CN104298540B - 一种微观交通仿真软件的底层模型参数校正方法 - Google Patents
一种微观交通仿真软件的底层模型参数校正方法 Download PDFInfo
- Publication number
- CN104298540B CN104298540B CN201410570621.3A CN201410570621A CN104298540B CN 104298540 B CN104298540 B CN 104298540B CN 201410570621 A CN201410570621 A CN 201410570621A CN 104298540 B CN104298540 B CN 104298540B
- Authority
- CN
- China
- Prior art keywords
- parameter
- mrow
- scheme
- msub
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 8
- 235000008434 ginseng Nutrition 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims description 7
- 238000001595 flow curve Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims 1
- 238000000205 computational method Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种微观交通仿真软件的底层模型参数校正方法。通过收集待测区域交通对象不可控参数建立交通仿真软件中的路网。在确定待校正参数集范围后,引用拉丁超立方抽样选取少量的仿真参数方案集在路网中仿真,并将仿真指标数据与真实指标数据进行对比,选择最优参数方案。通过仿真软件将选出的最优参数方案进行回归仿真,验证最优参数方案的可信性。本发明方法简单,便于操作,校正精度较高,为交通工程的科学研究、交通信号灯控制或交通管制,提供可信的模拟实验结论。
Description
技术领域
本发明属于交通环境工程技术领域,提供一种微观交通仿真软件的底层模型参数校正方法,该方法应用于未校正底层模型参数的商业微观交通仿真软件,如Aimsun,Transmodeler,Vissim,Paramics等等。
背景技术
随着我国国民经济和汽车工业的不断发展,城市区域的车辆保有量飞速增长,承载交通量的主道路服务捉襟见肘。微观交通仿真软件给予了研究学者和交通管理人员判断(验证)新交通管理策略是否有效的重要手段:将新的管理策略植入仿真软件中,运行仿真完毕,通过软件的指标数据了解到管理策略的优劣。
目前国内使用的微观交通仿真软件大部分是国外引进的,软件的底层模型参数也是沿用国外地区相应的参数规格,例如最大期望速度,最长等待时间,超车概率等等。为了能够更好的获得仿真效果,底层模型参数的校正是非常有必要的。
发明专利申请201410019829.6公开了一种交通仿真软件的参数校正方法,它通过Paramics仿真软件的二次开发与仿真系统结合,应用遗传模拟退火算法模型对参数进行校正,该发明使用的技术科学,流程明确,是一个理想的参数校正方法。但是它也有如下不足:a).仿真软件局限性。需要针对某交通仿真软件进行二次开发,技术要求高,而且有许多仿真软件并不能很友好支持二次开发。b).遗传模拟退火算法的复杂性对于交通工程来说并不适用。搜索空间随着待校正参数个数或范围增大而呈几何增长。
本发明综合考虑以上不足,提出一种微观交通仿真软件的底层模型参数的校正方法。
发明内容
本发明的目的是针对现有技术的不足,提供一种微观交通仿真软件的底层模型参数校正方法。
本发明方法包括以下步骤:
步骤(1).对待测实地区域采集交通对象不可控参数;
所述的待测实地区域的选择标准为该区域是承载城市区域重要的车辆通行道路,一般选取路径长度为3-10km,途经5-20个交叉口。
所述的交通对象不可控参数是指在待测实地区域的交通环境参数,其主要包括交通路网结构参数、机动车参数、交通行为曲线、车流量参数;
所述的交通路网结构参数主要包括每个路段长度、交叉口渠化、车道数、车道连接情况、信号灯配时方案;
所述的机动车参数主要包括车辆平均长度、车辆平均宽度、车辆平均最大加速度;
所述的交通行为曲线主要包括车辆速度-流量曲线;
所述的车流量参数包括路网交叉口所有进口的左转、直行、右转的车流量,单位为veh/h;
步骤(2).对待测实地区域采集真实指标数据Λr:
所述的真实指标数据是指一类在待测实地区域容易测量而且能够反映路网的整体通行能力的数据,真实指标数据可以是车辆行程时间、车辆平均速度、道路车辆占有率中的一种。根据采集方法的技术手段和待测实地区域环境确定并且收集真实指标数据Λr;
所述的车辆行程时间的采集方法是:
假设在两地A、B的录像中共有n辆车的记录。不失一般性,若某车i进入A地的时间点为离开B地的时间点为则由A→B的n辆车平均行程时间为
同理可以测得B→A的n辆车平均行程时间Cr2;
所述的车辆平均速度的采集方法是:
假设在相距L的两地A、B,埋设两个性能相同的环形线圈。线圈中共有n辆车的记录。不失一般性,若某车i进入A地的时间点为离开B地的时间点为则由A→B的n辆车平均速度为
同理可以测得B→A的n辆车平均速度Vr2;
所述的道路车辆占有率的采集方法是:
假设在某个观测时间段T内,线圈中共有n辆车的记录,测得第j车道车辆i通过环形线圈方波宽度为tij,则该时间段内,车道j上车辆i的时间占有率为:
步骤(3).微观交通仿真路网的搭建
根据步骤(1)收集的交通对象不可控参数在现有微观交通仿真软件建立路网。
步骤(4)待校正参数范围确定
所述的待校正参数为微观交通仿真软件中可控的参数,而且这些参数能够直接或是间接地影响路网的整体通行能力,主要包括但不限于如下:车辆期望速度(DesiredSpeed Distribution)、车辆变道距离(Lane-change Distance)、车辆鲁莽变道率(Imprudent Lane Changing)、车辆最大让行时间(Maximum waiting time)、车辆最小车头距离(Minimum Headway)、车辆超车率(Percentage Overtake)、车辆恢复率(PercentageRecover);针对不同的现有微观交通仿真软件,选择可以手动设置的N个底层模型参数作为待校正参数;
所述的车辆期望速度是指在没有其他车辆的影响下,驾驶员期望机动车行驶的速度;
所述的车辆变道距离是指车辆开始变道至期望车道的安全距离;
所述的车辆鲁莽变道率是指车辆在小于车辆变道距离时变道的概率;
所述的车辆最大让行时间是指车辆能够等待其他车辆先通行的最大时间;
所述的车辆最小车头距离是指相邻两行驶车辆的车头最小距离;
当引领车辆的速度低于跟随车辆期望速度的某个百分比时,跟随车辆将决定超车,该百分比即为所述的车辆超车率;
当引领车辆的速度高于跟随车辆期望速度的某个百分比时,跟随车辆将决定变道至最右边车速最小的车道,该百分比即为所述的车辆恢复率;
在理解待校正参数的物理意义的基础上,结合待校正参数的量纲和常识经验,人为确定参数的范围;若是步骤(8)或步骤(9)返回至该步骤时,调整参数的范围向外扩展区间长度的2η%;
步骤(5).仿真参数方案集确定
本发明为了减少现有常规手段在微观交通仿真软件仿真的次数,需要选出一个拥有少量方案数目的集合,且该集合能够尽量覆盖所有待校正参数范围的取值。
本发明采用拉丁超立方抽样(Latin hypercube)减少仿真参数方案个数,获得仿真参数方案集Ps。
使用拉丁超立方抽样方法选出从步骤(4)每个待校正参数中抽样选取k个仿真参数方案的集合Ps。具体步骤如下:
a).将每个待校正参数范围分成互不重叠的m个区间,使得每个区间被选取的概率相同,若待校正参数服从均匀分布,则m个区间的长度相同;
b).在每个待校正参数里的每一区间中随机抽取一个点,得到m个点;
c).再从步骤b)中选取m个点中随机抽取一个x,将每个待校正参数抽取出的点x组成一个仿真方案的参数向量
d).重复步骤b)、c)操作k次,得到k个仿真参数方案的集合Ps;
步骤(6)对集合Ps中k个仿真参数方案进行逐个仿真,计算得到仿真指标数据Λs;
在现有微观交通仿真软件中手动设定仿真参数方案集Ps中每一个参数方案并且选取不同的仿真种子进行M次仿真;在现有微观交通仿真软件路网的两地A′,B′(与待测实地区域两地A、B相对应)通过布置检测器和查看仿真软件报表得到与真实指标数据Λr相对应的仿真指标数据Λs;
若真实指标数据选取为平均行程时间,则该仿真指标数据平均仿真行程时间Cs1、Cs2;
步骤(7)仿真指标数据Λs线性回归
将步骤(6)得到的仿真指标数据Λs与步骤(5)得到的仿真参数方案集Ps对应的参数方案进行线性回归,获得回归系数通过得到的拟合系数估计指标数据
其中
若真实指标数据为平均行程时间Cr,则仿真指标数据为仿真平均行程时间Cs,线性拟合获得的拟合参数和估计平均行程时间如式(5):
步骤(8).仿真参数方案集筛选
对步骤(5)得到的仿真参数方案集Ps进行筛选,获得最优的K个方案,组成最优参数方案集P*:
a).对于Ps每一个仿真方案pj对应的估计指标数据按照式(6)计算与真实指标数据Λr的误差Δt,筛选符合
所有仿真方案,即相对误差超过δ则淘汰该仿真方案;作为优选,相对误差限值δ=10%。
b).按照式(6)选取得使Δt最小的K对估计指标数据并将对应的仿真方案pj纳入最优参数方案集P*;
若经过a)筛选后方案个数不足K个,则全部纳入最优参数方案集。若筛选后,方案个数为0,则跳回至步骤(4),重新调整待校正参数范围。
步骤(9)最优参数方案集回归仿真并验证
对步骤(8)最优参数方案集P*每一个方案进行回归仿真,依据仿真动画、以及与步骤(1)交通不可控参数比较验证,得到最优仿真参数方案p*;若验证不通过,跳回至步骤(4),重新调整待校正参数集的范围:
a).在现有微观交通仿真软件仿真时,观看仿真动画;主要观察自由行驶行为、跟驰行为、换车道行为,不符实际情况的,主观剔除;
b).在现有微观交通仿真软件仿真时,通过检测器检测某路段的车辆速度和流量,在平面坐标绘制散点图,并且拟合车辆速度-流量曲线,之后与采集到的交通不可控参数中的交通行为曲线作比较,如果有明显的不符实际情况的,主观剔除;
c).在仿真过程中提取仿真车流量Qs,与步骤(1)交通不可控参数中的机动车车流量Qr进行对比,通过式(7)筛选出相对误差最小的最优参数方案
若最优参数方案p*的相对误差
则验证不通过,跳回至步骤(4),重新调整待校正参数范围。
所述的即是本发明针对现有微观交通仿真软件底层模型的校正参数。
本发明的有益效果如下:
本发明是一种模型参数的校正方法,应用于商业微观交通仿真软件底层模型参数的校正。在理解待校正参数的物理意义的基础上,结合待校正参数的量纲和常识经验,人为确定或是调整参数的范围。使用拉丁超立方抽样选取少量的仿真参数方案集,减轻了仿真的负担。选出最优参数方案之后,通过现有微观仿真软件进行回归仿真,验证最优参数方案的可信性。本发明方法简单,便于操作,校正精度较高,为交通工程的科学研究、交通信号灯控制或交通管制,提供可信的模拟实验结论。
附图说明
图1是本发明微观交通仿真软件底层模型参数校正总体框图;
图2是本发明底层模型参数校正的具体流程图。
具体实施方式
下面结合附图对本发明做进一步的分析。
如图1所示,本发明主要分为两步,第一步(步骤1-4),采集交通对象不可控参数,真实指标数据,待校正参数范围确定。第二步(步骤5-9),如图2所示,将该三类信息输入到微观交通仿真软件上,搭建路网并且实施软件底层模型参数校正流程。详细步骤如下:
步骤(1).对待测实地区域采集交通对象不可控参数;
所述的待测实地区域的选择标准为该区域是承载城市区域重要的车辆通行道路,一般选取路径长度为3-10km,途经5-20个交叉口。
本发明实施例选取待测实地区域为杭州市滨江区江南大道,从伟业路江南大道路口至西兴路江南大道路口,途经九个交叉口。
所述的交通对象不可控参数是指在待测实地区域的交通环境参数,其主要包括交通路网结构参数、机动车参数、交通行为曲线、车流量参数;
所述的交通路网结构参数主要包括每个路段长度、交叉口渠化、车道数、车道连接情况、信号灯配时方案;
所述的机动车参数主要包括车辆平均长度、车辆平均宽度、车辆平均最大加速度;
所述的交通行为曲线主要包括车辆速度-流量曲线;
所述的车流量参数包括路网交叉口所有进口的左转、直行、右转的车流量,单位为veh/h;
本发明实施例杭州市滨江区江南大道交通对象不可控参数具体参数收集方式和需要状态列入下表1:
表1:交通对象不可控参数明细
本发明选取需要状态为必需的参数进行测量,状态的可选的数据可根据实际测量条件适当添加,参数数据越详尽,交通仿真软件校正的模型参数越准确。路网结构,机动车,车流量这些参数都可以通过电子地图,照片,视频,抄录等手段获得,方式简单直接。
步骤(2).对待测实地区域采集真实指标数据Λr
所述的真实指标数据是指一类在待测实地区域容易测量而且能够反映路网的整体通行能力的数据,该真实指标数据可以是车辆行程时间、车辆平均速度、道路车辆占有率中的一种。根据采集方法的技术手段和待测实地区域环境确定并且收集真实指标数据Λr;
本发明采集真实指标数据的目的是判断微观交通仿真软件底层模型参数校正得是否足够准确。例如:若仿真软件获得的某两地的行程时间与真实两地的测量获得的行程时间越接近,则校正的越准确。
所述的车辆行程时间的采集方法是:
假设在两地A、B的录像中共有n辆车的记录。不失一般性,若某车i进入A地的时间点为离开B地的时间点为则由A→B的n辆车平均行程时间为
同理可以测得B→A的n辆车平均行程时间Cr2;
所述的车辆平均速度的采集方法是:
假设在相距L的两地A、B,埋设两个性能相同的环形线圈。线圈中共有n辆车的记录。不失一般性,若某车i进入A地的时间点为离开B地的时间点为则由A→B的n辆车平均速度为
同理可以测得B→A的n辆车平均速度Vr2;
所述的道路车辆占有率的采集方法是:
假设在某个观测时间段T内,线圈中共有n辆车的记录,测得第j车道车辆i通过环形线圈方波宽度为tij,则该时间段内,车道j上车辆i的时间占有率为:
步骤(3).微观交通仿真路网的搭建
根据步骤(1)收集的交通对象不可控参数在现有微观交通仿真软件建立路网。
以软件Aimsun为例,依据路网结构参数,绘制路网图形并且设置道路设施(infrastructure)参数;将每个交叉口信号灯配时数据输入到对应的交叉口(controlplans);将机动车参数输入到仿真软件的Vehicles中的car和bus中;将机动车流量输入到交通仿真软件的需求矩阵(Traffic Demands)中。
步骤(4).待校正参数范围确定
