[0001] 本发明涉及智能交通技术领域，尤其涉及一种路径规划方法。

[0002] 现在，城市道路上车辆越来越多，路径规划的问题越来越重要。错综复杂的道路结构、实时变化的交通状况、以及大量频繁的路径规划，给路径规划的实时性和有效性带来了巨大的挑战。现有的路径规划，主要分为两种：静态路径规划和动态路径规划。静态路径规划，大多采用Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法等，动态路径规划则多采用遗传算法、蚁群算法、模拟退火、神经网络等方法。

[0003] 传统的路径规划方法，如Dijkstra算法，其特点是以起始点为中心向外层层拓展，直到拓展到终点为止。Dijkstra算法主要基于点与点之间的连接关系，依靠连接关系寻找路线，算法总的时间复杂度为O(n2)，当节点数目和连接关系数量较大时，其计算效率和存储效率都很低。动态路径规划的计算量更是难以满足实时性的需求。

[0037] 下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

[0038] 实施例：路网结构可以表示为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合。路口节点vi(xi,yi)∈V，两个路口之间的路段构成道路路径ri,j＝＜vi,vj＞∈R，道路路径的权重值f(ri,j)∈F。xi，yi分别为路口节点vi的横纵坐标位置。

[0039] 车辆行驶轨迹可以表示为S(O,D,VS,RS,FS,TS)，O(xO,yO)为车辆行驶轨迹的起始位置，D(xD,yD)为车辆行驶轨迹的目标位置，VS为车辆行驶轨迹经过的路口节点的集合，RS为车辆行驶轨迹经过的道路路径的集合，FS为车辆行驶轨迹经过的道路路径的权重值的集合，TS为车辆行驶轨迹经过路口节点的时间的集合。

[0040] 如图1所示，一种路径规划方法主要包括建立路径规划模型；利用历史数据获得路径规划模型的参数；利用训练好的路径规划模型为驾驶人提供路径规划这三个步骤。

[0041] 一、建立路径规划模型

[0042] 以当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算路径选择因子bt,l：

[0043]

[0044] 其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，p为当前位置，D为目标位置， 为当前位置与目标位置构成的向量，vt为最新经过的路口节点(当前位置在路口节点时，vt为p，当前位置在道路时，vt为沿道路行驶经过的第一个路口节点)，vl为与vt构成关联路段的下一个路口节点， 为可选行驶路段方向，α+β＝1。道路路径的权重值可以采用交通运行指数、或道路通行成本、或道路平均车速。

[0045] 当权重值采用交通运行指数g时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的交通运行指数g(rt,l)；

[0046] 当权重值采用道路通行成本w时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的通行成本w(rt,l)；当权重值采用道路平均车速c时，道路路径rt,l的权重值f(rt,l)为道路路径rt,l的平均车速c的倒数1/c(rt,l)。

[0047] 该模型的优点，模型简单，计算速度快。当权重值为道路拥堵程度、道路通行成本时，该模型为驾驶人提供了既考虑行驶方向又考虑行驶需求的路径规划。与Dijkstra算法相比，该模型不需要经过层层迭代、循环计算，计算效率大大提高，满足实时计算的需求。该模型提供的规划路径也可以作为一条参考路径，来提高最佳路径规划的计算速度。

[0048] 二、利用历史数据获得路径规划模型的参数

[0049] 1、采集大量的历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；

[0050] 2、据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法，对表达式 求最小值，将路口节点分成K类，K取10，V＝{V1,V2,...,V10}，V1,V2示意图如图2所示。

[0051] 3、本实施例中，将路口节点的密集程度分为5个等级，A1、A2、A3、A4、A5，采用交通运行指数作为交通区域道路路径的权重值，交通指数范围为0～10，分为五个等级：B1、B2、B3、B4、B5，分别指畅通(0-2)、基本畅通(2-4)、缓行(4-6)、较拥堵(6-8)、拥堵(8-10)。

[0052] 4、根据路口节点的密集程度、交通区域平均交通运行指数、车辆行驶路径经过的分类个数，将历史样本数据进行划分，历史样本数据符合 的划分到组；

[0053] 路口节点密集程度高表示这块区域的路口节点多，车辆可以选择行驶的道路多，有利于路径规划的修正，路口节点密集程度低表示这块区域的路口节点少，车辆一旦选择一条道路行驶，则变更行驶道路的可能性较小；交通区域平均交通运行指数，交通高峰时段时平均交通运行指数较高，交通普通时段时平均交通运行指数较低；车辆行驶路径经过的分类个数越少，说明车辆初始位置与目标位置的距离越近。这样数据分类优点说明：车辆行驶需求的相似程度高于按时间或按区域的数据分类，提供更为准确的样本数据，便于建立更为适用的模型。

[0054] 如下表1所示，车辆编号为NO.1457和NO.1853的数据划分到同一组样本数据[0055]

[0056] 表1

[0057] 5、求 样本数据的最佳方向权重因子α和交通运行指数权重因子β，样本数据包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据；

[0058] 5.1随机产生α、β=1-α，α≤1；

[0059] 5.2从第一条历史行驶轨迹的初始位置开始，提取车辆编号为NO.1457的车辆行驶轨迹初始位置O（v0）、目标位置D（v10），车辆行驶时的实时交通运行指数；

[0060] 如图3所示，车辆在初始位置O时，可选择的行驶道路有 和 对应的路径选择因子分别为：

[0061]

[0062]

[0063] 比较行驶道路 和 的路径选择因子， 选择行驶道路 根据当时的交通运行指数换算车辆在道路 的行驶时间

[0064] 以此类推， 获得车辆编号为NO.1457 的车辆一条可行路径为O→v3→v4→v5→v6→v7→D；

[0065] 行驶时间为

[0066] 5.3包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据，计算总行驶时间th；

[0067] 5.4以总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。本实施例中采用遗传算法求得 样本数据的最佳方向权重因子α＝0.83和交通运行指数权重因子β＝0.17。

[0068] 三、利用训练好的路径规划模型为驾驶人提供路径规划

[0069] 当驾驶人输入初始位置、目标位置时，判断当前情况符合采用 组对应的最佳方向权重因子α和交通运行指数权重因子β，获得规划路径。

[0070] 以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。