基于实时交通信息的最短时间路径规划方法.pdf

基于实时交通信息的最短时间路径规划方法属于导航领域的最短路径问题。本发明要解决的问题是在考虑实时交通信息的条件下，建立道路网的网络拓扑结构，对海量空间数据进行有效的组织、管理，提供高效的空间索引和查询，在此基础上，为用户提供高效的最短时间路径规划服务。本发明通过实时交通信息接收、信息解码、提交请求、路径规划和应答回传等步骤提供最短路径服务，通过对空间数据的存储管理和对网络拓扑结构的组织提高最短路径计算速度。本发明可作为基于网络的无线导航服务的核心组成模块，为无线导航服务提供基于实时交通信息的最短路径规划方法。

1、  一种实时交通信息系统，与具有存储在存储介质上电子地图的手持导航系统相连接，其特征在于，包括有：
接收模块，中心服务器从数据源处获取实时交通信息，通过TCP/IP协议，基于socket通信传输；
解码模块，中心服务器可对接收模块所接收到的实时交通信息依预定的协议进行解析；
提交请求模块，装有电子地图的手持端(客户端)在地图上选择出发点和目的地，以坐标形式向中心服务器提交请求；
动态规划模块，中心服务器根据解析过的实时交通信息和客户端提交的请求，进行最短时间的路径规划；
回传单元，中心服务器将规划好的路径传回手持端。

2、  根据权利要求1所述的中心服务器，其特征在于：根据接收到的实时交通信息进行路径规划运算，并将结果返回给手持端。

3、  根据权利要求1所述的电子地图，其特征在于：所述电子地图包括有代表具体地址的位置点、两地址之间的道路，并可对电子地图进行放大、缩小、平移等浏览操作，并可选所见点作为路径的起始点和目的地。

