[发明专利]一种解决路径选择实时性问题以避免局部拥堵的方法

权利要求书

1.一种解决路径选择实时性问题以避免局部拥堵的方法，其特征在于，包括以下步骤：

步骤1：构建城市交通路网的实时动态多路口路径选择模型；

步骤1的具体实现过程是：

将真实路网映射为路网模型有向图G(L，E)，其中，将真实路网中的路口映射为节点L，Li表示单个路口，i＝1、2、3、...、c，其中c为路口总数；将真实路网中的路段映射为节点间带方向的矢量箭头E，E_j包含两个路口，表示某一侧路段，j＝1、2、3、...、r，其中r为路网中路段总数；将路网中所有行驶的车辆集合用V表示，路网中单个车辆用Vk表示，其中，k＝1、2、3、...、n，n为路网中行驶的车辆总数；

对于车辆V_k，其当前位置为Ls，其目的地为Lt，则路径用路口集合{Ls，Lj，...，Lt}表示，可行的一个路径选择表示为Route_s，t＝{Ls，Lj，...，Lt}；路网中每个车辆被选择一个路径，所有车辆的路径构成一次路径选择，表示为路径集合这样的一个路径集合称为一次路径选择；

步骤2：构建效用值评价模型，通过效用值大小评判路径选择方案的优劣；

其中，效用值F的计算公式为：

F＝Z-K (1)

其中，影响路径选择方案效用值F的因素有很多，包括不变因素和变化因数，不变因素整合为偏好值Z，变化因素整合为成本值K；

所述偏好值Z的计算公式为：

其中，表示路段是否可抵达，取值范围为{1，0}，1表示可达，0表示不可达；表示路段状况，取值范围为[0，1]，路面状况越好，该值越大；表示速度限制，取值范围为[0，1]，速度限制越少，取值越大；Zl表示路段照明状况，取值范围为[0，1]，照明条件越好，该值越大，白天设置为1；表示司机对推荐导航方案的顺从程度，取值范围为[0，1]，顺从程度越大，该值越大；表示司机对路段的熟悉程度，取值范围为[0，1]，越熟悉的道路，取值越大；

∈_i(i＝1，2......5)是偏好值Z的各影响因素对应的独立乘法因子，其值与城市规模、决策目标的设定相关，乘法因子数值越大，其对应的影响因素越重要，计算偏好值时所占的权重比例越大，对偏好的影响越大；

所述成本值K的计算公式为：

其中，Ka表示突发的交通事故或临时管制等带来的道路影响，取值范围为[0，1]∪{INF}[0，1]，影响程度越大，该值越大，INF表示无法通行；表示所选路径耗费的时间代价，取值范围为(0，∞)；Kd表示所选路径耗费的距离代价，取值范围为(0，∞)；表示所选路径耗费的油量代价，取值范围为(0，∞)；Kl表示交通灯的影响，取值范围为[0，1]，所选路径交通灯等待时间越长，该值越大；

ω_i(i＝1，2......5)是成本值K的各影响因素的独立乘法因子，其值与城市规模、决策目标设定相关，它们的大小分别代表了各影响因素对成本值K的影响程度，也代表了其重要程度；

一个路段中的拥堵系数γ为：

其中，H为路段的阈值容量，R为路段的拥堵容量，τ为当前路段中的车辆数；一个路段中的拥堵系数确定之后，相对应路段的油量代价和时间代价也相应计算得到；

步骤3：最优路径选择；

步骤3中的具体实现包括以下子步骤：

步骤3.1：在对车辆道路进行量子编码的前提下，对实际交通状况进行转换编码，构建量子染色体；

其中，利用QCIS策略对实际交通状况进行转换编码，具体实现包括以下子步骤：

步骤3.1.1：基于车辆对路段进行量子遗传编码，车辆与每一个路段的关系用一个量子位表示；对于某一确定车辆与某一路网中路段来说，其关系有两种：该车辆经过该路段和该车辆不经过该路段，|0＞态表示车辆不经过该路段，|1＞态表示车辆经过该路段；

使用量子位编码时，对于单独的一辆车需要构建的量子染色体编码规模为2r，对于一个种群的量子染色体编码规模则为2n×r，则一次算法所需要的量子染色体编码规模为2m×n×r；

单个车辆的量子染色体编码记为U，表达式为：

其中，r为路网中路段编号，n为路网中车辆编号，c为路段中路口编号，m为量子种群数量；α_i表示量子态|0态的概率幅，β_i表示量子态|1态的概率幅，1≤i≤n；

步骤3.1.2：确定路网中路段编号与路口编号对应关系集E_i＝(L_s，L_t)，s，t∈{1，2，...，c}；其中，L_s表示当前位置，L_t表示目的地；

步骤3.1.3：确定车辆对应量子染色体各段的编码方式；

对于种群P_i中的每一辆车V_j，其初始化编码方式为：对于V_j的第到第段量子染色体，|0态的编码为|1态的编码为对于V_j的其他段的量子染色体，其|1态的编码为|0态的编码为其中，i＝1、2、......、m，j＝1、2、......、n；x表示染色体序号，L表示染色体总数；

步骤3.1.4：对量子染色体按照选择好的编码方式进行赋值编码；

步骤3.1.5：编码完成后输出初代量子染色体Bm；

步骤3.2：将量子染色体的计算位转化为针对不同车辆的路径选择结果；

步骤3.3：对当前的路径选择结果优劣进行评判；

步骤3.4：对种群的量子编码进行迭代更新。