武汉大学学报(理学版) 2019, Vol. 65 Issue (5): 450-456
0

文章信息

刘春燕, 邹承明
LIU Chunyan, ZOU Chengming
基于Storm的城市智能交通规划方法
Urban Intelligent Transportation Planning Method Based on Storm
武汉大学学报(理学版), 2019, 65(5): 450-456
Journal of Wuhan University(Natural Science Edition), 2019, 65(5): 450-456
http://dx.doi.org/10.14188/j.1671-8836.2019.05.005

文章历史

收稿日期:2018-11-09
基于Storm的城市智能交通规划方法
刘春燕1,2, 邹承明2,3    
1. 武汉华夏理工学院 信息工程学院,湖北 武汉 430070;
2. 武汉理工大学 交通物联网技术湖北省重点实验室,湖北 武汉 430070;
3. 武汉理工大学 计算机科学与技术学院,湖北 武汉 430070
摘要:为了缓解城市交通拥堵,提高城市道路利用率,增强路径规划的实时性,提出基于Storm的城市智能交通规划方法。该方法在Storm框架的基础上,设计了城市实时动态路径规划模型(UR-MODE),将用户选择的静态目标和实时路况的动态目标相结合,实现城市交通路径的智能规划;针对城市交通数据实时性较强的特点,利用用户偏好值动态选择最优粒子,并结合自适应惯性权重策略和小规模扰动策略,提出改进的自适应粒子群优化(adaptive partner-particle swarm optimization,AP-PSO)算法,保证模型的高效求解;结合开源实时处理系统Storm,实现了海量实时交通数据处理。仿真实验结果表明,相较于现有路径规划算法,本文方法收敛速度更快、稳定性更强,能减少17%的车辆平均行驶时间,道路资源利用率平均提高58%,大大缓解了城市交通拥堵问题。
关键词智能交通     动态路径规划     多目标优化     粒子群优化     Storm框架    
Urban Intelligent Transportation Planning Method Based on Storm
LIU Chunyan1,2, ZOU Chengming2,3    
1. School of Information Engineering, Wuhan Huaxia University of Technology, Wuhan 430070, Hubei, China;
2. Hubei Key Laboratory of Transportation Internet of Things, Wuhan University of Technology, Wuhan 430070, Hubei, China;
3. School of Computer Science and Technology, Wuhan University of Technology, Wuhan 430070, Hubei, China
Abstract: To alleviate the traffic congestion, raise the road utilization ratio and enhance the real-time performance of path planning, urban intelligent transportation planning method based on Storm is proposed. First, we design an urban real-time dynamic path planning model (UR-MODE) based on the Storm framework, realizing the intelligent planning of urban traffic route by combining static object of user selection and dynamic object of real-time road condition. Second, by considering the real-time characteristics of urban traffic data, we adopt the adaptive inertia weight and small-scale perturbation strategies to improve the performance of particle swarm optimization (PSO) algorithm and propose the adaptive partner-particle swarm optimization (AP-PSO) algorithm, which can ensure the efficiency of our proposed model. Third, we implement the improved algorithm on the opensource Storm real-time processing system and realize the mass real-time traffic data processing. Compared with the existing path planning algorithms, the simulation results show that the proposed method can achieve the faster convergence rate and stronger stability. The results also reveal that the proposed method can reduce the travel time by 17% on average and traffic resource utilization have risen by an average of 58%, greatly alleviating the urban traffic congestion problem.
Key words: intelligent traffic     dynamic path planning     multi-objective optimization     particle swarm optimization     Storm framework    
0 引言

随着私家车数量的剧增, 交通拥堵已成为城市交通亟需解决的难题。交通拥堵不仅影响人们的出行效率, 增大交通事故发生的概率, 还加剧环境污染, 给人们的健康生活带来了极大的隐患。利用现有的城市道路空间及交通数据, 引导用户合理规划出行路线, 是缓解交通拥堵和提高道路利用率的有效途径[1, 2]

