智能交通最優(yōu)路徑的分析與規(guī)劃

單春萍 侯少友 左志強

摘要：隨著人工智能的快速發(fā)展，所以在智能交通方面也取得了很多突破性的進(jìn)展。本研究即是在國內(nèi)外智能交通的基礎(chǔ)上，提出的一種新的智能交通最優(yōu)路徑的分析規(guī)劃模型。該模型是建立在大數(shù)據(jù)基礎(chǔ)上，通過車載GPS定位系統(tǒng)和車主手機(jī)使用的導(dǎo)航軟件來定位車主目前所處的地理位置，并利用衛(wèi)星和航空攝影以及流動車觀測等技術(shù)來進(jìn)行實時數(shù)據(jù)收集，將收集的數(shù)據(jù)傳輸至我們的分析系統(tǒng)，最后通過云端數(shù)據(jù)庫和人工智能技術(shù)進(jìn)行相關(guān)道路實時路況分析和全局規(guī)劃與決策，用以幫助駕駛?cè)诉x擇最佳路線到達(dá)目的地，節(jié)約時間和經(jīng)濟(jì)成本，提高駕駛體驗。

關(guān)鍵詞：大數(shù)據(jù);人工智能;云端數(shù)據(jù)庫;最優(yōu)路徑選擇

引言

經(jīng)濟(jì)的發(fā)展和科技的進(jìn)步，使得機(jī)動車輛成為公眾出行最主要的交通工具之一，但是城市內(nèi)的道路設(shè)施卻因為空間資源的有限而無法滿足機(jī)動車的高速增長，使得交通擁堵成為一個世界性的普遍現(xiàn)象和社會問題，雖然國家通過修建更多道路來減輕交通壓力實現(xiàn)難度還是很高，而智能交通系統(tǒng)利用信息與通信、傳感技術(shù)、計算機(jī)技術(shù)對衛(wèi)星定位系統(tǒng)打點軌跡實時分析處理，提供實時路況信息供出行者指定最優(yōu)的合適路線，極大提高道路利用率，減少交通擁堵現(xiàn)狀，是解決交通擁堵問題的最有效方式[1]。

目前人工智能正處于發(fā)展中狀態(tài)，小到手機(jī)的操作系統(tǒng)，大到人造衛(wèi)星的正常運行，都與人工智能息息相關(guān)。人工智能從誕生以來，理論和技術(shù)的日益成熟，應(yīng)用領(lǐng)域也隨之不斷擴(kuò)大，不難設(shè)想，如果這項科學(xué)技術(shù)能夠以穩(wěn)定、健康的方式發(fā)展下去，未來它將帶給人類無窮的財富將會成為人類智慧的“容器”。本研究最大的特色即是探索人工智能在最優(yōu)道路規(guī)劃方面的應(yīng)用，具有較強的實踐意義。

一、大數(shù)據(jù)應(yīng)用分析

通過車輛里安裝的GPS定位系統(tǒng)或者車主手機(jī)使用的導(dǎo)航軟件來定位車主目前所處的地理位置，利用衛(wèi)星來進(jìn)行實時數(shù)據(jù)收集，將收集的數(shù)據(jù)傳輸至我們的分析系統(tǒng)，經(jīng)過云端數(shù)據(jù)分析處理后，將最佳行駛路線以及地形通過點、線，面的方式進(jìn)行表達(dá)，最終以矢量模型的形式發(fā)送到用戶手上。

由于道路狀況變化過快，故我們必須時刻更新后臺數(shù)據(jù)庫的數(shù)據(jù)信息，一般的數(shù)據(jù)庫已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足需求，所以利用云端的數(shù)據(jù)庫進(jìn)行數(shù)據(jù)的實時更新與數(shù)據(jù)分析。

大數(shù)據(jù)對云端數(shù)據(jù)庫的作用包括兩個層面：

①提升數(shù)據(jù)覆蓋范圍和數(shù)據(jù)實時性;

②使基礎(chǔ)數(shù)據(jù)和動態(tài)數(shù)據(jù)在廣度、深度上得到強化。

（1）交通量的調(diào)查方法

①儀器自動計測法與GPS法：以司機(jī)、乘客手機(jī)上的地圖軟件和車輛上安裝的GPS來采集實時車速為主，以攝像頭，道路雷達(dá)測速測量車速為輔，判別道路是否擁擠。

