CN1737502A - 延误风险规避的车载导航***准动态路线优化方法 - Google Patents

Abstract

本发明涉及车载导航***路线优化领域。现有问题：实时信息的获取及低成本传输；导航实时性；用户多目标要求，用户最优与***最优。本发明步骤：确定道路单元平均通行时间、畅通可靠度、失效相关性数据，应用上述数据采用有约束的A*路径搜索算法，或者改进了A*算法中启发式函数的路径搜索算法；然后当事故等发生在已规划路径上时，执行存在有限的实时交通信息的A*路径搜索算法：否则结束。本发明在没有实时信息或仅有有限的实时信息条件下，考虑通行时间及阻塞风险双目标。本发明实时反应速度快，可不必依赖完全的动态信息，减少出行延误风险，并可对紧急事件做出实时反应；同时通过多路径规划及信息发布，有利于实现***最优与用户最优的协调。

Description

延误风险规避的车载导航***准动态路线优化方法

技术领域

本发明涉及车载导航***路线优化领域，基于畅通可靠度分析，设计和实现了一种在没有实时信息或有限的实时信息下，考虑阻塞可能性最小及通行时间最短双目标的延误风险规避的准动态路线寻优的有效算法。

背景技术

车载导航***(VIS)作为智能交通***ITS的应用之一，它不仅给用户提供更好的路径信息服务，还可以帮助减少交通堵塞，缩短行驶时间和节省能源，因此近年来得到了广泛的应用。最佳路线优选是车辆自动导航***中一个重要的关键技术。我国在这方面的研究尚处于起步阶段。根据路线优化所基于的信息来源，车辆自动导航***又可分为动态导航及静态导航，动态导航依据动态实时信息进行路线优选，静态导航根据历史静态信息进行路线优选。另外根据路径计算的执行单元不同又可将车辆自动导航***分为中心控制式及分散控制式车载导航***。中心控制式路径计算由信息中心的计算机完成，计算能力较强，分散控制式路径计算由车载计算机完成，计算能力有局限。本发明针对分散控制式的车载导航***进行路线优化设计。

在阻塞常发的城市交通***中，交通流有着强烈的随机性，基于静态分析的路径选择与实时的最佳路径常有较大偏离。但在目前的动态路径诱导***的路线优选中，存在以下几方面的问题：1)实时信息的获取及低成本传输问题。路径决策的准确与否取决于对道路通行时间的准确预测，而在我国，实时信息的获取及低成本传输问题难以在短时间内得以解决。一方面我国由于资金所限，实时信息采集与传输的硬件还未能大范围购置与安装；另一方面，国内外实时信息预测技术还未成熟，因此难以得到所有道路单元的实时及预测信息；另外，车载中端与信息中心的信息交换需依赖无线传输，而受信道容量的限制，目前难以做到信息的低成本实时传送。2)路径计算实时性问题。采用传统路径算法如Dijkstra及标准A^*算法进行路径计算，其计算时间随路网规模的增大而呈指数或非线性增加。而车载导航***的计算能力有限，传统算法难以保障导航实时性。3)用户多目标要求问题。在拥挤常发的城市交通路网，发生阻塞及延误的随机性很大，因此用户在进行路径选择时，不仅考虑正常条件下的通行时间最短，还希望通行时间可靠性最大或遇到阻塞的可能性最小。多目标路线规划一般可以通过以一个目标为主要目标而其他条件为限制条件实现。这就是受限最短路问题。然而，这种修改使得计算量大大增加。而将多目标通过线性加权转为单目标规划又难免过于主观；4)用户最优与***最优的协调问题。当被诱导的车辆所占比例较高时，会出现诱导车辆积聚于同一线路，造成因诱导形成的新阻塞，导致***效益降低。而通常采用的同时兼顾用户最优与***最优的路径寻优算法如固定点法(fixpoint)因需大量迭代而耗时过长，难以用于实时导航。

鉴于以上问题，基于动态信息的多目标路径优化算法因实时信息不完备且寻优耗时过长无法在现阶段应用到实际。因此现有的我国导航***路径优化算法多是基于静态分析。但由于阻塞常发的城市路网旅行时间具有高度不确定性，基于静态分析的路径选择与实际的最佳路径常有较大偏离。因此，如何在没有全面实时信息交换条件下，提供高效准确，符合用户多目标要求，并兼顾***优化目标的路径优化算法是一个亟需解决的问题。

事实上，对路网拓扑结构及各小区经济发展相对稳定的道路***，交通流具有明显的规律性。在实时数据无法全面采集并进行准确预测及低成本传输的条件下，利用历史交通流统计数据，来分析路网畅通可靠度或阻塞或破坏事件的发生概率，可提供更接近实际情况且有效规避延误风险的满意的路径选择。通过这些处理，虽不一定求出最优解，但能以较少的时间和空间代价求出满意解。同时可为决策者提供几条合理路径(包括最优路径)，以便出行者根据自身需求进行选择，减少群聚现象。

