一种基于区域拥堵网络的车辆用户出行路线决策方法

本发明涉及一种基于区域拥堵网络的车辆用户出行路线决策方法，属于城市交通网络下的通信。

背景技术：

1、近年来，随着城市交通体系和道路管理都在不断改善和发展，但由于城市人口密度快速增长导致市内车流量也在快速升高，在城市居民出行高峰时段，例如上下班通勤、节假日期间以及道路维修，来自不同出行计划的车流会从各个方向汇聚于一条线路上，使得汽车数量突然增加，而现有道路无法负荷如此大的车流量，从而产生区域拥堵现象。

2、在此生活环境下，随着车联网技术的发展，人们对汽车等交通工具的需求早已不满足于单调出行，由于时间观念的加强，出行期间人们希望在汽车内可以完成更多的事务，而实现车内高质量的网络体验便是新兴的车辆边缘计算的任务，车辆边缘计算可以帮助将智能车辆产生的大量数据请求卸载到路边车辆任务处理基站，从而减少了由于高负荷任务导致的网络拥塞问题。

3、考虑有计算卸载任务的多用户出行场景，车辆用户的行驶路线若处于拥堵路况的范围内，将导致此路段车流量过大，从而引起同一路段许多车辆同时争夺通信和计算资源，进而导致车辆任务处理基站的卸载负荷加重，用户将获得较低的网络质量体验。

技术实现思路

1、本发明目的在于针对上述现有技术的缺陷和不足，提出了一种基于区域拥堵网络的车辆用户出行路线决策方法，给车辆用户提供了一种出行路线决策，以及能缓解交通拥堵与通信网络资源阻塞的算法。首先系统提供备选路径，然后在博弈过程中用概率形式做出车辆用户的路线决策。在决策过程中，充分利用了博弈的纳什均衡特性，使每个参与人的决策是对其他博弈玩家决策的最优决策。考虑有计算卸载任务的多用户出行场景，在区域拥堵网络环境下，车辆用户相互之间进行路线决策的过程，既能够因为空间移动效率提升从而减少交通压力，也能够减少网络内车辆任务处理基站的卸载压力，达到由于双重效应带来的系统利益最大化。尝试引入用户出行意愿函数，该函数将进一步对用户面对拥堵路况时的出行习惯进行考量，提供更为准确的出行路线决策。且由于应用于交通网络系统，故不难获取用户的出行意愿评估，为本发明做进一步的数据背景支撑。

2、本发明为解决其技术问题所采用的技术方案是：一种基于区域拥堵网络的车辆用户出行路线决策方法，该方法包括如下步骤：

3、步骤1：构建区域拥堵网络的博弈模型，所述步骤1包括步骤1-1～步骤1-3：

4、步骤1-1：构建区域拥堵网络内车辆用户行驶产生的成本模型，包括行驶于畅行路径的时间成本估算模型、油耗成本估算模型、环境污染成本模型，以及行驶于拥堵路径的时间成本估算模型、油耗成本估算模型、环境污染成本模型；

5、进一步地，所述步骤1-1具体包括以下步骤：

6、步骤1-1-1：建立区域拥堵网络g(n,l)，其中n表示网络中的节点集合，节点是实际场景中的交叉路口；l表示网络中的边集合，边是实际场景中的有向路段，设e代表连接网络中相邻两个节点且长度为a的边，网络中的路径表示连接一对起始点到目的地(o-d)的所有边组成的有序集合，设w代表一组典型的o-d对，p表示网络中完成o-d段的所有路径的集合，k为集合p内所含路径总数，其中集合p内路径按照是否包含拥堵路段分为畅行路径与拥堵路径，集合内路径均为网络中的无环路径，设在初始t＝0时刻，畅行路径数与拥堵路径数分别为m与n，且m∈k，n∈k，在t＝t0(t0≠0)时刻m，n将随交通流状态进行动态变换，设共有n＝{1,2,3,...n}个车辆用户，车辆用户在区域拥堵网络内对同一o-d的出行路线决策为γn，其中γn＝0表示车辆用户决定行驶于畅行路径，γn＝1表示车辆用户决定行驶于拥堵路径；

7、步骤1-1-2：基于上述步骤1-1-1所建立区域拥堵网络下，构建车辆用户选择行驶于畅行路径的时间成本估算模型：

8、

9、其中tfree为车辆行驶于畅行路径所花费的时间成本；m为当前畅行路径所包含的路段数；va为车辆行驶于畅行路径的默认平均速度；

10、构建区域拥堵网络下车辆用户选择行驶于畅行路径的油耗成本估算模型：

11、

12、其中ffree为车辆行驶于畅行路径的油耗成本；fa为车辆行驶于畅行路径的百公里燃油消耗平均值；ok为k类型燃油的每公里油价；

13、构建区域拥堵网络下车辆用户选择行驶于畅行路径的环境污染成本模型：

14、

15、其中pfree为车辆行驶于畅行路径所产生的环境污染成本；k为汽车尾气污染物，选取主要污染物作为排放因子；rk为车辆行驶于畅行路径下对k型污染物的排放系数；δa为单位增加污染物类型所造成的环境成本；

