[论文解读] Vehicle Route Planning using Dynamically Weighted Dijkstra's Algorithm with Traffic Prediction

Piyush Udhan, Akhilesh Ganeshkar+4 more|arXiv (Cornell University)|May 30, 2022

Transportation Planning and Optimization被引用 4

一句话总结

本文提出了一种动态加权的戴克斯特拉算法，结合基于交通流理论的交通预测模型，实现时间依赖的前瞻式路径规划。通过在路径计算过程中将实时交通预测结果整合到边权重中，与传统戴克斯特拉算法相比，该方法将平均行程时间减少了387秒（6.45分钟），在动态交通条件下测试案例中实现了21.7%的性能提升。

ABSTRACT

Traditional vehicle routing algorithms do not consider the changing nature of traffic. While implementations of Dijkstra's algorithm with varying weights exist, the weights are often changed after the outcome of algorithm is executed, which may not always result in the optimal route being chosen. Hence, this paper proposes a novel vehicle routing algorithm that improves upon Dijkstra's algorithm using a traffic prediction model based on the traffic flow in a road network. Here, Dijkstra's algorithm is adapted to be dynamic and time dependent using traffic flow theory principles during the planning stage itself. The model provides predicted traffic parameters and travel time across each edge of the road network at every time instant, leading to better routing results. The dynamic algorithm proposed here predicts changes in traffic conditions at each time step of planning to give the optimal forward-looking path. The proposed algorithm is verified by comparing it with conventional Dijkstra's algorithm on a graph with randomly simulated traffic, and is shown to predict the optimal route better with continuously changing traffic.

研究动机与目标

• 解决传统戴克斯特拉算法在路径规划过程中难以应对动态变化交通条件的局限性。
• 克服传统实现中静态权重方法的不足，即权重在执行后才调整，而非在规划阶段进行动态调整。
• 基于交通流理论开发预测模型，以估算道路网络边上的未来交通参数，如速度、密度和流量。
• 在规划阶段将交通预测结果整合到戴克斯特拉算法中，以计算出时间感知的最优路径。
• 证明前瞻式动态路径规划在真实交通场景下相比静态路径规划方法可显著减少行程时间。

提出的方法

• 利用交通流理论中的基本图示，建立道路路段上交通流量、密度与速度之间的关系模型。
• 在交叉口应用交通流守恒定律，以确保车辆移动和流量分配的准确建模。
• 采用高斯概率模型，模拟外部交通流入道路网络的过程。
• 将基于动态交通参数预测的行程时间用作戴克斯特拉算法邻接矩阵中的边权重。
• 修改戴克斯特拉算法，使其以时间依赖方式运行，根据预测的交通状态在每个时间步重新计算边权重。
• 将交通预测模型集成到路径规划流程中，在路径计算前生成随时间变化的权重，实现前瞻式优化。

实验结果

研究问题

• RQ1 当交通状况随时间变化时，戴克斯特拉算法的动态时间依赖性改进是否能提升路径规划的准确性？
• RQ2 与静态戴克斯特拉算法相比，基于交通流理论的交通预测模型如何影响所计算路径的最优性？
• RQ3 在模拟的城市道路网络中，前瞻式交通预测能在多大程度上减少总行程时间？
• RQ4 交通预测模型中的参数（α 和 β）变化在多大程度上影响所提算法与传统戴克斯特拉算法之间的性能差距？
• RQ5 在流量和速度波动多变的多样化交通场景中，所提方法是否能持续优于静态路径规划？

主要发现

• 在特定测试案例中，所提出的结合交通预测的动态戴克斯特拉算法将总行程时间减少了21.7%，从46单位降至36单位。
• 在10,000个测试案例中，所提算法与传统戴克斯特拉算法之间的平均行程时间差异为387秒（6.45分钟）。
• 模型在α和β的不同取值下均表现出显著性能提升，且随着预测精度提高，平均时间差异持续减小。
• 路径 [0 → 1 → 3 → 7 → 9] 被所提算法选为最优路径，而传统戴克斯特拉算法因静态权重选择了一条不同且更慢的路径。
• 将随时间变化的交通预测结果整合到路径规划算法的权重计算过程中，显著提升了路径选择的准确性和效率。
• 结果证实，即使在具有波动交通条件的复杂真实道路网络中，动态且具备预测感知能力的路径规划仍优于静态路径规划。