本發(fā)明涉及交通規(guī)劃領(lǐng)域，更具體地，涉及一種基于交通指數(shù)的隨機(jī)動態(tài)網(wǎng)絡(luò)交通規(guī)劃方法。

背景技術(shù)：

城市的交通規(guī)劃是建立完善綜合運(yùn)輸系統(tǒng)的重要保障，對社會的發(fā)展和生活質(zhì)量的提高有重要的作用。為了提高交通效率，各國政府和機(jī)構(gòu)展開了大量的研究工作，美、歐、日等國家已不局限于解決交通擁堵、交通事故、交通污染等問題，而是轉(zhuǎn)向建立更綜合的智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)，并在重點(diǎn)發(fā)展領(lǐng)域大規(guī)模應(yīng)用。近年來我國在交通規(guī)劃上的研究和進(jìn)展保持了高速增長態(tài)勢，包含智能公交、電子警察、交通信號控制、卡口、交通視頻監(jiān)控、出租車信息服務(wù)管理、城市客運(yùn)樞紐信息化、GPS與警用系統(tǒng)、交通信息采集與發(fā)布和交通指揮類平臺等10個細(xì)分行業(yè)，以獲取更精準(zhǔn)和有效的數(shù)據(jù)。

交通部門發(fā)布的信息如圖1所示，提供了不同區(qū)域的交通指數(shù)，以及當(dāng)前區(qū)域的平均車速。交通指數(shù)是表征當(dāng)前及未來一段時(shí)間內(nèi)道路情況的系數(shù)，由全市各個路口的信息采集設(shè)備(雷達(dá)，攝像頭，紅外和環(huán)形感應(yīng)線圈，以及新一代為安裝有全球衛(wèi)星定位系統(tǒng)和無線通信裝置的車輛提供的浮動車交通信息采集方法等)，并通過數(shù)據(jù)統(tǒng)計(jì)和綜合分析得到，具有時(shí)序性強(qiáng)，動態(tài)性高等特點(diǎn)。一般的導(dǎo)航設(shè)備是基于GPS制導(dǎo)，會導(dǎo)致所有用戶的路線規(guī)劃都是相同和相似的最優(yōu)路線，因此無法從根本上避免交通堵塞的發(fā)生。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷，提供一種基于交通指數(shù)的隨機(jī)動態(tài)網(wǎng)絡(luò)交通規(guī)劃方法，采用二叉樹作為概率模型的邏輯結(jié)構(gòu)，簡單可靠，可以在不同的移動設(shè)備和終端上部署，可移植性強(qiáng)，應(yīng)用廣泛。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種基于交通指數(shù)的隨機(jī)動態(tài)網(wǎng)絡(luò)交通規(guī)劃方法，包括以下步驟：

S1：以二叉樹結(jié)構(gòu)構(gòu)建交通網(wǎng)絡(luò)模型，用以表示某地區(qū)真實(shí)的道路情況，樹根節(jié)點(diǎn)對應(yīng)交通網(wǎng)絡(luò)中的起點(diǎn)，中間節(jié)點(diǎn)對應(yīng)網(wǎng)絡(luò)范圍內(nèi)的各個位置，葉子節(jié)點(diǎn)表示目的地，節(jié)點(diǎn)與它的子節(jié)點(diǎn)之間為一個路段，從起點(diǎn)到目的地包括一條或多條不同的路徑，每條路徑包括一個或多個路段，每個路段根據(jù)其交通指數(shù)設(shè)定其被選擇的概率值；

S2：統(tǒng)計(jì)出當(dāng)前交通指數(shù)下從起點(diǎn)到目的地的每一條路徑被選擇的概率值，每一條路徑被選擇的概率值為該路徑上各個路段的概率值之積，然后挑選出最優(yōu)的路徑。

在一種優(yōu)選的方案中步驟S1中，通過公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

計(jì)算二叉樹兩個子樹的分支的概率值，其中a和b是代表二叉樹中兩個分支的交通指數(shù)，Max(a,b)函數(shù)取a和b中的最大值，Min(a,b)函數(shù)取a,b中的最小值，INT(a,b)函數(shù)為向下取整函數(shù)。

