英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
2018年IEEE第20届高性能计算与通信国际会议；IEEE第16届国际会议智慧城市会议； IEEE第四届国际数据科学与系统会议
基于天气并协助驾驶员经验的道路选择方法
赵亮，Abdulkadir Ahmed，唐小春，林娜，柳翠薇，李佳佳
1中国沈阳市道义南大街37号沈阳航空航天大学计算机科学学院
2北京科技有限公司，三快在线（美团），北京望京东路6号
摘要 - 随着市区车辆数量的迅速增加，大都市的交通变得非常繁忙，特别是在高峰时段。近年来，智能交通系统（ITS）用于提供实时路径规划和导航，以便与人们更加方便的出行。天气状况是路况的关键因素，下雨或下雪时可能会严重降低车辆移动速度。出于这个原因，大多数经验丰富的出租车司机开始手动规划路径，他们总会考虑天气以及其他相关因素来寻找恶劣天气下的最佳路径。但是，大多数现有产品不考虑天气和经验丰富的司机的选择来规划路径。因此，在本文中，我们提出了一个新的路径规划，它通过分析天气状况来为经验丰富的司机制定路径。为实现这一目标，我们研究了在北京的浮动车数据，发现了有着丰富经验的出租车司机是如何在恶劣天气下选择路径。我们使用支持向量机（SVM）了解出租车司机路径选择的模型。然后我们将此模型应用于A-star。实验结果表明我们的与其相比，在恶劣的天气情况下，我们提供的路径行驶时间较短。
关键字 - 路径选择，数据驱动，驱动程序体验，天气。
一，导言
智能交通系统（ITS）为我们提供了许多的服务，使所有旅客和司机在旅途中能够开心、安全并且节省时间。作为一项关键技术ITS，这个方法希望让旅客更快的到达目的地。现有的路径规划方法研究旨在通过最小的道路连接找到最短路径。例如，Dijkstra [1]或A-star [2]是经典的算法，在静态图中确定我们可以采用的最低成本的路径的最短路径算法。然而最短路径并不总是提供最短的旅行时间。由于这个原因，有侧重于时间的路径规划研究，提供旅行行程的交通状况[3]。大多数现有算法将旅行时间视为唯一一个因素来规划路径，这有可能制定一个路况非常差的路径。近年来，为了给司机提供路况良好的路径，基于司机经验的道路选择方法被创造出来。影响道路选择的各种因素的重要性是通过分析浮动汽车数据（FCD）得来的。这些模型利用了出租车上传的状态产生车辆的周期性数据，并将数据视为出租车司机的经验。在这种背景下，这些作品都假定出租车司机是经验丰富的司机，通常可以选择易于驾驶的路径或更快的路径。例如，廖等人。 [8]提出一种考虑基于FCD数据有司机经验的路径规划方法，建成一个道路选择网络。静态最短路径算法通过司机经验来搜索最佳路径公路网。但是，在路径规划中，重要的天气信息很少被考虑到，它可以改变一个司机选择的道路，特别是出租车司机。出租车司机知道更好地了解各种道路的交通状况天气状况。例如，在暴雨的日子里，低洼的路段可能很难从FCD数据通过车辆流水分析路段的交通状况，由于感应线圈和交通摄像机所在的位置较低而主要用于导航行业成本。在此业务情景中，此路段的流量可能是非常不准确的，例如没有车辆处于因为下雨充满了积水的道路，而实时交通状况可能会显示绿色和良好的道路状况，实际上没有人可以开过大水池。然后根据这种数据做出旅行路线决定，会把司机引导上很难驾驶的路段。因此，在本文中，我们提出了一个天气辅助驱动程序基于经验的路径选择方法天气状况。在规划行程序之前，Weatherassisted体验式路段评估员（WERSE）是建议为每个路段标记和分配比重。然后使用WERSE，一个天气辅助的体验道路网络。另外，A-star算法是也适用于根据道路计算最佳路径网络。据我们所知，我们的第一个工作是制定一个基于天气和司机经验的路径规划。我们将问题放在实际的环境中，利用具有庞大的城市道路网络出租车数据和天气数据。下面列出本文的贡献。
*考虑到数据的复杂性，结合FCD和天气数据引入分析方法。
*我们提出了路径权重评估方法WERSE考虑到这一点来衡量路段的天气和出租车司机的路径偏好。
