本發(fā)明涉及交通規(guī)劃領域，更具體地，涉及一種基于交通指數的隨機動態(tài)網絡交通規(guī)劃方法。

背景技術：

城市的交通規(guī)劃是建立完善綜合運輸系統(tǒng)的重要保障，對社會的發(fā)展和生活質量的提高有重要的作用。為了提高交通效率，各國政府和機構展開了大量的研究工作，美、歐、日等國家已不局限于解決交通擁堵、交通事故、交通污染等問題，而是轉向建立更綜合的智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)，并在重點發(fā)展領域大規(guī)模應用。近年來我國在交通規(guī)劃上的研究和進展保持了高速增長態(tài)勢，包含智能公交、電子警察、交通信號控制、卡口、交通視頻監(jiān)控、出租車信息服務管理、城市客運樞紐信息化、GPS與警用系統(tǒng)、交通信息采集與發(fā)布和交通指揮類平臺等10個細分行業(yè)，以獲取更精準和有效的數據。

交通部門發(fā)布的信息如圖1所示，提供了不同區(qū)域的交通指數，以及當前區(qū)域的平均車速。交通指數是表征當前及未來一段時間內道路情況的系數，由全市各個路口的信息采集設備(雷達，攝像頭，紅外和環(huán)形感應線圈，以及新一代為安裝有全球衛(wèi)星定位系統(tǒng)和無線通信裝置的車輛提供的浮動車交通信息采集方法等)，并通過數據統(tǒng)計和綜合分析得到，具有時序性強，動態(tài)性高等特點。一般的導航設備是基于GPS制導，會導致所有用戶的路線規(guī)劃都是相同和相似的最優(yōu)路線，因此無法從根本上避免交通堵塞的發(fā)生。

技術實現要素：

本發(fā)明為克服上述現有技術所述的至少一種缺陷，提供一種基于交通指數的隨機動態(tài)網絡交通規(guī)劃方法，采用二叉樹作為概率模型的邏輯結構，簡單可靠，可以在不同的移動設備和終端上部署，可移植性強，應用廣泛。

為解決上述技術問題，本發(fā)明的技術方案如下：

一種基于交通指數的隨機動態(tài)網絡交通規(guī)劃方法，包括以下步驟：

S1：以二叉樹結構構建交通網絡模型，用以表示某地區(qū)真實的道路情況，樹根節(jié)點對應交通網絡中的起點，中間節(jié)點對應網絡范圍內的各個位置，葉子節(jié)點表示目的地，節(jié)點與它的子節(jié)點之間為一個路段，從起點到目的地包括一條或多條不同的路徑，每條路徑包括一個或多個路段，每個路段根據其交通指數設定其被選擇的概率值；

S2：統(tǒng)計出當前交通指數下從起點到目的地的每一條路徑被選擇的概率值，每一條路徑被選擇的概率值為該路徑上各個路段的概率值之積，然后挑選出最優(yōu)的路徑。

在一種優(yōu)選的方案中步驟S1中，通過公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

計算二叉樹兩個子樹的分支的概率值，其中a和b是代表二叉樹中兩個分支的交通指數，Max(a,b)函數取a和b中的最大值，Min(a,b)函數取a,b中的最小值，INT(a,b)函數為向下取整函數。

在一種優(yōu)選的方案中，所述交通指數在0～5之間。

在一種優(yōu)選的方案中，每個路段被選擇的概率值在0～1之間。

在一種優(yōu)選的方案中，步驟S2中，具體過程為：

S2.1：初始化節(jié)點信息，載入交通指數并計算各路段相應的概率值；

S2.2：從根節(jié)點開始，根據左右子樹的概率值進行隨機尋徑，選擇一條子樹作為結果；

S2.3：如果計算到葉子節(jié)點，則計算這條路徑上的各個路段的概率積，并與最優(yōu)解進行對比，如果當前路徑的概率積比最優(yōu)解的概率值更高，則將當前路徑的數據更新到最優(yōu)解中；

