CN109712398B - 高速公路行程时间估计模型参数优化方法 - Google Patents

Abstract

本发明提供一种高速公路行程时间估计模型参数优化方法，基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型；采用遗传算法对模型参数l、m、α进行优化；定义遗传算法适应度函数

其中Wj为误差指标MA_j的权重，j为行程时间估计的时间间隔，其取值范围为[2,K]，遗传算法优化目标是适应度函数最小；运用M‑H算法计算权重Wj；由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α]；进而建立优化的路线行程时间估计模型；该方法通过自动优化行程时间估计模型的参数，提升模型对于拥堵、畅通等不同交通运行状态的灵敏度，显著提高了在拥堵状况下的行程时间估计精度，保障了模型性能的可靠与稳定。

Description

高速公路行程时间估计模型参数优化方法

技术领域

本发明涉及一种高速公路行程时间估计模型参数优化方法。

背景技术

行程时间是评价交通运行拥堵状况的重要指标之一，在进行交通诱导时行程时间能够为交通诱导方案的实施和出行信息的发布提供数据参考，是出行者做出出行决策最直观依据。

而受限于检测手段，目前行程时间参数的获取主要基于固定式检测设备采集的交通流参数，通过一定的数据处理手段间接获取。高速公路行程时间估计模型可分为以下几种，一是基于轨迹的估计模型，二是车辆识别模型，三是基于交通流理论模型。

但当前很多行程时间估计模型都存在模型性能稳定性的问题，尤其在拥堵路况下，行程时间估计的精度较低。上述问题是在高速公路行程时间估计过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种高速公路行程时间估计模型参数优化方法，保证模型在不同运行状态下均具有良好的估计精度，解决现有技术中存在的当前行程时间估计模型都存在模型性能稳定性的问题，尤其在拥堵路况下，行程时间估计的精度较低的问题。

本发明的技术解决方案是：

一种高速公路行程时间估计模型参数优化方法，包括以下步骤，

S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL，构建GM跟驰模型，描述前导车与跟驰车间的运行参数关系，在此基础上构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度

其中v_Sd、v_Su为模型的输入值，分别为路段I^th上下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型；

S2、l,m,α三参数的取值直接影响到行程时间估计精度，预先定义遗传算法适应度函数

其中Wj为误差指标MA_j的权重，j为行程时间估计的时间间隔，其取值范围为[2,K]，遗传算法优化目标为适应度函数最小；

S3、对遗传算法适应度函数的权重进行初始化，即p(j)＝Wj，根据交通流状态确定p(j)先验分布；计算误差指标MA_j(l,m,α)，采用Metropolis-Hastings算法更新权重，经过遗传算法迭代计算行程时间估计的时间间隔j的最优解，确定对应权重Wj；

S4、基于S3确定的最优解对应权重，由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α]，对S1构建的初始的路线行程时间估计模型进行优化。

进一步地，步骤S1中，构建包含多个路段的路线行程时间估计模型，具体为：

S11、以高速公路交通流检测器布设点作为路线中的路段划分节点，并对路段进行编号(I+k)^th，I为路线编号，k为路段序号，th为路段编号标记，k∈[0,n]，即路线划分为n+1个路段；

S12、对于任一路段(I+k)^th，在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL；VL的实时行驶速度根据下游检测器节点位置Sd检测器输出的速度检测值计算，其公式为：

其中t∈[T_i,T_i+1]，T_i为下游检测器节点位置Sd检测器的数据时间戳，

分别为检测器在时间戳T_i、T_i+1的行驶速度检测值；

S13、由GM跟驰模型对前导车与跟驰车间的运行参数关系，构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度

其中v_Sd、v_Su为模型的输入值，分别为路段I^th上、下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；在此基础上，估计路线行程时间。

