一种数据驱动的智能鲁棒车速实时规划方法及系统技术方案

本发明专利技术公开一种数据驱动的智能鲁棒车速实时规划方法及系统。所述方法包括：获取目标路段中各分段的车辆行驶信息；根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；建立道路模型；根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；获取油耗、时间和安全性在车辆行驶中的权重系数；根据目标路段和所述权重系数建立车速规划目标函数；根据动态规划算法和机会约束条件对所述车速规划目标函数求解，得到最优车速。采用本发明专利技术的方法或系统能够根据需求建立相应的目标函数，达到相应的车速优化效果。

【技术实现步骤摘要】
一种数据驱动的智能鲁棒车速实时规划方法及系统
本专利技术涉及车辆车速研究领域，特别是涉及一种数据驱动的智能鲁棒车速实时规划方法及系统。
技术介绍
随着道路车辆的增多，交通拥堵和交通事故经常发生，同时车辆怠速时间的增加会导致能耗上升，尤其是信号灯路口这种现象尤为严重，因此对车速轨迹进行规划非常重要。在信号灯路口，存在红灯持续时间、行人通过状况、车辆拥堵状况等不确定性因素，对车速规划的准确性带来干扰。
技术实现思路
本专利技术的目的是提供一种数据驱动的智能鲁棒车速实时规划方法及系统，能够根据需求建立相应的目标函数，达到相应的车速优化效果。为实现上述目的，本专利技术提供了如下方案：一种数据驱动的智能鲁棒车速实时规划方法，所述方法包括：获取目标路段中各分段的车辆行驶信息；根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；建立道路模型；根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；获取油耗、时间和安全性在车辆行驶中的权重系数；根据目标路段和所述权重系数建立车速规划目标函数，目标函数包括行车能耗成本和行驶时间成本；构建机会约束条件，基于动态规划算法，求解最小化目标函数的车速规划结果，得到满足约束的最优车速。可选的，所述车辆行驶信息包括：车辆行驶实时速度、车辆行驶路线坡度、车辆行驶路线道路信息、分段的红灯基准时间和分段交通时间延时和发生概率。可选的，所述分段交通时间延时的延时变量为所述延时变量对应的发生概率分布为其中，代表交通信号灯自适应变化，交通堵塞，行人通行事件引起的延时。可选的，所述根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间，具体包括：根据分段交通时间延时的延时变量得到路段随机延时变量根据所述延时变量得到所述随机延时变量相对应的概率密度函数；根据所述分段的红灯基准时间确定红灯时长根据所述红灯时长确定路段内禁止通行时间所述路段内禁止通行时间根据可选的，所述建立道路模型，具体包括：获取车辆离开的初始时间和车辆行驶过路段所耗费的时间；根据所述车辆离开的初始时间和所述车辆行驶过路段所耗费的时间，建立道路模型；所述道路模型通过表示；其中，为车辆通过信号灯的信号灯周期时间，为车辆离开的初始时间，为车辆行驶过i段所耗费的时间；为道路信号灯完整循环时间。可选的，所述根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件，具体包括：根据公式得到车辆行驶的机会约束条件；其中，F-1为αi分布函数的反函数，为分段的红灯基准时间确定红灯时长，为车辆通过信号灯的信号灯周期时间。一种数据驱动的智能鲁棒车速实时规划系统，所述系统包括：获取模块，用于获取目标路段中各分段的车辆行驶信息；延时变量、禁止通行时间确定模块，用于根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；道路模型建立模块，用于建立道路模型；约束条件确立模块，用于根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；权重系数确定模块，用于获取油耗、时间和安全性在车辆行驶中的权重系数；目标函数建立模块，用于根据目标路段和所述权重系数建立车速规划目标函数；动态规划模块，用于根据动态规划算法和机会约束条件对所述车速规划目标函数求解，得到最优车速。可选的，所述车辆行驶信息包括：车辆行驶实时速度、车辆行驶路线坡度、车辆行驶路线道路信息、分段的红灯基准时间和分段交通时间延时和发生概率。可选的，所述分段交通时间延时的延时变量为所述延时变量对应的发生概率分布为其中，代表交通信号灯自适应变化，交通堵塞，行人通行事件引起的延时。可选的，所述延时变量、禁止通行时间确定模块，具体包括：延时变量确定单元，用于根据分段交通时间延时的延时变量得到路段随机延时变量概率密度函数确定单元，用于根据所述延时变量得到所述随机延时变量相对应的概率密度函数；红灯时长确定单元，用于根据所述分段的红灯基准时间确定红灯时长禁止通行时间确定单元，用于根据所述红灯时长确定路段内禁止通行时间所述路段内禁止通行时间根据根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供一种数据驱动的智能鲁棒车速实时规划方法，包括：获取目标路段中各分段的车辆行驶信息；根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；建立道路模型；根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；获取油耗、时间和安全性在车辆行驶中的权重系数；根据目标路段和所述权重系数建立车速规划目标函数；根据动态规划算法和机会约束条件对所述车速规划目标函数求解，得到最优车速。采用本专利技术的方法能够根据需求建立相应的目标函数，达到相应的优化效果。如：车速规划以最小化行驶时间为目标函数可以减少行驶时间，提高信号灯路口的交通流效率，减少拥堵；以能耗为目标函数可以实现降低能耗，提高燃油经济性；以行车安全为目标函数，可以提高行车安全效能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为数据驱动的智能鲁棒车速实时规划方法流程图；图2为数据驱动的智能鲁棒车速实时规划系统结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为本专利技术实施例数据驱动的智能鲁棒车速实时规划方法流程图。如图1所示，一种数据驱动的智能鲁棒车速实时规划方法，所述方法包括：步骤101：获取目标路段中各分段的车辆行驶信息；步骤102：根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；步骤103：建立道路模型；步骤104：根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；步骤105：获取油耗、时间和安全性在车辆行驶中的权重系数；步骤106：根据目标路段和所述权重系数建立车速规划目标函数，目标函数包括行车能耗成本和行驶时间成本；步骤107：构建机会约束条件，基于动态规划算法，求解最小化目标函数的车速规划结果，得到满足约束的最优车速。所述车辆行驶信息包括：车辆行驶实时速度、车辆行驶路线坡度、车辆行驶路线道路信息、分段的红灯基准时间和分段交通时间延时和发生概率。所述分段交通时间延时的延时变量为所述延时变量对应的发生概率分布为其中，代表交通信号灯自适应变化，交通堵塞，行人通行事件引起的延时。步骤102，具体包括：根据分段交通时间延时的延时变量得到路段随机延时变量根据所述延时变量得到所述随机延时变量相对应的概率密度函数；根据所述分段的红灯基准时间确定红灯时长根据所述红灯时长确定路段内禁止通行时间所述本文档来自技高网...