在一種優(yōu)選的方案中，所述交通指數(shù)在0～5之間。

在一種優(yōu)選的方案中，每個路段被選擇的概率值在0～1之間。

在一種優(yōu)選的方案中，步驟S2中，具體過程為：

S2.1：初始化節(jié)點(diǎn)信息，載入交通指數(shù)并計(jì)算各路段相應(yīng)的概率值；

S2.2：從根節(jié)點(diǎn)開始，根據(jù)左右子樹的概率值進(jìn)行隨機(jī)尋徑，選擇一條子樹作為結(jié)果；

S2.3：如果計(jì)算到葉子節(jié)點(diǎn)，則計(jì)算這條路徑上的各個路段的概率積，并與最優(yōu)解進(jìn)行對比，如果當(dāng)前路徑的概率積比最優(yōu)解的概率值更高，則將當(dāng)前路徑的數(shù)據(jù)更新到最優(yōu)解中；

S2.4：重復(fù)步驟S2.1-S2.3，累計(jì)達(dá)到預(yù)設(shè)的迭代上限次數(shù)時(shí)，輸出最優(yōu)解的路徑數(shù)據(jù)。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本發(fā)明公開一種基于交通指數(shù)的隨機(jī)動態(tài)網(wǎng)絡(luò)交通規(guī)劃方法，以二叉樹結(jié)構(gòu)構(gòu)建交通網(wǎng)絡(luò)模型，用以表示某地區(qū)真實(shí)的道路情況，統(tǒng)計(jì)出當(dāng)前交通指數(shù)下從起點(diǎn)到目的地的每一條路徑被選擇的概率值，每一條路徑被選擇的概率值為該路徑上各個路段的概率值之積，然后挑選出最優(yōu)的路徑。本方法提出的隨機(jī)尋徑算法，在交通網(wǎng)絡(luò)概率模型中為交通規(guī)劃提供快速準(zhǔn)確的策略，采用二叉樹作為概率模型的邏輯結(jié)構(gòu)，簡單可靠，可以在不同的移動設(shè)備和終端上部署，可移植性強(qiáng)，應(yīng)用廣泛。利用交通指數(shù)判斷路徑狀況，有別于傳統(tǒng)的基于圖搜索的GPS導(dǎo)航方法，提供更準(zhǔn)確的路況情況。采用了概率方法，為用戶的群體規(guī)劃帶來多元化的結(jié)果，有效解決了交通擁堵問題。

本技術(shù)根據(jù)深層概率模型的計(jì)算性質(zhì)，將交通指數(shù)轉(zhuǎn)化為對道路情況判斷分析的概率值，并在不同的網(wǎng)絡(luò)范圍(對應(yīng)實(shí)際的交通距離)內(nèi)提供不同置信度的結(jié)果。為了解決群體用戶得到的局部最優(yōu)解相似的問題，構(gòu)建概率模型為整個網(wǎng)絡(luò)中所有用戶提供避免交通堵塞的全局最優(yōu)解。本方法采用的交通指數(shù)概念源于深圳市交通局發(fā)布的指數(shù)體系，利用現(xiàn)有的道路信息采集實(shí)時(shí)或周期路況，然后經(jīng)過數(shù)據(jù)分析處理得到的衡量當(dāng)前路況的綜合性數(shù)據(jù)，可以對區(qū)域內(nèi)的道理情況進(jìn)行判斷和預(yù)測。但是由于城市交通網(wǎng)絡(luò)的規(guī)模十分巨大，而且網(wǎng)絡(luò)細(xì)節(jié)眾多，時(shí)序性很強(qiáng)，如何在較短的時(shí)間內(nèi)提供準(zhǔn)確有效的分析結(jié)果是現(xiàn)階段工作的難點(diǎn)。

