基于车联网的实时路径规划和POI信息检索系统及方法与流程

本发明属于智能交通领域，具体涉及一种基于车联网的实时路径规划和POI信息检索系统及方法。

背景技术：

近年来，由于汽车保有量的增长和交通设施建设的滞后，交通拥堵问题变得日益突出，交通安全问题也日益增多。因此，交通智能化，平安快捷高效出行等越来越受到人们的关注。在此背景下，智能交通系统的概念被提了出来，车联网作为智能交通系统中的重要组成部分受到了各界的广泛关注和研究。在车联网中，车与车、车与路面单元通过车载无线自组织网络进行相互通信，同时车载终端还接入了互联网，用户可以获得辅助驾驶的多种功能，例如路径规划和POI信息检索等。

车联网目前处于研究和试验阶段，基于车联网的很多功能被提了出来，既丰富了车联网的研究内容，也为未来的出行生活带来了很多美好的设想。本发明着重于基于车联网出行的基础功能，即路径规划和POI信息检索。基于可视化的电子地图，再结合这两大基础功能，车主用户无论到达哪个城市，都能畅行无阻，不会迷路。路径规划是车主出行的第一刚需。车辆通过GPS获取自身位置信息，借助于电子地图，匹配自身的位置，找出到达行驶目的地的最优行驶路线，并在电子地图上引导车主开往目的地。POI信息检索是车主出行的又一刚需，当车主不熟悉当前城市环境时，就需要借助于POI信息检索来找到合适的去向，例如酒店、车站、机场等。因此，为车主提供实时、高效、可靠的行驶路线以及POI信息检索结果就显得非常重要。另外，好的路径规划系统不仅为车主提供最优的出行方案，还可以在一定程度上减轻城市交通拥堵状况。

技术实现要素：

本发明的目的在于提供一种基于车联网的实时路径规划和POI信息检索系统及方法，具体技术方案如下。

基于车联网的实时路径规划和POI信息检索系统，包括车载终端和服务器端，车载终端安装在车内用于与车主进行人机交互，包括用于接入车联网的车载无线自组织网络模块、用于采集车辆状态信息的车辆状态数据采集模块、用于控制协调系统中构成模块工作的ARM嵌入式主控模块、用于提供给用户进行人机交互的可视化车载终端APP；服务器端用于建立地图数据库模型，为接入的各车载终端提供功能服务，包括路径规划和POI信息检索；每个加入车联网系统的车载终端都需要与服务器端建立连接，连接建立后能任意使用服务器提供的功能；车联网系统中各车辆周期性采集车辆状态信息，并上传到服务器端；服务器端根据车辆状态信息将车辆匹配到地图模型中相应路段上，并更新所在路段的实时交通信息；服务器端利用各路段的实时交通信息和历史交通信息，并结合短时交通流预测算法预测各路段在未来较短时间内的交通状况；用户在车载终端输入路径请求起终点和搜索条件并向服务器端发出路径规划请求，服务器端收到请求，并基于地图数据模型的实时交通数据和预测交通数据搜索用户出行的最佳驾驶路线；车辆在行驶过程中，根据交通状况实时动态数据适时更新最优行驶路线；用户还能在车载终端向服务器端发出POI信息检索请求，服务器端根据请求内容搜索车辆周边的POI信息并返回给车载终端显示。

进一步地，所述服务器端包括：

用于提供各种地图服务的基于开源地图OSM自建的地图数据模型；

用于接受车联网中车辆与服务器端保持或断开连接的车辆连接管理系统；

用于将来自车载终端的各种消息分发到相应子处理系统的消息分发器系统；

用于在地图模型中对车辆位置进行匹配的地图匹配子系统；

用于对各路段进行短时交通流预测的短时预测子系统；

用于响应用户路径规划请求的路径搜索子系统；

用于响应用户搜索POI信息和输入起终点名称时给予提示的POI信息检索子系统；

用于交互信息存储的数据库服务子系统。

进一步地，车载终端还包括3\4G接入网模块，用于在车联网中网络不畅的情况下，提供互联网接入；所述车载终端与服务器端可通过3\4G接入网模块或车载无线自组织网络模块接入互联网，并且车联网中的车载无线自组织网络模块具有更高的优先级。

