CN101465057B - 智能式动态路线诱导系统诱导子区协调方法 - Google Patents

Abstract

本发明公开了一种智能式动态路线诱导系统诱导子区协调方法，包括以下步骤：1.将诱导子区内相同路口诱导单元进行协调，从知识库提取最优诱导信息，重新预测连接路口的路段的饱和度；2.加入诱导信息后，从诱导子区的最上游路口开始，根据步骤1)预测得到的连接路口的路段饱和度，重新对下游相关路口的诱导单元状态进行调整；3.如果下游路口诱导单元状态不发生改变，则该两个路口之间的协调结束；反之，对下游路口相关诱导单元状态进行调整。本发明在智能式DRGS框架下，将诱导子区内相互独立的诱导单元通过诱导单元状态联系起来，同时反映上游诱导单元交通流，相同路口其它诱导单元交通流对决策诱导单元的影响。

Description

智能式动态路线诱导系统诱导子区协调方法

技术领域

本发明涉及交通控制系统，特别是涉及一种智能式动态路线诱导系统诱导子区协调方法。

背景技术

动态路线诱导系统(Dynamic Route Guidance System，DRGS)是智能交通系统的重要组成部分，是提高路网系统效能的重要手段，其主要作用是通过对交通流路径引导，充分利用道路网的通行能力，使路网保持通畅，减少出行时间。DRGS提出20多年来，很多学者为其发展付出了很大的努力并取得了一些成果，其中影响最大的为交通中的最短路径问题，参见Proceedings of the Eighth Inernational Federation of Automatic Control(IFAC)Symposium on Transportation Systems.June.1997(2)：551-556.(第八届国际自动控制联合会智能交通系统会议)的文章A new algorithm for shortest paths in discrete dynamic networks.in：Papageorgiu，M.，Pouliezos，A.(求解离散动态网络最短路的一种新算法)

和基于动态交通分配的方法，参见Intelligent Transportation Systems.2004(10)：491-496.(智能交通系统)的文章

Integrated model predictive control of dynamic route guidance information systems and ramp metering.(动态路线诱导信息系统和匝道仪控的集成模型预估计控制)和Intelligent Transportation Systems.2004(10)：465-470.(智能交通系统)的Car navigation with route information sharing for improvement of traffic efficiency.(提高交通效率的共享路径信息汽车导航)以及Transportation Research Part C.2003(11)：375-388.(交通研究，Part C)的Evaluation of a reactive dynamic route guidance strategy.(交互式动态路线诱导策略的评价方法)等。这些方法都是以已知或预测交通需求OD矩阵为前提，给出的诱导信息是从出发点到目的地的完整路径。由于交通流的复杂性和不确定性，对于一个实时的交通诱导问题，交通需求从根本上就是不可预知的，出行者按照诱导系统给出的完整路径信息出行时，由于时间较长而交通流状态发生了改变，导致诱导系统给出的路径往往并不是最优路径，因此一个有效的诱导系统应是根据当前交通状态给出瞬时诱导信息，通过多个诱导子系统将这些分散的诱导信息联系起来，形成一个完整的诱导路径。

马寿峰等在IEEE Inteligent Transportation System Comference Proceedings-Oakland(CA).(智能交通系统国际会议.奥克兰，美国)上发表了AI-based Dynamic Route Guidance Strategy and Its Simulation.，USA.2001：25-29.(基于人工智能的动态路线诱导系统诱导策略及仿真研究)，提出了基于机器学习的智能方法解决交通诱导问题，具有较强的实用性，为研究DRGS寻找到了一条新途径。从功能结构考虑，一个智能DRGS包括若干个相互协调的诱导子系统，每个诱导子系统包含若干个诱导决策单元(以下简称诱导单元)。诱导单元是DRGS的基本组成元素，图1示意了动态路线诱导系统诱导子区协调方法的流程。每个诱导单元都有一块安装在靠近路口的诱导信息板(Variable message signs，VMS)，用以显示到前方主干道的路径诱导信息。智能DRGS的原理是应用人工智能中的机器学习与推理来处理交通流的短时预测与交通诱导问题。其系统框架如图2所示。车辆实时诱导系统包括状态提取、状态辨识、实时诱导决策、效果检测、效果评价、机器学习、知识库和推理机制等模块，可划分为实时诱导和学习两个回路。实时诱导回路根据交通流短时预测和系统辨识出来的诱导单元状态在诱导信息库中提取当前状态对应的最优诱导信息，并将该诱导信息通过VMS应用于路网。学习回路包含两个功能，一方面对正在学习中的预测策略、诱导信息检验预测和诱导效果，搜索最优预测数据和当前状态对应的最优诱导信息；另一方面对知识库中保存的通过机器学习得到的诱导信息进行不断的检验，以便更新知识库中的知识。

智能动态路线诱导系统中，为了加快诱导信息收敛速度并使之易于评价，需要将整个路网按一定规则进行细化，划分为不同诱导子区，区域内各诱导子系统以及不同子区之间相互协调，使路网达到良好的诱导效果。

发明内容

为了解决现有技术中存在的问题，本发明提供一种智能式动态路线诱导系统诱导子区协调方法，在智能DRGS框架的基础上，对DRGS中诱导子区内部协调策略进行的研究，解决了以往DRGS模型不完善，算法复杂，诱导信息准确率低的问题。

