一种基于车路协同多源数据融合交通流预测的路径规划方法技术

本发明专利技术公开了一种基于车路协同多源数据融合交通流预测的路径规划方法，包括以下步骤：步骤一，建立路网模型。步骤二，多源交通数据的融合。步骤三，训练时间图卷积神经网络T

【技术实现步骤摘要】
一种基于车路协同多源数据融合交通流预测的路径规划方法


[0001]本专利技术属智慧城市交通领域，合理的车辆路径规划对出行体验与疏散路网交通拥堵有重要意义。对此，本专利技术在车路协同的环境中，对交通多源信息进行数据融合，通过结合图卷积神经网络与门控递归单元实现对未来时刻路网交通流的预测，并以此为基础设计了更为精准的最少时间代价路径规划算法。

技术介绍

[0002]全局路径规划一般指的是在路网拓扑已知的情况下，根据通行最小代价选择一条从当前起点到目的地的路线，通行最小代价对应与穿越路段的某种成本，比如距离或者耗时。目前比较常见的全局路径规划算法，如：Dijkstra与A*，多为静态算法，即在静态的路网建模环境中，找到一条目标权值总和最小的道路。然而这些算法仅根据当前请求时刻的交通情况按照用户需求制定出了一条最优路线，但在真正的驾驶过程中随着时间推移交通信息也会随之改变，规划时刻顺畅的路径可能随时间推移逐渐拥堵，导致行驶效率的低下并最终影响整个路网的通行效率。
[0003]目前对交通信息的获取往往将车或者路割裂开来，随着车路协同“智慧的路”这一概念的提出，路侧传感器、RSU设备的普及使用，车辆可以通过C
‑
V2X 技术增强道路的融合感知能力，并且随着5G和云端边缘计算等技术的日益成熟，能够极大提高各类交通信息的融合计算能力并降低路网信息传递至车端的时延。
[0004]在智能交通系统中为车辆进行动态路径规划，重点是需要结合路网中多源交通信息的动态变化，对备选路径未来时刻交通流做出准确的预测，并在此基础上为车辆进行合理的路径规划。由于深度神经网络模型可以很好地捕捉数据的动态特征并取得最佳拟合效果，因此被广泛的用于各类预测任务中。交通信息具有多源性与时空依赖性的特点，目前多使用的交通预测方法仅关注路网中单一属性的数据，如速度或者密度，忽略了多源性。针对时空依赖性，需要模型同时提取时间和空间特征以获取准确的预测结果，目前使用深度神经网络来预测交通状况大多仅关注交通的时间周期特征，使用过去时刻的数据预测未来时刻的数据，忽略了空间特征，导致交通状况的变化不受周围路网的限制，影响了预测的准确性。