S2.4：重復步驟S2.1-S2.3，累計達到預設的迭代上限次數時，輸出最優(yōu)解的路徑數據。

與現有技術相比，本發(fā)明技術方案的有益效果是：本發(fā)明公開一種基于交通指數的隨機動態(tài)網絡交通規(guī)劃方法，以二叉樹結構構建交通網絡模型，用以表示某地區(qū)真實的道路情況，統(tǒng)計出當前交通指數下從起點到目的地的每一條路徑被選擇的概率值，每一條路徑被選擇的概率值為該路徑上各個路段的概率值之積，然后挑選出最優(yōu)的路徑。本方法提出的隨機尋徑算法，在交通網絡概率模型中為交通規(guī)劃提供快速準確的策略，采用二叉樹作為概率模型的邏輯結構，簡單可靠，可以在不同的移動設備和終端上部署，可移植性強，應用廣泛。利用交通指數判斷路徑狀況，有別于傳統(tǒng)的基于圖搜索的GPS導航方法，提供更準確的路況情況。采用了概率方法，為用戶的群體規(guī)劃帶來多元化的結果，有效解決了交通擁堵問題。

本技術根據深層概率模型的計算性質，將交通指數轉化為對道路情況判斷分析的概率值，并在不同的網絡范圍(對應實際的交通距離)內提供不同置信度的結果。為了解決群體用戶得到的局部最優(yōu)解相似的問題，構建概率模型為整個網絡中所有用戶提供避免交通堵塞的全局最優(yōu)解。本方法采用的交通指數概念源于深圳市交通局發(fā)布的指數體系，利用現有的道路信息采集實時或周期路況，然后經過數據分析處理得到的衡量當前路況的綜合性數據，可以對區(qū)域內的道理情況進行判斷和預測。但是由于城市交通網絡的規(guī)模十分巨大，而且網絡細節(jié)眾多，時序性很強，如何在較短的時間內提供準確有效的分析結果是現階段工作的難點。

附圖說明

圖1為交通部門發(fā)布的信息圖。

圖2為某地區(qū)真實的道路情況圖。

圖3為圖2交通網絡的抽象表示圖。

圖4為圖3中某一個區(qū)域的細節(jié)描述。

圖5為圖3區(qū)域的二叉樹化表示圖。

圖6為隨機尋徑算法的流程圖。

圖7為隨機尋徑實驗的迭代性能分布圖。

圖8為不同期望系數分組實驗的準確率圖。

圖9為不同期望系數分組實驗的耗時圖。

圖10為不同分組實驗的準確率圖。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

下面結合附圖和實施例對本發(fā)明的技術方案做進一步的說明。

實施例1

1、交通網絡模型構建

構建概率模型需要選擇合適的圖模型，而二叉樹作為一個連通的無環(huán)圖，有著簡單的邏輯結構和優(yōu)秀的表示能力，在表征地圖網絡時有著強大的處理能力。在計算機科學中，二叉樹是每個節(jié)點最多有兩個子樹的樹結構，如圖2-5所示。圖2為某地區(qū)真實的道路情況；圖3為對該交通網絡的抽象表示，用于轉化為計算機可以處理的數據結構；圖4對圖3中某一個區(qū)域的細節(jié)描述；圖5為對這個區(qū)域的二叉樹化表示。在圖3中的抽象網絡出現了不同的路口分道情況(例如岔道口和十字路口)，可以通過線性轉換將其轉換為統(tǒng)一的結構圖4。

另外，由于每個路口(對應圖中節(jié)點)在計算機中都使用鄰接表存放相關信息，因此為了避免冗余的計算，在圖5中將重復出現的路段使用帶顏色的方框標記(區(qū)別于沒有重復的圓圈)出來，除終點外其余方框都使用一條線，代表后續(xù)的計算與前面的計算重復，直接使用之前計算的結果即可。

在圖4所示的結構中，邊上標注的概率值源于模擬的交通指數，仿照交通指數的發(fā)布形式隨機在0～5之間賦值作為模擬生成的交通指數，并通過公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

計算出二叉樹兩個子樹中路況較好(交通指數更大)的分支的概率值，其中a和b是代表二叉樹中兩個分支的交通指數，Max(a,b)函數取a和b中的最大值，Min(a,b)函數取a,b中的最小值，INT()函數為向下取整函數。例如當(C)中A->B的交通指數是3.6，A->C的交通指數是2.1，則有：

P(A→B)＝1-P(A→C)＝25％

圖5是由圖4轉化得到的二叉樹，樹根(A節(jié)點)對應交通網絡中的起點，中間節(jié)點(B～H)對應網絡范圍內的各個位置，葉子節(jié)點(I)表示目的地。通過隨機尋徑算法(RRM)可以統(tǒng)計出當前交通指數下每一條路徑被選擇的概率值，然后挑選出最優(yōu)的路徑。由于一條路徑是由不同的路段組成的，不能根據某一段路程的擁堵情況而將其視為該路段的整體情況，因此對于一條路徑來說該路徑上所有的路段都要考慮?？梢钥吹皆趫D4中，從A節(jié)點到I節(jié)點可以有很多條不同的路徑，例如：