发明内容

基于以上分析，本发明借助可靠性分析，通过对历史信息进行提炼，设计了以平均行程时间及畅通可靠度为双参数的道路单元路权的标定。在没有实时信息或仅有有限的实时信息(如广播、电子信息板信息)条件下，设计了一种针对分布式车载导航***的考虑通行时间及阻塞风险双目标的启发式准动态路线寻优的有效算法。当没有实时信息时，通过设计有约束的A^*算法，并在路径寻优过程中对阻塞高发道路单元进行启发式规避，实现在绕行许可范围内有效规避延误风险的可靠路径的快速搜索；当有限的实时信息表示有事故、严重阻塞等事件发生时，通过实效相关性分析并改进A^*算法的启发式函数，可实现诱导路径的实时调整。本算法的特点是实时反应速度快，可不必依赖完全的动态信息，减少出行延误风险，并可对紧急事件做出实时反应。同时通过多路径规划及信息发布，有利于实现***最优与用户最优的协调。

该发明由于考虑了阻塞发生的可能性，提高了基于历史信息的导航的准确性，准确性高于静态导航。

本发明的技术思路特征为：

1.双参数的道路单元路权的标定

2.设计有约束的A^*路径搜索算法以提高路径搜索的效率。

3.利用失效相关性分析及风险规避A^*算法解决路权变化后的路径重新规划问题

以下为本发明的技术思路特征及具体方案的详细说明，如附图1所示：

1.标定双参数的道路单元属性文件

在我们的技术中，在运行路线规划算法之前要先确定三种服务于算法的数据：一是各典型时段的道路单元的平均通行时间，一是各典型时段道路单元发生阻塞的可能性，即道路单元的畅通可靠度，一是各典型时段的道路单元间的失效相关性。这三种信息通过数据库形式存于车载CD-ROM上，并以一定时间(一般为半年)为周期加以更新。导航时以各典型时段的道路单元的平均通行时间作为路权，并在路径寻优过程中考虑阻塞发生可能性及出行时间的不确定性，通过对阻塞高发道路单元进行规避以提高基于静态历史信息的导航准确性，提高出行时间的可靠性。

利用该技术思路，在我们的风险规避自主导航***里，道路单元正常条件下(无事故或异常阻塞条件下)典型时段的平均行驶时间和道路单元可靠度，即道路单元运行状态正常(畅通)的概率可存在导航车辆里的车载光盘里。我们称之为道路单元缺省(默认)属性文件。本发明中，采取网络扩展技术将路网交叉口各个转向用一条虚拟路段来代表，从而整个路网转化为一边权网络(即只有边有权重，节点无权重)。以下为风险规避自主导航***缺省文件的建立方法。

其中确定道路单元畅通可靠度要经过两个过程：

a.典型时段的确定及二元状态假设

根据城市交通时间分布特性，可将一天划分为n(n＞＝3)个时段，我们建议将一天划分为早平峰、早高峰、中午平峰、晚高峰、夜平峰五个典型时段，分别计算各道路单元平均行驶时间和运行可靠度。

通常，司机对正常行驶时间的变动不是很敏感，当行驶时间在一个可接受的范围内变动时，他们愿意沿着引导的最小平均行驶时间的路径行驶。当有交通事故发生时，因行驶时间波动较大，故而需要对道路单元行驶时间进行更新并寻找到一条新的优化路径。

因此，对道路单元做二元状态假设，即将道路单元的状态分为两种：正常和异常；道路单元包括道路单元和交叉口两部分，区分道路单元正常和异常的界限是提前设定的道路单元单元行驶速度阈值，大于这个值则视为表现正常，小于这个值则视为表现异常；而区分交叉口正常和异常的界限则是提前设定的平均交叉口延误阈值；小于这个值则视为表现正常，大于这个值则视为异常。

b.建立道路单元缺省可靠度文件

根据二元状态假设，道路单元的可靠度可以定义为在规定的时间段内道路单元不发生异常延误(或行驶速度低于一定的界限)的概率。

当具有一定历史时期(通常大于三个月)的交通流数据时，采用下式计算单元畅通可靠度的近似值；

道路单元i畅通可靠度r_i表示为：

在判断道路单元畅通与否时，道路单元采用车速为衡量标准，交叉口采用停车延误为衡量标准，至于衡量标准可参见相关方面的文献；

通常，在路径里发生异常延误的概率随着交通流量的增加而增加，因此，当缺少历史交通流数据时，推荐采用以下的函数形式近似估算道路单元的畅通可靠度：

        r_i＝￠(v_i/c_i)³+β(v_i/c_i)²+γ(v_i/c_i)+c            (2)

式中，

r_i——道路单元i的畅通可靠度；

v_i/c_i——定义为道路单元i的饱和度，其中v_i为通过道路单元i的流量，可通过短期内交通流数据得到，c_i为单元i的通行能力，根据道路类型和等级不同而不同，是一个定值，可通过相关文献查得；