国内外学者对路径规划技术展开了相关研究, 并提出了一系列模型及优化算法。这些研究主要分为2类:1)基于路径诱导优化算法的方法。该类方法针对现有的静态交通道路资源, 提出路径选择模型, 利用启发式算法求解, 包括粒子群优化(particle swarm optimization, PSO)算法[3]、遗传算法[4]、蚁群算法[5]等, 并在此基础上对算法进行优化改进[6, 7]; 2)基于路径数据的寻优方法。该类方法通过建立与路径相关系数的目标优化函数, 引入定时更新的路况信息, 结合高效的改进算法引导车辆进行路径选择[8~11]。上述研究成果提供了多种智能化的路径选择方法, 但仍存在一些缺陷:1)第一类方法主要基于静态数据, 没有考虑行进过程中突发事件对路径选择造成的影响; 没有考虑车辆间的互相影响, 个体车辆受最优路径选择影响而汇入同一道路, 反而延长了车辆行驶时间; 2)如果数据集过大, 第二类方法的性能就会明显降低, 不能适应处理交通大数据时实时性的要求。并且, 交通数据具有很强的动态性和随机性, 系统对数据处理的效率非常关键, 而目前智能算法寻优对交通大数据的实时处理效率远远达不到要求。

针对上述问题, 本文综合考虑交通大数据的组成及处理特性, 提出基于Storm的城市智能交通规划方法。该方法设计了基于Storm的实时动态路径规划模型(UR-MODE); 采用改进的自适应粒子群优化(adaptive partner-particle swarm optimization, AP-PSO)算法求解该模型, 进行车辆路径寻优; 通过将该模型与AP-PSO算法结合起来, 实现实时动态地智能路径规划。

1 本文方法

本文提出一种基于Storm的城市智能交通规划方法, 主要包括多目标路径规划模型和模型求解算法两部分, 可根据城市路网中的道路安全信息和实时路况信息, 设计出满足用户需求差异的路径选择方案, 在保证车辆个体目标最优的同时, 实现城市路网利用率的最大化。

1.1 方法架构

本文方法架构如图 1所示。首先进行数据预处理, 将数据库存储的结构化交通安全信息数据和网络采集的非结构化交通数据进行去噪、归一化处理后导入Hadoop分布式文件系统(Hadoop distributed file system, HDFS)中, 为下一步的模型求解做准备。然后, 利用Storm平台实现集群的计算, 设计多目标实时动态路径规划模型, 利用AP-PSO算法进行高效求解, 得出最终的优化路径规划结果。下文将详细介绍模型设计和算法设计部分。

图 1 本文方法架构 Fig. 1 Architecture diagram of the proposed method
1.2 模型设计

考虑到Storm是一个开源的分布式实时计算处理系统, 可以简单、可靠地处理大量实时数据流[12]。基于此, 本文设计了UR-MODE。该模型在用户已经设定路径选择偏好的静态目标前提下, 将道路的可能突发事件作为动态目标, 包括临时交通管制、道路限行、交通事故引发的实时交通路况等。该模型既考虑了用户对于路径选择的偏好, 又将交通状况的动态不确定性考虑在内, 在满足个体用户效率最优的同时, 实现整个城市道路资源利用率的最大化。城市交通路网可以用有向图G(N, E)表示, 其中, N是路网中所有起点和终点的集合, E是所有路段的集合。基于Storm的实时动态路径规划模型可在满足用户需求差异性的同时, 提供到达预定目的地的最佳路径方案。

该模型建立供用户选择的3个静态优化目标, 分别为距离目的地路径长度f1最短, 出行成本f2最低, 以及道路安全性选择偏好值f3最高, 具体计算方法如下。

1) 距离目的地路径长度f1

出发地距离目的地的路径长度在路径规划系统中是非常重要的考虑因素, 它直接关系到出行时间以及出行成本。选定起点设为o, 终点为e, (Nx, Ny)∈E表示从路口Nx可以直接到达路口Ny的路段。f1可表示为:

(1)

