CN109977571B - 基于数据与模型混合的仿真计算方法及装置 - Google Patents
基于数据与模型混合的仿真计算方法及装置 Download PDFInfo
- Publication number
- CN109977571B CN109977571B CN201910258152.4A CN201910258152A CN109977571B CN 109977571 B CN109977571 B CN 109977571B CN 201910258152 A CN201910258152 A CN 201910258152A CN 109977571 B CN109977571 B CN 109977571B
- Authority
- CN
- China
- Prior art keywords
- model
- simulation
- data
- real
- models
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据与模型混合的仿真计算方法及装置,其中,方法包括以下步骤:对目标系统进行概念化形成目标系统的描述性框架,并指定目标系统的不确定要素,根据描述性框架和不确定要素建立多个概念模型;根据多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据多个计算机模型和每个计算机模型的参数与变量值探索得到目标系统的多个预测结果;对比多个预测结果和真实系统的当前观测数据得到计算系统与真实系统之间的偏差,并驱动计算系统与真实系统共同演化得到仿真计算结果。该方法结合数据与模型混合驱动的建模机制,能够提高仿真系统的灵活性,并极大地增强它对真实系统变化的适应能力。
Description
技术领域
本发明涉及数据建模、计算机仿真与复杂系统科学技术领域,特别涉及一种基于数据与模型混合的仿真计算方法及装置。
背景技术
在计算机仿真领域,研究者们普遍假设未来是可预测的,只要建立足够逼真的计算机模型(即计算系统),人们就可以准确预测未来系统状态与演化路径。长期以来,研究聚焦如何尽可能精细地还原真实系统的组分、结构与演化机理。然而,许多应用实例却表明,如果目标系统存在大量的不确定性,传统假设是不成立的。这是由于系统的组分、结构与演化机理存在不确定性,且可能随着时间不断变化,而且这种变化通常无法预知。如此,高度精确的模型也只能实现短期的有效预测,而长期的预测结果往往与真实情况偏差甚大。例如,即使现有大气运动模型已经相当精准,但全球气候的变化仍然难以预测,强对流天气可能随时发生。显然,模型是真实系统的近似抽象,有能力预测系统未来,但却不一定能够给出可信赖的预测信息,因为真实系统存在大量的不确定性。如何利用模型来仿真具有高度不确定性的系统,已经成为计算机仿真控制领域的难点问题。
不确定性将对模型仿真与预测造成的困难主要来自两个方面。其一,系统演化轨迹的多重可能性。动态性与不确定性意味着系统的发展演化轨迹与方向存在多种多样的可能性,系统内在机理与表现出来的外部功能之间的关联或响应关系也存在大量的可能性,建模分析和预测将无法指定最优或最可能的情况;其二,不可预知事件可能经常发生。不确定条件下,突然的、无先验知识的新现象或新过程可能随时发生,并对目标系统的结构、机理与状态造成不可忽视的改变,事件的分析和预测必须有能力适应这些新情况、新现象。
经技术检索与调研,解决不确定环境下的系统分析和预测问题,目前主要有蒙特卡洛仿真方法和数据同化方法。蒙特卡罗仿真是试图克服不确定性影响的重要方法。它将系统变量的不确定性视为可量化的随机性进行处理,即,为每个不确定变量构造概率分布。基于这些概率分布,该方法可以对不同变量进行随机抽样,从而形成不同的初始条件。通过仿真不同初始条件下的系统行为,决策者将获得多种可能的未来状态。这些预测的状态满足特定的概率分布,决策者可以识别最可能或最优的未来状态。在建模过程中,蒙特卡罗仿真方法在参数中考虑了不确定性,从而得到系统不确定性对仿真结果的影响。然而,它所考虑的不确定性是统计或概率不确定性,或者说只是不确定性中可预测的或可预知的部分。
相比于蒙特卡罗仿真方法,数据同化方法能够帮助决策者应对更多的不确定性。数据同化是在线的“预测-分析-矫正”的循环过程。在该过程中,它不断地引入真实观测数据与预测结果进行融合分析,从而连续地、动态地修正模型参数,并获得对系统真实状态的最优估计。数据同化方法不断利用获取的新信息减少模型参数的不确定性。考虑到初始条件(包括初始参数与状态值)也可能存在不确定性,后续研究提出了集合数据同化方法。该方法要求决策者在执行数据同化前,为系统模型设立一个初始条件的集合,而并非一个确定的初始条件。通过预测不同初始条件下的系统状态值,并将它们与观测值进行比较,决策者可以估计最可能的初始条件。集合数据同化方法同时考虑参数与初始条件的不确定性,并在仿真过程中动态地矫正模型参数与初始条件,从而降低系统不确定性对预测结果的影响。该仿真范式的有效性已被大量实际应用所证明。然而,集合数据同化方法仍存在不可忽视的缺陷。整个分析与预测过程完全由确定的模型所支配。在仿真过程中,系统所使用的模型是固定的。如果真实系统内在演化机理发生质的改变,当前系统模型将迅速失效。
上述两种方法强调基于模型来解决动态性与不确定性,但单纯的模型计算存在本质缺陷。因此,已有方法虽然提供了初步的思路,但不能适用高度不确定环境下的系统仿真与预测。理论上,适应系统的高度动态性与不确定性的关键是提供仿真系统的灵活性、适应性。在目前的方法与技术调研结果中,尚未发现有能够适应高度动态不确定性环境的系统仿真计算方法与技术。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于数据与模型混合的仿真计算方法,该方法结合数据与模型混合驱动的建模机制,能够提高仿真系统的灵活性,并极大地增强它对真实系统变化的适应能力。
本发明的另一个目的在于提出一种基于数据与模型混合的仿真计算装置。
为达到上述目的,本发明一方面实施例提出了一种基于数据与模型混合的仿真计算方法,包括以下步骤:混合建模步骤:对目标系统进行概念化形成所述目标系统的描述性框架,并指定所述目标系统的不确定要素,根据所述描述性框架和所述不确定要素建立多个概念模型;多样性计算步骤:根据所述多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果;交互验证步骤:对比所述多个预测结果和真实系统的当前观测数据得到计算系统与所述真实系统之间的偏差,并驱动所述计算系统与所述真实系统共同演化得到仿真计算结果。
本发明实施例的基于数据与模型混合的仿真计算方法,基于混合建模、多样性计算和交互验证三个环节的迭代循环,形成探索性的、适应性的建模与仿真过程,从而有效地解决深度不确定性带来的方法挑战,三个环节的循环充分利用已有知识,并不断纳入新知识,从而建立起对深度不确定系统及其未来的广泛的、持续的探索与仿真,情景计算方法具有一般性,进而适用于具有深度不确定性的系统的仿真与预测,且根据应用结果表明,它能够有效提高仿真系统对真实系统不确定性的适应能力。