本发明的技术方案为：

一种智能式动态路线诱导系统诱导子区协调方法，包括以下步骤：

1)将诱导子区内相同路口诱导单元进行协调，从知识库提取最优诱导信息，根据最优诱导信息，结合当前路网交通流状态，重新预测连接路口的路段的饱和度；

2)加入诱导信息后，从诱导子区的最上游路口开始，根据步骤1预测得到的连接路口的路段饱和度，重新对下游相关路口的诱导单元状态进行调整；

3)如果下游路口诱导单元状态不发生改变，则该两个路口之间的协调结束；反之，对下游路口相关诱导单元状态进行调整，并重新提取的最优诱导信息，依次调整该路口的下游路口诱导单元状态及诱导信息。

所述步骤1)中相同路口诱导单元协调方法包括以下步骤：

(1.1)对相同路口的诱导单元交通供给路段的交通流(由统计数据得到)从大到小进行排序，得到序列化的相同路口诱导单元其中

为路口k的诱导单元数量。初始化i＝0，j＝0，ξ^*＝+∞；其中i为诱导单元序号，j为诱导信息交互次数，ξ^*为相邻两次诱导信息交互的差异。

(1.2)不加入其它诱导单元诱导信息，根据上一诱导周期的转弯比例估计需要决策的诱导单元交通供给路段饱和度，从诱导知识库中提取诱导单元状态对应的最优诱导信息

(1.3)诱导信息交互次数增1，即j:＝j+1；

(1.4)诱导单元序号增1，即i:＝i+1；

(1.5)对于诱导单元

加入其它诱导单元诱导信息

影响后，得到新的路网状态，从诱导知识库中提取诱导单元

状态对应的最优诱导信息

其中ξ_j，i表示诱导单元

第j次诱导信息与第j-1次诱导信息的差异；如果

继续；否则转1.4；

(1.6)如果j^*＝j；j^*表示整个诱导信息交互过程中，当前与前一循环诱导信息差异最小的交互序列号。

(1.7)如果j＞η_max或ξ^*＜ξ_max，则取

为下一周期诱导信息，转1.8；否则转1.3；

(1.8)结束。

所述诱导子区是指路网中相邻的、需要协调的、若干个诱导单元组成的交通区域，诱导子区内各诱导单元采用相同诱导周期，并且在子区内部进行诱导方案的协调。

与现有技术相比，本发明的有益效果是：在智能式DRGS框架下，本发明将诱导子区内相互独立的诱导单元通过诱导单元状态联系起来，能同时反映上游诱导单元交通流，相同路口其它诱导单元交通流对决策诱导单元的影响，通过仿真试验取得了较好的效果。本发明的实施步骤较为简单，没有引证传统方法中大量的矩阵运算，易于实施，且通过仿真模型验证，证实了方法的有效性。

附图说明

图1为本发明智能式动态路线诱导系统诱导子区协调方法流程图。

图2为智能DRGS系统框架图；其中1为诱导信息板、2为交通流过程、3为状态提取、4为状态辨识、5为实时诱导决策、6为效果检测、7为效果评价、8为机器学习、9为知识库、10为推理机制。

图3为智能DRGS组成元素示意图。

图4为多诱导单元交通流示意图。

图5为诱导仿真路网示意图。

图6为无诱导子区协调下诱导单元V₅的状态估计精确度图；其中横坐标为诱导周期，纵坐标为状态估计准确度。

图7为有诱导子区协调下诱导单元V₅的状态估计精确度图；其中横坐标为诱导周期，纵坐标为状态估计准确度。

图8为无诱导子区协调下目标区域均衡度图；其中横坐标为诱导周期，纵坐标为目标区域均衡度。

图9为存在诱导子区协调下目标区域均衡度图；其中横坐标为诱导周期，纵坐标为目标区域均衡度。

图10仿真平台层次结构图；其中11为初始化模型、12为路网生成模型、13为车辆生成模型、14为控制诱导设备模型、15为仿真内核、16为车辆行驶模型、17为控制诱导设备运行模型、18为人机交互模型、19为仿真参数设定模型、20为动态显示模型、21为数据库管理系统、22为数据库交互接口、23为控制与诱导协调系统、24为控制与诱导交互接口。

图11城市微观交通流仿真系统运行流程图。

图12目标车道区域划分图；其中25为观察信号灯区域、26为禁止超车区域、27为允许超车区域、28为路口。

图13非目标车道区域划分；其中29为减速换道区域、30为允许超车和换道区域、28为路口。

图14非目标车道上，停车等待位置示意图；其中28为路口、31为停车等待换道元胞、32为当前车道、33为目标车道。

图15路口中的车道示意图；其中34为汇入冲突、35为直行左转冲突。

图16车辆在目标车道中各区域流程图。

图17车辆在非目标车道中各区域流程图。

图18直行左转冲突仿真效果示意图。

图19车道上元胞处理顺序图；其中28为路口、36为处理顺序、37为车道序号、38为高位车道、39为低位车道、40为0号元胞、41为1号元胞。

图20车辆超车过程示意图X超车车辆；A2被超车辆；其他为影响超车车辆；42为超车前，判断是否超车；43为超车中，加速行驶；44为超车中，换回原车道；45为原车道，46为超车车道。

