CN107657106A - 基于遗传算法的交通流模拟方法 - Google Patents

Abstract

本发明属于计算机图形学技术领域，基于遗传算法的交通流模拟方法，来克服传统交通流模拟方法的局限性，交通流模拟系统分为线下学习和线上模拟两部分。根据每个车真实的交通数据，用基于遗传算法的方法找到它们真实的驾驶特点；将这些带有个性化参数的车辆作为本文的样例车辆，本文可以在任意的空间和时间尺度上模拟出交通场景。总的来说，交通重建是样例视频的场景重建，往更深的层次讲，本发明基于样例的交通模拟可以看做在空间和时间上的场景延伸。

Description

基于遗传算法的交通流模拟方法

技术领域

本发明涉及计算机图形学技术领域，尤其涉及基于数据驱动的真实交通流模拟方法。

背景技术

交通系统的有效性对于现代工业化社会至关重要。随着工业化的迅速发展，车辆呈现出快速增长的趋势，随之带来了诸多挑战，比如交通拥挤、交通网络的设计、信号优化等。这些挑战对经济、能源和环境都造成了一定影响，如何去解决这些问题已经成为一个全球化的难题。幸运的是，交通模拟在计算机技术的辅助下已经成为一个有效的解决工具。而且，随着可视化技术的发展，交通模拟在娱乐产业也有了很大的应用。

交通模拟已经有60多年的历史了。这个期间，全球各地的科学家们相继提出并拓展了很多交通模型，试图能够真实的描述车辆的交通行为或解释一些特殊现象，比如交通拥挤、走走停停的现象。最近几年，计算机可视化的迅速发展使得研究者可以直观的看到交通流模拟的效果。总的来说，交通流模拟模型可以分为三类：微观模拟，宏观模拟和中观模拟。

宏观模型力图以车的平均密度ρ(x,t)、平均速度v(x,t)及流量θ(x,t)等宏观量来刻画交通流。宏观模拟将车流看作一维连续的流，将每条车道分成大小相等的包体，每个时刻用物理方程更新包体的速度。每辆车的速度是由连续的包体决定的。宏观模型一般用来模拟大型的交通网络，关注点更多在交通流的整体行为，不能很好地体现车辆个体的交通轨迹。

微观模拟旨在为每个车辆的行为建模，希望能够用一系列复杂的规则去描述车辆的动态交通行为。每个车辆都是一个智能体，能够对周围车辆的交通状态和周围交通环境做出反应，制定驾驶策略。

中观模型是介于微观模型和宏观买模型之间的一种交通模型。中观模型用玻尔兹曼类型的方程去模拟交通流的动态过程。此外，有研究者用混合模型来进行交通模拟。Sewall在其著作的论文中提出了一种将微观模型和宏观模型相结合的混合模型，并采用实时算法来模拟大规模的交通流。

交通车辆在人们日常生活中的普及使得更多的关注点转移到交通行为模型和交通可视化技术上。在计算机图形学领域，交通方面的研究基本集中在两个话题：传统的交通模拟和交通重建。交通模拟的核心问题是交通模型的设计。给定一个交通网络、一个交通行为模型和初始车辆的状态，这个交通流将如何演进本文研究的是基于微观的交通模型。微观模型主要关注一辆车是如何受周围其它车辆影响来改变自己的行为的。传统的交通模型一般采用数学方程式来根据周围车辆的状态计算当前车的加速度，方程式的设定是基于一定的假设的，并且涉及到的参数也是根据人的经验值确定的。利用这种交通模型模拟出来的交通流并不能体现复杂多变的真实交通流的特性，因为这种基于数学方程的模型并没有利用真实的交通轨道数据。当假设不够精确时，模拟出来的交通流与实际的就有很大差别。所以传统交通流模拟方法主要存在一下不足：