技术实现思路

[0005]针对现有大部分路径规划算法对实时路网交通信息改变的响应不及时与使用单源信息预测交通数据结果不够准确难以作为路径规划前提的问题。本专利技术提出了一种基于多源数据融合交通流预测的路径规划方法，充分利用车路协同环境中交通数据多源性与时空依赖性的特点，使用时空图卷积神经网络预测路网交通环境，并以此基础对已有的静态路径规划算法进行改进。包括以下步骤：
[0006]步骤一，建立路网模型。
[0007]确定当前路径规划的目标，如：最少时间，并使用合理的路网模型将现实交通中的
道路状况抽象为具体化的数学问题进行描述。本专利技术选取的路径规划目标为最小通行时间，使用的道路路网模型结构用下式来进行描述：
[0008][0009]其中，M表示智能交通路网拓扑结构，每条路段对应图结构中的一个节点， R表示路段节点集合，x
i
，y
i
表示每个路口节点的起始经纬度坐标，W表示路段 r
ij
的权重值。
[0010]单条路段平均通行时间的表达式为：其中L表示当前路段的长度， V表示当前路段车辆通行的历史平均行驶速度，求出的结果T与实时环境中的路段通行时间出入较大，以此来实现动态路径规划的实时性较差。本专利技术将路段权值设计为如下公式：
[0011][0012]其中，W
ij
表示每条r
ij
路段的预测通行时间，L
ij
表示r
ij
路段的实际长度，为经预测后的道路交通速度。禁止通行表示r
ij
路段因为某些客观原因被禁止通行。
[0013]步骤二，多源交通数据的融合。
[0014]利用车联网内车辆与道路感知设备的信息上报，获取能够影响交通通行效率的多源交通数据。影响交通情况的属性包括：信号灯情况、道路等级、天气情况、道路限行、交通事故等，由于每种属性对道路通行状态的影响有差别，对交通情况影响更大的应当赋予其更大的权值，本专利技术使用AHP层次分析法将多源特征数据合理融合作为交通预测的基础。
[0015]步骤三，训练时间图卷积神经网络(T
‑
GCN)以实现路网交通流预测。
[0016]由于交通流数据具有多源性与时空依赖性，本专利技术将多源数据融合与时间图卷积神经网络(T
‑
GCN)模型相结合，将预测问题规定为使用上文中的路网拓扑M和时间序列范围内的多源数据融合特征矩阵X作为模型的输入学习映射函数f，然后计算出下一时间序列范围的交通速度信息，可用下式来表示：
[0017][V
t+1
，
…
，V
t+T
]＝f(M；(x
t
‑
n
，
…
，x
t
‑1，x
t
))
[0018]其中，n是历史时间序列的长度，T是需要预测的时间序列长度，输入[t
‑
n, t]时间序列范围内的特征信息，输出为[t+1,t+T]范围时刻的预测结果。
[0019]将路网范围内融合后的数据输入模型，使用两层图卷积神经网络(GCN)提取空间特征，接着使用门控递归单元(GRU)将GCN模型的输出作为GRU输入，获取道路上交通数据的时间动态变化，提取时间特征。
[0020]步骤四，使用已训练完成的T
‑
GCN模型对路网交通速度进行预测，并根据预测结果完成路径规划。
[0021]本专利技术提出了一种基于道路通行时间预测的改进A*路径规划算法，通过路侧传感器实时上报路网多源交通数据，并在路侧RSU设备完成数据融合继续上报给云端平台，使用已训练完毕的T
‑
GCN模型预测未来时刻路网范围内每条路段的交通速度，并根据步骤一中的路段权值公式计算出每条路段的通行时间作为权值，最后根据修改后的A*算法求出规划
请求发出时刻的最优路径。
[0022]本专利技术将传统A*的评估函数修改为如下所示：
[0023]f
t
(n)＝g
t
(n)+h
t
(n)
[0024]其中，n代表当前路段节点，f
t
(n)表示从起点出发经过n到达终点的预估时间代价，g
t
(n)表示从起点到n累计的预估时间和，h
t
(n)表示从n到终点的预估最少行驶时间，g
t
(n)的计算方法如下所示：
[0025]g
t
(n)＝g
t
(n
fathcr
)+t
n
[0026]其中，g
t
(n
father
)表示路段n的父本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车路协同多源数据融合交通流预测的路径规划方法，其特征在于：该方法包括以下步骤：步骤一，建立路网模型；确定当前路径规划的目标，选取的路径规划目标为最小通行时间，使用的道路路网模型结构用下式来进行描述：其中，M表示智能交通路网拓扑结构，每条路段对应图结构中的一个节点，R表示路段节点集合，x
i
，y
i
表示每个路口节点的起始经纬度坐标，W表示路段r
ij
的权重值；单条路段平均通行时间的表达式为：其中L表示当前路段的长度，V表示当前路段车辆通行的历史平均行驶速度；将路段权值设计为如下公式：其中，W
ij
表示每条r
ij
路段的预测通行时间，L
ij
表示r
ij
路段的实际长度，为经预测后的道路交通速度；步骤二，多源交通数据的融合；利用车联网内车辆与道路感知设备的信息上报，获取能够影响交通通行效率的多源交通数据；使用AHP层次分析法将多源特征数据合理融合作为交通预测的基础；步骤三，训练时间图卷积神经网络T
‑
GCN以实现路网交通流预测；由于交通流数据具有多源性与时空依赖性，将多源数据融合与时间图卷积神经网络T
‑
GCN模型相结合，将预测问题规定为使用上文中的路网拓扑M和时间序列范围内的多源数据融合特征矩阵X作为模型的输入学习映射函数f，然后计算出下一时间序列范围的交通速度信息，用下式来表示：[V
t+1
，
…
，V
t+T
]＝f(M；(X
t
‑
n
，
…
，X
t
‑1，X
t
))其中，n是历史时间序列的长度，T是需要预测的时间序列长度，输入[t
‑
n, t]时间序列范围内的特征信息，输出为[t+1,t+T]范围时刻的预测结果；将路网范围内融合后的数据输入模型，使用两层图卷积神经网络GCN提取空间特征，接着使用...

【专利技术属性】
技术研发人员：张雅伦博，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：