CN102750427A - 基于多智能体活动模型的城市交通规划仿真方法及系统 - Google Patents

Abstract

本发明涉及一种基于多智能体活动模型的城市交通规划仿真方法及系统，该方法包括如下步骤：首先获取城市道路信息，生成路网信息文件；再根据得到的调查数据，生成初始交通需求及初始的日活动计划；然后将日活动计划加载到路网信息文件上；接下来计算出每个被调查对象的效用值及计划选择概率；最后进行迭代过程，输出仿真结果。该系统包括以 http通信方式通信的客户端和服务器终端。本发明放弃了四阶段交通模拟方法，完全采用基于活动模型的交通需求生成和分配方法，融合使用多智能体技术和遗传进化算法，用效用最优限制生成最优路径和选用最优路径，达到交通工具和路网的最大使用效益，减少交通事故和交通拥堵。

Description

基于多智能体活动模型的城市交通规划仿真方法及系统

技术领域

本发明涉及一种城市交通规划仿真方法及系统，尤其涉及一种基于多智能体活动模型的城市交通规划仿真方法及系统。

背景技术

交通是城市生活的命脉，是社会经济活动中人流、物流、资金流和信息流的主要载体，对城市经济甚至国民经济的发展起着及其重要的作用，也对保证日常生活的正常运转发挥着越来越大的作用。交通路网反映了一个城市交通规划水平，是政府、房产商、市民共同作用的结果。

城市交通是整个交通系统中最为关键和重要的部分，是一个复杂的大系统，涉及人、车、路等多方面因素，其中任何一方，或是多方出现不协调，就会导致交通堵塞，从而影响城市的正常运转，降低人们的日常工作效率，随着经济的发展，交通需求的日益增加，无论是发达国家还是发展中国家都承受着不断恶化的交通困扰，交通阻塞已成为世界性的问题。我国百万人口以上的大城市每年因交通阻塞造成的直接经济损失约1600亿元，由于交通阻塞造成的间接损失更是难以估计。交通问题已逐步成为交通管理者和专家学者们、乃至全社会关注和讨论的重点，同时也成为制约城市经济可持续发展的“瓶颈”。从交通的供求关系来看，经济的持续发展，特别是城市化进程的加快，大大推动了我国道路交通基础设施的建设和发展。但是小汽车大量快速进入城市家庭，城市主要交通方式由非机动向机动转变，导致了交通流量的持续增长，人们在享受交通运输现代化便利的同时，也面临着交通堵塞、交通事故等问题。解决城市交通问题的传统措施是加快道路交通基础设施的建设步伐，提高城市路网的交通容量，但是可供修建道路的空间是有限的，而且，单纯依靠修建道路与交通设施以及采用传统管理方式来解决交通问题，不仅成本昂贵，环境污染严重，而且缓解交通拥堵是十分有限的。

我国政府在“十一五”国民经济发展纲要中就明确指出：“交通建设要统筹规划，合理安排，扩大网络，优化结果，完善系统，推进改革，建立健全畅通、安全、便捷的现代化综合运输系统”。因此，从交通管理设施入手，把各种先进的智能技术和模型理论应用在城市交通控制与管理中，建立更为完善、更为先进的交通管理与控制模式，对交通流进行科学的组织与管理控制，有效地疏导城市车辆、减少堵塞，充分发挥现有交通网络的通行潜力，最大程度上使交通流做到有序流动，已成为解决交通拥塞最有效、最经济的方法，因此，把智能技术融入城市交通协调控制也成为交通控制的发展趋势。城市智能交通控制应运而生。

交通规划仿真方法和系统旨在回答交通路网结构会在何时、何地、何种人口、经济、社会条件下，为何以及如何发挥出最好的交通服务水平。交通规划仿真方法和系统的开发和应用能加深人们对交通规划的作用和机理的理解，并可为预测区域未来交通需求变化趋势提供有效的分析工具。开展交通规划仿真必须充分利用人工智能新技术，建立交通需求变化动态模拟模型，以图阐明交通需求变化的动力学机制，开展区域交通需求变化的情景分析。