￠，β，γ——回归待定系数；c——常数项。

建立道路单元缺省行驶时间文件

对于具有一个月以上交通流数据的道路单元，用统计方法在计算道路单元i正常条件下在某一时段内的平均行驶时间，这个平均行驶时间就是道路单元i的权重w_i；

对于那些没有一个月以上的交通流数据时，对于道路单元根据历史起讫点信息，也就是O-D信息，利用交通规划理论中传统交通分配方法对一天内不同时段的O-D矩阵进行分配，根据分配所得到的道路单元i上的交通量，从而根据交通流理论中交通量与速度的关系计算其行驶速度，然后用道路单元i的长度除以该道路单元的行驶速度，进而求出各道路单元的通行时间，这个平均行驶时间就是道路单元i的权重w_i；对于交叉口，根据交叉口类型，假定其平均延误时间近似的同有一个月以上交通流数据的同类交叉口相同；

其中建立道路单元间的失效相关性采用以下方法：

当有交通事故发生在某道路单元上时，与其相邻的其他道路单元也会因受到影响而发生异常变化，我们将此现象称为道路单元间的失效相关性；确定道路单元间的通过两种手段：一是根据历史交通信息分析出各道路单元间的失效相关性；一是利用现有的交通仿真技术，令某一道路单元产生阻塞，从而分析其他道路单元的运行速度与阻塞道路单元之间的关系；最后将道路单元间的失效相关性数据存储在车载CD-ROM上。

2.改进的A^*路径搜索算法

本发明以正常条件下出行时间最短及出现阻塞的风险最小为路径优化的双重目标，通过设计有约束的阻塞风险规避的A^*启发式算法，并改进A^*算法的启发式函数，有效提高最佳路线的搜索效率，减少搜索时间。

在本发明中一个好的路线是指，尽管不一定是最好的(最快)，却是一个对司机而言可接受的和出行时间可靠的。如果建议的路线的费用(长度或时间)不比在正常条件下的优化路径明显增多，那么它是可以接受的，如果在行驶中遇到阻塞或延误的概率比较低，那么被建议的路径是可靠的，决定最可靠和最短路径是个双目标路线规划问题。本发明以路径可靠及路径通行时间最短建立双重优化目标的优化模型。

正如上面所述，双目标路线规划问题可转化为有约束的单目标问题来求解。而传统数学规划算法求解时间过长。因此，我们采取有约束的启发式算法来解决这个问题。我们的算法思路基于以下事实：在最短路算法中，如果道路单元i具有较大的权重w_i，则它将有较大可能性不被包括在从节点s到节点t的最短路径P_st中，如果我们设定w_i＝∞，那么道路单元i将永远不会出现在P_st中，以往的研究如Rouphail(1995)曾利用此事实提出的一种出行前路径规划方法，即通过增加最短路P₀中每条道路单元的权重为原来的20％，50％，100％，提供给应用者若干较短备选路径。但该方法没有考虑绕行约束，Pu(2001)扩展了Rouphail的算法，通过Dijkstra最短路算法和道路单元权重试探性增加方法，寻找到了绕行约束条件下同最短路共享若干边的较短路径。但该算法无法作到对共享边的优化选取。

司机通常对异常延误比较敏感，一个好的路径应在绕行约束条件下，尽可能的避免经过遇到异常延误可能性较大或可靠度较低的道路单元。因此，利用上面的事实，我们发明了一种启发式算法，利用对高阻塞风险单元加权的方法减少高风险单元在最佳路中出现的可能性。该算法首先对高风险道路的权重加一很大的正值，进而计算最短路，当所得最短路路长超过绕行约束时，逐步减少增加的权重，从而在绕行约束条件下，有效的搜索到尽可能避免高延误风险(低可靠度)单元的可靠路径。该算法属于启发式算法，虽不一定得到最优解，但该算法同有经验的司机行为相一致，因此易于被受引导的司机所接受。在这个算法中，鉴于A^*算法是目前较为有效的单地点单终点的路径寻优算法(A^*算法原理描述及改进见下文第三条思路特征描述)，我们用A^*算法作为基本的最短路搜索方法。

算法包括两个部分：一是运用A^*算法结合权重增量方法计算可靠路径，二是检查路径是否满足长度(或时间)限制。当找到满足长度(或时间)限制的高可靠路径时，算法停止。具体方案流程图见附图2。

其中有约束的现有A^*路径搜索算法如下：

1)在某一个典型时段内，令迭代次数k＝0，以w_i为道路单元i的权重，通过现有A^*算法找到具有最小权重的路径P_s，0，进行计算P_s，0行程时间为L_s，0；

2)通过对道路单元i的可靠度r_i进行分析，对路网上可靠度比较低的道路单元i，建议取r_i＜0.5的道路单元，增加一个权重增量Δw_i；

增加后权重w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qW₀                  (3)

α为权重增加系数0＜α＜1.r_i为道路单元i的可靠度，建议取W₀＝1.5L_s，0～3L_s，0；

当k＝0时，判别指数q＝0，k＞＝1时，判别指数q＝1；

3)计算可靠路径：

令新一轮迭代次数k’＝k+1，以w_i’为道路单元i的新权重，用现有A^*算法计算权重最小的路径P_s，k’，将其上面的道路单元i的权重恢复为w_i，计算L_s，k’，也就是路径P_s，k’上的各道路单元路权w_i总和；