所述的待校正参数为微观交通仿真软件中可控的参数,而且这些参数能够直接或是间接地影响路网的整体通行能力,主要包括但不限于如下:车辆期望速度(DesiredSpeed Distribution)、车辆变道距离(Lane-change Distance)、车辆鲁莽变道率(Imprudent Lane Changing)、车辆最大让行时间(Maximum waiting time)、车辆最小车头距离(Minimum Headway)、车辆超车率(Percentage Overtake)、车辆恢复率(PercentageRecover);针对不同的现有微观交通仿真软件,选择可以手动设置的N个底层模型参数作为待校正参数;
所述的车辆期望速度是指在没有其他车辆的影响下,驾驶员期望机动车行驶的速度;
所述的车辆变道距离是指车辆开始变道至期望车道的安全距离;
所述的车辆鲁莽变道率是指车辆在小于车辆变道距离时变道的概率;
所述的车辆最大让行时间是指车辆能够等待其他车辆先通行的最大时间;
所述的车辆最小车头距离是指相邻两行驶车辆的车头最小距离;
当引领车辆的速度低于跟随车辆期望速度的某个百分比时,跟随车辆将决定超车,该百分比即为所述的车辆超车率;
当引领车辆的速度高于跟随车辆期望速度的某个百分比时,跟随车辆将决定变道至最右边车速最小的车道,该百分比即为所述的车辆恢复率;
在理解待校正参数的物理意义的基础上,结合待校正参数的量纲和常识经验,人为确定参数的范围,如车辆期望速度,可定在40-70km/h范围内,最大让行时间可定在8-26s范围内;最小车头距离可定在3-8m范围之内等;若是步骤(8)或步骤(9)返回至该步骤时,调整参数的范围向外扩展区间长度的2η%,即若参数原区间范围是[low,high],则调整后的范围为:[max(lowbound,low-(high-low)·η%,min(high+(high-low)·η%,highbound]。
以交通仿真软件Aimsun为例,选取待校正参数和其范围集列入表2,为了简化参数范围,假设参数均服从均匀分布。
表2:待校正参数设定范围表
以下步骤是模型参数校正流程,如图2所示。
步骤(5).仿真参数方案集确定
现有常规手段处理方式是根据上述步骤(4)得到的待校正参数范围,假设上述待校正参数的初始值(low)、步长(step)、终止值(high)为:
[low:step:high]={[40:10:70],[0.5:0.1:1],[8:4:24],
[3:1:8],[0.6:0.1:1.2],[1:0.1:1.5]}
一个参数方案为待校正参数为某个值的一种组合,例如pj={50km/h,0.7,12s,4m,0.9,1.2},所以整个参数方案集内的参数方案的个数多达30240=4×6×5×6×7×6。
本发明为了减少现有常规手段在微观交通仿真软件仿真的次数,需要选出一个拥有少量方案数目的集合,且该集合能够尽量覆盖所有待校正参数范围的取值。
本发明采用拉丁超立方抽样(Latin hypercube)减少仿真参数方案个数,获得仿真参数方案集Ps。
使用拉丁超立方抽样方法选出从步骤(4)每个待校正参数中抽样选取k个仿真参数方案的集合Ps。具体步骤如下:
a).将每个待校正参数范围分成互不重叠的m个区间,使得每个区间被选取的概率相同,若待校正参数服从均匀分布,则m个区间的长度相同;
b).在每个待校正参数里的每一区间中随机抽取一个点,得到m个点;
c).再从步骤b)中选取m个点中随机抽取一个x,将每个待校正参数抽取出的点x组成一个仿真方案的参数向量
d).重复步骤b)、c)操作k次,得到k个仿真参数方案的集合Ps;
以表2待校正参数范围集为例,通过matlab的lhsnorm函数即可获得拉丁超立方抽样的k=100例采样。由于本发明假设待校正参数服从平均分布,所以其数学期望为μi=(lowi+highi)/2,方差为Di=(highi-lowi)2/12,协方差矩阵为:
其中high,low为均匀分布的上下界
执行命令lhsnorm(u,D,k)即可获得100个随机抽样参数方案集Ps。
步骤(6).对集合Ps中k个仿真参数方案进行逐个仿真,计算得到仿真指标数据Λs;
在现有微观交通仿真软件中手动设定仿真参数方案集Ps中每一个参数方案并且选取不同的仿真种子进行M次仿真;在现有微观交通仿真软件路网的两地A′,B′(与待测实地区域两地A、B相对应)通过布置检测器和查看仿真软件报表得到与真实指标数据Λr相对应的仿真指标数据Λs;
若真实指标数据选取为平均行程时间,则该仿真指标数据平均仿真行程时间Cs1、Cs2;
步骤(7)仿真指标数据Λs线性回归
将步骤(6)得到的仿真指标数据Λs与步骤(5)得到的仿真参数方案集Ps对应的参数方案进行线性回归,获得回归系数通过得到的拟合系数估计指标数据
其中
若真实指标数据为平均行程时间Cr,则仿真指标数据为仿真平均行程时间Cs,线性拟合获得的拟合参数和估计平均行程时间如式(5):
步骤(8).仿真参数方案集筛选
对步骤(5)得到的仿真参数方案集Ps进行筛选,获得最优的K个方案,组成最优参数方案集P*:
a).对于Ps每一个仿真方案pj对应的估计指标数据按照式(6)计算与真实指标数据Λr的误差Δt,筛选符合
所有仿真方案,即相对误差超过δ则淘汰该仿真方案;作为优选,相对误差限值δ=10%。
