CN101465058B

CN101465058B - 智能式动态路线诱导系统诱导单元决策方法

Info

Publication number: CN101465058B
Application number: CN200910067609XA
Authority: CN
Inventors: 马寿峰; 钟石泉; 贾宁; 刘建美
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2009-01-05
Filing date: 2009-01-05
Publication date: 2011-03-30
Anticipated expiration: 2029-01-05
Also published as: CN101465058A

Abstract

本发明公开了一种智能式动态路线诱导系统诱导单元决策方法，包括以下步骤：1)获取周期p该诱导信息板所在路段到下游路段的转弯率；2)更新知识库中各诱导信息对应的预测诱导转弯率；3)预测周期p+1不同方向交通流构成比例；4)从知识库中提取不同方向交通流最优诱导信息；5)根据诱导单元路网状态，综合考虑交通流的构成及其对应的最优诱导信息，得到周期p+1诱导单元的综合诱导信息；6)更新诱导周期p:＝p+1，通过VMS将综合诱导信息作用于交通流。本发明采用智能化的方法对诱导服从率进行处理，解决了一些数据如诱导服从率、诱导信息对交通流的影响范围等难以得到的问题，并取得了较好的效果。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。

Description

智能式动态路线诱导系统诱导单元决策方法

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单元决策方法。

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，提出了以预测式和响应式为代表的多种DRGS。预测式DRGS需要构建复杂模型预测出行者对诱导信号的反应以及未来路网的交通流状态；响应式DRGS主要依赖于对路网交通流进行动态交通分配，使出行者对到达相同目的地的不同路径旅行时间相等。因为上述两种诱导系统采用的模型和方法都是以已知或预测交通需求OD矩阵为前提，模型过于理想化，算法复杂，可操作性不强，所以难以实际应用。这是DRGS提出20多年来而没有达到实用化的重要原因之一。

本发明的发明人曾在Inteligent Transportation System ComferenceProceedings-Oakland(CA)，USA.2001：25-29.(智能交通系统国际会议.奥克兰，美国)发表了文章AI-based Dynamic Route Guidance Strategy and Its Simulation(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，跳出了动态交通分配的思维定势，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的组成元素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3示意了智能DRGS组成结构。每个诱导单元都有一块安装在靠近路口的诱导信息板(Variablemessage 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DRGS最终通过诱导信息板上的诱导信息作用于交通流，而诱导信息的生成取决于诱导单元决策，因此诱导单元决策方法是保证智能DRGS有效性的关键。目前对有效的智能DRGS诱导决策方法的研究还是一项空白，不能使智能DRGS普及到实际应用中，有效地对交通流进行诱导，切实地解决交通路网不通畅等问题。

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单元决策方法，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。

本发明是通过以下技术方案实现的：

一种智能式动态路线诱导系统诱导单元决策方法，包括以下步骤：

1)从诱导信息板所在路段的检测器中获取周期p该诱导信息板所在路段到下游路段的转弯率；

2)更新知识库中各诱导信息对应的预测诱导转弯率；

3)预测周期p+1不同方向交通流构成比例；

4)从知识库中提取不同方向交通流最优诱导信息；

5)根据诱导单元路网状态，综合考虑交通流的构成及其对应的最优诱导信息，得到周期p+1诱导单元的综合诱导信息；

6)更新诱导周期p：＝p+1，通过VMS将综合诱导信息作用于交通流，转1。

所述诱导单元h在周期p均衡度

计算公式为：

其中

S_{O}^{ihp} = \frac{\underset{j &Element; N_{i}^{h}}{Σ} Σ_{k = 0}^{T_{h} - 1} N_{V}^{hpjk}}{T_{h} \underset{j &Element; G_{i}^{h}}{Σ} C_{j}} - - - (2)

表示诱导单元h的目标区域i在周期p的饱和度；

S_{O}^{ph} = \underset{i &Element; O_{h}}{Σ} S_{O}^{ihp} / N_{h}

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；N_V ^hpjk为诱导单元h诱导周期p时刻k路段j上的车辆数；G_i ^h表示诱导单元h目标区域i中路段集合。这是目标评价的一个函数，用以评价诱导的结果。诱导目标区域见图1，为一个周期内被诱导的车辆所能到达的区域。