16、步骤1-1-3：基于步骤1-1-1所建立区域拥堵网络下，构建车辆用户选择行驶于拥堵路径的时间成本估算模型，其中拥堵路径下包含个数为i的畅行路段与个数为j的拥堵路段，故构建行驶于畅行路段下的时间成本模型：

17、

18、其中gtc为车辆行驶于拥堵路径内畅行路段的基础时间成本；ni为拥堵路径内畅行路段数；

19、构建行驶于拥堵路段下的时间成本模型：

20、

21、其中etc为车辆行驶于拥堵路径内拥堵路段的时间成本；nj为拥堵路径内拥堵路段数；vaconj为车辆行驶于拥堵路段的拥堵临界速度；

22、对式4和式5进行求和，构建行驶于拥堵路径的总时间成本估算模型：

23、

24、其中tc为车辆用户选择行驶于拥堵路径所花费的总时间成本，包括车辆行驶于拥堵路径内畅行路段的基础时间成本gtc以及车辆行驶于拥堵路径内拥堵路段的时间成本etc；

25、构建区域拥堵网络下车辆用户选择行驶于拥堵路径的油耗成本估算模型，与上述时间成本估算同理，需构建行驶于拥堵路径内所含畅行路段下的时间成本模型：

26、

27、其中gfc为车辆行驶于拥堵路径内畅行路段的基础油耗成本；fa为车辆行驶于拥堵路径内所含畅行路段的百公里燃油消耗平均值；

28、构建行驶于拥堵路段下的油耗成本模型：

29、

30、其中efc为车辆行驶于拥堵路径内拥堵路段的油耗成本；faconj为车辆行驶于拥堵路段的百公里燃油消耗；

31、对式7和式8进行求和，构建行驶于拥堵路径的总油耗成本估算模型：

32、

33、其中fc为车辆用户选择行驶于拥堵路径所消耗的总油耗成本，包括车辆行驶于拥堵路径内畅行路段的基础油耗成本gfc以及车辆行驶于拥堵路径内拥堵路段的油耗成本efc；

34、构建区域拥堵网络下车辆用户选择行驶于拥堵路径的环境污染成本模型，与上述时间、油耗成本估算同理，需构建行驶于拥堵路径内所含畅行路段下的环境污染成本模型：

35、

36、其中gpc为车辆行驶于拥堵路径内畅行路段所产生的环境污染成本；

37、构建行驶于拥堵路段下的环境污染成本模型：

38、

39、其中epc为车辆行驶于拥堵路径内拥堵路段所产生的环境污染成本；

40、对式10和式11进行求和，构建行驶于拥堵路径的总环境污染成本估算模型：

41、

42、其中pc为车辆行驶于拥堵路径所产生的环境污染成本，包括车辆行驶于拥堵路径内畅行路段所产生的环境污染成本gpc以及车辆行驶于拥堵路径内拥堵路段所产生的环境污染成本epc；

43、步骤1-1-4：建立系统交通流模型；默认统一车辆类型，交通流qa指路径内的车辆数；γn表示车辆用户n的路线决策将会使其他备选路径增加的交通流，进行概率化，即0≤εn≤1,故设qa为畅行路径内车辆小时流量，得到以下：

44、

45、其中qconj指考虑其他车辆用户决策的影响，当前拥堵路段内车辆的高峰小时流量；为系数。

46、步骤1-2：构建区域拥堵网络内车辆任务的卸载成本模型，包括车辆任务卸载至本地的时延与能耗成本模型，车辆任务卸载至边缘服务器的时延与能耗成本模型；

47、进一步地，所述步骤1-2具体包括以下步骤：

48、步骤1-2-1：建立车联网边缘卸载系统，假设共有n＝{1,2,3,...n}个车联网车辆，设车辆用户所搭载车辆n,n∈n在某一路段产生的任务总数为tn，且在该路段的卸载决策为χn，其中χn＝0表示车辆n在此路段将任务卸载到本地，χn＝1表示车辆n在此路段将任务卸载到边缘服务器(es)，同时tn＝{dn,cn}，其中dn表示车辆n在该路段产生的卸载任务大小，cn则表示卸载任务的密度；

