动态规划出行路径的方法

摘要

本发明涉及出行导航领域，提供一种动态规划出行路径的方法，综合考虑多方面因素并根据用户偏好对出行目标权值进行了调整，合理的给出出行路径。本方概括起来为：首先获取出行数据；然后判断出行的时间模式，如果是当前时间模式，则直接提取当前时间点的最优路径并将其输出；如果是未来一定时间范围模式，则将此时间范围分成多个时间点，依次提取各个时间点的最优路径步骤，比较所有时间点得到的最优路径，确定本次出行的最优路径及出行的时间点。本发明适用于导航系统。

权利要求

1.动态规划出行路径的方法，其特征在于，包括如下步骤：

a.获取出行数据，所述出行数据包括时间模式、出发点、目的点、出行考虑因素及其排序；

b.判断出行的时间模式，如果是当前时间模式，则直接提取当前时间点的最优路径，并将其作为本次出行的最优路径；如果是未来一定时间范围模式，则将此时间范围分成多个时间点，依次提取各个时间点的最优路径步骤，并比较所有时间点的最优路径，确定本次出行的最优路径及出行的时间点；

提取时间点的最优路径的步骤如下：

b1.基于出发点、目的点从路径数据库中提取所有的联通路径；

b2.在所有的联通路径中提取孤立节点，相邻两个孤立节点划分有向图；

b3.采用权重法将相邻孤立节点间的每个联通路径由多目标函数转换为单目标函数，得到每一个联通路径的单目标函数，再对所有的单目标函数进行迪杰斯特拉算法，求解最优目标函数，得到相邻孤立节点间的最优路径；其中，所述多目标函数为由多个出行考虑因素及其排序所确定的函数；

b4.顺序连接各分图的最优路径，得到完整的出行的最优路径；当多车同时请求同一目标的最优路径时，还包括如下步骤：b41.确定并发请求车辆数目；

b42.对并发请求车辆排序分组，得到车辆集合；

b43.依次在车辆集合中取出车辆为其规划最优路径，在每次为第i辆车规划路径后，根据本次最优路径结果集合，增加其所含路段上的车辆行驶数，调整第i+1辆车的拥堵度；

b44.判断是否为所有车辆都规划了最优路径，若是，则输出车辆集合中各个车辆的最优路径；否则，返回步骤b43。

2.根据权利要求1所述的动态规划出行路径的方法，其特征在于，步骤a中所述出行数据还包括车辆特征值，所述车辆特征值包括车辆的高度、重量、类型。

3.根据权利要求2所述的动态规划出行路径的方法，其特征在于，步骤a中所述出行考虑因素包括路程所需时间、出行路程、出行费用、出行舒适度。

4.根据权利要求3所述的动态规划出行路径的方法，其特征在于，步骤b1中所述路径数据库包括城市交通图数据及交通条件数据；

所述城市交通图数据包括路段坐标点、路段长度、路段宽度、交通灯个数、路段基础设施能力；

所述交通条件数据包括根据历史数据预测的各路段在不同时间段的拥堵度、意外事故发生情况、公共事件发生情况、封路情况。

5.根据权利要求4所述的动态规划出行路径的方法，其特征在于，步骤b1具体包括如下步骤：b11.在路径数据库中，针对输入的出发点、目的点提取可行的路段序列集合RT:{ld1,ld2,..ldi,..,ldn}，形成初步的可联通路径集合PTS:{RT1,RT2,..RTi,..,RTn}；

b12.针对车辆特征值，通过比对RT集合中各路段的限制因素，在PTS集合中去掉包含不符合条件路段的RT元素，得到最终的联通路径集合。

说明书

动态规划出行路径的方法

技术领域

[0001] 本发明涉及出行导航领域，特别涉及动态规划出行路径的方法。

背景技术

[0002] 出行路径规划问题是指涉及在一个交通网络中，找出一条满足一系列约束的路线，且使一个目标或多个目标最优化的一类问题。路径优化是智能交通的重要组成部分，在传统的可达路径优化方法中,可分为单目标优化与多目标优化两类，单目标优化是侧重于基于某单一因素为优化目标给出出行路径建议，如最短出行路径，最短出行时间为目标等单一优化路径选择建议；多目标优化是综合考虑其中几种因素，假定几种因素的重要程度分别作为出行优化的主要目标及次要目标给出出行路径优化建议，如以换乘次数最少为主要目标，出行时间最短为次要目标给出路径选择建议。由于单目标路径优化模型难以更好的模拟实际生活中复杂多变的状况，相比而言多目标路径优化更贴近于现实，对实际问题更具有指导意义，已成为当前研究的一个热点问题。随着智能交通的发展，人们对最佳出行路径的需求越来越多样化，道路条件的不确定性也越来越复杂，如何更为合理的给出出行路径及出行时间点建议仍具有一定的研究空间。