进一步地，步骤S13中，估计路线行程时间，具体为，

S131、跟驰车VF在路段I^th上运行的任一时刻t的实时行驶速度

计算公式为：

式中

分别为VF在t-ΔT时刻的行驶速度与加速度，实时加速度

具体的计算公式为：

式中

为前导车在t-ΔT时刻的行驶速度，

分别为前导车、跟驰车在t-ΔT时刻的行驶距离，前导车VL实时行驶距离

计算公式为：

跟驰车VF实时行驶距离

计算公式为：

式中

为前导车在t-ΔT时刻的行驶速度，

为跟驰车在t-ΔT时刻的行驶距离，

为VF在t-ΔT时刻的加速度；

S132、以路段I^th终点实时速度v_TTI对跟驰车VF在下一路段(I+1)^th起点的速度进行初始化；

S133、运用路段行程时间估计模型

估计路段(I+1)^th的行程时间；

S134、循环步骤S132、S133直至完成路段(I+n)^th的行程时间估计；

S135、路线行程时间

其中，TT_I为跟驰车VF在路段I^th上的行程时间。

进一步地，步骤S3具体为，

S31、初始化权重，即p(j)＝Wj；其中先验分布p(j)根据交通流运行状态选取，交通流运行状态包括自由流状态和拥堵状态；

S32、计算误差指标MA_j(l,m,α)，将MA_j最小的对应j的取值作为最佳时间间隔；遗传算法每次迭代均会输出一个最优解

其中M为迭代次数；

S33、通过最优解

对步骤S31所述的两种运行状态下的先验分布进行更新，生成最优解的后验分布。

进一步地，步骤S31中，先验分布p(j)根据交通流运行状态选取，具体为，

在自由流状态下采用均匀概率分布，即

σ₁、σ₂分别为j的取值上下限，根据S2中对其取值范围的定义，σ₁＝2，σ₂＝K；

在拥堵状态下采用对数正态分布，即

μ、σ分别为j的均值和标准差。

进一步地，步骤S33具体为，

S331、用高斯分布表示已知的最优解j_old与迭代新产生的最优解j_new间的概率关系，p(j_new|j_old)＝N(j_old,σ_r)，其中，j_old初始值设置为一非负数，σ_r为步长；

S332、计算似然比r，判断j_new是否可接受；自由流状态下，r的计算公式为：

拥堵状态下，r的计算公式为：

若r＞1，则j_new可接受，将当前的最优解由j_old更新为j_new，否则仍保持为j_old；

S333、对步骤S331与S332实施N重循环，得到时间间隔j的最优解J以及对应的权重W_J。

本发明的有益效果是：

一、该种高速公路行程时间估计模型参数优化方法，通过自动优化行程时间估计模型的参数，提升模型对于拥堵、畅通等不同交通运行状态的灵敏度，显著提高了在拥堵状况下的行程时间估计精度，保障了模型性能的可靠与稳定。

二、该种高速公路行程时间估计模型参数优化方法，基于GM跟驰模型进行路段行程时间估计，在此基础上应用连续速度模型构建路线行程时间估计模型，实现对路线行程时间的估计。

三、实施例的高速公路行程时间估计模型参数优化方法，充分利用分布式计算性能，采用并行遗传算法与Metropolis-Hastings算法对路线行程时间估计模型参数进行优化，充分考虑不同的拥堵水平对行程时间估计模型的影响，进一步提高模型对拥堵、畅通不同运行状态的路线形成估计的准确性。

附图说明

图1是本发明实施例高速公路行程时间估计模型参数优化方法的流程示意图。

图2是实施例中设置虚拟前导车VL与跟驰车VF的示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

实施例的高速公路行程时间估计模型参数优化方法，将路段GMTTE(GeneralMotor’s travel time estimation)行程时间估计模型与连续速度模型相结合，实现对路线行程时间的估计，并充分利用分布式计算性能，采用并行遗传算法对路线行程时间估计模型参数进行优化，充分考虑不同的拥堵水平对行程时间估计模型的影响，进一步提高模型对拥堵、畅通不同运行状态的路线形成估计的准确性。