其中, Nx为路口集合中的第x个路口; Ny为路口集合中的第y个路口; rNxNy的一条可通行路径; NxyNxNy的距离; d为相邻两路口的距离。

2) 出行成本f2

在实际的城市交通路网中, 当用户选择出行路径时, 出行的成本显得尤为重要。决定出行成本的影响因素不仅包括路径长短、路桥费等静态特征, 还包括道路的拥堵程度等动态特征。本文引入动态交通拥堵系数ε(0 ≤ ε ≤ 100), 该值是通过实时监控道路交通流量在全网中所占权重换算得到的, 可从交通安全数据库中获取。ε值越大, 说明道路越拥堵。当ε的值达到100时, 该路段已无法通行, 应避免选择该条道路。

由下式可以测算出所选路径的出行成本值:

(2)

其中, αγ是影响因子, 取值范围为(0, 1), 表示用户对该影响因素的预设值; Oil(L)是耗油量; T(h)是出行时间; cost是路桥费用。

3) 道路安全性选择偏好值f3

车辆在城市道路上行驶, 安全性由道路的客观条件决定, 故可根据道路建设的等级以及路段的客观属性, 对各类城市道路行驶的安全性量化赋值, 数值越大则安全性越高。具体客观属性值如表 1所示。

表1 道路安全性计算中的参数定义 Table 1 Definition of parameters required for road safety calculation
属性 具体描述 取值范围
width 道路的车道数 [0, 1]
light 道路晚上的照明状况 [0, 1]
H 道路的平整度 [0, 1]
R 道路的限速指标 [0, 1]

根据以上道路客观属性值计算道路安全性选择偏好值

(3)

其中, abcd均表示该类路段的用户选择偏好系数, 取值范围均为(0, 1), 由用户根据自己在选择道路时的偏好自行设定, 取值越大表明当前状态下该类参数对用户的选择越重要。

1.3 AP-PSO算法设计

PSO算法是1995年由Kennedy和Eberhart[13]提出的一种进化算法。为了使出行车辆能及时获取实时路况信息并通过用户偏好值的设定进行合理的路径规划, 本文利用传统的PSO算法具备群智能启发式全局随机优化的优势, 结合实时路径规划的全局特性, 提出AP-PSO算法, 采用动态路径规划策略, 探索最佳行驶路径, 在保证用户选择偏好的前提下, 最大化城市道路利用率。

相较于PSO算法, AP-PSO算法的改进主要包括以下3个优化策略:

1) 通过用户偏好值动态选择最优粒子, 保证Pareto最优解集的多样性。

2) 引入自适应惯性权重策略, 提高算法的收敛速度。

3) 设计小规模扰动策略, 通过聚集变化率因子, 动态调整车辆间的协同影响, 避免算法局部收敛。

下文将详细介绍每一个优化策略。

1) 最优粒子动态选择策略

传统的PSO算法在粒子的选择上具有随机性, 在当前的Pareto非支配解集中, 解集具有较少的目标冲突, 但概率的一致性使得粒子的选择集中在最前沿粒子中, 这样不利于维持种群的多样性。针对该问题, 本文采用用户对目标函数偏好值的设定动态确定适应度函数fitness, 当前适应度函数值最小的粒子即最优粒子。

(4)

其中, mj是权重参数, 由用户根据自己选择道路的偏好度设定, 取值范围为(0, 1);fj为目标群函数, 包括上文所定义的f1, f2, f3

2) 自适应惯性权重策略

PSO算法的实质是利用当前粒子与个体极值和全局极值之间的差距信息, 更新粒子的速度和位置。其中的一个重要参数——惯性权重w对于算法的搜索能力具有至关重要的影响。Shi等[14]在基本粒子群的基础上, 经过测试及大量研究提出了线性递减权值(linearly decreasing inertia weight, LDIW)策略。该策略中, w值随时间线性递减函数动态改变, 以加强算法的收敛速度。该策略相对简单且收敛速度快, 因此被广泛应用。

上述策略虽然考虑到了w的时间变化规律对算法搜索能力的影响, 但是忽略了当w值逐渐减小时, 算法的局部搜索能力逐渐增强, 容易陷入局部最优, 而发生早熟收敛。为了克服上述问题, 提高PSO算法的全局寻优能力并保持较快收敛速度, 本文在LDIW策略基础上, 设计了一种基于随机聚集变化率的自适应惯性权重策略, 在算法迭代过程中, 添加聚集变化率因子r(i), 其中, i=1, 2, …, s, s为粒子群中的粒子总数。当粒子适应度差别很小, 即r(i) < 1时, 说明同构粒子过多, 算法陷入局部搜索, 需增大w的取值, 加速算法收敛到最优解集。