(1)在模拟过程中没有真车的概念，每辆车都是虚车，这种方法模拟出来的交通流比较平稳，没有体现真实世界中变化多端的交通流。

(2)传统模拟方法采用的是传统微观模型，比如智能驾驶模型。这些模型中涉及到的参数是认为根据经验所设定的，不能很好的体现真实世界中司机的驾驶特点。

真实的交通场景是非常复杂的，司机的驾驶行为是很多不断变化的因素综合作用的结果。在很多情况下，司机在驾驶过程中，周围车辆不断变化，道路状况也在发生变化，司机会根据不同的交通环境做出不同的决策，所有这些都导致司机的驾驶行为变化非常剧烈，也意味着控制司机行为的参数也在不断的发生变化。

发明内容

本发明内容提供一种基于遗传算法的交通流模拟方法，来克服传统交通流模拟方法的局限性，交通流模拟系统分为线下学习和线上模拟两部分。

本发明的技术方案：

基于遗传算法的交通流模拟方法，步骤如下：

首先收集训练集，利用遗传算法从训练集中学习车辆驾驶模型，然后将训练好的交通模型应用到交通流模拟系统中，来指导车辆之间的交互行为；

(1)利用遗传算法线下学习车辆驾驶模型

1)训练集的提取

训练集中每个样本都包含前中后三辆车的交通信息；

2)遗传算法工作原理

遗传算法是基于自然选择和进化的一种鲁棒的搜寻和优化技巧。这些算法将特定领域的一个问题转化成一个用类似染色体结构表示数据的模型。它们用选择、重组和变异等一些遗传算子去进化染色体。每一个个体都代表一个解，通过种群的进化来找到约束条件下的最优解。遗传算法的优点是它是高效的、并发的并且能够适应性地控制搜寻过程来达到最优解。实际上，遗传算法成功地运用在了交通领域的很多方面，比如交通信号控制优化，交通规划和交通模型修正。在交通模型修正领域，遗传算法比梯度技巧要高级，因为搜寻不是朝着最优化的方向。

3)遗传算法学习过程

本方法利用遗传算法要学习的车辆驾驶模型包括直道驾驶模型和换道模型；

3.1)直道驾驶模型

在车辆直道行驶过程中，遗传算法要学习的是输入到输出的一个映射函数；中间车的行为受到同一车道上前车和后车的影响，映射函数的输入是影响中间车驾驶决策的因素，输出是中间车直道驾驶的行为，映射函数如下

a(t)＝f(v(t)，Δv_follower，Δs_follower，Δv_leader，Δs_leader)(3)

计算当前车辆的加速度，其中

v(t)：当前车驾驶方向于时刻t的速度，是遗传算法的输入；

Δv_follower：在驾驶方向于时刻t，当前车和后车的速度差；

Δs_follower：在驾驶方向于时刻t，当前车与后车的相对距离；

Δv_leader：在驾驶方向于时刻t，当前车和前车的速度差；

Δs_leader：在驾驶方向于时刻t，当前车与前车的相对距离；

a(t)：当前车驾驶方向于时刻t的加速度，是遗传算法的输出；

f(.)是遗传算法要学习的直道行驶中的映射函数，括号内的变量为影响中间车驾驶行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；

3.2)车辆换道模型

车辆换道过程中，中间车既有纵向驾驶加速度也有横向加速度，这两个量均受目标车道前后车的影响，映射函数如下：

(a_longtitude(t)，a_lateral(t))＝f(v(t)，Δv_follower，Δs_follower，Δv_leader，Δs_leader)(4)

计算当前车辆的横向和纵向的加速度，其中

v(t)：当前车驾驶方向于时刻t的速度，是遗传算法的输入；

Δv_follower：在驾驶方向于时刻t，当前车和后车的速度差；

Δs_follower：在驾驶方向于时刻t，当前车与后车的相对距离；

Δv_leader：在驾驶方向于时刻t，当前车和前车的速度差；

Δs_leader：在驾驶方向于时刻t，当前车与前车的相对距离；

a_longtitude(t)：当前车驾驶方向于时刻t的加速度，是遗传算法的输出；

a_lateral(t)：当前车于时刻t的横向加速度，是遗传算法的输出；

f(.)是遗传算法要学习的换道过程中的映射函数，括号内的变量为影响中间车换道行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；