发明内容

[0003] 本发明要解决的技术问题是：提供一种动态规划出行路径的方法，综合考虑多方面因素并根据用户偏好对出行目标权值进行了调整，合理的给出出行路径。

[0004] 为解决上述问题，本发明采用的技术方案是：动态规划出行路径的方法，包括如下步骤：

[0005] a.获取出行数据，所述出行数据包括时间模式、出发点、目的点、出行考虑因素及其排序；

[0006] b.判断出行的时间模式，如果是当前时间模式，则直接提取当前时间点的最优路径，并将其作为本次出行的最优路径；如果是未来一定时间范围模式，则将此时间范围分成多个时间点，依次提取各个时间点的最优路径步骤，并比较所有时间点的最优路径，确定本次出行的最优路径及出行的时间点；

[0007] 提取时间点的最优路径的步骤如下：

[0008] b1.基于出发点、目的点从路径数据库中提取所有的联通路径；

[0009] b2.在所有的联通路径中提取孤立节点，相邻两个孤立节点划分有向图；

[0010] b3.采用权重法将相邻孤立节点间的每个联通路径由多目标函数转换为单目标函数，得到每一个联通路径的单目标函数，再对所有的单目标函数进行迪杰斯特拉算法，求解最优目标函数，得到相邻孤立节点间的最优路径；其中，所述多目标函数为由多个出行考虑因素及其排序所确定函数；

[0011] b4.顺序连接各分图的最优路径，得到完整的出行的最优路径。

[0012] 进一步的，步骤a中所述出行数据还包括车辆特征值，所述车辆特征值包括车辆的高度、重量、类型。

[0013] 进一步的，步骤a中所述出行考虑因素包括路程所需时间、出行路程、出行费用、出行舒适度。

[0014] 进一步的，其特征在于，步骤b1中所述路径数据库包括城市交通图数据及交通条件数据；

[0015] 所述城市交通图数据包括路段坐标点、路段长度、路段宽度、交通灯个数、路段基础设施能力；所述交通条件数据包括根据历史数据预测的各路段在不同时间段的拥堵度、意外事故发生情况、公共事件发生情况、封路情况。

[0016] 进一步的，步骤b1具体包括如下步骤：

[0017] b11.在路径数据库中，针对输入的出发点、目的点提取可行的路段序列集合RT:{ld1,ld2,..ldi,..,ldn}，形成初步的可联通路径集合PTS:{RT1,RT2,..RTi,..,RTn}；

[0018] b12.针对车辆特征值，通过比对RT集合中各路段的限制因素，在PTS集合中去掉包含不符合条件路段的RT元素，得到最终的联通路径集合。

[0019] 进一步的，当多车同时请求同一目标的最优路径时，步骤b3还包括如下步骤：

[0020] b31.确定并发请求车辆数目；

[0021] b32.对并发请求车辆排序分组，得到车辆集合；

[0022] b33.依次在车辆集合中取出车辆为其规划最优路径，在每次为第i辆车规划路径后，根据本次最优路径结果集合，增加其所含路段上的车辆行驶数，调整第i+1辆车的拥堵度；

[0023] b34.判断是否为所有车辆都规划了最优路径，若是，则输出车辆集合中各个车辆的最优路径；否则，返回步骤b33。

[0024] 本发明的有益效果是：本发明不仅对出行因素进行了全面的考虑，并根据用户偏好对出行目标权值进行了调整，在目标函数的建立上更为合理。同时，本方法考虑到多辆车同时在同一出发点请求同一目的地的情况，采用对请求车辆排队并随着推荐的最优路径动态调整拥堵度的方式，合理对并发请求的情况进行调度，避免交通拥堵的发生。进一步的，本方法在选用最短路径算法前对有向图进行了分图的处理，可缩小搜索范围，加快搜索效率。

附图说明

[0025] 图1为提取时间点的最优路径流程图；

[0026] 图2为本发明最优路径分图计算流程图；

[0027] 图3并发请求动态分配最优路径流程。

具体实施方式

[0028] 本发明需要综合考虑出行者对出行考虑因素的偏好性，出行者出行时间点的不确定性，多车并发请求造成的交通变化等因素，并在求解最优路径时，对有向图进行划分，缩小搜索范围，提高搜索效率。不仅可为出行者动态提供当前时刻的最优出行路径，也可为出行者提供某个时间范围内的最优出行时间点及最优出行路径。

