基于实时路况的大数据车队动态调度优化方法与流程

本发明涉及调度优化，尤其涉及基于实时路况的大数据车队动态调度优化方法。

背景技术：

1、在现代城市物流配送和公共运营场景中，车队调度直接关系到企业运营成本、运输效率以及城市交通资源的利用水平。实际道路通行能力会受到车流密度、平均车速、突发交通事故、交叉路口信号灯等待时长等多种因素的共同影响，路网拥堵状态具有明显的时变性和空间传导性。现有车队调度方案通常仍以静态距离、经验通行时间或固定路径规则作为主要依据，难以准确反映实时路况变化。当局部路段发生突发拥堵、事故阻断或交通流分布异常时，调度系统往往无法及时调整车辆行驶路径，容易造成车辆继续驶入拥堵区域或长时间滞留，进而降低车队整体运行效率和调度可靠性。

2、公告号为cn121564978b的中国专利文件公开了一种基于深度学习的城市路网交通拥堵状态预测方法及系统，涉及智能交通控制技术领域，所述方法包括：获取城市路网的拥堵状态图像数据，并进行预处理以提取结构化的道路拥堵信息；基于所述道路拥堵信息构建路网拓扑图，并通过对所述路网拓扑图进行结构感知状态编码，生成融合局部拥堵特征与全局拓扑位置信息的结构感知状态向量；将所述结构感知状态向量输入至改进的深度学习预测模型，通过动态调整图结构并聚合节点信息的图神经网络进行特征深化与增强，最终输出未来多个时间尺度的路网拥堵状态预测结果。

3、为提升路径规划的动态适应能力，已有方案开始尝试将多源交通数据融合、图结构路网建模、卡尔曼滤波状态估计以及蚁群算法等启发式优化方法引入车队调度过程。例如，通过采集交通流数据评估路段拥堵程度并转换为图边权重，利用卡尔曼滤波对路况权重进行平滑预测，或基于蚁群算法搜索车辆至任务点的较优路径，并在检测到拥堵时触发重调度。然而，现有技术在拥堵状态评估中多采用车流与车速的线性叠加，未充分建立事故频次与信号等待时长之间的关联，导致拥堵指数表达不准确；在权重更新过程中，多采用固定噪声协方差和单一历史遗忘策略，难以利用星期属性等周期规律，也无法根据相邻路段空间梯度响应交通突变，容易出现估计滞后或过度平滑；在蚁群路径搜索中，信息素挥发、初始化及重调度搜索范围通常与实时路网变化脱节，导致算法收敛慢、计算冗余高，难以满足大规模车队实时动态调度需求。

技术实现思路

1、为了解决现有技术中路况权重评估不准确、滤波更新响应滞后、路径搜索计算冗余及重调度范围固定，难以满足大规模车队实时动态调度需求的问题，本发明提供基于实时路况的大数据车队动态调度优化方法。

2、本发明提供基于实时路况的大数据车队动态调度优化方法，采用如下的技术方案：

3、s1，采集路段车流密度、平均车速、事故频次及信号等待时长，将车流密度与附加偏置项的平均车速之比除以预设参考比值经无量纲化取对数并进行非负截断后，与经预设参考事故频次归一化后的事故频次加权求和，得基础拥堵指数，事故频次权重由信号等待时长与自由通行时长之比经sigmoid函数映射获得；

4、s2，将基础拥堵指数与历史指数融合得综合权重，构建路网有向图，用卡尔曼滤波对综合权重平滑更新，当权重变化超阈值时，以相邻路段权重的空间梯度绝对值与量纲转换系数的乘积更新过程噪声协方差，阈值基于调整系数与历史权重标准差确定；

5、s3，采用蚁群算法搜索车辆至任务点路径，信息素挥发系数由综合权重与路网平均权重之比经sigmoid函数映射确定，启发函数引入基于路段权重上升速率生成的趋势惩罚因子，以后验估计方差倒数作信息素初始浓度比例因子，当路段权重变化超限时触发重调度，输出调度方案。

6、本发明的技术效果为，相较于现有技术中以静态经验或车流车速简单线性叠加进行路况评估和固定参数寻路导致的响应滞后与调度失真问题，通过将事故频次与信号等待时长深度融合构建基础拥堵指数，使评估模型更精准地反映城市交叉口及突发状况下的真实阻滞程度，同时在权重平滑阶段利用相邻路段的空间梯度动态调整卡尔曼滤波的过程噪声协方差，有效克服了传统固定噪声带来的估计滞后和过度平滑现象，使系统对交通突变具备极强的瞬态响应能力，并且在路径寻优阶段通过将动态路况参数深度适配蚁群算法的信息素与启发函数，辅以自适应动态重调度机制，降低了大规模路网寻路时的计算冗余，在复杂多变的城市交通场景中能引导车队精准规避突发拥堵点，提升了车队动态调度的实时性、可靠性与整体运营效率。