4)检查路径约束条件：

如果所得路径满足时间限制L_s，k’＜βL_s，0，则转到5)，否则回到2)；β为允许系数，建议取1.0-1.5；

5)有约束的现有A^*路径搜索算法结束；

在本算法，在第一次迭代中，k＝0，路网上具有较高风险的各道路单元的权重开始都增加W₀，从而避免了这些高风险道路单元在规划路径中的出现。可是如果违反了绕行长度的限制条件，就需重新规划。这意味着为得到满足绕行限制的路径，曾被避免的部分高风险道路单元需被新规划的路径经过，为此，在随后的迭代中，较高风险道路单元已增加的权重被逐步降低，最短路径在新的权重下被重新计算。函数α^k(1-r_i)^q保证Δw_i随着迭代次数的增加而减小。同时为了尽可能避免高危险道路单元出现在推荐路径上，高危险道路单元的权重要比相对较低危险的道路单元减小的少。为了得到更佳的路径，当减少Δw_i后得到的最佳路径没有违反限制条件时，可以适当在上次循环和这次循环值之间上调Δw_i重新进行路经规划，因为可能存在一条避免更多高危险道路单元但同时也满足长度限制的最佳路径。然而，这种方法将会造成大量的迭代计算，不适合实时路径搜索，所以，在本文中我们采用Δw_i单调减少方法，尽管这种方法可能得不到最优路径，可是它却可以更快地得到可接受的结果。

允许系数β随着司机的不同而不同，司机越不愿意冒险，β越大，因为避免危险道路单元可能是要以较长的绕行路径为代价的。

因单一点对间最短路的计算是前述有约束路径寻优启发式算法中需多次调用的基本算法，其搜索速度直接影响到上述算法的高效性。目前两点间的最短路径搜索算法中，比较有效的代表算法就是A^*算法(Hart et a1.，1968)。同广度优先的搜索算法如Dijkstra算法不同，A^*算法只计算同其相邻的节点，并且用每个节点到目的点的估算距离来决定这个节点是否可能在最优路线上。在算法搜索过程中，每个节点n被赋予权重f(n)＝g(n)+h(n)，这里g(n)指从起点到节点n的最短路长，h(n))指节点n到目的地最小路长估计。因此f(n)就是对所有经过节点n的从起点到目的点的最短路长估计，我们也称其为A^*算法的启发式函数。启发式函数h(n)可以控制A^*算法的搜索行为。搜索过程中每一个具有最低f值的节点将被选择作为下一个扩展点。如果h(n)小于或等于从节点n到目的地的实际最小路长，A^*算法将会找到最优解。当h(n)用0代替，算法将被简化成Dijkstra算法(Dijkstra，1959)。h(n)越接近真实值路径搜索的有效性越好。当h(n)大于从节点n到目的地的实际最短路长时，搜索速度将会提高，但无法保证最优方案。

目前常用的A^*算法h(n)估计一般基于欧几里得几何距离估计，当以行程距离作为道路权重时，一般以欧几里得几何距离作为节点n到目的地的最短路长估计值h(n)，当以道路通行时间为道路权重时，则用欧几里得几何距离除以路网最大速度作为h(n)估计。但在实际路网中，基于欧几里得几何距离的h(n)估计虽能保证得到最优解，但因基于欧几里得几何距离的h(n)估计与实际最短路长有着较大偏差，算法的搜索效率难以得到保障。

本发明即根据实际路网的几何特性及交通特性，巧妙利用有约束的A^*路径搜索算法的中间计算结果，改善h(n)估计，使其尽可能的接近但小于或等于n点到终点的实际最短通行时间，从而提高有约束的A^*路径搜索算法的效率。

在A^*算法中，要用到两个表，也就是关闭表(open list)和开放表(open list)。已经计算和检查过的节点被放在关闭表里，计算过而没有被检查过的节点放在开放表里。当节点n被放到关闭表里，g(n)就是从起点到节点的最短路径的费用，对于不在关闭表的节点n，g(n)则大于或等于从起点到节点n的最短路径费用。

其中改进了A^*算法中启发式函数的路径搜索算法如下：

(1)在某一个典型时段内，令迭代次数k＝0，以w_i为道路单元i的权重，在运用现有的A^*算法计算最短路时，按从终点到起点的搜索顺序计算起终点间的通行时间最短路径，对搜索过程中的各道路单元i路权用其反向路权w_j；对于搜索过程中已经放在关闭表中的节点n，储存其节点n到终点的最短通行时间值为g(n)’，同时得到从起点到终点具有最小权重的路径P_s，0，进而计算P_s，0行程时间为L_s，0，即组成P_s，0的各道路单元的权重和；

(2)通过对道路单元i的可靠度r_i进行分析，对于可靠度较低道路单元i，建议取r_i＜0.5，增加一个权重增量Δw_i；

增加后权重w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qW₀                (4)