另外,根据本发明上述实施例的基于数据与模型混合的仿真计算方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述不确定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。
进一步地,在本发明的一个实施例中,所述根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果,进一步包括:根据所述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集,并将所述初始条件集部署到所述计算系统,以仿真得到所述目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同。
进一步地,在本发明的一个实施例中,所述驱动所述计算系统与所述真实系统共同演化得到仿真计算结果,进一步包括:对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息;在每次仿真循环中,如果所述预设触发事件被触发,则中断仿真循环并返回至所述混合建模步骤,以在所述混合建模步骤中构建新的模型。
为达到上述目的,本发明另一方面实施例提出了一种基于数据与模型混合的仿真计算装置,包括:混合建模模块,用于对目标系统进行概念化形成所述目标系统的描述性框架,并指定所述目标系统的不确定要素,根据所述描述性框架和所述不确定要素建立多个概念模型;多样性计算模块,用于根据所述多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果;交互验证模块,用于对比所述多个预测结果和真实系统的当前观测数据得到计算系统与所述真实系统之间的偏差,并驱动所述计算系统与所述真实系统共同演化得到仿真计算结果。
本发明实施例的基于数据与模型混合的仿真计算装置,基于混合建模、多样性计算和交互验证三个环节的迭代循环,形成探索性的、适应性的建模与仿真过程,从而有效地解决深度不确定性带来的方法挑战,三个环节的循环充分利用已有知识,并不断纳入新知识,从而建立起对深度不确定系统及其未来的广泛的、持续的探索与仿真,情景计算方法具有一般性,进而适用于具有深度不确定性的系统的仿真与预测,且根据应用结果表明,它能够有效提高仿真系统对真实系统不确定性的适应能力。
另外,根据本发明上述实施例的基于数据与模型混合的仿真计算装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述不确定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。
进一步地,在本发明的一个实施例中,所述多样性计算模块进一步用于根据所述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集,并将所述初始条件集部署到所述计算系统,以仿真得到所述目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同。
进一步地,在本发明的一个实施例中,所述交互验证模块进一步用于对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息,在每次仿真循环中、且所述预设触发事件被触发时,中断仿真循环并返回至所述混合建模模块,通过所述混合建模模块构建新的模型。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的面向深度不确定系统的“数据-模型”混合驱动的仿真计算方法原理图;
图2为根据本发明一个实施例的基于数据与模型混合的仿真计算方法的流程图;
图3为根据本发明一个实施例的仿真计算方法的一般执行流程图;
图4为根据本发明一个实施例的刚性球声波散射问题示意图;
图5为根据本发明一个实施例的二球和三球情况下的声压幅值分布图;
图6为根据本发明一个实施例的十球情况下的声压场分布图;
图7为根据本发明一个实施例的不同球体个数下的声压曲线图;
图8为根据本发明一个实施例的交通跟弛驾驶行为示意图;
图9为根据本发明一个实施例的情景计算仿真系统的运行逻辑图;
图10为根据本发明一个实施例的真实道路上的跟驰实验场景图;
图11为根据本发明一个实施例的针对车辆跟驰行为的情景计算与固定模型仿真结果对比图;
图12为根据本发明一个实施例的基于数据与模型混合的仿真计算装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在介绍基于数据与模型混合的仿真计算方法及装置之前,先简单介绍一下“数据-模型”混合驱动的建模方法。
如图1所示,混合建模,强调将数据、模型共同融入至建模过程,以探索多种可能合理的系统模型。混合建模有三种形式,即“数据建模”、“机理建模”以及“数据-模型融合建模”。其中,数据建模是基于计算实验数据或实时观测数据构建新的模型,并利用后续真实观测数据进行模型改进;机理建模是在识别、分析系统与环境不确定要素的基础上,凭借专家知识、经验来搜索、发现或创建能够刻画当前系统演化机理的可能合理的模型,然后引入客观实验或观测数据验证、修正模型;数据-模型融合建模是将实验数据、观测数据融入到当前备选的系统模型,修正现有模型的假设条件、参数及初始值。混合建模是三种建模形式的协同并用。
具体而言,该方法强调数据与模型的混合,即将计算数据、实时捕获的新数据、新知识与可能的系统模型共同引入至计算系统,以探索可能合理的系统模型。混合建模方法有三种形式,即“数据建模”、“机理建模”以及“数据-模型融合建模”,本发明实施例强调三种技术的同时使用。
(1)数据建模:直接利用获取的数据构建可能合理的系统模型。根据数据来源的不同,数据建模可以有两种建模方式。一是基于仿真计算数据构建经验模型,决策者利用基础的数理公式或计算工具(例如具有简单行为规则的多智能体系统)仿真目标系统行为,得到大量可能系统未来行为与状态数据,通过数据的宏观拟合,建立描述系统行为的经验模型,并在后续计算基于真实数据检验、修正此经验模型;二是从实时捕获的新数据、新知识中发现新模式,并直接构建可能合理的系统模型。值得注意的是,数据建模是数据主导的建模过程,它旨在建立能够预测系统行为结果的模型,这些模型可以是经验性的,不必要解释系统机理。
(2)机理建模:在识别、分析系统与环境不确定要素的基础上,凭借专家知识、经验来搜索、发现或创建能够刻画当前系统演化机理的可能合理的模型,然后引入客观实验或观测数据验证、修正它们。考虑到深度不确定情境下知识的不完备,机理建模获得的模型可能是多种多样的。