传统的交通规划方法如四阶段法，缺乏对人类活动影响交通的充分考虑，因而规划得到的结果往往精度不高或者是时空限制下的不可实现，难以适应交通规划中信息处理的实时性和高准确度要求。

目前，多数的交通规划仿真模型使用的还是四阶段交通规划法，少数的交通规划仿真模型是总体用四阶段法，而仅仅在规划的交通生成阶段使用活动模型。这样，不管是前者还是后者，四阶段法所固有的对人类活动的忽略造成的规划结果失真问题依然不能得到解决。此外，由于交通规划仿真是一项多学科融合的综合系统工程，涉及的数据类型多、数据量大、数据准备耗时，一般个人用户很难收集全面相关数据。交通规划仿真算法比较复杂，一般涉及的人口是十万-百万级，交通节点和交通路段是数以十万-百万记的，相当于必须定义100k-1000k个Agent在数以100k-1000k个节点和路段的交通路网上按照日活动计划执行交通分配仿真。数据量和运算量都是极为庞大的，一般个人电脑很难满足要求。

因此，我们有必要研究一种方便实用的、准确度高的交通规划仿真方法及系统，以缓解交通压力。

发明内容

本发明所要解决的技术问题是提供一种方便实用、仿真结果准确度高的基于多智能体活动模型的城市交通规划仿真方法及系统。

本发明的提出是基于多智能体活动模型交通需求和分配思想和实现，充实了交通规划思想库，具有很大的进步意义，有助于改善我国一直以来对于交通模拟仿真的忽视，有利于总体上提高交通规划界和社会对于交通规划中模拟仿真的重视程度和资金投入力度。

本发明所采用的技术方案是：一种基于多智能体活动模型的城市交通规划仿真方法，其特征在于：包括如下步骤：

步骤一、获取高分辨率的城市道路信息，生成路网信息文件；

步骤二、抽取被仿真城市5~10%的样本人口，对其做交通出行行为调查；所述的交通出行行为调查为日出行时间和活动类型的调查；根据该调查数据，生成初始交通需求；

步骤三、根据步骤二的调查数据，对每一个被调查对象（Agent）生成一个日活动链文件；

步骤四、根据步骤三的日活动链文件，生成初始的日活动计划，让每一个被调查对象（Agent）存储该日活动计划，记为Plan₀；对象的日活动计划是对对象实际活动的模拟和仿真，如果没有一个确定的日活动计划，后续的出行需求和分配预测将无法进行；必须尽可能在理性人假设下，按照精确的人口日出行行为调查，生成准确的日活动计划，便于后续步骤继续优化日活动计划和按照日活动计划进行交通需求和分配仿真；毫无疑问，初始日活动计划越准确越好，必须在精确日活动计划的生成上花费较大精力；

步骤五、利用基于事件的排队模型时序执行日活动计划，将每个被调查对象（Agent）的日活动计划加载到步骤一中的路网信息文件上；

步骤六、按照每个被调查对象（Agent）的活动链文件计算每个被调查对象（Agent）的效用值；所述的每个被调查对象（Agent）的效用值的计算公式为：

$U_{\mathrm{plan}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{act},i}+U_{\mathrm{travel},i}+U_{\mathrm{wait},i}+U_{\mathrm{short},i})$

其中，U_plan为一个被调查对象（Agent）的n个活动总效用值，U_act,i为执行活动i的效用值，U_travel,i为完成活动i所需的出行行为的效用，U_wait,i为等待执行活动i的惩罚效用，U_short,i为活动执行时间太短的惩罚效用，这里i表示的是第i个活动；

步骤七、对初始日活动计划进行迭代优化，生成日活动计划二，依次迭代生成多个类似日活动计划；日活动计划二和初始日活动计划都是交通需求和交通分配的依据，也是后续日活动计划优化的依据；假设当前执行的是日活动计划Plan_k,k>=2，则在此步骤中，要求上传此前迭代产生的两个日活动计划Plan_k-1和Plan_k-2，这里k是当前的迭代次数；

