本发明属于港口规划设计领域，具体涉及了一种智能网联专用道的设置边界划定方法。
背景技术：
1、港口区域道路交通环境长期处于重载大型货车与小型私家车辆混行的状态，由于两者的驾驶动力学特性差异显著，导致了港口区域道路交通事故率居高不下。随着车路协同、自动驾驶技术的逐步成熟，智能网联自动驾驶集卡开始在港口物流运输作业中示范应用。智能网联专用道作为智能的交通基础设施，通过路侧层面的智慧化管控，对加快智能网联自动驾驶集卡的推广应用具有明显的推动作用。
2、另外，随着港口集装箱吞吐量的逐年增长，港口区域也慢慢向外延伸和扩张，现有的道路禁货政策通常以区域行政边界和道路等级属性为考量依据。港口货运车辆长期被限制在有限的空间范围内，由禁货政策导致的停驶和绕行使得港口整体物流运输效率不高。现有关于专用道的技术方法主要聚焦于解决专用道的优化和控制问题，缺乏科学划定专用道设置边界的相关技术研究；现有关于区域边界的技术方法，主要以宏观城市群、城市核心区的区域划分，尚未有道路级的边界划分方法，且相关技术方法亦不适用于特定的港口场景。
技术实现思路
1、本发明的目的是为了克服现有技术中的不足，面向科学划定智能网联自动驾驶车辆专用道的设置边界问题，提供一种智能网联专用道的设置边界划定方法，基于智能网联自动驾驶车辆od数据和土地利用数据，通过一定的处理方法，使得智能网联专用道的设置边界可以随着港口规模的变化动态调整，提升港口区域道路交通安全性和物流运输效率。
2、本发明的目的是通过以下技术方案实现的：
3、一种智能网联专用道的设置边界划定方法，包括以下步骤：
4、s1. 构建深度学习分类器：对所在路段的智能网联车辆单位时间运行频次、两侧土地利用混合度、路段属性、单位时间货车比例、车辆平均速度五类自变量特征进行深度学习，包括建立样本库、训练数据选取、训练决策树；
5、；
6、；
7、其中，表示路段两侧土地利用混合度，也称熵指数，反映某区域内各种土地功能类型的组合程度和土地利用效率；表示土地类型的poi数量占所在区域中总poi的比例；n表示路段所在区域中土地利用类型的总数，为自变量的特征值，为自变量特征的类别编号，为样本路段编号，为样本数据的数量；
8、s2. 划定初始智能网联专用道设置边界；
9、s3. 为保证路段连续性划定智能网联专用道边界；
10、s4. 为保证路段通畅性划定智能网联专用道边界；
11、s5. 确定智能网联专用道设置边界。
12、进一步的，步骤s1包括以下步骤：
13、s101. 建立样本库；
14、1011）选取至少5条已开通或拟开通的智能网联专用道路段、至少5条全时段或部分时段禁货路段、至少5条未设置智能网联专用道路段且没有施行禁货策略的路段作为样本路段并组成样本库，提取各样本路段的自变量和因变量特征值作为其样本数据；因变量特征值表示是否设置专用道y，若设置，则取值为1，反之取值为0；
15、1012）平衡自变量参数量纲；计算样本库中样本路段的各类自变量特征值的平均值和各类自变量特征值的方差，给定一个固定值d和，若则令，反复迭代计算，直到或；取满足条件的一组，令；
16、；
17、；
18、为自变量的特征值，为自变量特征的类别编号，为样本路段编号，为样本数据的数量；
19、s102. 选取训练数据；
20、1021）随机选取训练数据，对于样本库中至少15个样本路段，采用有放回的bootstrap采样，得到10个有重复样本且包含有至少15个样本路段的训练集；
21、1022）对于五类自变量特征进行两两组合，并随机分配给10个训练集，训练时将训练集中样本路段对应的两类自变量特征值作为输入，组成10个决策树训练集；每个决策树训练集的自变量特征值，定义为，为决策树训练集的编号，为决策树训练集分配到的自变量特征类别编号，为决策树训练集i中样本路段编号；
22、；
23、s103.训练决策树；
24、1031）决策数分裂规则；将决策树训练集中所有样本路段归入父节点，任选父节点中一个自变量特征值，将父节点中样本路段类自变量特征值与进行比较，将类自变量特征值小于的样本路段划分为a子节点，其余样本路段划分为b子节点，分别统计父节点和a、b两子节点中样本路段中因变量值为0和1的样本路段数量和和、和，计算以自变量特征值作为父节点的分支点获得的信息增益ig，依次遍历父节点样本路段的所有自变量特征值，以信息增益最大的自变量特征值为分支点，将父节点拆分为a、b两子节点；
