一种基于交通指数的随机动态网络交通规划方法与流程

本发明涉及交通规划领域，更具体地，涉及一种基于交通指数的随机动态网络交通规划方法。

背景技术：

城市的交通规划是建立完善综合运输系统的重要保障，对社会的发展和生活质量的提高有重要的作用。为了提高交通效率，各国政府和机构展开了大量的研究工作，美、欧、日等国家已不局限于解决交通拥堵、交通事故、交通污染等问题，而是转向建立更综合的智能交通系统(Intelligent Transportation System，简称ITS)，并在重点发展领域大规模应用。近年来我国在交通规划上的研究和进展保持了高速增长态势，包含智能公交、电子警察、交通信号控制、卡口、交通视频监控、出租车信息服务管理、城市客运枢纽信息化、GPS与警用系统、交通信息采集与发布和交通指挥类平台等10个细分行业，以获取更精准和有效的数据。

交通部门发布的信息如图1所示，提供了不同区域的交通指数，以及当前区域的平均车速。交通指数是表征当前及未来一段时间内道路情况的系数，由全市各个路口的信息采集设备(雷达，摄像头，红外和环形感应线圈，以及新一代为安装有全球卫星定位系统和无线通信装置的车辆提供的浮动车交通信息采集方法等)，并通过数据统计和综合分析得到，具有时序性强，动态性高等特点。一般的导航设备是基于GPS制导，会导致所有用户的路线规划都是相同和相似的最优路线，因此无法从根本上避免交通堵塞的发生。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于交通指数的随机动态网络交通规划方法，采用二叉树作为概率模型的逻辑结构，简单可靠，可以在不同的移动设备和终端上部署，可移植性强，应用广泛。

为解决上述技术问题，本发明的技术方案如下：

一种基于交通指数的随机动态网络交通规划方法，包括以下步骤：

S1：以二叉树结构构建交通网络模型，用以表示某地区真实的道路情况，树根节点对应交通网络中的起点，中间节点对应网络范围内的各个位置，叶子节点表示目的地，节点与它的子节点之间为一个路段，从起点到目的地包括一条或多条不同的路径，每条路径包括一个或多个路段，每个路段根据其交通指数设定其被选择的概率值；

S2：统计出当前交通指数下从起点到目的地的每一条路径被选择的概率值，每一条路径被选择的概率值为该路径上各个路段的概率值之积，然后挑选出最优的路径。

在一种优选的方案中步骤S1中，通过公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

计算二叉树两个子树的分支的概率值，其中a和b是代表二叉树中两个分支的交通指数，Max(a,b)函数取a和b中的最大值，Min(a,b)函数取a,b中的最小值，INT(a,b)函数为向下取整函数。

在一种优选的方案中，所述交通指数在0～5之间。

在一种优选的方案中，每个路段被选择的概率值在0～1之间。

在一种优选的方案中，步骤S2中，具体过程为：

S2.1：初始化节点信息，载入交通指数并计算各路段相应的概率值；

S2.2：从根节点开始，根据左右子树的概率值进行随机寻径，选择一条子树作为结果；

S2.3：如果计算到叶子节点，则计算这条路径上的各个路段的概率积，并与最优解进行对比，如果当前路径的概率积比最优解的概率值更高，则将当前路径的数据更新到最优解中；

S2.4：重复步骤S2.1-S2.3，累计达到预设的迭代上限次数时，输出最优解的路径数据。

与现有技术相比，本发明技术方案的有益效果是：本发明公开一种基于交通指数的随机动态网络交通规划方法，以二叉树结构构建交通网络模型，用以表示某地区真实的道路情况，统计出当前交通指数下从起点到目的地的每一条路径被选择的概率值，每一条路径被选择的概率值为该路径上各个路段的概率值之积，然后挑选出最优的路径。本方法提出的随机寻径算法，在交通网络概率模型中为交通规划提供快速准确的策略，采用二叉树作为概率模型的逻辑结构，简单可靠，可以在不同的移动设备和终端上部署，可移植性强，应用广泛。利用交通指数判断路径状况，有别于传统的基于图搜索的GPS导航方法，提供更准确的路况情况。采用了概率方法，为用户的群体规划带来多元化的结果，有效解决了交通拥堵问题。

本技术根据深层概率模型的计算性质，将交通指数转化为对道路情况判断分析的概率值，并在不同的网络范围(对应实际的交通距离)内提供不同置信度的结果。为了解决群体用户得到的局部最优解相似的问题，构建概率模型为整个网络中所有用户提供避免交通堵塞的全局最优解。本方法采用的交通指数概念源于深圳市交通局发布的指数体系，利用现有的道路信息采集实时或周期路况，然后经过数据分析处理得到的衡量当前路况的综合性数据，可以对区域内的道理情况进行判断和预测。但是由于城市交通网络的规模十分巨大，而且网络细节众多，时序性很强，如何在较短的时间内提供准确有效的分析结果是现阶段工作的难点。