进一步地，所述车辆状态信息包括利用车辆GPS获取的位置信息（经纬度、高度）、利用数据采集模块获取的车辆行驶速度、加速度、方向和车辆状态（加速及加速级别、转弯及转弯级别、疲劳驾驶、碰撞与侧翻等）；所述数据采集模块包括状态采集传感器和疲劳驾驶监测系统；状态采集传感器包括三轴陀螺仪、方向传感器和加速度传感器。

所述ARM嵌入式主控模块可安装相应操作系统，并在其上开发车载终端APP，用于控制和协调其他各模块的功能并提供人机交互的功能；

进一步地，所述可视化车载终端APP提供可视化的地图窗口界面，用于和车主进行交互；主要交互信息包括路径规划窗口和POI信息检索窗口；在路径规划窗口上，车主能输入起终点位置，并根据搜索条件向服务器端发送路径规划请求；所述搜索条件包括距离最短、用时最少、收费最少等多项选择；同时，车主在输入起终点时，APP会向服务器发出POI信息检索请求获取多条匹配项，提示给车主选择输入；在POI信息检索窗口上，车主可选择常用的POI进行POI信息检索，例如酒店、机场、火车站、加油站等，或自己输入检索内容提交给服务器端进行检索，并最终将检索结果展示在地图界面上，供车主选择查看。

进一步地，所述地图数据模型是基于开源地图OSM数据库，解析OSM地图数据，重建适合本系统功能的地图数据模型，地图数据模型包括路段节点信息表（nodes）、路段信息表（sessions）、道路信息表（ways）以及POI数据库（pois），在地图数据模型的基础上提供包括路径规划和POI信息检索的地图服务。

进一步地，所述的车辆连接管理系统是负责系统内大量行驶车辆与服务器的连接和断开状态的管理，包括安全接入和安全断开，保证车辆与服务器端长时间、高并发的连接请求，保证系统正常运行；

所述的消息分发器系统负责将各车辆发送的请求消息根据不同的服务号将消息分发给不同功能的子系统，交由各子系统分别处理相应消息；

所述的地图匹配子系统将接收到各车载终端的车辆状态中的位置信息在自建的地图模型中匹配到具体的路段，在匹配过程中，考虑车辆行驶方向和各路段方向的夹角以及车辆位置与各路段的距离计算相应的匹配值，将两个匹配值加权求和取最小值对应的路段；匹配到路段之后，将该车辆状态信息更新到匹配路段。

进一步地，所述的路径搜索子系统接受用户请求，根据用户请求的起终点和搜索条件利用Dijkstra算法和A*算法在自建地图数据模型上搜索最优的行驶路线；所述的搜索条件主要包括距离最短、用时最少和最少收费；

所述的POI信息检索子系统在用户输入起终点时，接收用户已输入的文字并在POI数据库中找到最为匹配的多个POI项，提示给用户进行选择；另外，当车主搜索周边的POI信息时，根据常见的POI或者用户自己输入的POI进行POI信息检索；

所述的数据库服务子系统用于存储系统运行过程中的交互信息，包括车载终端的连接时间，车载终端与服务器端的通讯信息以及系统运行的日志文件信息。

进一步地，所述的短时预测子系统利用各路段获得的车辆状态信息计算路段自身的交通流参数，并根据当前的和历史的交通流参数预测未来短时间内的交通流状况；预测间隔为5分钟，系统能预测未来5min、10min、15min时刻的交通流参数值。

利用所述基于车联网的实时路径规划和POI信息检索系统的实时路径规划和POI信息检索方法，其中实时路径规划包括：

步骤1：基于开源地图OSM数据库，构建新的地图数据模型，模型内容包括路段节点信息表、路段信息表、道路信息表以及POI数据库；

步骤2：车载终端接入服务器端后，会将车载终端采集的车辆状态信息上传到服务器端，地图匹配子系统会利用车辆的位置信息将车辆匹配到最优的道路位置上，并将车辆状态的其他信息更新到这个路段上，然后短时预测子系统利用各路段实时的和历史的交通流数据来预测未来设定时间段的交通流状况；

