[发明专利]一种基于栅格扩展模型的智能交通精细化路径规划方法

权利要求书

1.一种基于栅格扩展模型的智能交通精细化路径规划方法，其特征在于：所述基于栅格扩展模型的智能交通精细化路径规划方法包括以下步骤：

步骤1：以道路实时交通信息和历史信息为基础，使用卷积神经网络，预测未来一段时间的交通状况；

步骤2：根据路网结构和车辆密度，结合起点，以道路单元为单位，动态扩展栅格；

步骤3：进行栅格内精细化微尺度寻路，推荐栅格内部行驶方案，当车辆将要驶出栅格时，返回第一步，重新进行预测和规划，直至抵达终点；

所述交通信息为每条道路上车辆的数目，每个时刻的交通信息重构成方形矩阵，历史的交通信息矩阵进而组合成一个张量；

所述道路单元为被道路分成不同的闭合区域的边界，包括相应的道路与路口；

所述步骤2中动态扩展栅格包括沿着终点方向两侧的单元进行扩展，每次选择距离终点近的单元为扩展单元，以一定的车辆密度作为扩展终止条件。

2.如权利要求1所述的一种基于栅格扩展模型的智能交通精细化路径规划方法，其特征在于：所述栅格内微尺度寻路为基于时间最短的最优路径算法，其中经过每条道路所用时间结合步骤1的预测信息与路网结构得到。

3.如权利要求1所述的一种基于栅格扩展模型的智能交通精细化路径规划方法，其特征在于：所述栅格扩展动态路径规划方法每次规划只需要规划栅格内的最优路径，并不要求一次性规划从起点到终点的路径，从而对算法复杂度要求更低。

4.如权利要求1-3之一所述的一种基于栅格扩展模型的智能交通精细化路径规划方法，其特征在于：为了学习道路上车辆数目的时空相关性，卷积神经网络被应用时，填充历史交通信息原始输入矩阵的边缘，得到输入张量a¹；卷积神经网络除掉输入层外，有五个隐藏层，依次为卷积层、第一池化层、卷积层、第二池化层、全连接层；其中，卷积层内包含卷积核参数W,b，卷积核参数内核用局部值连接每个输出；第一池化层、第二池化层将输入的张量进行压缩，提取特征；卷积神经网络采用监督学习的方式从输入的历史交通信息矩阵中学习时空相关性；训练CNN时的损失函数为地面真实情况F_k(i,j)与预测交通信息情况之间的均方误差MSE为

然后结合现有的实际数据，进行预测。

5.如权利要求1所述的一种基于栅格扩展模型的智能交通精细化路径规划方法，其特征在于：利用此区域整体的交通信息，进行栅格扩展与路径规划；首先确定栅格扩展的终止条件；对于一对起点v_s与终点v_e，以起点v_s为中心，正东北与正西南方向为分界线1，以正西北与正东南方向为分界线2，得到四个区域；当终点ve落在东方的区域，则划定一正方形区域，此正方形以南北方向为一条边，起点vs为此边的中点，向东方向扩展边长为a＝V×T的正方形区域；这个正方形的区域为阈值确定区域；以这个区域的平均车辆密度作为栅格扩展的终止条件。