一种高速公路行程时间估计模型参数优化方法，如图1，包括以下步骤，

S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL，构建GM跟驰模型，描述前导车与跟驰车间的运行参数关系，在此基础上构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度

其中v_Sd、v_Su为模型的输入值，分别为路段I^th上下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型；具体的步骤为：

S11、以高速公路交通流检测器布设点作为路段划分节点，并对路段进行编号(I+k)^th，I为路线编号，k为路段序号，th为路段编号标记，k∈[0,n]，即路线划分为n+1个路段。

S12、对于任一路段(I+k)^th，在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL，如图2；VL的实时行驶速度根据游检测器节点位置Sd检测器输出的速度检测值计算，其公式为：

其中t∈[T_i,T_i+1]，T_i为Sd检测器的数据时间戳，

分别为检测器在时间戳T_i、T_i+1检测的平均行驶速度。

S13、根据GM跟驰模型对前导车与跟驰车间的运行参数关系的定义，构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度v_TTI，其中v_Sd、v_Su为模型的输入值，分别为路段I^th上、下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；重复该过程直至完成路段(I+n)^th的行程时间估计，进而估计路线行程时间；具体地，

S131、跟驰车VF在路段I^th上运行的任一时刻t的实时行驶速度

计算公式为：

式中

分别为VF在t-ΔT时刻的行驶速度与加速度，实时加速度

具体的计算公式为：

式中α(*)为灵敏度，

为前导车在t-ΔT时刻的行驶速度，

分别为前导车、跟驰车在t-ΔT时刻的行驶距离，前导车VL实时行驶距离

计算公式为：

跟驰车VF实时行驶距离

计算公式为：

式中

为前导车在t-ΔT时刻的行驶速度，

为跟驰车在t-ΔT时刻的行驶距离，

为VF在t-ΔT时刻的加速度。

S132、以路段I^th终点实时速度v_TTI对跟驰车VF在下一路段(I+1)^th起点的速度进行初始化。

S133、运用路段行程时间估计模型

估计路段(I+1)^th的行程时间。

S134、循环步骤S132、S133直至完成路段(I+n)^th的行程时间估计。

S135、路线行程时间

其中，TT_I为跟驰车VF在路段I^th上的行程时间。

S2、l,m,α三参数的取值直接影响到行程时间估计精度，预先定义遗传算法适应度函数

其中Wj为误差指标MA_j的权重，j为行程时间估计的时间间隔，其取值范围为[2,K]，时间单位为分钟(min)，在实施例中，行程时间最大估计间隔K取值为15，即行程时间估计时间间隔上下限分别为2min、15min；其中，误差指标MA从平均绝对误差MAE、平均绝对百分误差MAPE中选取；遗传算法优化目标是适应度函数最小。

S3、对遗传算法适应度函数的权重进行初始化，即p(j)＝Wj，根据交通流状态确定p(j)先验分布；计算误差指标MA_j(l,m,α)，采用Metropolis-Hastings算法更新权重，经过遗传算法迭代计算行程时间估计的时间间隔j的最优解，确定对应权重Wj；具体的计算方法为：

S31、初始化权重，即p(j)＝Wj；其中先验分布p(j)根据交通流运行状态选取，在自由流状态下采用均匀概率分布，即

σ₁、σ₂分别为j的取值上下限，根据步骤S2中对其取值范围的定义，σ₁＝2，σ₂＝15；在拥堵状态下采用对数正态分布，即

其中，μ、σ分别为j的均值和标准差，μ＝3,σ＝1。

S32、计算误差指标MA_j(l,m,α)，将MA_j最小的对应j的取值作为最佳时间间隔；遗传算法每次迭代均会输出一个最优解

其中M为迭代次数。

S33、通过最优解

对S31所述的两种运行状态下的先验分布进行更新，生成最优解的后验分布；具体的步骤为：

S331、用高斯分布表示已知的最优解j_old与迭代新产生的最优解j_new间的概率关系，p(j_new|j_old)＝N(j_old,σ_r)，其中，j_old初始值设置为一非负数，在实施例中设为10，步长σ_r取值为5；