附图说明

图1为交通部门发布的信息图。

图2为某地区真实的道路情况图。

图3为图2交通网络的抽象表示图。

图4为图3中某一个区域的细节描述。

图5为图3区域的二叉树化表示图。

图6为随机寻径算法的流程图。

图7为随机寻径实验的迭代性能分布图。

图8为不同期望系数分组实验的准确率图。

图9为不同期望系数分组实验的耗时图。

图10为不同分组实验的准确率图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

1、交通网络模型构建

构建概率模型需要选择合适的图模型，而二叉树作为一个连通的无环图，有着简单的逻辑结构和优秀的表示能力，在表征地图网络时有着强大的处理能力。在计算机科学中，二叉树是每个节点最多有两个子树的树结构，如图2-5所示。图2为某地区真实的道路情况；图3为对该交通网络的抽象表示，用于转化为计算机可以处理的数据结构；图4对图3中某一个区域的细节描述；图5为对这个区域的二叉树化表示。在图3中的抽象网络出现了不同的路口分道情况(例如岔道口和十字路口)，可以通过线性转换将其转换为统一的结构图4。

另外，由于每个路口(对应图中节点)在计算机中都使用邻接表存放相关信息，因此为了避免冗余的计算，在图5中将重复出现的路段使用带颜色的方框标记(区别于没有重复的圆圈)出来，除终点外其余方框都使用一条线，代表后续的计算与前面的计算重复，直接使用之前计算的结果即可。

在图4所示的结构中，边上标注的概率值源于模拟的交通指数，仿照交通指数的发布形式随机在0～5之间赋值作为模拟生成的交通指数，并通过公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

计算出二叉树两个子树中路况较好(交通指数更大)的分支的概率值，其中a和b是代表二叉树中两个分支的交通指数，Max(a,b)函数取a和b中的最大值，Min(a,b)函数取a,b中的最小值，INT()函数为向下取整函数。例如当(C)中A->B的交通指数是3.6，A->C的交通指数是2.1，则有：

P(A→B)＝1-P(A→C)＝25％

图5是由图4转化得到的二叉树，树根(A节点)对应交通网络中的起点，中间节点(B～H)对应网络范围内的各个位置，叶子节点(I)表示目的地。通过随机寻径算法(RRM)可以统计出当前交通指数下每一条路径被选择的概率值，然后挑选出最优的路径。由于一条路径是由不同的路段组成的，不能根据某一段路程的拥堵情况而将其视为该路段的整体情况，因此对于一条路径来说该路径上所有的路段都要考虑。可以看到在图4中，从A节点到I节点可以有很多条不同的路径，例如：

选择不同路段的组合会导致不同的路径长度和时间消耗。而通过交通指数计算得到的概率值可以很方便的利用随机寻径算法快速找到较好的解。

2、随机寻径算法

与一般的图搜索算法应用的图模型不同的是，交通网络是一个参数变动频繁的动态网络(图)，基于数值计算的静态图搜索算法无法满足实时处理交通情况的要求。因此我们选择基于统计分析的概率方法，提出应用于动态网络规划的随机寻径算法，其基本原理是基于图模型的搜索算法，通过对图中边的权值进行概率判定，计算选择出最佳的解，算法流程图如图6所示。

该算法的目的是在起点和目的地之间所有的路径l＝{l₁，l₂，…，l_n}寻找一条路径l_i，使得当前网络参数集{index,dis,p,sup{e_i}}满足

l_i＝Max(l_i～N{x}|{index_i,dis_i,p_i})

其中参数集index_i表示第i条路径对应的交通指数，dis_i表示地理坐标信息，p_i表示计算之后的概率参数，sup{e_i}集合是备用参数集合，用于根据需求添加新的参数。l_max对应的现实意义是花费在该路径的时间是所有路径中最低的。

算法的具体过程为：

步骤1：初始化节点信息，载入交通指数和计算相应的概率值；

步骤2：从根节点开始，根据左右子树的概率值进行随机寻径，选择一条子树作为结果；

步骤3：如果计算到叶子节点，则计算这条路径上的各个路段的概率积，并与最优解进行对比，如果当前路径的概率积比最优解的概率值更高，则将当前路径的数据更新到最优解中；

步骤4：累计达到迭代上限次数时，输出最优解的路径数据。

为了可以实时快速的利用交通指数进行计算，设计了将静态网络线性相加的时间计算转换为动态网络线性相乘的概率值，可以快速利用随机寻径算法进行路径计算，从而避免传统方法需要进行全局参数重计算的问题。其原理是，基于距离寻径的静态图搜索算法计算的是所有路径之中的最短路径,即在路径集合l＝{l₁,l₂,…l_n}中寻找一条最短的路径l_min使得：

l_min＝Min(l₁,l₂,…l_n)且l_i＝Σ(path)，

其中path是组成一条路径的路段。由于每一条路径是由很多个路段相加得到，想求得最优解就需要将涉及到的所有路段的参数(路径长度，时间)都计算一遍；与之相对的是，基于概率的随机寻径算法计算的是所有路径之中最大概率值的路径，即在路径集合l＝{l₁,l₂,…l_n}中寻找一条最短的路径l_min使得

p_{_lmin}＝Max(p__l1,p__l2,…,p__ln)且p__li＝Π(P_path)