附圖說明

圖1為交通部門發(fā)布的信息圖。

圖2為某地區(qū)真實(shí)的道路情況圖。

圖3為圖2交通網(wǎng)絡(luò)的抽象表示圖。

圖4為圖3中某一個區(qū)域的細(xì)節(jié)描述。

圖5為圖3區(qū)域的二叉樹化表示圖。

圖6為隨機(jī)尋徑算法的流程圖。

圖7為隨機(jī)尋徑實(shí)驗(yàn)的迭代性能分布圖。

圖8為不同期望系數(shù)分組實(shí)驗(yàn)的準(zhǔn)確率圖。

圖9為不同期望系數(shù)分組實(shí)驗(yàn)的耗時(shí)圖。

圖10為不同分組實(shí)驗(yàn)的準(zhǔn)確率圖。

具體實(shí)施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。

實(shí)施例1

1、交通網(wǎng)絡(luò)模型構(gòu)建

構(gòu)建概率模型需要選擇合適的圖模型，而二叉樹作為一個連通的無環(huán)圖，有著簡單的邏輯結(jié)構(gòu)和優(yōu)秀的表示能力，在表征地圖網(wǎng)絡(luò)時(shí)有著強(qiáng)大的處理能力。在計(jì)算機(jī)科學(xué)中，二叉樹是每個節(jié)點(diǎn)最多有兩個子樹的樹結(jié)構(gòu)，如圖2-5所示。圖2為某地區(qū)真實(shí)的道路情況；圖3為對該交通網(wǎng)絡(luò)的抽象表示，用于轉(zhuǎn)化為計(jì)算機(jī)可以處理的數(shù)據(jù)結(jié)構(gòu)；圖4對圖3中某一個區(qū)域的細(xì)節(jié)描述；圖5為對這個區(qū)域的二叉樹化表示。在圖3中的抽象網(wǎng)絡(luò)出現(xiàn)了不同的路口分道情況(例如岔道口和十字路口)，可以通過線性轉(zhuǎn)換將其轉(zhuǎn)換為統(tǒng)一的結(jié)構(gòu)圖4。

另外，由于每個路口(對應(yīng)圖中節(jié)點(diǎn))在計(jì)算機(jī)中都使用鄰接表存放相關(guān)信息，因此為了避免冗余的計(jì)算，在圖5中將重復(fù)出現(xiàn)的路段使用帶顏色的方框標(biāo)記(區(qū)別于沒有重復(fù)的圓圈)出來，除終點(diǎn)外其余方框都使用一條線，代表后續(xù)的計(jì)算與前面的計(jì)算重復(fù)，直接使用之前計(jì)算的結(jié)果即可。

在圖4所示的結(jié)構(gòu)中，邊上標(biāo)注的概率值源于模擬的交通指數(shù)，仿照交通指數(shù)的發(fā)布形式隨機(jī)在0～5之間賦值作為模擬生成的交通指數(shù)，并通過公式：

P_min(a,b)＝(Max(a,b)-Min(a,b))/INT(Min(a,b))

計(jì)算出二叉樹兩個子樹中路況較好(交通指數(shù)更大)的分支的概率值，其中a和b是代表二叉樹中兩個分支的交通指數(shù)，Max(a,b)函數(shù)取a和b中的最大值，Min(a,b)函數(shù)取a,b中的最小值，INT()函數(shù)為向下取整函數(shù)。例如當(dāng)(C)中A->B的交通指數(shù)是3.6，A->C的交通指數(shù)是2.1，則有：

P(A→B)＝1-P(A→C)＝25％

圖5是由圖4轉(zhuǎn)化得到的二叉樹，樹根(A節(jié)點(diǎn))對應(yīng)交通網(wǎng)絡(luò)中的起點(diǎn)，中間節(jié)點(diǎn)(B～H)對應(yīng)網(wǎng)絡(luò)范圍內(nèi)的各個位置，葉子節(jié)點(diǎn)(I)表示目的地。通過隨機(jī)尋徑算法(RRM)可以統(tǒng)計(jì)出當(dāng)前交通指數(shù)下每一條路徑被選擇的概率值，然后挑選出最優(yōu)的路徑。由于一條路徑是由不同的路段組成的，不能根據(jù)某一段路程的擁堵情況而將其視為該路段的整體情況，因此對于一條路徑來說該路徑上所有的路段都要考慮?？梢钥吹皆趫D4中，從A節(jié)點(diǎn)到I節(jié)點(diǎn)可以有很多條不同的路徑，例如：

選擇不同路段的組合會導(dǎo)致不同的路徑長度和時(shí)間消耗。而通過交通指數(shù)計(jì)算得到的概率值可以很方便的利用隨機(jī)尋徑算法快速找到較好的解。

2、隨機(jī)尋徑算法

與一般的圖搜索算法應(yīng)用的圖模型不同的是，交通網(wǎng)絡(luò)是一個參數(shù)變動頻繁的動態(tài)網(wǎng)絡(luò)(圖)，基于數(shù)值計(jì)算的靜態(tài)圖搜索算法無法滿足實(shí)時(shí)處理交通情況的要求。因此我們選擇基于統(tǒng)計(jì)分析的概率方法，提出應(yīng)用于動態(tài)網(wǎng)絡(luò)規(guī)劃的隨機(jī)尋徑算法，其基本原理是基于圖模型的搜索算法，通過對圖中邊的權(quán)值進(jìn)行概率判定，計(jì)算選擇出最佳的解，算法流程圖如圖6所示。