x最佳路径是根据产生的数据计算出来的应用A-star的体验式路网算法。 既然我们无法获得依赖天气路径规划的数据，本文提出了一种天气辅助的路径规划方法静态图的基础。 不过，我们的工作点是了解我们如何在学习路径规划的过程衡量天气和FCD数据的重要性。 此外，这项工作可以很容易地转换为时间依赖路径规划方法。
x我们进行了大量实验来验证我们的路径选择方法的有效性。 根据到实验结果，平均旅行时间是应用我们的方法减少了152％（晴天）和85％（雨天）。
*通讯作者。
国家科学基金会部分支持这项工作
中国青年科学家（61701322），辽宁省重点工程
自然科学基金（20170540700），辽宁省
教育科学基金会（L201630）。
978-1-5386-6614-2/18/$31.00copy;2018IEEE
DOI10.1109/HPCC/SmartCity/DSS.2018.00076
II。基于天气的驾驶员经验基础路径选择方法
最佳路径是可使车辆最快，路径最短的，甚至沿途有最好的风景的路径。本文揭示了在不同的天气影响下经验丰富的司机的选择路径条件。我们相信经验丰富的司机知道这条路他们清楚地了解每条道路的交通流量。因此，我们打算找一个经验丰富的司机通过学习历史数据选择不同天气的路径。
如图1所示。首先，车辆数据分析阶段应用FCD来澄清和划分道路。然后，建模阶段应用支持向量机（SVM）[10]创建路段评估器可以为分段指定权重。最后，这条路段评估器作为新的集成在A-star算法中车辆路线方法。
算法1.段的平均速度的计算
1输入：GpsLog。 记录数组，段; 数组，天; 字符串集，时间戳; 一组时间间隔
2输出：AvSpeed;分段中的每个segmentId为3
4天为每天dayName时间戳中的每个timeInterval为5
6计数器= 0
7 sum = 0
8对于GpsLog中的每个gpsCoor
9如果segmentId = gpsCoor.segmentid且dayName = gpsCoor.day和timeInterval中gpsCoor.timeofday
10然后如果gpsCoor.speedgt; gpsCoor.speedlimit
11 speed = gpsCoor.speedlimit
12否则如果speed = gpsCoor.speed
13 sum = sum speed
14 counter = counter 1
15结束如果sum = 0，则为16
17 AvSpeed.averagespeed = Null
18其他AvSpeed.averagespeed = sum / counter
19 Avspeed.observations =计数器元素
20 Avspeed.day = dayName
21 Avspeed.timeInterval = timeInterval
22 Avspeed.segmentId
23结束
24结束
25 endfor
26返回AvSpeed
- 车辆数据分析：在本小节中，我们将介绍如何计算使用FCD数据的相关距离。 这对分析FCD数据至关重要。 斜边d计算为两个坐标的纬度和经度之间的距离。最后，作为地球表面的最短距离，大圆距离d由起点和终点标识如下。
如果精度较低，我们可以使用毕达哥拉斯定理来改进，特别是对于短距离。
其中phi;代表纬度，lambda;是经度，R是半径地球相当于6371公里。如算法1所示，对于不同的工作日段的平均速度，计算如下。 平均速度从FCD数据获得。 我们使用的时间段是30分钟，而这个变量根据后来的实验可以为我们提供最好的结果。 数组，列表和集合记录表示为avSpeed（平均速度）。 单身数组中记录的实例表示为segmentId
细分ID）。 我们还将中间结果存储在算法，表示为行计数器或总和。 的领域记录表示为段。 我们在输入变量的情况下将符号作为参数号应用算法
B. FCD数据的地图匹配