(3)数据-模型融合建模:将实验数据、观测数据融入到当前备选的系统模型,修正现有模型的假设条件、参数及初始值。
另外,本发明上述实施例的“数据-模型”混合驱动的建模方法还可以包括:“数据-模型”混合建模必须是数据主导的或数据与模型交互的结果,不能是完全基于固有模型的建模;在一些示例中,建模过程包括上述“数据-模型”混合形式的一个或多个。
本发明第二方面的实施例在第一个实施例的基础上,公开了一种“数据-模型”混合驱动的仿真计算方法,该方法主要包括“混合建模—多样性计算—交互验证”三个环节,通过三个环节的循环建立对目标系统及其未来的持续探索与分析。由于不确定性的影响,系统发展存在多种可能性,每一种可能性都是一个未来情景。本发明实施例提出的方法就是通过计算实验动态地探索未来情景,因此,该方法被命名“情景计算”。
下面参照附图描述根据本发明实施例提出的基于数据与模型混合的仿真计算方法及装置,首先将参照附图描述根据本发明实施例提出的基于数据与模型混合的仿真计算方法。
图2是本发明一个实施例的基于数据与模型混合的仿真计算方法的流程图。
如图2所示,该基于数据与模型混合的仿真计算方法包括以下步骤:
在步骤S1中,混合建模步骤:对目标系统进行概念化形成目标系统的描述性框架,并指定目标系统的不确定要素,根据描述性框架和不确定要素建立多个概念模型。
可以理解的是,混合建模是基于上述的建模方式,建立多样性的可能合理的初始条件,包括系统模型、参数或假设条件。
具体地,混合建模强调并用多种前述“数据-模型”混合的建模手段,以充分地利用历史数据与模型、计算仿真数据、实验数据以及观测数据。混合建模旨在完成两个任务:形成尽可能多样性的可能合理的系统模型、参数与假设条件;将真实系统中出现的新变化、新现象、新过程及时地建模至计算系统中。记当前仿真时刻t,由混合建模产生的模型集为假设条件集为参数集为
其中,在本发明的一个实施例中,不确定要素为不能完全确定是否属于目标系统或是否影响目标系统的要素。
具体而言,如图3所示,混合建模步骤具体包括步骤S201、对目标系统进行概念化;步骤S202、指定系统相关的不确定要素,具体包括:
步骤S201、对目标系统进行概念化
系统的概念化是建模分析的基础,它决定了所要分析的问题的形式、结构及范围。决策者必须建立概念化的框架来描述系统的内部组件、组件交互关系以及外部环境因子对它们的影响。该过程涉及两方面工作:一是选择目标系统的范围,决策者应该根据自己所期望的目标输出以及实际决策方案所能干预的范围来限制目标系统的范围。目标系统选择不宜过大或过小,过大可能会增加建模难度或导致决策者无法制定可操作的决策方案,而过小则可能导致最终分析结果过细而缺乏现实指导意义。二是明确系统的关键组件、交互关系、关键外力因子及其对系统的影响,它们是建模与预测的主要对象。实际中,它们的选择依赖目标系统的范围,但也可能影响系统范围的划定。
概念化的结果是形成系统的描述性框架,它是关于系统如何运作、如何与外界环境交互的结构化说明。在知识高度不完备的深度不确定性情境下,决策者应该从多种理论视角、建模范式出发,形成多样性的系统描述框架。
步骤S202、指定系统相关的不确定要素
对于系统可能涉及的要素,如果某个要素没有被完全已知,不确定性就会出现。决策者需要识别系统相关的不确定要素,并指明每个要素的不确定性。特别地,决策者也应该考虑那些与当前系统无关,但可能对系统的未来造成影响的不确定要素。
上述过程可通过对系统要素的选择来实现。对于某个要素,若决策者不能完全肯定它是否属于目标系统或会否影响目标系统,则该要素是不确定的。对于不确定要素,决策者可以设定合理假设来推理、预测或猜想它出现的可能情形,只要保证假设与猜想结果与已知“一致”。这种一致性通过两个基本原则来验证:第一,结果符合已知;第二,结果不与已知冲突。满足条件的猜测的情形都被认为是合理的。例如,若某系统内部组件是不确定的,决策者可以提出多种可能合理的变量或变量组合来刻画合理情形;若不确定是否属于系统,决策者还可以考虑将剔除系统考虑范围。
根据识别的不确定要素,决策者将结合上述步骤的系统描述性框架,建立多个可能合理的概念模型。为更好地探索系统,在保证与“已知”一致的前提下,决策者应该尽可能地给出要素的多种可能合理的情形,形成结构不同、机理不同的多样化的概念模型。
在步骤S2中,多样性计算步骤:根据多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据多个计算机模型和每个计算机模型的参数与变量值探索得到目标系统的多个预测结果。
可以理解的是,多样性计算是基于多样性的初始条件,进行大量计算实验,得到大范围内、多样化的系统未来情景。
具体地,多样性计算是利用计算实验探索多样化的未来。混合建模的结果是各种可能合理的系统模型、假设条件与模型参数的一致性组合,它们可以形成多样化的初始条件。显然,每种初始条件都是关于系统机理及其未来发展的合理猜测。将这些可能合理的初始条件部署到计算系统,从而仿真可能的未来情景f。初始条件的多样性将帮助拓展未来情景的探索范围。
其中,sim是计算系统(每个计算系统都可视为具有计算能力的函数),Δt是动态建模步长。此处,计算系统并非是精确地预测未来,而是产生多样化的可能的未来情景,形成未来情景空间。
进一步地,在本发明的一个实施例中,根据多个计算机模型和每个计算机模型的参数与变量值探索得到目标系统的多个预测结果,进一步包括:根据多个计算机模型和每个计算机模型的参数与变量值得到初始条件集,并将初始条件集部署到计算系统,以仿真得到目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同。
具体而言,如图3所示,多样性计算步骤具体包括:步骤S203发展多种可能的计算机模型;和步骤S204执行探索性的计算实验,具体包括:
步骤S203、发展多种可能的计算机模型
利用计算机语言还原系统的概念化模型,并指定模型的输入与输出,从而建立真实系统的计算机模型。根据上述步骤中建立的多种多样的概念模型,决策者将相应地建立多样化的计算机模型,它们可能基于不同理论假设,拥有不同的结构、参数与形式。
模型开发依赖大量的知识,除已存在的历史数据、模型等资料外,决策者可以引入实时数据、新发现的知识与系统行为模式,以促进模型的构建。在历史资料与实时信息融合的基础上,混合建模可采用两种途径实现:一是修改或直接发现或已有的模型,二是重新发展全新的模型。第二种途径难度较高,通常有两种实现方式:机理建模与数据建模。机理建模是基于系统的概念模型,定义变量、变量之间的关系以及参数来刻画要素及其交互关系,并指定输入、输出;数据建模则是根据已获得的历史与实时数据,快速构建能够描述系统行为的计算机模型,该模型可以是宏观的,不必要描述系统机理。对具有深度不确定性的系统而言,先验知识的高度不完备意味着任何形式的建模都将是困难的。在这种情形下,决策者应该并用多种混合建模形式,充分融合历史数据、实时数据与新学习的知识以建立多种可能合理的计算机模型。