图21路口生成图；其中图21a为用户输入信息，图21b为计算各道路垂线，图21c为根据垂线生成车道扩充，图21d为根据最外部车道线确定路口结构点，图21e为根据路口结构点生成路口停车线，图21f为生成后的路口。

具体实施方式

下面结合附图对本发明做进一步详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。

诱导信息标志所在路段的交通流为该诱导单元将要被诱导的交通流，一个诱导单元诱导的交通流分为多个方向，各方向的交通流的主要吸纳点称为该诱导单元交通流的目标终点，一般一个诱导单元的目标终点不超过3个。

智能DRGS的目标是路网交通流的均衡，使交通流均匀地分布在各路段上，从而达到充分利用道路网通行能力的目的。诱导单元h在周期p均衡度

计算公式为：

其中

$S_O^{\mathrm{ihp}}=\frac{\underset{j\∈N_i^h}{\mathrm{\Σ}}\underset{k=0}{\overset{T_h-1}{\mathrm{\Σ}}}{N}_V^{\mathrm{hpjk}}}{T_h\underset{j\∈G_i^h}{\mathrm{\Σ}}{C}_j}---\left(2\right)$

表示诱导单元h的目标区域i在周期p的饱和度；

表示诱导单元h的所有目标区域平均饱和度；N_h表示诱导单元h的目标区域个数；O_h表示诱导单元h的目标区域集合；T_h表示将一个诱导周期离散后的时间段数；C_j为路段j的通行能力；

为诱导单元h诱导周期p时刻k路段j上的车辆数；

表示诱导单元h目标区域i中路段集合。诱导目标区域见图3，为一个周期内被诱导的车辆所能到达的区域。

当诱导单元诱导信息板所在路段的下游路口相同时，这些诱导单元的决策需要进行协调。如图4所示，D为诱导单元的目标终点，诱导单元V₁、V₂、V₃所在的路段的下游路口都为C₁，下一诱导周期路段R₁上的交通流2由上游路段的三部分交通流构成，分别为路段R₄上交通流1右转部分、路段R₃上交通流7直行部分和路段R₂上交通流5左转部分。因为交通流1、7、5在下游路段的转弯比例是由各自路段VMS的诱导信息决定的，因此诱导单元V₁、V₂、V₃需要经过协调，决策各自诱导信息，进而通过VMS影响交通流1、7、5流入路段R₁的比例。

相同路口各诱导单元的协调原理实际上就是通过协调机制，将其它诱导单元下一诱导周期的诱导信息对交通流的影响转化为需要决策的诱导单元相关路段的流入流量，从而使诱导单元状态的提取只与交通流流量直接相关，不受其它诱导单元诱导信息和诱导周期的影响。

取诱导单元各路段的综合饱和度作为状态向量的分量来描述路网的状态。考虑到诱导周期p结束时刻做出诱导决策U(p)是对下一个诱导周期(p+1)有关区域的交通流分配起作用的，因此决策U(p)应当依据两个方面的状态分量：一部分是反映交通需求的状态分量，即下一个诱导周期(p+1)将会有多少车流进入到该诱导区域；另一部分是反映交通供给状态分量，即可能接受这些车流的目标区域在诱导周期(p+1)将出现的交通流分配情况。如图4所示，诱导单元V₁的交通供给路段为路段2、4及其下游路段，路段2下一诱导周期的交通流受相同路口诱导单元V₂、V₃诱导信息的直接影响；诱导单元V₁的交通需求路段为路段1，如图4所示，交通需求路段的交通流与相同路口其它诱导单元决策信息无关，因此只需考虑在有其它诱导单元诱导信息影响下的交通供给路网状态。通过将同一路口各诱导单元的决策信息反复交互的方法，对诱导信息进行决策。

相同路口各诱导单元的相互影响中，其它诱导单元仅对决策诱导单元的交通供给路段产生影响，但在一个诱导子区范围内，上游诱导单元对下游诱导单元的交通需求和供给路段都产生影响。如图4，如果车辆在路段R1，R7的行驶时间小于诱导周期，则会对诱导单元V6的交通需求路段R7产生影响，对诱导单元V4的交通供给路段R5，R6产生影响。

诱导子区是通过以路口为单位联系在一起的诱导单元进行协调的，即先对诱导子区内相同路口诱导单元进行协调决策，然后将这些路口通过这些路口之间的路段联系起来。

参见附图4(设周期p＝800)：

1)对相同路口的诱导单元交通供给路段的交通流由统计数据从大到小进行排序，得到序列化的相同路口诱导单元

其中

为路口k的诱导单元数量。初始化i＝0，j＝0，ξ^*＝+∞；其中i为诱导单元序号，j为诱导信息交互次数，ξ^*为相邻两次诱导信息交互的差异。本实施例对路口2，12的诱导单元交通供给路段的交通流由统计数据从大到小进行排序，得到路口2的序列化的诱导单元为：V₁，V₂；路口12的序列化的诱导单元为：V₄，V₅，V₃；；