b).按照式(6)选取得使Δt最小的K对估计指标数据并将对应的仿真方案pj纳入最优参数方案集P*;
若经过a)筛选后方案个数不足K个,则全部纳入最优参数方案集。若筛选后,方案个数为0,则跳回至步骤(4),重新调整待校正参数范围。
步骤(9)最优参数方案集回归仿真并验证
对步骤(8)最优参数方案集P*每一个方案进行回归仿真,依据仿真动画、以及与步骤(1)交通不可控参数比较验证,得到最优仿真参数方案p*;若验证不通过,跳回至步骤(4),重新调整待校正参数集的范围:
a).在现有微观交通仿真软件仿真时,观看仿真动画;主要观察自由行驶行为、跟驰行为、换车道行为,不符实际情况的,主观剔除;
b).在现有微观交通仿真软件仿真时,通过检测器检测某路段的车辆速度和流量,在平面坐标绘制散点图,并且拟合车辆速度-流量曲线,之后与采集到的交通不可控参数中的交通行为曲线作比较,如果有明显的不符实际情况的,主观剔除;
c).在仿真过程中提取仿真车流量Qs,与步骤(1)交通不可控参数中的机动车车流量Qr进行对比,通过式(7)筛选出相对误差最小的最优参数方案
若最优参数方案p*的相对误差
则验证不通过,跳回至步骤(4),重新调整待校正参数范围。
所述的即是本发明针对现有微观交通仿真软件底层模型的校正参数。
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (4)
1.一种微观交通仿真软件的底层模型参数校正方法,其特征在于该方法包括以下步骤:
步骤(1).对待测实地区域采集交通对象不可控参数:
所述的交通对象不可控参数是指在待测实地区域的交通环境参数,其包括交通路网结构参数、机动车参数、交通行为曲线、车流量参数;
所述的交通路网结构参数包括每个路段长度、交叉口渠化、车道数、车道连接情况、信号灯配时方案;
所述的机动车参数包括车辆平均长度、车辆平均宽度、车辆平均最大加速度;
所述的交通行为曲线包括车辆速度-流量曲线;
所述的车流量参数包括路网交叉口所有进口的左转、直行、右转的车流量,单位为veh/h;
步骤(2).对待测实地区域采集真实指标数据Λr:
所述的真实指标数据为车辆行程时间、车辆平均速度、道路车辆占有率中的一种,采用以下计算方法获得真实指标数据Λr;
设定在相距L的两地A、B的录像中共有n辆车的记录,若第j车道某车辆i进入A地的时间点为离开B地的时间点为则由A→B的n辆车平均行程时间为
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>r</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>b</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>t</mi>
<mi>a</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
同理可测得B→A的n辆车平均行程时间Cr2;
由A→B的n辆车平均速度为
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mi>L</mi>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>b</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>t</mi>
<mi>a</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
同理可测得B→A的n辆车平均速度Vr2;
在观测时间段T内若车辆i通过环形线圈方波宽度为tij,则该时间段内,车辆i的道路车辆占有率为:
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>r</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>T</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤(3).微观交通仿真路网的搭建:
根据步骤(1)收集的交通对象不可控参数在现有微观交通仿真软件建立路网;
步骤(4).待校正参数范围确定
所述的待校正参数为现有微观交通仿真软件中可控的参数,而且这些参数能够直接或是间接地影响路网的整体通行能力,包括车辆期望速度Desired Speed Distribution、车辆变道距离Lane-change Distance、车辆鲁莽变道率Imprudent Lane Changing、车辆最大让行时间Maximum waiting time、车辆最小车头距离Minimum Headway、车辆超车率Percentage Overtake、车辆恢复率Percentage Recover;针对不同的现有微观交通仿真软件,选择可以手动设置的N个底层模型参数作为待校正参数;
所述的车辆期望速度是指在没有其他车辆的影响下,驾驶员期望机动车行驶的速度;