步骤八、按照离散选择模型计算出每个被调查对象的计划选择概率，概率计算公式为：

$P\left(i\right)=\frac{e^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},i}}}{{\mathrm{\Σ}}_j{e}^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},j}}}$

其中，P(i)是当前计划i在总的j个计划中的被选中概率，U_plan,i、U_plan,j分别为步骤六中效用公式计算出的当前计划i和第j个计划的效用值，β_plan为控制参量，一般取为β_plan=2.1；

步骤九、进行迭代过程是否结束的判定，判定的依据是在现有路网最大服务水平和设施条件下多个被调查对象的活动安排能否达到最大的效用值，能否达到供求平衡状态；

步骤十、当达到迭代结束条件时，迭代结束，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图、日活动计划效用统计图和出行距离统计图；当未达到迭代结束条件时，必须转到再计划模块，利用遗传进化算法对单个独立的被调查对象（Agent）所存储的多个活动计划进行选择、交叉、变异；顺序迭代步骤五→步骤九的过程，直到达到结束条件跳出迭代过程，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图、日活动计划效用得分图和出行距离统计图。

步骤一中的获取高分辨率的城市道路信息，生成路网信息文件具体步骤为获取路段最大容量、最大允许车速、最大流量、车道数目和车站位置，统计link数目，生成shp格式的路网信息文件。

步骤二中，所述的活动类型为离归家活动、工作活动、购物活动、休闲活动和教育活动；所述的日活动出行时间为离家时间、抵达工作地点时间、离开工作地点时间、归家时间；购物活动包括购物频率和购物时间地点偏好，教育活动包含自己进修及接送小孩上学。

步骤七中，所述迭代过程次数k至少为60次，才能保证所得到结果的稳定性和有效性。

步骤十中，所述的再计划模块主要是随机选出总的Agent中5-10%数量的Agent进行日活动计划的再度优化；所述的选择是按照步骤八的离散选择公式，在群体中个体的适应度（即步骤六的效用公式）函数评估基础上，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；所述的交叉是将对象（Agent）前两个日活动计划作为父本，把其中部分的活动内容和活动顺序及活动持续时间等按照一定概率加以替换重组，生成的新的日活动计划作为子一代；所述的变异是对群体中的个体串的某些基因座上的基因值作变动，即对于个体日活动计划的活动开始结束时间做出变动。

本发明还提供一种应用所述的基于多智能体活动模型的城市交通规划仿真方法的仿真系统，该仿真系统包括客户端和服务器终端，所述客户端和所述服务器终端以http通信方式实现数据的交互传输。所述的客户输入端用于响应用户指令，向服务器终端发送城市道路信息、调查数据和用户设定参数，接收服务器终端的模拟计算结果，其中：所述城市道路信息和调查数据包含目标城市的路网数据和路网服务水平数据（供应）和依据城市出行者行为调查得出的居民日出行计划数据（需求），所述的用户设定参数包括指定模拟时段和情景设定；服务器终端用于响应客户端，提取存储的与前述城市道路信息、调查数据和用户设定参数相关的基础数据，通过基于多智能体活动模型的智能城市交通规划方法对所述相关基础数据进行模拟运算，获得所需模拟时段相应模拟计算结果。

本发明基于遗传进化最优日出行计划交通需求和分配模型，以高性能计算机工作站为服务平台，在数据共享下开展实时并行计算，从而提供给交通规划者一个简单、方便、智能化、定量化的交通规划仿真终端。所述基础数据为影响交通需求和分配变化的驱动因子的量化数据；所述的驱动因子包括自然环境、经济水平、人口分布、结构与迁移、人口收入分布、教育水平和交通管理政策。

本发明的有益效果在于：1、本发明放弃了四阶段交通模拟方法，完全采用基于活动模型的交通需求生成和交通分配解决方法，而且融合使用多智能体技术和遗传进化算法，在计量经济学最大效用原理和理性人假设下，以效用最优限制生成最优路径和选用最优路径，达到交通工具和城市路网的最大使用效益，减少交通事故和交通拥堵。2、本发明在满足交通规划使用者实际需求的基础上，提供一种实时性强、方便实用、准确度高的交通规划仿真系统，实现交通动态变化的远程模拟，实时指导交通规划以及模拟交通需求和分配并进行对比分析。