α为权重增加系数0＜α＜1.r_i为道路i的可靠度，建议取W₀＝1.5L_s，0～3L_s，0；当k＝0时，判别指数q＝0；k＞＝1时，判别指数q＝1；

(3)令新一轮迭代次数k′＝k+1，以w_i’为道路i的新权重，用现有A^*算法按从起点到终点的搜索顺序，进行路权改变后的路径重新计算；对于计算过程中对于已放到关闭表中的节点，利用(1)中现有A^*反向搜索的g(n)’，令其代替h(n)值；对于那些没在关闭表里的节点，用从起点到终点的欧几里德距离除以道路单元的设计速度作为h(n)，道路单元的设计速度可参见交通工程书籍，从而计算出权重最小的路径P_s，k’，将其上面的道路i的权重恢复为w_i，计算L_s，k’，也就是路径P_s，k’上的各道路单元路权w_i总和；

(4)检查路径约束条件：

如果所得路径满足时间限制L_s，k’＜βL_s，0，，则转到(5)，否则回到(2)；β为允许系数，建议取1.0-1.5；

(5)改进了A^*算法中启发式函数的路径搜索算法结束；其算法流程见附图3。

该修正可以大大减少路径搜索范围，从而有效提高算法的效率。这个方法的有效性在于：在实际路网，对于在有约束启发式A^*算法的步骤1)中已放到关闭表中的节点，g(n)即为节点n到终点的实际最短通行时间，它必然大于或等于基于欧几里德距离及路网最大速度的估计。但仍然小于在随后的迭代加权后节点n到终点的最短通行时间。也就是说，这些在步骤1)曾被放在关闭表中的节点，在随后的迭代中，可具有优于基于欧几里德距离及路网最大速度的最短时间估计，即进一步趋近实际最短时间而小于实际最短时间。而且在步骤1)中搜索范围内大多数节点已经被放在了关闭表里了，从而在随后的迭代中可得到搜索范围内所涉及到的大多数节点到终点的改善的实际最短通行时间估计。

3、当有交通信息如事故、阻塞、施工占路等发生在已规划路径上时，执行存在有限的实时交通信息的A^*路径搜索算法：否则结束；

当有交通事故发生在已规划的最短路线上时，事故所在道路单元及受影响区域的道路单元路权将发生变化，因此车辆到目的地的最优路径需被重新计算。当有其他异常延误发生在诱导路线上或司机偏离建议的路线时，最优路径也需被重新计算。事发道路单元的当前定性化(仅有阻塞程度的语言性描述)阻塞信息可由广播等手段发布给司机。我们的发明重点集中在当仅有事发道路单元有限的动态信息时的路线规划算法。

对于自主导航***，路线规划的准确性决定于当有限的动态信息揭示有异常情况发生时，对事故道路单元及其他相关道路单元行驶时间的估计准确性。事实上，当有交通事故发生在某道路单元上时，与其相邻的其他道路单元也会因受到影响而发生异常变化，我们将此现象称为阻塞相关性。

我们考虑三种失效相关性：

类型1：失效正相关

定义：当道路单元i由于发生交通事故等事件发生异常阻塞时，道路单元j也随之发生阻塞。

类型2：失效负相关。

定义：当道路单元i由于发生交通事故等事件发生异常阻塞时，道路单元j的运行状态反而改善。

类型3：失效独立

定义：当道路单元i由于发生交通事故等事件发生异常阻塞时，道路单元j的运行状态不受其影响。

以往路权变化后路线重新规划的算法主要针对机器人领域，而且算法有效性受发生路权变化的单元距起终点的距离制约。本发明通过对事故道路单元、阻塞正相关道路单元及阻塞高峰险道路单元进行合理规避实现事故或异常阻塞发生等时路径的重新规划，实现路径的调整；并利用以往计算的储存信息改善A^*算法中的启发式函数来提高最佳路线的搜索效率，减少搜索时间，保证路径规划的实时性。

如果动态交通信息揭示在所选路线上有事故发生时，利用本发明的的风险规避A^*算法，司机可以快速的重新选择路线，算法主要包括三个部分：权重增加、可靠路径计算和约束条件检查。

该算法和之前所述的有约束风险规避A^*算法最大的不同在于权重增加过程，除了增加阻塞高风险道路单元的权重外，我们也增加事故道路单元的权重和同事故道路单元正相关的道路单元的权重，以有效规避高风险道路单元、事故道路单元及同事故道路单元正相关的道路单元，其流程图见附图4。

存在有限的实时交通信息的A^*路径搜索算法如下：

[1]初始化：

令迭代次数k＝0，当动态交通信息显示在规划出的路线上有异常阻塞，需要重新规划路线时，令道路单元i的估算行驶时间为道路单元的权重w_i

[2]道路单元权重改变

对于可靠度较低的道路单元，建议取r_i＜0.5，及事故道路单元和其相关道路单元，将它们的权重增加权重增量Δw，

对于道路单元i，增加后权重

     w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qW₀                        (5)