所述的车辆变道距离是指车辆开始变道至期望车道的安全距离;
所述的车辆鲁莽变道率是指车辆在小于车辆变道距离时变道的概率;
所述的车辆最大让行时间是指车辆能够等待其他车辆先通行的最大时间;
所述的车辆最小车头距离是指相邻两行驶车辆的车头最小距离;
当引领车辆的速度低于跟随车辆期望速度的某个百分比时,跟随车辆将决定超车,该百分比即为所述的车辆超车率;
当引领车辆的速度高于跟随车辆期望速度的某个百分比时,跟随车辆将决定变道至最右边车速最小的车道,该百分比即为所述的车辆恢复率;
在理解待校正参数的物理意义的基础上,结合待校正参数的量纲和常识经验,人为确定参数的范围;若是步骤(8)或步骤(9)返回至该步骤时,调整参数的范围向外扩展区间长度的2η%;
步骤(5).仿真参数方案集确定:
采用拉丁超立方抽样Latin hypercube从步骤(4)每个待校正参数中抽样选取k个仿真参数方案的集合Ps;
步骤(6).对上述步骤(5)集合Ps中k个仿真参数方案进行逐个仿真,计算得到仿真指标数据Λs;
在现有微观交通仿真软件中手动设定仿真参数方案集Ps中每一个参数方案其中xi为第i个待校正参数值,pj为由N个待校正参数值组成一种参数方案;并且选取不同的仿真种子进行M次仿真;通过观察现有微观交通仿真软件路网上两地A’、B’得到与真实指标数据Λr相对应的仿真指标数据Λs;
步骤(7).仿真指标数据Λs线性回归:
将步骤(6)得到的仿真指标数据Λs与步骤(5)得到的仿真参数方案集Ps对应的参数方案进行线性回归,获得回归系数通过得到的拟合系数估计指标数据
其中
步骤(8).仿真参数方案集筛选:
对步骤(5)得到的仿真参数方案集Ps进行筛选,若经过筛选后方案个数不足K个,则全部纳入最优参数方案集P*;若经过筛选后方案个数为0,则跳回至步骤(4),重新调整待校正参数范围;
步骤(9).最优参数方案集回归仿真并验证:
对步骤(8)最优参数方案集P*每一个方案进行回归仿真,依据仿真动画、以及与步骤(1)交通不可控参数比较验证,得到最优仿真参数方案p*;若验证不通过,跳回至步骤(4),重新调整待校正参数集的范围。
2.如权利要求1所述的一种微观交通仿真软件的底层模型参数校正方法,其特征在于步骤(5)的具体操作步骤如下:
a).将步骤(4)每个待校正参数范围分成互不重叠的m个区间,使得每个区间被选取的概率相同,若待校正参数服从均匀分布,则m个区间的长度相同;
b).在每个待校正参数里的每一区间中随机抽取一个点,得到m个点;
c).再从步骤b)中选取m个点中随机抽取一个x,将每个待校正参数抽取出的点x组成一个仿真方案的参数向量
d).重复步骤b)、c)操作k次,得到k个仿真参数方案的集合Ps。
3.如权利要求1所述的一种微观交通仿真软件的底层模型参数校正方法,其特征在于步骤(8)的具体操作如下:
a).对于步骤(5)得到的仿真参数方案集Ps每一个仿真方案pj对应的估计指标数据按照式(6)计算与真实指标数据Λr的误差Δt,筛选符合式(6)仿真方案,即相对误差超过δ则淘汰该仿真方案;
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mover>
<mi>&Lambda;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&Lambda;</mi>
<mi>r</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>&Lambda;</mi>
<mi>r</mi>
</msub>
</mfrac>
<mo><</mo>
<mi>&delta;</mi>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中δ为相对误差限值;
b).按照式(6)选取Δt最小的K对估计指标数据并将对应的仿真方案pj纳入最优参数方案集P*;
若经过a)筛选后方案个数不足K个,则全部纳入最优参数方案集;若筛选后,方案个数为0,则跳回至步骤(4),重新调整待校正参数范围。
4.如权利要求1所述的一种微观交通仿真软件的底层模型参数校正方法,其特征在于步骤(9)的具体操作步骤如下:
a).在现有微观交通仿真软件仿真步骤(8)最优参数方案集P*每一个方案时,观看仿真动画;观察自由行驶行为、跟驰行为、换车道行为,不符实际情况的,主观剔除;
b).在现有微观交通仿真软件仿真步骤(8)最优参数方案集P*每一个方案时,通过检测器检测某路段的车辆速度和流量,在平面坐标绘制散点图,并且拟合车辆速度-流量曲线,之后与采集到的交通不可控参数中的交通行为曲线作比较,若有明显的不符实际情况的,主观剔除;
c).在现有微观交通仿真软件仿真步骤(8)最优参数方案集P*每一个方案过程中提取仿真车流量Qs,与步骤(1)交通不可控参数中的机动车车流量Qr进行对比,通过式(7)筛选出相对误差最小的最优参数方案
<mrow>
<mi>p</mi>