2)不加入其它诱导单元诱导信息，根据上一诱导周期的转弯比例估计需要决策的诱导单元交通供给路段饱和度，从诱导知识库中提取诱导单元状态对应的最优诱导信息

本实施里设周期为800，根据周期799的转弯比例得到需要决策的诱导单元交通供给路段饱和度，相关路段的饱和度见表1：

对路口2根据各诱导单元路段饱和度，从诱导知识库中提取诱导单元状态对应的最优诱导信息，同理，对路口12，从诱导知识库中提取诱导单元状态对应的最优诱导信息，

3)j加1；

4)i加1；

5)对于诱导单元

加入其它诱导单元诱导信息

影响后，得到新的路网状态，从诱导知识库中提取诱导单元

状态对应的最优诱导信息

其中ξ_j，i表示诱导单元

第j次诱导信息与第j-1次诱导信息的差异；如果

继续；否则转4)；本实施例对于诱导单元

加入相同路口其它诱导单元V₂的影响(即加入预测转入的车辆)，得到新的路网状态，根据路网状态从数据库中提取的最优诱导信息为

计算ξ_j，i，不断重复4、5步骤，直到i＝2；得到

6)如果

j^*＝j；j^*表示整个诱导信息交互过程中，当前与前一循环诱导信息差异最小的交互序列号。本实施例因为

小于上个循环中的相邻两次诱导信息交互的差异4，所以

j^*＝3；

7)如果j＞η_max或ξ^*＜ξ_max，则取

为下一周期诱导信息，转8)；否则转3)；取

为路口2下一周期诱导信息；同上述步骤，路口12的下一周期(周期801)的诱导信息分别为：

8)加入诱导信息后，从诱导子区最上游路口开始，根据步骤1预测得到的连接路口的路段饱和度，重新对下游相关路口的诱导单元状态进行调整；本实施例从诱导子区最上游路口2开始，根据步骤1预测得到的连接路口的路段饱和度，重新对下游相关路口的诱导单元状态进行调整；

9)如果下游路口诱导单元状态不发生改变，则该两个路口之间的协调结束；反之，对下游路口相关诱导单元状态进行调整，并重新提取的最优诱导信息，依次调整该路口的下游路口诱导单元状态及诱导信息；本实施例经过调整得到最后V₁，V₂，V₄，V₅，V₃的诱导信息分别为：6:4:0；0:5:5；2:3:5；4:2:4；3:4:3。

为了说明本发明的智能DRGS诱导单元决策方法的有效性，本发明对诱导子区有无诱导协调进行了多次实验，限于篇幅，仅给出一组具有代表性的试验结果及分析。仿真实验在我们开发的基于元胞自动机原理的微观仿真平台上进行，车速、流量、控制信号等数据通过仿真软件提取，诱导周期设为250秒，自由流速度为16米/秒，每个实验仿真900个诱导周期。仿真路网如下图5，包含两个路口共5个诱导单元，诱导单元参数见下表2。现仅提取图5中诱导单元相关的主要路段长度及通行能力，见下表3。

                  表2 诱导单元参数表

                 表3 主要路段长度及通行能力

路段	长度(m)	通行能力(pcu/h)	路段	长度	通行能力(pcu/h)
						1	673	1300	21	904	1700
2	955	1200	31	866	1700
						3	615	1600	33	714	1600
4	872	1700	34	901	1700
						14	841	1500	35	610	1200

15	828	1300	38	957	1500
						16	830	1600	39	656	1400
18	636	1600	50	940	1200
						19	802	1200	52	633	1500
20	748	1500	53	608	1300

仿真实验结果

诱导单元状态估计准确度比较试验结果

诱导单元状态的估计需要提取相关路段当前饱和度、同路口诱导单元诱导信息、上游诱导单元诱导信息，因此诱导子区内各诱导单元之间的协调实际上是通过提取诱导单元状态实现的。诱导单元状态估计的准确程度需要在下一诱导周期得到验证，因此可以用诱导单元状态估计的准确程度反映诱导单元协调的有效性。诱导单元状态估计精确度δ的计算公式为：

$\mathrm{\δ}=1-\sqrt{\frac{1}{L}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left(\frac{|z_k-{\tilde{z}}_k|}{L_e}\right)}^2}---\left(3\right)$

其中L表示诱导单元状态向量的长度，L_e表示路段饱和度等级数量，z_k表示实际诱导单元状态向量的第k个分量的饱和度等级，表示

表示估计状态向量的第k个分量的饱和度等级。在上述条件下对有无诱导子区协调的诱导单元状态估计准确度进行仿真试验，将实验结果通过公式(3)计算出诱导单元V₅的状态估计精确度，并将两种条件下精确度比较，如图6，图7所示。

目标区域均衡度比较试验结果

对上述条件下对有无诱导子区协调的诱导效果进行仿真试验，将实验结果通过公式(1)、(2)计算出评价区域(图5椭圆线部分)均衡度，并将均衡度变化进行比较，如图8、图9所示。

结果分析

1)从图6可以看出，在无诱导子区协调下，诱导单元V₅的状态估计精确度较低，且波动幅度较大；如图7所示，在有诱导子区协调下，诱导单元V₅的状态估计精确度明显变高，且状态估计较为稳定。这是因为在无诱导子区协调下，各诱导单元相互独立，不能准确预测即将进入到诱导单元供给和需求路段的交通流，从而使诱导单元状态估计存在较大的不确定性，而通过诱导协调，能够较为精确的预测在下一个诱导周期内，上游诱导单元进入到下游诱导单元的交通流，相同路口其它诱导单元进入到决策诱导单元的交通流，而诱导单元状态是这些交通流在路网上饱和度的体现，所以该条件下诱导单元状态估计较为准确。

