CN120213075B - 基于车联网的多车协同路径规划方法 - Google Patents

Abstract

本发明涉及车联网和智能交通技术领域，尤其涉及一种基于车联网的多车协同路径规划方法。本发明针对长途驾驶中根据实时车流量数据进行实时路径规划的局限性，对全部可行行驶路径进行路径分段，基于实时的第一车辆的车辆数据、各路段上的第二车辆的数量和待处理车辆行驶至各路段的时间，分路段和时间段进行预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度，根据预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行实时路径规划，通过分段时空预测与动态密度适配，分时段密度预测精准匹配待处理车辆到达时间，解决了传统实时路径规划在长途场景下的滞后性与盲目性问题。

Description

基于车联网的多车协同路径规划方法

技术领域

本发明涉及车联网和智能交通技术领域，尤其涉及一种基于车联网的多车协同路径规划方法。

背景技术

近年来，随着人们生活质量的不断提升，汽车已变成人们主要的代步工具，这就造成汽车的销量逐年上升，随着汽车的智能化发展，车联网通过无线通信技术，将车辆与周围环境中的其他车辆、道路基础设施、行人、云端系统等连接成一个智能协同网络，实现数据实时交互与共享，从而提升交通效率、安全性和智能化水平。路径规划直接影响效率、成本和安全，也是实现自动驾驶和智慧城市的关键支撑。

目前现有的基于车联网的路径规划多是通过获取实时车流量数据进行实时路况分析进而实现实时的路径规划，例如中国专利授权公开号CN108286981B公开了一种车联网的车辆路径规划方法、装置和计算机设备，方法包括：获取车联网中联网的车载终端的车辆数据，并将获取的车辆数据进行存储，根据车辆数据的经纬度数据对车辆划分区域对应至各个路段，并根据速度和方向的数据对各个路段进行路况分析，获取各个路段的车流量数据并进行存储，接收请求端的车辆路径规划请求，车辆路径规划请求包括待规划车辆当前位置和目的地位置的经纬度参数，根据车辆路径规划请求从存储的车流量数据中查找该经纬度参数对应路段的车流量数据，对对应路段的车流量数据进行实时分析，获取待规划车辆的路径规划结果，并将路径规划结果返回至请求端。采用该方法能够提升车辆路径规划的准确性和效率。由此可见，所述现有技术是通过获取实时车流量数据进行实时路况分析进而实现实时的路径规划，这至少存在以下问题：一方面，对于长途驾驶路径，如需要在高速公路上行驶，在出发时所规划的实时路径是合适的，但也仅仅适用于此时刻，车出发时至上高速、下高速过程中有较长的时间间隔，随着时间的推移，规划路径上的车辆数据、路况是不断变化的，很可能在出发时或上高速时所规划的路径到真正在高速上行驶时并不适用，缺乏对未来路况变化的准确预测，存在长时程规划局限；另一方面，目前的路径规划考虑不全面，如并非所有的车辆都具备车联网功能，或有的人出于安全和隐私考虑，不同意将数据进行上传，都会导致路况分析结果与现实路况存在较大差异，使得路径规划效果不理想。

发明内容

为此，本发明提供一种基于车联网的多车协同路径规划方法，用以克服现有技术中不适用长途路径规划以及路径规划考虑不全面导致路径规划车流量与实际行车路况的车流量不一致的问题。

为实现上述目的，本发明提供一种基于车联网的多车协同路径规划方法，包括：

响应于预设的待处理信息，根据待处理车辆的起点和终点确定车辆的若干可行行驶路径，对各可行行驶路径进行路径分段；

实时检索车联网中其他联网车辆的全部实时车辆路径规划数据，获取全部实时车辆路径规划数据中与各可行行驶路径的任一路段相关的实时车辆路径规划所对应的车辆，记为第一车辆，并实时获取各第一车辆的车辆数据，包括第一车辆的数量、各第一车辆的位置和各第一车辆的速度；

实时检测各路段的车辆，记为第二车辆，并实时获取各路段上的第二车辆的数量；

获取待处理车辆的实时速度，根据待处理车辆的实时速度确定待处理车辆行驶至各路段的时间；

根据第一车辆的车辆数据、各路段上的第二车辆的数量和待处理车辆行驶至各路段的时间确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度；

根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行路径规划，确定待处理车辆的车辆规划路径；

获取车联网数据获取时间和当前时间之间重新规划路径的其他联网车辆记为第三车辆，基于第三车辆数据确定待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据；