49、步骤1-2-2：建立车辆任务卸载至本地的延时与能耗函数；构建车辆任务卸载至本地的时延成本模型：

50、

51、其中为车辆任务卸载至本地的时延，为该车辆处理任务的能力指标；

52、构建车辆任务卸载至本地的能耗成本模型：

53、

54、其中为车辆任务卸载至本地的能耗，为车联网车辆n的单位时间任务处理的消耗功率；

55、步骤1-2-3：建立车辆任务卸载至路段边缘服务器的延时与能耗函数；具体的，车辆任务卸载至es的处理过程分为车辆任务的上传过程以及边缘服务器的卸载过程，构建车辆任务上传至es的传输时延模型：

56、

57、其中为将车辆任务tn传输到es的时延；rn(χ)表示传输速率，见式17：

58、

59、其中rn(χ)表示车辆任务tn传输到es的传输速率；l为车辆任务传输的共享信道；b为信道l的带宽；h为信道衰减系数；ω0为高斯白噪声功率；dn为车辆n距离es的距离；pn表示车联网车辆n的传输功率；

60、构建车辆任务在es端处理的时延模型：

61、

62、其中为车辆任务在es端处理的时延；fe表示es端cpu的处理能力，m表示es可提供的cpu核数；

63、构建车辆任务卸载至es全过程的总时延模型：

64、

65、其中为车辆任务卸载至es全过程的总时延，包括将车辆任务tn传输到es的时延以及车辆任务在es端处理的时延

66、构建车辆任务上传至es的传输能耗模型：

67、

68、其中为车辆任务上传至es的传输能耗；

69、构建车辆任务在es端处理的能耗模型：

70、

71、其中为车辆任务在es端进行处理的能耗；pe为车联网车辆n在es端处理的单位时间任务处理的消耗功率；

72、构建车辆任务卸载至es全过程的总能耗模型：

73、

74、其中eoff(χ)为车辆任务在es全过程的总能耗，包含车辆任务上传至es的传输能耗以及车辆任务在es端进行处理的能耗

75、步骤1-3：考虑有计算卸载任务的多用户出行场景，根据上述步骤1-1、步骤1-2得到的成本模型数据构建系统成本模型。

76、进一步地，所述步骤1-3具体包括以下步骤：

77、步骤1-3-1：建立系统博弈模型其中n代表玩家总数，具体代表始经相同o-d的所有车辆用户总数；ρ代表车辆用户决策，u代表所有车辆用户的联合成本集，考虑区域拥堵内车辆用户的出行路线选择模型以及车辆任务卸载决策模型，设ρn＝{χn,γn}，其中χn为出行决策集，γn为卸载决策集；

78、步骤1-3-2：建立出行路线选择的系统成本模型，根据上述步骤1-1中的步骤1-1-4构建区域拥堵网络内全部车辆用户决策行驶于畅行路径的系统时间成本估算模型：

79、

80、其中tsysfree为全部车辆用户决策行驶于畅行路径的系统时间成本；

81、构建区域拥堵网络内全部车辆用户决策行驶于拥堵路径的系统时间成本估算模型：

82、

83、其中tsysc为全部车辆用户决策行驶于拥堵路径的系统时间成本，包括全部车辆行驶于拥堵路径内畅行路段的基础时间成本gtsysc以及车辆行驶于拥堵路径内拥堵路段的时间成本etsysc；

84、构建区域拥堵网络内全部车辆用户决策行驶于畅行路径的系统油耗成本估算模型：

85、

86、其中fsysfree为全部车辆用户决策行驶于畅行路径的系统油耗成本；

87、构建区域拥堵网络内全部车辆用户决策行驶于拥堵路径的系统油耗成本估算模型，结合

88、式9可估算得：

89、

90、其中fsysc为车辆用户决策行驶于拥堵路径的系统油耗成本，包括车辆行驶于拥堵路径内畅行路段的基础油耗成本gfsysc以及车辆行驶于拥堵路径内拥堵路段的油耗成本efsysc；

91、构建区域拥堵网络内全部车辆用户决策行驶于畅行路径的总环境污染成本估算模型，结合式3并代入式23可估算得：

92、

93、其中psysfree为全部车辆用户决策行驶于畅行路径的总环境污染成本；

94、构建区域拥堵网络内全部车辆用户决策行驶于拥堵路径的总环境污染成本估算模型，结合式12并代入式23、式24可估算得：：

95、

96、其中psysc为全部车辆用户决策行驶于拥堵路径的总环境污染成本，包括全部车辆行驶于拥堵路径内畅行路段所产生的总环境污染成本gpsysc以及全部车辆行驶于拥堵路径内拥堵路段所产生的总环境污染成本epsysc；

