一种考虑路段相关性的时变随机网络动态路径搜索方法与流程

本发明公开了一种考虑路段相关性的时变随机网络动态路径搜索方法，属于智能交通技术领域。

背景技术：

随着城市的不断发展和扩张，人们的出行需求也越来越多样化和准时化。在实际道路网络中，交通状态在不断变化，突发的交通拥堵可能给出行者带来巨大的损失。所以，如何在实时变化的交通网络中找到从起点到终点的最优路径成为满足出行者出行需求的关键问题。

时变随机网络能够较好地模拟实际路网。在时变随机网络中，每一条路段的行程时间都是一个随机变量，在足够小的时间段内服从某一分布，且该分布的参数也会随着时间的变化而变化。根据实际采集的行程时间数据的分布拟合结果来看，通常行程时间的分布可以假定为正态分布、对数正态分布、伽马分布、威布尔分布等。在时变随机网络中进行路径搜索，比在传统的静态确定性网络中搜索得到的结果更符合实际路网情况，从而使得结果更准确。路段相关性是指路段之间相互关联的性质，可以用路段行程时间的相关系数来量化。在考虑路段相关性的基础上进行路径搜索，较传统假设路段之间相互独立的方式更为合理。

遗传算法是一种对自然的进化过程进行模仿的搜索最优解的方法。首先，算法中会设计编码表示问题的可行解，为简单起见，往往使用二进制编码表示可行解。然后，生成一个初始的可行解群，再按照优胜劣汰原则，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，从而生成新解。接下来，保留其中高质量的解并将较差的解舍弃，按此方式不断循环迭代直至满足终止条件。整个求解过程就像种群不断繁衍进化，后生代种群相比于前代来说，总是能够更好地适应当前所生存的环境。最后我们得到末代种群，将其中最优个体经过反编码，即可作为问题近似最优解。本发明中的动态路径搜索方法将基于遗传算法实现。

技术实现要素：

本发明目的在于改善现有相关技术，提出一种考虑路段相关性的时变随机网络动态路径搜索方法。大量实际路段行程时间数据拟合分布结果表明，对数正态分布对路段行程时间分布的拟合效果最好，所以通常假设路段行程时间服从对数正态分布。因此，在本发明中，以路段行程时间服从对数正态分布为例。在考虑路段相关性时，传统的卷积方法不再适用于计算路径行程时间，多数情况下借助蒙特卡洛仿真的方法生成大量的路段行程时间随机数，然后再通过相加并排序来计算随机网络中的路径行程时间及其可靠性。这种直接应用蒙特卡洛仿真的计算方法需要付出大量的计算成本，往往不能满足动态路径搜索求解时间限制的要求。基于以上技术问题，本发明所提出的方法，不但充分考虑了路网时变、行程时间随机分布、路段相关性等一系列复杂因素，同时，较好地保证了遗传算法的求解速度和求解精度，更有利于实现动态路径搜索方法。

本发明的一种考虑路段相关性的时变随机网络动态路径搜索方法，包括以下几个步骤：

步骤一、采集路网状态信息，并基于预处理后的数据，建立动态行程时间数据库；

步骤二、出行者设定本次出行的始发地、目的地和行程时间可靠度；

步骤三、设置遗传算法参数，并基于所产生的初始路径集及构建的适应度函数计算候选路径适应度；

步骤四、基于遗传算法迭代搜索最优路径，车辆按照迭代后所得到的当前最优路径行驶；

步骤五、通过判断车辆状态及路网状态，实现最优路径的实时更新，以确保车辆持续在最优路径内行驶，直至目的地。

本发明的优点在于：

(1)传统方法一般只考虑静态随机网络或动态确定性网络中的路径搜索，不能很好地将行程时间的动态性和随机性进行综合考虑。而本发明所描述的动态路径搜索方法，可应用于路网状态随时间不断变化的城市交通区域及其他交通区域，并且能够适应随机的路段行程时间对动态路径搜索的影响，同时还考虑到出行者对行程时间可靠度的要求，能够在给定的行程时间可靠度下，为出行者及相关交管部门规划最优路径；

(2)传统方法一般是借助蒙特卡洛仿真方法，在考虑路段相关性的情况下，对路径行程时间分布进行求解，为保证结果的准确度，仿真将花费大量计算时间。而本发明提出用另一分布高精度近似路径行程时间的方法，在用户可能选择的行程时间可靠度范围(0.01～0.99)内，都能很好的与蒙特卡洛仿真的结果近似，从而在解决蒙特卡洛方法计算量巨大的问题的同时，又保证了求解的精度。该方法大大提升了动态路径搜索的可能性；