(2)利用学习到的车辆驾驶模型进行交通模拟

在为每辆车学习完直道模型和换道模型后，引入虚实交互系统；在该虚实交互系统中，存在真车和虚车两种车辆；真车是真实交通环境中存在的车辆，其交通轨迹是已知且不能改变的；虚车是真实交通环境不存在的车辆，其交通轨迹需要实时预测；虚实交互系统通过插入虚车来增加交通流的多样性；虚车与真车进行交互，是由遗传算法学习到的两个模型来指导的，具体来说，直道模型用来计算虚车直道行驶过程中的加速度，换道模型用来计算虚车换道过程中的横向和纵向加速度；

在模拟过程中，每辆车在时刻t的加速度a(t)用遗传算法学习到车辆驾驶模型进行预测，车辆的速度和位置状态以下来计算：

v(t+1)＝v(t)+a(t)*Δt (5)

p(t+1)＝p(t)+v(t)Δt (6)

在模拟过程中，设置Δt为0.1秒；加速度通过遗传算法来计算，速度通过加速度来计算，位置通过速度来计算。

本发明的有益效果：根据每个车真实的交通数据，用基于遗传算法的方法找到它们真实的驾驶特点；将这些带有个性化参数的车辆作为本文的样例车辆，本文可以在任意的空间和时间尺度上模拟出交通场景。总的来说，交通重建是样例视频的场景重建，往更深的层次讲，本发明基于样例的交通模拟可以看做在空间和时间上的场景延伸。

附图说明

图1为本发明基于真实数据的交通流模拟系统结构示意图。

图2为本发明和现有技术方法所产生的车流加速度等指标对比示意图。

图2(a)是车23速度模拟比较结果。

图2(b)是车23与前车距离比较结果。

图2(c)是车23与后车距离比较结果。

图2(d)是车21速度模拟比较结果。

图2(e)是车21与前车距离模拟比较结果。

图2(f)是车21与后车距离模拟比较结果。

图3为线下交通流模拟的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

交通动画模拟是计算机图形学的一个重要分支和研究热点。从模拟出的交通流中可以直观的看出所使用的交通模型的有效性。本发明交通流模拟所用到的模型是基于神经网络的学习模型，在模拟过程中本文引入了虚实结合的模拟方法。本文注意到，在传统的交通模型中，比如IDM，一辆车的驾驶行为主要受前车的影响，但在实际的驾驶中，一辆车的行为可能不仅受前车的影响，也受后车的影响。所以为了更真实的刻画司机的驾驶行为特征，本文引入了三车跟随模型，即一辆车的行为是受前后车的影响的。将真车轨迹实时输入到交通流中也是区别于传统方法的一点，传统交通流模拟中，只给定所有车辆的位置、速度和加速度等初始状态，以后车流的所有演进过程都是由模型计算出来的，这种方法模拟出来的交通流比较平缓，难以反映真实的交通状况。本文模拟系统的先决条件是真实的交通轨迹不能改变，所以本发明的重点是如何处理虚车和真车的交互。

图1为本发明基于真实数据的交通流系统结构示意图，如图1所示，本实施例系统，包括：

线下学习：利用遗传算法，从真实的车辆交通轨迹中去学习车辆行为模型来代替传统人为定义的数学模型，学习从车辆所面对的交通状态到车辆做出的决策之间的映射。

线上模拟：在学习完每个车辆的交通行为模型后，引进一个虚实交互的车流模拟方法。在该系统中，本文插入真车和虚车，真车的行为轨迹是确定无法改变的，虚车与真车进行交互，交互过程受从遗传算法中学习到的模型所控制。

遗传算法包含以下几步：

1.初始群体P[0]的形成：这一步是设置搜寻和迭代的初始状态。假定种群中有N个个体。每个个体代表一个可行解。每个个体应该被编码成遗传算法可以识别的类型。一个常用的方法是将每个个体编码成‘0’和‘1’的字符串，字符串每个位置的数字代表一个解的一部分。每个二值字符串称作一个染色体。

2.计算适应度。遗传算法遵循适者生存的法则去寻找最优个体。有高适应度的个体有更高的可能性被遗传到下一代。适应度象征着优先级。适应度的计算方程F_fitness作为代与代之间选择和淘汰的标准。在我们的工作中，优化过程就是最小化过程。为了反映个体相对的适应度，有必要在自然拒绝的法则和适应度方程之间做个映射。被选用的适应度映射规则如下：

