一种基于A*算法的动态多路径规划算法

车载导航系统中最重要的功能是路径规划,传统车载导航设备大多采用静态算法,没有采用实时交通信息规划出的路径可能不是最优路径。结合一种动态行程时间表对传统A*算法进行调整,可以有效利用路网实时交通数据规避拥堵路线,从而实现动态路径规划。另外,实际应用中,单一的优化路径往往不能满足需求,对此提出重复路径惩罚因子的概念,构造出了一种多路径规划算法,可以在路径相似度与路径通行代价之间取得平衡,避免了传统K最短路径(K Shortest Paths,KSP)算法路径相似度过高的缺点。     

基于无线传感器网络的移动机器人智能导航算法

结合了无线传感器技术和群集智能技术两者的优势,提出一种新的基于无线传感器网络的移动机器人智能导航控制算法,并考虑了能量消耗的问题。算法利用基于多传感器信息融合的全局概率地图构建技术、使用群集仿生智能的基于微粒群算法的实时在线路径规划以及避障策略,提高了智能导航的整体性能,满足了在复杂环境和未知障碍物下导航的实时要求。最后设计并构造出了实际的无线传感器网络和实际的机器人系统,验证了算法成功实现机器人导航的有效性和准确性。     

个人导航服务的数据组织研究

成功的导航应用不仅需要稳定的通信技术,精确的定位方法和高效的路径选择算法,同时还需要合理高效的数据组织,主要包括：合理管理空间数据以实现多尺度数据表达,实时数据组织,不同层的数据安排,数据分区,支持高效的多模式个人导航算法,在数据传输中采用最有效的数据压缩算法。该文基于NAVISTAR的实例研究,讨论了数据组织方法。     

基于卡尔曼滤波的路径行程时间预测方法

为提高常规卡尔曼滤波预测模型的自适应性，本文研究一种基于卡尔曼滤波的实时路径行程时间预测方法。首先通过主成分分析法考察行程时间与其影响因素时间序列之间的相关性，从而选择影响路径行程时间的主要因素，并建立相应的多元回归方程;其次，构造行程时间的卡尔曼滤波状态方程;最后，由一组卡尔曼滤波递推式计算得到行程时间的预测值。将本文算法应用于广州市某交通干道上的行程时间预测，并将本文算法和常规卡尔曼滤波方法进行比较。结论表明本文算法有效，用于路径行程时间预测具有较好的综合性能。     

一种综合高效的实时道路导航方案

根据目前道路导航方案以自主车辆型和局部最短路径选择为主的现实,利用GPS技术、分级路由选择算法、移动主机路由选择算法、动态权值修正算法和Dijkstra算法设计了一个综合的道路导航方案.GPS技术实现车辆定位,分级路由选择算法可降低道路的数据复杂性,提高计算机的检索速度,动态权值修正算法可实时修改道路的权值,Dijkstra算法可实现最短路径查找.该方案可实现全国范围内任意两个地点的实时最短路径选择,并能进行实时道路导航.     

基于Copula函数的交通网络行程时间可靠度计算方法

针对有效利用路段行程时间随机性特征计算路径、OD对（origin and destination,出发和到达地点）及交通网络上的行程时间可靠度问题进行了研究,提出一种更加准确的求解路径和OD对之间行程时间可靠度的计算方法。该方法基于Copula理论,通过构建Copula函数求出能够反映路径与OD对随机性特征的行程时间联合密度分布。新算法将路段流量实测数据用于模型的标定,并且考虑到了同一路径上不同路段的相关性。结合三种拓扑结构下的实际路网作为算例,模型算法的有效性得到验证,结果表明,当不考虑路段间相关性时,路径行程时间可靠度的计算结果会被高估。     

基于模糊控制器的机器人路径规划研究

针对复杂环境下移动机器人路径规划实际问题,提出了一种基于行为的移动机器人控制体系结构,设计了一种基于模糊控制器的移动机器人实时路径规划算法,为移动机器人在未知环境中的导航提出了一种新的思路.仿真结果表明,移动机器人能够克服环境中的不确定性,可靠地完成复杂任务,该算法有计算量小,效率高,鲁棒性好等优点.     

