一种基于数据预测的动态交通路径规划方法与流程

本发明属于交通路径规划技术领域，具体涉及一种基于数据预测的动态交通路径规划方法。

背景技术：

近年来，交通事业迅猛发展，然而大中型城市中交通问题越来越严重，表现在拥挤情况严重、交通事故频发，尤其是在上下班高峰时期，如果有拥堵就会影响人们的行程，还会造成资源浪费、污染环境。

目前的智能交通系统(intelligenttransportsystem，its)是处理日益恶化的道路拥堵、交通事故和环境污染的最有效手段。自20世纪80年代初以来，短期交通预测已成为大多数its和相关研究的重要的组成部分。它根据当前和以前的交通信息，对将来几秒钟到几个小时的交通情况作预测，预测的结果可以作为道路权重的重要标准应用于路径规划，以便提升城市交通效率。

技术实现要素：

针对上述问题，本发明提出一种基于数据预测的动态交通路径规划方法，将传统的路径规划方法和交通预测技术相结合，预测使用knn算法，基于历史数据预测短期的交通流量；根据各路段的长度，可以确定每个路段在每个时间段的权重；此外，考虑到路网总体协调，在全局的角度，动态均衡的进行路径推荐；一方面避免向同一条路段推荐太多用户而影响交通；另一方面，对交通管制、交通事故等及时反映，更新规划的路径，可以为司机提供有效和及时的路段拥堵信息，以得到最优路径。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于数据预测的动态交通路径规划方法，包括以下步骤：

(1)建立路网图；

(2)对时间进行划分获得若干个时间段，根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度；

(3)重复步骤(2)计算出每条路段在每个时间段的平均行驶速度和平均行驶时间；

(4)确定路网图中边的权重；

(5)以行驶时间最短为原则，进行路径规划。

进一步地，所述步骤(2)中的根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度，具体包括以下步骤：

(2.1)对于路段l1，从历史数据库中选择该路段的所有历史数据，再将当前数据作为输入向量，其中，v1,v2,...v5分别代表时间段、周、节假日、降雨量、时间段t平均车速，其中t表示一天中的任一时间段，时间段的取值为1～n，周的取值为1～7，节假日的取值为0或1；

(2.2)确定knn算法的度量标准，计算每个历史数据与输入向量之间的euclidean距离：

式中：di表示输入向量与历史数据库中的历史向量xi之间的euclidean距离，vg表示输入向量的第g个分量，xi,g表示历史向量xi的第g个分量，g∈{1,2...j}，j＝5；

(2.3)根据di的值，计算得到k个距离最小的历史向量作为的k个最近邻：x1,x2…xk，相应也就得到了k个时间段t的平均车速；

(2.4)计算每个最近邻与距离的倒数1/di，作为该近邻的权重；

(2.5)计算k个最近邻与距离的倒数和：

(2.6)邻居xi的权重为k个最近邻加权投票得到的值y，也就确定了在t+1时刻的平均车速：

其中，是历史数据库中的最近邻xi的值；表示路段l1在时间段t+1处的平均行驶速度，该值为历史数据库中的值；是输入向量的值，表示预测出的路段l1在时间段t+1时的平均行驶速度；

(2.7)按照步骤(2.1)-(2.6)计算出其余所有路段在时间段t+1时的平均行驶速度。

进一步地，所述步骤(3)具体为：得到路段l1在t+1时间段的平均行驶速度后，进行迭代运算，依次可以得出路段l1在t+2，t+3，…，t+n时间段的平均行驶速度最终计算出各个路段的平均行驶速度表。

所述步骤(3)还包括：

假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间计算公式为：

其中，l为路段的长度，为预测出的平均行驶速度。

所述步骤(3)还包括：结合推荐数目修正预测出的平均行驶速度，计算每条路段在每个时间段的平均行驶时间，具体为：

(3.1)根据行驶速度和路段车流密度的关系确定行驶速度的公式，具体如下所示：

v(ρ)＝vρ＝10-13.375ln(ρ)+30.797(5)

其中，vρ＝10表示路段在车流密度为10veh/(km·lane)的情况下，汽车的平均行驶速度；

假设根据knn算法预测到路段l1在时间段tm下的平均行驶车速为即则：

其中，ρ为路段对应时间段的车流密度，同样可以通过knn算法预测，具体包括以下步骤：

(3.1.1)从历史数据库中选择该路段的所有历史数据，再将当前数据作为输入向量，其中，v1,v2,...v5分别代表时间段、周、节假日、降雨量、时间段t平均密度，其中t表示一天中的任一时间段；