想求得最优解需要计算一条路径上各个路段的概率积，此时既可以像静态网络寻径方法那样穷举计算最优解，也可以利用概率的特性，利用随机寻径方法在p_i＝p₁×p₂×…×p_k中链式求得概率比较大的路径，从而在可以保证参数动态性的同时快速求解。具体来说，就是在

l__p1＝65％×50％×40％

l__p2＝35％×50％×60％

中通过随机寻径确定一条路径并排除掉这条路径的其他同层路径，例如在上例中会有65％的概率选择l__p1(相当于有35％的概率选择l__p2)，一条完整路径的概率值取决于组成这条路径上所有路段的概率积，概率值越大，意味着这条路径的综合交通指数表现越好。

与确定性方法不同的是，随机寻径算法并不能保证每一次计算的解都是全局最优解，但是通过大量迭代计算，则可以排除掉绝大部分非最优解，迭代的程度越高，计算的准确率也越高。对目前的移动便携设备而言，迭代次数在10⁶～10⁷数量级内的计算可以在毫秒级的时间单位内完成，在保证计算时间可以接受的条件下完全可以同时保证准确率。

下面通过具体实例验证本发明方法：

(1)理论性能验证

由于交通状况随时间变化较大，在不同的时间段内有不同的规律，因此实验考虑在最极端的条件下，即所有的参数都是无规律的、随机的。

首先，确定实验用到的模拟网络环境。我们随机生成[0，1]之间的浮点数作为概率值p，来模拟不同交通指数值经过计算后的网络情况，在高度为10的二叉树中共生成2047个节点作为叶子节点(终点)和其他子树。在计算生成多个不同参数的网络环境中，挑选了一个参数相对分布均匀的网络作为实验对象。

其次，在上述特定参数分布均匀的网络中，经过计算求得这1024条路径的概率值情况，最大路径的概率值为0.0032。

最后，在这个网络上我们进行了100000组随机寻径试验，考察所构建方法计算得到最优解(p＝0.0032)的迭代性能情况，结果如图7所示。

从图7可以看出，随机寻径方法的迭代分布比较可靠(图中分布从左至右呈梯度下降)。在100000组实验中，有27783次实验的迭代规模收敛在100次以内，有19934次实验的迭代规模收敛在100-200区间内。当迭代阈值设置为1000时，有3741次在这个阈值范围内没有成功找到最优解。通过比较这个实验统计数据，可以在理论上验证我们提出方法的性能和准确性。

对于最优的路径解概率p_max＝0.0032，在数学上将1/p≈306的数值作为寻径期望，这个期望意味着理论上平均迭代寻径306次就会出现一次最优解。如果将迭代阈值设为期望值的1倍时，统计了100000组随机试验中满足这个期望阈值(300次，与306次接近)次以内成功找到的最优解次数，结果为：27783+19934+14682＝62399(62.40％)。而如果将迭代阈值设为期望值的2倍即统计(1～600，与306×2＝612次相近)次以内成功找到的最优解次数，结果为：86044(86.04％)。如果将阈值增加为期望值的3倍，结果为：94872(94.87％)。这个值非常接近理论计算出的结果，即3×1/p≈3×306＝918次随机寻径中没有找到最优解的概率值为(1-0.0032)⁹¹⁸＝0.049，相当于理论上的准确率应该是1-0.0493＝0.9507(95.07％)，这与实验结果94.87％的误差仅为0.20％。另外，由于本组实验的各概率参数都是随机模拟的，因此考察了这个统计结果与正态分布N(μ，σ²)的对比情况，在标准正态分布(即参数μ＝0和σ＝1时的正态分布)中对应期望为1，2，3的分布概率分别为：

期望为1：P{|X-μ|<σ}＝2Φ(1)-1＝0.6826

期望为2：P{|X-μ|<σ}＝2Φ(1)-1＝0.9544

期望为3：P{|X-μ|<3σ}＝2Φ(3)-1＝0.9974

本方法的统计结果与模拟分布值相比较，误差较小，具体数据如表1所示。

表1随机实验的性能及准确率

当n＝10，15，20，30时，网络规模为2ⁿ(分别为1024，32768，1048576和1073741824)，针对这些不同规模的网络，我们设置了一些与网络规模相关的迭代系数，用来探讨网络规模与不同迭代系数下准确率的动态关系，这些迭代系数分别取网络规模的1％，2％，3％，5％，10％以及20％，其目的是根据网络规模，动态调节迭代程度。针对每一个规模下的网络，我们都进行了多组的随机实验，从中各自挑选了5组实验数据，具体的4个规模下的20组随机实验的数据如表2至表5所示。

