本發(fā)明涉及動態(tài)選擇路徑技術領域，尤其涉及一種考慮實時信息的動態(tài)路徑選擇方法。

背景技術：

數(shù)字城市與智慧城市的建設促進了移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算等技術的發(fā)展，并直接推動了大數(shù)據(jù)時代的來臨，城市交通進入智能化階段。在交通領域，傳統(tǒng)的數(shù)據(jù)采集向電子化設備與高級應用轉(zhuǎn)變，助力交通大數(shù)據(jù)的形成與發(fā)展。交通大數(shù)據(jù)包括物理空間的數(shù)據(jù)，比如車輛移動的北斗/gps位置數(shù)據(jù)、車輛狀態(tài)數(shù)據(jù)、攝像頭視頻數(shù)據(jù)、天氣數(shù)據(jù)以及路網(wǎng)數(shù)據(jù)等；也包括與人類社會息息相關的移動數(shù)據(jù)，比如手機基站數(shù)據(jù)、交通智能卡數(shù)據(jù)等。交通屬于典型的開放復雜巨系統(tǒng)。在交通建模研究中，機理、知識、數(shù)據(jù)的系統(tǒng)化應用具有特殊的意義。大數(shù)據(jù)為交通模型的建立、標定奠定了基礎，倒逼交通模型的自我完善，特別是混合交通流特性的研究、交通出行行為規(guī)律的發(fā)現(xiàn)、動態(tài)交通流時空特征的提取等基礎問題。

交通誘導的研究是智能交通研究中非常重要的一個方面，而最優(yōu)路徑選擇策略已成為交通誘導的一個重要手段。最優(yōu)路徑選擇策略中，動態(tài)路徑選擇的特點是司機在選擇路徑時所依據(jù)的條件是隨時間動態(tài)變化的，這能夠提供給駕駛員考慮駕駛員個人主觀判斷和最新交通信息的最優(yōu)路徑。

技術實現(xiàn)要素：

為了解決上述存在的問題，本發(fā)明提供一種考慮實時信息的動態(tài)路徑選擇方法，其段出行時間是考慮實時信息的動態(tài)預測，即考慮了在已經(jīng)通過的路段狀態(tài)影響下，駕駛員對剩余路段出行時間的預測，在此基礎上完成動態(tài)路徑選擇，能夠提供給駕駛員考慮駕駛員個人主觀判斷和最新交通信息的最優(yōu)路徑，為達此目的，本發(fā)明提供一種考慮實時信息的動態(tài)路徑選擇方法，其特征在于，該方法包括如下步驟：

1)獲取車輛的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)為某個時間段內(nèi)，n輛小汽車的gps數(shù)據(jù)，以及由gps數(shù)據(jù)推算出來的路段交通狀態(tài)和小汽車位置信息；

2)按照如下方式構建交通狀態(tài)的貝葉斯網(wǎng)絡：

建立出行時間預測的貝葉斯網(wǎng)路結構；

貝葉斯網(wǎng)絡的參數(shù)估計采用em算法即最大期望算法，該算法主要有兩個步驟：

1.初始化分布參數(shù)；

2.重復直到收斂：

e步驟：估計未知參數(shù)的期望值，給出當前的參數(shù)估計；

m步驟：重新估計分布參數(shù)，以使得數(shù)據(jù)的似然性最大，給出未知變量的期望估計；

3)將駕駛員已通過的路段狀態(tài)作為證據(jù)，更新貝葉斯網(wǎng)絡，推斷更新剩余路段的出行時間；

出行時間預測模型可以理解成，當知道某些路段狀態(tài)的情況下，估計剩余路段的狀態(tài)的問題，即，計算未知狀態(tài)路段的后驗概率分布s\s'，其中，e＝{u,s'}；s'為狀態(tài)已知的路段的集合；si∈s\s'，si的后驗概率分布為：