附图说明

图1是本发明基于多智能体活动模型的城市交通规划方法的流程图。

图2是步骤五在交通路网上执行日出行活动计划的示意图。

图3是路段各种交通工具总体分时段流量统计图。

图4是路段小汽车分时段流量统计图。

图5是路段公共交通分时段流量统计图。

图6是日出行活动计划执行的效用得分统计图。

图7是日出行活动计划执行的出行总距离统计图。

图8是模拟仿真值和实际统计值的对比图。

图9是模拟仿真值和实际统计值的误差曲线。

图10是本发明基于多智能体活动模型的城市交通规划系统的工作流程示意图。

具体实施方式

下面结合附图进一步说明本发明的实施实例。

参见图1-9，一种基于多智能体活动模型的城市交通规划仿真方法，具体步骤为：

步骤一、进行目标城市路网调查，获取高分辨率的城市道路信息，生成包含多个link和node的城市路网xml文件；所述的城市道路信息，包含路段容量、路段长度、最大允许车速、最大流量、车道数目和车站位置，给每个link和node分配唯一的id，所有的道路信息都存储在这个id相关的文件中，每个node都有一个唯一的二维坐标。

步骤二、抽取目标城市5~10%的样本人口，对其做交通出行行为调查；所述的行为调查重点为日出行时间和活动类型的调查，根据该调查数据，生成初始交通需求；所述的活动类型为离归家活动、工作活动、购物活动、休闲活动和教育活动；所述的日出行时间为离家时间、抵达工作地点时间、离开工作地点时间、归家时间；购物活动包括购物频率和购物时间地点偏好，教育活动包含自己进修及接送小孩上学；所述的初始交通需求生成中，要在总体上满足调查数据的统计分布特性；购物和休闲活动必须在特定的设施环境中进行，有特定的时间、空间和容量限制，必须全面考虑；

步骤三、根据步骤二的调查数据，对每一个被调查对象（Agent）生成一个日出行需求xml格式文件；

步骤四、根据步骤二的综合人口文件和步骤三的日活动需求文件，生成初始的日活动计划，让该对象记忆存储该日活动计划，记为Plan₀；

步骤五、利用基于事件的排队模型时序执行日活动计划，将每个被调查对象（Agent）的日活动计划加载到步骤一的路网信息文件上；对于工作、购物、休闲、教育活动注意时间-空间限制在程序设计中的体现，具体的细节见图2；

步骤六、按照每个被调查对象（Agent）的日活动计划计算每个Agent的效用得分；

1、Agent活动效用的计算公式为：

$U_{\mathrm{plan}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{act},i}+U_{\mathrm{travel},i}+U_{\mathrm{wait},i}+U_{\mathrm{short},i})---\left(1\right)$

其中，U_plan为一个被调查对象（Agent）的n个活动总效用值，U_act,i为执行活动i的效用值，U_travel,i为完成活动i所需的出行行为的效用值，U_wait,i为等待执行活动i的惩罚效用值，U_short,i为活动执行时间太短的惩罚效用值，这里i表示的是第i个活动；

2、在活动执行阶段，活动的效用值U_act,i的计算公式为：

U_act,i=(U_cum,j-U_cum,j-1)f_p（2）

（2）式中，U_cum,j为所有同类活动i的累计得分，这个累计得分的计算公式为：

$U_{\mathrm{cum},j}=\left\{\begin{array}{cc}\max (0,{\mathrm{\β}}_{\mathrm{perf}}{t}^{*}\ln \left(\frac{{\mathrm{\Σ}}_{k=1}^j{t}_{\mathrm{perf},k}}{t_0}\right))& j>0\\ 0& j=0.\end{array}\right.---\left(3\right)$

