[发明专利]一种基于个性化避险的最优路径获取方法

权利要求书

1.一种基于个性化避险的最优路径获取方法，其特征是按以下步骤进行：

步骤1：获取导航的起点v_s和终点v_t，利用地图软件中的数据得到相应的路网图G＝(V,A,T,S)，其中，V表示交叉口集合，且V＝{v₁,v₂,…,v_q,…,v_Q}，v_q表示从起点v_s到终点v_t可能经过的第q个交叉口，q＝1,2,…,Q；A表示交叉口之间的路段集合，且A＝{a_i,j＝(v_i,v_j)|i,j＝1,2,…,Q}，a_i,j表示第i个交叉口v_i与第j个交叉口v_j之间的路段，路段a_i,j的长度用l_i,j表示；T表示通行效率，且T＝{t_i,j|i,j＝1,2,…,Q}，t_i,j表示通过路段a_i,j所需的时间效率权重；S表示行车风险，且S＝{s_i,j|i,j＝1,2,…,Q}，s_i,j表示路段a_i,j的行车风险权重；定义决策变量x_i,j为0、1变量，如果通过路段a_i,j，则x_i,j＝1，反之x_i,j＝0；定义驾驶员所能接受的风险值为W；

步骤2：在导航开始阶段通过地图软件获得实时路况信息，并转换为路段a_i,j的平均通行车速从而利用式(1)得到路段a_i,j的通行效率权重t_i,j；

步骤3：当实时路况信息更新时，转步骤1，否则转步骤4；

步骤4：获取路段a_i,j在历史时间t内的交通管理数据，并将其中的历史交通事故信息数据分为致死致伤事故和仅财产损失事故，从而利用式(2)和式(3)分别计算出路段a_i,j在历史时间t内单位车公里的致死致伤事故次数和仅财产损失事故次数

式(2)和式(3)中，表示长度为l_i,j的路段a_i,j在历史时间t内发生的致死致伤事故数；表示长度为l_i,j的路段a_i,j在历史时间t内发生的仅财产损失事故数；AADT_i,j为路段a_i,j在历史时间t内的平均日交通量；

步骤5：通过式(4)计算路段a_i,j的行车风险权重s_i,j：

式(4)中，α表示与致死致伤事故相关的权重；

步骤6：构建模型的约束条件；

步骤6.1：利用式(5)构建流平衡约束：

式(5)中，v_j:(v_s,v_j)∈A表示在起点v_s的所有相邻交叉口集合中选择下一个将要通过的交叉口v_j，v_j:(v_j,v_t)∈A表示经过终点v_t的所有相邻交叉口集合中的一个交叉口v_j，v_i:(v_i,v_k)∈A表示经过中间交叉口v_k的所有相邻交叉口集合中的一个交叉口v_i，v_j:(v_k,v_j)∈A表示在中间交叉口v_k的所有相邻交叉口集合中选择下一个将要通过的交叉口v_j；起点v_s与第j个交叉口v_j之间的路段(v_s,v_j)属于集合A，第j个交叉口v_j与终点v_j之间的路段(v_j,v_t)属于集合A，第i个交叉口v_i与第k个交叉口v_k的路段(v_i,v_k)属于集合A，第k个交叉口v_k与第j个交叉口v_j的路段(v_k,v_j)属于集合A；x_s,j、x_j,t、x_i,k、x_k,j分别表示是否通过路段a_s,j、a_j,t、a_i,k、a_k,j的决策变量，若x_s,j、x_j,t、x_i,k、x_k,j为0，则分别表示不通过路段a_s,j、a_j,t、a_i,k、a_k,j，若x_s,j、x_j,t、x_i,k、x_k,j为1，则分别表示通过路段a_s,j、a_j,t、a_i,k、a_k,j；表示必有一条路径从起点v_s出发，表示必有一条路径到达终点v_t，表示若从第k个交叉口v_k进入，则也必将从第k个交叉口v_k出来；

步骤6.2：利用式(6)构建驾驶员个性化约束：

步骤7：求出风险值W的上界S_max和下界S_min；

步骤7.1：当仅考虑风险权值s_i,j时，以式(7)作为目标函数，并以式(5)作为约束条件，从而构建风险最小路径模型，利用Dijkstra算法求解风险最小路径模型得到当前风险最小路径，并将当前风险最小路径中每个交叉口之间对应路段的行车风险权重的累加和作为下界S_min；