選擇不同路段的組合會導致不同的路徑長度和時間消耗。而通過交通指數計算得到的概率值可以很方便的利用隨機尋徑算法快速找到較好的解。

2、隨機尋徑算法

與一般的圖搜索算法應用的圖模型不同的是，交通網絡是一個參數變動頻繁的動態(tài)網絡(圖)，基于數值計算的靜態(tài)圖搜索算法無法滿足實時處理交通情況的要求。因此我們選擇基于統(tǒng)計分析的概率方法，提出應用于動態(tài)網絡規(guī)劃的隨機尋徑算法，其基本原理是基于圖模型的搜索算法，通過對圖中邊的權值進行概率判定，計算選擇出最佳的解，算法流程圖如圖6所示。

該算法的目的是在起點和目的地之間所有的路徑l＝{l₁，l₂，…，l_n}尋找一條路徑l_i，使得當前網絡參數集{index,dis,p,sup{e_i}}滿足

l_i＝Max(l_i～N{x}|{index_i,dis_i,p_i})

其中參數集index_i表示第i條路徑對應的交通指數，dis_i表示地理坐標信息，p_i表示計算之后的概率參數，sup{e_i}集合是備用參數集合，用于根據需求添加新的參數。l_max對應的現實意義是花費在該路徑的時間是所有路徑中最低的。

算法的具體過程為：

步驟1：初始化節(jié)點信息，載入交通指數和計算相應的概率值；

步驟2：從根節(jié)點開始，根據左右子樹的概率值進行隨機尋徑，選擇一條子樹作為結果；

步驟3：如果計算到葉子節(jié)點，則計算這條路徑上的各個路段的概率積，并與最優(yōu)解進行對比，如果當前路徑的概率積比最優(yōu)解的概率值更高，則將當前路徑的數據更新到最優(yōu)解中；

步驟4：累計達到迭代上限次數時，輸出最優(yōu)解的路徑數據。

為了可以實時快速的利用交通指數進行計算，設計了將靜態(tài)網絡線性相加的時間計算轉換為動態(tài)網絡線性相乘的概率值，可以快速利用隨機尋徑算法進行路徑計算，從而避免傳統(tǒng)方法需要進行全局參數重計算的問題。其原理是，基于距離尋徑的靜態(tài)圖搜索算法計算的是所有路徑之中的最短路徑,即在路徑集合l＝{l₁,l₂,…l_n}中尋找一條最短的路徑l_min使得：

l_min＝Min(l₁,l₂,…l_n)且l_i＝Σ(path)，

其中path是組成一條路徑的路段。由于每一條路徑是由很多個路段相加得到，想求得最優(yōu)解就需要將涉及到的所有路段的參數(路徑長度，時間)都計算一遍；與之相對的是，基于概率的隨機尋徑算法計算的是所有路徑之中最大概率值的路徑，即在路徑集合l＝{l₁,l₂,…l_n}中尋找一條最短的路徑l_min使得

p_{_lmin}＝Max(p__l1,p__l2,…,p__ln)且p__li＝Π(P_path)

想求得最優(yōu)解需要計算一條路徑上各個路段的概率積，此時既可以像靜態(tài)網絡尋徑方法那樣窮舉計算最優(yōu)解，也可以利用概率的特性，利用隨機尋徑方法在p_i＝p₁×p₂×…×p_k中鏈式求得概率比較大的路徑，從而在可以保證參數動態(tài)性的同時快速求解。具體來說，就是在

l__p1＝65％×50％×40％

l__p2＝35％×50％×60％

中通過隨機尋徑確定一條路徑并排除掉這條路徑的其他同層路徑，例如在上例中會有65％的概率選擇l__p1(相當于有35％的概率選擇l__p2)，一條完整路徑的概率值取決于組成這條路徑上所有路段的概率積，概率值越大，意味著這條路徑的綜合交通指數表現越好。

與確定性方法不同的是，隨機尋徑算法并不能保證每一次計算的解都是全局最優(yōu)解，但是通過大量迭代計算，則可以排除掉絕大部分非最優(yōu)解，迭代的程度越高，計算的準確率也越高。對目前的移動便攜設備而言，迭代次數在10⁶～10⁷數量級內的計算可以在毫秒級的時間單位內完成，在保證計算時間可以接受的條件下完全可以同時保證準確率。

