[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

说明书

本发明提供了一种基于路网动态定价的网联智能交通路径规划方法，首先交通管理者根据历史交通流数据，使用卷积神经网络预测每条道路的车流密度，并且制定通行价格，发布至智能交通系统，每个车辆通过路网时均需支付相应通行费用；用户车辆到达十字路口时，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；接着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；本发明提供的网联智能交通路径规划方法能够应对高速变化的城市交通状况，强化学习过程在用户车辆端完成，降低智能交通系统的计算量。

技术领域

本发明涉及网联智能交通技术领域，主要涉及一种基于路网动态定价的网联智能交通路径规划方法。

背景技术

伴随城市中私家车数量的爆发式增长，城市交通承担着越来越大的负担，

传统的缓解交通拥堵状况的尝试主要包括修建更多的道路或者通过限制交通出行需求如限号、限购等措施来扩大路网的通行能力。然而，这些措施往往只能够在应用初期达到缓解交通拥堵的目的，随着车辆数目的进一步增多导致道路容量饱和，会再次导致拥堵状况的产生，长期拥堵已经成为了许多城市急需解决的社会性问题之一。随着V2X通信技术以及人工智能技术的迅猛发展，智能交通系统车路协同一体化管理的管理方案为缓解城市交通拥堵问题提供了新的解决思路。同时，网联智能交通技术的发展能够使得道路管理部门获取更多的道路实时信息，使得道路管理者可以根据道路实时信息对路网的交通状况做出反应。

网联智能交通技术基于无线通信、传感探测等技术进行道路信息获取，通过车车、车路信息交互和共享，并实现车辆和基础设施之间的智能协同和配合，达到优化利用系统资源、提高道路安全、缓解交通拥堵的目标。近些年来基于深度学习的预测技术也被广泛应用到智能交通领域。车辆在城市道路上的行驶主要受到道路的拓扑结构、速度限制，交通拥堵等因素的影响，所以车辆在接下来的时刻出现在相邻区域的概率会大于出现在其他较远区域的概率；同时，城市道路中的车辆数目会随着工作日早晚高峰的变化情况呈现出明显的周期性，这就是城市中车辆的移动的时空相关性。智能交通系统管理部门可以利用深度学习的算法如卷积神经网络(CNN)来提取这种时空相关性特征，进一步根据这种特征来预测未来一段时间路网的车流数据。大量研究表明，基于深度学习的预测算法具有较高的准确性和可靠性。

智能交通系统车辆管理部门根据预测到的车流信息，来为道路制定通行费用，这就是道路拥堵定价技术(Road Pricing Technology)。道路拥堵定价技术的基本原理就是把经济学中理论的应用到道路交通场景中，把道路看作是一种可以交易的商品，通过给道路制定不同的通行价格，诱导拥堵区域的车辆转移到拥堵情况较轻或者非拥堵的区域，使用市场供需关系理论来解决交通拥堵问题。道路管理者通过给拥堵区域制定较高的价格提高了出行者选择拥堵路段的成本，从而使得出行者选择其他非拥堵区域出行或者选择其他时段出行。国外如新加坡等城市的实践结果显示道路拥堵定价方案能够在一定程度上达到缓解交通拥堵的目的，对于解决交通拥堵问题具有很高的实用价值。本发明根据路网的实时状态信息来为路网中的车辆规划行驶路径，一方面达到了缓解城市交通拥堵、提升路网整体通行效率的目的；一方面也能够平衡道路管理者和车辆用户的利益，提升大部分车辆用户的出行体验。

发明内容

发明目的：本发明提供了一种基于路网动态定价的网联智能交通路径规划方法，通过诱导城市拥堵区域的车辆用户行驶到非拥堵区域，同时能够均衡路网的交通流量，提高整个路网的通行效率，缓解城市中心的交通拥堵情况。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于路网动态定价的网联智能交通路径规划方法，包括以下步骤：