S332、计算似然比r，判断j_new是否可接受；自由流状态下，r的计算公式为：

拥堵状态下，r的计算公式为：

若r＞1，则j_new可接受，将当前的最优解由j_old更新为j_new，否则仍保持为j_old；

S333、对S331与S332实施N重循环，得到时间间隔j的最优解J以及对应的权重W_i；其中，在实施例中N取值为2000。

S4、基于步骤S3确定的最优解对应权重，由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α]；对步骤S1构建的初始的路线行程时间估计模型进行优化。

该种高速公路行程时间估计模型参数优化方法，通过自动优化行程时间估计模型的参数，提升模型对于拥堵、畅通等不同交通运行状态的灵敏度，显著提高了在拥堵状况下的行程时间估计精度，保障了模型性能的可靠与稳定。

该种高速公路行程时间估计模型参数优化方法，基于GM跟驰模型进行路段行程时间估计，在此基础上应用连续速度模型构建路线行程时间估计模型，实现对路线行程时间的估计。实施例的高速公路行程时间估计模型参数优化方法，采用遗传算法与Metropolis-Hastings算法，对路线行程时间估计模型的参数进行自动优化，提升在交通流不同运行状态时行程时间估计性能的可靠性。

实施例的一个具体示例如下：

采用实施例所述方法优化构建的优化模型对两条高速公路路线的行程时间进行估计，其中路线1全长11.59km，3车道，选取的分析时段为7:00～8:00，该时段内交通流多为畅通状态，路线2全长5.95km，4车道，分析时段为7:50～8:50，该时段内常发拥堵。分别获取两路线行程时间真实数据183条、285条，以计算估计误差。

实施例在进行步骤S2遗传算法定义时，分别以平均绝对误差MAE、平均绝对百分误差MAPE作为误差指标建立适应度函数，由此进行参数优化，最后的模型参数优化结果如下表。

以MAPE为误差指标，路线1的路段行程时间估计模型GMTTE：

路线2的路段行程时间估计模型GMTTE：

根据

进行路线行程时间估计；以MAE为误差指标，路线1的路段行程时间估计模型GMTTE：

路线2的路段行程时间估计模型GMTTE：

根据

进行路线行程时间估计。

Claims (6)

1.一种高速公路行程时间估计模型参数优化方法，其特征在于：包括以下步骤，

S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL，构建GM跟驰模型，描述前导车与跟驰车间的运行参数关系，在此基础上构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度

其中v_Sd、v_Su为模型的输入值，分别为路段I^th上下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型；

S2、l,m,α三参数的取值直接影响到行程时间估计精度，预先定义遗传算法适应度函数

其中Wj为误差指标MA_j的权重，j为行程时间估计的时间间隔，其取值范围为[2,K]，遗传算法优化目标为适应度函数最小；

S3、对遗传算法适应度函数的权重进行初始化，即p(j)＝Wj，根据交通流状态确定p(j)先验分布；计算误差指标MA_j(l,m,α)，采用Metropolis-Hastings算法更新权重，经过遗传算法迭代计算行程时间估计的时间间隔j的最优解，确定对应权重Wj；

S4、基于步骤S3确定的最优解对应权重，由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α]，对步骤S1构建的初始的路线行程时间估计模型进行优化。

2.如权利要求1所述的高速公路行程时间估计模型参数优化方法，其特征在于：步骤S1中，构建包含多个路段的路线行程时间估计模型，具体为：

S11、以高速公路交通流检测器布设点作为路线中的路段划分节点，并对路段进行编号(I+k)^th，I为路线编号，k为路段序号，th为路段编号标记，k∈[0,n]，即路线划分为n+1个路段；