(3.1.2)选择euclidean距离作为knn算法的度量标准，根据公式(1)计算每个历史数据与输入向量之间的距离di；

(3.1.3)根据di的值，计算得到k个距离最小的历史向量作为的k个最近邻：x1,x2…xk，相应也就得到了k个时间段t的车流平均密度；

(3.1.4)计算每个最近邻与距离的倒数1/di，作为该近邻的权重；

(3.1.5)根据公式(2)计算k个最近邻与距离的倒数和d；

(3.1.6)邻居xi的权重为k个最近邻加权投票得到的值y，也就确定了在t+1时刻的车流平均密度；

(3.2)之后推导路段被推荐次数对路段车速的影响，假设路径规划系统接收用户的出行请求，计算得到最优路径，并将该最优路径返回给用户，若在时间段tm下，路段l1的被推荐的次数为a，路段长度为l，那么a会对预测出的速度产生影响，考虑这个影响之后，路段l1的平均行驶速度为则：

a＝a/l(7)

vl1,m(ρ+a)＝vρ＝10-13.375ln(ρ+a)+30.797(8)

由此可得：

即：

(3.3)将写入路段的平均行驶速度表，依此类推其他路段的平均行驶速度表；

(3.4)假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：

其中，l为路段的长度，为修正后的平均行驶速度。

进一步地，所述步骤(3)还包括：每过一个时间段，更新路段的平均行驶速度表。

进一步地，所述步骤(4)中路网图中边的权重的计算方法具体为：令由公式(4)或(11)得到的cost′或者cost作为路段的权重，路段在每个时间段都有一个权重，设路段lp在时间段tm的权重为或

进一步地，所述步骤(5)具体为：基于步骤(1)中的路网图，利用dijkstra算法进行规划路径，其中路网图中边的权重为或每规划一条路径，需要更新相关路段在相应时间段的被推荐次数，即次数加1；同时更新相关路段在相应时间段的权重或实现动态均衡的路径推荐。

进一步地，所述的一种基于数据预测的动态交通路径规划方法，还包括构建两个索引，用于动态调整路线，避开突发事件造成的拥堵：

1)起始节点和中间结点索引——(node1,nodei)＝{node1,node2,node3,nodei}，表示从起点node1到终点nodei之间所有可能经过的节点，使得从node1到nodei规划路径时，即步骤(5)中，就只需要构建包含上述节点的局部路网图，在局部路网图中应用dijkstra算法进行路径规划，而不需要再利用步骤(1)中的全局路网图，从而减少dijkstra算法的计算量；

2)司机和路段索引——tral＝{way1,way2,way3}，表示司机的已规划路径由路段1、路段2、路段3组成；当某一路段发生交通事故时，及时更新涉及到前述发生交通事故的路段的相应司机的行驶路线。

本发明的有益效果：

本发明的基于数据预测的动态交通路径规划方法，首先根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在全局路网图中使用dijkstra算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。

进一步地，本发明的基于数据预测的动态交通路径规划方法，还包括在路径规划的过程中逐渐建立起始节点和中间结点的索引，具体路径规划过程包括：

第一个阶段(例：系统试运行三个月)，系统根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在全局路网图中使用dijkstra算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。同时在路径规划的过程中逐渐建立起始节点和中间结点的索引。

第二个阶段，系统根据起始节点构建全局路网图，然后结合交通流的预测和推荐次数的影响，确定路网图中路段在每一个时间段的权重，最后在局部路网图(根据用户输入的起点和终点，可以找到索引中的所有可能经过的中间节点，由这些节点以及它们的边可以构成局部路网图)中使用dijkstra算法进行路径规划，同样可以规划出时间最短的路径，并且时间接近于真实行驶时间，同时减少dijkstra算法的计算量。本算法能够考虑到路网的全局协调，即考虑路段的被推荐次数对路段行驶速度的影响，将该影响加在路段的权重中，从全局的角度，动态均衡的进行路径推荐，一方面避免向同一条路段推荐太多用户而影响未来全局的交通，另一方面可以对交通管制、交通事故等情况做出及时反应，更新规划的路径。

附图说明

图1为本发明一种实施例的路径规划流程图；

图2为本发明一种实施例的路网示意图；

图3为本发明一种实施例的路径规划示意图；

图4为本发明一种实施例的在交通管制情况下的路径规划示意图；

图5为本发明和其他算法在路径总时间方面的对比图。

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，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