【技术保护点】
1.一种数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述方法包括：获取目标路段中各分段的车辆行驶信息；根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；建立道路模型；根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；获取油耗、时间和安全性在车辆行驶中的权重系数；根据目标路段和所述权重系数建立车速规划目标函数，目标函数包括行车能耗成本和行驶时间成本；构建机会约束条件，基于动态规划算法，求解最小化目标函数的车速规划结果，得到满足约束的最优车速。

【技术特征摘要】
1.一种数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述方法包括：获取目标路段中各分段的车辆行驶信息；根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间；建立道路模型；根据所述道路模型、路段内禁止通行时间确定车辆行驶的机会约束条件；获取油耗、时间和安全性在车辆行驶中的权重系数；根据目标路段和所述权重系数建立车速规划目标函数，目标函数包括行车能耗成本和行驶时间成本；构建机会约束条件，基于动态规划算法，求解最小化目标函数的车速规划结果，得到满足约束的最优车速。2.根据权利要求1所述的数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述车辆行驶信息包括：车辆行驶实时速度、车辆行驶路线坡度、车辆行驶路线道路信息、分段的红灯基准时间和分段交通时间延时和发生概率。3.根据权利要求2所述的数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述分段交通时间延时的延时变量为所述延时变量对应的发生概率分布为其中，代表交通信号灯自适应变化，交通堵塞，行人通行事件引起的延时。4.根据权利要求3所述的数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述根据所述行驶信息得到路段随机延时变量、与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间，具体包括：根据分段交通时间延时的延时变量得到路段随机延时变量根据所述延时变量得到所述随机延时变量相对应的概率密度函数；根据所述分段的红灯基准时间确定红灯时长根据所述红灯时长确定路段内禁止通行时间所述路段内禁止通行时间根据5.根据权利要求3所述的数据驱动的智能鲁棒车速实时规划方法，其特征在于，所述建立道路模型，具体包括：获取车辆离开的初始时间和车辆行驶过路段所耗费的时间；根据所述车辆离开的初始时间和所述车辆行驶过路段所耗费的时间，建立道路模型；所述道路模型通过表示；其中，为车辆通过信号灯的信号灯周期时间，为车辆离开的初始时间，为车辆行驶过i段所耗费的时间；为道路信号灯完整循环时间。6.根据权利要求5所述的...

【专利技术属性】
技术研发人员：孙超，孙逢春，李军求，闵青云，孙海迪，郭婷婷，励夏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11