S12、对于任一路段(I+k)^th，在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL；VL的实时行驶速度根据下游检测器节点位置Sd检测器输出的速度检测值计算，其公式为：

其中t∈[T_i,T_i+1]，T_i为下游检测器节点位置Sd检测器的数据时间戳，

分别为检测器在时间戳T_i、T_i+1检测的平均行驶速度；

S13、根据GM跟驰模型对前导车与跟驰车间的运行参数关系的定义，构建路段行程时间估计模型GMTTE：

该模型输出虚拟的跟驰车VF在路段I^th上的行程时间TT_I以及在路段I^th下游终点实时速度

其中v_Sd、v_Su为模型的输入值，分别为路段I^th上、下游检测器输出的速度检测值；l为车头间距指数，m为速度指数，α为灵敏度；重复该过程直至完成路段(I+n)^th的行程时间估计，进而估计路线行程时间。

3.如权利要求2所述的高速公路行程时间估计模型参数优化方法，其特征在于：步骤S13中，估计路线行程时间，具体为，

S131、跟驰车VF在路段I^th上运行的任一时刻t的实时行驶速度

计算公式为：

式中

分别为VF在t-ΔT时刻的行驶速度与加速度，实时加速度

具体的计算公式为：

式中α(*)为灵敏度，

为前导车在t-ΔT时刻的行驶速度，

分别为前导车、跟驰车在t-ΔT时刻的行驶距离，前导车VL实时行驶距离

计算公式为：

跟驰车VF实时行驶距离

计算公式为：

式中

为前导车在t-ΔT时刻的行驶速度，

为跟驰车在t-ΔT时刻的行驶距离，

为VF在t-ΔT时刻的加速度；

S132、以路段I^th终点实时速度v_TTI对跟驰车VF在下一路段(I+1)^th起点的速度进行初始化；

S133、运用路段行程时间估计模型

估计路段(I+1)^th的行程时间；

S134、循环步骤S132、S133直至完成路段(I+n)^th的行程时间估计；

S135、路线行程时间

其中，TT_I为跟驰车VF在路段I^th上的行程时间。

4.如权利要求1-3任一项所述的高速公路行程时间估计模型参数优化方法，其特征在于：步骤S3具体为，

S31、初始化权重，即p(j)＝Wj；其中先验分布p(j)根据交通流运行状态选取，交通流运行状态包括自由流状态和拥堵状态；

S32、计算误差指标MA_j(l,m,α)，将MA_j最小的对应j的取值作为最佳时间间隔；遗传算法每次迭代均会输出一个最优解

其中M为迭代次数；

S33、通过最优解

对步骤S31所述的两种运行状态下的先验分布进行更新，生成最优解的后验分布。

5.如权利要求4所述的高速公路行程时间估计模型参数优化方法，其特征在于：步骤S31中，先验分布p(j)根据交通流运行状态选取，具体为，

在自由流状态下采用均匀概率分布，即

σ₁、σ₂分别为j的取值上下限，根据S2中对其取值范围的定义，σ₁＝2，σ₂＝K；

在拥堵状态下采用对数正态分布，即

μ、σ分别为j的均值和标准差。

6.如权利要求4所述的高速公路行程时间估计模型参数优化方法，其特征在于：步骤S33具体为，

S331、用高斯分布表示已知的最优解j_old与迭代新产生的最优解j_new间的概率关系，p(j_new|j_old)＝N(j_old,σ_r)，其中，j_old初始值设置为一非负数，σ_r为步长；

S332、计算似然比r，判断j_new是否可接受；自由流状态下，r的计算公式为：

拥堵状态下，r的计算公式为：

若r＞1，则j_new可接受，将当前的最优解由j_old更新为j_new，否则仍保持为j_old；

S333、对步骤S331与S332实施N重循环，得到时间间隔j的最优解J以及对应的权重W_J。

Images