7、优选的，基础拥堵指数的获取方法为：获取目标路段在当前采样周期的车辆总数及路段长度计算车流密度；统计目标路段内所有车辆瞬时速度并求均值，将均值加上大于零的极小实数作为附加偏置项的平均车速；计算车流密度与附加偏置项的平均车速的比值，将比值除以预设参考比值进行无量纲化处理后取自然对数，并将自然对数结果与0取最大值，得到阻流特征值；将信号等待时长除以路段在无阻碍状态下的自由通行时长，将所得比值输入sigmoid函数进行映射，得到事故频次权重；将事故频次除以预设参考事故频次得到无量纲事故频次，将阻流特征值与无量纲事故频次乘以事故频次权重后的结果相加，得到基础拥堵指数。

8、本发明的技术效果为，相较于传统路况评估中易受极端异常数据干扰或引发计算崩溃的缺陷，在车流密度与车速比值计算中引入附加偏置项并结合无量纲化、对数映射及非负截断处理，能够有效避免车辆拥堵停滞时因分母为零导致的系统宕机，同时利用sigmoid函数将信号等待时长转化为更符合非线性交通流特征的事故频次权重，使得在不同路段长度和基准条件下生成的拥堵指数具备高度的空间可比性与计算鲁棒性。

9、优选的，将基础拥堵指数与历史指数融合得综合权重，包括：提取当前采样时间与历史同期样本之间的时间差，并将时间差除以最大容忍时间跨度进行归一化处理；将归一化成无量纲数的时间差输入双曲正切函数进行映射，用1减去映射结果得到衰减因子；判断当前时段与历史样本的星期属性是否一致，若一致则匹配度为1，否则为0；将匹配度加上预设的大于零的偏置常数，得到调整系数；利用衰减因子对历史指数进行加权衰减，将衰减后的历史指数乘以调整系数后，与基础拥堵指数相加，输出综合权重。

10、本发明的技术效果为，相较于现有技术中采用单一遗忘策略或简单历史均值造成的预测时段偏差，通过时间差的双曲正切映射提取衰减因子，并结合星期属性建立匹配调整系数，充分挖掘了城市路网在工作日与双休日等不同周期规律下的人类出行特征，使融合后的路况综合权重既能响应当前短时波动，又能兼容历史同期的时段演变规律。

11、优选的，获取目标路段在当前采样周期的车辆总数及路段长度计算车流密度，统计目标路段内所有车辆瞬时速度并求均值的方法包括：通过部署在路侧的雷达和高清摄像头获取原始交通流视频流，调用计算机视觉库的背景差分算法提取车辆轮廓，以实时统计路段车流密度和平均车速；通过对接车辆不停车收费系统记录或车联网车载全球定位系统数据，提取目标路段内每辆行驶或停止车辆的瞬时速度并计算算术平均值。

12、本发明的技术效果为，相较于单一依赖人工上报或粗粒度位置数据的传统信息获取方式，综合路侧雷达与高清视频的背景差分视觉算法提取轮廓，并无缝对接etc及车联网终端的精准瞬时行驶数据，在物理感知层面上构建了一套多源异构交通流大数据的立体互证体系，确保了极高的时间分辨率与底座数据真实度，为高频并发的车队调度中枢输送了高置信度的数据源。

13、优选的，用卡尔曼滤波对综合权重平滑更新，包括：以交叉路口为节点且以路段为有向边构建路网有向图，计算每条边在相邻两个采样周期的综合权重差值的绝对值作为权重变化量；计算调整系数的倒数与历史权重标准差的乘积作为阈值；以历史权重方差作为卡尔曼滤波的观测噪声协方差；若权重变化量大于阈值，则计算有向边与空间上相邻路段之间的权重差值，除以相邻路段间的空间距离作为空间梯度，并将预设基准过程噪声协方差加上空间梯度绝对值与量纲转换系数的乘积，更新过程噪声协方差；若不大于阈值，则维持过程噪声协方差为预设常数；执行卡尔曼滤波迭代，输出平滑后的后验综合权重及后验估计方差。

14、本发明的技术效果为，利用历史数据方差动态界定突变阈值，并在判定路况超限跳变时，引入交叉口相邻连通路段的综合权重空间梯度来量化拥堵的蔓延强度，进而以此自适应增大卡尔曼滤波器的过程噪声协方差，使得整个调度后台在面对前方发生严重追尾等瞬时锁死工况时，能够瞬间打破滤波器固有的过度平滑惯性，实现对异常恶化路况的敏捷跟随。

15、优选的，执行卡尔曼滤波的时间更新与测量更新迭代，包括：将上一时刻的后验综合权重作为当前时刻的先验综合权重预测值；利用上一时刻的后验估计方差加上更新后的过程噪声协方差，计算当前时刻的先验估计方差；将先验估计方差除以先验估计方差与观测噪声协方差之和，得到卡尔曼增益；利用卡尔曼增益对当前输入的综合权重与先验综合权重预测值之间的残差进行加权，并叠加于先验综合权重预测值之上，获得当前时刻的后验综合权重；利用卡尔曼增益更新先验估计方差，将输出的后验估计方差保存供路径搜索算法提取调用。

