基于广义可能性Kripke模型的车辆路径预报方法

技术领域

本发明属于计算机技术领域，具体地涉及到车辆路径导航。

背景技术

传统最优出行路径规划方法多是针对最小化路径长度的单一目标优化方法，基于简单的迭代计算获取，但是城市道路中具有代表性的指标往往不只一个、且具有不确定性和差异性。因此，直接利用数据驱动的方式寻找最优出行路径逐渐成为研究热点。

车辆位置转移的选择通常可以描述驾驶员在出行过程中的实际选择行为，基于车辆位置转移的研究当中，大多数研究利用较繁杂的机器学习过程，对寻找最优路径而言，其实现效率往往较低。在实际行驶过程中，可假设历史出行数据当中隐含驾驶员对最优路径的选择，因此可以基于特定条件下的历史出行情况，获取相应的驾驶情况并进行最优路径规划。

概率模型检测主要处理由随机过程产生的不确定性系统的模型检测问题，其目标是针对定量概率规范，确定概率系统的准确性。多值模型检测主要处理包含不完全或者不一致信息系统的模型检测问题。模糊模型检测主要处理包含数据表述不确定性系统的模型检测问题，其更关注于系统在属性上的真值。虽然可能性计算树逻辑比计算树逻辑更具表现力，但它的限制性太强。一些不确定性可以使用可能性理论来描述，但是无法直接使用可能性计算树逻辑模型检测来处理，例如那些由具有模糊标签值的可能性Kripke结构建模系统。考虑到驾驶员多会选择最优路径出行，在所有驾驶员均认为自身已选择最优路径的前提下，依据历史出行数据为特定起点与终点间的出行进行最佳路径规划。因此，通过模型检测并且基于广义可能性Kripke模型的最优路径预测方法可以考虑到不同交通状况存在的影响，并将最大概率评估值的路径作为最优路径的预测结果。

在公路交通高技术领域，当前需迫切解决的一个技术问题是为行走车辆提供一种交通畅通、安全的路径预报方法。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种数据易获取、执行过程简单方便、预测准确的基于广义可能性Kripke模型的车辆路径预报方法。

解决上述技术问题所采用的技术方案如下：

(1)构建实际路况模型

采集起点和终点之间的道路状况数据，起点和终点之间所有经过的道路交叉口集合S：

S＝{s

其中，s

(2)构建路径转移分布矩阵

按下式构建路径转移分布矩阵P：

其中，s

(3)量化初始交通状况

按下式将道路交叉口s

I

其中，i

(4)构建车辆路径预报原子命题

车辆路径规划原子命题包括车辆平均速度v、红绿灯平均等待时间t、交通违章指数p。

(5)量化标签值

按下式量化车辆平均通过速度标签值L(s

其中，v表示车辆平均通过速度，v

其中，t表示红灯平均等待时间，t

其中，p表示交通违章指数，c表示最近半年道路交叉口s

(6)进行模型检测

按式(1)确定每个道路交叉口满足下一个道路交叉口红灯等待时间较长的可能性Po(○t)：

P

P

其中，○t表示从当前道路交叉口的下一个经过的道路交叉口满足红灯等待时间较长，

按照式(2)确定每个道路交叉口满足不会发生交通违章的可能性

其中，

按照式(3)确定每个道路交叉口满足车辆最终会以较快的速度通行的可能性

Po(◇v)：

其中，◇v表示在某一时刻车辆会以较快的速度通行，I表示单位矩阵，D

(7)评估道路交叉口的优劣

按式(4)评估道路交叉口s

f(s

E

E

其中，e表示车辆平均通过速度所占权重，E

(8)预报最优路径

1)确定后继道路交叉口所在的集合C

道路交叉口s

C＝{s

其中，s

2)确定后继道路交叉口的评估集合D

对于集合C中的每一个道路交叉口s

D＝{f(s

其中，f(s

3)确定车辆经过的下一个道路交叉口

选择评估集合D中评估值最大的f(s

4)输出最优路径

依次类推，逐步选出下一个经过的最优道路交叉口，得局部最优路径。

本发明的步骤(2)构建路径转移分布矩阵为：

按下式构建路径转移分布矩阵P：

其中p

本发明与可能性Kripke结构相比，采用广义可能性Kripke模型对道路交通状况进行建模，将道路交叉口作为状态空间，路段的畅通程度作为路径转移分布矩阵，车辆平均通过速度、红灯平均等待时间和交通违章指数作为标签值，提出了根据广义可能性Kripke结构建模的最优路径预报方法，解决了计算困难的技术问题，具有数据易获取、执行过程简单方便等优点，对交通管理与预报的实行措施具有一定价值。