GPS微弱信号C/A码捕获的最佳路径搜索算法

C/A码的捕获是接收GPS信号最重要的环节.在弱信号的环境下,为了可靠地捕获C/A码、提高接收机的灵敏度,应尽量延长相干累积的时间.但是,由于导航数据比特的跳变,相干累积的时间受到限制.如何减少导航数据跳变沿的影响,延长相干累积的时间,是所有捕获算法的关键问题.在对目前常用的C/A码捕获算法进行研究的基础上,提出了搜索路径的概念,同时以导航数据跳变沿检测为前提,提出了基于最佳路径搜索的捕获算法.该算法采用相干累积的方法,不会引起平方损失.仿真结果表明,累积时间长度80ms,在SNR=-40dB的情况下,最佳路径算法仍具有高达92%的捕获成功率,能显著提高接收机的灵敏度.     

基于免疫算法的高速公路协调优化控制研究

为解决高速公路交通日益拥挤的状况,文中提出了基于人工免疫算法的高速公路匝道协调控制方法;针对高速公路实际情况采用字符编码方式对所有匝道依次编码,以高速公路最大流量．全局最小行程时间和入口平均等待时间三者作为抗原;搜索求得当某段意外堵塞情况时多个匝道协调控制的全局最优控制序数;最后,结合首都机场高速公路实际数据分别用免疫算法和遗传算法进行了仿真,结果表明本算法的有效性以及实时性。     

同心圆策略下机器人路径滚动规划遗传算法

该文提出了一种新颖的全局静态环境未知时基于同心圆策略的机器人路径滚动规划遗传算法.该算法在机器人视野域内产生若干个同心圆进行环境建模,然后基于遗传算法根据当前机器人视野域信息和目标点规划出一条临时的导航路径,机器人沿着该导航路径前进一步,再由遗传算法重新规划新的导航路径.机器人导航路径不断进行动态修改,使机器人沿着一条...     

基于动态模型的公交车行程时间预测

准确以及实时的公交车行程时间信息能够帮助出行者更好地规划行程,减少出行者的等待时间。提出了一种基于SVM-Kalman滤波的公交车行程时间动态预测模型。模型中,经过良好训练的SVM模型从历史数据进行预测得到行程时间基准;Kalman滤波动态算法在基于SVM模型预测值和最新公交出行信息的基础上对结果进行调整。以深圳市223路常规公交线路为实例,将动态模型的预测精度结果与单一SVM模型、ANN模型结果进行对比,结果表明,基于SVM-Kalman滤波的公交车行程时间动态预测模型的预测精度更高、动态性能更好。     

Real-time road traffic state prediction based on ARIMA and Kalman filter

The realization of road traffic prediction not only provides real-time and effective information for travelers, but also helps them select the optimal route to reduce travel time. Road traffic prediction offers traffic guidance for travelers and relieves traffic jams. In this paper, a real-time road traffic state prediction based on autoregressive integrated moving average (ARIMA) and the Kalman filter is proposed. First, an ARIMA model of road traffic data in a time series is built on the basis of historical road traffic data. Second, this ARIMA model is combined with the Kalman filter to construct a road traffic state prediction algorithm, which can acquire the state, measurement, and updating equations of the Kalman filter. Third, the optimal parameters of the algorithm are discussed on the basis of historical road traffic data. Finally, four road segments in Beijing are adopted for case studies. Experimental results show that the real-time road traffic state prediction based on ARIMA and the Kalman filter is feasible and can achieve high accuracy.     

双参卷积理论模型预测交通通行时间

随着城市经济的发展和人们生活节奏的加快,智慧交通领域针对出行时间的研究已经成为热点问题。出行前预估行程中的通行时间便于人们更合理地规划出行路径,基于时间状态特征的路径规划就是解决交通问题的重要手段之一。现有模型多关注于车辆到达时间或多结合于真实历史时间数据进行预测,对浮动车的运行状态、车速等是否对时间存在影响的问题研究较少。基于此现状,提出了一种基于状态特征的道路时间预测模型,在固定时段内,利用出租车载客与否情况对轨迹数据进行深度相关性分析,结合车辆行驶速度构建一个基于密度划分的双参卷积理论模型,用得到的最终速度值对通行时间进行计算。实验结果表明该模型算法与传统时间预测算法相比有更高的精确度和实用性,提高了人们对出行安排的合理化和层次化,对制定城市道路出行策略具有重要的意义。     