模型构建以后,决策者须指定每个模型的参数与变量值的不确定性,其形式可以是多个可能的备选值、取值范围等。同样地,在保证取值结果与已知“一致”的前提下,决策者可以尽可能宽泛地给出可能合理的取值。
步骤S204、执行探索性的计算实验
多种可能的计算机模型、参数与初始变量值共同构成了探索系统未来的初始条件集。决策者将不同的初始条件部署到计算系统,执行计算仿真实验,从而在大范围内探索系统可能的未来情景。计算实验需要进行大量的计算,提高仿真效率至关重要。此处,建议两种途径来提高计算效率,一是控制每次仿真的时长;二是采用启发式仿真算法,对初始条件进行抽样,并对抽样后的初始条件进行差异化对待,即在计算过程中,重点关注预测结果风险高或差异性大的模型,逐步提高这些模型的参数、变量的样本量。
计算实验的结果是关于系统未来的可能合理的猜测,每一次仿真都模拟一种可能系统演化机理与一条可能的发展路径。大量的计算实验将尽可能宽泛地给出可能合理的系统机理与可能的系统演化路径,使模型预测有更大可能覆盖真实情况。
在步骤S3中,交互验证步骤:对比多个预测结果和真实系统的当前观测数据得到计算系统与真实系统之间的偏差,并驱动计算系统与真实系统共同演化得到仿真计算结果。
可以理解的是,交互验证是执行计算系统与真实系统之间的互动,验证计算系统的有效性,从实时数据中学习新的行为规律或模式,并将它们用于下阶段的混合建模。交互验证是计算系统与真实系统之间的互动,具体包括四个层面的互动内容。
一、对未来情景空间的分析与可视化。未来情景空间揭示了大量的系统潜在演化路径、状态与收益,通过对该情景空间内容的分析与可视化,决策者可能能够识别影响系统演化的关键驱动因素,发现系统演化机理与规律;二、分析预测的未来或观测的现实之间的差异,识别真实系统涌现的新变化、新现象、新过程;三、对比分析预测结果与观测数据,验证当前计算系统相对于真实系统的匹配程度,并评估、识别当前状态下适用的或不适用的模型、参数与假设条件;四、分析真实数据,从中识别新的系统行为模式与规律,结合多样性的预测结果中挖掘的系统运行规律,形成新的知识,并将它们应用到下一循环的混合建模环节中。交互验证将提高分析人员对目标系统的理解以及对未来的洞察力,帮助它们调整、改进计算系统。
进一步地,在本发明的一个实施例中,驱动计算系统与真实系统共同演化得到仿真计算结果,进一步包括:对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息;在每次仿真循环中,如果预设触发事件被触发,则中断仿真循环并返回至混合建模步骤,以在混合建模步骤中构建新的模型。
具体而言,如图所示,交互验证步骤具体包括:步骤S205估计计算模型的有效性;和步骤S206驱动计算系统与真实系统共同演化,具体包括:
(1)估计计算模型的有效性
通过对比分析多样性预测结果与在线观测数据,估计模型的有效性,探索真实系统机理及状态,并修正有效模型的参数。将真实系统的观测状态值作为参考标准,计算模型在不同初始条件下的预测状态与真实观测状态之间的偏差。在此基础上,决策者可以定义模型的性能评价指标,估计模型的有效性。此处,本文建议定义模型的鲁棒性作为模型有效性的评价指标。“鲁棒”模型是指在不同初始条件下都能拥有相对较好的预测性能的模型。鲁棒性度量指标由决策者自主定义,如不同初始条件下模型预测与观测状态的偏差总和、平均偏差、方差或平均偏差与方差的比值。一般而言,模型的鲁棒性越好,越有可能准确地刻画了当前系统机理。
值得说明的是,模型是永远无法被完全证明的,而只能被证伪。在深度不确定性条件下,完全验证模型的有效性是不可能的。由于知识缺乏、偶然因素、非线性系统行为等情况的存在,劣质模型的预测结果也可能吻合真实情况。此处评价模型的有效性并非验证模型,而是探索模型的潜力。模型即使无法验证,但仍然是有价值的,可以用来探索可能的未来或收益。
所有满足最低鲁棒性阈值(由决策者定义)的模型将被挑选作为下一阶段仿真的备选模型,决策者可引入真实观测数据修正这些模型的参数,并将最优鲁棒模型预测的系统状态与当前观测状态进行融合,计算真实系统当前状态的最优估计。
(2)驱动计算系统与真实系统共同演化
真实系统不断发展变化,要保证预测持续有效,计算系统必须跟随真实系统做适应性的改进。为驱动计算系统与真实系统协同演化,决策者必须进行监控与学习两方面的工作。首先是建立对真实系统及相关环境要素的实时观测,持续地收集、分析触发事件相关的线索与标志信息。基本的触发事件通常包括:
a)、意外事件突发发生,这类情况在突发事件演化过程中经常发生,可能导致系统内在演化机理剧烈变化;
b)、状态偏差不可接受,即所有备选模型预测的系统未来都严重偏离观测到的真实情况;
c)、决策方案临时调整,决策者可能临时要求加入新的措施来干预真实系统演化过程,这些新措施必须及时考虑至计算系统中。
系统监控可采用事件触发机制,在每次仿真循环中,若预定义的事件被触发,则即刻中断当前仿真,返回至步骤S1。通过执行混合建模,构建新的模型,并生成当前情境下新的初始条件集,继续后续仿真;反之,则执行仿真直至当前循环结束,此时仍重复步骤S1 至步骤S3,具体地,重复执行如图3所示的步骤S201至步骤S206。
本发明实施例的选定两个不同的领域,设计了一系列的计算仿真实验以及真实物理实验。实验结果表明,使用本发明实施例的仿真方法,可以完成以下任务:
(1)建立多样化的系统模型。
(2)预测大范围内可能合理的系统未来情景。
(3)学习新的系统行为模式或规律,构建新的模型。
(4)持续修正、更新系统模型、参数及状态。
需要说明的是,在本发明实施例的方法中,仿真系统的模型,以及模型的参数、初始值、假设条件都可能被更新、修改或重构,并且这种模型的改进与重构依赖大量的计算数据或实时数据的分析;大量的计算仿真实验将被执行;计算仿真系统的内核模型、参数、假设等不断更新、重构、优化。
综上,本发明针对具有深度不确定性的复杂系统,提供一种“数据-模型”混合驱动的仿真计算方法,称为“情景计算”。该方法由“混合建模—多样性计算—交互验证”三个环节构成。其中,混合建模是将历史数据与模型、计算仿真数据、实验数据以及观测数据进行各种形式的混合,以形成尽可能多样性的可能合理的系统模型、参数与假设条件,并将真实系统中出现的新变化、新现象、新过程及时地建模至计算系统;多样性计算是基于各种可能合理的系统模型、假设条件与模型参数,进行大量计算实验以探索多样化的系统未来情景;交互验证是通过计算系统与真实系统之间的互动,验证计算系统的有效性,从实时数据中学习新的行为规律或模式,并将它们用于下一阶段的混合建模。三个环节的循环充分利用已有知识,并不断纳入新知识,从而建立起对深度不确定系统及其未来的广泛的、持续的探索与仿真。本发明提出的情景计算方法具有一般性,适用于具有深度不确定性的系统的仿真与预测。本发明的实施例应用结果表明,它能够有效提高仿真系统对真实系统不确定性的适应能力。
下面将通过具体示例对基于数据与模型混合的仿真计算方法进行进一步说明。