步骤7.2：利用拓扑排序的方法，将路网图G中的所有交叉口顶点按照经过的顺序排成一个线性序列集合，按照拓扑排序的顺序，得到从起点v_s到终点v_t的所有可能路径，计算所有可能路径的行车风险值，通过比较从中选出风险最大路径，并将风险最大路径中每个交叉口之间对应路段的行车风险权重的累加作为上界S_max；

步骤8：获取驾驶员所能接受的风险值W；

步骤8.1：对于n名非新手驾驶员，利用式(8)得到非新手驾驶员发生事故的反频率W_i^I(K)，再利用式(9)得到第i名非新手驾驶员可接受的风险值W_i^I；

式(9)中，表示第i名非新手驾驶员在历史时间t内的发生的严重违章的次数；表示第i名非新手驾驶员在历史时间t内的发生的非严重违章的次数；表示第i名非新手驾驶员在历史时间t内的发生的致死致伤事故的次数；表示第i名非新手驾驶员在历史时间t内的发生的仅财产损失事故的次数；K_i表示第i名非新手驾驶员在历史时间t内的总出行量；β表示与非新手驾驶员的严重违章次数相关的权重，μ表示与非新手驾驶员的致死致伤事故次数相关的权重，且β＞1，μ＞1；

式(10)中，W^I(K)_max表示n名非新手驾驶员中对应的最大可接受的风险值W_i^I(K)；

步骤8.2：对于m名新手驾驶员，利用式(10)得到第j名新手驾驶员可接受的风险值

步骤9：利用式(11)构建路径行驶时间最短的目标函数Min UB，并以式(5)和式(6)作为约束条件，从而共同构成原问题模型，将所述目标函数Min UB与式(5)的约束条件共同构成简化模型；

对于第i名非新手驾驶员，将W_i^I赋值给W，对于第j名新手驾驶员，将赋值给W；

当W＜S_min时，表示原问题模型和简化模型建立失败，无可行路径；

当W＝S_min时，则输出仅考虑风险权值s_i,j时求出的风险最小路径；

当S_min＜W＜S_max时，转步骤10得到时间最短路径；

当W≥S_max时，利用Dijkstra算法求解简化模型，得到相应的时间最短路径；

步骤10：利用拉格朗日松弛理论建立构建拉格朗日松弛模型并进行求解：

步骤10.1：初始化基本参数：

定义迭代计数器为I，并初始化I＝0，迭代最大总次数记为I_max；

定义误差控制范围为ε，定义步长为θ；定义数值向量为η，并初始化η⁰＝0；

定义第I次迭代下的路径行驶时间最短的目标函数值为UB^I，并初始化UB⁰为+∞；

步骤10.2：利用式(12)构建第I次迭代下的拉格朗日松弛模型：

式(13)中，λ^I为第I次迭代下的拉格朗日乘子；并初始化λ⁰＝0；LB^I为第I次迭代下的目标函数值，并初始化LB⁰为τ；

步骤10.3：如果且I≤I_max，转步骤10.4，否则，将第I次迭代的目标函数值LB^I所对应的所有时的路段连起来即为时间最短路径；

步骤10.4：求解第I次迭代下的拉格朗日松弛模型；

步骤10.4.1：利用Dijkstra算法求解第I次迭代下的拉格朗日松弛模型，得到第I次迭代下所有时的路段所组成的最优路径x^*I；

利用式(13)更新第I次迭代的目标函数值LB^I，得到第I+1次迭代的目标函数值LB^I+1；

LB^I+1＝max{LB^I,LB^I(λ^I)} (13)

式(13)中，LB^I(λ^I)表示第I次迭代下的最优路径x^*I对应的最优目标函数值，并有：

式(14)中，表示在第I次迭代下的拉格朗日松弛模型中第i个、第j个交叉口；

步骤10.4.2：将第I次迭代下的最优路径x^*I代入式(11)，得到第I次迭代下的最优路径x^*I所对应的目标函数值UB^I(x^*I)，利用式(15)得到第I+1次迭代的目标函数值UB^I+1：

UB^I+1＝min{UB^I(x^*I),UB^I} (15)

步骤10.4.3：利用式(16)更新第I次迭代的数值向量η^I，得到第I+1次迭代的数值向量η^I+1：

步骤10.4.4：利用式(17)更新第I次迭代的拉格朗日乘子λ^I，得到第I+1次迭代的拉格朗日乘子λ^I+1：

步骤10.4.5：将I+1赋值给I，转步骤10.3。