CN104866654B - 一种一体化城市动态交通仿真平台的构建方法 - Google Patents

Abstract

本发明公开了一种一体化城市动态交通仿真平台的构建方法，将宏观、中观和微观模型集合在一个一体化仿真平台中，实现了路网及数据的共享，减少了重复建模工作和数据资源的浪费，效率更高，应用范围更广；引入了基于中观仿真模型的参数标定法，与基于微观仿真模型的参数标定法相比，建模工作量更小、运行速度更快和路径分析功能更强；增设了专用接口工具，能直接导入流量数据或直接读入交通信号控制系统的控制数据，并自动将导入或读入外部动静态交通数据转化为仿真平台的数据，减少了人工的参与，能实时更新交通数据且进一步提高了效率。本发明可广泛应用于虚拟仿真领域。

Description

一种一体化城市动态交通仿真平台的构建方法

技术领域

本发明涉及虚拟仿真领域，尤其是一种一体化城市动态交通仿真平台的构建方法。

背景技术

交通仿真具有经济、安全、可重复、易用、可控制、快速真实和可拓展等特点，目前已成为城市交通分析、设计、运行和评价系统的重要工具。根据对交通系统描述的细节程度不同，交通仿真模型可以分为宏观、中观和微观三种。其中，宏观模型能够分析和重现交通流的宏观特性，适合于大范围的路网静态分析，但模型的灵活性和描述能力较为有限；中观模型能够近似地描述车辆的车道变换等行为，适合于大中型路网的动态分析，但模型对关键节点的仿真精度不足；微观模型能够细致地描述交通系统中每辆车的驾驶行为及其相互作用，但其运算速度及内存需求随着车辆数的增加而增加，不适于做大范围的路网仿真。三种仿真模型具有不同的仿真原理及应用范围，因此现有的城市交通仿真往往是基于不同的交通模型建立不同的仿真平台，例如基于Cube建立宏观分析平台、基于Integration建立中观分析平台、基于Vissim建立微观分析平台等，由于各仿真平台的路网及数据无法共享，造成了仿真路网的重复建模工作以及数据资源的浪费。而且，目前的交通仿真平台的参数标定方法大多是基于微观仿真模型的参数标定法，虽能提高仿真精度，但其运行速度慢且路径分析功能较弱。

此外，随着城市智能交通系统建设规模的不断扩大，交通数据的采集范围、广度和深度逐渐增加，目前正形成以微波、线圈、地磁、视频等交通流检测数据、交通信号控制系统数据、地理信息系统和其它系统数据以及信息服务数据等多源异构的交通数据。如何挖掘这些多源异构数据的潜在价值并为城市交通系统的正常、高效运行提供可靠支持已经成为新时代交通管理的关键。目前的交通仿真平台仍需通过人工处理的方式将外部动静态交通数据(交通流量检测器和交通信号控制系统)转化为仿真平台的数据，效率较低且难以实时更新数据。

目前国内外学者对多源异构数据的交通应用做了一些的探讨和研究，但应用宏中微观一体化的交通仿真研究基本上没有，然而宏中微一体化仿真技术综合考虑各种模型的优缺点，具有广泛的应用范围和前景。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种应用范围广、效率高、路径分析功能强和能实时更新数据的，一体化城市动态交通仿真平台的构建方法。

本发明解决其技术问题所采用的技术方案是：

一种一体化城市动态交通仿真平台的构建方法，包括：

S1、构建仿真平台的基础路网和交通小区，并获取交通小区的OD出行矩阵；

S2、专用接口工具直接导入流量检测器的流量数据，并根据映射关系将交通流量检测器的流量赋值给仿真平台的相应路段；

S3、进行仿真平台的宏观模型参数标定；

S4、根据OD出行矩阵和交通流量检测器的流量值进行OD矩阵反推；

S5、判断OD出行矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在进行路网和路段流量优化调整之后返回步骤S4；

S6、根据仿真的精度要求对仿真平台的路段及交叉口的宏观、中观及微观这三种仿真模型进行设置；

S7、专用接口工具直接读入交通信号控制系统的控制数据，并根据交通信号控制系统与仿真平台交叉口的对应关系将信号控制系统的信号控制方案转化为仿真平台的控制方案；

S8、通过分析中观、微观仿真模型的参数，选定敏感性大的参数进行中微观参数标定；

S9、通过动态交通分配方法确定OD出行矩阵中各OD点对的最优出行路径；

S10、根据OD点对的最优出行路径进行车流仿真，并判断仿真结果符合要求，若是，则完成仿真平台的构建操作；反之，则在对OD出行矩阵进行修改和对路网进行优化后返回步骤S9。

进一步，所述步骤S1，其包括：

S11、根据GIS、互联网航拍图和街景地图数据构建仿真平台的基础路网；

S12、根据城市的土地利用性质、人口及就业数据划分交通小区，然后对各交通小区创建包含新建属性的型心点，并将型心点与交通小区周边的道路进行连接，形成交通小区的型心连杆，所述各个型心点的新建属性用于与交通小区的实际编号相匹配；