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。因为不同目标终点的交通流对诱导单元的诱导信号反应是不同的，所以需要对同一诱导单元不同方向的交通流及其对诱导信息的影响进行预测和推理，综合考虑交通流方向的影响后决策下一周期的诱导信息，使诱导单元目标区域间交通流均衡分布。

诱导单元的诱导信号是在地图路段上显示不同颜色，以表示不同的路段饱和度，从而对看到该诱导信息的交通流产生影响。如图1，诱导地图上显示的是考虑诱导信息将对交通流的影响后的预测路段饱和度，绿色表示路段通畅，黄色表示路段较为通畅，红色表示路段堵塞。对于北站方向的交通流，因为诱导地图上显示朝霞路饱和度低，而且路段30到北站方向的静态最短路径经过朝霞路，因此路段30上北站方向的绝大部分交通流会选择直行进入朝霞路。

虽然从定性分析可知诱导信息对交通流的影响，但是对其影响程度很难精确得到，因为不同路段饱和度、不同时段下交通流对诱导信息的反应是不一样的，诱导服从率是一个动态变化的过程，不可能预先设定，因此只有通过机器学习才能得到。考虑到诱导周期p结束时刻诱导单元根据路网状态S(p)做出的诱导决策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，因此可通过检测周期(p+1)目标区域交通流均衡度状况得到诱导效果V(p)，数据S(p)、U(p)、V(p)作为一个组合进入诱导学习单元，经过学习、推理机制处理，作为下次诱导信息使用的依据，这样就完成了一个学习循环。所述步骤(2)中预测诱导转弯率的算法为：

G_l[g_d ⁱ(h)]表示诱导单元h周期l诱导进入g_d ⁱ(h)的诱导信号，设在G_p[g_d ⁱ(h)]的影响下，诱导单元h周期p到目标终点e_j(h)的交通流在下游路段g_d ⁱ(h)的理论转弯率分别为T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]，j＝1，2，...，N_e(h)，i＝1，2，...，N_d[g(h)]，存在以下方程组：

Q_{p} (h) * T_{r}^{p} [g_{d}^{i} (h)] = Σ_{j = 1}^{N_{e} (h)} Q_{p} (h) * s_{p} [e_{j} (h)] * T_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]], i = 1,2, . . ., N_{d} [g (h)] - - - (3)

Σ_{i = 1}^{N_{d} [g (h)]} T_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]] = 1 - - - (4)

Σ_{j = 1}^{N_{e} (h)} s_{p} [e_{j} (h)] = 1 - - - (5)

s_p[e_j(h)]＝s_p-1[e_j(h)]*δ_p (6)

由于实际总转弯率T_r ^p[g_d ⁱ(h)]和被诱导交通流的总流量Q_p(h)可测，不同目标终点的交通流比例s_p[e_j(h)]通过步骤3)预测得到，因此上述方程组中只用计算T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]。上式中包含N_e(h)*N_d[g(h)]个变量和N_d[g(h)]+4个方程，设r(A)，r(A)分别为方程组的系数矩阵和增广矩阵的秩，当r(A)＝r(A)＝N_e(h)*N_d[g(h)]时，可直接求解出唯一的 T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]；当r(A)＝r(A)＜N_e(h)*N_d[g(h)]时，T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]有无穷多解；当r(A)≠r(A)时，T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]无解。对于有无穷多解的情况，在周期l_max的方程组(3)至(6)中选取部分等式加入到原方程组中联立进行求解，加入的顺序为交通流量大的方向涉及到的方程先加入，流量小的方向涉及到的方程后加入，其中

l_{\max} = {\max (l) | G_{l} [g_{d}^{i} (h)] = G_{p} [g_{d}^{i} (h)], l = p - 1, p - 2, . . ., 1};