下面通過具體實例驗證本發(fā)明方法：

(1)理論性能驗證

由于交通狀況隨時間變化較大，在不同的時間段內有不同的規(guī)律，因此實驗考慮在最極端的條件下，即所有的參數都是無規(guī)律的、隨機的。

首先，確定實驗用到的模擬網絡環(huán)境。我們隨機生成[0，1]之間的浮點數作為概率值p，來模擬不同交通指數值經過計算后的網絡情況，在高度為10的二叉樹中共生成2047個節(jié)點作為葉子節(jié)點(終點)和其他子樹。在計算生成多個不同參數的網絡環(huán)境中，挑選了一個參數相對分布均勻的網絡作為實驗對象。

其次，在上述特定參數分布均勻的網絡中，經過計算求得這1024條路徑的概率值情況，最大路徑的概率值為0.0032。

最后，在這個網絡上我們進行了100000組隨機尋徑試驗，考察所構建方法計算得到最優(yōu)解(p＝0.0032)的迭代性能情況，結果如圖7所示。

從圖7可以看出，隨機尋徑方法的迭代分布比較可靠(圖中分布從左至右呈梯度下降)。在100000組實驗中，有27783次實驗的迭代規(guī)模收斂在100次以內，有19934次實驗的迭代規(guī)模收斂在100-200區(qū)間內。當迭代閾值設置為1000時，有3741次在這個閾值范圍內沒有成功找到最優(yōu)解。通過比較這個實驗統(tǒng)計數據，可以在理論上驗證我們提出方法的性能和準確性。

對于最優(yōu)的路徑解概率p_max＝0.0032，在數學上將1/p≈306的數值作為尋徑期望，這個期望意味著理論上平均迭代尋徑306次就會出現一次最優(yōu)解。如果將迭代閾值設為期望值的1倍時，統(tǒng)計了100000組隨機試驗中滿足這個期望閾值(300次，與306次接近)次以內成功找到的最優(yōu)解次數，結果為：27783+19934+14682＝62399(62.40％)。而如果將迭代閾值設為期望值的2倍即統(tǒng)計(1～600，與306×2＝612次相近)次以內成功找到的最優(yōu)解次數，結果為：86044(86.04％)。如果將閾值增加為期望值的3倍，結果為：94872(94.87％)。這個值非常接近理論計算出的結果，即3×1/p≈3×306＝918次隨機尋徑中沒有找到最優(yōu)解的概率值為(1-0.0032)⁹¹⁸＝0.049，相當于理論上的準確率應該是1-0.0493＝0.9507(95.07％)，這與實驗結果94.87％的誤差僅為0.20％。另外，由于本組實驗的各概率參數都是隨機模擬的，因此考察了這個統(tǒng)計結果與正態(tài)分布N(μ，σ²)的對比情況，在標準正態(tài)分布(即參數μ＝0和σ＝1時的正態(tài)分布)中對應期望為1，2，3的分布概率分別為：

期望為1：P{|X-μ|<σ}＝2Φ(1)-1＝0.6826

期望為2：P{|X-μ|<σ}＝2Φ(1)-1＝0.9544

期望為3：P{|X-μ|<3σ}＝2Φ(3)-1＝0.9974

本方法的統(tǒng)計結果與模擬分布值相比較，誤差較小，具體數據如表1所示。

表1隨機實驗的性能及準確率

當n＝10，15，20，30時，網絡規(guī)模為2ⁿ(分別為1024，32768，1048576和1073741824)，針對這些不同規(guī)模的網絡，我們設置了一些與網絡規(guī)模相關的迭代系數，用來探討網絡規(guī)模與不同迭代系數下準確率的動態(tài)關系，這些迭代系數分別取網絡規(guī)模的1％，2％，3％，5％，10％以及20％，其目的是根據網絡規(guī)模，動態(tài)調節(jié)迭代程度。針對每一個規(guī)模下的網絡，我們都進行了多組的隨機實驗，從中各自挑選了5組實驗數據，具體的4個規(guī)模下的20組隨機實驗的數據如表2至表5所示。