方程应该确保适应度是非负的并且对每一个误差F_mix都有一个有限的值与其对应。误差越小，适应度越大。这意味着有更大适应度的个体更容易被选择。

3.选择：选择意味着种群质量的提升或“适者生存”的操作。一般的，复制高适应度的个体并剔除低适应度的个体。Roulette Wheel选择算法常被用来计算每个个体选择到下一代的概率。第i个个体遗传到下一代的概率与它的适应度有关。具体的，选择第i个个体的概率为：

4.重组和变异。重组是用结合两个父母染色体产生一个子染色体的方法，原理就是好的个体的后代能产生更好的个体。重组仅仅以一定概率产生。当重组完成后，变异将会产生。变异是为了增加种群的多样性。它改变一个染色体的一个或多个基因位。与重组相似，变异以一定概率发生。图6展示了变异的原理图。变异可防止种群停留在局部最优解。

5.循环迭代2、3、4步直至终止条件满足。终止条件满足两个。最基本的，迭代数量要满足一定值，这可以避免函数陷入局部最优解。然后，进化在函数收敛后终止。

遗传算法要学习的两个函数分别用于计算车辆直道行驶和换道过程中的加速度。

司机的驾驶目标会随着周围交通状况的不同而变化。比如，在拥挤的交通状况下，司机不能自由地驾驶，司机的目标就是跟随前车。当前车突然减速时，司机的目标就是就是避免碰撞。

本发明的交通行为模型要解决的就是一个从交通状态到司机行为的映射问题，司机的驾驶行为受到交通状态的影响。交通状态由一些能够体现车辆动力学特征和周围环境的一组变量来表示。在现有的跟随模型中，一般用和前车的距离、相对速度和相对加速度来表示交通状态。

模型的输入应该是最能影响司机驾驶行为的因素，在现实世界中，司机的行为受很多因素的影响，比如周围车辆、司机的疲劳程度、道路状况、司机的喜好、车的类型以及是否有一个恼人的同伴等等。有些因素是可观察的，有些是无法观测的。本文应该利用数据集的特征，抓住最能影响司机驾驶行为的因素，使得误差能够减少到最小。

为了能更好的表示车辆面对的交通状态，本文采用了三车跟随模型，即使用前后车的信息来表示当前车所面对的交通状态。网络的输出是司机在当前时刻应该做出的决定，决策可以用加速度、速度或距离来表示。本发明最终选择的是加速度。

直道行驶过程中，中间车的行为主要受到前后车的影响，利用前后车的状态来影响中间车的驾驶行为。遗传算法要学习的函数为：

a(t)＝f(v(t)，Δv_follower，Δs_follower，Δv_leader，Δs_leader)

v(t)：当前车驾驶方向于时刻t的速度，是遗传算法的输入，Δv_follower：在驾驶方向于时刻t当前车和后车的速度差，Δs_follower：在驾驶方向于时刻t当前车与后车的相对距离，Δv_leader：在驾驶方向于时刻t当前车和前车的速度差，Δs_leader：在驾驶方向于时刻t当前车与前车的相对距离，a(t)：当前车驾驶方向于时刻t的加速度，是遗传算法的输出。

换道过程中，当前车的行为有纵向加速度和横向加速度。两个变量均受到目标车道前后车状态的影响，遗传算法要学习的函数为：

(a_longtitude(t)，a_lateral(t))＝f(v(t)，Δv_follower，Δs_follower，Δv_leader，Δs_leader)

在上式中，v(t)：当前车驾驶方向于时刻t的速度，是遗传算法的输入，Δv_follower：在驾驶方向于时刻t当前车和后车的速度差，Δs_follower：在驾驶方向于时刻t当前车与后车的相对距离，Δv_leader：在驾驶方向于时刻t当前车和前车的速度差，Δs_leader：在驾驶方向于时刻t当前车与前车的相对距离，a_longtitude(t)：当前车驾驶方向于时刻t的加速度，是遗传算法的输出，a_lateral(t)：当前车于时刻t的横向加速度，是遗传算法的输出