对于无解的情况，首先将冲突的方程组中交通流量小的方向涉及的方程删去，如果删去方程后r(A)＝r(A)＜N_e(h)*N_d[g(h)]，则采取与上述方程组有无穷多解的情况相同的处理方式。

对周期p前N_g个具有相同诱导信息G_p[g_d ⁱ(h)]的T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]滚动进行平均，得到在诱导信息G_p[g_d ⁱ(h)]的影响下，诱导单元h周期p到目标终点e_j(h)的交通流在下游路段g_d ⁱ(h)的预测转弯率

设C_h(N_g，G_p[g_d ⁱ(h)])为诱导单元h周期p前N_g个具有相同G_p[g_d ⁱ(h)]情况下的诱导周期集合，则

的计算公式为：

{\tilde{T}}_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]] = \underset{q &Element; C_{h} (N_{g}, G_{p} [g_{d}^{i} (h)])}{Σ} \frac{λ_{q} {\tilde{T}}_{r}^{q} [e_{j} (h), G_{p} [g_{d}^{i} (h)]]}{N_{g}} - - - (7)

其中λ_q为周期q的在周期p预测转弯率中所占的权重。

所述步骤(3)中交通流构成比例的预测方法为：

当诱导信息所在路段的交通流有多个目标终点时，需要根据S(p)、U(p)、V(p)估计周期p该路段各目标终点交通流的构成比例。周期p诱导单元h被诱导的交通流到目标终点e_j(h)的比例为s_p[e_j(h)]，j＝1，2，...，N_e(h)，其中N_e(h)为诱导单元h中被诱导交通流的目标终点的个数。对于相邻的两个诱导周期p-1和p，在诱导周期内s_p-1[e_j(h)]，s_p[e_j(h)]是相关联的，可以通过周期p-1各目标终点交通流的构成比例乘以一个动态修正系数δ_p(e_j(h))得到周期p的交通流构成比例。当p＝1时，可通过历史统计数据近似得到s₁[e_j(h)]；当p＞1时，根据周期p-1的诱导信息所在路段到其下游路段的预测诱导转弯率(根据诱导信息计算得出的转弯率)与实际转弯率的值进行比较和调整δ_p(e_j(h))值。设诱导单元h诱导信息所在路段记为g(h)，对与g(h)相邻的下游(用符号d标识)路段依顺时钟方向分别用

表示(g(h)的第一级下游路段)，其中n_d[g(h)]为g(h)的下游路段数量；周期p从路段g(h)到路段g_d ⁱ(h)的预测诱导转弯率和实际转弯率为

i＝1，2，...，N_d[g(h)]。设置交通流比例调整步长为π，令

k_{\max} = {i | \max ({\hat{T}}_{r}^{p} [g_{d}^{i} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)]), i = 1,2, . . ., N_{d} [g (h)]},

k_{\min} = {i | \min ({\hat{T}}_{r}^{p} [g_{d}^{i} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)]), i = 1,2, . . ., N_{d} [g (h)]},

交通流比例调整规则如下：

1)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] > μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] < - μ_{h},

则

方向的车流比例加大π，

方向的车流比例减小π，其它方向车流比例不变；

2)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] > μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] &GreaterEqual; - μ_{h},

则

方向的车流比例加大π，其它方向的车流比例均减小π/[N_e(h)-1]；

3)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] \leq μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] < - μ_{h},

则

方向的车流比例减小π，其它方向的车流比例均加大π/[N_e(h)-1]。

不同目标终点交通流比例与下游路段方向诱导服从率的乘积之和为转入该方向的交通流比例，因为实际交通流过程中诱导服从率不可能得到，所以可以把预测诱导服从率的过程看作一个“黑箱”，通过调整交通流的构成比例来反映诱导服从率的变化。因此上述s_p[e_j(h)](j＝1，2，...，N_e(h))不一定与实际交通流的构成比例一致，而是考虑了动态诱导服从率之后的一个修正值。