步骤3：当用户发送路径规划请求到达服务器端时，服务器端利用用户设置的搜索条件，在自建的地图数据库模型中进行路径搜索；当用户想要用时最少时，搜索过程还会利用短时预测的结果，搜索出用时最少的出行路线；

步骤4：用户接收到服务器端返回的规划路线后，解析返回数据，并在电子地图上可视化显示出来，用于引导车主到达目的地；

POI信息检索包括：

步骤1：用户输入检索的内容，比如常用检索内容包括酒店、饭店、车站、飞机场、加油站等，并发检索请求发送到服务器端；所述输入包括两个界面的输入，在路径规划请求界面上，当用户输入起终点时，APP会将用户输入内容发送到服务器进行POI检索，将检索结果提供给用户选择输入；在POI信息检索界面上，为车主提供直接的POI检索服务；

步骤2：服务器端接收到检索请求，若是起终点的检索，则搜索整个POI数据库，否则就以车辆当前位置为中心，在地图数据库模型中搜索出满足检索请求的POI，并将检索结果返回给车载终端；

步骤3：车载终端根据检索结果，将检索得到的POI信息在车主输入提示列表或电子地图上标注出来，供车主查看和选择。

与现有技术相比，本发明具有如下优点和技术效果：

本发明基于车联网平台，借助于开源地图OSM数据库，利用实时采集的交通数据和历史大数据，为车联网系统中的车辆提供路径规划和POI信息检索功能。系统具有实时性和准确性的特点，在此基础上为用户提供快捷可靠的路径出行方案，而且还能在一定程度上减轻城市交通拥堵状况。

附图说明

图1为实例中基于车联网的实时路径规划和POI信息检索系统整体架构图。

图2为实例中地图匹配子系统的实现流程图。

图3为实例中短时预测子系统的结构图。

图4为实例中路径搜索Dijkstra算法实现流程图。

具体实施方式

以下结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此，需指出的是，以下若有未特别详细说明之处，均是本领域技术人员可参照现有技术实现的。

如图1，基于车联网的实时路径规划和POI信息检索系统，包括车载终端和服务器端，车载终端安装在车内用于与车主进行人机交互，包括用于接入车联网的车载无线自组织网络模块、用于采集车辆状态信息的车辆状态数据采集模块、用于控制协调系统中构成模块工作的ARM嵌入式主控模块、用于提供给用户进行人机交互的可视化车载终端APP；服务器端用于建立地图数据库模型，为接入的各车载终端提供功能服务，包括路径规划和POI信息检索；每个加入车联网系统的车载终端都需要与服务器端建立连接，连接建立后能任意使用服务器提供的功能；车联网系统中各车辆周期性采集车辆状态信息，并上传到服务器端；服务器端根据车辆状态信息将车辆匹配到地图模型中相应路段上，并更新所在路段的实时交通信息；服务器端利用各路段的实时交通信息和历史交通信息，并结合短时交通流预测算法预测各路段在未来较短时间内的交通状况；用户在车载终端输入路径请求起终点和搜索条件并向服务器端发出路径规划请求，服务器端收到请求，并基于地图数据模型的实时交通数据和预测交通数据搜索用户出行的最佳驾驶路线；车辆在行驶过程中，根据交通状况实时动态数据适时更新最优行驶路线；用户还能在车载终端向服务器端发出POI信息检索请求，服务器端根据请求内容搜索车辆周边的POI信息并返回给车载终端显示。

