智能交通系统中的最优路径规划方法

本发明涉及路径规划，具体为智能交通系统中的最优路径规划方法。

背景技术：

1、随着城市化进程的快速推进和机动车保有量的持续增长，交通拥堵问题成为全球范围内城市管理中的重大挑战之一。交通问题不仅降低了城市运行效率，还导致能源浪费、环境污染和居民生活质量下降。因此，如何通过高效的路径规划技术缓解交通压力，是智能交通系统(intelligent transportation system,its)领域的重要研究方向。

2、目前，传统的路径规划方法主要依赖经典算法(如dijkstra算法、a*算法)来计算最短路径或最短时间路径。这些方法在静态交通环境中表现较好，但在实际应用中存在以下显著不足：

3、传统方法依赖固定的道路网结构和历史交通数据，难以处理实时交通信息。例如，高峰时段的拥堵路段、临时事故导致的交通中断、恶劣天气条件下的道路通行能力变化等情况，都可能影响路径的实际通行效率。然而，传统路径规划方法无法实时更新路径计算结果，也无法结合复杂的动态交通数据作出快速响应。

4、用户对路径规划的需求多种多样，包括时间最短、费用最低、燃油消耗最少或碳排放最低等。然而，现有路径规划算法通常只关注单一目标(如最短距离或时间)，忽略了用户的个性化需求以及多目标之间的平衡。例如，对于物流运输企业，降低燃油成本和减少碳排放可能是优先目标，而对于普通通勤者，时间成本可能更加重要。传统方法无法同时优化多个目标，也无法根据用户偏好动态调整优化策略。

5、现有路径规划方法往往基于单点到单点的局部最优路径计算，忽略了整体交通网络的全局优化。例如，当多个用户同时选择最短时间路径时，可能导致部分路段严重拥堵，而其他道路资源未被充分利用。这种情况进一步加剧了城市交通资源的不均衡利用，无法实现整体交通效率的提升。

6、部分路径规划系统尝试结合历史数据进行趋势预测，但大多数方法仅停留在简单的静态分析和线性回归层面。实际上，交通流量具有显著的非线性特征，且受多种外部因素(如天气、重大活动、节假日)的影响。传统方法在处理这些复杂因素时表现乏力，导致路径规划结果的预测精度不足，无法为用户提供高质量的导航服务。

7、当前大多数路径规划技术依赖单一算法(如经典的图搜索算法)，对复杂场景的适应性较差。例如，当涉及多目标优化、动态交通变化和个性化用户需求时，单一算法难以满足实际需求。此外，这些算法在处理大规模城市交通网络时，计算效率不足，难以满足实时路径规划的要求。

8、为此，我们急需设计智能交通系统中的最优路径规划方法解决上述问题。

技术实现思路

1、本发明的目的在于针对现有技术的不足之处，提供智能交通系统中的最优路径规划方法，以解决背景技术中所提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种智能交通系统中的最优路径规划方法，包括以下步骤：

3、采集交通数据，包括实时交通数据r(t)、历史交通数据h(x)和环境数据e(t)；

4、构建基于时间、费用和碳排放的多目标优化函数：

5、f(x)＝w1t(x)+w2c(x)+w3e(x)

6、其中，t(x)为通行时间，c(x)为通行费用，e(x)为碳排放量，w1、w2、w3为权重系数；

7、利用强化学习算法对路径规划进行优化，通过状态转移函数：

8、st+1＝π(st，at)+∈

9、其中，st为当前状态，at为当前行动策略，π为策略函数，∈为随机扰动项；

10、根据用户个性化需求动态实时更新路径规划结果，基于数据反馈调整优化模型中的权重和状态。

11、作为本发明优选的技术方案，所述交通数据采集模块通过交通摄像头、物联网设备和用户移动端采集数据，并对r(t)、h(x)、e(t)进行数据清洗和标准化处理，定义为：

12、d＝α1r(t)+α2h(x)+α3e(t)

13、其中，α1，α2，α3为标准化系数。

14、作为本发明优选的技术方案，所述多目标优化函数的通行时间t(x)通过以下公式计算：

15、

16、其中，di为第i段路程的距离，vi为第i段路程的平均车速，n为总路段数。

17、作为本发明优选的技术方案，所述多目标优化函数中的通行费用c(x)通过以下公式计算：

18、

19、其中，ci，toll为第i段路程的过路费，ci，fuel为第i段路程的燃油费用。

20、作为本发明优选的技术方案，所述多目标优化函数中的碳排放量e(x)通过以下公式计算：

21、

22、其中，ei为第i段路程的单位碳排放量，di为路程距离。

23、作为本发明优选的技术方案，所述强化学习算法中的奖励函数r通过以下公式定义：

24、r＝-(w1t(x)+w2c(x)+w3e(x))

25、其中，负号表示优化目标为最小化。

26、作为本发明优选的技术方案，路径动态更新通过时间序列预测模型实现，其中采用基于lstm的时序预测模型，预测未来k时间段的交通状态p(t+k)：

27、p(t+k)＝f(r(t)，h(x)，e(t))

28、其中，f为非线性预测函数。

29、作为本发明优选的技术方案，用户个性化需求通过调整优化函数中的权重w1，w2，w3实现，定义如下：

30、w1+w2+w3＝1，wi∈[0，1]

31、用户可通过用户界面选择偏好后动态调整。

32、作为本发明优选的技术方案，所述状态转移函数中的扰动项∈通过正态分布生成：

33、

34、其中，σ为控制随机性的方差。

35、作为本发明优选的技术方案，最终的路径规划结果通过以下公式确定：

36、

37、其中，x*为最优路径，优化目标为在所有候选路径中选择代价最低的路径。

38、与现有技术相比，本发明的有益效果是：

39、第一，本发明通过多源数据融合技术，将实时交通数据、历史交通数据和环境数据有机整合，构建了多目标优化模型，能够综合考虑时间、费用和碳排放等关键因素。用户可根据自身需求动态调整权重，实现个性化路径推荐，提升了路径规划的灵活性和适应性。

40、第二，本发明采用强化学习算法和动态交通预测模型，结合实时状态反馈机制，能够快速响应复杂交通环境中的动态变化，如高峰拥堵、突发事故和恶劣天气等情况，实现路径的实时优化。与传统方法相比，本发明显著提高了路径规划的准确性和实时性，减少了因交通拥堵导致的时间和能源损失。

41、第三，本发明广泛适用于多场景交通需求，包括高峰期避堵、节假日流量优化、物流配送路径规划、校车调度以及新能源车辆路径优化等。通过提高全局交通资源利用效率和减少碳排放，本发明对缓解交通压力、节约能源和改善环境具有重要意义，同时具备良好的社会价值和经济效益。