該算法的目的是在起點(diǎn)和目的地之間所有的路徑l＝{l₁，l₂，…，l_n}尋找一條路徑l_i，使得當(dāng)前網(wǎng)絡(luò)參數(shù)集{index,dis,p,sup{e_i}}滿足

l_i＝Max(l_i～N{x}|{index_i,dis_i,p_i})

其中參數(shù)集index_i表示第i條路徑對應(yīng)的交通指數(shù)，dis_i表示地理坐標(biāo)信息，p_i表示計(jì)算之后的概率參數(shù)，sup{e_i}集合是備用參數(shù)集合，用于根據(jù)需求添加新的參數(shù)。l_max對應(yīng)的現(xiàn)實(shí)意義是花費(fèi)在該路徑的時(shí)間是所有路徑中最低的。

算法的具體過程為：

步驟1：初始化節(jié)點(diǎn)信息，載入交通指數(shù)和計(jì)算相應(yīng)的概率值；

步驟2：從根節(jié)點(diǎn)開始，根據(jù)左右子樹的概率值進(jìn)行隨機(jī)尋徑，選擇一條子樹作為結(jié)果；

步驟3：如果計(jì)算到葉子節(jié)點(diǎn)，則計(jì)算這條路徑上的各個路段的概率積，并與最優(yōu)解進(jìn)行對比，如果當(dāng)前路徑的概率積比最優(yōu)解的概率值更高，則將當(dāng)前路徑的數(shù)據(jù)更新到最優(yōu)解中；

步驟4：累計(jì)達(dá)到迭代上限次數(shù)時(shí)，輸出最優(yōu)解的路徑數(shù)據(jù)。

為了可以實(shí)時(shí)快速的利用交通指數(shù)進(jìn)行計(jì)算，設(shè)計(jì)了將靜態(tài)網(wǎng)絡(luò)線性相加的時(shí)間計(jì)算轉(zhuǎn)換為動態(tài)網(wǎng)絡(luò)線性相乘的概率值，可以快速利用隨機(jī)尋徑算法進(jìn)行路徑計(jì)算，從而避免傳統(tǒng)方法需要進(jìn)行全局參數(shù)重計(jì)算的問題。其原理是，基于距離尋徑的靜態(tài)圖搜索算法計(jì)算的是所有路徑之中的最短路徑,即在路徑集合l＝{l₁,l₂,…l_n}中尋找一條最短的路徑l_min使得：

l_min＝Min(l₁,l₂,…l_n)且l_i＝Σ(path)，

其中path是組成一條路徑的路段。由于每一條路徑是由很多個路段相加得到，想求得最優(yōu)解就需要將涉及到的所有路段的參數(shù)(路徑長度，時(shí)間)都計(jì)算一遍；與之相對的是，基于概率的隨機(jī)尋徑算法計(jì)算的是所有路徑之中最大概率值的路徑，即在路徑集合l＝{l₁,l₂,…l_n}中尋找一條最短的路徑l_min使得

p_{_lmin}＝Max(p__l1,p__l2,…,p__ln)且p__li＝Π(P_path)

想求得最優(yōu)解需要計(jì)算一條路徑上各個路段的概率積，此時(shí)既可以像靜態(tài)網(wǎng)絡(luò)尋徑方法那樣窮舉計(jì)算最優(yōu)解，也可以利用概率的特性，利用隨機(jī)尋徑方法在p_i＝p₁×p₂×…×p_k中鏈?zhǔn)角蟮酶怕时容^大的路徑，從而在可以保證參數(shù)動態(tài)性的同時(shí)快速求解。具體來說，就是在

l__p1＝65％×50％×40％

l__p2＝35％×50％×60％

中通過隨機(jī)尋徑確定一條路徑并排除掉這條路徑的其他同層路徑，例如在上例中會有65％的概率選擇l__p1(相當(dāng)于有35％的概率選擇l__p2)，一條完整路徑的概率值取決于組成這條路徑上所有路段的概率積，概率值越大，意味著這條路徑的綜合交通指數(shù)表現(xiàn)越好。