执行所述车辆预规划路径时，将待处理车辆的车辆规划路径上传至车联网中联网车辆的全部实时车辆路径规划数据中。

进一步地，确定待处理车辆行驶至各路段的时间，包括：

获取各路段的长度和待处理车辆的实时位置，根据待处理车辆的实时速度、待处理车辆的实时位置和各路段的长度确定待处理车辆行驶至各路段的时间。

进一步地，根据待处理车辆行驶至各路段的时间、第一车辆的速度数据和第一车辆的位置数据确定待处理车辆行驶至各路段时的第一车辆的位置，根据待处理车辆行驶至各路段时的第一车辆的位置确定待处理车辆行驶至各路段时的各路段对应的第一车辆的数量。

进一步地，根据各路段的长度和各路段上实时的第一车辆的数量确定各路段的实时第一车辆密度，根据各路段的长度和各路段上实时的第二车辆的数量确定各路段的实时第二车辆密度。

进一步地，确定所述预期第二车辆密度，包括：

根据待处理车辆行驶至各路段时的各路段的第一车辆数量、各路段的实时第一车辆密度、各路段的实时第二车辆密度确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度。

进一步地，根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度确定各路段的拥堵系数，根据各路段的拥堵系数进行路径规划，确定待处理车辆的车辆预规划路径。

进一步地，还包括：根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度和偏好分配权重确定各个可行行驶路径的偏好排序，根据各个可行行驶路径的偏好排序确定待处理车辆的车辆预规划路径。

进一步地，所述对各可行行驶路径进行路径分段包括：

统计待处理车辆各可行行驶路径上的全部出口；

根据各可行行驶路径上的全部出口对各可行行驶路径进行路径分段，同一可行行驶路径上相邻两个出口之间为一个路段。

进一步地，还包括：

根据待处理车辆的车辆预规划路径已经行驶的路段的历史各路段的实时第二车辆密度和预期第二车辆密度确定修正系数，根据修正系数对待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行修正。

进一步地，所述基于第三车辆数据确定待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据包括：

若第三车辆的数量小于预设阈值，则待处理车辆执行所述车辆预规划路径；

若第三车辆的数量大于或等于预设阈值，则重新获取所述第一车辆的车辆数据。

与现有技术相比，本发明的有益效果在于，

本发明的一种基于车联网的多车协同路径规划方法，针对长途驾驶中根据实时车流量数据进行实时路径规划的局限性，对各可行行驶路径进行路径分段，基于实时的第一车辆的车辆数据、各路段上的第二车辆的数量和待处理车辆行驶至各路段的时间，分路段和时间段进行预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度，根据预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行实时路径规划，通过分段时空预测与动态密度适配，分时段密度预测精准匹配待处理车辆到达时间，解决了传统实时路径规划在长途场景下的滞后性与盲目性问题。

进一步地，车联网中联网的车辆数量多，产生的实时数据量庞大，本发明的第一车辆是车联网中联网车与待处理车辆的可行行驶路径相关的车辆，即初始对车联网中联网的车辆进行了筛选，只选取与待处理车辆可行行驶路径相关的车辆，可有效减少待处理车辆车载终端与云平台之间的网络传输压力，进而降低通信延迟，提升数据的实时性。

进一步地，本发明的对任一联网车辆的实时车辆规划路径是实时上传至车联网中联网车辆的全部实时车辆路径规划数据中的，即车联网中联网车辆的全部实时车辆路径规划数据是实时更新的，即本申请的第一车辆也根据车联网中联网车辆的全部实时车辆路径规划数据进行更新的，第一车辆包括尚未行驶至待处理车辆的各可行行驶路径上的车辆，其为根据车辆规划路径可知将来会行驶至待处理车辆的可行行驶路径上的车辆以及正在待处理车辆的可行行驶路径上行驶的车辆，而当有新车的实时车辆规划路径与待处理车辆可行行驶路径相关时，会及时加入到第一车辆中，当正在待处理车辆的可行行驶路径上行驶的第一车辆驶离待处理车辆可行行驶路径时，也会及时从第一车辆中剔除，保证第一车辆数据的实时性和准确性。

进一步地，本发明的第二车辆是行驶在待处理车辆全部可行行驶路径上各路段的实时车辆，包括了行驶在待处理车辆全部可行行驶路径上各路段的第一车辆（车联网中联网车辆）以及其他车辆，其他车辆包括不具备车联网功能的车辆、没打开车联网功能的车辆等，根据预测的待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行路径规划，相比于只根据第一车辆或第一车辆密度进行路径规划，考虑的更全面，基于全量车辆密度（第二车辆密度）预测，而非仅依赖车联网上传的局部数据，减少因数据缺失导致的路况误判，避免因部分车辆未联网导致路况分析偏差，例如，实际车况拥堵但仅联网车辆少导致显示路况中车辆少，提高了路况分析结果与现实路况数据的一致程度，显著提升路径规划结果与现实路况的吻合度。