表2二叉樹高度為10(n＝10)情況下的性能

表3二叉樹高度為15(n＝15)情況下的性能

表4二叉樹高度為20(n＝20)情況下的性能

表5二叉樹高度為30(n＝30)情況下的性能

以表2為例，從表中可以看出，在相同的網絡規(guī)模下，不同概率值的路徑的數據相差很大。對于p₁＝0.20和p₅＝0.05，在迭代次數均為10的情況下，準確率分別為88.59％和29.61％(迭代規(guī)模為網絡規(guī)模的1％)。對比表2中的p₅＝0.05和表3中的p₁＝0.03，這兩組實驗的最優(yōu)路徑概率值很接近，但是準確率差異很大(29.61％和89.43％)。而且表2至表5均反映出迭代次數越高，準確率越高，并且更高的概率值會傾向于在較少的迭代過程內找到最優(yōu)解。

由于事先無法確定最優(yōu)路徑的概率值，因此不能在計算前使用這個值作為計算的參考值。如果迭代尋徑次數過高，會導致計算時間過長；尋徑次數過低，則難以保證可靠的準確率，因此需要選取一個適當的參數來在保證準確率的前提下降低計算時間。針對計算的參考值，我們進行了不同的實驗來考察這個參考值與網絡規(guī)模的關系，實驗結果如表6所示。

表6不同樣本概率期望和實際均值

從表6可以看到，尋徑期望與實際尋徑均值在一定范圍內保持著相似的比例(1:1.46～1.79)，這意味著我們可以通過預估最優(yōu)解的期望值來確定迭代尋徑的規(guī)模。但是實際的交通網絡中在計算之前并不清楚哪一條路徑是最優(yōu)路徑，因此需要使用與尋徑期望值相近的值來模擬逼近最優(yōu)解的概率值。基于這個需求，本方法引入“期望系數”的概念，來解決未知最優(yōu)解概率值的問題。

“期望系數(In)”是根據大量的實驗數據統(tǒng)計得到的一個表征網絡規(guī)模的參數，一個規(guī)模為n的網絡的尋徑期望為1/Inⁿ，不同的系數值會表征不同程度的網絡系數，從而影響結果的準確率和計算時間。從圖5統(tǒng)計結果來看，In取0.75的實驗組準確率相對較低，In取0.65時的準確率近似達到100％，因此In的取值范圍在0.65-0.75之間，既保證結果的準確率，又可以將計算時間保持在一個合理范圍。

(2)實際運行性能

在不同規(guī)模的網絡中，分別考察了不同的期望系數對準確率(圖8)和耗時(圖9)的影響。當期望系數In取0.7時，取得了相對較高的準確率。當In<0.7時，雖然準確率比In＝0.7高，但是計算時間也以指數級的規(guī)模增加，因此本實驗取In＝0.7作為網絡規(guī)模的代表參數。

為了考察In取0.7的合理性，分別設置了6組不同的參數：In＝0.7，期望1倍，期望2倍，期望3倍，期望5倍和期望10倍。在這6組參數中，期望5倍，期望10倍和In＝0.7這三組參數在不同的網絡規(guī)模下均有較高(>90％)的準確率，但是期望10倍的時耗明顯高于期望5倍，與In＝0.7持平，結果如圖7所示。雖然In＝0.7組的時耗相對期望5倍更高，但是這種動態(tài)調節(jié)實驗規(guī)模的參數相對于固定值的參數來說，額外的時耗可以接受。而且使用期望參數值的計算不隨網絡規(guī)模的影響，能應用于交通指數末知的交通網絡。

(3)移動端的性能模擬運行

在市場上常見的移動端設備中，選擇了三款不同的手機，對移動端的性能進行模擬，各手機的指標如表7所示。

表7移動端設備的技術細節(jié)

實驗耗時如表8所示，不同性能手機的運行時間盡管有差別，但都在0.5s內完成，并且準確率也較高(>90％)。當網絡規(guī)模過大(>30)時，計算時間需要2～4s，而且準確率會相應降低。如果需要提高準確率，則需要增加尋徑的次數，但這樣會額外增加計算的時間。

表8模擬實驗的耗時

為了優(yōu)化迭代規(guī)模對于耗時與準確率的影響，設置了4組不同的實驗參數來模擬交通網絡環(huán)境，其網絡規(guī)模分別為10，15，20，30，對應的迭代范圍是1000，3000，500和100，這樣的參數組合可以同時提高準確率和降低耗時。因此，采用概率交通模型和期望參數能夠獲得較好的計算結果，并且在移動端上的實驗(表7和表8)也驗證了這種方法的實際應用性能。與GPS或其他規(guī)劃方法相比，采用交通局發(fā)布的交通指數來實時規(guī)劃交通可以得到更準確有效的結果，而且基于概率模型的規(guī)劃方法可以有效的降低擁堵情況的出現，從而進一步改善城市的交通狀況。