2)从图7可以看出，虽然存在诱导协调，但是仍不能完全准确的估计诱导单元V₅的状态，这是因为下一诱导周期进入到诱导单元区域的交通流仍存在一定的不确定性，如从路段51右转进入到路段39的交通流只能通过前面诱导周期流入情况滚动进行估计，存在一定的误差，加上交通流在路口延误等因素的影响，造成了诱导单元状态估计不完全准确且存在一定的波动。

3)从图8可以看出，随着时间的推移，诱导目标区域均衡度呈上升趋势，且均衡度波动幅度变小，但是在接近900诱导周期附近，目标区域均衡度仍然较小，且波动幅度较大，表明即使没有进行子区诱导单元协调，仍能体现出诱导效果，但诱导效果不明显。如图9所示，存在诱导协调的诱导系统作用很明显，开始开始均衡度波动大，随着时间的推移，均衡度波动逐渐减小，经过约400个诱导周期后，系统进入了较为稳定的运行区间，均衡度高，波动小，诱导效果较为理想，表明本文提出的诱导子区协调方法是有效的。

本发明中所使用的基于元胞自动机原理的微观仿真平台是我们自己开发的城市微观交通流仿真系统。下面对本基于元胞自动机的城市微观交通流仿真系统做详细说明。

1.仿真系统结构

仿真系统主要由车辆行驶模型、初始化模型、人机交互模型以及数据库管理系统组成，如图10。初始化模型由路网、车辆以及控制与诱导设备的生成模型组成，主要是根据人机交互模型提供的各种需求，对交通仿真主体—道路网络、车辆、以及控制诱导设备的物理参数、几何参数、统计规律等进行定义，作为仿真内核运行所必须的外部参数。仿真内核则由车辆行驶模型与控制诱导设备运行模型组成，负责车辆在道路与路口的行驶，以及检测器交通流检测、信号灯色显示、诱导显示屏信息发布等。人机交互模型则负责用户对仿真系统中各种参数的设定以及整个交通网络的屏幕显示工作的完成。数据库管理系统负责用户输入数据等的保存与管理。

2.交通流仿真设计

结合Visual C++6.0程序开发平台，图11给出了该仿真系统的运行流程：

“开始按钮”触发系统运行，调用消息响应函数CTrafficView::OnRun()，在该函数中，初始化模型中的各实体首先得到初始化，随后开启车辆行驶与动态显示两个线程，仿真系统将在这两个线程间进行切换，从而实现车辆移动与车辆显示的功能。

线程1，车辆行驶函数CSimuFun::Vehicle_Go_Ahead()包含负责诱导信息更新的函数、检测器工作函数、道路及路口车辆前进的函数。其中，诱导信息更新函数，负责根据诱导周期定时到通信缓冲区中取得诱导系统传输过来的最新的诱导数据；而检测器则根据元胞是否被占据检测经过检测器的车辆，并存入指定数组，实现数据的采集；通过对道路以及路口元胞的遍历，调用CVehicle::Vehicle_at_Road和CVehicle::Vehicle_at_Cross分别实现两个部分中车辆的移动。

线程2，则使用双缓冲技术对在屏幕上画图。为了产生动画效果，由于，需要对路网结构与每次都发生位置变化的车辆进行不断重画，如果采用直接的屏幕刷新方法，由于画图需要一个画与显示的过程，不能瞬间完成，因此路网的闪烁是不可避免的，尤其在使用Sleep()函数，降低仿真速度时则愈加明显。所以，使用双缓冲技术，在每次重画前，先将路网与车辆画在内存中，然后将内存中的图片一次性贴到设备上，从而避免了画图中画与显示交织的过程，因此可以有效的避免屏幕的闪烁问题。

3.车辆在道路上行驶规则设计

按车辆在道路上所处的车道将车辆行驶规则分为两类：在目标车道上行驶规则与非目标车道上行驶规则。这里定义目标车道为：可以通往下一条道路的车道，如车辆行驶路径上的下一条道路为当前道路的左转道路，则当前道路的左转车道为目标车道。下面分别对两类行驶规则作以介绍。

3.1 车辆在目标车道上行驶规则

按照车辆距离路口的长度，对非车辆目的地的车道进行区域划分，处在不同区域的车辆有着不同的行为规则。将目标车道上的区域划分为：允许超车区域、禁止超车区域、观察信号灯区域，如图12(本系统假设已在目标车道上的车辆不再产生换道意愿)。各部分流程如图14。

3.2 车辆在非目标车道上行驶规则

同样，按照车辆当前距离路口长度，对非车辆目的地的非目标车道进行划分，如图13。其中禁止换道线为道路进入路口前禁止车辆换道的区域，进入该区域车辆均已在目标车道上，所以该部分算法在非目标车道上并不存在，禁止换道线在实际的城市交通中一般用实线表示，而虚线则表示可以换道区域。各部分流程如图17。

需要注意的是各个非目标车道的等待换道位置，由于以最小速度换道也需要一定向前的行驶速度，因此，当车辆在非目标车道的禁止换道线前等待换道时，其实际停止位置需要预留出换道的空间，该空间与当前车道和目标车道间间隔的车道数量有关，具体如图14。