與確定性方法不同的是，隨機(jī)尋徑算法并不能保證每一次計(jì)算的解都是全局最優(yōu)解，但是通過大量迭代計(jì)算，則可以排除掉絕大部分非最優(yōu)解，迭代的程度越高，計(jì)算的準(zhǔn)確率也越高。對目前的移動便攜設(shè)備而言，迭代次數(shù)在10⁶～10⁷數(shù)量級內(nèi)的計(jì)算可以在毫秒級的時(shí)間單位內(nèi)完成，在保證計(jì)算時(shí)間可以接受的條件下完全可以同時(shí)保證準(zhǔn)確率。

下面通過具體實(shí)例驗(yàn)證本發(fā)明方法：

(1)理論性能驗(yàn)證

由于交通狀況隨時(shí)間變化較大，在不同的時(shí)間段內(nèi)有不同的規(guī)律，因此實(shí)驗(yàn)考慮在最極端的條件下，即所有的參數(shù)都是無規(guī)律的、隨機(jī)的。

首先，確定實(shí)驗(yàn)用到的模擬網(wǎng)絡(luò)環(huán)境。我們隨機(jī)生成[0，1]之間的浮點(diǎn)數(shù)作為概率值p，來模擬不同交通指數(shù)值經(jīng)過計(jì)算后的網(wǎng)絡(luò)情況，在高度為10的二叉樹中共生成2047個節(jié)點(diǎn)作為葉子節(jié)點(diǎn)(終點(diǎn))和其他子樹。在計(jì)算生成多個不同參數(shù)的網(wǎng)絡(luò)環(huán)境中，挑選了一個參數(shù)相對分布均勻的網(wǎng)絡(luò)作為實(shí)驗(yàn)對象。

其次，在上述特定參數(shù)分布均勻的網(wǎng)絡(luò)中，經(jīng)過計(jì)算求得這1024條路徑的概率值情況，最大路徑的概率值為0.0032。

最后，在這個網(wǎng)絡(luò)上我們進(jìn)行了100000組隨機(jī)尋徑試驗(yàn)，考察所構(gòu)建方法計(jì)算得到最優(yōu)解(p＝0.0032)的迭代性能情況，結(jié)果如圖7所示。

從圖7可以看出，隨機(jī)尋徑方法的迭代分布比較可靠(圖中分布從左至右呈梯度下降)。在100000組實(shí)驗(yàn)中，有27783次實(shí)驗(yàn)的迭代規(guī)模收斂在100次以內(nèi)，有19934次實(shí)驗(yàn)的迭代規(guī)模收斂在100-200區(qū)間內(nèi)。當(dāng)?shù)撝翟O(shè)置為1000時(shí)，有3741次在這個閾值范圍內(nèi)沒有成功找到最優(yōu)解。通過比較這個實(shí)驗(yàn)統(tǒng)計(jì)數(shù)據(jù)，可以在理論上驗(yàn)證我們提出方法的性能和準(zhǔn)確性。

對于最優(yōu)的路徑解概率p_max＝0.0032，在數(shù)學(xué)上將1/p≈306的數(shù)值作為尋徑期望，這個期望意味著理論上平均迭代尋徑306次就會出現(xiàn)一次最優(yōu)解。如果將迭代閾值設(shè)為期望值的1倍時(shí)，統(tǒng)計(jì)了100000組隨機(jī)試驗(yàn)中滿足這個期望閾值(300次，與306次接近)次以內(nèi)成功找到的最優(yōu)解次數(shù)，結(jié)果為：27783+19934+14682＝62399(62.40％)。而如果將迭代閾值設(shè)為期望值的2倍即統(tǒng)計(jì)(1～600，與306×2＝612次相近)次以內(nèi)成功找到的最優(yōu)解次數(shù)，結(jié)果為：86044(86.04％)。如果將閾值增加為期望值的3倍，結(jié)果為：94872(94.87％)。這個值非常接近理論計(jì)算出的結(jié)果，即3×1/p≈3×306＝918次隨機(jī)尋徑中沒有找到最優(yōu)解的概率值為(1-0.0032)⁹¹⁸＝0.049，相當(dāng)于理論上的準(zhǔn)確率應(yīng)該是1-0.0493＝0.9507(95.07％)，這與實(shí)驗(yàn)結(jié)果94.87％的誤差僅為0.20％。另外，由于本組實(shí)驗(yàn)的各概率參數(shù)都是隨機(jī)模擬的，因此考察了這個統(tǒng)計(jì)結(jié)果與正態(tài)分布N(μ，σ²)的對比情況，在標(biāo)準(zhǔn)正態(tài)分布(即參數(shù)μ＝0和σ＝1時(shí)的正態(tài)分布)中對應(yīng)期望為1，2，3的分布概率分別為：