(5)

其中, xi表示第i个粒子, pi表示第i个粒子搜索到的最优位置, pg表示粒子群搜索到的最优位置。

3) 小规模扰动策略

在算法搜索初期, 粒子的全局搜索能力较强, 无需扰动因素, 粒子即可保持种群的多样性。随着算法迭代次数的增加, w值逐渐减小, 粒子的局部寻优能力逐渐增强, 粒子聚集越来越集中, 从而使得群体多样性下降, 算法易进入早熟收敛。因此本文改进粒子的速度更新公式, 增加一个小规模扰动因子, 帮助粒子跳出局部寻优的困境, 最终收敛到全局最优解。AP-PSO算法的速度和位置更新公式如下:

(6)
(7)

其中, vidk+ 1k+1时刻的粒子速度, vidkk时刻的粒子速度, c1c2是学习因子, δη是[0, 1]之间的随机数, pidk是粒子的历史最佳位置, pgdk是整个粒子群已知的历史最佳位置, xidk是粒子的当前位置。w1是惯性权重, 可通过下式计算得到:

(8)

其中, q为[0, 1]之间的随机数, q取值的随机性可以保证种群的多样性。当r (i) < 1时, 即粒子聚集在个体最优位置附近, 说明粒子的全局搜索能力较差, 需增大w的取值, 扩大粒子的搜索范围, 反之则减小w的取值, 提高局部求解精度。

1.4 方法流程

各车辆在路径规划前, 以f1f2f3(如(1)~(3)式)为优化目标, 首先根据用户的选择偏好设定初始路径选择行为, 在车辆行进过程中, 智能感知城市路网实时交通信息, 应用AP-PSO算法对最优路径选择方案进行优化, 搜寻到用户满意的最佳路径。本文方法的流程如图 2所示。

图 2 本文方法流程 Fig. 2 Flowchart of the proposed method

1) 初始化。用户根据个人偏好, 设定3个优化目标中的参数(α, γ, a, b, c, d)和适应度函数的权值mi; 初始化粒子群, 即随机设定各粒子的初始位置和初始速度, 确定优化路径的初始节点及目标节点。同时从HDFS中提取城市路况大数据, 以文件流的形式读入Storm平台, 并发送到Storm集群的4个节点(1个主节点和3个从节点)。

2) 根据fitness函数, 计算每个粒子的适应度值, 选择适应度函数值最小的粒子作为最优粒子。

3) 按(5)式计算当代种群的r (i), 自适应调节惯性权重w

4) 将步骤3计算得到的r (i)代入(6)~(8)式中, 更新粒子速度及位置。

5) 判断是否达到最优解或最大迭代次数。如果未达到, 转到步骤2进行迭代。如果达到, 转到步骤6。

6) 算法终止, 输出最优解集。

与传统的多源最短路径算法[7]的复杂度O (n3)相比, 本文算法的时间复杂度O (nm)相对较高。但本文方法考虑了真实城市道路的不确定性因素, 并根据用户的路径选择偏好, 实时调整车辆出行线路, 以期避免车辆扎堆导致二次拥堵的状况, 缓解了城市道路的拥堵问题。

2 实验设计及结果分析 2.1 实验环境

为了测试并验证本文方法的有效性, 进行了算法性能对比实验。本文方法采用Storm实时计算集群。Storm集群部署4个节点, 其中以Storm-1节点作为主节点, 其他3个节点(Storm-2, Storm-3, Storm-4节点)作为从节点, 负责接收实时交通数据, 并进行并行计算。集群机器硬件配置如表 2所示。

