一种基于a星策略的最优多会合点路径搜索方法及装置的制造方法
【技术领域】
[0001] 本发明涉及实时合乘应用技术领域，尤其涉及一种应用于实时合乘的基于A星策 略的最优多会合点路径搜索方法及装置。
【背景技术】
[0002] 实时合乘，又被称作动态拼车，是现代交通系统中一种颇具发展前景的节省燃油 并减轻交通拥堵的方式。最近一段时间以来，许多实时合乘应用，诸如Uber (www.uber. com)、Lyft(www. lyft. com)，在智能手机用户中越来越受欢迎，因为这可以帮助 他们规划旅程。在典型的实时合乘系统中，有两种实体:驾驶者和乘客。乘客可以通过他们 带定位功能的智能手机来预定汽车。他们需要提供他们的地理位置信息给系统，随后系统 动态地安排驾驶者为这些乘客提供合乘服务。
[0003]架设一个这样的实时合乘系统不是一件容易的事。主要的技术难点有两个：1、如 何快速地找到可以服务进来的用户请求的驾驶者;2、匹配好了驾驶者和乘客之后，又该如 何快速地确定最优的路径让驾驶者可以接上所有的匹配的乘客。在文献里，现有的一些研 究主要集中在解决第一个问题。
[0004] 例如，在文献[2]-S .Ma，Y· Zheng，and 0· Wolfson，一T-share :A large-scale dynamic taxi ridesharing service, || in 2013IEEE 29th International Conference on Data Engineering(ICDE)，2013,pp.41〇-421||和文献[3] -S.Ma and O.Wolfson，一 Analysis and evaluation of the slugging form of ridesharing, || in Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems，2013，pp · 64-7311 中，Shuo Ma等人做出了一个叫T-share的系统，用 于的士合乘应用中，驾驶者和乘客的实时匹配。在文献[1]以.11皿叫，^丨11丨.8 &8丨&1^， and X.S.Wang, - Large Scale Real-time Ridesharing with Service Guarantee on Road Networks，||ArXivl3026666Cs，Feb· 2013)中，Yan Huang等人提出了一种高效的活动 树算法来支持一种有服务保证的驾驶者和乘客之间的匹配。这几种算法的工作都集中在开 发一种实用的算法来高效地解决驾驶者和乘客之间的匹配问题，即上文所述的技术难点1。 而对于上文所述的技术难点2,本申请人在申请号为201510274711.2、名称为"应用于实时 合乘的最优多会合点路径搜索方法及装置"的专利申请[4]中提出了0MMPR算法的解决方 案。
[0005] 在0MMPR算法的解决方案里，该专利定义了 0MMPR问题。该专利申请将公路网络抽 象成为一个加权图G(V，E，W)，这里V，E和W分别为点集，边集和权值的集合。令n= |V|表示点 的数目，m= |E|表示边的数目。边(Vi，Vj)上的权值w(Vi，Vj)表示点Vi到点Vj之间的距离。这 里我们将图G作为一个无向图来处理，但是实际上我们的方法可以被用于处理有向图。我们 将S~t路径记为Pst = (S，VI，…，Vk-1，t)。令VQ = S，Vk = t，4，为Pst上的节点的集合，即 。则我们可以将路径上的总花费记为c(iy = Σ(?,, M A MWw)。注意这 里的路径不一定是一条无重复顶点的简单路径。令t/eK为顶点的子集，对于每一个ueu， 我们定义从节点U到路径Pst上的点集&，的距离为：
[0006]
[0007] 这里的di st (u, Vi)是从节点u至I」节点Vi的距离。很明显的，这里的成《.，匕)表明了从 节点u到路径Pst的距离。如果一个节点，并且有^^(?，^-^(?，「^，那么我们就称节 点V为节点U与路径p st的会合点。
[0008] 我们定义)为集合U中所有的点到路径P s t的距离总和，即
。则对于给定的s，t，U和α，我们可以构造出路径Pst的平均花费函 数：
[0009]