S13、根据型心点新建交通小区的OD出行矩阵，并以经历史出行调查得到的OD矩阵或其它宏观仿真平台的OD矩阵作为该OD出行矩阵的初始值，所述OD出行矩阵的行列属性值设置为型心点的新建属性值。

进一步，所述步骤S3，其具体为：

针对仿真平台中不同等级的道路分别设置其通行能力和自由流速度值，并标定各个等级的道路流量-速度关系模型的参数值α、β，所述流量-速度关系模型的计算公式为：

V＝V₀/[1+α(Q/C)^β]，

其中，V为路段交通量为Q时的行驶车速，V₀为自由流状态下行驶车速，C为路段的通行能力，α、β是流量-速度关系模型的待标定参数。

进一步，所述步骤S5，其具体为：

根据均方平均误差、均方平均误差百分比和相关系数指标判断OD矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在分析基础路网和路段存在问题的原因并做调整优化之后返回步骤S4，直到均方平均误差、均方平均误差百分比和相关系数指标符合要求为止。

进一步，所述步骤S7，其包括：

S71、建立仿真平台与信号控制系统的交叉口对应关系；

S72、专用接口工具分别读取仿真平台与控制系统对应交叉口的数据；

S73、判断仿真平台与控制系统对应交叉口的数据是否完全匹配，若是，则直接读取信号控制系统的配时方案，反之，则在将不匹配的交叉口数据修改到匹配之后读取信号控制系统的配时方案；

S74、根据信号控制系统的配时方案按仿真平台的格式生成仿真平台信号配时文件；

S75、将仿真平台信号配时文件导入到仿真平台。

进一步，所述步骤S8，其包括:

S81、对中观、微观仿真模型分别进行原理分析和参数梳理，初步选出拟标定参数集合；

S82、选取所需的评价指标；

S83、根据选取的评价指标采用控制变量法对拟标定参数集合进行敏感性分析，并以敏感性大的参数作为需标定参数；

S84、对需标定参数进行仿真试验和分析，确定需标定参数的参数值及参数组合。

进一步，所述步骤S83，其具体为：

改变拟标定参数集合中任一个参数的数值而保持其它的参数不变，根据选取的评价指标运行仿真并做评价指标的结果分析，判断评价指标的变化相对于调整前的变化幅度是否大于预设的变化阈值，若是，则表明该参数为敏感性大的参数，需做参数的标定；反之，则说明该参数为敏感性小的参数，不需要做参数的标定，最终得到拟标定参数集合中所有的需标定参数。

进一步，所述步骤S84，其具体为:

通过分别设置多组不同的需标定参数进行仿真试验，分析需标定参数对评价指标的变化趋势，并结合信号控制系统中本地的交通情况确定需标定参数的参数值及参数组合。

进一步，所述步骤S9，其具体为:

根据设定的迭代次数、每次迭代寻优的范围以及出行时间的计算方法进行动态交通分配，并根据相对间距指标来衡量动态交通分配结果的收敛情况，最终得到OD出行矩阵中各OD点对的最优出行路径，所述相对间距指标的计算公式为：

其中，Gap^T表示第T个时间间隔的相对间距，I表示OD点对的个数，Ki表示第i个OD点对的路径总数，表示采用第k条路径的交通量、表示第k个路径的行程时间、表示第i个OD点对在第T个时间间隔需要离开路网的交通量、 _i表示第i个OD点对的最短路径行驶时间。

本发明的有益效果是：将宏观、中观和微观模型集合在一个一体化仿真平台中，实现了路网及数据的共享，减少了重复建模工作和数据资源的浪费，效率更高，应用范围更广；引入了基于中观仿真模型的参数标定法，与基于微观仿真模型的参数标定法相比，建模工作量更小、运行速度更快和路径分析功能更强；增设了专用接口工具，能直接导入流量数据或直接读入交通信号控制系统的控制数据，并自动将导入或读入外部动静态交通数据转化为仿真平台的数据，减少了人工的参与，能实时更新交通数据且进一步提高了效率。进一步，采用动态交通分配方法优化各OD点对的出行路径，仿真精度更高，最大限度地减少OD点对的出行延误，均衡了仿真路网的车流。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本发明一种一体化城市动态交通仿真平台的构建方法的整体流程图；