表2 集群机器的硬件配置 Table 2 Hardware configuration for cluster machine
主机名 配置 用途
Storm-1 Intel® Xeon® CPU
E5-2620 V3 @ 2. 00 GHz
内存:64 GB硬盘:4 TB
主节点;
大数据存储;
HTTP服务器
Storm-2 Intel® Xeon® CPU
E5-2620 V3 @ 2. 00 GHz
内存:32 GB硬盘:2 TB
从节点;
并行实时计算
Storm-3 Intel® Xeon® CPU
E5-2620 V3 @ 2. 00 GHz
内存:32 GB硬盘:2 TB
从节点;
并行实时计算
Storm-4 Intel® Xeon® CPU
E5-2620 V3 @ 2. 00 GHz
内存:32 GB硬盘:2 TB
从节点;
并行实时计算
2.2 实验数据

本文的实验数据来源于武汉市中心城区路网结构(如图 3)的实际路况数据。路网中包含2 600个路口节点, 每条道路的拥堵状况ε由实时路况生成。当0 < ε ≤ 20时, 表示该道路畅通无阻; 当20 < ε≤ 50时, 表示经过该路段的车辆行驶速度会降低; 当ε>50时, 随着h值增大, 道路状况更加拥堵; 当ε增大到100时, 表示该路段限行。实时交通路况更新频率为10 min。出发点和目的地从此路网中每天驾车出行的用户路径中随机选择100个路口, 连续3天保持该路口选择不变。这些交通大数据经过去噪、归一化处理后放入HDFS分布式文件系统中。

图 3 武汉市中心城区交通路网 Fig. 3 Traffic network map of Wuhan central district
2.3 实验1:算法性能比较测试

实验1主要验证AP-PSO算法的求解性能。在Strom环境下, 分别利用AP-PSO算法和改进的人工鱼群算法[15], 混沌扰动蚁群(CD-ACO)算法[5], 双向启发式A*算法[16]求解UR-MODE模型。测试对象分为2类:导航系统用户和非导航系统用户。测试时导航系统用户占比分别设置为20%、50%、80%和100%。将导航系统用户数据设置用户选择路径权值, 并采用不同路径规划算法规划路径, 其他非导航用户随机选择路径。所有算法在相同的实验环境下进行测试, 3种对比算法分别采用文献[15]、[5]和[16]中的参数设置。每组实验运行10次并取平均值, 分别对算法的平均路径规划时间、平均收敛速度、平均行驶时间、平均道路资源利用率进行比较, 结果分别如表 3~6所示。

表3 平均路径规划时间比较 Table 3 Comparison of average path planning time
s
算法 导航系统用户占比
20% 50% 80% 100%
AP-PSO 0.05 0.05 0.045 0.06
人工鱼群 0.16 0.15 0.12 0.08
CD-ACO 0.18 0.18 0.20 0.28
双向启发式A* 0.13 0.15 0.16 0.22
表4 收敛速度比较 Table 4 Convergence comparison
算法 导航系统用户占比
20% 50% 80% 100%
AP-PSO 0.0068 0.0059 0.0059 0.0062
人工鱼群 0.0122 0.0115 0.0095 0.0112
CD-ACO 0.0223 0.0352 0.0287 0.0320
双向启发式A* 0.0216 0.0304 0.0246 0.0260
表5 平均行驶时间比较 Table 5 Comparison of average traveling time
s
算法 导航系统用户占比
20% 50% 80% 100%
AP-PSO 2600 2500 1800 1200
人工鱼群 2510 2480 2240 2010
CD-ACO 2500 2480 2490 2260
双向启发式A* 2550 2550 2360 2340
表6 道路资源利用率比较 Table 6 Comparison of road resource utilization rate
%
算法 导航系统用户占比
20% 50% 80% 100%
AP-PSO 80.8 85.1 82.6 85.0
人工鱼群 42.1 57.8 69.2 78.6
CD-ACO 44.8 49.0 47.3 44.9
双向启发式A* 50.6 51.6 55.2 60.6

表 3表 4可知, 在各种导航系统用户占比情况下, 与人工鱼群、CD-ACO和双向启发式A*算法相比, AP-PSO算法的平均路径规划时间均最短, 收敛速度值(无量纲)均最小, 即收敛最优。随着系统导航用户数增加, 算法的种群逐渐增大, 但AP-PSO算法的收敛速度波动较小, 即平均规划时间较稳定。由此证明了AP-PSO算法对于用户数不敏感, 具有较强的稳定性。