<mo>*</mo>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>r</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>Q</mi>
<mi>r</mi>
</msub>
</mfrac>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mi>P</mi>
<mo>*</mo>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
若最优参数方案p*的相对误差符合式(8)则验证不通过,跳回至步骤(4),重新调整待校正参数范围:
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>r</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>Q</mi>
<mi>r</mi>
</msub>
</mfrac>
<mo>></mo>
<mi>&delta;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410570621.3A CN104298540B (zh) | 2014-10-23 | 2014-10-23 | 一种微观交通仿真软件的底层模型参数校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410570621.3A CN104298540B (zh) | 2014-10-23 | 2014-10-23 | 一种微观交通仿真软件的底层模型参数校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104298540A CN104298540A (zh) | 2015-01-21 |
CN104298540B true CN104298540B (zh) | 2017-11-07 |
Family
ID=52318280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410570621.3A Expired - Fee Related CN104298540B (zh) | 2014-10-23 | 2014-10-23 | 一种微观交通仿真软件的底层模型参数校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104298540B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400844A (zh) * | 2018-12-27 | 2020-07-10 | 北京金风科创风电设备有限公司 | 气象模型的参数方案集合生成方法及风速预报方法 |
CN111753459B (zh) * | 2019-03-11 | 2024-06-04 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN111815940B (zh) * | 2019-04-09 | 2022-07-29 | 阿里巴巴集团控股有限公司 | 交通仿真方法、装置、电子设备及计算机可读存储介质 |
CN111824214B (zh) * | 2019-04-18 | 2022-05-20 | 中车株洲电力机车研究所有限公司 | 一种重载机车自动驾驶主动安全控制方法及系统 |
CN111985092B (zh) * | 2020-07-30 | 2024-05-31 | 哈尔滨工业大学 | 一种智能汽车仿真测试矩阵生成方法 |
CN112927513B (zh) * | 2021-03-02 | 2022-11-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时在线交通仿真方法及系统 |
CN113223293B (zh) * | 2021-05-06 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN113655521B (zh) * | 2021-07-13 | 2022-06-14 | 华南理工大学 | 基于离散拉丁超立方抽样选波方法 |
CN113823099B (zh) * | 2021-09-10 | 2023-03-21 | 上海商汤智能科技有限公司 | 信控方案调整方法、装置、设备及计算机可读存储介质 |
CN115544599B (zh) * | 2022-11-22 | 2023-05-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于交通仿真模型的参数校核标定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