4、  根据权利要求1所述的实时交通信息，其特征在于：可实时反映路况拥堵情况，查找不同路径下的道路，计算出所需的最短时间的一种方法。

基于实时交通信息的最短时间路径规划方法
技术领域
本发明属于导航领域的最短路径计算方法，尤其适用于动态导航。
背景技术
最短路径是GIS领域的主要问题之一，其关键是将一个物理网络结构抽象为一个数学网络结构，再利用数学方法进行求解。在数学和计算机领域网络被抽象为图，再利用图论的方法计算最短路径。
最短路径算法按节点运动状态可分为静态最短路径算法和动态实时最短路径算法。静态最短路径是外界条件不变，计算起点到终点的最短路径，主要有Dijkstra算法和A*算法。而动态最短路径是外界环境不断发生变化，无法计算预测路径的情况下求最短路，典型的有D*算法，在机器人探路中常应用D*算法。GIS导航领域的最短路径算法属于静态最短路径的问题，本发明采用Dijkstra算法实现了基于实时交通信息的最短时间路径规划方法。
发明内容
本发明要解决的问题是在考虑实时交通信息的条件下，建立道路网的网络拓扑结构，对海量空间数据进行有效的存储、管理，提供高效的空间索引和查询。在此基础上，为用户提供高效的最短时间路径规划服务。
本发明提出一种基于实时交通信息的最短时间路径规划方法，步骤如下：
(1)信息接收，中心服务器从数据源处获取实时交通信息，通过TCP/IP协议，基于socket通信传输到导航中心服务器；
(2)信息解码，导航中心服务器可对接收模块所接收到的实时交通信息依预定的协议进行解析；
(3)提交请求，装有电子地图的手持端(客户端)在地图上选择出发点和目的地，以坐标形式向中心服务器提交路径规划请求；
(4)路径规划，中心服务器根据解析过的实时交通信息和客户端提交的请求，进行最短时间的路径规划；
(5)应答回传，中心服务器将规划好的路径传回手持端。
具体实施方式
对于动态交通信息，可以作为路段的一个权重加入到路段对应的数据表中，通过最短路径分析的方法得到结合动态交通信息的路径规划结果。但是，动态交通信息是实时更新的，并且在更新的同时系统还要执行大量的查询和分析任务，因此数据存储和组织的形式是动态交通路径规划所要考虑的一个问题。
(1)网络拓扑关系。
要想用计算机程序实现Dijkstra算法，关键技术是用什么样的方式抽象出网络拓扑结构，及节点与节点的连通关系，并对网络拓扑结构进行高效能访问。
a.拓扑关系的获取
GIS中的数据(如道路、管网、水系等)要进行最短路径的计算，就必须首先将其按结点和边的关系抽象为图的结构，这在GIS中称为构建网络的拓扑关系。只有建立了拓扑关系，我们才能进行网络路径分析。GIS数据通常是图形数据和属性数据的有机集合。在ARC/INFO下利用命令CLEAN对道路网数据构建网络拓扑，我们可以看到属性表，其属性数据中包括_Fnode(起点)和_Tnode(终点)两个属性项。该属性表中包含了一个完备的网络拓扑关系，即记录了该图拥有多少个节点，又记录了节点与节点的连通关系，不同的_Fnode、_Tnode标号代表不同的节点，及一条线的起始节点和终止节点，拥有相同节点的线相连，从该表大家应该很清楚的看出道路网的拓扑结构。
b.网络拓扑关系的高效访问
利用上面的属性表我们可以有效地解读出一个网络拓扑关系，在按标记法实现Dijkstra算法的过程中，核心步骤就是从未标记的点中选择一个权值最小的弧段。这是一个循环比较的过程，如果不采用任何技巧，要选择一个权值最小的弧段就必须对属性表进行多次扫描，在大数据量的情况下，这无疑是一个制约计算速度的瓶颈。下面主要就如何从含拓扑关系的属性表中解析一个简洁高效的网络拓扑存储结构进行讨论。
在数学和计算机领域中网络拓扑被抽象为图，所以其基础是图的存储表示。一般而言，无向图可以用邻接矩阵和邻接多重表来表示，而有向图则可以用邻接表和十字链表表示。
(2)海量空间数据组织、存储与查询
空间数据的范围非常广泛，任何同空间位置相关的数据皆可称为空间数据。随着探测手段和能力的发展，空间数据正在迅速增长，应用范围也益加广泛，因此如何有效地存储、管理、查询和交换空间数据也成为日益突出的问题。
目前以数据库为中心的海量空间数据管理已经逐渐取代了传统的文件方式，其中典型的代表是Oracle。这些数据库系统通常在原有的关系型数据库之上增加空间数据库层，应用系统必须通过该层访问库中的空间数据。所有的空间领域知识都封装在该层中。
因此我们主要关注空间数据库层，研究该层对空间数据定义和操作的实现，以及海量空间数据的组织和管理。
a.空间信息模型
空间信息模型通常分为场模型和对象模型。场模型中使用场函数将空间框架(网格)映射到不同的属性域中，而对象模型是把空间信息抽象成明确的、可识别的事物或者实体。对象模型中每个对象都有一套刻画它的属性集，可以清晰地分为空间属性和非空间属性。
对于对象空间模型来说，关键是选择合适的一组基本空间数据类型。现在OGIS规范已经得到广泛认可，其表示如下：
b.空间数据存储
由于空间数据库的底层仍旧是对象-关系型数据库，因此空间数据最终仍旧以传统的数据类型保存在数据表中。二进制字段LOB适合于保存格式化存储的空间对象信息。OGIS的数据类型是空间数据库层实现的，它负责将这些类型转换为二进制的字节流，即WKB，保存在数据库中的LOB字段中。
可以在一张数据库表中储存大量的空间对象，其属性信息也用表字段记录，利用数据库的查询能力可以实现属性-空间对象的查询。对于影像数据，可以按照固定的大小，如128*128，分割成众多区域，然后将每个区域分别作为记录插入数据库表中保存。
为了便于管理这些数据，在数据库层次之上必须建立面向空间数据模型的管理结构，并且由一个单独的层面来处理这种结构同数据库表结构之间的相互转化。建立这个层次之后，所有对空间数据的访问必须以此为目标。
c.空间索引
储存在库表中的海量空间数据常常需要以不同与传统对象-关系型数据库的方式被查询，例如查询指定空间范围内的数据，或者距离某点最近的数据。使用传统的SQL查询和索引无法高效的实现这种查询，必须针对空间数据的特点建立空间索引。
空间索引的基本思想就是对近似的使用。这种方法可以让索引结构按照一个或多个空间码来管理对象，这些空间码是非常简单的几何对象(外包矩形)或整数值。查询时通过空间索引得到近似的选择集，然后通过一个过滤步骤得到精确的结构集，在精炼时使用详细的几何信息。
对内置空间数据库支持的数据库产品来说，例如Oracle，按照它的要求写入空间数据并建立索引后就可以使用空间查询语句了，空间索引对外界来说是不可见的。但是对于普通的关系型数据库来说，空间索引机制需要单独开发。
使用对象-关系型数据库可以不用考虑索引的存储，它可以和空间数据本身共同储存在数据库表中。Hilbert索引利用Hilbert曲线生成算法，根据小块空间区域的地理范围生成该区域在总体区域中的整数编码，对于对象数据模型来说，可以针对每个对象的MBR(外包矩形)和该对象所在数据集合的总范围生成该对象的Hilbert索引。
对于影像数据也可以按照上面的方法建立索引，或者简单的使用分块的行列号来检索。影像数据为了加快显示速度，通常都会建立金字塔，即从影像中根据一定数量的像素生成数量少得多的像素(通常为1/3或1/2)以代表这些像素。
常用的生成方式有抽样法、平均法、高斯法等。直接采样得到的金字塔效果往往难以令人满意，而用均值或小波处理后会达到较好的效果。
d.空间查询
空间数据库层具有空间查询的能力，允许应用层以直观的方式进行空间查询。在关系型数据库中，查询是以SQL这样高级的声明性语言来表达的，然后这些语言被数据库系统映射为针对索引和存储结构的操作。空间数据库支持的查询语句是GSQL，这是对标准SQL的扩展。在GSQL中，可以使用WITHIN、DISTANCE等具有空间特性的关键字进行空间查询。
作为另外一种方式，空间数据库层可以不成为数据库内置的组成部分，而是基于标准关系型数据库的空间引擎，它的地位同空间数据库层一样。这个引擎可以不实现GSQL，而是对外提供查询接口API。这些接口API提供了点查询、四边形查询、多边形查询、区域查询等能力，查询的结果仍然是一个记录集，调用方可以从该记录集中获取查询到的空间数据及属性数据。
查询内部必然会使用索引。采用Hilbert索引时，空间查询将会转化为针对索引值的筛选，形成一系列关于索引值的Between…and…语句。出于效率的考虑，查询的结果是不精确的，但是结果集中的记录数将远远少于整个数据集中空间对象的数目。这个结果集在使用时需要逐条筛选。