期望為1：P{|X-μ|<σ}＝2Φ(1)-1＝0.6826

期望為2：P{|X-μ|<σ}＝2Φ(1)-1＝0.9544

期望為3：P{|X-μ|<3σ}＝2Φ(3)-1＝0.9974

本方法的統(tǒng)計(jì)結(jié)果與模擬分布值相比較，誤差較小，具體數(shù)據(jù)如表1所示。

表1隨機(jī)實(shí)驗(yàn)的性能及準(zhǔn)確率

當(dāng)n＝10，15，20，30時(shí)，網(wǎng)絡(luò)規(guī)模為2ⁿ(分別為1024，32768，1048576和1073741824)，針對這些不同規(guī)模的網(wǎng)絡(luò)，我們設(shè)置了一些與網(wǎng)絡(luò)規(guī)模相關(guān)的迭代系數(shù)，用來探討網(wǎng)絡(luò)規(guī)模與不同迭代系數(shù)下準(zhǔn)確率的動態(tài)關(guān)系，這些迭代系數(shù)分別取網(wǎng)絡(luò)規(guī)模的1％，2％，3％，5％，10％以及20％，其目的是根據(jù)網(wǎng)絡(luò)規(guī)模，動態(tài)調(diào)節(jié)迭代程度。針對每一個規(guī)模下的網(wǎng)絡(luò)，我們都進(jìn)行了多組的隨機(jī)實(shí)驗(yàn)，從中各自挑選了5組實(shí)驗(yàn)數(shù)據(jù)，具體的4個規(guī)模下的20組隨機(jī)實(shí)驗(yàn)的數(shù)據(jù)如表2至表5所示。

表2二叉樹高度為10(n＝10)情況下的性能

表3二叉樹高度為15(n＝15)情況下的性能

表4二叉樹高度為20(n＝20)情況下的性能

表5二叉樹高度為30(n＝30)情況下的性能

以表2為例，從表中可以看出，在相同的網(wǎng)絡(luò)規(guī)模下，不同概率值的路徑的數(shù)據(jù)相差很大。對于p₁＝0.20和p₅＝0.05，在迭代次數(shù)均為10的情況下，準(zhǔn)確率分別為88.59％和29.61％(迭代規(guī)模為網(wǎng)絡(luò)規(guī)模的1％)。對比表2中的p₅＝0.05和表3中的p₁＝0.03，這兩組實(shí)驗(yàn)的最優(yōu)路徑概率值很接近，但是準(zhǔn)確率差異很大(29.61％和89.43％)。而且表2至表5均反映出迭代次數(shù)越高，準(zhǔn)確率越高，并且更高的概率值會傾向于在較少的迭代過程內(nèi)找到最優(yōu)解。

由于事先無法確定最優(yōu)路徑的概率值，因此不能在計(jì)算前使用這個值作為計(jì)算的參考值。如果迭代尋徑次數(shù)過高，會導(dǎo)致計(jì)算時(shí)間過長；尋徑次數(shù)過低，則難以保證可靠的準(zhǔn)確率，因此需要選取一個適當(dāng)?shù)膮?shù)來在保證準(zhǔn)確率的前提下降低計(jì)算時(shí)間。針對計(jì)算的參考值，我們進(jìn)行了不同的實(shí)驗(yàn)來考察這個參考值與網(wǎng)絡(luò)規(guī)模的關(guān)系，實(shí)驗(yàn)結(jié)果如表6所示。

表6不同樣本概率期望和實(shí)際均值

從表6可以看到，尋徑期望與實(shí)際尋徑均值在一定范圍內(nèi)保持著相似的比例(1:1.46～1.79)，這意味著我們可以通過預(yù)估最優(yōu)解的期望值來確定迭代尋徑的規(guī)模。但是實(shí)際的交通網(wǎng)絡(luò)中在計(jì)算之前并不清楚哪一條路徑是最優(yōu)路徑，因此需要使用與尋徑期望值相近的值來模擬逼近最優(yōu)解的概率值。基于這個需求，本方法引入“期望系數(shù)”的概念，來解決未知最優(yōu)解概率值的問題。