进一步地，本发明是实时预测待处理车辆到达各路段时的全量车辆密度（预期第二车辆密度），而非仅依赖当前时刻的联网车辆静态数据，规避因时间差导致的规划失效，避免了出发时某路段畅通，但待处理车辆到达时因非联网车辆聚集引发拥堵的问题发生。

进一步地，本发明对于根据待处理车辆的车辆规划路径已经行驶的路段的历史各路段的实时第二车辆密度和预期第二车辆密度确定修正系数，根据修正系数对待处理车辆接下来行驶至各路段时的各路段的预期第二车辆密度进行修正，基于历史路段的实际第二车辆密度数据，修正预测模型的固有偏差，修正系数表征了历史中非联网车辆的分布规律，例如节假高峰通勤车辆聚集、相同时间段、相似天气对车流量的影响等，使预测更贴近真实全量车流。

附图说明

图1为本发明实施例基于车联网的多车协同路径规划方法的流程图；

图2为本发明实施例根据起点和终点确定的全部可行行驶路径示意图；

图3为本发明实施例根据可行行驶路径上的出口对进行路径分段示意图；

图4为本发明实施例步骤S5的流程图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，本发明实施例提供一种基于车联网的多车协同路径规划方法，包括：

步骤S1，响应于预设的待处理信息，根据待处理车辆的起点和终点确定车辆的若干可行行驶路径，对各可行行驶路径进行路径分段；

步骤S2，实时检索车联网中其他联网车辆的全部实时车辆路径规划数据，获取全部实时车辆路径规划数据中与各可行行驶路径的任一路段相关的实时车辆规划路径所对应的车辆，记为第一车辆，并实时获取各第一车辆的车辆数据，包括第一车辆的数量、各第一车辆的位置和各第一车辆的速度；

步骤S3，实时检测各路段的车辆，记为第二车辆，并实时获取各路段上的第二车辆的数量；

步骤S4，获取待处理车辆的实时速度，根据待处理车辆的实时速度确定待处理车辆行驶至各路段的时间；

步骤S5，根据第一车辆的车辆数据、各路段上的第二车辆的数量和待处理车辆行驶至各路段的时间确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度；

步骤S6，根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行路径规划，确定待处理车辆的车辆预规划路径；

获取车联网数据获取时间和当前时间之间重新规划路径的其他联网车辆记为第三车辆，基于第三车辆数据确定待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据；

执行所述车辆预规划路径时，将待处理车辆执行的车辆规划路径上传至车联网中联网车辆的全部实时车辆路径规划数据中。

本发明的一种基于车联网的多车协同路径规划方法，针对长途驾驶中根据实时车流量数据进行实时路径规划的局限性，对各可行行驶路径进行路径分段，基于实时的第一车辆的车辆数据、各路段上的第二车辆的数量和待处理车辆行驶至各路段的时间，分路段和时间段进行预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度，根据预测得到待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行实时路径规划，通过分段时空预测与动态密度适配，分时段密度预测精准匹配待处理车辆到达时间，解决了传统实时路径规划在长途场景下的滞后性与盲目性问题。

可以理解的是，实时车辆路径规划数据中与各可行行驶路径的任一路段相关的含义为实时车辆路径规划数据中的实时车辆规划路径包含待处理车辆的全部各可行行驶路径上的任一路段。

可以理解的是，本实施例中的步骤S2和步骤S3的获取数据是同时进行的。

作为一种实施方式，当待处理车辆通过本发明的基于车联网的多车协同路径规划方法进行路径规划时，是实时的、不断循环重复执行的，例如每隔一分钟循环执行一次。

本发明的第一车辆是车联网中联网的车辆的实时车辆规划路径与待处理车辆各可行行驶路径相关的车辆，第二车辆是待处理车辆各可行行驶路径上各路段的实时车辆。

车联网中联网的车辆数量多，产生的实时数据量庞大，本发明的第一车辆是车联网中联网车与待处理车辆的可行行驶路径相关的车辆，即初始对车联网中联网的车辆进行了筛选，只选取与待处理车辆可行行驶路径相关的车辆，可有效减少待处理车辆车载终端与云平台之间的网络传输压力，进而降低通信延迟，提升数据的实时性。

本发明的对任一联网车辆的实时车辆规划路径是实时上传至车联网中联网车辆的全部实时车辆路径规划数据中的，即车联网中联网车辆的全部实时车辆路径规划数据是实时更新的，即本申请的第一车辆也根据车联网中联网车辆的全部实时车辆路径规划数据进行更新的，第一车辆包括尚未行驶至待处理车辆的各可行行驶路径上的车辆，其为根据车辆规划路径可知将来会行驶至待处理车辆的可行行驶路径上的车辆以及正在待处理车辆的可行行驶路径上行驶的车辆，而当有新车的实时车辆规划路径与待处理车辆可行行驶路径相关时，会及时加入到第一车辆中，当正在待处理车辆的可行行驶路径上行驶的第一车辆驶离待处理车辆可行行驶路径时，也会及时从第一车辆中剔除，保证第一车辆数据的实时性和准确性。