表2二叉树高度为10(n＝10)情况下的性能

表3二叉树高度为15(n＝15)情况下的性能

表4二叉树高度为20(n＝20)情况下的性能

表5二叉树高度为30(n＝30)情况下的性能

以表2为例，从表中可以看出，在相同的网络规模下，不同概率值的路径的数据相差很大。对于p₁＝0.20和p₅＝0.05，在迭代次数均为10的情况下，准确率分别为88.59％和29.61％(迭代规模为网络规模的1％)。对比表2中的p₅＝0.05和表3中的p₁＝0.03，这两组实验的最优路径概率值很接近，但是准确率差异很大(29.61％和89.43％)。而且表2至表5均反映出迭代次数越高，准确率越高，并且更高的概率值会倾向于在较少的迭代过程内找到最优解。

由于事先无法确定最优路径的概率值，因此不能在计算前使用这个值作为计算的参考值。如果迭代寻径次数过高，会导致计算时间过长；寻径次数过低，则难以保证可靠的准确率，因此需要选取一个适当的参数来在保证准确率的前提下降低计算时间。针对计算的参考值，我们进行了不同的实验来考察这个参考值与网络规模的关系，实验结果如表6所示。

表6不同样本概率期望和实际均值

从表6可以看到，寻径期望与实际寻径均值在一定范围内保持着相似的比例(1:1.46～1.79)，这意味着我们可以通过预估最优解的期望值来确定迭代寻径的规模。但是实际的交通网络中在计算之前并不清楚哪一条路径是最优路径，因此需要使用与寻径期望值相近的值来模拟逼近最优解的概率值。基于这个需求，本方法引入“期望系数”的概念，来解决未知最优解概率值的问题。

“期望系数(In)”是根据大量的实验数据统计得到的一个表征网络规模的参数，一个规模为n的网络的寻径期望为1/Inⁿ，不同的系数值会表征不同程度的网络系数，从而影响结果的准确率和计算时间。从图5统计结果来看，In取0.75的实验组准确率相对较低，In取0.65时的准确率近似达到100％，因此In的取值范围在0.65-0.75之间，既保证结果的准确率，又可以将计算时间保持在一个合理范围。

(2)实际运行性能

在不同规模的网络中，分别考察了不同的期望系数对准确率(图8)和耗时(图9)的影响。当期望系数In取0.7时，取得了相对较高的准确率。当In<0.7时，虽然准确率比In＝0.7高，但是计算时间也以指数级的规模增加，因此本实验取In＝0.7作为网络规模的代表参数。

为了考察In取0.7的合理性，分别设置了6组不同的参数：In＝0.7，期望1倍，期望2倍，期望3倍，期望5倍和期望10倍。在这6组参数中，期望5倍，期望10倍和In＝0.7这三组参数在不同的网络规模下均有较高(>90％)的准确率，但是期望10倍的时耗明显高于期望5倍，与In＝0.7持平，结果如图7所示。虽然In＝0.7组的时耗相对期望5倍更高，但是这种动态调节实验规模的参数相对于固定值的参数来说，额外的时耗可以接受。而且使用期望参数值的计算不随网络规模的影响，能应用于交通指数末知的交通网络。

(3)移动端的性能模拟运行

在市场上常见的移动端设备中，选择了三款不同的手机，对移动端的性能进行模拟，各手机的指标如表7所示。

表7移动端设备的技术细节

实验耗时如表8所示，不同性能手机的运行时间尽管有差别，但都在0.5s内完成，并且准确率也较高(>90％)。当网络规模过大(>30)时，计算时间需要2～4s，而且准确率会相应降低。如果需要提高准确率，则需要增加寻径的次数，但这样会额外增加计算的时间。

表8模拟实验的耗时

为了优化迭代规模对于耗时与准确率的影响，设置了4组不同的实验参数来模拟交通网络环境，其网络规模分别为10，15，20，30，对应的迭代范围是1000，3000，500和100，这样的参数组合可以同时提高准确率和降低耗时。因此，采用概率交通模型和期望参数能够获得较好的计算结果，并且在移动端上的实验(表7和表8)也验证了这种方法的实际应用性能。与GPS或其他规划方法相比，采用交通局发布的交通指数来实时规划交通可以得到更准确有效的结果，而且基于概率模型的规划方法可以有效的降低拥堵情况的出现，从而进一步改善城市的交通状况。