实施例1

本发明实施例中，将传统的路径规划方法和交通预测技术相结合，一天24小时被划分为144个时间段，一个时间段为10分钟；预测每个路段在每个时间段的平均交通速度，并结合路段长度确定路段在每个时间段的平均行驶时间即路网图中边的权重；其中，预测使用knn(k-nearestneighbor)算法，基于历史数据预测短期的交通流速，所述交通流速指在某时间段路段的平均行驶速度，最后在路网图中使用迪杰斯特拉(dijkstra)算法进行路径规划，可以规划出时间最短的路径，并且时间接近于真实行驶时间。具体地，如图1所示，

一种基于数据预测的动态交通路径规划方法，包括以下步骤：

(1)建立路网图；

路网图可以表示为g＝(v，e)，其中v为图中的顶点，表示的是道路的交叉点，e表示图中的边，表示两个交叉点之间的路段，本发明实施例中的路网图的建立过程采用的是现有技术，本发明实施例中不做过多的赘述；

(2)对时间进行划分获得若干个时间段，根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度；

在本发明实施例中，将一天24小时划分为144个时间段，一个时间段为10分钟；

所述的根据设定的历史数据信息和当前数据信息预测下一个时间段的设定路段的平均行驶速度，以路段l1为例，具体包括以下步骤：

(2.1)从历史数据库中选择该路段的所有历史数据(可以选用5年时间内的所有数据，具体实施时按照实际需求可以做适度的时间范围调整)，再将当前数据作为输入向量，其中，v1,v2,...v5分别代表时间段(1～144)、周、节假日、降雨量、时间段t平均车速(km/h)，如表1所示，所述周的取值范围为1～7，代表着一周中的周几，为1就是指周一，为2就是指周二；所述节假日的取值为0或1，值为0为非节假日，值为1为节假日；所述降雨量的取值为：1～6，分别代表降雨量的6个等级；其中历史数据的特征有5维：{时间段(1～144)、周、节假日、降雨量、时间段t‐1的平均车速}，如表2所示；历史数据中时间段t的平均车速如表3所示；

表1

表2

表3

(2.2)确定knn算法的度量标准，计算每个历史数据与输入向量之间的距离：

式中：di表示输入向量与历史数据库中的历史向量xi之间的euclidean距离，vg表示输入向量的第g个分量，xi,g表示历史向量xi的第g个分量(g∈{1,2...j}，j＝5)；

(2.3)根据di的值，计算得到k个距离最小的历史向量作为的k个最近邻：x1,x2…xk，相应也就得到了k个值，即k个t时间段的平均车速，其中，t表示一天中的1-144中的任一时间段；

(2.4)计算每个最近邻与距离的倒数1/di，作为该近邻的权重；

(2.5)计算k个最近邻与距离的倒数和：

(2.6)邻居xi的权重为k个最近邻加权投票得到的值ya，也就确定了在t+1时刻的平均车速：

其中，是历史数据库中的最近邻xi的值，表示路段l1在时间段t+1处的平均行驶速度(历史数据库中的值)，是输入数据的值，表示预测出的路段在时间段t+1时的平均行驶速度；

(2.7)重复步骤(2.1)-(2.6)计算出路网图中其余所有路段在时间段t+1时的平均行驶速度。

(3)重复步骤(2)计算出每条路段在每个时间段的平均行驶速度和平均行驶时间；

具体为：得到路段l1在t+1时间段的平均速度后，进行迭代运算，依次可以得出路段l1在t+2，t+3，…，t+n时间段的平均行驶速度；每个路段都有一个平均行驶速度表；表中包含这144个时间段的平均行驶速度，如表4所示：

表4

进一步地，在本发明实施例的一种具体实施方式中，t时刻预测t+1时刻的交通流速是基于实际交通信息，预测t+2时刻的交通流速是基于预测出的交通信息，随着迭代次数的增多，不确定性会增大，所以每过一个时间段，更新路段的平均行驶速度表。

进一步地，假设求出的平均行驶速度可以完全反应汽车的行驶状态，结合路段的长度可以得到路段的平均行驶时间表，该表也作为路段(即路网图中的边)的权重表。

假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：

其中，l为路段的长度，为预测出的平均行驶速度。

(4)确定路网图中边的权重；路网图中的权重不再是静态的路段特征，也不是当前时间的交通信息，而是结合了预测出的短期交通流速信息，一条路段在不同路径下的权重是不同的，路网图中边的权重确定方法具体为：令由公式(4)得到cost作为路段的权重，路段在每个时间段都有一个权重，设路段lp在时间段tm的权重为m的取值范围是1-144。