其中，p(x)可以通過貝葉斯網(wǎng)絡系數(shù)計算得：

當路段s的狀態(tài)概率分布更新完成后，就可以估計出路段出行時間分布，估計出行時間的均值，便于后續(xù)直接構建路徑選擇模型：

其中，m(ti|e)為路段i的平均預測出行時間，m(ti|si＝s)可以直接由調(diào)查的歷史數(shù)據(jù)得出，如果沒有駕駛員實時信息的更新，則

4)利用最短路算法，找到更新了路段出行時間的路網(wǎng)上的最短路徑；

dijkstra最短路徑算法包括以下步驟：

step0：初始化；

step1：終止檢驗；

step2：修改t標號；

step3：確定p標號。

本發(fā)明的進一步改進，步驟二中建立出行時間預測的貝葉斯網(wǎng)路結構，其中假設交通網(wǎng)絡上有m個od對，n條路段，變量si表示路段i的狀態(tài)；變量qj表示od對j的交通需求等級；變量u表示路網(wǎng)中交通需求總量的等級，如果路段i是od對j的路徑選擇集里某條路徑上的路段，則qj是si的父節(jié)點；u是所有od對的父節(jié)點，只有od需求等級的變量q＝{q1，…，qm}是路段狀態(tài)變量s＝{s1，…，sn}的父節(jié)點，即，在給定od需求的情況下，所有的路段狀態(tài)之間是相互獨立的，變量q的父節(jié)點是變量u，變量u表示了一天內(nèi)的不同時間段，變量q表示一天的不同時間段內(nèi)od需求量，其中變量u可以自行定義，變量s可以根據(jù)收集的歷史數(shù)據(jù)進行估計，變量q無法直接得出，所以變量q是隱變量。

本發(fā)明一種考慮實時信息的動態(tài)路徑選擇方法，與現(xiàn)有技術相比有益效果如下：

之前研究中，路徑選擇模型中的路徑出行時間主要有兩種，一種是固定的出行時間，另一種是動態(tài)的出行時間。而駕駛員在對出行時間進行預測過程中，會受到外部信息影響，主要包括三類：歷史經(jīng)驗，外部信息和實時推斷。因此，駕駛員在出行過程中，對路段的出行時間不斷的會有新的認知與判斷。之前的研究主要針對歷史經(jīng)驗和外部信息對路段出行時間預測的影響；本發(fā)明則是考慮了實時信息，即駕駛員已經(jīng)通過的路段狀態(tài)對其進行剩余路段狀態(tài)預測的影響。

本發(fā)明通過對路網(wǎng)上車輛的gps數(shù)據(jù)和路段交通狀態(tài)的收集，構建了交通狀態(tài)的貝葉斯網(wǎng)絡。駕駛員行駛至每個決策點時，將已經(jīng)通過的路段狀態(tài)作為證據(jù)，對貝葉斯網(wǎng)絡進行更新，進而重新推斷路段的出行時間。在此基礎上，利用dijkstra最短路徑算法得到該決策點處的一條最短路徑。直到行駛至下一個決策點，重復“更新網(wǎng)絡，推斷出行時間，找最短路”這一過程，完成動態(tài)出行時間預測下的動態(tài)路徑選擇。優(yōu)點在于路段出行時間，是考慮實時信息的動態(tài)預測，即考慮了駕駛員已經(jīng)通過的路段狀態(tài)影響下，駕駛員對剩余路段出行時間的預測，在此基礎上完成動態(tài)路徑選擇。

附圖說明

圖1為本發(fā)明方法的流程圖。

圖2為示例圖，交通狀態(tài)的貝葉斯網(wǎng)絡結構。

圖3為示例圖，案例選取的網(wǎng)絡拓撲結構以及車輛出行路徑。

圖4為示例圖，案例交通狀態(tài)的貝葉斯網(wǎng)絡結構。

圖5為案例交通狀態(tài)下，每個路段估計平均出行時間分析表圖。

圖6為案例交通狀態(tài)下，路段更新平均出行時間分析表圖。

具體實施方式

下面結合附圖與具體實施方式對本發(fā)明作進一步詳細描述：

本發(fā)明提供一種考慮實時信息的動態(tài)路徑選擇方法，其段出行時間是考慮實時信息的動態(tài)預測，即考慮了在已經(jīng)通過的路段狀態(tài)影響下，駕駛員對剩余路段出行時間的預測，在此基礎上完成動態(tài)路徑選擇，能夠提供給駕駛員考慮駕駛員個人主觀判斷和最新交通信息的最優(yōu)路徑。

本發(fā)明一種考慮實時信息的動態(tài)路徑選擇方法具體步驟如下：

1)根據(jù)車輛的歷史數(shù)據(jù)，構建交通狀態(tài)的貝葉斯網(wǎng)絡

原始的10000多輛北京出租車gps數(shù)據(jù)，是一系列地點坐標。cennavi進行了地圖匹配和出行時間估計，并且提供了一個星期的考慮路段交通狀態(tài)的歷史數(shù)據(jù)集和三個月的北京城區(qū)部分軌跡數(shù)據(jù)。歷史交通狀態(tài)數(shù)據(jù)包含了每5min時間間隔下，每個路段的出行時間。軌跡數(shù)據(jù)提供了每分鐘出租車的位置和出租車服務狀態(tài)。

本次案例分析抽取一個小網(wǎng)絡，見圖3，網(wǎng)絡由8個結點和9條路段構成，所有路段均為雙向。只使用非空載的出租車的數(shù)據(jù)。只考慮從a到b的出行，在數(shù)據(jù)搜集過程中，一共使用了274輛出租車的數(shù)據(jù)信息。車輛所包含的路徑有3條，見圖3。