[0029] 下面结合附图和实施例对本发明进一步说明。

[0030] 本实施例在出行时间为当前时刻时，根据输入的出行数据，在出行路径数据库中提取当前时间所属时间段对应的出行路径数据，结合多目标路径优化计算方法，给出初始最佳出行路径。

[0031] 在出行时间为一定时间范围时，根据输入的出行数据，在出行路径数据库中提取所输入的出行时间范围内对应的所有时间段内出行路径数据，针对不同时间段进行计算，比对所有时间段内得到的最优解，给出最优的出行时间点及出行路径。

[0032] 以下为本实施例的具体步骤：

[0033] 步骤S1、获取出行者的出行数据，即获取出行者输入的出行时间点、出发点、目的点、车辆特征值、出行考虑因素及其排序等。其具体包括以下几个部分：

[0034] S11、获取出行者选择的出行时间点模式。出行时间点分为两种模式，一种为当前时刻，一种为未来的某时间范围区间。出行者根据其需要选择某一种出行时间点模式。

[0035] S12、获取出发点与目的点。

[0036] S13、获取出行者选择出行考虑因素并排序。出行考虑因素至少包括路程所需时间、出行路程、出行费用、出行舒适度等。出行者选择出行考虑因素中的一种或多种并对所选的出行考虑因素的重要度进行排序。

[0037] S14、获取车辆特征值。由于驾驶法规和道路基础设施能力有限，车辆的高度、重量、类型是确定最佳路径的重要指标，因此，车辆特征值至少包括车辆的高度、重量、类型等。出行者输入其车辆的车辆特征值。

[0038] 例如，出行者选择出行时间模式，可选择当前时间t，也可选择未来某时间范围t1至t2；给出出发点X，目的点Y；选择出行考虑因素并排序如选择出行时间T，出行路程S，出行费用M，出行舒适度C，排序为S>T>C>M；车辆特征值为车辆高度H，重量W，类型F。

[0039] 步骤S2、判断出行的时间模式，如果是当前时间模式，则直接提取当前时间点的最优路径，并将其作为本次出行的最优路径；如果是未来一定时间范围模式，则将此时间范围分成多个时间点，依次提取各个时间点的最优路径步骤，并比较所有时间点的最优路径，确定本次出行的最优路径及出行的时间点，其中，时间点长短的切分可根据实际需要进行划分。

[0040] 如图1所示，提取时间点的最优路径步骤如下：

[0041] 步骤S21、基于出发点、目的点从路径数据库中提取所有的联通路径。

[0042] 针对获取到的出行者输入的出发点、目的点，结合出路径数据库及路径规划方法，针对出行时间为当前时刻的情况，给出初始最优出行路径；针对出行时间为未来某时间范围区间的情况，给出最优出行时间点及出行路径。其具体包括以下几个部分：

[0043] a、建立路径数据库，其内容至少包括城市交通图数据及交通条件数据。

[0044] 其中，城市交通图数据至少包括路段坐标点、路段长度、路段宽度、交通灯个数、路段基础设施能力等信息。

[0045] 交通条件数据至少包括根据历史数据预测的各路段在不同时间段的拥堵度、意外事故发生情况、公共事件发生情况、封路情况等相关数据。

[0046] 为便于直观理解，本例中简单的给出如下示例：其中表1为路段基本信息表，表2为路段基础设施能力信息表，表3为路段动态信息表(需区分实时与历史预测)。

[0047] 表1路段基本信息表

[0048]

[0049] 表2路段基础设施能力信息表

[0050]路段名 车高限制 车重限制 类型限制
ld1 小于2.5米 小于10吨 小型车
ld2 … … …

[0051] 表3路段动态信息表

[0052]

[0053]

[0054] b、提取联通路径集合。

[0055] 具体的，提取联通路径集合的方法为：在出发点和目的点之间存在多条有效的联通路径，其又由多个路段构成。首先在路径数据库中，针对输入的出发点X、目的点Y，根据路段坐标提取可行的路段序列集合RT:{ld1,ld2,..ldi,..,ldn}，初步形成可联通路径集合PTS:{RT1,RT2,..RTi,..,RTn}；再针对输入车辆高度H，重量W，类型F等车辆特征值，通过比对RTi集合中各ldi的车高限制、车重限制、类型限制等因素，在PTS集合中去掉包含不符合条件的ldi的RTi元素，进一步得到有效的联通路径集合。