4 车辆在路口中行驶规则设计

4.1 路口路径的确定

本文采用一维元胞机模型对路口进行描述，并且在此基础上，根据车辆在路口的一般行驶路线，绘制带有一定弯曲的车辆路口行进轨迹并按一定大小对其进行划分以形成元胞。

以标准四岔路口为例，生成路口车道如图15。

通过循环，找到进入路口与走出路口的车道各一条，并按一定算法按照一定弧度计算出车辆行驶轨迹函数，并以一定长度平分该曲线，平分后的各点坐标即为该路口该路径的元胞中心点坐标，进入该路径的车辆将按照该元胞行驶。同理生成路口中其他出入路口车道间的路径。

使用弯曲轨迹的元胞在一定程度上描述了车辆在路口行驶中的轨迹规律，是介于微观与宏观的较理想的车辆行驶轨迹的抽象，车辆不但可以表现出路口中行驶所具有的拐弯特性，而且对于继承了一维元胞的优点，便于程序的编写。

4.2 路口冲突点的确定及车辆行驶

四岔路口中存在两类冲突点：一、驶出路口进入道路车道时的车辆汇入冲突，只有当路口中存在两个或两个以上同道路同行驶方向的进入路口车道时，该种冲突才存在，如某进入路口道路有两条左转或直行车道时，当这两条车道驶出的车辆同时要进入同一条车道时，此类冲突发生；二、直行与左转车辆的冲突，该类冲突点只存在于两相位控制的四岔路口中，四相位控制的路口并不存在此类冲突。针对不同的冲突点分别设计如下解决方案。

4.2.1 驶出路口时的汇入冲突

参考目标车道的设计原理，以汇入车道为单位，将同时汇入该车道的路口车道归为一组，并选取中间的车道为目标车道，将该组车道后数某个元胞人为规定为冲突点(物理上接近车辆冲突的位置)，在冲突点之前未在目标车道上的车辆要换到目标车道上，而到达冲突点且仍在非目标车道车辆则停车等待，直到目标车道相应位置空闲，即换到目标车道。这样，车辆在汇入某一车道前，在路口中排成一队进入路口，这种行为更符合真正的路口交通情况，从而很好的解决了车辆在驶出路口时的汇入冲突问题。

4.2.2 直行左转冲突

直行左转冲突相对复杂，首先需要确定冲突点的位置，由于路口形状不一且直行左转冲突点较多，因此无法人为统一规定其位置，这里试给出寻找冲突点的算法如下：

(以有冲突的直行车道上的元胞区分每一个冲突点)

循环：每一个直行车道从前往后

循环：直行车道上的每一个元胞 从前往后

  循环：每一个左转车道

    循环：左转车道元胞 从后往前

      计算元胞间距离

        如果小于冲突距离

          存入冲突点数组

        如果大于冲突距离且本次距离大于上次距离时

        (距离递减趋势、渐行渐远，因此后面的不可能冲突)

          退出该车道循环

确定直行左转冲突点后，车辆每一步的行驶都需要检验冲突点内是否有车。但还需要考虑一些问题，如统一路口车道上两个冲突点相邻车辆如何行驶，同时等待进入冲突点时，车辆的优先级问题等等。综合考虑这些问题，设计算法如下：

准备工作：

路口元胞-----标识属于第几个冲突点

冲突点-----标识包括哪几个元胞；该冲突点是否被以被处理过

--------------------------

1、从后往前，移动直行车道上的车辆，直到冲突点(冲突点的车辆暂不处理)

2、从后往前，移动左转车道上的车辆，直到冲突点(冲突点的车辆暂不处理)

-----------------------

3、循环各个冲突点—以冲突点为研究对象

如果冲突点有车

移动该车

确定考察车道为：该车所在车道

如果冲突点没有车

确定考察车道为：直行车道

-----------------------------

考察该车所在车道的下一辆车

if(这辆车可以到达该冲突点)

移动该车到冲突点

该冲突点被占据标志

循环与该冲突点连接的其他车道

if(该车道上最靠近冲突点的车辆在另一个冲突点或之前存在另一个冲突点)

不处理

else if(该车能够到达该冲突点)

停在冲突点前的第一个元胞上

else if(不能到达冲突点)

以正常速度行驶

else(这辆车不会到达该冲突点)

if(该车在其他冲突点或该车前面存在另一个冲突点)

不处理

else

按该车速度移动该车

循环与该冲突点连接的其他车道

if(该车道上最靠近冲突点的车辆在另一个冲突点或之前存在另一个冲突点)

不处理

else if(该车不能够到达冲突点)

以目前速度行驶

else if(该车能够到达冲突点)

判断冲突点是否被占据，通过占据标志—因为有可能被之前循环的其他车道上的车辆占据

if(占据)

停在冲突点之前一个元胞或不动—已是之前

else(没有被占据)

进入冲突点 冲突点被占据标志

注意：1、如果车辆进入冲突点，将冲突点中的所有车道都表示为有车占据

2、行驶优先级：跟车＞直行＞左转(算法中以保证了该优先级)