16、本发明的技术效果为，在卡尔曼闭环迭代中利用卡尔曼增益严格对预测先验值与当前多源输入观测值的创新残差进行加权修正，在有效过滤常态化传感器抖动噪声的同时精确剥离出真实的交通拥堵特征，且将计算输出的后验估计方差持久化保存，实现了路况不确定性评估参数向底层寻优算法的无缝传递。

17、优选的，采用蚁群算法搜索车辆至任务点路径，包括：将当前路段综合权重与路网平均权重的比值输入sigmoid函数进行映射，设置当前路段的信息素挥发系数；以后验估计方差的倒数作为路段信息素初始浓度比例因子；计算当前采样周期与上一采样周期权重的差值并除以采样间隔得到权重时间导数，权重时间导数大于0时，将其作为路段权重上升速率，当权重时间导数小于或等于0时，将路段权重上升速率置为0；基于路段权重上升速率生成趋势惩罚因子，并将趋势惩罚因子引入状态转移概率的启发函数中；每只蚂蚁根据综合信息素浓度与启发函数进行逐节点状态转移，完成迭代后输出累计综合权重最小且满足路径约束的可行路径。

18、本发明的技术效果为，将路段相对拥堵程度映射为动态信息素挥发系数以加速恶化路段的历史诱导残留衰减，同时以后验方差倒数作为奖励因子刺激稳定路段的探索，并将权重时间导数转化为趋势惩罚因子融入启发函数，使系统在搜索伊始就赋予了探路蚂蚁趋利避害的预知视觉，压缩了无效试错空间，加速了大规模车队最优安全避堵路径的计算收敛。

19、优选的，每只蚂蚁根据综合信息素浓度与启发函数进行逐节点状态转移，完成迭代后输出累计综合权重最小且满足路径约束的可行路径的步骤为：配置预设数量的人工蚂蚁，根据所构造的状态轮盘概率跳跃矩阵，在各路口节点之间按照状态转移概率进行路径搜索；伴随完成设定的进化筛选后，通过回溯比对各轨迹的累计综合权重、路径长度和信息素浓度，剔除累计综合权重较高或不满足连通约束的候选路径，输出累计综合权重最小的可行路径，生成车辆到任务目的地的行驶调度序列并向车辆终端播报执行。

20、本发明的技术效果为，相较于常规算法盲目无序迭代带来的路径不可执行风险，通过状态轮盘概率跳跃矩阵结合后验演化筛选机制，对多代生成轨迹的累计综合权重、路段长度及连通性限制进行严密回溯比对，能够从海量网络中精准剔除隐藏高阻抗特性的劣质分支，输出绝对可行且成本最低的调度序列，从而保障了最终指令在真实复杂路况条件下的严格可执行性。

21、优选的，当路段权重变化超限时触发重调度，包括：实时监控车辆当前位置及下游路径上的综合权重，当任一路段权重的相对变化率大于预设门限或接收到系统下发的新任务点时触发局部重调度；提取引发重调度路段的权重时间导数绝对值，并计算车辆当前位置至任务点的剩余行驶距离；将绝对值除以预设参考时间导数进行无量纲化后，与剩余行驶距离除以路网最大直径参数得到的归一化结果相乘，得到比例因子；将预设最大扩展搜索半径乘以比例因子后加上预设最小搜索半径，生成重规划邻域半径；在重规划邻域半径构成的局部连通图内重新运行蚁群算法生成局部新路径，并与原路径未受影响段平滑拼接，得到更新后的车队调度方案。

22、优选的，在重规划邻域半径构成的局部连通图内重新运行蚁群算法生成局部新路径，并与原路径未受影响段平滑拼接，得到更新后的车队调度方案的方法包括：在构建的路网有向图中，使用邻域截取函数，并以路段长度作为距离属性，基于重规划邻域半径和当前车辆所在节点提取局部路网子图；在局部路网子图中重新初始化蚁群寻优过程，寻找绕开拥堵或事故路段的局部避让路径；将寻得的局部避让路径节点列表与原路径中未受影响且尚未行驶的路径段进行平滑拼接，形成更新后的车队调度方案指令并下发至车辆的车载智能终端系统进行导航播报。

23、本发明的技术效果为，在限定提取的局部子图内初始化重寻路，并将生成的局部避障突围路径与原规划调度方案中尚未行驶且未受牵连的顺畅路径段进行平滑拓扑拼接，确保了车队当前行驶路线在底层控制级与转向意图上的逻辑连续性。

24、本发明具有以下技术效果：

25、本发明融合事故频次与等待时长重构拥堵指数，利用相邻路况的空间梯度自适应调节卡尔曼滤波噪声参数，实现对交通突变的敏捷跟踪；同时将动态路况参数与演变趋势深度映射至改进型蚁群算法的挥发率与惩罚因子中，并辅以按需触发的自适应半径重规划机制，降低了系统算力消耗，可在复杂城市交通中引导车队精准规避瞬态拥堵，提升整体运营效率。