本发明的第二车辆是行驶在待处理车辆全部可行行驶路径上各路段的实时车辆，即包括了行驶在待处理车辆全部可行行驶路径上各路段的第一车辆（车联网中联网车辆）以及其他车辆，其他车辆包括不具备车联网功能的车辆、没打开车联网功能的车辆等，根据预测的待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行路径规划，相比于只根据第一车辆或第一车辆密度进行路径规划，考虑的更全面，基于全量车辆密度（第二车辆密度）预测，而非仅依赖车联网上传的局部数据，减少因数据缺失导致的路况误判，避免因部分车辆未联网导致路况分析偏差，例如，实际车况拥堵但仅联网车辆少导致显示路况红车辆少，提高了路况分析结果与现实路况数据的一致程度，显著提升路径规划结果与现实路况的吻合度。

本发明是实时预测待处理车辆到达各路段时的全量车辆密度（预期第二车辆密度），而非仅依赖当前时刻的联网车辆静态数据，规避因时间差导致的规划失效，避免了出发时某路段畅通，但待处理车辆到达时因非联网车辆聚集引发拥堵的问题发生。

本发明在车联网覆盖不足的场景（如极端天气、信号盲区），通过各路段的出口和入口处设置用于检测车辆的检测传感器补充了非联网车辆数据。弱网或无网环境下仍能生成可靠路径，避免因依赖云端数据而规划错误路线。

在一个实施例中，请参阅图2，A点为待处理车辆的起点，G点为待处理车辆的终点，根据A点和G点确定待处理车辆的全部可行行驶路径为A-B-E-F-G、A-B-C-E-F-G、A-B-C-D1-F1-G、A-B-C-D2-F2-G、A-B-D1-F1-G、A-B-D2-F2-G，其中D→F有两条路径，分别为左侧的趋于直线的路径D1-F1（红色）以及右侧的曲线路径D2-F2（绿色）。

作为一种实施方式，在步骤S1中，预设的待处理信息包括路径上的全部出口信息和路径上的全部出口的导流线起点信息。其能够预先根据各路段的交通指示线、引导线、指示牌等获取，以预先得到，在此不再赘述。

具体而言，在步骤S1中，所述对各可行行驶路径进行路径分段包括：

统计待处理车辆各可行行驶路径上的全部出口；

根据各可行行驶路径上的全部出口对各可行行驶路径进行路径分段，同一可行行驶路径上相邻两个出口之间为一个路段。出口记为可以驶离行驶路径的路口。

作为另一种实施方式，在步骤S1中，所述对各可行行驶路径进行路径分段包括：

统计待处理车辆各可行行驶路径上的全部出口；

根据各可行行驶路径上的全部出口的导流线对各可行行驶路径进行路径分段，同一可行行驶路径上相邻两个出口处导流线的起点之间为一个路段。

在一个实施例中，请参阅图3，以路径为A-B-C-E-F-G为例，在路径A-B-C-E-F-G上有出口B、出口a、出口c、出口C和出口f，则路径A-B-E-F-G分段为：路段AB、路段Ba、路段ac、路段cC、路段Cf和路段fG。

具体而言，对于步骤S4，确定待处理车辆行驶至各路段的时间，包括：

获取各路段的长度和待处理车辆的实时位置，根据待处理车辆的实时速度、待处理车辆的实时位置和各路段的长度确定待处理车辆行驶至各路段的时间。

在一个实施例中，以路径为A-B-C-E-F-G为例，待处理车辆行驶在路段AB上，根据待处理车辆的实时位置（t0时刻）可以确定待处理车辆到出口B的距离，根据待处理车辆到出口B的距离和待处理车辆的实时速度，可以确定待处理车辆行驶到路段Ba时（路口B处）所需的时间t1，进而依次确定待处理车辆行驶到路段ac时（路口a处）所需的时间t2、待处理车辆行驶到路段cC时（路口c处）所需的时间t3、待处理车辆行驶到路段Cf时（路口C处）所需的时间t4、待处理车辆行驶到路段fG时（路口f处）所需的时间t5。

请参阅图4，步骤S5包括：

步骤S51，根据待处理车辆行驶至各路段的时间、第一车辆的速度数据和第一车辆的位置数据确定待处理车辆行驶至各路段时的第一车辆的位置，根据待处理车辆行驶至各路段时的第一车辆的位置确定待处理车辆行驶至各路段时的各路段对应的第一车辆的数量。