示例一
利用情景计算方法对地震波经过建筑物后的传播与叠加效应进行建模与仿真分析。城市建筑多以社区或街区的方式组合排列出现,一旦发生地震,地震波在经过不同排列情况的建筑时,会产生叠加效应,可能对建筑造成更加严重的破坏。这种地震波的叠加效应目前尚无有效的物理模型能够加以准确描述,并且,不同的建筑排列情况对地震波的叠加效应的影响也无从估计,具有高度的不确定性,在一定程度上具有复杂系统的特点。本实施例将地震波经过建筑物的传播简化为刚性球的声波散射问题,如图4所示。单球情况下、球坐标系下的散射声压具有理论解:
其中,a为刚性球半径;为汉克尔函数;Pm为勒让德函数。多球情况下,上述问题无法理论求解。利用情景计算方法,本实施例对两球、三球至十球情况下的声压幅值分布进行了数值计算,如图5至图6所示。多球排列带来的叠加效应造成声压场的复杂分布。在本实施例中,将建筑物简化为相同的刚性球且等间距排列,在实际问题中,由于建筑物形状和尺寸的不同,排列方式各异,地震波的叠加效应将更加复杂,故此采用“数据-模型”混合建模,基于对可能情景的大量多样性计算,并结合计算实验数据的,对问题规律进行探索与分析。图5给出了不同球体个数情况下的声压曲线,其中横坐标是以球体直径进行无量纲化的轴向距离(z),纵坐标是以入射声压进行无量纲化的声压值(p),每个数据点是声波经刚性球后的轴向最大幅值。多样性计算结果的显示,地震波经刚性球后的最大幅值符合特定规律,拟合结果得到:
p=1.486×10-5z4-0.00125z3+0.0399z2-0.595z+5.626,
以上模型可用于估算更多球情况下,地震波经过建筑物排列后可能引起的最大破坏程度和位置。本实施例的计算结果表明,对于不完全掌握系统规律的复杂系统问题,基于部分已知规律,进行数据-模型混合建模,也可有效提高对目标系统的认知。这说明本发明提出的数据-模型混合建模手段是可行且有效的。具体结果请参看图5和图7。
示例2
本实施例选定交通仿真领域,以机动车跟驰系统的建模与仿真为例,进行情景计算方法的应用与验证。如图8所示,微观跟驰系统是典型含人系统,由于驾驶员的心理、行为动态变化,跟驰行为是高度不确定的。本发明实施例将结合真实道路实验与计算仿真实验,分析情景计算方法对微观跟驰行为建模与预测的提升效果,进而评估该方法对不确定环境的适应性。
具体地,本发明实施例首先构建面向机动车跟驰系统的情景计算系统;其次,设计物理世界的跟驰实验,通过获取机动车的真实轨迹点数据,作为真实跟驰行为的真实记录;然后,应用固定模型仿真、数据同化以及情景计算三种仿真方法,还原车辆跟驰过程。最后,将三种方法的预测结果与真实跟驰过程分别进行对比,分析预测结果的相似性,从而评估情景计算方法对系统仿真性能的提升作用。
对于微观跟弛驾驶行为的建模已有很多研究,并提出了若干模型,如GHR模型,IDM模型,Gipps模型,VIDFF模型,Tampère模型等,这些模型都是基于不同的驾驶员行为机理构建的。常规的交通仿真通常根据仿真的对象情况选用上述模型中的一种。然而,由于驾驶行为在本质上是人的行为、车的性能和路况三者的结合,存在高度的不确定性,在大规模长时间仿真情况下仿真偏差十分严重。
本发明实施例首先基于情景计算的运行流程,建立面向机动车跟驰行为的计算仿真系统。特别地,情景计算强调混合建模,它既包括状态与参数矫正,还加入动态适应的模型构建。若具有足够的实时建模能力,仿真系统应该基于实时数据动态地构建模型。如何基于实时数据建模并非本发明关注点,本实施例拟拟采用替代方案,即提前收集多种可能的跟驰模型,形成模型空间,如模型重构行动被触发,系统从模型空间中随机选择新的模型加入计算系统。一般地,本发明实施例的情景计算系统将按照以下逻辑执行,图9给出了情景计算系统的运行逻辑。
(1)设当前时刻为t,系统随机从模型空间中选择初始跟驰模型集(Θt),并根据历史轨迹数据,标定这些选定的跟驰模型;
(2)生成或更新当前时刻t的初始条件集合(Et),包括初始模型集Θt及其对应参数集 (Pt)与初始跟驰速度集(vi,t-Δt),其中Et={Θ,p,v}。设初始可能合理的模型数量为l,根据每个参数与初始变量状态的取值分布,对它们分别进行抽样。此处采用正态分布抽样与拉丁立方体抽样两种方法,将它们抽样结果混合形成最终的样本。设最终参数组合与初始状态值的样本数量分别为m与n,则最终可能的初始条件样本数量为l×m×n。
其中,θi,t是模型Mi的不确定参数。
(4)获取观测数据,形成关于后车跟驰速度的观测空间,记为yt。实际中,观测空间满足:yt=y*+ωt,∑ωj,t=0,其中y*为真实值向量,ωt为观测误差向量(由实际观测数据计算)。
其中,Ki为状态增益因子,它由下列式子计算得到:
(7)评估系统中每个可能合理模型的鲁棒性R,评估公式如下:
定义鲁棒性阈值(R*)以评估模型的有效性。若模型R(Mi)>R*,则Mi被认为是鲁棒的,可以被继续用于下个仿真循环;若模型R(Mi)<R*,则Mi不适用当前跟驰行为刻画。特别地,若存在两个以上模型都无法满足鲁棒性要求,则鲁棒性最低的模型从当前仿真循环中淘汰,同时从模型空间中引入一个新的模型加入至下个循环的初始模型集合Θt+Δt;反之,若所有模型都满足鲁棒性要求,则继续使用这些模型,并对它们的参数进行修正。此处引入核平滑方法进行参数修正,例如模型Mi的参数修正公式如下:
其中β是参数收缩因子,默认值取值范围为[0.95,0.99],τi是模型Mi的所有不确定参数的方差组成的向量。
(8)估计当前循环内最可能的跟驰速度。记上步中l个模型的鲁棒性评估结果为向量 R=(R1,R2,…,Rl),归一化以后的向量为其中最终,后车在[t-Δt,t]时间内的最可能估计跟驰速度vt由所有可能的鲁棒模型的预测结果融合得到:
为与真实情况进行对比,本发明实施例基于国家道路标准,对跟弛行为进行了真实道路实验,并将实验数据用于情景计算方法的仿真试验与验证,实验现场如图10所示。为保证与真实跟驰过程的相似性,实验中仅要求后车与前车保持同一车道行驶,对后车没用其他指令性要求。在前车、后车上安装相同的专业高精度GPS设备及智能手机(具有定位功能),前者定位精度小于0.1m,后者定位精度大于0.5m。GPS设备记录的数据被视为车辆精确位置数据,手机记录的位置数据被视为观测数据。
为了比较情景计算方法与固定模型计算方法,本发明实施例分别采用情景计算、GHR 模型、IDM模型、Gipps模型、VIDFF模型、Tampère模型,对道路实验工况进行了仿真计算,对比结果见图11。其中,深黑色的实线是实验记录的精确速度数据,浅黑色实线是情景计算结果,图例中记为CS,其他五条不同虚线分别是采用五种不同的跟弛模型仿真计算的结果。显然,固定模型的计算结果随着时间推移快速发散,而情景计算方法能够持续准确地仿真跟驰行为,并能够对突然出现的新行为做出灵敏的反应(如图11所示)。