图2为本发明步骤S1的流程图；

图3为本发明步骤S7的流程图；

图4为本发明步骤S8的流程图；

图5为本发明实施例一交通仿真平台的构建方法的具体实现步骤流程图；

图6为本发明实施例一交通信号控制系统控制方案导入到仿真平台的流程图；

图7为本发明实施例一中微观仿真模型参数的标定流程图；

图8为本发明实施例二中观仿真模型的原理框架图；

图9为本发明实施例二中观仿真模型参数变化对流量的影响变化情况示意图；

图10为本发明实施例二中观仿真模型参数变化对速度的影响变化情况示意图；

图11为本发明实施例二基于多源异构数据的一体化广州市动态交通仿真平台示意图；

图12为本发明实施例二动态交通分配方法的流程图。

具体实施方式

参照图1，一种一体化城市动态交通仿真平台的构建方法，包括：

S1、构建仿真平台的基础路网和交通小区，并获取交通小区的OD出行矩阵；

S2、专用接口工具直接导入流量检测器的流量数据，并根据映射关系将交通流量检测器的流量赋值给仿真平台的相应路段；

S3、进行仿真平台的宏观模型参数标定；

S4、根据OD出行矩阵和交通流量检测器的流量值进行OD矩阵反推；

S5、判断OD出行矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在进行路网和路段流量优化调整之后返回步骤S4；

S6、根据仿真的精度要求对仿真平台的路段及交叉口的宏观、中观及微观这三种仿真模型进行设置；

S7、专用接口工具直接读入交通信号控制系统的控制数据，并根据交通信号控制系统与仿真平台交叉口的对应关系将信号控制系统的信号控制方案转化为仿真平台的控制方案；

S8、通过分析中观、微观仿真模型的参数，选定敏感性大的参数进行中微观参数标定；

S9、通过动态交通分配方法确定OD出行矩阵中各OD点对的最优出行路径；

S10、根据OD点对的最优出行路径进行车流仿真，并判断仿真结果符合要求，若是，则完成仿真平台的构建操作；反之，则在对OD出行矩阵进行修改和对路网进行优化后返回步骤S9。

本发明首先搭建仿真路网和交通小区作为仿真平台的基础，接着根据映射关系将交通小区的OD矩阵和交通流量检测器的数据导入到交通仿真平台中，再接着根据道路的设计资料及调查数据等对仿真路网的宏观模型参数(通行能力、速度等)进行校核，然后以上述的数据为基础在仿真平台中运行OD矩阵反推程序，当OD反推后路段的分配流量与观测流量基本一致时，可进行下一步工作，否则对仿真路网及路段的观测流量进行调整并重新进行OD矩阵反推。再接着，将获得的OD矩阵作为平台的车流输入，同时对路段及交叉口拟采用的模型(宏、中、微观)进行设置；中微观仿真需考虑交叉口的信号控制，将交通信号控制系统的信号控制方案转化成仿真平台可识别的文件并导入到仿真平台中；进一步研究中微观仿真模型的参数，通过定性分析确定哪些参数需要进行敏感性分析，并针对敏感性较大的参数进行标定；最后通过动态交通分配法确定各OD点对的最优出行路径，并运行仿真，当仿真结果可接受时，则仿真平台的搭建工作完成，否则利用仿真工具对矩阵或者路网进一步优化，并重新通过动态交通分配优化出行路径直到仿真结果可以接受为止。

参照图2，进一步作为优选的实施方式，所述步骤S1，其包括：

S11、根据GIS、互联网航拍图和街景地图数据构建仿真平台的基础路网；

S12、根据城市的土地利用性质、人口及就业数据划分交通小区，然后对各交通小区创建包含新建属性的型心点，并将型心点与交通小区周边的道路进行连接，形成交通小区的型心连杆，所述各个型心点的新建属性用于与交通小区的实际编号相匹配；

S13、根据型心点新建交通小区的OD出行矩阵，并以经历史出行调查得到的OD矩阵或其它宏观仿真平台的OD矩阵作为该OD出行矩阵的初始值，所述OD出行矩阵的行列属性值设置为型心点的新建属性值。

进一步作为优选的实施方式，所述步骤S3，其具体为：

针对仿真平台中不同等级的道路分别设置其通行能力和自由流速度值，并标定各个等级的道路流量-速度关系模型的参数值α、β，所述流量-速度关系模型的计算公式为：

V＝V₀/[1+α(Q/C)^β]，

其中，V为路段交通量为Q时的行驶车速，V₀为自由流状态下行驶车速，C为路段的通行能力，α、β是流量-速度关系模型的待标定参数。

进一步作为优选的实施方式，所述步骤S5，其具体为：

根据均方平均误差、均方平均误差百分比和相关系数指标判断OD矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在分析基础路网和路段存在问题的原因并做调整优化之后返回步骤S4，直到均方平均误差、均方平均误差百分比和相关系数指标符合要求为止。

参照图3，进一步作为优选的实施方式，所述步骤S7，其包括：

S71、建立仿真平台与信号控制系统的交叉口对应关系；

S72、专用接口工具分别读取仿真平台与控制系统对应交叉口的数据；

S73、判断仿真平台与控制系统对应交叉口的数据是否完全匹配，若是，则直接读取信号控制系统的配时方案，反之，则在将不匹配的交叉口数据修改到匹配之后读取信号控制系统的配时方案；

S74、根据信号控制系统的配时方案按仿真平台的格式生成仿真平台信号配时文件；

S75、将仿真平台信号配时文件导入到仿真平台。

参照图4，进一步作为优选的实施方式，所述步骤S8，其包括:

S81、对中观、微观仿真模型分别进行原理分析和参数梳理，初步选出拟标定参数集合；

S82、选取所需的评价指标；

S83、根据选取的评价指标采用控制变量法对拟标定参数集合进行敏感性分析，并以敏感性大的参数作为需标定参数；

S84、对需标定参数进行仿真试验和分析，确定需标定参数的参数值及参数组合。

进一步作为优选的实施方式，所述步骤S83，其具体为：

改变拟标定参数集合中任一个参数的数值而保持其它的参数不变，根据选取的评价指标运行仿真并做评价指标的结果分析，判断评价指标的变化相对于调整前的变化幅度是否大于预设的变化阈值，若是，则表明该参数为敏感性大的参数，需做参数的标定；反之，则说明该参数为敏感性小的参数，不需要做参数的标定，最终得到拟标定参数集合中所有的需标定参数。

进一步作为优选的实施方式，所述步骤S84，其具体为:

通过分别设置多组不同的需标定参数进行仿真试验，分析需标定参数对评价指标的变化趋势，并结合信号控制系统中本地的交通情况确定需标定参数的参数值及参数组合。

进一步作为优选的实施方式，所述步骤S9，其具体为:

根据设定的迭代次数、每次迭代寻优的范围以及出行时间的计算方法进行动态交通分配，并根据相对间距指标来衡量动态交通分配结果的收敛情况，最终得到OD出行矩阵中各OD点对的最优出行路径，所述相对间距指标的计算公式为：

其中，Gap^T表示第T个时间间隔的相对间距，I表示OD点对的个数，K_i表示第i个OD点对的路径总数，表示采用第k条路径的交通量、表示第k个路径的行程时间、表示第i个OD点对在第T个时间间隔需要离开路网的交通量、表示第i个OD点对的最短路径行驶时间。

下面结合说明书附图和具体实施例对本发明作进一步详细说明。

实施例一

参照图5-7，本发明的第一实施例：

本实施例一种一体化城市动态交通仿真平台的构建方法的具体实现步骤如下：

步骤一：结合城市的GIS数据、互联网航拍图和街景地图绘制城市的交通仿真路网，其中路网包括城市的进出城通道、市区的高快速路、主次干道及部分支路等，本实施例的仿真路网需精细到各路段及交叉口的车道和转向(包括了交叉口的渠化、路段和交叉口的交通组织方案等)。

步骤二：结合城市的土地利用性质、人口及就业等数据对城市进行交通小区划分，划分的交通小区应符合居民的交通出行特性；接着在仿真平台中建立各个交通小区的型心点，并新增型心点的一个属性，将各个型心点的该属性值设置为对应交通小区的编号；再将交通小区的型心点与交通小区周边的道路进行连接，形成交通小区的型心连杆。

步骤三：根据各交通小区型心点生成一个新的OD矩阵，将矩阵的行列属性设置为型心点新建的属性列，并在完成仿真平台矩阵与交通小区实际出行矩阵的映射关系后，进一步将通过出行调查或者其它宏观仿真平台推算得到的OD矩阵通过专用接口工具导入到仿真平台中。

步骤四：分别建立交通流检测器(包括地磁、线圈、微波及视频等检测器)的检测点编号及检测方向与仿真平台相应的路段ID和方向的一一对应关系，同时在仿真平台的路段属性中增加两个属性列，这两个属性列分别储存路段两个方向的不同流量值；最后通过GISDK编程语言将检测器的交通流量一次性赋值给仿真平台中路段相应的属性值。

步骤五：将仿真平台中的交通路网分为不同的道路等级，并针对各等级的道路分别设置其相应的通行能力和自由流速度值；同时由于宏观模型采用的是流量-速度关系模型，还需要对各个等级的道路标定模型的参数值α、β，流量-速度关系模型的计算公式为：

V＝V₀/[1+α(Q/C)^β]。

步骤六：基于交通流检测器的路段流量以及初始的OD矩阵，可以推算在新交通流量下的OD矩阵，此即OD矩阵反推的过程。

OD矩阵反推需要先选定交通分配方法、路阻函数、路径选择方法以及相关参数的设置等；在设定完上述的参数后，即可进行OD矩阵的反推，而在迭代完成后，可以通过以下的指标来评价OD反推的结果是否收敛或者符合要求：

(1)均方平均误差RMSE：均方平均误差越小，表示路段的分配流量与实际的观测流量越接近，具体计算公式为：

式中，q_k表示路段的分配流量，v_k表示路段的观测流量，n表示观测的路段数。

(2)均方平均误差百分比RMSE％：均方平均误差百分比数值越小，表明路段的分配流量与实际的观测流量越相近，具体计算公式为：

式中，q_k表示路段的分配流量，v_k表示路段的观测流量，n表示观测的路段数。

(3)相关系数R²：相关系数越接近于1，表明路段分配的流量与观测流量的相关性越强，OD反推的效果越好。

步骤七：若OD反推后路段的分配流量不满足要求，则需要分析仿真路网存在问题的原因并做调整优化，而后再继续OD反推迭代直到RMSE、RMSE％、R²等评价指标符合要求。