α为权得增加系数0＜α＜1.r_i为道路单元i的可靠度，建议取W₀＝1.5L_s，0～3L_s，0；当迭代次数k＝0时，q＝0；k＞＝1时，q＝1；

对于事故道路单元i，令道路单元i的可靠度r_i＝0，所以w_i’＝w_i+α^kW₀，0＜α＜1；

当道路单元j由于道路单元i发生异常阻塞时，也随之发生阻塞，令r_j＝0，所以w_i’＝w_i+α^kW₀，0＜α＜1；

当道路单元j由于道路单元i发生异常阻塞时，运行状态反而改善，令r_j＝1，所以w_j’＝w_j；

当道路单元j的运行状态不受道路单元i发生异常阻塞的影响时，其权重不变；

[3]新一轮迭代次数k′＝k+1，以改变后的权重用现有A^*算法重新计算权重最小路径P_s，k’，然后还原道路单元到之前事故道路单元行驶时间的估计值w_i，并计算L_s，k’；

[4]路径检查

如果P_s，k’满足限制条件，也就是L_s，k’＜βL_s，0，转向[5]，否则，返回[2]；

[5]算法结束。

P_s，k’就是满足长度限制条件的可靠路径。

为了节省计算时间，长度限制条件可以适当方法放宽甚至取消。该发明尤其适用于未来数字广播应用于交通信息发布的情况。

附图说明

图1算法实施总体流程

图2有约束的路径寻优启发式A^*算法流程图

图3修正的有约束的路径寻优启发式A^*算法流程图

图4路径重新规划启发式A^*算法流程图

图5最短正常行驶时间的路径同在长度限制条件下可靠路径比较

图6没有利用反向搜索信息的重新规划A^*算法搜索范围

图7利用反向搜索信息的重新规划A^*算法搜索范围

具体实施方式

我们用计算机虚拟的搭建了路网，并随机对道路单元的平均通行时间和畅通可靠度的进行赋值，以验证算法的可行性和有效性。算法在不同随机的网络和条件下进行了试验，首先，对一个有36个结点和60个道路单元的小网络在三种条件下进行在出行起点的有绕行约束的可靠路径搜索，利用该实验结果可显示发明的合理性，利用有2800个结点的大路网的试验结果显示该发明的搜索效率。

小网络如附图5所示，结点用圆圈代表，结点号标于圈内，道路单元用细的灰色线表示。正常条件下的平均速度(公里/小时)和可靠度标在相关道路单元的旁边。正常平均速度在30-60之间，可靠度在0-1之间。起点和终点用黑色的矩形表示，起点号码为24，终点号码为35。可靠度低于0.9的道路单元被视为阻塞高风险道路单元，绕行长度允许系数β为1.1。

在道路单元之间失效后相互独立的假设下，路径的可靠度就是所有该路径中的道路单元的可靠度之积，该积可以用于评价一个路径的可靠程度。

如附图5所示，根据正常平均行驶时间计算的最短路径用一条较宽的黑线表示，费用为38(分钟)，路径可靠度为0.45。没有绕行长度限制的可靠路(即避开所有高风险道路单元)用宽的灰色线表示，其费用为38.6(分钟)，可靠度为0.71。带有长度限制的最短路用一个宽虚线表示，其费用为35(分钟)，可靠度为0.56。很明显，路径的可靠度通过避免高风险道路单元而得到提高，例如，在无绕行长度限制的可靠路径上，在节点18和19之间的道路单元(道路单元可靠度为0.81)和在节点10和19之间的道路单元(道路单元可靠度为0.73)被避免了。然而，在带有长度限制的最短路中，一些高风险道路单元，例如节点10和19之间的道路单元(道路单元可靠度为0.73)，被包括在内以满足长度限制，但可靠度仍然高于根本没有考虑道路单元可靠度的最短路。

附图6和附图7为大路网试验图，在图中，道路单元平均正常行驶速度被随机的指定在30-60(公里/小时)之间。开始节点为790，终点为2008，可靠路径用宽黑线表示，当在建议的可靠路径上发生事故，而重新规划请求在结点939，事故道路单元用一个宽黑线表示，失效相关道路单元(包括正相关和负相关)在圆圈内。

为了更加清楚的演示A^*算法的重新规划算法，我们认为重新规划方案没有长度限制，因此，事故道路单元和与其积极相关的道路单元的行驶时间被增加到一个相当大的值，而与其消极相关的道路单元则减少到原来值的1/2。如附图6所示，在出行开始重新规划方案并没有考虑A^*最短路的信息，起初建议的路径用宽灰线表示，建议的重新规划路径用粗黑线表示，用到的结点用粗黑圈表示，用到的结点数为392个。

附图7为利用之前A^*搜索已经存储的信息在进行A^*搜索。起初建议的路径用粗灰线表示，建议的重新规划路径用粗黑线表示，用到的结点用粗黑圈表示，用到的结点数为53个，表明在考虑了出行前信息时，搜索效率有了很大的提高。

根据对不同规模方格路网在内存为64M，CPU800M的笔记本上分别进行1000次的随机计算分析，总计算时间相比未修正的有约束A^*算法总计算时间缩短平均缩短66％。

下表为详细计算时间的数值结果。

路网规模(结点数)	路径平均搜索时间(秒)	相比未修正的A*算法总计算时间缩短
			30×30	1.2	51％
50×50	3.2	58％
			80×80	4.8	72％
100×100	5.4	85％

Claims (2)