（3）式中，β_perf是活动的边际效用，t^*是执行活动所需的理想时间，t_perf，k是活动i执行第k次的所用时间，t₀设定为对数功能，和t^*成比例；

（2）式中，f_p设定为当活动设施过分拥挤产生的负效用，一般是购物和休闲活动，其计算公式为：

（4）式中，β_load,1和β_load,2分别为容量约束功能参数，load是同一时间同一地点执行同一类活动i的总数目，capacity是设施能同时容纳同一活动类型的最大数目。

3、在两个活动转化中，出行所产生的效用值的计算公式为：

U_travel,i=U_{access/egress,mode}+β_tt,modet_mode+β_cost,modec_mode    （5）

（5）式中，β_tt,mode为两种交通方式互相替代的时间边际效用，β_cost,mode是两种交通方式互相替代的花费边际效用，t_mode为某种交通方式的出行所用时间，c_mode为使用这种交通方式的花费，U_{access/egress,mode}设定为相对于步行方式的负效用；

对小汽车交通方式，t_car来自于步骤五中日计划执行的交通流模拟结果，

c_car＝c_km,card_car    （6）

（6）式中，c_km,car为小汽车运行每千米的花费，d_car为运行的距离长度。

对于公共交通方式的花费c_pt有：

（7）式中，c是一个定值,在不同城市公交费不同;α为一个变动的折扣率,不同城市的折扣率也不同。

4、等待活动所引发的负效用值的计算公式为：

U_wait,i=β_waitt_wait    （8）

（8）式中，β_wait是等待时间的边际效用，t_wait为实际等待时间。

5、活动持续时间太短的惩罚效用值的计算公式为：

U_short,i=β_short.max(0,(0.5hour-t_perf，i))    （9）

（9）式中，β_short为活动持续时间不到0.5个小时用其他活动替代的边际效用，t_perf，i为执行活动i实际所用的时间。

以上所述的所有边际效用值，按照目标城市特点决定，对于本实例的城市，按照当地实际的经济和社会特点，分别给定为：

执行活动、等待、出行的边际效用：

β_perf=2.26/hour;β_tt,car=0.0/hour;β_wait=0.0/hour；

实际取值时，只要满足β_perf>β_tt,car和β_perf>β_wait即可。显而易见的是Agent必然愿意化更多时间在执行活动上而不是浪费在交通出行上和等待活动上。

活动位置的容量限制参数：

β_load,1=0.13;β_load,2=5.0

对于活动执行时间太短的惩罚：

β_short=-180/hour

不同交通模式相对于小轿车的时间消耗和金钱花费：

β_tt,pt=-2.0/hour;β_tt,bike=-16.0/hour;β_tt,walk=0.0/hour

β_cost,car=0.0/hour;β_cost,pt=-0.8/hour;β_cost,walk=-0.1/hour°

步骤七、对初始日活动计划进行迭代优化，生成日活动计划二，依次迭代生成多个类似日活动计划。假设当前执行的是日活动计划Plan_k,k>=2，则在此步骤中，要求上传此前迭代产生的两个日活动计划Plan_k-1和Plan_k-2，这里k是当前的迭代次数。

步骤八、按照离散选择模型计算出每个被调查对象（Agent）的计划选择概率，概率计算公式为：

$P\left(i\right)=\frac{e^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},i}}}{{\mathrm{\Σ}}_j{e}^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},j}}}$

其中，P(i)是当前计划i在总的j个计划中的被选中概率，U_plan,i、U_plan,j分别为步骤六中效用公式计算出的当前计划i和第j个计划的效用值，β_plan为控制参量，一般取为β_plan=2.1；这样，通过运用logit公式，使得日活动计划容易取舍，能在编程实现上得到较大简化；

步骤九、进行迭代过程是否结束的判定，判定的依据是在现有路网最大服务水平和设施条件下多个被调查对象（Agent）的活动安排能达到最大的效用值，能达到供求平衡状态；即多个Agent的效用得分不再有明显的增长，必须的交通出行的距离不再有明显的变化；我们认为这时达到了迭代结束条件，可以结束迭代；往往需要60次以上的迭代，才能保证所得到结果的稳定性和有效性；通过控制器类实现迭代次数和场景的选择；