(3)传统的动态路径搜索方法是判断车辆到达路网中的某一节点之后再判断路网信息是否更新，以及是否重新规划路线。但在实际中，更新数据及进行复杂的动态路径搜索都需要计算时间，而车辆又不可能在路口等待，所以传统方法存在一定的不合理性。在本发明中，车辆自身的定位模块会将车辆位置信息传至中央处理器，处理器通过将位置信息与电子地图比对，判断车辆是否即将到达当前路段的终点。如果判断为真，处理器就继续判断路网信息是否更新以及是否需要重新规划路线，从而确保车辆在到达当前路段终点前就已经规划好下一步的路线，同时又不会因过早重新规划路线而违背最新路网信息。因此，该方法较为符合实际情况。

附图说明

图1为本发明考虑路段相关性的时变随机网络动态路径搜索方法的流程示意图；

图2为本发明中考虑路段相关性的时变随机网络动态路径搜索方法的系统结构框图。

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

本发明是一种考虑路段相关性的时变随机网络动态路径搜索方法，流程图如图1所示，包括如下步骤：

步骤一、采集路网状态信息，并基于预处理后的数据，建立动态行程时间数据库

1a)建立抽象有向图

根据地图信息建立所研究区域的抽象有向图g＝(v,l,t)，其中v＝{1,2,3,...,n}表示研究区域中所有节点集合，l＝{(i,j)|i,j∈v,i≠j}为研究区域中实际存在的所有路段的集合，ti为表示路段i行程时间的随机变量。

1b)实时采集和处理路网状态信息

借助路网中存在的浮动车采集当前路网的状态信息，其中主要包括车辆的行程时间以及经纬度信息。数据预处理后，求出每一时刻每一路段的行程时间平均值和方差。其中，数据预处理是对数据进行重新审查和校验的过程，其目的在于删除重复信息、纠正错误数据，并确保数据的一致性。时刻点的间距可根据行程时间变化快慢和幅度取两分钟、五分钟、十分钟或更长。

1c)建立路网动态行程时间数据库

动态行程时间数模型示例的具体内容如表1所示。

表1动态行程时间数模型示例

步骤二、出行者设定本次出行的始发地、目的地和行程时间可靠度

在该步骤中，出行者需要设定本次出行的三个变量，分别是始发地、目的地和行程时间可靠度。其中，行程时间可靠度α是指出行者在当前位置能够准时到达目的地的概率，范围为0到1之间。不同的可靠度需求，代表着出行者对本次出行不同的重视程度和风险容忍度。通常根据风险容忍度将出行者分为较典型的三类，即冒险型(α<0.5)，中立型(α＝0.5)，保守型(α>0.5)。其中，行程时间可靠度越大，说明出行者的风险容忍度越小，而更倾向于选择大概率准时到达目的地的路径。

步骤三、设置遗传算法参数，并基于所产生的初始路径集及构建的适应度函数计算候选路径适应度

3a)设置遗传算法参数

遗传算法的参数包括种群规模、交叉概率、变异概率、最大迭代次数等。一般种群规模取100～200，交叉概率取0.4～0.9，变异概率取0.0001～0.001，最大迭代次数取一万次。其中，遗传算法的参数是需要根据实际问题的不同来进行调整的。比如在动态路径搜索中，若当前节点距离目的地较近，可以设置较小的初始路径集规模和最大迭代次数，否则设置较大的初始路径集规模和最大迭代次数。同时，遗传算法的终止条件也在此步骤中设置。终止条件可以设为两种，一种是迭代次数达到最大迭代次数时终止算法，一种是当前最优解在一定次数的迭代后仍未更新时终止算法。这两种终止条件也可以同时使用。

3b)产生当前点至目的地的初始路径集

初始路径集的优劣对于求解速度和最终结果的好坏有很大影响。在路径搜索问题中，初始路径集需要在满足无环路的前提下，尽量增大路径集的多样性。为满足无环路的条件，可以在生成初始路径集时令当前节点的下一节点必须离始发地的距离大于当前节点，而离目的地的距离必须小于当前节点。为满足多样性条件，可以在确定当前节点的下一节点时，随机选择一个满足无环路条件的节点。初始路径集的无环路和多样性将保证动态路径搜索具有较快的收敛速度和较好的搜索结果。

3c)构造适应度函数并计算候选路径适应度

对于每一条候选路径或路段序列，需要根据当前的路网状态信息求出该路段序列的协方差矩阵。其中，协方差矩阵中的相关系数对路段间的相关性进行了量化。由于假设路段行程时间服从对数正态分布，而有相关性的对数正态随机变量通过叠加所得到的代表路径行程时间的随机变量，不服从标准的分布形式，所以本步骤采用另一对数正态分布高精度近似路径行程时间分布。该近似方法在用户可能选择的行程时间可靠度值的大范围区域(0.01～0.99)内都能很好的与蒙特卡洛仿真的结果近似，从而不但解决了蒙特卡洛方法计算量巨大的问题，又保证了求解的精度。

