大规模路网下基于智能优化的动态路径诱导策略研究

Centralized Dynamic Route Guidance System is the well-known best method to improve the efficiency of traffic network and relieve traffic congestion. The traffic system is complex and uncertain with lots of impact factors, and the size of traffic network is usually huge. So, it is difficult to guarantee the efficiency and convergence speed of Dynamic Route Guidance System(DRGS), and is hard to relieve the traffic jam. The key factor to relieve the traffic jam and the solving strategy by Intelligent Optimization are studied in this project. The mechanism of how to improve the convergence speed by multi-level network is firstly studied. The multilevel Reinforcement Learning based DRGS is proposed to improve convergence speed. In order to reduce the searching space of DRGS, the Evolutionary based clustering is researched to construct the multi-level network. Secondly, the interactional relationship between the structure of road network and the traffic jam is analyzed. Genetic Algorithm based Spatio-temporal Association rule mining is researched to establish a classification system for predicting the traffic jam. So that, the convergence speed of DRGS can be accelerated by the prediction. Finally, the intelligent optimization based route guidance strategy will be formed, which can be utilized to relieve the traffic jam and improve the efficiency of traffic system in the large-scale road network.

中心式动态路径诱导系统是目前公认的提高交通效率、缓解交通拥堵的最佳途径。由于交通系统路网规模庞大、环境复杂多变，动态路径诱导系统的有效性和收敛速度很难保障，难以缓解交通拥堵。本项目将围绕这一问题展开，深入研究大规模路网下动态路径诱导中缓解交通拥堵的关键因素和基于智能优化的解决策略。首先，研究多层网络结构影响诱导收敛速度的机理，建立基于多层强化学习的路径诱导来提高收敛速度；研究如何通过基于进化的聚类算法创建多层网络结构来减少路径诱导算法的搜索空间。其次，分析路网结构与拥堵之间的相互影响关系，研究基于遗传算法的时空关联规则挖掘机制，建立路段拥堵分类预测来提高动态路径诱导的收敛速度。最终形成基于智能优化的大规模路网下的动态路径诱导策略来缓解拥堵、提高交通效率。

本课题为围绕如何使得中心式动态路径诱导系统能够提高交通效率、缓解交通拥堵展开了研究。主要研究内容归纳为如下三方面：（1）首先，研究多层网络结构影响诱导收敛速度的机理，建立基于多层强化学习的路径诱导策略；（2）研究如何通过自动聚类算法来优化多层网络结构；（3）分析路网结构与拥堵之间的相互影响关系，研究时空关联规则挖掘机制并建立路段拥堵分类预测。最终形成基于智能优化的大规模路网下的动态路径诱导策略来缓解拥堵、提高交通效率。. 本课题研究目标的完成情况归纳如下：1）实现了基于多层Sarsa强化学习的动态路径诱导策略的研究，该策略可以大幅提高大规模交通路网下交通系统的使用效率。 2）设计的基于DE（Differential Evolution）的自动聚类算法可以在大规模交通网络中构建多层网络结构，使得路径诱导的时间效率获得极大的提高。3）设计了基于遗传算法的关联挖掘技术来获取不同路段在不同时刻、不同拥堵条件下的时空关联规则，并通过DBSCAN聚类来寻找利于挖掘时空关联规则的数据环境，建立了基于关联规则的分类预测技术对未来时刻的拥堵状况进行预测。. 课题基本按预定的计划进行，达到了项目预期的目标，并完成了项目预期的研究成果。