在一个具体的实施例中，对于某一时刻任一第一车辆，待处理车辆行驶至各路段时的第一车辆的位置=第一车辆的位置+待处理车辆行驶至各路段时第一车辆行驶的路程，待处理车辆行驶至各路段时第一车辆行驶的路程=第一车辆的速度×待处理车辆行驶至各路段所需的时间。其中，第一车辆的位置是实时获取的，第一车辆的速度可以是第一车辆的实时速度，也可以是第一车辆过去一段时间内的平均速度。

在另一个具体的实施例中，本车辆行驶至各路段时的第一车辆的位置也可以根据深度学习模型或其他模型得到，进而根据本车辆行驶至各路段时的第一车辆的位置确定本车辆行驶至各路段时的各路段的第一车辆数量。

可以理解的是，对于某一时刻任一第一车辆，其车辆规划路径是实时上传至车联网中联网车辆的全部实时车辆路径规划数据中的，对于尚未行驶至待处理车辆的全部可行行驶路径上的第一车辆，在得到待处理车辆行驶至各路段时的第一车辆的位置时，可以根据车辆规划路径确定其是否行驶到待处理车辆的可行行驶路径上，而对于正位于待处理车辆的可行行驶路径上行驶的第一车辆，可以根据车辆规划路径确定其是否驶离本路段，驶离本路段后是进入其他路段还是驶离待处理车辆的可行行驶路径。进而可以得到待处理车辆行驶至各路段时的各路段的第一车辆数量。

在一个实施例中，当分别确定待处理车辆行驶至路段Ba时（路口B处）所需的时间t1、待处理车辆行驶到路段ac时（路口a处）所需的时间t2、待处理车辆行驶到路段cC时（路口c处）所需的时间t3、待处理车辆行驶到路段Cf时（路口C处）所需的时间t4、待处理车辆行驶到路段fG时（路口f处）所需的时间t5时，根据时间t1只确定路段Ba上的第一车辆数量，对于路段Ba后的路段ac、路段cC、路段Cf和路段fG不考虑，根据时间t2只确定路段ac上的第一车辆数量，对于路段ac后的路段cC、路段Cf和路段fG不考虑，根据时间t3只确定路段cC上的第一车辆数量，对于路段cC后的路段Cf和路段fG不考虑，根据时间t4只确定路段Cf上的第一车辆数量，对于路段Cf后的路段fG不考虑，根据时间t4确定路段fG上的第一车辆数量。

具体而言，步骤S5包括：

步骤S52，根据各路段的长度和各路段上实时的第一车辆的数量确定各路段的实时第一车辆密度，根据各路段的长度和各路段上实时的第二车辆的数量确定各路段的实时第二车辆密度。

作为一种实施方式，第一车辆密度=第一车辆数量/路段长度，第二车辆密度=第二车辆数量/路段长度。

具体而言，步骤S5包括：

步骤S53，确定所述预期第二车辆密度，包括：

根据待处理车辆行驶至各路段时的各路段的第一车辆数量、各路段的实时第一车辆密度、各路段的实时第二车辆密度确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度。

在实施中，根据待处理车辆行驶至各路段时的各路段的第一车辆数量确定待处理车辆行驶至各路段时的各路段的第一车辆密度，待处理车辆行驶至各路段时的各路段的第一车辆密度=待处理车辆行驶至各路段时的各路段的第一车辆数量/路段长度。

从而，根据待处理车辆行驶至各路段时的各路段的第一车辆密度、各路段的实时第一车辆密度、各路段的实时第二车辆密度确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度。

在一个具体的实施例中，待处理车辆行驶至各路段时的各路段的预期第二车辆密度=各路段的实时第二车辆密度×待处理车辆行驶至各路段时的各路段的第一车辆密度/各路段的实时第一车辆密度。

可以理解的是，第一车辆是车联网中联网且与待处理车辆可行路径相关的车辆，其位置和路径信息可实时获取，是已知的可观测样本，第二车辆包括所有行驶在待处理车辆可行路径上的车辆（含行驶在待处理车辆可行路径上第一车辆和其他车辆），但其他车辆（如未联网车辆）的实时数据难以直接获取，是部分未知的样本。通过第一车辆的变化趋势（待处理车辆行驶至各路段时的各路段的第一车辆密度/实时第一车辆密度），可以间接推测第二车辆的整体变化趋势，待处理车辆行驶至各路段时的各路段的第一车辆是待处理车辆行驶至各路段时的各路段的第二车辆的一个子集，且两者在同一路径上共享交通环境。通过联网车辆（第一车辆）的密度变化比例（预测值/实时值），对实时第二车辆密度进行动态缩放，从而预测待处理车辆到达时的整体车辆密度（第二车辆密度）。本质是假设非联网车辆（其他车辆）的密度变化趋势与联网车辆（第一车辆）一致，因此可通过第一车辆的密度变化比例，近似推算全量车流（第二车辆）的密度。