附图说明

图1是本发明实施例1的流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，但本发明不限于下述的实施方式。

实施例1

本实施例的基于广义可能性Kripke模型的车辆路径预报方法由下述步骤组成(参见图1)：

(1)构建实际路况模型

采集起点和终点之间的道路状况数据，起点和终点之间所有经过的道路交叉口集合S：S＝{s

其中，s

(2)构建路径转移分布矩阵

按下式构建路径转移分布矩阵P：

其中，s

(3)量化初始交通状况

按下式将道路交叉口s

I

其中，i

(4)构建车辆路径预报原子命题

车辆路径规划原子命题包括车辆平均速度v、红绿灯平均等待时间t、交通违章指数p。

(5)量化标签值

按下式量化车辆平均通过速度标签值L(s

其中，v表示车辆平均通过速度，v

其中，t表示红灯平均等待时间，t

其中，p表示交通违章指数，c表示最近半年道路交叉口s

本实施例的基于广义可能性Kripke模型与可能性Kripke结构相比，广义可能性Kripke结构的初始分布和状态转移分布没有正态条件限制，符合城市实际道路交通情况，而且广义可能性Kripke结构的标签值模糊，包含模糊信息。在最优路径规划问题中，道路交通状况被形式化为广义可能性Kripke结构。

(6)进行模型检测

按照式(1)确定每个道路交叉口满足下一个道路交叉口红灯等待时间较长的可能性Po(○t)：

P

P

其中，○t表示从当前道路交叉口的下一个经过的道路交叉口满足红灯等待时间较长，

按照式(2)确定每个道路交叉口满足不会发生交通违章的可能性

其中，

按照式(3)确定每个道路交叉口满足车辆最终会以较快的速度通行的可能Po(◇v)：

其中，◇v表示在某一时刻车辆会以较快的速度通行，I表示单位矩阵，D

(7)评估道路交叉口的优劣

按式(4)评估道路交叉口s

f(s

E

E

其中，e表示车辆平均通过速度所占权重，E

(8)预报最优路径

1)确定后继道路交叉口所在的集合C

道路交叉口s

C＝{s

其中，s

2)确定后继道路交叉口的评估集合D

对于集合C中的每一个道路交叉口s

D＝{f(s

其中，f(s

3)确定车辆经过的下一个道路交叉口

选择评估集合D中评估值最大的f(s

4)输出最优路径

本发明与可能性Kripke结构相比，采用广义可能性Kripke模型对道路交通状况进行建模，将道路交叉口作为状态空间，路段的畅通程度作为路径转移分布矩阵，车辆平均通过速度、红灯平均等待时间和交通违章指数作为标签值，提出了根据广义可能性Kripke结构建模的最优路径预报方法，解决了计算困难的技术问题，具有数据易获取、执行过程简单方便等优点。

依次类推，逐步选出下一个经过的最优道路交叉口，得局部最优路径。

完成基于广义可能性Kripke模型的车辆路径预报方法。

实施例2

本实施例的基于广义可能性Kripke模型的车辆路径预报方法由下述步骤组成：

(1)构建实际路况模型

该步骤与实施例1相同。

(2)构建路径转移分布矩阵

按下式构建路径转移分布矩阵P：

其中，s

其他步骤与实施例1相同。

完成基于广义可能性Kripke模型的车辆路径预报方法。

实施例3

本实施例的基于广义可能性Kripke模型的车辆路径预报方法由下述步骤组成：

(1)构建实际路况模型

该步骤与实施例1相同。

(2)构建路径转移分布矩阵

按下式构建路径转移分布矩阵P：

其中，s

其他步骤与实施例1相同。

完成基于广义可能性Kripke模型的车辆路径预报方法。