本文训练的数据是由NGSIM提供的，来自于美国加利福尼亚州洛杉矶大学城附近的101高速公路，时间是早上8点05到8点20。每辆车的交通数据都是由NGSIM-VIDEO以每秒10帧的速率记录的。由于不同地区不同道路限速不一样，当地路况和驾驶习惯也会影响车辆的驾驶行为。

遗传算法学习到每辆车的行为模型后，利用车辆当前时刻面对的交通状态作为遗传算法的输入，可以计算当前时刻车辆所应该采取的加速度。进而可以根据加速度计算出速度和与前后车的距离。在仿真过程中，每辆车的位置状态用式来计算：

v(t+1)＝v(t)+a(t)*Δt

p(t+1)＝p(t)+v(t)Δt

在仿真过程中，本文设置Δt为0.1秒。从真实交通轨迹中学习到的车辆驾驶特性可以很容易的应用到大规模基于微观模型的交通流模拟系统中。现在有些研究致力于通过一些优化方法为每辆车寻找合适的驾驶策略，比如最小加速度和最大安全距离，这些方法太过理想，难以反映真实的驾驶场景。

本发明方法的目标是反映更加真实的交通场景而不是找到每辆车最佳的交通轨迹。根据每个车真实的交通数据，本文用基于遗传算法的方法找到它们真实的驾驶特点。将这些带有个性化参数的车辆作为本文的样例车辆，本文可以在任意的空间和时间尺度上模拟出交通场景。总的来说，交通重建是样例视频的场景重建，往更深的层次讲，本文基于样例的交通模拟可以看做在空间和时间上的场景延伸。

本发明实验一共选取了50辆的真实交通轨迹来学习它们的驾驶模型。每辆车选取前70％的数据作为训练集，后30％的数据作为测试集。图2是随机选取了两辆车(车号分别为21和23)作为与其他方法的比较对象。本发明的比较方法是也是现有的一种数据驱动的交通行为学习方法，该方法基于车辆跟随的概念根据前车的状态来预测当前车的状态，与本发明方法不同的是，该方法从所有车辆的驾驶数据中学习了一个通用的模型应用到所有的车辆中，而本方法考虑到了不同车辆个性化的驾驶习惯，从每辆车的驾驶数据中为每辆车学习一个能够体现其驾驶特点的行为模型。

红色线是真实值，蓝色线和黑色线分别代表了Bi的结果和本文结果。可以看出，由于Bi是将所有车的数据作为一个统一的训练集来学习车辆的行为模型的，所以学到的是所有车辆的一个平均状态，不能很精确的体现单个车辆的驾驶特点。车23在整个驾驶过程中，速度一开始始终保持在一定范围内，随后速度减小然后再不断增加直到最大值。本发明基于遗传算法的模型可以很好的模拟出这个过程。由于Bi的方法模拟速度的效果没有本文方法模拟出来的好，其计算出的与前后车的距离就会与真实值有较大的出入，

可以从车21的比较结果中看出，在整个模拟过程中，Bi方法的结果开始始终要高于真实值，后半部分低于真实值。而本发明基于遗传算法的方法模拟的结果就比较接近真实值，尤其是在最后速度突然下跌的过程也能很精确的模拟出来。

在为每辆车学习完交通模型后，本文引入了虚实交互系统。在该系统中，本发明插入真车去与实时与虚车交互，每辆车真车的数据是不能改变的，这些真车的数据也就是虚车所面对的交通状态，虚车如何与真车进行交互，是由上文通过神经网络学习到的模型来指导的。图3生成动画中的一帧。在虚实交互系统中，紫色车是真车，黄色的车是虚车。由于本文采用的是三车跟随模型，所以每辆黄色车辆前后都有一辆紫色车。上面是真实的交通流，下面是模拟出的交通流，每辆黄色车都对应上面一辆紫色车。可以看出，黄色车的行为和对应紫色车行为是一致的，这也再次印证了本发明基于遗传算法模型的有效性。