1、一种延误风险规避的车载导航***准动态路线优化方法，其特征在于，包括以下步骤：

1.标定双参数的道路单元属性文件

将一天划分为n，n≥3个典型时段；下面的操作是针对其中任何一个典型时段进行的，其它时段的操作方法相同；

确定三种服务于导航算法的数据：一是各典型时段的道路单元平均通行时间；一是各典型时段道路单元发生阻塞的可能性，即道路单元的畅通可靠度；一是各典型时段的道路单元间的失效相关性；

其中确定道路单元畅通可靠度要经过两个过程：

a.对道路单元做二元状态假设：即将道路单元的状态分为两种：正常和异常；道路单元包括路段和交叉口两部分，区分路段正常和异常的界限是提前设定的路段单元行驶速度阈值，大于这个值则视为表现正常，小于这个值则视为表现异常；而区分交叉口正常和异常的界限则是提前设定的平均交叉口延误阈值；小于这个值则视为表现正常，大于这个值则视为异常；

b.确定道路单元的畅通可靠度，道路单元的畅通可靠度可以定义为在规定的时间段内路段不发生异常延误，或行驶速度低于一定的界限的概率；

当具有3个月以上的交通流数据时，采用下式计算单元畅通可靠度的近似值；

道路单元i畅通可靠度r_i表示为：

在判断道路单元畅通与否时，路段采用车速为衡量标准，交叉口采用停车延误为衡量标准，至于衡量标准可参见相关方面的文献；

当不具有3个月以上的交通流数据时，可以通过函数f(v_i/c_i)近似的估算，函数的具体形式由回归可以确定，方法是：首先，以v_i/c_i为自变量，可靠度为因变量做散点图，然后根据散点图的形状进行曲线拟合，最后在拟合出的曲线中，选择最合理的为具体的函数表达式；

v_i/c_i——定义为道路单元i的饱和度，其中v_i为通过道路单元i的流量，可通过短期内交通流数据得到，c_i为单元i的通行能力，根据道路类型和等级不同而不同，是一个定值，可通过相关文献查得；

其中建立道路单元平均通行时间，采用以下方法：

对于具有一个月以上交通流数据的道路单元，用统计方法在计算道路单元i正常条件下在某一时段内的平均行驶时间，这个平均行驶时间就是道路单元i的权重w_i；

对于那些没有一个月以上的交通流数据时，对于路段根据历史起讫点信息，也就是O-D信息，利用交通规划理论中传统交通分配方法对一天内不同时段的O-D矩阵进行分配，根据分配所得到的路段i上的交通量，从而根据交通流理论中交通量与速度的关系计算其行驶速度，然后用路段i的长度除以该路段的行驶速度，进而求出各路段的通行时间，这个平均行驶时间就是路段单元i的权重w_i；对于交叉口，根据交叉口类型，假定其平均行驶时间近似的同有一个月以上交通流数据的同类交叉口相同；

其中确定道路单元间的失效相关性方法如下：

当有交通事故发生在某道路单元上时，与其相邻的其他道路单元也会因受到影响而发生异常变化，将此现象称为道路单元间的失效相关性；确定道路单元间的失效相关性通过两种手段：一是根据历史交通信息分析出各道路单元间的失效相关性，一是利用现有的交通仿真技术，令某一路段产生阻塞，从而分析其他路段的运行速度与阻塞路段之间的关系；然后将道路单元间的失效相关性数据存储在车载光盘上；

2.改进的A*路径搜索算法

改进的A*路径搜索算法分为两种：一种是有约束的A*路径搜索算法，一种是改进了A*算法中启发式函数的路径搜索算法；

其中有约束的现有A*路径搜索算法如下：

1)在某一个典型时段内，令迭代次数k＝0，以w_i为道路单元i的权重，通过现有A*算法找到具有最小权重的路径P_s，0，进行计算P_s，0行程时间为L_s，0；

2)通过对道路单元i的可靠度r_i进行分析，对路网上可靠度比较低的道路单元i，建议取r_i＜0.5的道路单元，增加一个权重增量Δw_i；

增加后权重w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qW₀    (2)

α为权重增加系数0＜α＜1.r_i为道路单元i的可靠度，建议取W₀＝1.5L_s，0~3L_s，0；当k＝0时，判别指数q＝0，k＞＝1时，判别指数q＝1；

3)计算可靠路径：

令新一轮迭代次数k’＝k+1，以w_i’为道路单元i的新权重，用现有A*算法计算权重最小的路径P_s，k’，将其上面的道路单元i的权重恢复为w_i，计算L_s，k’，也就是路径P_s，k’上的各道路单元路权w_i总和；

4)检查路径约束条件：

如果所得路径满足时间限制L_s，k’＜βL_s，0，则转到5)，否则回到2)；β为允许系数，建议取1.0-1.5；

5)有约束的现有A*路径搜索算法结束；

其中改进了A*算法中启发式函数的路径搜索算法如下：

在运用A*算法时，路网中每个节点n，其权重f(n)＝g(n)+h(n)，这里g(n)指从起点到节点n的最短路长，h(n)指节点n到目的地最短路长的估计函数；从而g(n)指从起点到目的地最短路长估计函数。在现有A*算法中，还要用到两个表，也就是关闭表(close list)和开放表(open list)；已经计算和检查过的节点被放在关闭表里，计算过而没有被检查过的节点放在开放表里；