需要说明的是,以上的对比仿真实验具体实施过程证明了本发明的准确性和可行性,但本发明提出的仿真方法并不局限于以上两种情况,用户还可以根据实际情况,开发新的情景计算系统,并基于“数据-模型”混合建模机制,驱动情景计算系统的运行,以应对不同复杂系统的仿真任务。
根据本发明实施例提出的基于数据与模型混合的仿真计算方法,基于混合建模、多样性计算和交互验证三个环节的迭代循环,形成探索性的、适应性的建模与仿真过程,从而有效地解决深度不确定性带来的方法挑战,首先,混合建模与多样性计算使得大范围内的未来情景将被探索,多种多样的演化路径、状态及收益被暴露,不确定性对系统的影响得以被充分考虑。通过对大量预测结果的分析与可视化,并与观测数据对比,真实系统的机理也可能被重新认识;其次,新的数据、规律与知识被连续地引入至建模过程中,真实系统的新变化、新现象与新过程都得以被及时纳入到计算系统中。在不断的迭代过程中,系统的机理及未来状态被动态地、广泛地探索。该方法旨在形成“边探索,变预测”的仿真范式,并利用“数据-模型”混合进行驱动,从而最大限度地提高仿真系统对真实世界动态不确定性变化的适应能力。
其次参照附图描述根据本发明实施例提出的基于数据与模型混合的仿真计算装置。
图12是本发明一个实施例的基于数据与模型混合的仿真计算装置的结构示意图。
如图12所示,该基于数据与模型混合的仿真计算装置10包括:混合建模模块100、多样性计算模块200和交互验证模块300。
其中,混合建模模块100用于对目标系统进行概念化形成目标系统的描述性框架,并指定目标系统的不确定要素,根据描述性框架和不确定要素建立多个概念模型。多样性计算模块200用于根据多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据多个计算机模型和每个计算机模型的参数与变量值探索得到目标系统的多个预测结果。交互验证模块300用于对比多个预测结果和真实系统的当前观测数据得到计算系统与真实系统之间的偏差,并驱动计算系统与真实系统共同演化得到仿真计算结果。本发明实施例的装置10结合数据与模型混合驱动的建模机制,能够提高仿真系统的灵活性,并极大地增强它对真实系统变化的适应能力。
进一步地,在本发明的一个实施例中,不确定要素为不能完全确定是否属于目标系统或是否影响目标系统的要素。
进一步地,在本发明的一个实施例中,多样性计算模块200进一步用于根据多个计算机模型和每个计算机模型的参数与变量值得到初始条件集,并将初始条件集部署到计算系统,以仿真得到目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同。
进一步地,在本发明的一个实施例中,交互验证模块300进一步用于对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息,在每次仿真循环中、且预设触发事件被触发时,中断仿真循环并返回至混合建模模块,通过混合建模模块构建新的模型。
需要说明的是,前述对基于数据与模型混合的仿真计算方法实施例的解释说明也适用于该实施例的基于数据与模型混合的仿真计算装置,此处不再赘述。
根据本发明实施例提出的基于数据与模型混合的仿真计算装置,基于混合建模、多样性计算和交互验证三个环节的迭代循环,形成探索性的、适应性的建模与仿真过程,从而有效地解决深度不确定性带来的方法挑战,首先,混合建模与多样性计算使得大范围内的未来情景将被探索,多种多样的演化路径、状态及收益被暴露,不确定性对系统的影响得以被充分考虑。通过对大量预测结果的分析与可视化,并与观测数据对比,真实系统的机理也可能被重新认识;其次,新的数据、规律与知识被连续地引入至建模过程中,真实系统的新变化、新现象与新过程都得以被及时纳入到计算系统中。在不断的迭代过程中,系统的机理及未来状态被动态地、广泛地探索。该方法旨在形成“边探索,变预测”的仿真范式,并利用“数据-模型”混合进行驱动,从而最大限度地提高仿真系统对真实世界动态不确定性变化的适应能力。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于数据与模型混合的仿真计算方法,其特征在于,包括以下步骤:
混合建模步骤:对目标系统进行概念化形成所述目标系统的描述性框架,并指定所述目标系统的不确定要素,根据所述描述性框架和所述不确定要素建立多个概念模型;
多样性计算步骤:根据所述多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果,其中,通过t时刻的多样化初始条件计算得到t+Δt时刻的预测结果 其中,sim是计算系统,Δt是动态建模步长,为混合建模产生的模型集,为每个计算机模型的假设条件集,为每个计算机模型的参数集;所述根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果,进一步包括:根据所述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集,并将所述初始条件集部署到所述计算系统,以仿真得到所述目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同;多样性计算步骤具体包括发展多种可能的计算机模型和执行探索性的计算实验,发展多种可能的计算机模型包括:利用计算机语言还原系统的概念化模型,并指定模型的输入与输出,以建立真实系统的计算机模型,根据建立的多种多样的概念模型,相应地建立多样化的计算机模型,所述多样化的计算机模型基于不同理论假设,拥有不同的结构、参数与形式,根据历史数据、模型资料,并引入实时数据、新发现的知识与系统行为模式,以促进模型的构建,在历史数据与实时数据融合的基础上,混合建模采用两种途径实现:一是修改或直接发现已有的模型,二是重新发展全新的模型,其中,所述重新发展全新的模型包括两种实现方式:机理建模与数据建模,机理建模是基于系统的概念模型,定义变量、变量之间的关系以及参数来刻画要素及其交互关系,并指定输入、输出;数据建模是根据已获得的历史与实时数据,快速构建能够描述系统行为的计算机模型;模型构建以后,指定每个模型的参数与变量值的不确定性,其形式是多个可能的备选值、取值范围;执行探索性的计算实验包括:多种可能的计算机模型、参数与初始变量值共同构成了探索系统未来的初始条件集,将不同的初始条件部署到计算系统,执行计算仿真实验,以在大范围内探索系统可能的未来情景,并通过以下两种方式提高计算效率:一是控制每次仿真的时长;二是采用启发式仿真算法,对初始条件进行抽样,并对抽样后的初始条件进行差异化对待,即在计算过程中,重点关注预测结果风险高或差异性大的模型,逐步提高这些模型的参数、变量的样本量;以及
交互验证步骤:对比所述多个预测结果和真实系统的当前观测数据得到计算系统与所述真实系统之间的偏差,并驱动所述计算系统与所述真实系统共同演化得到仿真计算结果。
2.根据权利要求1所述的基于数据与模型混合的仿真计算方法,其特征在于,所述不确定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。