97、步骤1-3-3：建立车辆任务卸载的系统成本模型，构建车辆用户决策将任务卸载至本地的系统时间成本估算模型，见式14；

98、构建车辆用户决策将任务卸载至es的系统时间成本估算模型，见式19；

99、构建车辆用户决策将任务卸载至本地的系统能耗成本估算模型：

100、

101、其中为车辆用户决策将任务卸载至本地的系统能耗成本；为车辆的单位能耗成本系数；

102、构建车辆用户决策将任务卸载至es的系统能耗成本估算模型：

103、

104、其中车辆用户决策将任务卸载至es的系统能耗成本；为es侧的单位能耗成本系数；ξ为单位任务数的通信成本系数；γ为es侧执行单位cpu周期的计算成本系数；

105、步骤1-3-4：基于上述步骤1-3-2、1-3-3计算所得，考虑有计算卸载任务的多用户出行场景，构建联合成本模型，考虑在同一路径内其他车辆的决策，假设其余车辆的决策集为ρ-n＝{χ-n,γ-n}，故其中出行决策集γ-n＝(γ1,...γn-1,γn+1,γn)，卸载决策集χ-n＝(χ1,...χn-1,χn+1,χn)，构建车辆用户的卸载决策联合成本模型：

106、un(χn,χ-n)＝λ1latency+λ2cost,    式31

107、其中un(χn,χ-n)为区域卸载网络内车辆用户关于卸载决策的联合成本，λ1为时延成本系数；λ2为能耗成本系数；

108、根据上述模型，分别考虑χn＝0以及χn＝1的卸载决策，将式14、式19、式29、式30代入式31并进行整理得：

109、

110、构建车辆用户的出行决策联合成本模型：

111、un(γn,γ-n)＝λ3latency+λ4cost,    式33

112、其中un(γn,γ-n)为区域拥堵网络内车辆用户关于出行决策的联合成本，λ3为时延成本系数；λ4为包括油耗以及环境污染的综合成本系数；

113、根据上述模型，分别考虑γn＝0以及γn＝1的出行决策，将式23～式28代入式33并进行整理得：

114、

115、根据式32与式34构建模型所得，构建联合成本模型如下：

116、

117、进一步整理得：

118、

119、步骤2：给出博弈获得相对最优路线所采用的数学方程；结合博弈论内纳什均衡定义，给出最小联合成本模型：

120、

121、其中u代表所有车辆用户的联合成本集，p表示车辆用户决策的集合，ρ代表车辆用户决策，即车辆用户n对应决策ρn＝{χn,γn}，其中χn为出行决策集，γn为卸载决策集；当且仅当没有车辆用户改变决策且系统联合成本最小的决策即为纳什均衡点，设为纳什均衡点，全部车辆用户的最优决策集为将式37进一步等效如下：

122、

123、步骤3：基于博弈算法的网约车系统路径选择方法计算相对最优路线决策；根据最佳响应定义，满足如下条件：

124、

125、设为纳什均衡点，即当χn＝1，γn＝1时为符合联合成本最小的决策，根据式39，应满足代入式36可构建以下不等式：

126、

127、其中不等式40左右项式均为正，即为证不等式40成立，构建式41、式42：

128、

129、λ3tsysc+λ4(fsysc+psysc)＜λ3tsysfree+λ4(fsysfree+psysfree)    式42

130、代入步骤1-1内相关公式，构建满足纳什均衡点的条件式43和条件式44：

131、

132、其中

133、

134、其中考虑车辆驾驶均使用汽油作为燃料，故在一定时间内汽车尾气排放污染物类型固定，即mk＝nk。

135、根据式43和式44构建最优条件公式：

136、

137、有益效果：

138、1、本发明综合考虑车辆用户的出行体验，为车辆用户做出合理的出行路线决策，既能够使车辆用户获得较好的网络服务，也在一定程度上减缓交通拥堵现象，具有一定的现实意义。

139、2、本发明给车辆用户提供了一种出行路线决策，以及能缓解交通拥堵与通信网络资源阻塞的算法，首先系统提供备选路径，然后在博弈过程中用概率形式做出车辆用户的路线决策，在决策过程中，充分利用了博弈的纳什均衡特性，使每个参与人的决策是对其他博弈玩家决策的最优决策，考虑有计算卸载任务的多用户出行场景，在区域拥堵网络环境下，车辆用户相互之间进行路线决策的过程，既能够因为空间移动效率提升从而减少交通压力，也能够减少网络内车辆任务处理基站的卸载压力，达到由于双重效应带来的系统利益最大化。

140、3、本发明尝试引入用户出行意愿函数，该函数将进一步对用户面对拥堵路况时的出行习惯进行考量，提供更为准确的出行路线决策。