代码实现后，仿真情况如图18。图中路口为两相位控制四叉路口，来自道路R3的左转车辆在来自R0的直行车辆队列前停车等待。

5 车辆行驶动作规则设计

5.1 自由行驶与跟驰行驶

自由行驶与跟驰行驶是一对相对的概念，广义的说，车辆无非在路网中只有两种状态，即自由行驶与跟驰行驶。所谓自由行驶，顾名思义就是车辆的行驶不受其他车辆的干扰，驾驶员可以根据自己意愿自由选择行驶速度(符合法规的条件下)；而跟驰行驶，则为驾驶员的驾驶受到其他车辆(主要指前车)的限制，无法完全根据自己意愿选择速度，必须根据前车的行驶状况选择自己的行驶速度。如何区分自由行驶与跟驰行驶这两种状态，以及处在这两种状态中的车辆是如何行驶的，众多学者已从各种角度展开了广泛的研究，不再赘述。在此，着重介绍自由行驶与跟驰行驶在仿真中的实现。

首先对这两种状态进行区分，即判断车辆处于何种状态。车头时距与最小安全距离往往被用于两种状态的区分。所谓车头时距是指在同一车道上行驶的车辆队列中，两连续车辆车头端部通过某一断面的时间间隔；而最小安全距离则是保证车辆安全行驶的最小距离。前者是一个计算的量，而后者则是道路上的一种规定，不同的城市交通状况以及环境有着不同的最小安全距离。本发明的仿真精度并不需要对车辆行为进行十分细致的研究，因此经过抽象后的判断方法为，直接将车头时距转化为车辆间的元胞距离(或者将速度与时间通过计算转化为距离，这样更加形象)，并设定最小安全距离，如果两连续车辆间距离小于最小安全距离，则为跟迟，否则自由行驶。

自由行驶中的车辆有三种选择：加速、减速、匀速。由于驾驶员类型以及车辆类型的限制，车辆选择加速、减速还是匀速，并且根据车辆及驾驶员类型选择加减速度的大小，从而体现车辆间的差异，增加了路上车辆行为的多样性的同时，也使得仿真更加真实。

跟驰行驶的车辆速度将受到同车道前车行驶状况影响，首先计算当前速度和与前车距离之间的关系(前车以处理，即当前时刻下前车已经移动)，如果当前速度小于其与前车距离，且车辆速度增加1仍小于其与前车距离，则车辆以一定概率选择当前速度加1行驶，否则保持当前速度行驶。

5.2 换道

换道是车辆选择适合自己行进路线车道所必需的行为，比如处在右转车道上的车辆需要进入当前道路下面的左转车道，此时，换道是达到该目的的唯一选择。

按系统对道路上元胞的循环处理顺序，可将换道分为两类。系统对元胞的循环处理顺序，如图19所示，首先从低到高循环各车道，然后在各车道内从低到高循环个元胞。由于这种处理顺序，车辆换道的处理存在由低车道到高车道及由高车道到低车道两种，两种处理方法的具体做法如下：

由低车道向高车道换道，高位车道上的车辆尚未处理，本车首先考察高车道(相邻目标车道)相同位置上的元胞是否有车辆占据，如果元胞为空，则将该车移动该元胞位置，并推出对本车的处理，继续低车道上其他元胞的处理，本车则根据高车道的车辆状况，随着高车道中车辆一同处理。

由高车道向低车道换道，低车道元胞以处理(车辆已行驶)，本车首先按照行驶规则在本车道上正常行驶，在行驶结束时考察低车道(相邻目标车道)相同位置是否有车辆，没有车辆则换道，否则本车不换道，退出循环。

为了保证车辆在禁止换道线前的换道，增加当前速度为0的换道，即车辆是否可以换到相邻目标车道的当前相应位置的前一个元胞处。

这种对换道的处理方法，虽然经过了一定的抽象，比如没有考虑相邻目标车道中车辆速度及本车道前车速度对换道的影响，但是获得了较大程度的处理简便，不失为大仿真系统中的一个较好抽象。

5.3 超车

简单说，超车即为增加了可能性判断的两次换道的组合。据此按照换道要求自然可将超车分解为超车前、超车中两步。超车前车辆判断是否需要超车、如果超车是否可以换道，而超车中车辆则需要加速行驶，一旦超越原车道前车，则换回原车道。

首先需要在车辆的定义中增加三个属性，即超车状态、被超车辆以及原始车道。超车状态，标志着车辆是否在超车过程中，如处于超车过程中，车辆需要加速行驶，直到超过被超车辆并换回原车道；被超车辆，是本车确定的准备超过的车辆，是判断是否可以换回原车道的标志；而原车道则记录着车辆需要返回的起始车道。

图20描绘了车辆超车的一系列动作。超车前，车辆X首先判断是否超车：根据概率判断是否产生超车意愿；A2的速度是否足够小；A1、B1的速度是否够大。所有条件均满足则换道超车。超车中，车辆需要加速行驶(不能与超车车道前车发生冲突)，直到在超车车道上的位置超过原车辆被超车辆的位置时，车辆判断是否可以换回原车道。换回原车道时，超车结束。

5.4 其他

一个微观的城市交通流仿真除了核心的车辆行为外，其他辅助模块——如路网生成、车辆生成等是保证系统正常运行所不可缺少的重要组成部分，本节将介绍路网生成、车辆生成、以及数据的存储三个功能模块。