(5)以行驶时间最短为原则，进行路径规划。

具体为：路径规划系统接收用户的出行请求，基于步骤(1)中的路网图，利用dijkstra算法进行规划路径，其中路网图中边的权重为每规划一条路径，需要更新相关路段在相应时间段的被推荐次数，即次数加1；同时更新相关路段在相应时间段的权重实现动态均衡的路径推荐，得到最优路径后并将该最优路径返回给用户。

所述的一种基于数据预测的动态交通路径规划方法，还包括构建两个索引，用于动态调整路线，避开突发事件(如交通管制、交通事故等情况)造成的拥堵：

1)起始节点和中间结点索引——(node1,nodei)＝{node1,node2,node3,nodei}，表示从起点node1到终点nodei之间所有可能经过的节点，目的是简化原始路网图，这样从node1到nodei规划路径时，即步骤(5)中，就只需要构建包含上述节点的局部路网图，在局部路网图中应用dijkstra算法进行路径规划，而不需要再利用步骤(1)中的全局路网图，从而减少dijkstra算法的计算量。

2)司机和路段索引——tral＝{way1,way2,way3}，表示司机的已规划路径由路段1、路段2、路段3组成。当某一路段发生交通事故等状况的时候，可以及时更新相应司机的行驶路线。

实施例2

本实施例与实施例1的区别在于：考虑了路段被推荐次数对交通的影响，每规划一条路径，需要更新相关路段在相应时间段的被推荐次数和权重，实现动态均衡的路径推荐；所述步骤(3)还包括：结合推荐数目和平均行驶速度，计算每条路段在每个时间段的平均行驶时间；具体为：

(3.1)根据行驶速度和路段车流密度的关系，确定行驶速度的公式，具体如下所示：

v(ρ)＝vρ＝10-13.375ln(ρ)+30.797(5)

其中vρ＝10表示路段在车流密度为10veh/(km·lane)的情况下，汽车的平均行驶速度；

假设根据预测，路段l1在时间段tm下的平均形式车速为即则：

其中，ρ为路段对应时间段的密度，同样可以通过knn算法预测，具体为：

(3.1.1)从历史数据库中选择该路段的所有历史数据，再将当前数据作为输入向量，其中，v1,v2,...v5分别代表时间段(1～144)、周(1～7)、节假日(0/1)、降雨量、时间段t平均密度，其中t表示一天中的1-144中的任一时间段；

(3.1.2)：选择euclidean距离作为knn算法的度量标准，计算每个历史数据与输入向量va之间的距离di，如公式1所示。

(3.1.3)：根据di的值，计算得到k个距离最小的历史向量作为的k个最近邻：x1,x2…xk，相应也就得到了k个时间段t的平均密度；

(3.1.4)计算每个最近邻与距离的倒数1/di，作为该近邻的权重；

(3.1.5)计算k个最近邻与距离的倒数和d，如公式(2)所示。

(3.1.6)：邻居xi的权重为k个最近邻加权投票得到的值y，也就确定了在t+1时刻的平均密度。

(3.2)之后推导路段被推荐次数对路段车速的影响，假设路径规划系统接收用户的出行请求，计算得到最优路径，若在某一时间段路段l1的被推荐的次数为a，路段长度为l，那么a会对预测出的速度产生影响，考虑这个影响之后，路段的平均行驶速度为则：

a＝a/l(7)

由此可得：

即：

(3.3)将写入路段的平均行驶速度表；

(3.4)假设平均行驶车速能完全反应汽车的行驶状态，那么该路段的平均行驶时间公式为：

其中，l为路段的长度，为修正后的平均行驶速度。

令由公式(4)得到cost′作为路段的权重，路段在每个时间段都有一个权重，设路段lp在时间段tm的权重为m的取值范围是1-144。

如图2所示，车q要从节点1到节点7，它被推荐的路径是{l13，l37}，路段l13的平均车速为100千米/时，长度为1km，那么q车到达路段l37需要36分钟，也就是在第四个时间段进入路段l37，由预测可得到路段l37第四个时间段的平均行驶速度再查询路段l37在第四个时间段被推荐的次数为a，通过公式(9)可计算出路段l37在第四个时间段的调整后行驶速度。

如图3所示，系统规划了节点34到节点39的路径，图中横坐标表示维度，纵坐标表示经度，虚线表示路段，实线表示规划的路径；当路段20-110发生了交通管制禁止通行时，所规划的路径如图4所示。因此利用本发明中所述的一种基于数据预测的动态交通路径规划方法可以有效避开交通管制的情况。

如图5所示，与经典的dijkstra方法相比，本发明中所述的一种基于数据预测的动态交通路径规划方法规划的路径总时间较短。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。