真实的交通流中，不同司机有不同的驾驶习惯，每个司机的加速度变化非常不规则。传统的交通模型模拟出来的交通流不能很好的体现真实交通流的特征。本文基于遗传算法的交通模型可以比较准确的模拟出司机的加速度，进而模拟出的速度和与前后车的距离也比较贴合真实值。本发明模型的误差较小，在允许的范围内。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种基于遗传算法的交通流模拟方法，其特征在于，步骤如下：

首先收集训练集，利用遗传算法从训练集中学习车辆驾驶模型，然后将训练好的交通模型应用到交通流模拟系统中，来指导车辆之间的交互行为；

(1)利用遗传算法线下学习车辆驾驶模型

1)训练集的提取

训练集中每个样本都包含前中后三辆车的交通信息；

2)遗传算法学习过程

本方法利用遗传算法要学习的车辆驾驶模型包括直道驾驶模型和换道模型；

2.1)直道驾驶模型

在车辆直道行驶过程中，遗传算法要学习的是输入到输出的一个映射函数；中间车的行为受到同一车道上前车和后车的影响，映射函数的输入是影响中间车驾驶决策的因素，输出是中间车直道驾驶的行为，映射函数如下

a(t)＝f(v(t)，Δv_follower，Δs_follower，Δv_leader，Δs_leader)(3)

计算当前车辆的加速度，其中

v(t):当前车驾驶方向于时刻t的速度，是遗传算法的输入；

Δv_follower:在驾驶方向于时刻t，当前车和后车的速度差；

Δs_follower:在驾驶方向于时刻t，当前车与后车的相对距离；

Δv_leader:在驾驶方向于时刻t，当前车和前车的速度差；

Δs_leader:在驾驶方向于时刻t，当前车与前车的相对距离；

a(t):当前车驾驶方向于时刻t的加速度，是遗传算法的输出；

f(.)是遗传算法要学习的直道行驶中的映射函数，括号内的变量为影响中间车驾驶行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；

2.2)车辆换道模型

车辆换道过程中，中间车既有纵向驾驶加速度也有横向加速度，这两个量均受目标车道前后车的影响，映射函数如下：

(a_longtitude(t)，a_lateral(t))＝f(v(t)，Δv_follower，Δs_follower，Δv_leader,Δs_leader)(4)

计算当前车辆的横向和纵向的加速度，其中

v(t):当前车驾驶方向于时刻t的速度，是遗传算法的输入；

Δv_follower:在驾驶方向于时刻t，当前车和后车的速度差；

Δs_follower:在驾驶方向于时刻t，当前车与后车的相对距离；

Δv_leader:在驾驶方向于时刻t，当前车和前车的速度差；

Δs_leader:在驾驶方向于时刻t，当前车与前车的相对距离；

a_longtitude(t):当前车驾驶方向于时刻t的加速度，是遗传算法的输出；

a_lateral(t):当前车于时刻t的横向加速度，是遗传算法的输出；

f(.)是遗传算法要学习的换道过程中的映射函数，括号内的变量为影响中间车换道行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；

(2)利用学习到的车辆驾驶模型进行交通模拟

在为每辆车学习完直道模型和换道模型后，引入虚实交互系统；在该虚实交互系统中，存在真车和虚车两种车辆；真车是真实交通环境中存在的车辆，其交通轨迹是已知且不能改变的；虚车是真实交通环境不存在的车辆，其交通轨迹需要实时预测；虚实交互系统通过插入虚车来增加交通流的多样性；虚车与真车进行交互，是由遗传算法学习到的两个模型来指导的，具体来说，直道模型用来计算虚车直道行驶过程中的加速度，换道模型用来计算虚车换道过程中的横向和纵向加速度；

在模拟过程中，每辆车在时刻t的加速度a(t)用遗传算法学习到车辆驾驶模型进行预测，车辆的速度和位置状态以下来计算：

v(t+1)＝v(t)+a(t)*Δt (5)

p(t+1)＝p(t)+v(t)Δt (6)

在模拟过程中，设置Δt为0.1秒；加速度通过遗传算法来计算，速度通过加速度来计算，位置通过速度来计算。