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展。本研究即是在國內外智能交通的基礎上，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)基礎上，通過車載GPS定位系統(tǒng)和車主手機使用的導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來進行實時數(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)庫和人工智能技術進行相關道路實時路況分析和全局規(guī)劃與決策，用以幫助駕駛人選擇最佳路線到達目的地，節(jié)約時間和經濟成本，提高駕駛體驗。

關鍵詞：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

經濟的發(fā)展和科技的進步，使得機動車輛成為公眾出行最主要的交通工具之一，但是城市內的道路設施卻因為空間資源的有限而無法滿足機動車的高速增長，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、計算機技術對衛(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。人工智能從誕生以來，理論和技術的日益成熟，應用領域也隨之不斷擴大，不難設想，如果這項科學技術能夠以穩(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)劃方面的應用，具有較強的實踐意義。

一、大數(shù)據(jù)應用分析

通過車輛里安裝的GPS定位系統(tǒng)或者車主手機使用的導航軟件來定位車主目前所處的地理位置，利用衛(wèi)星來進行實時數(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，面的方式進行表達，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)庫已經遠遠不能滿足需求，所以利用云端的數(shù)據(jù)庫進行數(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）交通量的調查方法

①儀器自動計測法與GPS法：以司機、乘客手機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：利用航空攝影技術來進行交通量檢查，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)劃失敗："+ 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)往復的過程[3]。本系統(tǒng)是通過智能感知的方法為司機提供較好的決策意見。

以往的感知是司機通過視覺、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、交通標志、紅綠燈個數(shù)及停留時間等一系列與駕駛有關的特性數(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在感知信息的基礎上，結合駕駛經驗和技能，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)和導航系統(tǒng)的預測方式。對于電瓶車、摩托車、拖拉機、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)和接入導航系統(tǒng)的預測方式。接入導航系統(tǒng)的車輛，可以通過導航系統(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)和導航系統(tǒng)的預測方式。通過關于決策駕駛的數(shù)據(jù)直接預測適合車輛的最優(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)來進行預測規(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測，再經過數(shù)據(jù)整合分析，用接入人工智能通路分析系統(tǒng)和導航系統(tǒng)的預測方式來完成整個城市的車輛路徑規(guī)劃問題[6]。

（3）訓練模型：

通過來源于交通平臺的各種數(shù)據(jù)（上述中預測規(guī)劃的數(shù)據(jù)、優(yōu)秀駕駛員的經驗數(shù)據(jù)等其他的交通數(shù)據(jù)）來訓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

本研究以智能交通網絡為基礎，對車輛行駛的最優(yōu)路徑規(guī)劃方案進行研究。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)進行計算，推算出當前道路的平均通行速度和路面突發(fā)事件進而確定智能交通路網模型對車輛最優(yōu)行駛路線;

（2）通過物聯(lián)網技術將所有車輛的方位進行實時統(tǒng)計，并通過一定時間內的數(shù)據(jù)使用人工智能自主分析得出每個車輛的行駛趨勢，預測以后某個時間段內的道路情況，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：

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

[2]梁卜文.大數(shù)據(jù)時代下的智能交通[J].科技風，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)劃設計[D].浙江工業(yè)大學，2015.

[4]高子初，張寧.用大數(shù)據(jù)智能交通技術管理復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.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（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)的設計與實現(xiàn)[D].山東大學，2016.