智能交通综述

3.2 公交车出行推荐的研究
陈丽佳,邹峥嵘等[5]提出基于 Dijkstra 的智能选择换乘线路的实现算法,根据公交换乘的 特殊性，采用一种新式堆结构——“配对堆(pairingheap)”来实现优先队列，新的算法在原 始 Dijkstra 算法的基础上,为每个网络节点增加了一个指向堆节点指针,在算法遍历到新节点 时,需要构造配对堆节点,并动态更新配对堆。改进了传统 Dijkstra 算法在公交换乘方面的时 间和空间复杂度。 Won Joo Lee, JaegeolYim 等[6]设计并实现一个寻找出发点到目的点之间的最短路径的
2.1 智能交通系统主要子系统
交通管理系统(Traffic Management System，TMS）是智能交通系统的最重要组成部分， 也是城市智能交通系统的重要基础部分。交通管理系统的主要体现在集成性、预测性、主动 性、实时性等方面，即集成了众多交通管理功能，并基于全面的检测信息及预测分析进行主 动性交通管理，摆脱被动适应性管理的滞后性。 交通信息服务系统（Traffic Information Service System，TISS）主要面向公众出行者， 利用无线与有线通信手段，以文字、语音、图形、视频等形式实时动态地提供与出行相关的
[������(������, ������)]������ ∙ [������(������ , ������)]������ P i, j = [������(������ , ������)]������ ∙ [������(������ , ������)]������
公式(2)
信息素更新公式如公式(3)所示：
2. 智能交通系统简介
智能交通系统作为一个信息化的系统， 它的各个组成部分和各种功能都是以交通信息应 用为中心展开的，因此，实时、全面、准确的交通信息是实现城市交通智能化的关键。从系 统功能上讲，这个系统必须将汽车、驾驶者、道路以及相关的服务部门相互连接起来，并使 道路与汽车的运行功能智能化，从而使公众能够高效地使用公路交通设施和能源。
智能交通推荐系统综述
刘景明 摘 要： 信息超载是目前网络用户面临的一个严重问题， 个性化推荐系统是解决该问题的一 个有力工具。同样的，在智能交通研究领域中，根据各类交通及出行相关信息的智能推荐系 统可以为司机或出行者提供相关的推荐服务， 使得用户能够最大化地使用有限的城市交通资 源， 这在某种程度上也可以缓解城市交通压力和日益增长的出行时间。 本文综合分析了智能 交通推荐相关的研究热点，为未来的在智能交通推荐领域提供研究方向。 关键字：智能交通 推荐系统 算法
4.4 蚁群算法
蚁群算法(Ant Colony Optimization)[14]是一种基于种群寻找最短路径的启发式搜索算 法，算法通用性强，利用正反馈原理自适应的解决问题。个体运动过程中会在路径上留下信 息素， 其他个体会根据信息素浓度选择前进的路线。 蚁群算法中路径转移概率公式和信息素 的更新公式如公式(c))所示：
4. 智能交通推荐相关的算法
4.1 Dijkstra 算法
Dijkstra 算法[11]是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最 短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。 算法步骤： a.初始时， S 只包含源点， 即 S＝{v}， v 的距离为 0。 U 包含除 v 外的其他顶点， 即:U={其 余顶点}， 若 v 与 U 中顶点 u 有边， 则<u,v>正常有权值， 若 u 不是 v 的出边邻接点， 则<u,v> 权值为∞。 b.从 U 中选取一个距离 v 最小的顶点 k，把 k，加入 S 中（该选定的距离就是 v 到 k 的 最短路径长度） 。 c.以 k 为新考虑的中间点，修改 U 中各顶点的距离；若从源点 v 到顶点 u 的距离（经过
5.1 数据安全问题
进行协同推荐时需要掌握用户的兴趣偏好等用户信息， 但用户担心个人数据得不到有效 保护而不愿暴露个人信息，如出行时间、目的地、偏好地等，因此，现有的推荐系统很难被 一些关注隐私的用户接受或者很难应用在一些隐私要求较高的领域。 这是协同推荐长期存在 的一个问题。 既能得到用户信息而提高性能， 又能有效保护用户信息的推荐系统将是未来的 一个研究方向。
推荐系统。分析了现有公交换乘算法不能实现跨站换乘，即使这两个公车站相距很近。提出 一种结合步行的新的公交换乘算法，将两个可以步行来往的（小于 100 米）公车站看作一个 站，使用 Dijkstra 算法找出最短的乘车路径。
3.3 其他方面推荐的研究