所述步骤(5)中诱导单元的综合诱导信息包括以下步骤：

1)从知识库中提取当前路网状态下从诱导单元诱导信息所在路段的所有交通流到下游路段的最优诱导转弯率

i＝1，2，...，N_d[g(h)]。

2)构造方程组

Σ_{j = 1}^{N_{e} (h)} s_{p} [e_{j} (h) * {\tilde{T}}_{r}^{p} [e_{j} (h),

g_{d}^{i} (h)] = {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)],

求解得出

3)从知识库中提取与

i＝1，2，...，N_d[g(h)]，j＝1，2，...，N_e(h)对应的诱导信息板诱导信息，即显示的不同饱和度颜色。

4)如果

i＝1，2，...，N_d[g(h)]，j＝1，2，...，N_e(h)对应的诱导信息板诱导信息完全相同，则采用该诱导信息；转步骤6)。

5)如果

对应的诱导信息不一致，则对需要显示的诱导信息进行协调：采用与目标终点为d₁＝{i|max(s_p[e_j(h)])，j＝1，2，...，N_e(h)}的交通流对应的诱导信息G_p ¹[h]作为基准诱导信息，接着将其与目标终点为d₂＝{i|max(s_p[e_j(h)])，j＝1，2，...，N_e(h)，j≠d₁}的交通流对应的诱导信息G_p ²[h]进行比较，如果

G_{p}^{1} [h] = G_{p}^{2} [h],

则取

{\tilde{G}}_{p}^{2} [h] = G_{p}^{2} [h];

如果

G_{p}^{1} [h] &NotEqual; G_{p}^{2} [h],

则在G_p ¹[h]、G_p ²[h]基础上将诱导信息进行调整得到

使

ξ_{1,2} = Σ_{i = 1}^{N_{d} [g (h)]} | {\tilde{T}}_{r}^{p} [e_{d_{1}} (h), G_{p}^{1} [g_{d}^{i} (h)]] + {\tilde{T}}_{r}^{p} [e_{d_{2}} (h), G_{p}^{2} [g_{d}^{i} (h)]] - {\tilde{T}}_{r}^{p} [e_{d_{1}} (h), {\tilde{G}}_{p}^{2} [g_{d}^{i} (h)]]

- {\tilde{T}}_{r}^{p} [e_{d_{2}} (h), {\tilde{G}}_{p}^{2} [g_{d}^{i} (h)] |

的值最小，依次类推得出

得出综合的诱导信息，显示在诱导信息板上。

6)结束。

与现有技术相比，本发明的有益效果是：本文通过实际检测到的上一诱导周期交通流数据，采用智能化的方法对诱导服从率进行处理，将预测诱导服从率的过程看作一个“黑箱”，通过调整交通流的构成比例来反映诱导服从率的变化，解决了一些数据如诱导服从率、诱导信息对交通流的影响范围等难以得到的问题，并取得了较好的效果。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。这种智能化的方法不仅可以处理交通系统中的交通流问题，对其它复杂系统如市场营销中客户购买行为问题、股票市场中投资者行为问题等都具有一定的参考价值。

附图说明

图1为本发明智能式动态路线诱导系统诱导单元决策方法流程图。

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；其中椭圆区域为目标评价区域，方形区域为诱导单元2作用区域，诱导单元1为红色，诱导单元2为绿色，诱导单元3为绿色；右图为诱导信息板1局部放大图。

图4为诱导仿真路网示意图；其中椭圆区域为评价区域。

图5为仿真实验3周期1至300预测转弯率与实际转弯率比较图；其中横坐标为诱导周期，纵坐标为转弯率。

图6为仿真实验3周期301至600预测转弯率与实际转弯率比较图；其中横坐标为诱导周期，纵坐标为转弯率。

图7为仿真实验3周期601至900预测转弯率与实际转弯率比较图；其中横坐标为诱导周期，纵坐标为转弯率。

图8为仿真实验3目标区域均衡度变化图；其中横坐标为诱导周期，纵坐标为目标区域均衡度。

图9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10城市微观交通流仿真系统运行流程图。

图11目标车道区域划分；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12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13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14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15车辆在目标车道中各区域流程图。