[0010] 这里的参数ae(0，l)，用于平衡路径pst和u中的点到Pst之间的距离和的比重。在 这里我们考虑U中所有的点到P st之间的距离占有相同的比重（Ι-a)。但是我们的方法可以被 扩展为支持处理不同点不同比重的情况。明显地，在实时合乘应用中，c(P st)代表了驾驶者 的花费代表了所有乘客的花费。0MMPR搜索的目标就是在图G中找到一条从源节 点s到目的节点t的路径P st，使得f (Pst)取得最小。
[0011] 0MMPR搜索的正式定义如下：
[0012]对于给定的路网G = (V，E，W)，0MMPR搜索Q(s，t，U，a)的目标是找到一条图G上的s ~t路径pst，使得f(pst)最小，即
[0013] minf (Pst)
[0014] s.t.Pst^ Pst
[0015] 这里的Fst是所有从s到t的路径的集合。
[0016] 针对0MMPR问题，在201510274711.2专利申请中，我们开发了一种高效的算法-- 0MMPR算法。
[0017] 0MMPR算法基于动态规划，利用(u，X)来表示一个状态，这里的u表示一条路径的终 节点，X是U的一个子集。该算法通过扩展一条路径的终节点和U的子集X来寻找最优路径，当 u = t，X = U的时候，就取得了最优的路径。令f (u，X)为一条0MMPR路径的平均花费，BP /〇,JT) = aXc(i^) + (1 - a)X成足匕）。当u = s的时候，我们有f (s，X)满足f (s，X) = a-a) X 2xexdist(x，s)。因为当u = s的时候，从s至Iju的路径只包含一个点s，所以路径上的花费为0， 而从U中节点到路径的花费和为Σ x e X d i s t ( X，s )。明显地，当X = 0时， / ('，A'）= / (.V，0) = 0 0
[0018]对于每一个状态（v，X)，我们有两种扩展方式，边增长(edge growing)和点增长 (node growing)。在边增长时，我们用一条边(v，u) eE来扩展状态(v，X)为新的状态(u，X)。 在点增长是，我们用每一个节点xeU-X来扩展状态(v，X)为新的状态~，1^1})。则状态转 移方程如下所示： 「00191 f(u,X)'= min { min } /'(v, X) + a^ \v{\\u) |, min{ f(u, X - fv!) + (1 - a) x dist(x, u)\! μ 式的解释如下:令Psu表示从S出发到u结束，考虑点集X的最优的路径。f(u，X)表示psu的花 费。则f(u，x)可以通过以下两种方式获得。
[0020] 1、边增长。对于集合X中的查询点和最优路径Psu，假设所有的会合点都在集合 匕-Μ上。在这种情况下，我们可以通过扩展子路径psv，在它上面加上边(v，u)eE，来获得 最优的路径P su。因为此时所有的会合点都落在最优子路径Psv上。图2展示了边增长的过程。 很明显，此时有乂("， ιν'λ)+α X u'( 口，〃) t。
[0021] 2、点增长。假设至少一个点χΕΧ与最优路径Psu的会合点落在点u。在这种情况下， 我们可以通过扩展考虑集合X-lx}的最优路径psu来获得考虑集合X的最优路径psu。图3展示 了点增长的过程。我们可以得到/(K Λ'）= Γη?Λη?/_('ν-)+(卜《)κ必丨。
[0022] 显然，我们可以通过取上面两者的最小花费作为f(u，X)，也就是上面的那个状态 转移方程式。
[0023]基于上面的状态转移方程，我们设计0MMPR算法来求解问题。经过理论和实验证 明，0MMPR算法可以较为有效地解决0MMPR问题，但是该方法在效率上还有待提升。
【发明内容】
[0024] 本发明的目的在于提供一种基于A星策略的最优多会合点路径搜索方法及装置， 通过对【背景技术】中的最优多会合点路径搜索方法进行改进，能够有效且更加高效地确定最 优的路径以让驾驶者可以接上所有的匹配的乘客。
[0025] 本发明的目的是通过以下技术方案实现的。
[0026] -种基于A星策略的最优多会合点路径搜索方法，包括：
[0027] 首先，获取路径搜索预设信息，包括：图G= (V，E，W)，点集U，α，出发点s，目的点t; 其中，V、E和W分别为点集、边集和权值的集合;c/e「，为顶点的子集;参数a E (〇，1)，用于 平衡图G上s~t路径Pst和U中的点到路径Pst之间的距离和的比重;然后，再执行以下步骤： [00 28] (1)使用全集合路径算法计算C(x，y，U)，其中x，yeu;
[0029] 所述C(x，y，U)为状态(x，y，X)的最优花费，状态(x，y，X)表示一条从X出发、到y结 束并且穿过集合X中所有节点的路径，