5.4.1 路网生成

为了提高用户友好性，减少用户输入工作量，在较少输入信息的条件下生成带有不同车道数量的道路、不同道路汇集的各种形状的路口，这些都需要一些列复杂算法。以一个较为特殊形状的路口为例，图21给出了由用户输入的路网结构信息到仿真中路网的生成过程。

5.4.2 车辆生成

仿真系统中在出入网点以及吸纳点处产生新的车辆，生成算法则由车辆生成模块负责，生成车辆时具体需要考虑如下几点：

(1)生成车辆的时间间隔。按照埃尔朗分布产生车辆，并用数组记录各车辆生成点产生车辆的剩余时间。

(2)车辆终点及行驶路径。按照用户输入各OD间产生车辆的时间间隔生成以该OD终点为目的地的车辆。确定行驶路径的算法主要有Dijkstra和Floyd两种算法，本文采用Dijkstra计算最短路。由于驾驶员的非理性特征，次短路或次次短路均可被作为车辆的行驶路线。

(3)驾驶员类型。可粗略将驾驶员分为：激进、中性及保守三种类型，不同类型驾驶员在路上行为的选择中有着不同的概率。

(4)车辆类型。不同车辆的行驶速度及加减速度特性是不仅相同的，因此，可按车辆大小将其分为：大型、中型和小型车，不同车型在行驶中的行为取值是不同的。

(5)登录车道。车辆在产生车辆位置随机选择车道登录。

5.4.3 数据存储

本系统选择XML作为数据存储介质。XML具有开放性、简单性、自我描述性、互操作性、结构和内容分离、可扩展性等优点。在Visual C++下对XML进行操作需要安装XML操作工具包msxml.msi，具体的VC对XML的读写操作均可在网络与编程书籍中查到。

XML中存储的数据对象包括：出入网点、路口、道路、车道、OD、路口控制器等信息。各对象下包含有初始化路网所必需的属性及其取值。需要注意的是，XML中包括的仅为初始化信息，有些信息，如路口控制器中的路口控制策略，将在程序运行中，从与诱导系统的通信缓冲区中获得，以实现实时诱导的目的。

6 仿真平台效果

依据以上分析，使用面向对象的C++语言，在Visual C++平台上对城市微观交通流仿真系统进行实际开发。

从连续长时间的仿真中发现，仿真系统具有很好的运行稳定性，能够长时间的对多路口的路网进行有效的仿真模拟；路网中车辆可以根据设计(跟驰模型、车辆特征、驾驶员特征)进行加速、减速、超车换道等活动；可实现车辆在进入路口前的减速慢行，路口中的沿一定弯度行驶。总的来说该系统可以很好的满足多路口城市交通网络的仿真模拟的需要，并为其他研究工作，如城市交通控制、诱导及个体出行行为等，搭建了可靠的实验平台。

Claims (2)

1.一种智能式动态路线诱导系统诱导子区协调方法，其特征在于，包括以下步骤：

1)将诱导子区内相同路口诱导单元进行协调，从知识库提取最优诱导信息，根据最优诱导信息，结合当前路网交通流状态，重新预测连接路口的路段的饱和度，所述诱导子区是指路网中相邻的、需要协调的、若干个诱导单元组成的交通区域，诱导子区内各诱导单元采用相同诱导周期，并且在子区内部进行诱导方案的协调；

2)加入最优诱导信息后，从诱导子区的最上游路口开始，根据步骤1预测得到的连接路口的路段饱和度，重新对下游相关路口的诱导单元状态进行调整；

3)如果下游路口诱导单元状态不发生改变，则该两个路口之间的协调结束；反之，对下游路口相关诱导单元状态进行调整，并重新提取最优诱导信息，依次调整该路口的下游路口诱导单元状态及诱导信息。

2.根据权利要求1所述的智能式动态路线诱导系统诱导子区协调方法，其特征在于，所述步骤1)中相同路口诱导单元协调方法包括以下步骤：

(1.1)对相同路口的诱导单元交通供给路段由统计数据得到的交通流从大到小进行排序，得到序列化的相同路口诱导单元 

其中 为路口k的诱导单元数量，初始化i＝0，j＝0，ξ^*＝+∞；其中i为诱导单元序号，j为诱导信息交互次数，ξ^*为相邻两次诱导信息交互的差异；

(1.2)不加入其它诱导单元诱导信息，根据上一诱导周期的转弯比例估计需要决策的诱导单元交通供给路段饱和度，从诱导知识库中提取诱导单元状态对应的最优诱导信息 

(1.3)诱导信息交互次数增1，即j:＝j+1；

(1.4)诱导单元序号增1，即i:＝i+1；

(1.5)对于诱导单元 

加入其它诱导单元诱导信息 

影响后，得到新的路网状态，从诱导知识库中提取诱导单元 

状态对应的最优诱导信息 

其中ξ_j，i表示诱导单元 

第j次诱导信息与第j-1次诱导信息的差异；如果 

继续；否则转1.4；

(1.6)如果 

j^*＝j；j^*表示整个诱导信息交互过程中，当前与前一循环诱导信息差异最小的交互序列号；

(1.7)如果j＞η_max或ξ^*＜ξ_max，则取 

为下一周期诱导信息，转1.8；否则转1.3；

(1.8)结束。 

Images