3.根据权利要求1所述的基于数据与模型混合的仿真计算方法,其特征在于,所述驱动所述计算系统与所述真实系统共同演化得到仿真计算结果,进一步包括:
对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息;
在每次仿真循环中,如果所述预设触发事件被触发,则中断仿真循环并返回至所述混合建模步骤,以在所述混合建模步骤中构建新的模型。
4.一种基于数据与模型混合的仿真计算装置,其特征在于,包括:
混合建模模块,用于对目标系统进行概念化形成所述目标系统的描述性框架,并指定所述目标系统的不确定要素,根据所述描述性框架和所述不确定要素建立多个概念模型;
多样性计算模块,用于根据所述多个概念模型建立多个计算机模型,并指定每个计算机模型的参数与变量值,根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多个预测结果,其中,通过t时刻的多样化初始条件计算得到t+Δt时刻的预测结果 其中,sim是计算系统,Δt是动态建模步长,为混合建模产生的模型集,为每个计算机模型的假设条件集,为每个计算机模型的参数集;所述多样性计算模块进一步用于根据所述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集,并将所述初始条件集部署到所述计算系统,以仿真得到所述目标系统的多个预测结果,其中,每个计算机模型的结构、参数与形式均不相同;所述多样性计算模块具体包括发展多种可能的计算机模型和执行探索性的计算实验,发展多种可能的计算机模型包括:利用计算机语言还原系统的概念化模型,并指定模型的输入与输出,以建立真实系统的计算机模型,根据建立的多种多样的概念模型,相应地建立多样化的计算机模型,所述多样化的计算机模型基于不同理论假设,拥有不同的结构、参数与形式,根据历史数据、模型资料,并引入实时数据、新发现的知识与系统行为模式,以促进模型的构建,在历史数据与实时数据融合的基础上,混合建模采用两种途径实现:一是修改或直接发现已有的模型,二是重新发展全新的模型,其中,所述重新发展全新的模型包括两种实现方式:机理建模与数据建模,机理建模是基于系统的概念模型,定义变量、变量之间的关系以及参数来刻画要素及其交互关系,并指定输入、输出;数据建模是根据已获得的历史与实时数据,快速构建能够描述系统行为的计算机模型;模型构建以后,指定每个模型的参数与变量值的不确定性,其形式是多个可能的备选值、取值范围;执行探索性的计算实验包括:多种可能的计算机模型、参数与初始变量值共同构成了探索系统未来的初始条件集,将不同的初始条件部署到计算系统,执行计算仿真实验,以在大范围内探索系统可能的未来情景,并通过以下两种方式提高计算效率:一是控制每次仿真的时长;二是采用启发式仿真算法,对初始条件进行抽样,并对抽样后的初始条件进行差异化对待,即在计算过程中,重点关注预测结果风险高或差异性大的模型,逐步提高这些模型的参数、变量的样本量;以及
交互验证模块,用于对比所述多个预测结果和真实系统的当前观测数据得到计算系统与所述真实系统之间的偏差,并驱动所述计算系统与所述真实系统共同演化得到仿真计算结果。
5.根据权利要求4所述的基于数据与模型混合的仿真计算装置,其特征在于,所述不确定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。
6.根据权利要求4所述的基于数据与模型混合的仿真计算装置,其特征在于,所述交互验证模块进一步用于对真实系统及相关环境要素进行实时观测,并持续收集和分析预设触发事件相关的线索与标志信息,在每次仿真循环中、且所述预设触发事件被触发时,中断仿真循环并返回至所述混合建模模块,通过所述混合建模模块构建新的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258152.4A CN109977571B (zh) | 2019-04-01 | 2019-04-01 | 基于数据与模型混合的仿真计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258152.4A CN109977571B (zh) | 2019-04-01 | 2019-04-01 | 基于数据与模型混合的仿真计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977571A CN109977571A (zh) | 2019-07-05 |
CN109977571B true CN109977571B (zh) | 2021-07-16 |
Family
ID=67082227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258152.4A Active CN109977571B (zh) | 2019-04-01 | 2019-04-01 | 基于数据与模型混合的仿真计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977571B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095995A (zh) * | 2019-04-16 | 2019-08-06 | 杭州坤天自动化系统有限公司 | 基于工业大数据和机理混合建模的仿真方法及装置 |
CN112733435A (zh) * | 2020-12-29 | 2021-04-30 | 东风汽车集团有限公司 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
CN113504727B (zh) * | 2021-07-14 | 2022-06-17 | 桂林理工大学 | 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法 |
CN114677837B (zh) * | 2022-03-16 | 2023-08-25 | 杭州海康威视数字技术股份有限公司 | 一种基于雷视数据的交通仿真方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682351A (zh) * | 2017-01-10 | 2017-05-17 | 北京捷安申谋军工科技有限公司 | 基于计算机生成兵力的作战仿真系统及仿真方法 |
CN108647414A (zh) * | 2018-04-27 | 2018-10-12 | 北京华如科技股份有限公司 | 基于仿真实验的作战计划适应性分析方法及存储介质 |