邵阔义，班晓娟[7]提出了一种基于交通网络数据优化的地理信息推荐系统。该系统在 协同过滤推荐模型基础上结合交通网络数据的地理信息对推荐算法进行改进， 首先利用传统 的协同过滤算法对数据集进行预处理， 而后将地点上下文加入进来， 生成包含基于交通网络 数据地点上下文的新的数据集， 再结合地理信息推荐算法进行实验， 获得了更优的推荐结果。 刘龙[8]提出了一个能实现个性化实时路径推荐服务的推荐系统框架，该系统能够为驾 车旅行者提供基于车与车通信的实时个性化的路径推荐服务。 该推荐服务主要利用车与车通 信收集路径信息、个性化需求信息以及实时交通信息，根据路径信息和个性化路径偏好，利 用模糊逻辑和多目标决策的方法对所有候选路径进行打分， 根据驾车旅行者的个性化需求和 实时的环境信息，利用遗传算法来搜索并生成最优路径推荐给驾车旅行者。 潘义勇，马健霄等[9]提出一种基于可靠性理论建立了动态随机网络环境下自适应最可 靠路径的算法， 反映交通网络中考虑可靠性的路径选择行为， 定义行程时间可靠度为路径的 目标函数， 建立动态随机网络自适应最可靠路径模型反映交通网络的耗时随机特性、 时变特 性和风险性；通过最优化理论把该问题转化为动态规划问题构造动态规划算法求解该问题， 并针对实际交通网络展开数值试验。 研究结果可为智能交通系统路径诱导子系统提供理论支 撑和核心技术。 Xijun Zhang, Zhanting Yuan[10]研究了基于位置大数据的交通流的预测，给出基于位置 大数据的智能交通过程的总体设计。 通过数学模型深度挖掘和分析了兰州市的 GPS 大数据， 从而得到了清楚的城市交通分析图表来预测交通流量。
������
������
������������������ =
������������������ − ������������������
������ =1
公式(1)
������
其中λ 可以随意取值，可以是负数，也可以是正数，或是无穷大。
4.3 遗传算法
遗传算法(Genetic Algorithm)[13]是一种随机搜索启发式算法， 特点是直接对结构对象进 行操作，没有函数求导的限制，采用概率化寻优的方式并行搜索。遗传算法推荐路径的原理 是，结构化编码路径中的染色体，根据适应度函数 F(x)计算适应度值，应用“自然选择”的 思想从种群中依据概率随机选取，选择概率 P=F(x)/Σ F(x)，对优秀个体进行选择、交叉和 变异操作，产生新一代的候选解群，从中挑选优秀个体重复遗传操作，直到满足某种收敛指 标为止。
3.1 出租车出行推荐的研究
孔蕙心[2]研究一种基于实时客流分布的路线推荐算法，为空载出租车司机推荐空载穿 行时间短且载客概率高的出行路线。 提出对推荐路线的衡量标准 PVC （Potential Vacation Cost） 方程，用来计算每条路线的潜在空载开销，并设计出出租车出行路线的最小开销推荐算法。 宋庆怡[3]已海量出租车轨迹数据为研究对象，以智能打车推荐为应用目标，建立对轨 迹数据的分布式处理框架和挖掘分析系统， 并实现在线的查询与推荐服务。 解决的问题包括： 轨迹预处理、轨迹数据聚类、轨迹数据査询、预测和推荐模型建立等多个方面。 SantoshThakkar, SupriyaBhosale 等[4]提出了一种基于时空分析的在线出租车推荐系统， 分析了高利润的出租车司机的接送行为和大量的载客出租车的行车轨迹， 使用网格聚类算法 结合时空分布分析，帮助出租车司机决定最佳载客地点，减少等待时间，获得更多利润。
v'=w0∙vi+c1∙r1(pbi-xi )+c2∙r2(gbi-xi )
公式(4)
5. 智能交通推荐的研究重点、难点及发展方向
大数据、 云计算等技术为智能交通发展提供了强大的工具。 在智能交通规划设计中利用 大数据分析、 云计算的概念与理念。 但同时大数据分析和云计算技术在智能交通应用领域同 样面临着巨大挑战[16]，在智能交通推荐系统中存在的问题主要包括数据安全问题、评分问 题和非实时问题。
1. 前言
近年来，交通拥堵问题越来越成为制约城市发展的瓶颈问题。然而，由于资金、用地等 客观条件的制约， 以道路面积追车辆数量的方法并不现实。 信息技术的快速发展为交通问题 的解决带来了新的方向。 借助于监测、 通信和控制等新一代的信息技术应用的智能交通系统 （Intelligent Transportation System，ITS）应运而生[1]。在智能交通研究领域中，出行规划 推荐、 行车路线推荐和用户个性化推荐等是比较热门的方向。 已有众多的学者对智能交通的 推荐问题进行了研究。
2.2 智能交通新技术的应用探索
随着现代交通技术与电子、通信、计算机等技术的发展，如 RFID 和智能手机的广泛应 用、大数据分析与云计算技术的出现等，为智能交通系统的快速发展提供了强有力的支撑。
3. 国内外相关研究现状
由于智能交通系统是一个庞大复杂的系统， 研究者们一般会选取某一个子系统的某一个 方向去研究，目前比较的热门的研究是路径规划，出行推荐，个性化推荐等方向。
τ(j)=(1-ρ)∙τ(j)+ρ∙τ0
公式(3)
信息素 τ 表示某时刻节点 i 与节点间的信息量启发信息， η 表示节点转移的期望程度， α、 β 是常数。ρ(0 <ρ< 1)表示信息素挥发因子，τ0 表示局部更新的常数，是信息素的初始值。