作为实例，所述服务器端包括：

用于提供各种地图服务的基于开源地图OSM自建的地图数据模型；

用于接受车联网中车辆与服务器端保持或断开连接的车辆连接管理系统；

用于将来自车载终端的各种消息分发到相应子处理系统的消息分发器系统；

用于在地图模型中对车辆位置进行匹配的地图匹配子系统；

用于对各路段进行短时交通流预测的短时预测子系统；

用于响应用户路径规划请求的路径搜索子系统；

用于响应用户搜索POI信息和输入起终点名称时给予提示的POI信息检索子系统；

用于交互信息存储的数据库服务子系统。

作为实例，车载终端还包括3\4G接入网模块，用于在车联网中网络不畅的情况下，提供互联网接入；所述车载终端与服务器端可通过3\4G接入网模块或车载无线自组织网络模块接入互联网，并且车联网中的车载无线自组织网络模块具有更高的优先级。

所述车辆状态信息包括利用车辆GPS获取的位置信息（经纬度、高度）、利用数据采集模块获取的车辆行驶速度、加速度、方向和车辆状态（加速及加速级别、转弯及转弯级别、疲劳驾驶、碰撞与侧翻等）；所述数据采集模块包括状态采集传感器和疲劳驾驶监测系统；状态采集传感器包括三轴陀螺仪、方向传感器和加速度传感器。

所述ARM嵌入式主控模块可安装相应操作系统，并在其上开发车载终端APP，用于控制和协调其他各模块的功能并提供人机交互的功能；所述可视化车载终端APP提供可视化的地图窗口界面，用于和车主进行交互；主要交互信息包括路径规划窗口和POI信息检索窗口；在路径规划窗口上，车主能输入起终点位置，并根据搜索条件向服务器端发送路径规划请求；所述搜索条件包括距离最短、用时最少、收费最少等多项选择；同时，车主在输入起终点时，APP会向服务器发出POI信息检索请求获取多条匹配项，提示给车主选择输入；在POI信息检索窗口上，车主可选择常用的POI进行POI信息检索，例如酒店、机场、火车站、加油站等，或自己输入检索内容提交给服务器端进行检索，并最终将检索结果展示在地图界面上，供车主选择查看。所述地图数据模型是基于开源地图OSM数据库，解析OSM地图数据，重建适合本系统功能的地图数据模型，地图数据模型包括路段节点信息表（nodes）、路段信息表（sessions）、道路信息表（ways）以及POI数据库（pois），在地图数据模型的基础上提供包括路径规划和POI信息检索的地图服务。所述的车辆连接管理系统是负责系统内大量行驶车辆与服务器的连接和断开状态的管理，包括安全接入和安全断开，保证车辆与服务器端长时间、高并发的连接请求，保证系统正常运行；所述的消息分发器系统负责将各车辆发送的请求消息根据不同的服务号将消息分发给不同功能的子系统，交由各子系统分别处理相应消息；所述的地图匹配子系统将接收到各车载终端的车辆状态中的位置信息在自建的地图模型中匹配到具体的路段，在匹配过程中，考虑车辆行驶方向和各路段方向的夹角以及车辆位置与各路段的距离计算相应的匹配值，将两个匹配值加权求和取最小值对应的路段；匹配到路段之后，将该车辆状态信息更新到匹配路段。

所述的路径搜索子系统接受用户请求，根据用户请求的起终点和搜索条件利用Dijkstra算法和A*算法在自建地图数据模型上搜索最优的行驶路线；所述的搜索条件主要包括距离最短、用时最少和最少收费；

所述的数据库服务子系统用于存储系统运行过程中的交互信息，包括车载终端的连接时间，车载终端与服务器端的通讯信息以及系统运行的日志文件信息。

所述的短时预测子系统利用各路段获得的车辆状态信息计算路段自身的交通流参数，并根据当前的和历史的交通流参数预测未来短时间内的交通流状况；预测间隔为5分钟，系统能预测未来5min、10min、15min时刻的交通流参数值。