CN109299491A (zh) * | 2018-05-17 | 2019-02-01 | 西京学院 | 一种基于动态影响图对策的元模型建模方法及使用方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750932B (zh) * | 2015-04-01 | 2018-03-09 | 电子科技大学 | 一种混合不确定性下基于代理模型的结构可靠性分析方法 |
CN104765924B (zh) * | 2015-04-13 | 2018-08-28 | 清华大学 | 城市交通应急疏散仿真系统及控制方法 |
CN107944699A (zh) * | 2017-11-22 | 2018-04-20 | 清华大学 | 基于多维情景模型的案例表达方法及装置 |
CN109523061B (zh) * | 2018-10-22 | 2022-07-01 | 哈尔滨工业大学 | 一种基于情景分析的突发事件应急决策方法 |
-
2019
- 2019-04-01 CN CN201910258152.4A patent/CN109977571B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682351A (zh) * | 2017-01-10 | 2017-05-17 | 北京捷安申谋军工科技有限公司 | 基于计算机生成兵力的作战仿真系统及仿真方法 |
CN108647414A (zh) * | 2018-04-27 | 2018-10-12 | 北京华如科技股份有限公司 | 基于仿真实验的作战计划适应性分析方法及存储介质 |
CN109299491A (zh) * | 2018-05-17 | 2019-02-01 | 西京学院 | 一种基于动态影响图对策的元模型建模方法及使用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109977571A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977571B (zh) | 基于数据与模型混合的仿真计算方法及装置 | |
CN111008999B (zh) | 用包含跟踪网络的cnn跟踪对象的方法和使用该方法的装置 | |
CN112015843B (zh) | 基于多车意图交互结果的行车风险态势评估方法及系统 | |
Koren et al. | Efficient autonomy validation in simulation with adaptive stress testing | |
US10677686B2 (en) | Method and apparatus for autonomous system performance and grading | |
CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
Tang et al. | Adaptive probabilistic vehicle trajectory prediction through physically feasible bayesian recurrent neural network | |
Tuncali | Search-based test generation for automated driving systems: From perception to control logic | |
Rongo et al. | Lava flow hazard evaluation through cellular automata and genetic algorithms: an application to Mt Etna volcano | |
Wolinski et al. | Optimization-based pedestrian model calibration for evaluation | |
Ge et al. | Dynamic Testing for Autonomous Vehicles Using Random Quasi Monte Carlo | |
Gallina et al. | On the treatment of soft soil parameter uncertainties in planetary rover mobility simulations | |
Arbabi et al. | Planning for autonomous driving via interaction-aware probabilistic action policies | |
WO2022229404A1 (en) | Motion planning | |
CN113849400A (zh) | 一种测试场景库生成方法、装置、设备及存储介质 | |
CN113139644A (zh) | 一种基于深度蒙特卡洛树搜索的信源导航方法及装置 | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. | |
Boulila et al. | Combining Decision Fusion and Uncertainty Propagation to Improve Land Cover Change Prediction in Satellite Image Databases. | |
Lauttia | Adaptive Monte Carlo Localization in ROS | |
Dang et al. | Randomized Simulation of Hybrid Systems For Circuit Validation. | |
CN117407319B (zh) | 用于雷达系统软件测试的目标生成方法、装置及电子设备 | |
Sun et al. | Medium-Fidelity Evaluation and Modeling for Perception Systems of Intelligent and Connected Vehicles | |
CN114970714B (zh) | 一种考虑移动目标不确定行为方式的轨迹预测方法及系统 | |
Bianchi et al. | Monte Carlo Tree Search Planning for continuous action and state space | |
Malayjerdi et al. | Combined Safety and Cybersecurity Testing Methodology for Autonomous Driving Algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |