反映交通状况的最新变化，如突发事件或交通政策的更新，从而保证预测的时效性和准确性。

在本公开的一种具体实施方式中，步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。

步骤S31、根据第二信息中的实时交通网络状态数据和预设的路径优化数学模型进行路网最短路径分析处理，得到各节点间的最优路径集合。

可以理解的是，本步骤首先收集和分析实时交通数据，如当前交通流量、路面状况、事故或道路施工信息等，这些数据提供了关于当前路网状况的关键信息。然后利用如迪杰斯特拉算法或A*算法等最短路径算法进行路径优化。这些算法在本实施例中被调整以适应实时数据，例如，它们会考虑交通拥堵情况，从而在高峰时段为司机提供最佳路线。

步骤S32、根据所得最优路径集合和环境数据，使用预设的流量分配模型进行模拟处理，通过融入了天气条件对交通流量的影响进行流量分配和拥堵预测处理，得到交通流量分布图。

可以理解的是，流量分配模型能够基于最优路径集合分析预计的交通流向。这个模型不仅考虑了道路的物理特性和容量限制，还结合了司机的路线选择行为。因此，这一模拟处理不仅基于道路本身的特性，还反映了司机的偏好和行为模式。在模拟过程中，***还融入环境因素，尤其是天气条件对交通流量的影响。例如，恶劣天气可能导致某些路段交通流量减少，或者增加其他路线的流量。这种考量使得流量分配和拥堵预测更加准确，能够反映实际交通状况的多变性。结合最优路径和环境因素的分析后，***能够生成一个详尽的交通流量分布图。这个分布图不仅显示了各路段的预期交通量，还能预测潜在的拥堵点，为交通管理和规划提供了重要的决策支持。

步骤S33、根据交通流量分布图和路网结构数据，通过结合路网的几何结构特征与交通流的动态特征进行节点影响力量化处理，得到各节点对交通流的影响力评分。

可以理解的是，本步骤通过分析路网的几何结构特征（如路口、道路长度和宽度）与交通流的动态变化（如在特定时间段的流量分布），深入了解不同节点在车辆运行路线选择中的作用。基于这些分析，***为路网中的每个节点（如交叉口、主要路段）分配一个影响力评分。这个评分反映了节点在影响车辆运行路线选择方面的重要性，例如，一个连接多条主要道路的交叉口可能会有较高的评分。通过识别这些关键节点及其影响力，助于更精确地规划车辆的运行路线。例如，对于拥有高影响力评分的节点，***可能会优先考虑或避开，以优化车辆的运行时间和减少拥堵。进一步地，该步骤还使得路线规划能够适应不同的交通状况。例如，在高峰时段或恶劣天气条件下，影响力高的节点可能成为拥堵点，***可以据此调整或提供备选路线。

步骤S34、根据影响力评分和行为模式模型，使用多目标优化算法进行路网效率和鲁棒性权衡，得到网络流分析结果。

可以理解的是，本步骤使用多目标优化算法来平衡路网效率和鲁棒性两个通常相互冲突的目标。算法考虑了各节点对路网整体运行的影响，以及不同司机行为模式对路线选择的影响，旨在找到最优化的路线规划方案，以提高整体路网的通行效率并减少拥堵。通过结合节点的影响力评分和行为模式模型，能够更准确地预测和管理路网中的交通流。这意味着路线规划不仅考虑了路网物理结构的影响，还考虑了司机的行为倾向，如在特定条件下的路线选择偏好。在进行路线规划时，这一步骤能够同时考虑到达目的地的速度（效率）和应对突发事件的能力（鲁棒性）。例如，在高峰时段或遇到突发事件时，算法能够提供既快速又可靠的路线选择，减少可能的延误。

在本公开的一种具体实施方式中，步骤S4包括步骤S41、步骤S42和步骤S43。

步骤S41、根据第四信息和预设的斯坦克尔伯格模型进行驾驶者互动策略优化处理，得到在当前路网状态下各司机的策略均衡点。

可以理解的是，斯坦克尔伯格模型在经济学中被用于分析领导者和追随者之间的策略互动。在本实施例中，该模型被应用于交通领域，以模拟和优化司机之间的互动策略。在这个模型中，某些司机（领导者）的路线选择可能会影响其他司机（追随者）的选择，反映了现实交通中的动态互动。通过应用斯坦克尔伯格模型，***能够分析和预测在给定的路网状况下，不同司机群体如何调整他们的行驶路线以达到策略上的均衡。这种均衡是一种策略状态，其中每个司机的路线选择考虑了其他司机的行为和整体路网状况。通过此步骤的优化处理，能够指导司机做出更有效的路线选择，减少拥堵并提高整体路网的通行效率。这种优化考虑了司机个体的路线偏好和整个路网的流量分布，旨在平衡个人利益和整体效益。

步骤S42、根据策略均衡点进行路线协调和冲突解决处理，得到减少整体旅行时间和避免交通瓶颈的协同路线决策框架。

可以理解的是，协同路线决策框架旨在协调不同司机的路线选择，以最大化整体路网效率。这种协同规划考虑到了司机之间的相互影响和整个路网的流量分布，从而优化每位司机的路线选择。通过这种协调，***能够有效减少整体旅行时间并避免交通瓶颈。例如，如果某个区域预计将出现拥堵，协同路线决策框架可以引导部分司机选择替代路线，从而减轻特定路段的交通压力。这一步骤还包括冲突解决机制，旨在解决由于不同司机的路线选择可能产生的冲突。通过分析多个司机的路线偏好和当前路网状况，***能够识别并解决这些潜在冲突，确保路线选择的有效性和合理性。生成的协同路线决策框架，不仅为单个司机提供了优化的路线选择，还考虑到了整体交通流的效率，使整个路网能够更加顺畅和高效地运行。

步骤S43、根据协同路线决策框架和实时路况数据，采用遗传算法对集体路线进行优化，通过适应度函数评价路线效率，经过迭代进化处理，得到群体层面上的优化路线方案。

可以理解的是，遗传算法是一种模拟自然选择和遗传学原理的优化技术，在本步骤中它用于从众多可能的路线中找到最优解。为了评估不同路线方案的效率，定义了一个适应度函数。这个函数考虑了多个因素，如路线的行驶时间、距离和可能的拥堵程度，从而确保选出的路线是最优化的。遗传算法通过模拟自然进化的过程（如选择、交叉、变异）来不断迭代和优化路线方案。在每次迭代中，算法评估当前种群中的路线方案，并选择适应度最高的方案进行下一代的生成。进一步地，本步骤更注重于群体层面上的路线优化，意味着考虑了整个司机群体的路线选择，而不仅仅是单个司机。这种方法有助于在整个路网范围内实现更有效的流量分配和拥堵管理。本步骤中适应度函数的定义如下：

其中，表示适应度函数；/>、/>、/>分别表示时间效率、距离效率和拥堵避免的权重系数；/>表示时间效率函数；/>表示距离效率函数；/>表示拥堵避免函数；/>为路线方案的实例；/>表示路线 />的预计行驶时间；/>表示理论最短行驶时间；/>表示调整时间效率敏感度的参数；/>表示路线/>的实际行驶距离；/>表示最短可能行驶距离；/>表示调整距离效率敏感度的参数；/>表示路线 />上的平均拥堵水平；表示最高拥堵等级。

步骤S44、根据优化路线方案，采用模拟退火算法对组合进行全局搜索优化，经过能量状态评估和概率接受准则处理，得到在不同交通流变化条件下的车辆运行路线方案。

可以理解的是，在现实交通环境中，交通流条件会不断变化。本步骤采用模拟退火算法来处理这种情况，以确保车辆运行路线在不同交通流变化条件下仍然有效。模拟退火算法是一种全局搜索和优化算法，它通过模拟固体退火过程中的分子排列来寻找最优解。具体地，本步骤通过多次迭代和随机扰动来搜索可能的路线组合，以找到最佳的车辆运行路线。这一过程中，关键的概念是“能量状态评估”和“概率接受准则”。能量状态评估用于衡量每个路线组合的质量，它考虑了多个因素，例如路线的总行驶时间、路程和交通拥堵情况。我们的目标是最小化这些能量状态，以找到最佳路线。概率接受准则是模拟退火算法的核心部分，它决定是否接受新的路线组合。当新的路线组合具有更低的能量状态（更好的质量）时，它几乎总是被接受。然而，当新的路线组合质量较差时，有一个以概率P接受它的机会。这是为了防止陷入局部最小值，使算法有能力跳出局部最优解，寻找全局最优解。综上所述，本步骤使用模拟退火算法对不同交通流变化条件下的车辆运行路线进行全局搜索优化，以确保最佳的路线方案在各种交通条件下都能够高效运行。

在本公开的一种具体实施方式中，步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54。

步骤S51、根据第五信息中的所有运行路线，采用网络流理论中的最大流最小割定理进行路径优化处理，得到最大化交通流动性的初步路线方案。

可以理解的是，这一过程利用网络流理论的基本原理，通过找到车辆流动的最佳路径分配方式，确保了车辆在道路网络中的高效流动。最大流最小割定理中，最大的流动量等于最小的阻止流动的路径，因此这一步骤的目标是最大化车辆的流动性，同时减少阻碍车辆流动的路径。通过这种方式，能够获得一个初步路线方案，该方案已经通过数学原理的优化，以提高道路网络的交通效率，从而降低了拥堵和交通障碍的发生。这个初步路线方案将为后续步骤提供基础，以进一步调整和优化，进而满足不同的交通需求和条件。

步骤S52、根据初步路线方案进行多目标优化处理，通过结合运行时间、安全性和燃油效率三方面交通优化指标，得到备选路线方案。

可以理解的是，运行时间关注了车辆在道路上行驶所需的时间。安全性关注了路线的安全性和风险。燃油效率是考虑到环保和成本因素的指标。通过综合考虑这三个指标可以得到一组备选路线方案，这些方案在多个方面都具有均衡的性能。同时，这些备选路线将为车辆运行提供更多选择，并允许根据具体的交通需求和条件做出适当的决策。

步骤S53、根据备选路线方案进行交通流量和司机行为模拟处理，通过模拟个体司机在整体交通流量中的互动情况得到预测数据，预测数据包括预测的交通状况和路线表现数据。

可以理解的是，本步骤模拟了个体司机在选择不同的备选路线时对整体交通流量的影响。这包括考虑他们的出发时间、目的地和路线选择，以及他们在道路上的行驶速度和互相之间的互动情况。通过这个模拟过程，我们可以预测在不同备选路线下的交通状况，包括拥堵程度、车辆密度等方面的数据。其次，还需要模拟了司机在选定的路线上的表现数据，这包括了他们的行驶速度、行车姿态、可能的停车情况等。这些数据可以帮助我们更好地理解在不同路线下司机的行为，以及路线的实际表现。通过这个模拟过程，能够获得关于备选路线的预测数据，这些数据对于决策制定和路线规划具有重要的参考价值。

步骤S54、基于预设的强化学习数学模型对预测数据进行动态***调整处理，经过实时反馈和调整得到自适应环境变化的最终车辆运行路线方案。

可以理解的是，强化学习数学模型被设计用来学习和优化车辆运行路线。模型考虑了多个因素，包括交通状况、路线效率、安全性等，以制定最佳的决策策略。模型通过实时反馈和调整，根据当前的交通情况和环境变化，不断地更新车辆运行路线方案。这意味着***可以在实际行驶过程中动态地做出决策，以适应交通状况的变化，包括交通拥堵、事故和其他突发事件。通过强化学习模型，我们能够实现自适应的路线规划，以确保车辆在不同的环境条件下能够以最佳方式行驶，提高了路线的效率和安全性。这种方法能够更好地应对复杂的交通情况，提供了更智能和灵活的车辆运行路线方案。

在本公开的一种具体实施方式中，步骤S51包括步骤S511、步骤S512、步骤S513和步骤S514。

步骤S511、根据第五信息中的所有运行路线、地理信息***数据和道路物理属性，经过道路网络图形建模处理，得到物理特性网络图。

可以理解的是，这一步骤的主要目的是将实际道路的物理特性以图形形式进行建模。首先收集了有关道路的各种数据，包括道路的地理位置、长度、宽度、路况等信息。然后利用这些数据创建了一个道路网络图，其中道路被表示为图中的节点，而连接道路的道路段则表示为图中的边。通过将道路的物理特性纳入考虑，能够更准确地模拟车辆在不同道路上的行驶情况，进一步优化车辆运行路线，以提高路线的效率和安全性。这也有助于更好地理解道路网络的结构和特点，从而更好地规划车辆的运行路线。

步骤S512、根据物理特性网络图，结合每条道路的坡度和曲率对车辆运动和流量的影响，经过网络流量优化处理得到网络优化数据，网络优化数据包括每个路口和道路的最大流量和关键瓶颈路径。

可以理解的是，坡度和曲率等因素可以影响车辆的速度和燃油效率，因此在路线规划中考虑它们是非常重要的。本步骤使用网络流量优化方法，结合物理特性网络图，来确定每个路口和道路的最大流量，即它们可以容纳的车辆数量的上限。这有助于避免交通拥堵和道路过载。此外还识别了关键瓶颈路径，这些路径是交通流量的瓶颈，导致路线效率低下。通过了解这些关键瓶颈路径，可以采取措施来改善交通流量，以确保车辆运行路线更加顺畅和高效。

步骤S513、根据网络优化数据，运用机器学习算法对拥堵路段进行分析处理，通过结合坡度大和曲率急的路段对交通流的影响，经过瓶颈识别处理得到识别结果，识别结果为易产生拥堵的关键路段。

可以理解的是，本步骤利用网络优化数据，包括每个路口和道路的最大流量以及关键瓶颈路径作为输入数据。然后运用机器学习算法来分析这些数据，特别关注那些具有陡峭坡度和急曲率的路段。这些路段在特定条件下更容易导致交通拥堵，例如陡坡可能导致车辆减速，急曲率可能增加驾驶难度。经过分析处理得到了识别结果，即易产生拥堵的关键路段。这些路段在特定情况下容易出现交通拥堵，因此在路线规划和交通管理中需要特别关注。通过识别这些关键路段，可以采取预防性措施，以减少交通拥堵的发生，提高路线的效率和流动性。这有助于改善驾驶者的出行体验并减少交通拥堵带来的不便。

步骤S514、根据识别结果和不同车辆对坡度和曲率的适应性，采用多目标优化算法进行个性化路径规划，经过最大流最小割定理辅助的路线优化处理，得到初步路线方案。

可以理解的是，本步骤考虑了拥堵路段的识别，但不仅止步于拥堵的标志，而是分析了拥堵路段的特点，包括坡度和曲率等。这是因为在车辆行驶中，这些因素可能会对拥堵产生重大影响，特别是在山区或弯曲道路上。通过考虑这些特定因素，我们能够更精确地预测可能的交通拥堵，从而为路线规划提供更准确的依据。其次，我们引入了对不同车辆类型对坡度和曲率的适应性的考虑。这是为了更好地满足不同类型车辆的需求。例如，货车可能更适合处理较小的坡度和曲率，而越野车则可能更适合在陡峭的山路上行驶。这种个性化的考虑使得生成的路线更符合车辆的特性，从而提高了行驶的安全性和效率。最后采用了多目标优化算法，以平衡路线的多个因素，包括行驶时间、安全性和燃油效率。这种综合考虑不仅有助于提高车辆的整体性能，还可以更好地适应不同驾驶条件。

实施例2

如图2所示，本实施例提供了一种车辆运行路线的综合规划装置，装置包括第一获取单元701、第一处理单元702、第二处理单元703、第三处理单元704和第四处理单元705。

第一获取单元701，用于获取第一信息和第二信息，第一信息包括待规划区域内至少两个司机的行为数据，第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择。

第一处理单元702，用于根据第一信息进行行为模式学习处理得到第三信息，第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型。

第二处理单元703，用于根据第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，第四信息为包含了路网效率和鲁棒性的网络流分析结果。

第三处理单元704，用于根据第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，第五信息为车辆运行路线方案，车辆运行路线方案包括每个司机的运行路线。

第四处理单元705，用于对第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，第六信息为最终车辆运行路线方案。

在本公开的一种具体实施方式中，第一处理单元702包括：

第一分析子单元7021，用于根据第一信息进行主成分分析和权重分配处理，通过整合司机的出行基础数据和对特定路线特征的敏感度数据，得到特征向量集。

第一聚类子单元7022，用于根据特征向量集使用基于密度的聚类算法处理，通过结合司机在社交媒体上关于交通和路线的讨论数据，得到群组划分结果。

第一映射子单元7023，用于根据群组划分结果进行监督学习处理，通过结合路线选择频率特征，经过核函数映射处理构建得到能够区分司机在高峰和非高峰时段路线选择偏好的判别模型。

第二分析子单元7024，用于根据判别模型和历史路线的时间序列数据进行时间序列分析处理，通过采用混合效应模型适应不同司机的个体差异，得到用于预测未来特定时间段内驾驶者行为的趋势模型。

第一构建子单元7025，用于根据趋势模型和实时路况数据，应用贝叶斯网络处理构建得到行为模式模型。

在本公开的一种具体实施方式中，第二处理单元703包括：

第三分析子单元7031，用于根据第二信息中的实时交通网络状态数据和预设的路径优化数学模型进行路网最短路径分析处理，得到各节点间的最优路径集合。

第一模拟子单元7032，用于根据所得最优路径集合和环境数据，使用预设的流量分配模型进行模拟处理，通过融入了天气条件对交通流量的影响进行流量分配和拥堵预测处理，得到交通流量分布图。

第一处理子单元7033，用于根据交通流量分布图和路网结构数据，通过结合路网的几何结构特征与交通流的动态特征进行节点影响力量化处理，得到各节点对交通流的影响力评分。

第一优化子单元7034，用于根据影响力评分和行为模式模型，使用多目标优化算法进行路网效率和鲁棒性权衡，得到网络流分析结果。

在本公开的一种具体实施方式中，第三处理单元704包括：

第二优化子单元7041，用于根据第四信息和预设的斯坦克尔伯格模型进行驾驶者互动策略优化处理，得到在当前路网状态下各司机的策略均衡点。

第二处理子单元7042，用于根据策略均衡点进行路线协调和冲突解决处理，得到减少整体旅行时间和避免交通瓶颈的协同路线决策框架。

第三优化子单元7043，用于根据协同路线决策框架和实时路况数据，采用遗传算法对集体路线进行优化，通过适应度函数评价路线效率，经过迭代进化处理，得到群体层面上的优化路线方案。

第四优化子单元7044，用于根据优化路线方案，采用模拟退火算法对组合进行全局搜索优化，经过能量状态评估和概率接受准则处理，得到在不同交通流变化条件下的车辆运行路线方案。

在本公开的一种具体实施方式中，第四处理单元705包括：

第五优化子单元7051，用于根据第五信息中的所有运行路线，采用网络流理论中的最大流最小割定理进行路径优化处理，得到最大化交通流动性的初步路线方案。

第六优化子单元7052，用于根据初步路线方案进行多目标优化处理，通过结合运行时间、安全性和燃油效率三方面交通优化指标，得到备选路线方案。

第二模拟子单元7053，用于根据备选路线方案进行交通流量和司机行为模拟处理，通过模拟个体司机在整体交通流量中的互动情况得到预测数据，预测数据包括预测的交通状况和路线表现数据。

第一调整子单元7054，基于预设的强化学习数学模型对预测数据进行动态***调整处理，经过实时反馈和调整得到自适应环境变化的最终车辆运行路线方案。

在本公开的一种具体实施方式中，第五优化子单元7051包括：

第一建模子单元70511，用于根据第五信息中的所有运行路线、地理信息***数据和道路物理属性，经过道路网络图形建模处理，得到物理特性网络图。

第七优化子单元70512，用于根据物理特性网络图，结合每条道路的坡度和曲率对车辆运动和流量的影响，经过网络流量优化处理得到网络优化数据，网络优化数据包括每个路口和道路的最大流量和关键瓶颈路径。

第四分析子单元70513，用于根据网络优化数据，运用机器学习算法对拥堵路段进行分析处理，通过结合坡度大和曲率急的路段对交通流的影响，经过瓶颈识别处理得到识别结果，识别结果为易产生拥堵的关键路段。

第八优化子单元70514，用于根据识别结果和不同车辆对坡度和曲率的适应性，采用多目标优化算法进行个性化路径规划，经过最大流最小割定理辅助的路线优化处理，得到初步路线方案。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车辆运行路线的综合规划方法，其特征在于，包括：

获取第一信息和第二信息，所述第一信息包括待规划区域内至少两个司机的行为数据，所述第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，所述行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择；

对所述第一信息进行行为模式学习处理得到第三信息，所述第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型；

根据所述第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，所述第四信息为包含了路网效率和鲁棒性的网络流分析结果；

根据所述第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，所述第五信息为车辆运行路线方案，所述车辆运行路线方案包括每个司机的运行路线；

对所述第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，所述第六信息为最终车辆运行路线方案。

2.根据权利要求1所述的车辆运行路线的综合规划方法，其特征在于，根据所述第一信息进行行为模式学习处理得到第三信息，包括：

对所述第一信息进行主成分分析和权重分配处理，通过整合司机的出行基础数据和对特定路线特征的敏感度数据，得到特征向量集；

根据所述特征向量集使用基于密度的聚类算法处理，通过结合司机在社交媒体上关于交通和路线的讨论数据，得到群组划分结果；

根据所述群组划分结果进行监督学习处理，通过结合路线选择频率特征，经过核函数映射处理构建得到能够区分司机在高峰和非高峰时段路线选择偏好的判别模型；

根据所述判别模型和历史路线的时间序列数据进行时间序列分析处理，通过采用混合效应模型适应不同司机的个体差异，得到用于预测未来特定时间段内驾驶者行为的趋势模型；

根据所述趋势模型和实时路况数据，应用贝叶斯网络处理构建得到行为模式模型。

3.根据权利要求1所述的车辆运行路线的综合规划方法，其特征在于，根据所述第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，包括：

根据所述第二信息中的实时交通网络状态数据和预设的路径优化数学模型进行路网最短路径分析处理，得到各节点间的最优路径集合；

根据所得最优路径集合和环境数据，使用预设的流量分配模型进行模拟处理，通过融入天气条件对交通流量的影响进行流量分配和拥堵预测处理，得到交通流量分布图；

根据所述交通流量分布图和路网结构数据，通过结合路网的几何结构特征与交通流的动态特征进行节点影响力量化处理，得到各节点对交通流的影响力评分；

根据所述影响力评分和行为模式模型，使用多目标优化算法进行路网效率和鲁棒性权衡，得到网络流分析结果。

4.根据权利要求1所述的车辆运行路线的综合规划方法，其特征在于，根据所述第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，包括：

根据所述第四信息和预设的斯坦克尔伯格模型进行驾驶者互动策略优化处理，得到在当前路网状态下各司机的策略均衡点；

根据所述策略均衡点进行路线协调和冲突解决处理，得到减少整体旅行时间和避免交通瓶颈的协同路线决策框架；

根据所述协同路线决策框架和实时路况数据，采用遗传算法对集体路线进行优化，通过适应度函数评价路线效率，经过迭代进化处理，得到群体层面上的优化路线方案；

根据所述优化路线方案，采用模拟退火算法对组合进行全局搜索优化，经过能量状态评估和概率接受准则处理，得到在不同交通流变化条件下的车辆运行路线方案。

5.根据权利要求1所述的车辆运行路线的综合规划方法，其特征在于，对所述第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，包括：

根据所述第五信息中的所有运行路线，采用网络流理论中的最大流最小割定理进行路径优化处理，得到最大化交通流动性的初步路线方案；

根据所述初步路线方案进行多目标优化处理，通过结合运行时间、安全性和燃油效率三方面交通优化指标，得到备选路线方案；

根据所述备选路线方案进行交通流量和司机行为模拟处理，通过模拟个体司机在整体交通流量中的互动情况得到预测数据，所述预测数据包括预测的交通状况和路线表现数据；

基于预设的强化学习数学模型对所述预测数据进行动态***调整处理，经过实时反馈和调整得到自适应环境变化的最终车辆运行路线方案。

6.一种车辆运行路线的综合规划装置，其特征在于，包括：

第一获取单元，用于获取第一信息和第二信息，所述第一信息包括待规划区域内至少两个司机的行为数据，所述第二信息包括实时的交通网络状态数据、环境数据和路网结构数据，所述行为数据包括每个司机的出发点、目的地、出行时间和历史路线选择；

第一处理单元，用于对所述第一信息进行行为模式学习处理得到第三信息，所述第三信息为用于预测不同条件下驾驶者行为偏好的行为模式模型；

第二处理单元，用于根据所述第二信息和第三信息进行网络构建处理，通过关键节点重要性评估和交通影响分析得到第四信息，所述第四信息为包含了路网效率和鲁棒性的网络流分析结果；