为了对比多目标优化输出结果, 使用相同路段, 相同时间段的车流量数据。表 5表 6分别显示了采用4种算法规划路径时所需的平均行驶时间和道路资源利用率。由表 5可知, 采用AP-PSO算法规划路径的平均行驶时间随着导航用户人数的增加呈递减趋势。当导航用户占比低于80%时, AP-PSO算法的平均行驶时间并未表现出优势, 原因是:该条件下, 大部分用户出行的路径选择基于先验经验, 车辆因选择相同路径容易造成交通拥堵。随着导航用户人数占比增加到80%以上, 平均行驶时间较其他3种算法明显减少。综合各导航系统用户占比情况计算可知, 相较于其他算法, APPSO算法的车辆平均行驶时间减少了17%。表 6中数据显示在不同导航系统用户占比情况下, 相较于其他3种算法, 采用AP-PSO算法规划路径的道路资源利用率均最高, 平均提高58%。由此可知, AP-PSO算法适合于实时动态多目标优化问题的求解, 并能取得良好的效果。

2.4 实验2:Storm平台路径规划测试

实验2主要验证基于Storm平台的UR-MODE对数据处理的高效性。利用AP-PSO算法分别在单机环境下及Storm平台下对动态路径规划模型进行求解, 对比结果如图 4所示。

图 4 不同处理平台情况下,数据处理时间随数据处理量的变化 Fig. 4 The change of data processing time with the amount of data processing under different processing platforms

图 4的结果可以看出:在数据量较小的情况下, 执行相同的数据处理时, Storm框架并无优势甚至需要消耗更多的时间, 这是由于Storm框架进行数据传输与任务分布时需要消耗一定的系统资源; 随着交通数据量的不断增加, Storm框架处理数据的能力渐渐突显出来, 且数据量越大, 优势越明显。

3 结论

针对城市道路交通拥堵问题, 本文提出将URMODE和AP-PSO算法相结合的基于Storm的城市智能交通规划方法。该方法的创新之处体现在以下3点:

1) 设计了用户选择的静态目标和实时路况的动态目标相结合的路径规划模型, 实现城市交通路径的智能规划;

2) 设计了AP-PSO算法, 添加了聚集变化率因子, 避免导航车辆同时涌入相同路段, 造成交通道路利用失衡, 引发新的交通拥堵;

3) 利用Storm及其生态圈的相关技术进行交通大数据的实时交互处理及道路状况预测。

为了验证本文方法的有效性, 针对武汉中心城区路网结构进行了大量实验。实验结果表明, 本文提出的Storm平台下基于AP-PSO算法的实时动态路径规划方法能够为用户出行提供有效的决策方案, 提升用户出行效率, 缓解城市道路拥堵。