②航空攝影法：利用航空攝影技術(shù)來進(jìn)行交通量檢查，其觀測點是一個空間連續(xù)的移動斷面，因此航空攝影法車流量Q航的計算為：

Q航=KVS

Q=Q1+Q2

式中：Q----順向、逆向雙向交通流量;

Q1、Q2----順向、逆向車流量;

VS----車流空間平均車速/（km/h）

③流動車觀測法及人工觀測法：通過用戶的照片拍攝以及用戶在地圖軟件的道路狀況反饋、實地外采以及人工建模處理等來了解道路狀況[2]。

（2）數(shù)據(jù)庫部分代碼：

DROP TABLE IF EXISTS `city`;

CREATE TABLE `city`（

`id` int（9）NOT NULL AUTO_INCREMENT，

`city_name` varchar（255）DEFAULT NULL COMMENT'城市名'，

`city_code` int（6）NOT NULL COMMENT'城市郵編'，

`leave` varchar（1）NOT NULL COMMENT'城市等級：0：省份;1：城市'，

`creat_time` datetime NOT NULL COMMENT'創(chuàng)建時間'，

`modify_time` datetime DEFAULT NULL COMMENT'修改時間'，

PRIMARY KEY（`id`）

）ENGINE=InnoDB AUTO_INCREMENT=3 DEFAULT CHARSET=utf8;

INSERT INTO `city` VALUES（'1'，'合肥'，'230000'，'1'，'2018-11-03 09：08：49'，'2018-12-25 17：03：10'）;

INSERT INTO `city` VALUES（'2'，'阜陽'，'236000'，'1'，'2018-11-03 11：10：04'，'2018-12-25 18：10：17'）;

（3）車輛多路線規(guī)劃代碼：

int stratFlag = 0;

try{

stratFlag = mAMapNavi.stratConvert（hightspeed，congestion，cost，avoidhightspeed，true）;

}catch（Exception e）{

LOGGER.debug（"多線路規(guī)劃失?。?+ e.printStackTrace（））;

}

public void multiLineSelectionSuccess（int[]routes）{

routeOverlays.clear（）;

HashMap<Integer，AMapNaviPath>paths = mAMapNavi.getNaviPaths（）;

for（int i = 0;i < routes.length;i++）{

AMapNaviPath path = paths.get（routes[i]）;

if（path！= null）{

drawRoutes（routes[i]，path）;

}

}

}

aMapNavi.selectRouteId（routeIds[routeIndex]）;

二、Artificial Intelligence

（1）交通特性：

在整個交通系統(tǒng)中，司機(jī)的信息處理過程總體概括就是感知、判斷決策和操縱三個階段不斷循環(huán)往復(fù)的過程[3]。本系統(tǒng)是通過智能感知的方法為司機(jī)提供較好的決策意見。

以往的感知是司機(jī)通過視覺、聽覺等感覺器官來感知行車的環(huán)境、條件和信息，如道路線形、交通標(biāo)志、人與車等。智能的感知則是通過大數(shù)據(jù)平臺，掌握車輛從起點到終點的數(shù)目、車速、車距、路狀、交通標(biāo)志、紅綠燈個數(shù)及停留時間等一系列與駕駛有關(guān)的特性數(shù)據(jù)。通過對比可以發(fā)現(xiàn)以前的感知只是司機(jī)的局部感知，而智能感知從全局的數(shù)據(jù)出發(fā)，完成了全程的駕駛感知，所以全局規(guī)劃決策優(yōu)于局部觀察決策[4]。

（2）決策模型：

以前的判斷決策形式是通過司機(jī)在感知信息的基礎(chǔ)上，結(jié)合駕駛經(jīng)驗和技能，做出判斷，來確定有利于汽車安全順暢的行駛措施，這涉及很多個人技能與經(jīng)驗，很容易造成各種突發(fā)情況[5]。而本系統(tǒng)提出的新的智能決策模型將很好的避免這類問題，更好的完成決策。

預(yù)測：

根據(jù)交通系統(tǒng)中是否接入人工智能道路分析系統(tǒng)的車輛及其它因素，現(xiàn)將預(yù)測分為三種情況。

①沒有接入人工智能道路分析系統(tǒng)和導(dǎo)航系統(tǒng)的預(yù)測方式。對于電瓶車、摩托車、拖拉機(jī)、輪式專用車械、自行車等車可以根據(jù)以前統(tǒng)計的數(shù)據(jù)直接進(jìn)行擬合，因為數(shù)量較少，行駛情況變化不大，對主道路不會產(chǎn)生較大的影響。