具体而言，步骤S6包括：

步骤S61，根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度确定各路段的拥堵系数，根据各路段的拥堵系数进行路径规划，确定待处理车辆的车辆预规划路径。

具体的，各路段的拥堵系数=待处理车辆行驶至各路段时的各路段的预期第二车辆密度/临界密度，其中，临界密度为堵塞密度的一半，堵塞密度为当前路段车辆完全停滞时的最大密度，其能够根据实际的场景进行设定，也可以是对历史数据的分析得到。在本实施例中，对于单车道优选的堵塞密度为150辆/公里（假设车辆停滞时两车辆车尾之间的平均间距为6.67米），临界密度为75辆/公里，双车道、多车道可以对应乘以相应的倍数。

得到各路段的拥堵系数后，根据各路段的拥堵系数确定拥堵路段占各可行行驶路径的百分比，拥堵路段定义为路段的拥堵系数大于系数阈值，将各路段的拥堵系数与系数阈值相比较，确定各路段是否为拥堵路段，以及拥堵路段长度占可行行驶路径总路段长度的百分比，选择拥堵路段长度占可行行驶路径长度的百分比最小的可行行驶路径作为待处理车辆的车辆预规划路径。

作为一种实施方式，若拥堵路段长度占可行行驶路径长度的百分比最小的可行行驶路径不止一条，选择其中路径最短的可行行驶路作为待处理车辆的车辆预规划路径。

作为另一种实施方式，若拥堵路段长度占可行行驶路径长度的百分比最小的可行行驶路径不止一条，则计算可行行驶路径的平均拥堵系数，选择平均拥堵系数最小的可行行驶路作为待处理车辆的车辆预规划路径。

具体而言，步骤S61还可以为：根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度和偏好分配权重确定各个可行行驶路径的偏好排序，根据各个可行行驶路径的偏好排序确定待处理车辆的车辆预规划路径。

在本实施例中，基于多指标归一化与权重分配的综合路径评分方案，旨在将车辆密度、距离、时间、红绿灯数量、收费站费用、道路等级、用户偏好驾驶行为（例如车速范围）等指标转化为统一评分体系，并通过加权计算综合得分，从而选择最优路径作为待处理车辆的车辆预规划路径。

将车辆密度、距离、时间、红绿灯数量、收费站费用、道路等级等指标转化为0～100分，分数越低表示该指标越优越，具体如下：根据车辆密度和车辆密度区间划分分数，车辆密度区间为[0-堵塞密度],如车辆密度位于车辆密度区间长度的1/4处，则分数为25分，统计各路段的分数算出平均分作为车辆密度的转化分数；根据可行行驶路径的长度/距离确定转化分数，距离转化分数=（当前路径距离-最短路径距离）/（最长路径距离-最短路径距离）×100；根据可行路径的行驶时间确定转化分数，时间转化分数=（当前路径预估行驶时间-最短路径预估行驶时间）/（最长路径预估行驶时间-最短路径预估行驶时间）×100；根据红绿灯数量分段评分，0个（0分），1-3个（20分），4-6个（40分）7-10个（60分），10-15个（80分），15个以上（100分）；根据收费站费用线性评分，费用转化分数=当前路径费用/所有路径中的最高费用×100；根据道路等级评分，道路等级包括高速公路、国道、省道和小路，道路等级转化分数=高速公路长度/行驶路径总长度×20+国道长度/行驶路径总长度×40+省道长度/行驶路径总长度×60+小路长度/当前路径总长度×100。

将指标转化为分数后，根据用户自行定义的当前的偏好分配权重进行计算，在一个实施例中，车辆密度指标的权重为30%，时间指标的权重为25%，距离指标的权重为15%，红绿灯数量指标的权重为10%，收费站费用指标的权重为10%，道路等级指标的权重为10%，则。

可以理解的是，偏好分配权重是用户根据自身行为偏好自行设定的，在此不再赘述。

具体而言，在步骤S6中，所述基于第三车辆数据确定待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据包括：

若第三车辆的数量小于预设阈值，则待处理车辆执行所述车辆预规划路径；

若第三车辆的数量大于或等于预设阈值，则重新获取所述第一车辆的车辆数据。

可以理解的是，在待处理车辆执行获取车联网数据直到确定待处理车辆的车辆预规划路径之间的一段时间内，可能同时存在若干其他联网车辆（即第三车辆）也正在进行路径规划，并完成车辆预规划路径，而若第三车辆的数量较多，则可能导致布雷斯悖论（当超过一定数量的车辆同时选择某条“最优路径”，会局部优化导致全局拥堵加重）。因此本发明获取车联网数据获取时间和当前时间之间重新规划路径的其他联网车辆，记为第三车辆，根据第三车辆的数量与预设阈值进行比较，当第三车辆的数量小于预设阈值，表明发生布雷斯悖论的可能性较小，待处理车辆执行所述车辆预规划路径；若第三车辆的数量大于或等于预设阈值，表明发生布雷斯悖论的可能性较高，则重新获取所述第一车辆的车辆数据，重新进行路径规划。