步骤十、当达到迭代结束条件时，迭代结束，输出选定的最优日出行活动计划、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图（参见图3-5）、日活动计划效用得分图（参见图6）和出行里程统计图（参见图7）；当没有达到迭代结束条件时，必须转到再计划模块，利用遗传进化算法对被调查对象所存储的多个活动计划进行选择、交叉、变异，适应度函数利用步骤六中的效用定义，重复步骤五→步骤九的过程，直到达到迭代结束条件跳出迭代过程，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图、日活动计划效用得分图和出行距离统计图；

总体算法设计的核心就是实现最优日活动计划的获得，应用的算法是遗传进化算法。在步骤十中的再计划模块是仅随机将人口总数5-10%的Agent的日活动计划再优化，并非所有的Agent全部再优化，因为这样不但更加符合实际出行者日活动计划选择行为特征，而且可以有效减少计算负担；

结果输出阶段，我们可以生成kml格式文件，利用Google Earth进行可视化观察。将模拟结果和实际统计进行对比分析，图8-9展示了这个结果。

图3为迭代次数为100时，所有车辆的分时统计图。图4为迭代次数为100时，小汽车的分时统计图。图5为迭代次数为100时，公交车的分时统计图。图7为运具出行距离统计图。图8为实际和模拟对比图。图9为误差统计图。

参见图10，一种基于多智能体活动模型的城市交通规划仿真系统包括客户端和服务器终端，客户输入端用于响应用户指令，向服务器终端发送城市道路信息、调查数据和用户设定参数，接收服务器终端的模拟计算结果，其中：所述城市道路信息和调查数据包含目标城市的路网数据和路网服务水平数据（供应）和依据城市出行者行为调查得出的居民日出行计划数据（需求），所述的用户设定参数包括指定模拟时段和情景设定；服务器终端用于响应客户端，提取存储的与前述城市道路信息、调查数据和用户设定参数相关的基础数据，通过基于多智能体活动模型的智能城市交通规划方法对所述相关基础数据进行模拟运算，获得所需模拟时段相应模拟计算结果。所述客户端和所述服务器终端以http通信方式实现数据的交互传输。通过http协议，联机并行工作，通过分布式计算，分摊总的计算量到每个个人机器上，进而对关键数据共用，最终实现交通规划仿真的实时性和准确性。

与现有技术相比，本发明有益效果体现在：

1、本发明采用的基于活动的交通需求和分配模型能更加准确的描述人类交通出行行为，大大优于传统四阶段法。

2、本发明对于目标城市初始日出行活动计划的准确度提出了较高要求，交通规划者必须花费较多精力于交通行为统计分析和日出行活动计划生成。

3、本发明采用遗传进化算法实现Agent日活动计划的学习和优化，直到达到所期望的函数适应度值，可以有效仿真模拟Agent的交通选择行为。

在本发明方法应用中，一方面，基于多智能体活动模型仿真需要针对不同城市的人口分布、交通行为、路网进行具体分析，结合计量统计原理，形成必须的人口日出行计划文件、高分辨率的路网信息文件；另一方面本发明完全放弃传统的四阶段交通规划方法，认为所有的交通行为来源于人类活动，交通行为仅仅是人类总活动的一部分，准确揭示大规模人口日活动规律就能有效预测中长期交通需求。在此思想指导下，利用多智能体活动模型，实现本发明所述的场景模型，可以构建完整的交通需求和分配仿真系统。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改，等同变化或修饰，均落在本发明的保护范围内。

Claims (5)

1.一种基于多智能体活动模型的城市交通规划仿真方法，其特征在于：包括如下步骤：

步骤一、获取高分辨率的城市道路信息，生成路网信息文件；

步骤二、抽取被仿真城市5~10%的样本人口，对其做交通出行行为调查；所述的交通出行行为调查为日出行时间和活动类型的调查；根据该调查数据，生成初始交通需求；

步骤三、根据步骤二的调查数据，对每一个被调查对象生成一个日活动链文件；

步骤四、根据步骤三的日活动链文件，生成初始的日活动计划，让每一个被调查对象存储该日活动计划，记为Plan₀；

步骤五、利用基于事件的排队模型时序执行日活动计划，将每个被调查对象的日活动计划加载到步骤一中的路网信息文件上；

步骤六、按照每个被调查对象的活动链文件计算每个被调查对象的效用值；所述的每个被调查对象的效用值的计算公式为：

$U_{\mathrm{plan}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{act},i}+U_{\mathrm{travel},i}+U_{\mathrm{wait},i}+U_{\mathrm{short},i})$