作为实例，车载终端10是车载终端，车载终端可以利用车联网自有网络或者通过运营商网络接入服务器端，从而享有服务器提供的地图功能。车载终端中11模块基于Android系统实现，开发车载终端APP，为车主提供人机交互界面，车主可以使用基本的路径搜索和POI信息检索功能，同时，它通过数据采集模块13获取车辆状态信息，并周期性上传到服务器端。服务器端20包括的子系统21是基于开源地图OSM数据库自建的地图数据库模型，它是服务器端提供的各种地图功能的基础。各子系统之间有一定的关联性，车联网系统中的车辆上传的车辆状态信息发送到服务器端后，地图匹配子系统22首先对其进行地图匹配，匹配到某路段后，将车辆状态信息更新到该路段上，根据这些信息可以计算各路段的交通流参数。这里产生的交通流参数正是短时预测子系统23所需要的，短时预测子系统利用实时的和历史的交通流参数预测未来短时间内的交通流状况。当搜索条件为用时最少时，路径搜索子系统24会结合当前实时交通流参数和短时预测的未来交通流参数进行路径规划。另外，路径搜索也是实时更新的，也即当车辆在行驶的路途中，系统会利用实时数据重新搜索最优路径，并反馈给车载终端APP。POI信息检索子系统25在用户输入起终点时，接收用户已输入的文字并在POI数据库中找到最为匹配的多个POI项，提示给用户进行选择；另外，当车主搜索周边的POI信息时，根据常见的POI或者用户自己输入的POI进行POI信息检索。各子系统的实现流程图分别如附图2、附图3、附图4所示。

图2展示了地图匹配的实现举例。它接受车载终端周期性上传的车辆状态信息，并以此匹配到路段上，并保存为匹配路段交通流参数。具体实施方案描述如下：车载终端在车辆行驶过程中，通过GPS周期性获取车辆地理位置信息，描述为State_Loc，具体包含经纬度坐标，并上传至服务器端；服务端接收数据后进行地图匹配。首先在自建地图数据库中找出State_Loc某一误差范围内的所有节点，描述为Gps_Nodes，然后找出所有这些节点所在的路段，描述为Gps_Sessions，接着计算State_Loc与Gps_Sessions中所有路段的匹配度，找出匹配度最好的一个路段，描述为Gps_MinSession，最后计算State_Loc在这个路段上的投影位置，这个投影位置就是车辆匹配到地图上的位置。匹配完成后，将车辆上传的参数信息更新到匹配路段。

如前所述匹配度的计算方法为：首先根据车辆当前位置信息和上一次上传的位置信息，计算车辆的行驶方向，根据这个方向和Gps_Sessions中各路段的方向，计算出他们的方向匹配度，方向匹配度越小越好，也就是他们的方向越一致；然后利用当前位置信息计算到达Gps_Sessions中各路段的垂线距离，从而计算出距离匹配度，距离匹配度也是越小越好，表示它离这个路段越近。最后，对方向匹配度和距离匹配度进行加权求和，即得到路段匹配度。

图3展示了短时预测的系统结构图。短时预测子系统接收实时交通流参数，并结合历史交通流数据，通过小波神经网络计算未来短时间内的交通流状况，这个计算过程会周期性的进行。交通流的三个重要参数为交通速度、交通量和交通密度（或占有率），车联网系统中，根据车辆上传到服务端的大量位置信息，可以计算出各路段的交通流参数。然后将当前的交通流参数值输入到短时预测系统中，系统会结合历史交通流数据，预测出未来短时间内的交通流状况。

作为一种实例，如图3所示，短时预测系统包括预处理器和小波神经网络（WNN）两个部分，输入值作为输入，预测值作为输出。预处理器主要用来对输入值以及历史值进行滤波,图中S(k)表示在k时刻的交通流值（可以是交通速度、交通量或占有率，不同的参数对应不同的短时预测系统），m(k)、m(k-1)、m(k-i+1)、m(k-m+1)表示经过预处理器处理后的输出值，分别对应k、k-1、k-i+1、k-m+1时刻，例如m(k)是经s(k)和前m-1个时刻的预处理值m(k-1)、m(k-i+1)、m(k-m+1)加权后得到，x1、x2...xm是其加权系数，这些加权系数一般表现为一个低通滤波器。