(1)在某一个典型时段内，令迭代次数k＝0，以w_i为道路单元i的权重，在运用现有的A*算法计算最短路时，按从终点到起点的搜索顺序计算起终点间的通行时间最短路径，对搜索过程中的各道路单元i路权用其反向路权w_j；对于搜索过程中已经放在关闭表中的节点n，储存其节点n到终点的最短通行时间值为g(n)’，最终搜索所得最短路实际上为从起点到终点具有最小权重的路径P_s，0，进而计算P_s，0行程时间为L_s，0，即组成P_s，0的各道路单元的权重和；

(2)通过对道路单元i的可靠度r_i进行分析，对于可靠度较低道路单元i，建议取r_i＜0.5，增加一个权重增量Δw_i；

增加后权重w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qW₀     (3)

α为权重增加系数0＜α＜1.r_i为道路i的可靠度，建议取W₀＝1.5L_s，0~3L_s，0；当k＝0时，判别指数q＝0；k＞＝1时，判别指数q＝1；

(3)令新一轮迭代次数k’＝k+1，以w_i’为道路i的新权重，用现有A*算法按从起点到终点的搜索顺序，进行路权改变后的路径重新计算；对于计算过程中已放到关闭表中的节点，利用(1)中现有A*反向搜索的g(n)’，令其代替h(n)值；对于那些没在关闭表里的节点，用从起点到终点的欧几里德距离除以道路单元的设计速度作为h(n)，道路单元的设计速度可参见交通工程书籍，从而计算出权重最小的路径P_s，k’，将其上面的道路i的权重恢复为w_i，计算L_s，k’，也就是路径P_s，k’，上的各道路单元路权w_i总和；

(4)检查路径约束条件：

如果所得路径满足时间限制L_s，k’＜βL_s，0，，则转到(5)，否则回到(2)；β允许系数，建议取1.0-1.5；

(5)改进了A*算法中启发式函数的路径搜索算法结束；

3、当有交通信息如事故、阻塞、施工占路等发生在已规划路径上时，执行存在有限的实时交通信息的A*路径搜索算法：否则结束；

存在有限的实时交通信息的A*路径搜索算法如下：

[1]初始化：

令迭代次数k＝0，当动态交通信息显示在规划出的路线上有异常阻塞，需要重新规划路线时，令道路单元i的估算行驶时间为道路单元的权重w_i

[2]道路单元权重改变

对于可靠度较低的道路单元，建议取r_i＜0.5，及事故道路单元和其相关道路单元，将它们的权重增加权重增量Δw，

对于道路单元i，增加后权重

w_i’＝w_i+Δw_i＝w_i+α^k(1-r_i)^qw₀     (4)

α为权得增加系数0＜α＜1.r_i为道路单元i的可靠度，建议取W₀＝1.5L_s，0~3L_s，0；当迭代次数k＝0时，q＝0；k＞＝1时，q＝1；

对于事故道路单元i，令道路单元i的可靠度r_i＝0，所以w_i’＝w_i+α^kW₀，0＜α＜1；此时搜索存储在车载光盘上的道路单元间失效相关性数据，找到与阻塞道路单元i相关的道路单元；

如果道路单元j由于道路单元i发生异常阻塞，也随之发生阻塞时，称为正相关，令道路单元j的可靠度r_i＝0，所以w_i’＝w_i+α^kW₀，0＜α＜1；

如果道路单元j由于道路单元i发生异常阻塞，运行状态反而改善时，称为负相关，令道路单元j的可靠度r_j＝1，所以w_j’＝w_j；

如果道路单元j的运行状态不受道路单元i发生异常阻塞的影响时，称为不相关，其权重不变；

[3]新一轮迭代次数k’＝k+1，以改变后的权重用现有A*算法重新计算权重最小路径P_s，k’，然后还原道路单元到之前事故道路单元行驶时间的估计值w_i，并计算L_s，k’；

[4]路径检查

如果P_s，k’满足限制条件，也就是L_s，k’＜βL_s，0，转向[5]，否则，返回[2]；

[5]算法结束。

2、根据权利要求1所述的延误风险规避的车载导航***准动态路线优化方法，其特征在于，步骤1中的步骤b确定道路单元的畅通可靠度：

当不具有3个月以上的交通流数据时，推荐采用以下的函数形式近似估算道路单元的畅通可靠度：

r_i＝￠(v_i/c_i)³+β(v_i/c_i)²+γ(v_i/c_i)+c    (5)式中，r_i——道路单元i的畅通可靠度；v_i/c_i——定义为道路单元i的饱和度，其中v_i为通过道路单元i的流量，可通过短期内交通流数据得到，c_i为单元i的通行能力，根据道路类型和等级不同而不同，是一个定值，可通过相关文献查得；￠，β，γ——回归待定系数；c——常数项，通过回归获得。

Images