25、式中，、、分别为父节点、a、b子节点的信息熵，和为a、b子节点的权值；
26、；
27、；
28、；
29、；；
30、；
31、1032）通过自变量特征值，在每个决策树的节点，根据信息增益ig最大化的原则确定自变量特征值进行分支；计算和中各自变量特征值的平均值，分别为和；s表示决策树训练集i的个数，由步骤1021）可知，s=10。
32、，；
33、1033）计算两个自变量特征值的分支值和；若子节点存在若干个自变量特征值，取得相同的分支值，则任取其中一个特征值作为分支值；
34、；
35、；
36、1034）分别按照和；和的规则，对决策树分支；计算各分支节点的值，；为对应的本节点层所有样本因变量的方差，分别为本节点层a、b子节点因变量的方差；
37、1035）将拆分获得的a、b子节点视为父节点，重复1031）-1034）的步骤，确定父节点的分支点，并将父节点拆分成a、b子节点，直到当前父节点中样本路段的因变量值相同，标定该父节点为末节点并停止拆分，当所有父节点均标定为末节点，即完成该决策树的训练；末节点包含的自变量特征值的平均值作为该决策树的输出y值。
38、进一步的，步骤s2包括以下步骤：
39、s201.获取目标区域各路段智能网联车辆单位时间运行频次、两侧土地利用混合度、路段属性、单位时间货车比例、车辆平均速度5类自变量特征值；将5类自变量特征值作为输入变量，输入到步骤s1构建的深度学习分类器，生成决策树，输出因变量y值；根据y值大小，划定初始智能网联专用道设置边界；
40、s202.若，判定对应决策树为智能网联专用道开通的特征样本，标记为i类；若，判定对应决策树为智能网联专用道关闭的特征样本，标记为ii类；若，标记为iii类，并转入步骤s3做进一步判别。
41、进一步的，步骤s3包括以下步骤：
42、s301. 在目标区域中，任选一条i类路段r1作为基准路段；计算与路段r1任意一个相邻路段r2的y值，并判断路段类别；并依次遍历所有目标区域路段并判断对应路段类别；
43、s302. 建立数据集合；数据集合包括边界集合、边界节点集合、孤子点集合、候选边界集合；其中，边界集合表示智能网联专用道为边界的路段集合；边界节点集合表示智能网联专用道为边界的两侧节点集合；孤子点集合表示智能网联专用道为边界的末端节点集合；候选边界集合表示智能网联专用道为候选边界的路段集合；
44、s303. 按照最短路原则，将所有边界节点集合与孤子点集合连接，使所有边界集合和候选边界集合的路段相互连通；新增的连接路段定义为iv类路段。
45、进一步的，步骤s301包括以下步骤：
46、3011）若路段r2为i类路段，则标记路段r2为基准路段，并将路段r1添加到边界集合中；
47、3012）若路段r2为ii类路段，判断r1其他相邻路段类别，若全部为ii类路段或无相邻路段，则将路段r1标记为孤子路段，r1的两个端点称为孤子点，并添加至孤子点集合；否则，将r1添加到边界集合，并将r1与所有相邻的ii类路段相交节点添加到边界节点集合中；
48、3013）若路段r2为iii类路段，则标记路段r2为基准路段，并将路段r1添加到候选边界集合中；
49、3014）按照前述步骤，依次对路段进行标记，若基准路段rn为i类路段或ii类路段，则重复3011）和3012）；
50、3015）若当前基准路段rn为iii类路段，进一步判断另一节点相邻路段rn+1的类别，转至3016）；
51、3016）若rn+1为i类路段，则将当前基准路段rn变更为i类路段，将rn从候选边界集合中移除，同时添加到边界集合中，并标记rn+1为基准路段；
52、3017）若rn+1为iii类路段，则标记路段rn+1为基准路段，将rn和rn+1合并为一条新的路段rn,n+1，并将路段rn,n+1添加到候选边界集合中；
53、3018）若rn+1为ii类路段，则将路段rn添加到候选边界集合中；标记rn与rn+1相交节点并将其添加到边界节点集合；
54、3019）重复步骤3011）—3018），遍历目标区域内所有路段，输出边界集合、候选边界集合、边界节点集合、孤子点集合。
55、进一步的，步骤s4包括以下步骤：