[0056] 步骤S22、在所有的联通路径中提取孤立节点，相邻两个孤立节点划分有向图。

[0057] 最优路径算法的实质是在一个带权有向图中寻求最短路径，可将各路段的最优目标函数看作路段的权值，有效的联通路径集合配合路段的权值构成基础的带权有向图。假设有向图如图2所示，U为起点，V为终点，在起点与终点间存在多个路径节点。若在路径节点中存在孤立节点，即车辆从起点到终点的必经节点，如图中的J、K、Q点。在有向图寻优的过程中，可将J、K、Q点作为中间节点，对有向图进行划分，同时找寻U到J的最优路径，J到K的最优路径，K到O的最优路径，O到V的最优路径，将找寻到的最优路径顺序连接后即可得到U到V的最优路径。特别的，对于类似J到K的孤立节点间只存在一条路径的情况下，直接默认其为选择的路径。

[0058] 步骤S23、计算相邻孤立节点间的最优路径：

[0059] 在求解目标函数时，将车辆特征值作为选择可用有效路径的考量因素；将路段宽度、交通灯个数、拥堵度等作为建立出行舒适度函数的主要考量因素；将出行考虑因素排序顺序作为对目标函数加权时的主要考量因素；将交通条件数据作为多目标路径优化计算中的不确定性条件因素。

[0060] 针对输入的出行时间，在有效的联通路径集合中选取最优路径时，这里，选取权重法作为多目标优化方法，即将所有目标函数，依据其重要度乘以一个权值，转换为单目标问题求解。用F表示路径的最优目标函数，F值越小，路径越优。路径的最优由构成其的路段的整体最优来决定。即 其中，Fldi指第i路段的最优目标函数。

[0061] 针对出行者输入的出行考虑因素及排序S>T>C>M，可知，Fldi由路段的S,T,C,M相关函数决定。即Fldi＝λ1fS+λ2fT+λ3fC+λ4fM，其中，λi≥0， λ1、λ2、λ3、λ4指出行考虑因素所占的权重，该权重由出行考虑因素的重要度排序来决定，具体取值可结合实际的应用环境来进一步决定；fS、fT、fC、fM分别指由路段的S、T、C、M的确定相关函数。其中，fS＝f(l)，fS为路段长度l的函数；fT＝f(l,y,e,g)，fT为某时间段的路段长度l、拥堵度y、意外事故发生率e、公共事件发生率g等的函数；fC＝f(y,d,k)，fC为路段交通灯个数d、路段宽度k、某时间段的拥堵度y等的函数；fM＝f(l,y)，fM为路段长度l、某时间段的拥堵度y等的函数。

[0062] 即 后续可采用如Dijkstra算法等最优路径算法求解min(F)，即可得到某个时间点的最优路径。需要说明的是，所述的Dijkstra(迪杰斯特拉)算法是一种典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径，此法正好可以用在本实施例上。

[0063] 进一步，当多车几近同时请求同一目标的最优路径时，若系统对此给出相同的最优路径，当多辆车都按此路径行驶，则势必造成交通拥堵度y的变化，从目标函数来看，拥堵度y与出行时间T，出行费用M，出行舒适度C等出行考虑因素都相关，则原本最优的路径可能变得不优。

[0064] 在求解最优目标函数F的过程中，将车辆调度的思想纳入其中，将并发请求数目纳入考虑，当多车同时请求同一目标的最优路径时，对请求进行排队，根据请求数目的增加，动态调整拥堵度y。其具体过程如图3所示，从图中可知，对同一出发点同时并发请求同一目标点的车辆进行排序得到本次计算最优路径的车辆集合C，依次车辆集合中取出车辆为其规划最优路径，在每次为第i辆车规划路径后，根据本次最优路径结果集合，增加其所含路段上的车辆行驶数，调整拥堵度y，进而调整目标函数F，而下一辆即第i+1辆车则依赖根据第i辆车的最优路径结果调整后的目标函数F求解最优路径，依次类推，求得车辆集合C中每一辆车的最优路径。

[0065] 步骤S24、顺序连接各分图的最优路径，得到完整的出行的最优路径。

[0066] 以上就是本发明的具体实施步骤，实施例在利用Dijkstra算法等最短路径算法求解最优目标函数F的过程中，将分图的思想引入其中，根据孤立节点进一步的对有向图进行划分，限制搜索目标,提高搜索效率。

[0067] 上描述了本发明的基本原理和主要的特征，说明书的描述只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。