图16车辆在非目标车道中各区域流程图。

图17直行左转冲突仿真效果图。

图18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19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20路口生成图；其中图20a为用户输入信息，图20b为计算各道路垂线，图20c为根据垂线生成车道扩充，图20d为根据最外部车道线确定路口结构点，图20e为根据路口结构点生成路口停车线，图20f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。

如图4所示，则对于诱导单元2诱导单元决策流程为：

1)从诱导信息板所在路段的检测器中获取周期p该路段到下游路段的转弯率；本实施例从检测器得到周期p为566时路段6到下游路段8、7、53的车辆分别为303，540，475辆，得到到下游路段的转弯率分别为0.23，0.41，0.36。

2)更新知识库中各诱导信息对应的预测诱导转弯率；对周期p前N_g个具有相同诱导信息G_p[g_d ⁱ(h)]的理论转弯率T_r ^p[e_j(h)，G_p[g_d ⁱ(h)]]滚动进行平均，得到在诱导信息G_p[g_d ⁱ(h)]的影响下，诱导单元h周期p到目标终点e_j(h)的交通流在下游路段g_d ⁱ(h)的预测转弯率

本实施例取N_g＝3，由于上一周期(周期566)的诱导信息为2:5:3(即从路段6到其下游路段的诱导转弯率为0.2，0.5，0.3)，从数据中搜索诱导信息为2:5:3 的相邻的周期，得到分别在369和433周期诱导单元2采用了诱导信息2:5:3。权重λ₃₆₉＝0.6，λ₄₃₃＝0.9，λ₅₆₆＝1.5，369、433周期诱导信息下分别对应的转弯率为0.19∶0.42∶0.39，，0.25∶0.45∶0.3，则诱导信息2:5:3下预测转弯率通过公式

{\tilde{T}}_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]] = \underset{q &Element; C_{h} (N_{g}, G_{p} [g_{d}^{i} (h)])}{Σ} \frac{λ_{q} {\tilde{T}}_{r}^{q} [e_{j} (h), G_{p} [g_{d}^{i} (h)]]}{N_{g}}

计算，其中λ_q为周期q的

在周期p预测转弯率中所占的权重，分别为

(0.19*0.6+0.25*0.9+0.23*1.5)/3＝0.228，(0.42*0.6+0.45*0.9+0.41*1.5)/3＝0.424，(0.39*0.6+0.3*0.9+0.36*1.5)/3＝0.348。用0.228∶0.424∶0.348更新诱导信息2:5:3下的预测转弯率。

3)预测周期p+1不同方向交通流构成比例；

(3.1)设周期p诱导单元h被诱导的交通流到目标终点e_j(h)的比例为s_p[e_j(h)]，j＝1，2，...，N_e(h)，其中N_e(h)为诱导单元h中被诱导交通流的目标终点的个数，则

s_p[e_j(h)]＝s_p-1[e_j(h)]*δ_p

δ_p(e_j(h))表示一个动态修正系数；

(3.2)当诱导周期p＝1时，可通过历史统计数据近似得到s₁[e_j(h)]；

(3.3)当p＞1时，根据周期p-1的诱导信息所在路段到其下游路段的预测诱导转弯率，即根据诱导信息计算得出的转弯率，与实际转弯率的值进行比较和调整动态修正系数δ_p(e_j(h))值，具体步骤为：

(3.3.1)设诱导单元h诱导信息所在路段记为g(h)，对与g(h)相邻的下游路段依顺时钟方向分别用g_d ¹(h)，g_d ²(h)，...，

表示，其中n_d[g(h)]为g(h)的下游路段数量，周期p从路段g(h)到路段g_d ⁱ(h)的预测诱导转弯率和实际转弯率为

i＝1，2，...，N_d[g(h)]；

(3.3.2)设置交通流比例调整步长为π，令

k_{\max} = {i | \max ({\hat{T}}_{r}^{p} [g_{d}^{i} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)]), i = 1,2, . . ., N_{d} [g (h)]},

k_{\min} = {i | \min ({\hat{T}}_{r}^{p} [g_{d}^{i} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)]), i = 1,2, . . ., N_{d} [g (h)]},