仿真路网存在问题的原因有：

a.交通小区的型心连杆(即出入口)较少，导致小区的出入流量集中到某一路段上，造成相连路段的流量较大；

b.路段的出入口较少，导致道路的汇入汇出车辆有限，交通分配的车流源受限；

c.同一道路不同断面的流量相差较大，导致交通分配无法得到合格的分配结果；

d.仿真路网的次干道或支路不足，导致OD点对间的车流路径有限，使过多的车辆分配到单一路径而导致路径上某一路段的流量过大；

e.初始矩阵部分OD点对间的流量不合理，导致反推出来的OD矩阵流量偏差较大。

步骤八：根据仿真的精度要求，对路段和交叉口所采用的仿真模型进行设置：针对城市全网进行仿真时，可以对进出城通道采用宏观仿真模型(如流量-延误关系模型)、城市中心区路网采用中观模型(如车队模型)，关键路段及交叉口采用微观模型(如单个车辆仿真)。

步骤九：进行信号控制方案的设置。

宏观仿真不考虑交叉口的信号控制，而中微观仿真考虑交叉口的信号控制；随着交通信号控制系统的发展，信号控制系统能将交叉口的物理结构、信号控制方案等各种信息储存在数据库里，且为其它系统的数据接入提供了接口。

如图6所示，本实施例首先建立仿真平台与信号控制系统的交叉口对应关系，接着通过编程语言和专用接口工具读取仿真平台与控制系统对应交叉口的数据，当二者读取的信息不匹配时需进行手动修改直到匹配，再接着读取信号控制系统的配时方案并按仿真平台的格式生成配时文件，并将配时文件导入到仿真平台，从而实现实际信号控制系统与仿真平台信号控制方案的无缝对接。

步骤十：选定敏感性大的参数进行中微观参数标定。

如图7所示，中观参数标定方法的具体过程为：通过分析中观仿真模型的原理，梳理出所有的中观仿真模型参数，并对这些参数进行分析，初步选出需要标定的参数集合；进一步对这些参数做敏感性分析：改变集合中某一个参数的数值、保持其它的参数不变，选取交通量、速度、延误等为评价指标，运行仿真并做评价指标的结果分析，当指标的变化较调整前的变化幅度较大(即已超过预设的变化阈值)时，表明该参数较为敏感，需做参数的标定；当变化幅度不大(即未超过预设的变化阈值)时，说明该参数不敏感，不需要做参数的标定；最后针对敏感性大的参数，分别设置多组不同的参数进行仿真试验，分析参数对评价指标的变化趋势并结合本地的交通情况最终确定合理的参数值及参数组合。

同理，对微观仿真模型的参数也可以采用类似中观参数标定方法，最终确定微观仿真模型的各项参数。

步骤十一：仿真模型参数标定完后，需通过动态交通分配方法寻找各OD点对间的最优行驶路径。

动态交通分配需要设定迭代的次数、每次迭代寻优的范围以及出行时间的计算方法等；本实施例采用相对间距指标来衡量动态交通分配结果的收敛情况。

相对间距(Rative Gap)：相对间距越接近于0，表明动态交通分配的结果越好，OD点间的出行时间越小，路网整体的均衡性越强。

步骤十二：经动态交通分配后会产生各OD点对的路径行程时间和节点转向延误文件，以这两个文件作为仿真路径选择算法的基础运行仿真；若仿真结果无法满足要求，则需利用仿真工具查看经过这些路段的OD点对集合，并对这些OD点对集合的交通流量进行修改，修改完成后返回到步骤十一重新进行动态交通分配，若此时的分配结果仍不符合要求，则继续修改OD矩阵、重新运行动态交通分配直到仿真结合符合要求。

实施例二

参照图8-12，本发明的第二实施例：

以广州市为例，采用本发明的方法在TransModeler仿真软件中建立如图11所示基于多源异构数据的一体化动态交通仿真平台的具体过程为：

首先通过GIS地理信息系统将广州市的道路网络导出保存成.shp文件，将.shp文件导入到TransModeler软件中作为一个新建层(即road层)，然后根据road层的线形绘制仿真路网，完成仿真路网的搭建工作。其中，路网的范围为环城高速以内的高快速路、主次干道及部分支路以及与环城高速相连的主要进出城通道，路网具体的路段、交叉口车道数及渠化情况可以参照互联网的航拍图和街景地图来设置。

接着，结合广州的土地利用、人口和就业情况等及相关的研究成果，将广州市域划分为1438个交通小区，并创建各个交通小区的型心点(该型心点的ID由TransModeler软件自动生成)，在型心点的数据表中增设一个属性列ZONEID，并将每个型心点的该属性值赋给实际的交通小区编号值，以使仿真平台的小区与实际交通小区对应，同时将各小区的型心点与周边的道路相连形成型心连杆(用于小区的交通流入流出通道)。