基于时空信息融合学习的路段行程车速短时预测

路段行程车速的变化受时间和空间维度信息的综合影响,多数神经网络模型仅从时间维度上预测路段行程车速的变化规律,未能全面考虑路网结构和上下游交通状态对路段行程车速的影响。结合图卷积网络和门控循环单元构建深度学习模型,挖掘路段行程车速的时空特性。通过在线地图平台获取路段实时行程车速,使用等维递补方法更新历史序列数据,提高预测实时性。在深圳市部分区域路网上的实验结果表明,该模型的多步预测精度均在90%以上,相比自回归积分滑动平均模型、支持向量机回归模型和门控循环单元模型最高提升了6.9%、1.3%和0.4%,具有更优的路段行程车速预测效果。     

基于国产处理器增量式实时交通流预测算法及实现

针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数据流进行快速建模、预测,在改善城市交通管理水平提供有效支撑的同时也丰富了国产芯片的应用领域。     

Non-expected Route Choice Model under Risk on Stochastic Traffic Networks

In this paper, we propose a novel non-expected route travel time (NERTT) model, which belong to the rank-dependent expected utility model. The NERTT consists of two parts, which are the route travel time distribution and the distortion function. With the strictly increasing and strictly concave distortion function, we can prove that the route travel time in the proposed model is risk-averse, which is the main focus of this paper. We show two different reduction methods from the NERTT model to the travel time budget model and mean-excess travel time model. One method is based on the properly selected distortion functions and the other one is based on a general distortion function. Besides, the behavioral inconsistency of the expected utility model in the route choice can be overcome with the proposed model. The NERTT model can also be generalized to the non-expected disutility (NED) model, and some relationship between the NED model and the route choice model based on the cumulative prospect theory can be shown. This indicates that the proposed model has some generality. Finally, we develop a non-expected risk-averse user equilibrium model and formulate it as a variational inequality (VI) problem. A heuristic gradient projection algorithm with column generation is used to solve the VI. The proposed model and algorithm are tested on some hypothetical traffic networks and on some large-scale traffic networks.     

基于道路风险评估的城市路网实时路径选择

为了缓解城市交通拥堵、避免交通事故的发生,城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展,城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles,IoV)范式过渡,这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上,众多学者的研究主要聚焦如何提高出行效率,减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题,首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R³A-EC),并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R²S-RA). R3A-EC模型利用边缘计算技术的低延迟,高可靠性等特点对城市道路进行实时风险评估,并利用最小风险贝叶斯决策验证道路是否存在风险问...     

基于支持向量回归的行程时间预测算法

作为交通规划、运营和通行能力评估的重要指标,行程时间的预测对出行者的路线和时间点的选择,以及交通规划部门的信号控制策略有着重要的实际意义。对于高级交通诱导系统而言,行程时间预测是一项关键的研究内容。现有行程时间预测方法较少,且预测误差较大。为此,运用浮动车和微波雷达测速数据,提出了基于支持向量机解决行程时间预测的方法,并且与历史平均法进行了比较。在杭州市高架路线上的实验结果表明,所提方法的预测精度大幅度超过了历史平均法。     

基于用户兴趣和兴趣点流行度的个性化旅游路线推荐

针对传统的旅游路线推荐算法推荐准确率不高的缺陷,提出一种基于兴趣点(POI)流行度和用户兴趣偏好的个性化旅游路线推荐(PTIR)算法。首先通过分析得到用户真实的历史旅游足迹;然后根据用户在每个景点的逗留时间提出基于时间的用户兴趣偏好;最后在给定的旅行时间限制、起点和终点下,设计最优旅游路线计算方法。在Flickr社交网站的真实数据集上进行实验,结果显示,相比传统的只考虑POI流行度的算法,该个性化旅游路线推荐算法的准确率和召回率都有较大提升;相比只考虑用户兴趣偏好的算法,该个性化旅游路线推荐算法的准确率和召回率也有所提高。实验结果表明综合考虑POI流行度和用户兴趣偏好能使路线推荐得更准确。