参考文献
[1]
SCHRANK D, EISELE B, LOMAX T. TTIS 2012 Urban Mobility Report[R]. Texas: A & M Transportation Institute, 2012.
[2]
HE F F, YAN X D, LIU Y, et al. A traffic congestion assessment method for urban road networks based on speed performance index[J]. Procedia Engineering, 2016, 137: 425-433. DOI:10.1016/j.proeng.2016.01.277
[3]
章恩泽, 陈庆伟. 改进的r支配高维多目标粒子群优化算法[J]. 控制理论与应用, 2015, 32(5): 623-630.
ZHANG E Z, CHEN Q W. Improved r-dominance-based particle swarm optimization for multi-objective optimization[J]. Control Theory & Applications, 2015, 32(5): 623-630. DOI:10.7641/j.issn.1000-8152.2015.05(Ch) (Ch).
[4]
胡钟骏, 周泓. 改进遗传算法的需求可拆分车辆路径优化研究[J]. 计算机仿真, 2018, 35(3): 80-83.
HU Z J, ZHOU H. Study on split-delivery vehicle routing optimization by improved genetic algorithm[J]. Computer Simulation, 2018, 35(3): 80-83. DOI:10.3969/j.issn1006-9348.2018.03.0080.04(Ch) (Ch).
[5]
郑慧君, 陈俞强. 基于改进蚁群的路径导航算法[J]. 控制工程, 2016, 23(4): 121-124.
ZHENG H J, CHEN Y Q. Improved ACO-based path navigation algorithm[J]. Control Engineering of China, 2016, 23(4): 121-124. DOI:10.14107/j.cnki.kzgc.121575(Ch) (Ch).
[6]
闫春望, 黄玮, 王劲松. 一种并行模糊神经网络最短路径算法[J]. 计算机应用研究, 2016, 33(1): 180-185.
YAN C W, HUANG W, WANG J S. Parallel fuzzy neural net-work shortest path algorithm[J]. Application Research of Computers, 2016, 33(1): 180-185. DOI:10.3969/j.issn.1001-3695.2016.11.042(Ch) (Ch).
[7]
左秀峰, 沈万杰. 基于Floyd算法的多重最短路问题的改进算法[J]. 计算机科学, 2017, 44(5): 120-124.
ZUO X F, SHEN W J. Improved algorithm about mutishortest path problem based on Floyd algorithm[J]. Computer Science, 2017, 44(5): 120-124. DOI:10.11896/j.issn.1002-137X.2017.05.041(Ch) (Ch).
[8]
严丽平, 胡文斌, 王欢, 等. 城市路网多路口路径动态实时选择方法[J]. 软件学报, 2016, 27(9): 2199-2217.
YAN L P, HU W B, WANG H, et al. Dynamic real-time algorithm for multi-intersection route selection in urban traffic networks[J]. Journal of software, 2016, 27(9): 2199-2217. DOI:10.13328/j.cnki.jos.005063(Ch) (Ch).
[9]
KOTSIALOS A, POOLE A. Autonomic systems design for ITS applications[C]//16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). New York: IEEE, 2013: 178-183.
[10]
MA T Y, LEBACQUE J P. A cross-entropy based multiagent approach for multiclass activity chain modeling and simulation[J]. Transportation Research Part C Emerging Technologies, 2013, 28(3): 116-129.
[11]
冯亮, 梁工谦. 基于GPS/GIS协同的动态车辆调度和路径规划问题研究[J]. 计算机科学, 2017, 44(11): 231-236.
FENG L, LIANG G Q. Real-time dynamic vehicle scheduling and vehicle routing problem based on GPS & GIS collaboration[J]. Computer Science, 2017, 44(11): 231-236. DOI:10.11896/j.issn.1002-137X.2017.09.051(Ch) (Ch).
[12]
牛丽媛, 张桂芸. 基于Storm的分布式实时数据流密度聚类算法[J]. 天津师范大学学报(自然科学版), 2018, 38(3): 72-76.
NIU L Y, ZHANG G Y. Distributed real-time data flow density clustering algorithm based on Storm[J]. Journal of Tianjin Normal University(Natural Science Edition), 2018, 38(3): 72-76. DOI:10.19638/j.issn1671-1114.20180316 (Ch).
[13]
KENNEDY J, EBERHART R C. Particle swarm optimization[C]//Proceedings of the 4th IEEE International Conference on Neural Networks. New York: IEEE, 1995: 1942-1948.
[14]
SHI Y, EBERHART R. Empirical study of particle swarm optimization[C]//International Conference on Evolutionary Computation. New York: IEEE, 1999: 1945-1950.
[15]
CHEN T B, ZHANG P, GAO S. Research on the dynamic target distribution path planning in logistics system based on improved artificial potential field method-fish swarm algorithm[C]//The 30th Chinese Control and Decision Conference. Liaoning: Control and Decision, 2018: 4388-4392.
[16]
杨泳, 户佐安, 何金海. 路径诱导系统中双向启发式A*算法研究[J]. 计算机工程与应用, 2014, 50(16): 54-56.
YANG Y, HU Z A, HE J H. Research of bidirectional heuristic A* algorithm in route guide system[J]. Computer Engineering and Applications, 2014, 50(16): 54-56. DOI:10.3778/j.issn.1002-8331.1209-0081(Ch) (Ch).