交通流比例调整规则如下：

1)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] > μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] < - μ_{h},

则

方向的车流比例加大π，

方向的车流比例减小π，其他方向车流比例不变；

2)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] > μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] &GreaterEqual; - μ_{h},

则方向的车流比例加大π，其它方向的车流比例均减小π/[N_e(h)-1]；

3)如果

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] \leq μ_{h},

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] < - μ_{h},

则方向的车流比例减小π，其它方向的车流比例均加大π/[N_e(h)-1]。

本实施例取调整步长为π＝0.05，μ_h＝0.06。在周期433时诱导信息2:5:3的预测转弯率为0.216∶0.433∶0.351，由于

k_max＝{i|max(0.23-0.216，0.41-0.433，0.36-0.351)，i＝1，2，3}＝1，

k_max＝{i|min(0.23-0.216，0.41-0.433，0.36-0.351)，i＝1，2，3}＝2，由于

{\hat{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\max}} (h)] = 0.23 - 0.216 = 0.014,

{\hat{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] - {\tilde{T}}_{r}^{p} [g_{d}^{k_{\min}} (h)] = - 0.023,

绝对值均小于μ_h，所以不需要调整。交通流比例仍取上一周期(周期566)的预测交通流比例(1∶2)。

4)从知识库中提取不同方向交通流最优诱导信息；本实施例根据当前路网状态，从知识库中提取对应的诱导信息为4:3:3；

5)5.1：计算当前路网状态下不同目标终点对应的理论转弯率。

5.2：构造方程组

Σ_{j = 1}^{N_{e} (h)} s_{p} [e_{j} (h)] * {\tilde{T}}_{r}^{p} [e_{j} (h),

g_{d}^{i} (h)] = {\tilde{T}}_{r}^{p} [g_{d}^{i} (h)],

求解得出

本实施例根据步骤4)中提取的诱导信息4:3:3以及步骤3)中预测得到的路段各目标终点交通流比例(1∶2)构造方程组，求解得到诱导单元2周期567到目标终点8的交通流在下游路段19，5的理论转弯率分别为7.1∶2.9，求解得到诱导单元2周期567到目标终点17的交通流在下游路段5，4的理论转弯率分别为4.4∶5.6。

5.3：从知识库中提取与

i＝1，2，...，N_d[g(h)]，j＝1，2，...，N_e(h)对应的诱导信息板诱导信息，即显示的不同饱和度颜色；如果

对应的诱导信息不一致，则对需要显示的诱导信息进行协调：采用与目标终点为

d₁＝{i|max(s_p[e_j(h)])，j＝1，2，...，N_e(h)}的交通流对应的诱导信息G_p ¹[h]作为基准诱导信息，接着将其与目标终点为d₂＝{i|max(s_p[e_j(h)])，j＝1，2，...，N_e(h)，j≠d₁}的交通流对应的诱导信息 G_p ²[h]进行比较，如果

G_{p}^{1} [h] = G_{p}^{2} [h],

则取

{\tilde{G}}_{p}^{2} [h] = G_{p}^{2} [h];

如果

G_{p}^{1} [h] &NotEqual; G_{p}^{2} [h],

则在G_p ¹[h]、G_p ²[h]基础上将诱导信息进行调整得到

使

ξ_{1,2} = Σ_{i = 1}^{N_{d} [g (h)]} | {\tilde{T}}_{r}^{p} [e_{d_{1}} (h), G_{p}^{1} [g_{d}^{i} (h)]] + {\tilde{T}}_{r}^{p} [e_{d_{2}} (h), G_{p}^{2} [g_{d}^{i} (h)]] - {\tilde{T}}_{r}^{p} [e_{d_{1}} (h), {\tilde{G}}_{p}^{2} [g_{d}^{i} (h)]]