数字道路网络地图是地理空间信息系统（GIS）其中之一的基本特征。它可能包括各种应用程序，如公共管理，城市规划和导航。但是，在为了克服传统数字化道路的缺点，生成当前正在申请路线图有两种方式：（1）协作映射程序，如Open StreetMap，严重依赖手工劳动; （2）从全球定位系统GPS生成自动道路轨迹，现在是一个常见的更新道路网络的有效方法。 我们在本文中使用的FCD数据是后者。 FCD数据样本如表I所示。
在本文中，我们使用的数据集覆盖面积为4.8 kmtimes;5.5公里，而两个连续点之间的距离不到496米，平均219米，标准偏差为140米。然后我们有一张北京地图连接和过滤这些350,00点，如图所示图2（上）。
需要路径规划算法，了解线性参考的不可逆决定，以确保部分解决方案。为实现这一目标，我们应用在线动态编程来解决递归关系。关键洞察力是当当前路径在某点收敛时的情况数据中的收敛点。所有未来的路径都将包含直到汇聚点的相同子路径。我们原始GPS轨迹与中心线相匹配由点集群生成以构建拓扑群体之间的关系。集群是拓扑的根几何位置连接和分组。我们使用ArcGIS [12]来满足道路的所有需求管理空间分析，并添加线性参考完成路线分割所需的系统，如图所示图2（下）。虽然有几种方法可以调整道路，我们使用新的对齐形状工具，因为它允许我们在更新路段时进行精确控制。与其他工具不同，对齐形状位于高级编辑工具栏，不需要拓扑。
C.天气数据分析
收集历史天气数据以呈现天气条件包括温度，露点等。 我们然后将路段数据与天气数据合并每个样本行都包含这些属性的数据如温度，湿度，可见度，风，Precip，时间，AVspeed，段。
D.天气辅助驾驶员体验建模
需要将路段天气数据合并用于建模。因此，我们使用每个样本数据代表一个路段包括功能列表（温度，湿度，能见度，风，降水，时间）以及标签AvSpeed。我们的数据集中准备了数百万个样本。因此，为了按顺序找出有经验的司机选择路径的天气效果，我们用机器学习来分析样本数据。我们应用非线性回归模型SVM在本文中。 SVM是一种受欢迎的监督模型机器解决高度非线性问题。它需要最少的数据集预处理。经过处理原始FCD后，我们使用Weka的SVM [13]来训练样本和生成模型。在所有样本都在SVM中实验后，输出一个模型，即天气辅助经验路段评估员（WERSE）代表道路状况考虑到天气是隐藏的模式经验丰富的司机选择。因此，我们再申请A *算法中的WERSE将每条道路的成本链接到构建天气辅助体验式道路网络。该WERSE-A *还选择下面最小化的路径。
其中n是路径上的最后一个节点，g（n）WERSE是WERSE从起点到n的道路链路成本，h（n）RSS是一种启发式的从n到目的地的最低WERSE路径。
表二。 与同行比较方法的考虑
|
方法 |
考虑天气 |
道路连接分类的方法 |
|
[5] |
否 |
贝叶斯分类器 |
|
[4] [6] [7] |
否 |
概率（使用比例） |
|
[8] |
是。 天气等级（很好，一般和差） |
概率（使用比例） |
|
WERSE-A* |
是。 天气详情（温度，湿度， 能见度，风，降水等） |
SVM |
2 .比较
表III。 100个OD对路径
|
方法 |
平均旅行时间（分：秒） |
平均速度 |
|
晴天的路线（A *） |
21:45 |
16 |
|
晴天的路线（WDEPSA *） |
8:37 |
41 |
|
下雨天的路线（A *） |
20:28 |
17 |
|
下雨天的路（WDEPSA *） |
11:02 |
32 |
3.实验
A.实验设置在我们的实验中，分析是通过使用a进行的
配备Intel（R）Core（TM）i5-5500U CPU 2.40 GHz PC的计算机10.0 GB RAM。 然后WERSE-A *在中实施ArcMap ，ArcMap是一个用于创建地图的软件，编制地理数据，分析发现地理信息。
B.评估
1）算法评估
我们将WERSE-A *（改进的A *）
全文共6952字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2354]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