作为一种实施方式，预设阈值可以为一定值，例如预设阈值为100，当第三车辆的数量小于100时，则待处理车辆执行所述车辆预规划路径，当第三车辆的数量大于或等于100时，则重新获取所述第一车辆的车辆数据。

具体而言，步骤S6包括：

步骤S62，执行所述车辆预规划路径时，将待处理车辆执行的车辆规划路径上传至车联网中联网车辆的全部实时车辆路径规划数据中。

具体而言，还包括：步骤S54：根据待处理车辆的车辆预规划路径已经行驶的路段的历史各路段的实时第二车辆密度和预期第二车辆密度确定修正系数，根据修正系数对待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行修正。

具体而言，所述实时检测各路段的车辆包括：在各路段的出口和入口处设置用于检测车辆的检测传感器，根据各路段的出口和入口处的检测传感器检测的数据确定各路段上的第二车辆的数量。

请参阅图3，以路径A-B-C-E-F-G为例，在路径A-B-C-E-F-G上有出口B、出口a、出口c、出口C和出口f，还有入口b、入口d、入口e，在出口B、出口a、出口c、出口C、出口f、入口b、入口d、入口e处均设置车辆检测传感器，每当有车辆经过、驶入或驶出均可被车辆检测传感器进行检测识别并计数，并将检测信号或计数数据实时上传至云平台以供车载终端获取。

具体的，修正系数=（历史待处理车辆行驶至某路段的实时第二车辆密度-待处理车辆行驶至某路段时的预期第二车辆密度的平均值）/待处理车辆行驶至某路段时的预期第二车辆密度的平均值。

修正后的各路段的预期第二车辆密度=各路段的预期第二车辆密度×（1-修正系数）。

在一个实施例中，请参阅图3，以路径A-B-C-E-F-G为例，待处理车辆行驶在路段ac上，此时根据待处理车辆行驶至路段cC时的路段cC的第一车辆数量、路段cC的实时第一车辆密度、路段cC的实时第二车辆密度确定待处理车辆行驶至路段cC时的路段cC的预期第二车辆密度，根据待处理车辆的车辆规划路径已经行驶的路段Ba的历史路段Ba的实时第二车辆密度和待处理车辆行驶至路段Ba时的预期第二车辆密度确定修正系数，即修正系数=历史待处理车辆行驶至路段Ba的实时第二车辆密度-待处理车辆行驶至路段Ba时的预期第二车辆密度的平均值）/待处理车辆行驶至路段Ba时的预期第二车辆密度的平均值。则修正后的待处理车辆行驶至路段cC时的路段cC的预期第二车辆密度=待处理车辆行驶至路段cC时的路段cC的预期第二车辆密度×（1-修正系数）。

本发明对于根据待处理车辆的车辆规划路径已经行驶的路段的历史各路段的实时第二车辆密度和预期第二车辆密度确定修正系数，根据修正系数对待处理车辆接下来行驶至各路段时的各路段的预期第二车辆密度进行修正，基于历史路段的实际第二车辆密度数据，修正预测模型的固有偏差，修正系数表征了历史中非联网车辆的分布规律，例如节假高峰通勤车辆聚集、相同时间段、相似天气对车流量的影响等，使预测更贴近真实全量车流。

本发明的路径规划方法是实时的，考虑了车联网中联网的车辆的实时车辆规划路径与待处理车辆全部可行行驶路径相关的车辆（第一车辆）和待处理车辆全部可行行驶路径上各路段的实时车辆（第二车辆），随着第一车辆和第二车辆相关车辆数据的实时采集、变动和预测，待处理车辆的车辆规划路径也跟着动态调整，可以结合最新车辆密度、事故数据（若前方路段发生事故会导致第一车辆数据和第二车辆数据变动）重新规划后续各段路径，在分段节点处，根据最新数据重新计算规划后续子段的最优路径，若预测出某子段拥堵，提前切换备选路径（如绕行平行高速或国道）。

本发明的待处理车辆路径规划考虑了全部车联网中联网车辆与待处理车辆的全部可行行驶路径相关的实时车辆路径规划所对应的车辆（即第一车辆包括尚未行驶至待处理车辆的全部可行行驶路径上的车辆以及正在待处理车辆的可行行驶路径上行驶的车辆），可避免现有技术只针对可行路径的实时车流量数据进行实时路况分析进而实现实时的路径规划产生的布雷斯悖论（当超过一定数量的车辆同时选择某条“最优路径”，会局部优化导致全局拥堵加重）。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于车联网的多车协同路径规划方法，其特征在于，包括：