再接着，根据历史的交通出行调查及相关的出行规律分析推算，可以得到历史的交通小区出行OD矩阵。在软件中基于创建的交通小区生成新的OD矩阵，将矩阵的Indices值设置为ZONEID，并将历史的出行OD矩阵导入赋值给新建的OD矩阵。

然后查看广州市各交通流量检测点检测的路段及车流方向，并在仿真平台中寻找相应的路段segment，建立检测点的ID与segment的ID对应关系表。在segment的数据表中增设两个属性列Count AB\Count BA，用于储存每个路段两个方向的交通流量。通过仿真软件自有的编程语言GISDK编写宏程序将检测点的流量数据表、检测点与segment的对应关系表和segment的属性表三者相互关联完成segment的路段流量赋值过程。

仿真平台构建的道路网有环城高速内外的高速路、快速路、主干道、次干道和支路等，针对各个等级的道路设置其通行能力和自由流速度，如表1、表2所示。宏观模型采用的是流量-速度模型，结合广州的运行特性进一步对各等级道路的模型参数值α、β进行标定设置，如表3所示。

表1仿真平台各等级道路的通行能力

表2仿真平台各等级道路的自由流速度

道路等级	高速路	快速路	主干道	次干道	支路
						速度(公里/时)	100	80	60	40	30

表3仿真平台等级道路的模型参数值

道路等级	高速路	快速路	主干道	次干道	支路
						α	0.54	0.45	1.03	1.19	0.99
β	4.43	5.35	4.45	3.55	3.55

基于仿真路网、路段流量和OD矩阵，可以进行OD矩阵的反推。根据各种模型和方法的优缺点，本实施例OD反推中的交通分配方法选用随机用户均衡方，路阻函数选用BPR函数，路径选择方法选用多路径选择方法，交通分配和OD矩阵的迭代次数均设置为20次，收敛相对间距均设置为0.001。

如表4所示，本实施例初次运行OD反推后得到均方平均误差为417、均方平均误差百分比为17.38％、相关系数为0.9234，总的来看路段的分配交通流量与观测流量还有一定的差距，不符合精度要求，需进一步对仿真路网以及路段的观测值进行调整优化，具体的调整优化方法有：

(1)增加部分交通小区的型心连杆数，以均衡、分散小区的进出通道流量；

(2)增加部分路段的出入口，以提高路段交通流的周转性；

(3)对路段观测路段进行关联性分析，剔除路段上下游交通流量差异较大的观测值；

(4)增加部分次干道或者支路，提高仿真路网整体的连通性；

(5)在观测路段的上下游关联路段增设观测流量值，增加观测路段的约束条件，提高交通分配结果的精度；

(6)修改初始OD矩阵某一OD矩阵单元的流量值，减少其对OD反推程序的影响。

表4初次OD反推结果评价指标

指标	RMSE	RMSE％	R2
				指标值	417	17.38％	0.9234

通过上述方法不断进行优化调整，OD反推最终的指标结果为均方平均误差为335，均方平均误差百分比为13.97％，相关系数为0.9509％，如表5所示，基本上符合精度要求，故不再进行调整与优化。

表5最终OD反推结果评价指标

指标	RMSE	RMSE％	R2
				指标值	335	13.97％	0.9509

根据广州市的交通运作特性，以环城高速为界将环城以外的进出城通道的fidelity属性设置为macroscopic，即采用宏观仿真模型；环城以内的关键路段和交叉口的fidelity属性设置为mesoscopic(中观模型)，环城以内的其它及交叉口及路段fidelity属性设置为microscopic(微观模型)。

由于中观微仿真要考虑交叉口的信号控制，因此需在仿真平台中加入信号控制方案。广州市的交通信号控制系统采用SCATS系统，首先建立SCATS系统的交叉口编号与仿真平台节点node的ID对应关系表；接着通过C#语言编程分别读取SCATS交叉口的物理结构、信号控制方案以及仿真平台相应路口的物理结构，通过两者的进口道与转向匹配，将SCATS的信号控制方案转化为仿真平台的信号控制文件(如.tms文件)，并将该文件导入到仿真平台，完成交通信号控制系统方案与仿真平台的转化过程。

TransModeler中观仿真模型是以若干车辆构成的队列为单元对交通流进行描述，可以近似描述车辆的车道变换等行为，模型整体的框架如图8所示。中观仿真模型首先判断车流是否处于自由流状态，当处于自由流状态时，车辆以单个车辆运行，否则以车队的形式运行。以车队运行时，涉及到路段及交叉口这两个方面，其中路段涉及到车队的合并与分离、车辆的超车及变道、路段的延误和速度计算等，交叉口涉及到车队的分流转向问题、交叉口通行能力的计算以及对信号控制的处理等，综合这些模型共涉及到34组模型参数。然后结合广州本地的交通运行情况，对34组参数进行定性分析，选取车队合并阈值、车队分离阈值、最大交叉口延误等18个参数进行敏感度分析，如表6所示。