路段交通狀態(tài)是根據(jù)使用調(diào)查數(shù)據(jù)估計出來的出行速度來確定的。交通狀態(tài)被分成3類：

擁擠：0<速度≤20km/h

較擁擠：20km/h<速度≤40km/h

不擁擠：速度>40km/h

通過歷史數(shù)據(jù)得到不同狀態(tài)對應的路段平均出行時間，見圖5。

假設網(wǎng)絡有4個od對，{(a,b)，(b,a)，(c,d)，(d,c)}，每組od對包含以下路徑：

(a,b)：{1+，7+，4+，5+，6+}，{1+，2+，8+，5+，6+}，{1+，2+，3+，9+，6+}

(b,a)：{6-，5-，4-，7-，1-}，{6-，5-，8-，2-，1-}，{6-，9-，3-，2-，1-}

(c,d)：{4+，5+，9-}，{4+，8-，3+}，{7-，2+，3+}

(d,c)：{3-，2-，7+}，{3-，8+，4-}，{9+，5-，4-}

符號“+”“-”表示路段的方向，從左往右從下往上取“+”。因為本次案例只考慮從a到b的出行，所以為了簡化只考慮正“+”方向。

根據(jù)已有研究可以確定本次交通網(wǎng)絡的貝葉斯網(wǎng)路結構，見圖4。變量u根據(jù)一天中不同時間段，反映了總的交通需求等級。變量u有4個狀態(tài)：早高峰(狀態(tài)1；7:00-9:00)，平峰(狀態(tài)2；9:00-18:00)，晚高峰(狀態(tài)3；18:00-21:00)，低谷(狀態(tài)4；21:00-7:00)。變量q＝{q1，…，q3}分別為od對{(a，b)，(c，d)，(d，c)}的交通需求等級。因為當狀態(tài)的個數(shù)增加，貝葉斯網(wǎng)絡的復雜度就會急劇增加，q是隱變量且q的狀態(tài)的數(shù)量是未確定的。因此，在本次案例中，假設q有3種狀態(tài)。變量s＝{s1，…，s9}表示路段的交通狀態(tài)。如果路段i在od對j之間的路徑上，則在貝葉斯網(wǎng)絡中，從qi到si會有一個單向箭頭連接。

貝葉斯網(wǎng)絡的系數(shù)使用em算法處理數(shù)據(jù)實現(xiàn)。

e步驟：估計未知參數(shù)的期望值，給出當前的參數(shù)估計。

m步驟：重新估計分布參數(shù)，以使得數(shù)據(jù)的似然性最大，給出未知變量的期望估計。

2)更新剩余路段的預測出行時間，根據(jù)最短路算法，選擇一條新的最短路徑

駕駛員對每個路段出行時間預測的更新，相當于使用構建好的貝葉斯網(wǎng)絡進行推斷的問題。在每一個決策點，駕駛員對路段認識的更新信息作為證據(jù)進入貝葉斯網(wǎng)絡。

假設13:30，一位駕駛員從a開始行駛，則證據(jù)e＝{u＝2}。駕駛員繼續(xù)行使至dn1。因為駕駛員已經(jīng)經(jīng)過了路段1，因此知道路段1的交通狀況，我們假設路段1不擁擠，則此時證據(jù)更新為e＝{u＝2，s1＝1}。同理，當駕駛員行駛至dn2，假設路段2不擁擠，則此時證據(jù)更新為e＝{u＝2，s1＝1，s2＝1}。每個路段初始的交通狀態(tài)可以由車輛的gps數(shù)據(jù)獲得，結合式子(1)(2)(3)，我們可以獲得用于路徑選擇建模的路段動態(tài)預測出行時間，見圖6。

我們假設駕駛員在每一個決策點，遵循選擇最短路徑的規(guī)則：

在起點處，三條路徑的預測出行時間分別為624，620，616，所以駕駛員會選擇路徑3；

在決策點1(dn1)處，兩條可選擇路徑(路徑2和路徑3)的預測出行時間分別為513，521。所以，駕駛員會調(diào)整路徑，選擇路徑2。

在決策點2(dn2)處，兩條可選擇路徑(路徑2和路徑3)的預測出行時間分別為418,427。所以，駕駛員繼續(xù)選擇路徑2行駛。

重復以上過程，直至駕駛員行駛至終點。

以上所述，僅是本發(fā)明的較佳實施例而已，并非是對本發(fā)明作任何其他形式的限制，而依據(jù)本發(fā)明的技術實質(zhì)所作的任何修改或等同變化，仍屬于本發(fā)明所要求保護的范圍。