小波神经网络用于预测未来的短时交通流，此处的小波神经网络包含三层，即输入层、隐层和输出层。图中的每一个椭圆都表示小波神经网络中的一个神经元，其中的函数f、g、h是神经元的激活函数，它也是一个小波函数。输入层接收输入，这里即为m(k)、m(k-1)...m(k-m+1)，输出层神经元的输出即为系统的输出，Wmk是从输入层到达隐层的权系数，Wkn是从隐层到达输出层的权系数。小波神经网络包含两个过程：训练和预测。首先给系统提供大量历史交通流数据，训练系统的模型参数；然后给定输入，小波神经网络可以预测输出。本系统在每天结束后会利用当天数据对系统进行再训练，使得系统具有时效性，克服小波神经网络的模型特性。

图4展示了路径搜索的实现流程。这个实现流程是以Dijkstra算法为基础的，它从路径规划请求起点开始，不断搜索周围的路段节点，直到到达路径规划请求终点为止。路径搜索算法的另一种实现为A*算法，搜索流程跟Dijkstra大致相似。

上述Dijkstra算法实现流程描述如下：基于OSM自建的地图数据库是一个带权有向图，这个权值可以是路段的长度、行驶时间或者是收费情况。Dijkstra算法维护两个点集Open集合和Close集合，分别表示即将搜索和已经搜索的点集合，这两个集合在搜索前均为空，并且所有遍历到的节点都有一个distance值。首先从路径请求起点开始，将起点加入到Open集合中，并设置其distance为0，然后按如下步骤进行：

（1）判断Open集合是否为空，若为空，则搜索失败，退出搜索；

（2）从Open集合中找出distance值最小的节点i；

（3）判断节点i是否为路径请求终点，如果是，则搜索成功，结束搜索；

（4）将节点i加入到Close集合中，然后将节点i连接的所有邻接点（除去那些已经在Close集合中的节点）都加入到Open集合中；

（5）通过节点i计算Open集合中所有邻接点新的distance值，并判断新distance值与原distance值的大小，如果更小，则更新distance值，否则就不需要更新，然后跳回第（1）步，直到算法结束。

算法执行完成以后，所有Close集合中的节点的distance值即为从起点到达该节点的最短距离。A*算法实现步骤基本一致，但计算distance的方式不一样，A*还考虑了搜索的节点到达终点的距离，即将距离起点和距离终点的距离进行某种加权求和得到distance值。

利用所述基于车联网的实时路径规划和POI信息检索系统的实时路径规划和POI信息检索方法，其中实时路径规划包括：

步骤1：基于开源地图OSM数据库，构建新的地图数据模型，模型内容包括路段节点信息表、路段信息表、道路信息表以及POI数据库；

步骤2：车载终端接入服务器端后，会将车载终端采集的车辆状态信息上传到服务器端，地图匹配子系统会利用车辆的位置信息将车辆匹配到最优的道路位置上，并将车辆状态的其他信息更新到这个路段上，然后短时预测子系统利用各路段实时的和历史的交通流数据来预测未来设定时间段的交通流状况；

步骤3：当用户发送路径规划请求到达服务器端时，服务器端利用用户设置的搜索条件，在自建的地图数据库模型中进行路径搜索；当用户想要用时最少时，搜索过程还会利用短时预测的结果，搜索出用时最少的出行路线；

步骤4：用户接收到服务器端返回的规划路线后，解析返回数据，并在电子地图上可视化显示出来，用于引导车主到达目的地；

POI信息检索包括：

步骤1：用户输入检索的内容，比如常用检索内容包括酒店、饭店、车站、飞机场、加油站等，并发检索请求发送到服务器端；所述输入包括两个界面的输入，在路径规划请求界面上，当用户输入起终点时，APP会将用户输入内容发送到服务器进行POI检索，将检索结果提供给用户选择输入；在POI信息检索界面上，为车主提供直接的POI检索服务；

步骤2：服务器端接收到检索请求，若是起终点的检索，则搜索整个POI数据库，否则就以车辆当前位置为中心，在地图数据库模型中搜索出满足检索请求的POI，并将检索结果返回给车载终端；

步骤3：车载终端根据检索结果，将检索得到的POI信息在车主输入提示列表或电子地图上标注出来，供车主查看和选择。