表6 TransModeler中观仿真模型涉及到的34组参数

表6中，斜体为拟进行敏感度分析的参数。

分别对表6中18个参数的初始值进行±30％调整、保持其它的参数初始值不变做仿真试验，选取流量与速度作为评价指标，仿真评价结果如图9和10所示，仿真结果显示拥堵密度、自由流车头间距、超车距离阈值、红灯右转安全时距等参数较为敏感，其初始值变化30％时流量及速度指标的变化幅度大都超过5％，属于敏感参数，而其余参数相对不敏感，故确定显示拥堵密度、自由流车头间距、超车距离阈值、红灯右转安全时距这几个参数为待标定参数。

然后结合广州市城市道路的运行特性，确定以上参数的合理范围，并进一步做仿真试验分析，最终确定了各个参数的取值及参数组合，如表7所示。

表7中观仿真模型参数标定参数及标定值

而微观仿真模型是以单个车辆为基本单元对交通流进行描述，主要包括车辆行为、信号控制、交通事件管理等仿真模型，采用中观仿真模型类似的分析方法(仿真原理分析、参数选择、敏感度分析等工作)，结合广州本地情况进行多次仿真试验最终确定跟车模型、车头时距及仿真步长等参数的标定值，如表8所示。

表8微观仿真模型参数标定参数及最终标定值

如图12所示，所有的参数标定完成后，还需利用动态交通分配方法对OD点对的最优路径进行寻优，其中，本实施例设置最大的迭代次数为20、收敛相对间距为0.001、行程时间的平均方法采用MSA方法、路径的更新时间范围为20％等。运行动态交通分配程序，使程序最终达到最大迭代次数而终止，相对间距为0.0244，程序自动生成各个OD点间的第20次的出行时间文件(historical travel times.bin)及各交通节点的转向延误文件(turningdelays.bin)，将这两个文件用于仿真运行的路径选择设置中以使路径选择模型基于这些时间来分配路径，达到OD点对出行时间最小的目的。

最后通过车流的模拟仿真，若部分路段的实际运行交通量无法满足要求，则通过仿真工具(Critical Link Tool)查看每个路段通过的OD点对(直接映射到OD矩阵单元)及其交通流量，然后针对这些OD点对的流量进行不断修正，使路段的通过流量尽量接近观测流量。在修正完OD矩阵后，需再次运行动态交通分配程序，对各OD点对间的路径重新寻优，再将相关的文件作为仿真路径选择的基础文件，重复此过程直到仿真平台的运行结果可以接受为止。

本发明基于多源异构数据的一体化城市动态交通仿真平台构建方法能将地磁、线圈、微波、视频等交通流检测器和交通信号控制系统的数据快速无缝地导入到交通仿真平台，减少了城市仿真平台搭建的大量基础工作，同时也为仿真平台的数据实时更新提供了方法。此外，仿真平台集成宏、中观和微观仿真模型于一体，既可以单独采用宏观、中观或者微观模型对路网进行仿真，也可以同时使用宏观、中观和微观模型对路网进行仿真。

与现有技术相比，本发明具有以下优点：

(1)仿真平台集成宏、中观和微观仿真模型于一体，不仅可以用于交通规划、交通影响评估，也可以用于路口和区域的交通组织改善等，具有广泛的应用前景；

(2)仿真平台可以同时利用各种仿真模型分析的结果，避免了以往采用不同的仿真平台导致数据无法共享的问题，为从不同的层面(包括点、线和面)做仿真分析提供了一站式的数据支持；

(3)针对同一个城市做仿真分析，不需要再重复构建路网仿真模型，大大地减少了仿真建模的工作量，在需要采用不同的模型精度分析时，仅需要改变路段及交叉口的仿真模型，方便快捷；

(4)仿真平台的接口工具能将多种交通异构数据有效、快速地融入到仿真平台中，减少了大量的手动输入工作，也为实时在线仿真提供了解决方案；

(5)引入了中观仿真模型的参数标定法，以车辆群体为研究对象，与宏观模型相比，其分析精度大大提高，可以得到车速、交叉口延误、饱和度等较为具体的分析指标，并且可以作交叉口的信号优化分析；而与微观模型相比，具有建模工作量小，运行速度快，路径分析功能强的优点。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种一体化城市动态交通仿真平台的构建方法，其特征在于：包括：

S1、构建仿真平台的基础路网和交通小区，并获取交通小区的OD出行矩阵；

S2、专用接口工具直接导入流量检测器的流量数据，并根据映射关系将交通流量检测器的流量赋值给仿真平台的相应路段；

S3、进行仿真平台的宏观模型参数标定；

S4、根据OD出行矩阵和交通流量检测器的流量值进行OD矩阵反推；

S5、判断OD出行矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在进行路网和路段流量优化调整之后返回步骤S4；

