[论文解读] A Fast and Tight Heuristic for A* in Road Networks

Ben Strasser, Tim Zeitz|arXiv (Cornell University)|Oct 28, 2019

Data Management and Algorithms参考文献 39被引用 1

一句话总结

本文提出 CH-Potentials，一种用于道路网络中 A* 搜索的快速且紧致的启发式方法，利用收缩层次（Contraction Hierarchies, CH）通过预处理阶段获得的下界权重，提供精确的距离估计。该方法将复杂的路由扩展功能（如交通预测、转向限制和实时数据）与分层加速结构解耦，从而实现高效、灵活且精确的路径规划，相较于 Dijkstra 算法最高可实现 3243 倍的加速，且与理想启发式相比仅增加 1.6 倍的开销。

ABSTRACT

We study exact, efficient and practical algorithms for route planning in large road networks. Routing applications often require integrating the current traffic situation, planning ahead with traffic predictions for the future, respecting forbidden turns, and many other features depending on the exact application. While Dijkstra's algorithm can be used to solve these problems, it is too slow for many applications. A* is a classical approach to accelerate Dijkstra's algorithm. A* can support many extended scenarios without much additional implementation complexity. However, A*'s performance depends on the availability of a good heuristic that estimates distances. Computing tight distance estimates is a challenge on its own. On road networks, shortest paths can also be quickly computed using hierarchical speedup techniques. They achieve speed and exactness but sacrifice A*'s flexibility. Extending them to certain practical applications can be hard. In this paper, we present an algorithm to efficiently extract distance estimates for A* from Contraction Hierarchies (CH), a hierarchical technique. We call our heuristic CH-Potentials. Our approach allows decoupling the supported extensions from the hierarchical speed-up technique. Additionally, we describe A* optimizations to accelerate the processing of low degree nodes, which often occur in road networks.

研究动机与目标

• 为在精确最短路径算法中高效支持复杂、现实世界的路由扩展功能（如实时交通、转向限制和交通预测）提供解决方案。
• 将特定应用的功能与收缩层次中的分层加速机制解耦，降低实现复杂度。
• 开发一种 A* 启发式方法，仅使用预处理阶段的下界权重，提供紧致且精确的距离估计。
• 优化道路网络中常见低度节点上的 A* 性能，提升查询效率。
• 证明该启发式方法在引入额外路由复杂性的情况下，仍能保持接近最优的性能。

提出的方法

• CH-Potentials 使用收缩层次（CH）作为内部距离预言机，为 A* 启发式函数计算紧致且精确的下界估计。
• 通过 CH 结构评估距离，该结构在预处理阶段完成且与运行时特征无关，从而实现快速且一致的估计。
• 该方法使 A* 能够基于相对于下界权重函数 wℓ 的、可证明精确的估计值，引导搜索向目标方向进行。
• 提出一种新颖的优化策略，通过减少队列操作和启发式评估开销，加速低度节点上的 A* 搜索。
• 通过仅修改 A* 算法而非 CH 结构，支持动态功能（如实时交通、转向成本），实现模块化扩展。
• 通过与 Oracle-A*（一种假设的理想启发式）对比，评估该启发式的性能开销和效率。

实验结果

研究问题

• RQ1 能否设计一种 A* 启发式方法，仅使用预处理阶段的下界权重，提供紧致且精确的距离估计？
• RQ2 如何在不修改分层加速结构的前提下，支持复杂路由特征（如实时交通、转向限制）？
• RQ3 与理想、即时访问的启发式相比，所提启发式的性能开销是多少？
• RQ4 针对低度节点的优化在提升道路网络中 A* 查询性能方面的效果如何？
• RQ5 CH-Potentials 是否能在多样化的、现实的路由场景中保持高加速比，同时支持多种功能组合？

主要发现

• 当 wq = wℓ 时，CH-Potentials 在 OSM 德国数据集上相较 Dijkstra 算法实现了 3243 倍的加速，展现出强大的可扩展性。
• 与理想启发式相比，启发式评估的开销仅为 1.6 倍，表明其性能接近最优。
• 在查询时间上，CH-Potentials 比 ALT 快 6 至 7 倍，且探索的节点数显著更少。
• 在实时交通场景下（长度增加 15%），查询时间为 127.3 ms；在交通预测场景下（长度增加 18%），查询时间为 209.7 ms，表明其在动态条件下的鲁棒性。
• 结合实时交通、预测和转向限制时，相较 Dijkstra 实现了 12.2 倍的加速，仅因 BCC 优化效率不足导致性能轻微下降。
• PTV 交通预测（长度增加 10.5%，低于 Mapbox 的 18%）的查询时间更短（89.7 ms vs. 195.5 ms），证实了启发式质量对性能的显著影响。