候选路径适应度，即每一条候选路径的优良度，将根据如下方法确定：计算该路段序列中每个路段行程时间平均值之和m，以及路段序列协方差矩阵各元素之和v；将m和v经过转换后，得到高精度近似该路径行程时间的对数正态分布的均值参数μ和方差参数δ，即得到该对数正态分布的累积分布曲线；再根据出行者设定的行程时间可靠度，求得该对数正态分布中该行程时间可靠度所对应的行程时间，该行程时间即是该候选路径的适应度。

假设某条候选路径包含n个路段，由这n个路段的行程时间数据计算得到的协方差矩阵如下所示：

其中，

cov(i,j)：表示路段i和路段j行程时间的协方差；

σi：表示路段i行程时间的标准差；

ρi,j：表示路段i和路段j行程时间的相关系数。

该路段序列中每个路段行程时间平均值之和m由公式(2)计算：

tti：表示路段i的平均行程时间

该路段序列协方差矩阵各元素之和v由公式(3)计算：

高精度近似该路径行程时间的对数正态分布的均值参数μ和方差参数δ分别由公式(4)、公式(5)计算：

步骤四、基于遗传算法迭代搜索最优路径，车辆按照迭代后所得到的当前最优路径行驶

4a)遗传操作

包括遗传算法的选择、交叉和变异操作。完成本次迭代后输出当前最优解，并令当前迭代次数s＝s+1。其中，选择操作是筛选出当前所有候选路径中适应度较小的一半候选路径，即舍弃行程时间位于后百分之五十的路径，仅用行程时间排在前百分之五十的路径进行后续的交叉和变异操作。其中，交叉操作是任选两条候选路径，交叉互换它们部分路段序列，得到两条新的候选路径。变异操作是选择某条路径，将它之中的某一路段替换成另一路段，得到一条新的候选路径。注意遗传操作得到的新的候选路径需要满足实际路网中各路段的连通性等约束，若不符合则应舍弃。并且，需要检查子代候选路径是否与它们的父代路径相同，若相同则应舍弃。

4b)判断是否已经迭代至算法终止条件

如果判断结果为否，则返回执行上面的3c)步；如果为是，则继续执行4c)步。

4c)车辆按照当前最优路径行驶

步骤五、通过判断车辆状态及路网状态，实现最优路径的实时更新，以确保车辆持续在最优路径内行驶，直至目的地

5a)判断车辆是否即将到达当前所在路段的终点

车辆自身的定位模块会将车辆位置信息传至中央处理器，处理器通过将位置信息与电子地图比对，判断车辆是否即将到达当前路段的终点。如果判断结果为否，则返回执行上面的4c)步；如果为是，则继续执行5b)步。

5b)判断当前所在路段的终点是否为目的地

如果判断结果为否，则继续执行5c)步；如果为是，则继续执行5d)步。

5c)判断当前路网状态信息是否更新

如果判断结果为否，则返回执行上面的4c)步；如果为是，则返回执行上面的3a)步。

5d)结束路径搜素

出行者即将到达目的地，结束本次动态路径搜索。

基于上述五个具体实施步骤，可以在时变随机网络中求解出一条动态最优路径，使得出行者从既定的始发地和出发时间出发，每一时刻在当前位置准时到达目的地的概率都是出行者设置的行程时间可靠度。该方法能够有效地解决因交通状态的变化性和随机性所造成的出行者在旅途中损失大量时间或不能准时到达目的地的问题。

如图2所示，所述的动态路径搜索系统包含以下模块：

用户需求设置模块，用于设置用户的出行始发地、目的地和行程时间可靠度；

交通状态检测模块，用于实时采集和处理路网中的交通状态信息；

定位模块，用于检测用户当前位置信息；

地图模块，用于存储电子地图信息，包括各路段的长度、位置、连通性等；

决策模块，将定位模块传来的位置信息与地图模块进行匹配，决策判断车辆是否即将到达当前路段终点、当前路段终点是否为目的地等；

动态路径搜索模块，用于综合处理用户需求设置模块、交通状态检测模块、决策模块和路径优良度评价模块传输的多种信息，计算搜索当前动态最优路径；

路径优良度评价模块，用于评价每个候选路径的优良度；

最优路径输出模块，输出当前动态最优路径，供出行者参考。