“期望系數(shù)(In)”是根據(jù)大量的實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)得到的一個表征網(wǎng)絡(luò)規(guī)模的參數(shù)，一個規(guī)模為n的網(wǎng)絡(luò)的尋徑期望為1/Inⁿ，不同的系數(shù)值會表征不同程度的網(wǎng)絡(luò)系數(shù)，從而影響結(jié)果的準(zhǔn)確率和計(jì)算時(shí)間。從圖5統(tǒng)計(jì)結(jié)果來看，In取0.75的實(shí)驗(yàn)組準(zhǔn)確率相對較低，In取0.65時(shí)的準(zhǔn)確率近似達(dá)到100％，因此In的取值范圍在0.65-0.75之間，既保證結(jié)果的準(zhǔn)確率，又可以將計(jì)算時(shí)間保持在一個合理范圍。

(2)實(shí)際運(yùn)行性能

在不同規(guī)模的網(wǎng)絡(luò)中，分別考察了不同的期望系數(shù)對準(zhǔn)確率(圖8)和耗時(shí)(圖9)的影響。當(dāng)期望系數(shù)In取0.7時(shí)，取得了相對較高的準(zhǔn)確率。當(dāng)In<0.7時(shí)，雖然準(zhǔn)確率比In＝0.7高，但是計(jì)算時(shí)間也以指數(shù)級的規(guī)模增加，因此本實(shí)驗(yàn)取In＝0.7作為網(wǎng)絡(luò)規(guī)模的代表參數(shù)。

為了考察In取0.7的合理性，分別設(shè)置了6組不同的參數(shù)：In＝0.7，期望1倍，期望2倍，期望3倍，期望5倍和期望10倍。在這6組參數(shù)中，期望5倍，期望10倍和In＝0.7這三組參數(shù)在不同的網(wǎng)絡(luò)規(guī)模下均有較高(>90％)的準(zhǔn)確率，但是期望10倍的時(shí)耗明顯高于期望5倍，與In＝0.7持平，結(jié)果如圖7所示。雖然In＝0.7組的時(shí)耗相對期望5倍更高，但是這種動態(tài)調(diào)節(jié)實(shí)驗(yàn)規(guī)模的參數(shù)相對于固定值的參數(shù)來說，額外的時(shí)耗可以接受。而且使用期望參數(shù)值的計(jì)算不隨網(wǎng)絡(luò)規(guī)模的影響，能應(yīng)用于交通指數(shù)末知的交通網(wǎng)絡(luò)。

(3)移動端的性能模擬運(yùn)行

在市場上常見的移動端設(shè)備中，選擇了三款不同的手機(jī)，對移動端的性能進(jìn)行模擬，各手機(jī)的指標(biāo)如表7所示。

表7移動端設(shè)備的技術(shù)細(xì)節(jié)

實(shí)驗(yàn)耗時(shí)如表8所示，不同性能手機(jī)的運(yùn)行時(shí)間盡管有差別，但都在0.5s內(nèi)完成，并且準(zhǔn)確率也較高(>90％)。當(dāng)網(wǎng)絡(luò)規(guī)模過大(>30)時(shí)，計(jì)算時(shí)間需要2～4s，而且準(zhǔn)確率會相應(yīng)降低。如果需要提高準(zhǔn)確率，則需要增加尋徑的次數(shù)，但這樣會額外增加計(jì)算的時(shí)間。

表8模擬實(shí)驗(yàn)的耗時(shí)

為了優(yōu)化迭代規(guī)模對于耗時(shí)與準(zhǔn)確率的影響，設(shè)置了4組不同的實(shí)驗(yàn)參數(shù)來模擬交通網(wǎng)絡(luò)環(huán)境，其網(wǎng)絡(luò)規(guī)模分別為10，15，20，30，對應(yīng)的迭代范圍是1000，3000，500和100，這樣的參數(shù)組合可以同時(shí)提高準(zhǔn)確率和降低耗時(shí)。因此，采用概率交通模型和期望參數(shù)能夠獲得較好的計(jì)算結(jié)果，并且在移動端上的實(shí)驗(yàn)(表7和表8)也驗(yàn)證了這種方法的實(shí)際應(yīng)用性能。與GPS或其他規(guī)劃方法相比，采用交通局發(fā)布的交通指數(shù)來實(shí)時(shí)規(guī)劃交通可以得到更準(zhǔn)確有效的結(jié)果，而且基于概率模型的規(guī)劃方法可以有效的降低擁堵情況的出現(xiàn)，從而進(jìn)一步改善城市的交通狀況。