响应于预设的待处理信息，根据待处理车辆的起点和终点确定车辆的若干可行行驶路径，对各可行行驶路径进行路径分段；

实时检索车联网中其他联网车辆的全部实时车辆路径规划数据，获取全部实时车辆路径规划数据中与各可行行驶路径的任一路段相关的实时车辆路径规划所对应的车辆，记为第一车辆，并实时获取各第一车辆的车辆数据，包括第一车辆的数量、各第一车辆的位置和各第一车辆的速度,其中，第一车辆包括尚未行驶至待处理车辆的各可行行驶路径上的车辆；

在各路段的出口和入口处设置用于检测车辆的检测传感器，实时检测各路段的车辆，记为第二车辆，并实时获取各路段上的第二车辆的数量，其中，第二车辆包括行驶在待处理车辆全部可行行驶路径上各路段的第一车辆以及未进行车联网的车辆；

获取待处理车辆的实时速度，根据待处理车辆的实时速度确定待处理车辆行驶至各路段的时间；

根据待处理车辆行驶至各路段的时间、第一车辆的速度数据和第一车辆的位置数据确定待处理车辆行驶至各路段时的第一车辆的位置，根据待处理车辆行驶至各路段时的第一车辆的位置确定待处理车辆行驶至各路段时的各路段对应的第一车辆的数量；

根据各路段的长度和各路段上实时的第一车辆的数量确定各路段的实时第一车辆密度，根据各路段的长度和各路段上实时的第二车辆的数量确定各路段的实时第二车辆密度；

根据待处理车辆行驶至各路段时的各路段的第一车辆数量、各路段的实时第一车辆密度、各路段的实时第二车辆密度确定待处理车辆行驶至各路段时的各路段的预期第二车辆密度，预期第二车辆密度为实时预测待处理车辆到达各路段时的全量车辆密度；

根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行路径规划，确定待处理车辆的车辆预规划路径；

获取车联网数据获取时间和当前时间之间重新规划路径的其他联网车辆记为第三车辆，基于第三车辆数据与预设阈值进行比对确定所述待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据，其中，第三车辆为待处理车辆执行获取车联网数据到确定待处理车辆的车辆预规划路径之间的一段时间内，存在若干其他联网车辆进行路径规划并完成车辆预规划路径的车辆；

执行所述车辆预规划路径时，将待处理车辆执行的车辆规划路径上传至车联网中联网车辆的全部实时车辆路径规划数据中。

2.根据权利要求1所述的基于车联网的多车协同路径规划方法，其特征在于，确定待处理车辆行驶至各路段的时间，包括：

获取各路段的长度和待处理车辆的实时位置，根据待处理车辆的实时速度、待处理车辆的实时位置和各路段的长度确定待处理车辆行驶至各路段的时间。

3.根据权利要求1所述的基于车联网的多车协同路径规划方法，其特征在于，根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度确定各个可行行驶路径的拥堵系数，根据各个可行行驶路径的拥堵系数进行路径规划，确定待处理车辆的车辆预规划路径。

4.根据权利要求1所述的基于车联网的多车协同路径规划方法，其特征在于，还包括：根据待处理车辆行驶至各路段时的各路段的预期第二车辆密度和偏好分配权重确定各个可行行驶路径的偏好排序，根据各个可行行驶路径的偏好排序确定待处理车辆的车辆预规划路径。

5.根据权利要求4所述的基于车联网的多车协同路径规划方法，其特征在于，所述对各可行行驶路径进行路径分段包括：

统计待处理车辆各可行行驶路径上的全部出口；

根据各可行行驶路径上的全部出口对各可行行驶路径进行路径分段，同一可行行驶路径上相邻两个出口之间为一个路段。

6.根据权利要求5所述的基于车联网的多车协同路径规划方法，其特征在于，还包括：

根据待处理车辆的车辆预规划路径已经行驶的路段的历史各路段的实时第二车辆密度和预期第二车辆密度确定修正系数，根据修正系数对待处理车辆行驶至各路段时的各路段的预期第二车辆密度进行修正。

7.根据权利要求6所述的基于车联网的多车协同路径规划方法，其特征在于，所述基于第三车辆数据确定待处理车辆执行所述车辆预规划路径或重新获取所述第一车辆的车辆数据包括：

若第三车辆的数量小于预设阈值，则待处理车辆执行所述车辆预规划路径；

若第三车辆的数量大于或等于预设阈值，则重新获取所述第一车辆的车辆数据。