[发明专利]一种基于路网动态定价的网联智能交通路径规划方法

权利要求书

1.一种基于路网动态定价的网联智能交通路径规划方法，其特征在于，包括以下步骤：

步骤S1、设定路网G＝(V,E)，其中V代表十字路口，E表示普通路口；在时间T内，所有车辆完成一次从起点到达终点的行驶；路网起点和终点依次为O，D，在每一个起点-终点对之间存在多条路径，每一条路径由多个路段组成r∈R_od；用a∈A表示所有路段的集合，l_a表示每一条路段的长度；交通管理者为每一条道路设置一个最大车流密度C_a，每条道路上的最大车辆数目不能够超过道路的最大容量；

交通管理者每隔一段时间根据历史交通流数据，使用卷积神经网络CNN预测路网中每条道路的车流密度，并且根据车流密度为每条道路制定通行价格，将通行价格发布至智能交通系统；其中车流密度高于预设阈值的道路通行价格高于车流密度低于预设阈值的道路；每个车辆通过路网时均需支付相应通行费用；

步骤S2、用户车辆到达十字路口时，通过车载通信单元与智能交通系统交互，获取实时路网的状态信息，使用强化学习计算下一时刻的最优行驶路径。

步骤S3、用户车辆将执行的行驶路径实时反馈至智能交通系统，交通管理者接收到交通流数据后，重复使用卷积神经网络进行实时更新车流密度，并同步制定下一阶段的道路通行价格。

2.根据权利要求1所述的一种基于路网动态定价的网联智能交通路径规划方法，其特征在于，步骤S1中使用卷积神经网络CNN预测每条道路的车流密度具体方法包括：

设定历史交通流数据如下表示：

{X_t|t＝1,2,…,n}

所述卷积神经网络CNN包括输入层，卷积层，池化层，全连接层和输出层；其中历史交通流数据作为卷积神经网络的输入层，卷积层用于提取交通信息的特征，池化层用于对数据进行降维处理，经过一次卷积池化之后网络的输出如下表示：

其中σ表示激活函数，池化函数用pool表示；l层的输入、输出和参数依次用和表示；j代表通道索引；c_l表示卷积核的数量，最大池化函数为：

f(x)＝max(x)

卷积神经网络使用全连接层将卷积池化操作之后的结果展开成一个长向量，并进行分类，其中L表示CNN的深度；模型的输出为：

其中W_f和b_f是全连接层的参数，表示卷积池化操作之后的结果展开成的长向量；是模型预测到的交通信息，即预测到的车流密度信息；使用T个时刻的交通流数据来预测未来一个时刻的车流数据。

3.根据权利要求2所述的一种基于路网动态定价的网联智能交通路径规划方法，其特征在于，步骤S1中交通管理者根据车流密度为每条道路制定通行价格的具体步骤包括：

用二元组h＝(x,y)∈H表示交通网络在任意时刻的车流密度信息；其中，x代表当前时刻路网上的车辆数量，y表示路网中每一条道路的车流密度；给定一条道路a的车流密度，这条道路的平均速度用下式来计算：

其中表示车辆自由行驶的速度，C_a表示道路的最大车流密度,y_a表示道路a的当前车流密度；

道路通行时间用τ(y_a)来表示，τ(y_a)是道路密度的严格递增的凸函数，那么用户车辆i选择路径r的通行时间成本为：

即一条路径的通行时间为这条路径上所有路段的通行时间之和；交通管理者为每一条道路制定一个通行价格p_a，定价方案中的价格p_a由道路管理部门根据道路上的实时车流密度和道路长度来共同决定，具体如下：

P_a＝f(l_a,y_a)

其中l_a为道路的长度，而y_a为道路的车流密度，道路管理部门依据车流密度的变化来实时更新道路价格；

用户车辆选择路径r的效益函数为：

v_i,r＝-(λτ_r+p_r)

交通管理者在缓解交通拥堵的同时均衡整个网络的交通流量，目标为最大化所有车辆用户的效益之和,其中N代表所有车辆用户的集合：

4.根据权利要求1所述的一种基于路网动态定价的网联智能交通路径规划方法，其特征在于，所述步骤S2中用户车辆使用强化学习计算下一时刻的最优行驶路径的具体步骤包括：

采用元胞自动机的方式来表示整个交通网络的状态；某双向两车道道路a的车辆位置状态用二维矩阵X_a来表示：

其中X_a(i,j)＝1表示位置(i,j)上有车，X_a(i,j)＝0表示位置(i,j)上没有车；对于每个用户车辆，它的状态state即为它在N个路口的位置，即

state＝random{0，N}

用户车辆在t时刻执行动作a_t之后，获取的奖励值r_t如下：

其中w为常数；

定义用户车辆在十字路口时出现的动作如下：

ACTION＝{advance,left,right,back}

advance，left，right，back依次表示前进、左转、右转和掉转方向；

当用户车辆经过十字路口时，状态值函数更新过程如下：

其中α代表强化学习的学习率，代表了实现数据的重要程度，而γ表示折扣因子，表车辆用户对奖励值的重视程度。

用户车辆经过每一个十字路口时，均会结合当前路口交通信息进行重新强化学习，选择最优路径。