56、s401. 获取路网智能网联车辆od数据；智能网联车辆基于云控平台的调度指令运行，od数据是确定的；智能网联车辆k从节点r到节点s的单位距离运输成本，单位为：元/公里，记为；
57、s402. 建立出行成本最小化的目标函数；
58、；
59、其中，表示节点r到节点s的最短路径，单位：公里；表示路段ij的距离，单位：公里；表示节点r到节点s是否通过路段ij，若通过，则，否则；为补偿系数，表示智能网联车辆在非智能网联专用道上运行的成本补偿，取值范围在2~5；表示是否将iv类路段变为i类路段，若是，则，否则；为惩罚系数，单位：元/公里，表示将iv类路段转变为i类路段所产生的惩罚系数，取值范围在20~1000；
60、s403. 随机将iv类路段转变为i类路段；
61、将iv类路段编号，最大编号记为m；从左到右生成一组长度为m的包含0或1的字符串，即字符串；不同位数分别对应路段编号；每个位数的取值采用随机数函数rand()生成，如果rand()>0.5，则该位数取值为1，否则取0；字符串“101”表示编号1和3的iv类路段转变为i类路段，编号2 的iv类路段不发生改变；
62、s404. 计算并输出首次目标函数z1，记min z=z1；
63、s405. 输出最优目标函数值，若第n次输出的目标函数值zn<min z，则令min z=zn；
64、s406. 终止条件；重复s403至s405，当达到设定的最大迭代次数n1，或者目标函数z连续n2次迭代最小值仍未发生变化时，终止计算，并输出所有字符串；n2一个常数定值，由最大迭代次数n1决定，取值为n1/100。
65、进一步的，步骤s5包括以下步骤：将步骤s4中所有iii类路段转变为i类路段，将所有iv类路段转变为ii类路段，最终路网结果仅包含i类路段和ii类路段；至此，i类路段所围合的边界即为智能网联专用道设置边界。
66、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述智能网联专用道的设置边界划定方法的步骤。
67、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述智能网联专用道的设置边界划定方法的步骤。
68、与现有技术相比，本发明的技术方案所带来的有益效果是：
69、本发明方法解决了长期以来专用道设置边界以及专用道非连续性的科学问题，特别是港城融合区域内专用道科学布设问题。此外，基于车辆od出行大数据，计算并求解出不同智能网联专用道设置边界划分下的系统出行成本，保障了车辆运输通畅性，提高区域运输效率。对此，本发明基于深度学习技术，构建了决策分类器，科学决策智能网联专用道划定条件；采用了多层级智能网联专用道划定方法，兼顾了智能网联专用道设置边界的科学性的同时，保障了专用道设置的连续性和通畅性，最大化提高港口区域道路交通安全性和物流运输效率；为保障通畅性目标，建立了出行成本最小化的目标函数，采用了基于启发式算法原理的方案优化方法，实现了交通网络的系统性最优。
1.一种智能网联专用道的设置边界划定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求3所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求4所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s301包括以下步骤：
6.根据权利要求1所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s4包括以下步骤：
7.根据权利要求1所述一种智能网联专用道的设置边界划定方法，其特征在于，步骤s5包括以下步骤：将步骤s4中所有iii类路段转变为i类路段，将所有iv类路段转变为ii类路段，最终路网结果仅包含i类路段和ii类路段；至此，i类路段所围合的边界即为智能网联专用道设置边界。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述智能网联专用道的设置边界划定方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述智能网联专用道的设置边界划定方法的步骤。
