-
随着社会的飞速发展,我国私家车的数量也逐年增加。同时,汽车登记数量和机动车驾驶人数量的上升,使交通拥堵现象愈发明显。智慧交通系统旨在借助先进的信息与通信技术提供高效快捷的出行服务,其中,路径规划作为智慧交通系统的核心技术之一,其研究进展直接影响着智慧交通系统的部署。
目前,路径规划算法主要分为静态路径规划和动态路径规划。在静态路径规划中,路段的权值不会随着时间发生变化,典型的算法如Dijkstra算法[1]、A*算法[2]、蚁群算法[3]等。文献[4]使用双向搜索策略来改进传统A*算法以加快搜索效率。文献[5]利用遗传算法改进蚁群算法中影响信息素的参数,提高了算法的收敛性能和最优解寻找能力。但是路网具有动态性,前一时刻还畅通无阻的路段,有可能在车辆到达时变得拥堵,而固定的路段权值很难适应动态的路网,难以避开拥堵。相对于静态路径规划,动态路径规划算法考虑了时变的路段权值,在行进过程中不断获取实时路况,重新计算路段的权值并更新修正路线,以此避开拥堵,如典型D*算法。文献[6]研究了基于车载自组织网络VANET的动态路径规划,降低了车辆的行驶成本,也提高了避开拥堵的能力。文献[7]利用人工势场法结合强化学习的方式在动态环境中得到安全的路径。虽然动态路径规划算法通过周期性重规划的措施可以在一定程度上避开拥堵,但只考虑当前时刻的路况,没有从全局角度出发考虑路径在未来时刻的潜力,很难得到全局最优的路径[8]。
本文通过分析大量历史交通流数据的时空相关性,预测未来时刻的交通流参数,再通过熵权法和模糊综合判定得出拥堵状态分级,之后综合考虑当前时刻和未来时刻拥堵状况规划出更加合理的路径。
-
本文使用的地图数据来源于开放街道图OpenStreetMap,下载江苏省无锡市巡塘镇的部分地图,对原始地图进行清洗。之后使用交通仿真软件SUMO产生交通流并添加检测点,获取仿真期间路网上的交通流量、通行速度、交通密度等交通流参数。在交通流预测阶段,使用平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE作为准确度指标。在拥堵预测阶段,将拥堵状态划分为畅通、基本畅通、轻度拥堵、重度拥堵4个分级。仿真参数设置如表1所示,其中地图面积为在OSM官网中选取地图所对应的真实地图面积,选取路网中的主干路及其支路作为检查点。每轮实验进行10轮迭代,每次迭代投入20辆测试车辆,在所有的测试车辆到达终点后,统计各项指标的平均值。
参数 取值 切比雪夫阶数 3 时间卷积最小卷积核大小 3 历史数据长度/h 1 地图面积/平方公里 8.2 路网道路数量/条 2224 检测点数量/个 552 表2~4给出了不同预测模型下交通流量、交通密度和平均通行速度的预测结果。可以看出,LSTM模型预测效果好于传统SVR模型,而本模型和STGCN模型则优于LSTM和SVR模型。这是因为LSTM和SVR只提取时间相关性,而本模型和STGCN还考虑了路网拓扑方面的空间相关性。
模型 MAE MAPE RMSE 本模型 23.68 9.19 31.36 STGCN 24.85 9.62 32.52 LSTM 28.35 12.55 35.46 SVR 29.48 12.69 37.76 模型 MAE MAPE RMSE 本模型 1.23 9.21 0.0222 STGCN 1.26 9.7 0.0253 LSTM 1.32 11.5 0.0254 SVR 1.37 11.16 0.0263 模型 MAE MAPE RMSE 本模型 1.59 2.96 2.57 STGCN 1.64 3.09 2.68 LSTM 1.97 3.81 3.79 SVR 2.01 3.91 3.46 图5给出了本文模型在高峰时期的拥堵预测细节图。可以看到拥堵预测的结果和实际状况较为吻合,包括9点~10点半期间畅通到重度拥堵的转变,以及1点~1点半期间重度拥堵到畅通的过渡,都能被本模型大致捕捉到。在8点~2点15的75个采样点中,畅通状态的预测错误次数为5次,基本畅通状态的预测错误次数为5次,轻度拥堵状态的预测错误次数为4次,总计高峰时期的预测准确度为81.33%。
图6给出了不同数量车辆情况下不同算法的行驶时间对比。可以发现,随着投入车辆的增加,Dijkstra算法的劣势逐渐显现,因为在当前时刻的最优路径并不一定是未来时刻的合理路径,导致后续的行驶过程中遇上拥堵从而影响了行驶时间。D*算法在每个交叉路口重新规划路径,从而避开了拥堵,提高了行驶效率。而本文算法因为结合了当前时刻和未来时刻的路况,其长期收益更大。在投入900辆车时,本文算法相对于Dijkstra算法在行驶时间上减少了22.13%,相对于D*算法减少了5.35%。
表5给出了预期行驶时间与实际行驶时间对比。可以看到Dijkstra算法采用当前时刻路况计算路段通行时间,因此预期行驶时间与实际行驶时间的差值会随着路况的复杂变化而急剧增大。D*算法会不断重规划进行修正,所以差值相对Dijkstra算法较小但波动性强。本文算法考虑了未来时刻路况并且完整地利用了路况的变化趋势,因此差值能稳定地维持在一个较小的范围。
车辆数 Dijkstra算法 D*算法 本文算法 实际 预期 实际 预期 实际 预期 5000 656 588 657 586 656 621 6000 672 591 659 588 657 629 7000 715 583 675 647 659 621 8000 784 596 684 605 662 630 9000 863 605 710 657 672 645 图7给出了不同算法的行驶距离对比图。可以看到,D*算法行驶距离最长,这是因为频繁地重新规划带来了绕行。Dijkstra算法的行驶距离最短,但是最容易遇上拥堵。本文算法能在行驶时间比D*算法少的情况下也有更短的行驶距离,在投入数量为9000辆车时,行驶距离比D*算法减少了11.72%。
Research on Route Planning Based on Congestion Prediction
doi: 10.12178/1001-0548.2022333
- Received Date: 2022-10-08
- Rev Recd Date: 2023-11-03
- Available Online: 2024-05-13
-
Key words:
- smart transportation /
- congestion prediction /
- route planning /
- temporal and spatial correlation /
- fuzzy comprehensive judgment
Abstract: With the rapid increase of vehicles, the road network has become increasingly congested. It is of great significance to study the maximization of road network traffic efficiency, personal traffic time and path optimization. The existing methods periodically monitor congestion and replan paths. The previous path obtained by this kind of algorithm often leads to the detour of the next replanning, which is not conducive to the global optimization. This paper proposes a path planning algorithm based on congestion prediction. By analyzing the temporal and spatial correlation in a large number of historical traffic flow data, the traffic flow parameters at the future time are predicted, and then the congestion state classification is obtained through entropy weight method and fuzzy comprehensive judgment. A more reasonable path is planned by comprehensively considering the current and future congestion conditions. The simulation results show that compared with the dynamic path planning algorithm, this algorithm reduces the travel time by 5.35% and the travel distance by 11.72%.
Citation: | YANG Haifen, ZHANG Hui, JIANG Xianhao, LIN Shuisheng. Research on Route Planning Based on Congestion Prediction[J]. Journal of University of Electronic Science and Technology of China. doi: 10.12178/1001-0548.2022333 |