- {\tilde{T}}_{r}^{p} [e_{d_{2}} (h), {\tilde{G}}_{p}^{2} [g_{d}^{i} (h)] |

的值最小，依次类推得出

得出综合的诱导信息，显示在诱导信息板上；本实施例经过协调，得到综合诱导信息为2:1:1，对应的诱导指示色为绿:黄:黄。

6)更新诱导周期p：＝p+1，通过VMS将诱导信息作用于交通流，转1。

对于其他诱导单元，决策流程与诱导单元2相似。

为了说明本发明提出的智能DRGS诱导单元决策方法的有效性及各参数对诱导效果的影响，本发明进行了多组实验，限于篇幅，仅列出预测诱导转弯率时进行加权的诱导周期数N_g的取值对诱导效果的影响实验结果和分析。本发明进行的实验为：N_g取不同值时，预测诱导转弯率的准确度，实验条件为N_g取2、3、4、5的情况，实验序号为1至4。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。仿真路网如图4，设置4个诱导单元，参数见下表1。限于篇幅，不便列出路网中所有路段参数，现仅提取图4中诱导单元相关的主要路段长度及通行能力，见下表2。

表1诱导单元参数表

表2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(m)	通行能力(pcu/h)
						0	717	1500	8	802	1600
1	853	1600	16	857	1700
						2	866	1800	17	881	1700

[0107]

4	699	1500	18	699	1500
						5	905	1800	22	802	1800
6	857	1700	52	815	1500
						7	881	1700	53	815	1500

仿真实验结果

本发明针对表1中的条件进行了多个仿真实验，现列出其中具有代表性的4次实验数据进行分析。将实验1至4在诱导单元2路段7方向的预测诱导转弯率与实际转弯率进行比较，采用公式

RE = \frac{1}{p_{e} - p_{s}} Σ_{{p = p}_{s}}^{p_{e}} \frac{| {\hat{T}}_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]] - {\tilde{T}}_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]] |}{{\hat{T}}_{r}^{p} [e_{j} (h), G_{p} [g_{d}^{i} (h)]]} \times 100 %

表示诱导周期p_s到p_e内它们之间的相对误差，其中

表示诱导单元h周期p目标终点e_j(h)方向的交通流在诱导信息G_p[g_d ⁱ(h)作用下到g_d ⁱ(h)的实际车辆转弯率。预测转弯率与实际转弯率比较结果如下表3所示。图5至7为实验3预测转弯率与实际转弯率比较图，图中虚线表示预测转弯率，实线表示实际转弯率；实验3目标区域均衡度变化见图8。

表3预测转弯率与实际转弯率比较结果

仿真实验分析

1)由表3可知，在前300个周期内，4次实验预测诱导转弯率与实际转弯率相差较大，相对误差都达到20％以上。这是因为对于每种诱导信息都有一个初始估计转弯率，预测的诱导转弯率是在这个初始值基础上调整得到的，需要一定的调整时间。

2)由图5至7可知，随着诱导时间的推移，预测诱导转弯率与实际转弯率的相对误差逐渐减小到接近10％且较为稳定，表明本文设计的预测诱导车流转弯率的方法是有效的。

3)由表3可知，在本仿真实验条件下，当N_g取4时预测诱导转弯率与实际转弯率最接近，因此也能达到最好的诱导效果。当N_g过小时，因为该预测参考相同条件下的实际转弯率太少，不具有全面代表性，容易引起预测效果的波动；当N_g过大时，预测转弯率时参考前面周期太多而涉及到的时间跨度太大，交通流的特性发生了改变而使部分数据不具有参考价值，特别是当交通流特性变化较快时，预测转弯率不能快速调整，导致诱导信息不准确而影响诱导效果。本仿真实验条件下，推荐采用N_g＝4的方案，但实际条件下N_g的取值应根据诱导单元涉及到的路段、诱导时段的交通流特性加以调整。当交通流变化速度较快时，采用较小的N_g；当交通流较为平稳时，采用较大的N_g。

4)由图8可知，诱导系统是起作用的，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500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，表明本文提出的智能交通系统诱导单元是有效的。

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9。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10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11(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15。

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12。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16。

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13。

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14。

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

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17。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，本文不再赘述。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。本文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18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19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，以下为路网生成、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20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，本文不在赘述。

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

依据上文分析，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。