S6、根据仿真的精度要求对仿真平台的路段及交叉口的宏观、中观及微观这三种仿真模型进行设置；

S7、专用接口工具直接读入交通信号控制系统的控制数据，并根据交通信号控制系统与仿真平台交叉口的对应关系将信号控制系统的信号控制方案转化为仿真平台的控制方案；

S8、通过分析中观、微观仿真模型的参数，选定敏感性大于预设的变化阈值的参数进行中微观参数标定；

S9、通过动态交通分配方法确定OD出行矩阵中各OD点对的最优出行路径；

S10、根据OD点对的最优出行路径进行车流仿真，并判断仿真结果符合要求，若是，则完成仿真平台的构建操作；反之，则在对OD出行矩阵进行修改和对路网进行优化后返回步骤S9。

2.根据权利要求1所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S1，其包括：

S11、根据GIS、互联网航拍图和街景地图数据构建仿真平台的基础路网；

S12、根据城市的土地利用性质、人口及就业数据划分交通小区，然后对各交通小区创建包含新建属性的型心点，并将型心点与交通小区周边的道路进行连接，形成交通小区的型心连杆，所述各个型心点的新建属性用于与交通小区的实际编号相匹配；

S13、根据型心点新建交通小区的OD出行矩阵，并以经历史出行调查得到的OD矩阵或其它宏观仿真平台的OD矩阵作为该OD出行矩阵的初始值，所述OD出行矩阵的行列属性值设置为型心点的新建属性值。

3.根据权利要求1所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S3，其具体为：

针对仿真平台中不同等级的道路分别设置其通行能力和自由流速度值，并标定各个等级的道路流量-速度关系模型的参数值α、β，所述流量-速度关系模型的计算公式为：

V＝V₀/[1+α(Q/C)^β]，

其中，V为路段交通量为Q时的行驶车速，V₀为自由流状态下行驶车速，C为路段的通行能力，α、β是流量-速度关系模型的待标定参数。

4.根据权利要求1所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S5，其具体为：

根据均方平均误差、均方平均误差百分比和相关系数指标判断OD矩阵的反推结果是否符合流量要求，若是，则执行步骤S6，反之，则在分析基础路网和路段存在问题的原因并做调整优化之后返回步骤S4，直到均方平均误差、均方平均误差百分比和相关系数指标符合要求为止。

5.根据权利要求1所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S7，其包括：

S71、建立仿真平台与信号控制系统的交叉口对应关系；

S72、专用接口工具分别读取仿真平台与控制系统对应交叉口的数据；

S73、判断仿真平台与控制系统对应交叉口的数据是否完全匹配，若是，则直接读取信号控制系统的配时方案，反之，则在将不匹配的交叉口数据修改到匹配之后读取信号控制系统的配时方案；

S74、根据信号控制系统的配时方案按仿真平台的格式生成仿真平台信号配时文件；

S75、将仿真平台信号配时文件导入到仿真平台。

6.根据权利要求1所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S8，其包括:

S81、对中观、微观仿真模型分别进行原理分析和参数梳理，初步选出拟标定参数集合；

S82、选取所需的评价指标；

S83、根据选取的评价指标采用控制变量法对拟标定参数集合进行敏感性分析，并以敏感性大的参数作为需标定参数；

S84、对需标定参数进行仿真试验和分析，确定需标定参数的参数值及参数组合。

7.根据权利要求6所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S83，其具体为：

改变拟标定参数集合中任一个参数的数值而保持其它的参数不变，根据选取的评价指标运行仿真并做评价指标的结果分析，判断评价指标的变化相对于调整前的变化幅度是否大于预设的变化阈值，若是，则表明该参数为敏感性大的参数，需做参数的标定；反之，则说明该参数为敏感性小的参数，不需要做参数的标定，最终得到拟标定参数集合中所有的需标定参数。

8.根据权利要求6所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S84，其具体为:

通过分别设置多组不同的需标定参数进行仿真试验，分析需标定参数对评价指标的变化趋势，并结合信号控制系统中本地的交通情况确定需标定参数的参数值及参数组合。

9.根据权利要求2所述的一种一体化城市动态交通仿真平台的构建方法，其特征在于：所述步骤S9，其具体为:

根据设定的迭代次数、每次迭代寻优的范围以及出行时间的计算方法进行动态交通分配，并根据相对间距指标来衡量动态交通分配结果的收敛情况，最终得到OD出行矩阵中各OD点对的最优出行路径，所述相对间距指标的计算公式为：

<mrow> <msup> <mi>Gap</mi> <mi>T</mi> </msup> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> </mrow> </munder> <msubsup> <mi>f</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msubsup> <mi>t</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <mrow> <msubsup> <mi>d</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msubsup> <mi>t</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>T</mi> </msubsup> </mrow> </mrow> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <msubsup> <mi>d</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msubsup> <mi>t</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>T</mi> </msubsup> </mrow> </mfrac> <mo>,</mo> </mrow> 2

其中，Gap^T表示第T个时间间隔的相对间距，I表示OD点对的个数，K_i表示第i个OD点对的路径总数，表示采用第k条路径的交通量、表示第k个路径的行程时间、表示第i个OD点对在第T个时间间隔需要离开路网的交通量、表示第i个OD点对的最短路径行驶时间。