其中，U_plan为一个被调查对象的n个活动总效用值，U_act,i为执行活动i的效用值，U_travel,i为完成活动i所需的出行行为的效用值，U_wait,i为等待执行活动i的惩罚效用值，U_short,i为活动执行时间太短的惩罚效用值，这里i表示的是第i个活动；

步骤七、对初始日活动计划进行迭代优化，生成日活动计划二，依次迭代生成多个类似日活动计划；假设当前执行的是日活动计划Plan_k,k>=2，则在此步骤中，要求上传此前迭代产生后对象存储的两个日活动计划Plan_k-1和Plan_k-2，这里k是当前的迭代次数；

步骤八、按照离散选择模型计算出每个被调查对象的计划选择概率，概率计算公式为：

$P\left(i\right)=\frac{e^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},i}}}{{\mathrm{\Σ}}_j{e}^{{\mathrm{\β}}_{\mathrm{plan}}{U}_{\mathrm{plan},j}}}$

其中，P(i)是当前计划i在总的j个计划中的被选中概率，U_plan,i、U_plan,j分别为步骤六中效用公式计算出的当前计划i和第j个计划的效用值，β_plan为控制参量，一般取为β_plan=2.1；

步骤九、进行迭代过程是否结束的判定，判定的依据是在现有路网最大服务水平和设施条件下多个被调查对象的活动安排能达到最大的效用值，能达到供求平衡状态；

步骤十、当达到迭代结束条件时，迭代结束，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和中转车辆数量分时段统计图、日活动计划效用统计图和出行距离统计图；当没有达到迭代结束条件时，必须转到再计划模块，利用遗传进化算法对被调查对象所存储的多个活动计划进行选择、交叉、变异，顺序迭代步骤五→步骤九的过程，直到达到迭代结束条件跳出迭代过程，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图、日活动计划效用统计图和出行距离统计图。

2.如权利要求1所述的基于多智能体活动模型的城市交通规划仿真方法，其特征在于：步骤一中的获取高分辨率的城市道路信息，生成路网信息文件的具体步骤为获取路段最大容量、最大允许车速、最大流量、车道数目和车站位置，统计link数目，生成shp格式的路网信息文件。

3.如权利要求1所述的基于多智能体活动模型的城市交通规划仿真方法，其特征在于：步骤二中所述的活动类型为离归家活动、工作活动、购物活动、休闲活动和教育活动；所述的日出行时间为离家时间、抵达工作地点时间、离开工作地点时间、归家时间；购物活动包括购物频率和购物时间地点偏好，教育活动包含自己进修及接送小孩上学。

4.如权利要求1所述的基于多智能体活动模型的城市交通规划仿真方法，其特征在于，步骤七中，所述的迭代过程次数k至少为60次。

5.一种应用权利要求1-4所述的基于多智能体活动模型的城市交通规划仿真方法的仿真系统，其特征在于：该仿真系统包括客户端和服务器终端，所述客户端和所述服务器终端以http通信方式实现数据的交互传输；所述的客户输入端用于响应用户指令，向服务器终端发送城市道路信息、调查数据和用户设定参数，接收服务器终端的模拟计算结果，其中：所述城市道路信息和调查数据包含目标城市的路网数据、路网服务水平数据和依据城市出行者行为调查得出的居民日出行计划数据，所述的用户设定参数包括指定模拟时段和情景设定；服务器终端用于响应客户端，提取存储的与前述城市道路信息、调查数据和用户设定参数相关的基础数据，通过基于多智能体活动模型的智能城市交通规划方法对所述相关基础数据进行模拟运算，获得所需模拟时段相应模拟计算结果。

Images