[发明专利]一种基于行程时间预测的实时路径规划方法

说明书

一种基于行程时间预测的实时路径规划方法，根据历史数据都具有相似的原则，采用道路车辆行程时间的历史数据对BP神经网络预测模型进行训练，得到误差相对较小的预测数据，以预测数据为路径导航规划的数据，采用Dijkstra最短路径算法进行实时动态路径规划，改进了现在很多导航系统都是依据车辆在道路的行驶速度，计算出的总的行驶时间，没有考虑车辆行驶过程中的一些其他因素的缺点。本发明基于历史数据相似性，采用BP神经网络算法对车辆行程时间进行预测，能相对准确的预测车辆出行时间花费，进行路径规划。

技术领域

本发明基于BP神经网络、预测算法以及路径诱导等，设计一种基于行程时间预测的实时路径规划方法，属于智能交通系统应用领域。

背景技术

汽车已经进入了千家万户，这样的环境导致汽车保有量在逐年增加。然而汽车在给人们的生活带来便利的同时也带来了很多的问题，例如交通拥堵严重、环境污染加重、交通事故频发等。其中交通拥堵与人们的日常生活牵涉最多，而且影响整个交通路网的正常运行，就个人而言，现在社会生活节奏越来越快，人们渴望可以得到相对确切的路网上的时间花费，避开道路拥堵路段，提高出行效率。

因此出现了很多的导航系统，给人们的出行带来了便利。目前的导航系统行程时间预测算法是在规划行驶道路后，依据规划道路时检测出的每段道路车辆行驶速度、道路长度等，累计各段道路所需行驶时间，从而得到整个导航路径所需的形式时间。由于是依据车辆在道路的行驶速度，计算出的总的行驶时间，该预测算法的缺点是没有考虑一些其他的因素，对车辆行驶过程中的影响。

发明内容

为了克服现有的路径规划中的不足，本发明提供一种基于行程时间预测的实时路径规划方法，基于历史数据相似性，采用BP神经网络算法对车辆行程时间进行预测，能相对准确的预测车辆出行时间花费，进行路径规划。

本发明为了解决上述技术问题采用的技术方案如下：

一种基于行程时间预测的实时路径规划方法，包括如下步骤：

1)收集典型路段的车辆行程时间的历史数据；

2)判断车辆行程时间数据是否存在异常，将异常数据放入异常数据集单独处理；

3)确定BP神经网络拓扑结构并确定其权值的个数，根据计算其最大信息系数来确定BP神经网络输入层的节点个数，并选取单隐层的BP神经网络模型为预测原型；

其计算公式为：

其中：公式(1)和(2)中，X，Y表示需要计算的两个变量，I(x,y)表示两个变量X，Y的互信息，ρ(x),ρ(y)表示X，Y在给定的区域内的概率，MIC(x,y)表示最大信息系数，a和b表示在X，Y的二维空间中用散点图来表示，用方格划分成的区间数目，B是变量，一般取值为数据量的0.6次方左右；

4)在BP神经网络的每一个权值的变化上加上一项正比于前次权值的变化的值，并根据BP神经网络算法来产生新的权值变化。公式如下：

其中，η为学习速率，一般取值在(0.1，0.4)；

α为权系数修正常数，一般取值为(0.7，0.9)；

5)根据确定的权值，计算实际输出误差，并将误差反向传递给输入层，进一步调整，重复过程，直到满足自己期望，退出训练；

6)由上述预测结果，预测一天各时间段的车辆行程时间，进行车辆出行的路径规划。

进一步，所述步骤3)中，BP神经网络拓扑结构如下：