②沒有接入人工智能道路分析系統(tǒng)和接入導(dǎo)航系統(tǒng)的預(yù)測方式。接入導(dǎo)航系統(tǒng)的車輛，可以通過導(dǎo)航系統(tǒng)的定位數(shù)據(jù)和其他數(shù)據(jù)，利用人工智能算法模型來預(yù)測這些車輛的走向趨勢。

③接入人工智能通路分析系統(tǒng)和導(dǎo)航系統(tǒng)的預(yù)測方式。通過關(guān)于決策駕駛的數(shù)據(jù)直接預(yù)測適合車輛的最優(yōu)的行駛路徑，將得到非常失敗的效果。因為這是一個開系統(tǒng)，假設(shè)有很多車都被規(guī)劃行駛那條原本不擁堵的道路，下一刻將會變的非常擁堵，所以必須要形成閉系統(tǒng)來進(jìn)行預(yù)測規(guī)劃。

本系統(tǒng)的解決方法如下：智能系統(tǒng)多級化分析。首先通過影響駕駛路線的數(shù)據(jù)來預(yù)測車輛走向并初步規(guī)劃路徑，然后將車輛的規(guī)劃路徑數(shù)據(jù)傳遞給下一層再做出新的規(guī)劃來校正原來路徑數(shù)據(jù)，再繼續(xù)向下傳遞。接著校正，最終形成從個人車輛到一條路再到一個社區(qū)一直到整個城市的閉合的人工智能道路分析系統(tǒng)。

規(guī)劃：

通過上述三種情況的預(yù)測，再經(jīng)過數(shù)據(jù)整合分析，用接入人工智能通路分析系統(tǒng)和導(dǎo)航系統(tǒng)的預(yù)測方式來完成整個城市的車輛路徑規(guī)劃問題[6]。

（3）訓(xùn)練模型：

通過來源于交通平臺的各種數(shù)據(jù)（上述中預(yù)測規(guī)劃的數(shù)據(jù)、優(yōu)秀駕駛員的經(jīng)驗數(shù)據(jù)等其他的交通數(shù)據(jù)）來訓(xùn)練我們的人工智能道路分析系統(tǒng)的模型，完善模型，給出最佳的決策意見，來解決道路擁堵問題。

三、小結(jié)

本研究以智能交通網(wǎng)絡(luò)為基礎(chǔ)，對車輛行駛的最優(yōu)路徑規(guī)劃方案進(jìn)行研究。所做具體工作如下：

（1）利用大數(shù)據(jù)和人工智能對樣本數(shù)據(jù)進(jìn)行計算，推算出當(dāng)前道路的平均通行速度和路面突發(fā)事件進(jìn)而確定智能交通路網(wǎng)模型對車輛最優(yōu)行駛路線;

（2）通過物聯(lián)網(wǎng)技術(shù)將所有車輛的方位進(jìn)行實時統(tǒng)計，并通過一定時間內(nèi)的數(shù)據(jù)使用人工智能自主分析得出每個車輛的行駛趨勢，預(yù)測以后某個時間段內(nèi)的道路情況，最終給出最佳行駛路線;

（3）從三個方面對比提出人工智能通路分析系統(tǒng)的必要性。

參考文獻(xiàn)：

[1]王賽政.動態(tài)交通條件下車輛導(dǎo)航系統(tǒng)的最優(yōu)路徑規(guī)劃方法研究[D].長沙理工大學(xué)，2010.

[2]梁卜文.大數(shù)據(jù)時代下的智能交通[J].科技風(fēng)，2018 （03）：213.

[3]陸楊潔.智能交通系統(tǒng)中車輛最優(yōu)行駛路線規(guī)劃設(shè)計[D].浙江工業(yè)大學(xué)，2015.

[4]高子初，張寧.用大數(shù)據(jù)智能交通技術(shù)管理復(fù)雜多車道道路的新策略[J].科技與創(chuàng)新，2018 （01）：25-26.

[5]胡輝，胡松，蔡映雪，陳伽，尹輝，蔡昭權(quán).基于北斗衛(wèi)星定位的智能交通車輛管理系統(tǒng)[J].現(xiàn)代計算機(jī)（專業(yè)版），2017 （25）：48-51.

[6]李娟.智能交通管控平臺重點車輛管理系統(tǒng)的設(shè)計與實現(xiàn)[D].山東大學(xué)，2016.