第三处理单元，用于根据所述第四信息进行驾驶者决策预测处理和集体路线优化处理得到第五信息，所述第五信息为车辆运行路线方案，所述车辆运行路线方案包括每个司机的运行路线；

第四处理单元，用于对所述第五信息中的所有运行路线进行路径优化处理，并对优化后的路线进行综合模拟处理得到第六信息，所述第六信息为最终车辆运行路线方案。

7.根据权利要求6所述的车辆运行路线的综合规划装置，其特征在于，所述第一处理单元包括：

第一分析子单元，用于根据所述第一信息进行主成分分析和权重分配处理，通过整合司机的出行基础数据和对特定路线特征的敏感度数据，得到特征向量集；

第一聚类子单元，用于根据所述特征向量集使用基于密度的聚类算法处理，通过结合司机在社交媒体上关于交通和路线的讨论数据，得到群组划分结果；

第一映射子单元，用于根据所述群组划分结果进行监督学习处理，通过结合路线选择频率特征，经过核函数映射处理构建得到能够区分司机在高峰和非高峰时段路线选择偏好的判别模型；

第二分析子单元，用于根据所述判别模型和历史路线的时间序列数据进行时间序列分析处理，通过采用混合效应模型适应不同司机的个体差异，得到用于预测未来特定时间段内驾驶者行为的趋势模型；

第一构建子单元，用于根据所述趋势模型和实时路况数据，应用贝叶斯网络处理构建得到行为模式模型。

8.根据权利要求6所述的车辆运行路线的综合规划装置，其特征在于，所述第二处理单元包括：

第三分析子单元，用于根据所述第二信息中的实时交通网络状态数据和预设的路径优化数学模型进行路网最短路径分析处理，得到各节点间的最优路径集合；

第一模拟子单元，用于根据所得最优路径集合和环境数据，使用预设的流量分配模型进行模拟处理，通过融入天气条件对交通流量的影响进行流量分配和拥堵预测处理，得到交通流量分布图；

第一处理子单元，用于根据所述交通流量分布图和路网结构数据，通过结合路网的几何结构特征与交通流的动态特征进行节点影响力量化处理，得到各节点对交通流的影响力评分；

第一优化子单元，用于根据所述影响力评分和行为模式模型，使用多目标优化算法进行路网效率和鲁棒性权衡，得到网络流分析结果。

9.根据权利要求6所述的车辆运行路线的综合规划装置，其特征在于，所述第三处理单元包括：

第二优化子单元，用于根据所述第四信息和预设的斯坦克尔伯格模型进行驾驶者互动策略优化处理，得到在当前路网状态下各司机的策略均衡点；

第二处理子单元，用于根据所述策略均衡点进行路线协调和冲突解决处理，得到减少整体旅行时间和避免交通瓶颈的协同路线决策框架；

第三优化子单元，用于根据所述协同路线决策框架和实时路况数据，采用遗传算法对集体路线进行优化，通过适应度函数评价路线效率，经过迭代进化处理，得到群体层面上的优化路线方案；

第四优化子单元，用于根据所述优化路线方案，采用模拟退火算法对组合进行全局搜索优化，经过能量状态评估和概率接受准则处理，得到在不同交通流变化条件下的车辆运行路线方案。

10.根据权利要求6所述的车辆运行路线的综合规划装置，其特征在于，所述第四处理单元包括：

第五优化子单元，用于根据所述第五信息中的所有运行路线，采用网络流理论中的最大流最小割定理进行路径优化处理，得到最大化交通流动性的初步路线方案；

第六优化子单元，用于根据所述初步路线方案进行多目标优化处理，通过结合运行时间、安全性和燃油效率三方面交通优化指标，得到备选路线方案；

第二模拟子单元，用于根据所述备选路线方案进行交通流量和司机行为模拟处理，通过模拟个体司机在整体交通流量中的互动情况得到预测数据，所述预测数据包括预测的交通状况和路线表现数据；

第一调整子单元，基于预设的强化学习数学模型对所述预测数据进行动态***调整处理，经过实时反馈和调整得到自适应环境变化的最终车辆运行路线方案。