CN103761138A (zh) * | 2014-01-16 | 2014-04-30 | 昆明理工大学 | 一种交通仿真软件的参数校正方法 |
CN103942398A (zh) * | 2014-05-05 | 2014-07-23 | 江苏物联网研究发展中心 | 基于遗传算法及广义回归神经网络的交通仿真校正方法 |
-
2014
- 2014-10-23 CN CN201410570621.3A patent/CN104298540B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
CN103761138A (zh) * | 2014-01-16 | 2014-04-30 | 昆明理工大学 | 一种交通仿真软件的参数校正方法 |
CN103942398A (zh) * | 2014-05-05 | 2014-07-23 | 江苏物联网研究发展中心 | 基于遗传算法及广义回归神经网络的交通仿真校正方法 |
Non-Patent Citations (3)
Title |
---|
基于Q-paramics的微观交通仿真模型参数校正;成卫;《系统工程》;20130228;第31卷(第2期);第42-46页 * |
微观交通仿真模型的全微观参数校正;罗莉华;《系统仿真学报》;20110430;第23卷(第4期);第659-662页 * |
微观交通仿真系统参数校正研究;孙剑 等;《系统仿真学报》;20070131;第19卷(第1期);第48-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104298540A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104298540B (zh) | 一种微观交通仿真软件的底层模型参数校正方法 | |
WO2018149307A1 (zh) | 交通路况分析方法、装置及电子设备 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN104699956B (zh) | 一种基于移动终端的干线绿波协调效果评估方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN104899360B (zh) | 一种绘制宏观基本图的方法 | |
CN109272746B (zh) | 一种基于bp神经网络数据融合的mfd估测方法 | |
CN106384509A (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN104866654A (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
DE102012107309A1 (de) | Verfahren und Vorrichtung zum Schätzen der Leistungsnutzung | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
Tianzi et al. | Comparative study of VISSIM and SIDRA on signalized intersection | |
CN105741555B (zh) | 一种基于宏观基本图确定车型折算系数的方法 | |
CN106875734B (zh) | 一种推送停车路线的方法及装置 | |
CN103077275B (zh) | 高速公路匝道仿真模型的参数标定方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN101123038A (zh) | 一种路口关联路段动态路况采集方法 | |
CN109308805A (zh) | 一种基于自适应加权平均数据融合的路网mfd估测方法 | |
CN101639871A (zh) | 面向行为研究的车载动态交通信息诱导系统模拟设计方法 | |
CN105894814A (zh) | 考虑环境效益的多种交通管控措施联合优化方法及系统 | |
CN105574313B (zh) | 一种道路等级的确定方法和装置 | |
CN107578620A (zh) | 基于车道级系统的道路通行能力的计算方法、系统和装置 | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
CN107704976A (zh) | 基于居民出行调查的城市家庭交通尾气排放量预测方法 | |
CN103500511A (zh) | 一种基于车联网的交叉口信号灯绿信比调节方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20191023 |
|
CF01 | Termination of patent right due to non-payment of annual fee |