一种基于城市大脑和V2X的行车精确路由策略的制作方法

技术特征：

1.一种基于城市大脑和V2X的行车精确路由策略，其特征在于：包括如下步骤：

步骤1、城市大脑出行路径计算，包括A*路由、加入路由流量、自适应权重分配、以及初始化全局路由；

步骤2、路口流量预测和优化，包括历史流量数据统计、红绿灯信号配时、阻塞流量疏导、以及配时恢复；

步骤3、以及路由优化和被动避障，包括路由道路的采样、平滑曲线连接各层采样点、路径生成、路径代价计算、以及最优路径选择。

2.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤1具体包括如下步骤：

步骤1.1、硬件设备开启：初始化云平台、将各类历史数据储存在云中；初始化RSU帮助获取道路统计信息；

步骤1.2、初始化V2X通信；

步骤1.3、A*路由：A*路由1构造了代价函数是f＝g+h,其中g是从起始位置到实时位置的代价，h是从实时位置到目的地的代价，每一步都找到最小的f做出决策，生成最短路径Lraw；

步骤1.4、代价函数加入路由流量修正Lraw：g＝g1(距离)+车平均速度/g2*这段距离内观测的车辆数(流量)；h＝h1(距离)+车平均速度/h2*这段距离内观测的车辆数(流量)；

步骤1.5、自适应权重分配：距离在改进全局路由策略中的权重w＝(h1+g1)/(h+g)，流量权重w’＝(h2+g2)/(h+g)；

步骤1.6、初始化全局路由：根据改进A*最小化代价的方式得到路由道路采样点坐标Pij＜＞。

3.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤2具体包括

步骤2.1、历史流量数据统计：获取城市各个路段交叉口进口道左转、直行和右转的流量Qij-left、Qij-right和Qij-straight的实时数据，求取在在城市网络中各个路口中的左转平均统计量右转平均统计量和直行平均统计流量

步骤2.2、设定配时周期：根据设定初始配时周期，其中总损失时间表示为L、交叉口交通流量比Y；

步骤2.3、红绿灯信号配时：按照Webster模型配时得到有效绿灯时间teffective-green、显示绿灯时间tdisplay-green、有效红灯时间teffective-red、显示红灯时间tdisplay-red作为城市交通路口信号灯基准时间；

步骤2.4、阻塞流量疏导：当某路口阻塞时，按照{(t(i,j)＝t0+@t/(i+j):其中i,j＝1，2，3，4，5是指某路段与最近的非阻塞路段组的间隔、t0是该路段原来的绿灯配时通行时间、@t是最近的非阻塞路段增加的通行时间}微调阻塞路段及相邻非阻塞路段的绿灯通行时间；使用图遍历算法依次修正每个路口的有效绿灯时间t'effective-green、显示绿灯时间t'display-green、有效红灯时间t'effective-red、显示红灯时间t'display-red；

步骤2.5、配时恢复；

步骤2.6、截断周期判断：如果全图恢复标准配时的总时间在τ’之内，则对图中的所有配时进行恢复；否则截断图内所有的绿灯配时更新直到完成本轮配时恢复。

4.根据权利要求3所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤2.5具体包括

步骤2.5.1、截断周期：如果恢复时间还在上一个阻塞流量疏导周期之内，则截断上一个阻塞流量疏导周期，开始配时恢复；

步骤2.5.2、获取各路口绿灯配时数据：找到机动车通行最为顺畅的路段L，选择具有最高绿灯配时时间的路口作为最优路口crossproi，另一个作为次优路口；

步骤2.5.3、次优路口邻接最优比较：比较最优路口相邻的三个临界路口和次优路口的绿灯配时时间，选择新的新的最优路口crossproi；

步骤2.5.4、选出最优路口恢复配时：将这个最优路口crossproi恢复配时；

步骤2.5.5、遍历城市道路图、判断图内的是否所有的路口均恢复了标准配时，如果恢复了则进入下一步，否则退回到步骤2.5.4，寻找新的比较。

5.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤3具体包括步骤3.1、路由道路点采样：根据改进的全局路由策略在初步生成的路由点Pij＜＞每隔一段距离进行一次采样，在每组采样聚集点均匀洒下采样点；

步骤3.2、平滑曲线连接各层采样点：将步骤1生成的采样点在层之间排列连接，生成初步的路由曲线的路径规划曲线L＜＞；

步骤3.3、路径生成：在连接点的过程中每条曲线都要保证是最平滑的样条曲线，严格检验曲线及其一次导函数L'＜＞和二次导函数的凸性和L”＜＞的可微性；

步骤3.4、代价计算：使用历史采样得到的非机动车的行驶路径Lnon-motor和机动车行驶路径Lvechile来构造路径代价，在V2X被动避障策略预测中可能途径的采样点按照高斯分布赋予概率代价，即越不可能经过的采样点其对应的概率代价越接近于高斯函数的中间、越有可能过的采样点其对应的概率代价越接近于高斯函数的两边，形成采样点组之间的连接；

步骤3.5、最优路径选择：选择诸多备选路径中选择代价最小的采样点加入到先前的路径之中，形成精确的车辆路由Lacu＜＞。