CN111680451B - 一种微观城市交通在线仿真系统及方法 - Google Patents
一种微观城市交通在线仿真系统及方法 Download PDFInfo
- Publication number
- CN111680451B CN111680451B CN202010455720.2A CN202010455720A CN111680451B CN 111680451 B CN111680451 B CN 111680451B CN 202010455720 A CN202010455720 A CN 202010455720A CN 111680451 B CN111680451 B CN 111680451B
- Authority
- CN
- China
- Prior art keywords
- simulation
- model
- data
- parameter
- basic
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 343
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000009826 distribution Methods 0.000 claims description 89
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 67
- 230000006978 adaptation Effects 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 22
- 230000003068 static effect Effects 0.000 claims description 16
- 231100001263 laboratory chemical safety summary Toxicity 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005465 channeling Effects 0.000 claims description 4
- 238000000819 phase cycle Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 6
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 claims 4
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004454 trace mineral analysis Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种微观城市交通在线仿真系统及方法，本发明通过预先的训练，采用元学习方法对仿真流量参数与路段速度的关系进行学习，训练完成后的基础模型仅用小样本真实速度数据调参即可得到仿真流量参数校准值，进而实现在线仿真，该基础模型具有样本需求少、泛化性能好等优点，解决了以往交通仿真模型无法利用小样本进行流量参数校准的问题，为在短时的基础上实现最优化的模型，同时本发明采用了双层分布式结构，在分布式模型参数学习模块和分布式仿真模块中均采用分布式结构，大大减少了计算花费的时间，从而可以为实时交通分析需求提供指导。
Description
技术领域
本发明涉及交通仿真技术领域，尤其涉及一种微观城市交通在线仿真系统及方法。
背景技术
随着城市的快速发展和汽车保有量的不断增加，交通拥堵问题日益常态化，交通管理控制面临着重大挑战。传统的交通管控的分析与评价主要依赖人工观测，人工观测的分析能力十分有限，对于监控死角的问题往往难以溯源，而且无法定量分析。随着信息化手段的增多，微波检测数据、监控卡口数据和地磁信息等数据量呈现急剧性增长，在这些交通大数据的基础之上，交通管控的分析和评价逐渐精细化。但由于所有的分析评价都是建立在后验的基础上，难以满足交通管控的智能化要求，交通仿真技术逐渐成为技术热点。交通仿真可以模拟交通环境，对待行管控方案进行实行效果模拟，提前评价交通管控方法，使得交通管控实施策略更加科学有效。
以往的交通仿真以离线仿真为主，仿真的必要参数为道路网信息包括静态路网和动态交通管控信息(信号灯)，和流量信息。由于仿真参数校准困难，特别是仿真参数中流量信息的难以获得，使得仿真主要用于交通控制的方案验证，无法直接指导交通管控。当前主流的仿真流量参数确定方法有两类：一类依赖于高准确率的道路断面流量数据，对于交通检测设备故障或部分缺失的道路网则无法进行仿真；另一类依赖于巨量的参数训练，耗时长，适用性较差，无法利用小样本数据进行流量参数校准，即便通过巨量训练构建了较好的仿真模型，也缺乏良好的泛化性能。因此，现有的仿真无法对实时的交通管控给出指导性意见。目前，城市的交通管控面临着及时化，智能化和规模化的仿真评估要求，在此背景下在线仿真的概念被提出，如何进行短时流量参数校准，在数据缺失的情况下获得较好的仿真流量参数成为实现在线仿真需求的关键。
当前，深度学习在交通中主要应用于交通状态预测和车牌识别，在交通仿真中尚未有所应用。深度学习中的元学习(Model-Agnostic Meta-Learning)方法，具有与模型无关的特征，由于其面向学习过程，训练完成后的基础模型具有良好的泛化性能，通过小样本数据即可对新的任务快速调参配适。许多大城市在交通管控时效性和智慧化方面的要求越来越高，希望通过在线仿真实现实时交通管控的科学决策，以往的交通仿真由于无法实现快速参数校准，无法满足动态在线仿真的要求。
发明内容
本发明为克服上述的不足之处，目的在于提供一种微观城市交通在线仿真系统及方法，本发明通过预先的训练，采用元学习方法对仿真流量参数与路段速度的关系进行学习，训练完成后的基础模型仅用小样本真实速度数据调参即可得到仿真流量参数校准值，进而实现在线仿真，该基础模型具有样本需求少、泛化性能好等优点，解决了以往交通仿真模型无法利用小样本进行流量参数校准的问题，为在短时的基础上实现最优化的模型，同时本发明采用了双层分布式结构，在模型参数学习模块和仿真模块中均采用分布式结构，大大减少了计算花费的时间，从而可以为实时交通分析需求提供指导。
本发明是通过以下技术方案达到上述目的：一种微观城市交通在线仿真系统，包括基础数据模块、分布式模型参数学习模块和分布式仿真模块；其中，基础数据模块用于存储基础数据，基础数据主要包括静态路网信息和信号灯信息两个部分；静态路网信息包括路段编号、位置信息、车道数、渠化信息和基本通行能力等信息；动态交通管控信息主要为信号灯信息，包括信号灯所属交叉口编号、开启时间、相位相序、周期和相位绿灯时长等信息；基础信息均可根据仿真需求适当调整；
分布式模型参数学习模块包括一个数据集生成单元、n个模型参数学习单元和一个结果归约单元；其中，数据集生成单元，按历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据和从基础数据模块获取的基础数据输入SUMO仿真软件，SUMO仿真输出得到与OD类别对应的仿真速度分布矩阵；根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集；
每个模型参数学习单元内含一个MAML初始模型，从数据集生成单元仿真中随机抽取仿真分类问题训练数据集，通过调整R次超参数，进行R次MAML初始模型训练，一个模型参数学习单元训练后最终得到一个包含R个仿真参数分类基础模型集
结果归约单元从n个模型参数学习单元获取R*n个仿真参数分类基础模型，将小样本真实交通速度数据1分别输入R*n个仿真参数分类基础模型中，得到R*n个与小样本真实交通速度数据I对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据进行MAPE计算，取mm个MAPE计算值最小的仿真参数分类基础模型构成仿真参数分类基础模型集
分布式仿真模块包括一个数据库，N2个仿真计算单元，一个最优筛选单元I，一个最优筛选单元II和一个多维仿真评价单元；
数据库包含从分布式模型参数学习模块获取的仿真参数分类基础模型集
以及小样本真实交通数据II，小样本真实交通数据II包括真实速度矩阵和对应真实OD流量；
仿真计算单元从仿真参数分类基础模型集
中抽取一个仿真参数分类基础模型、小样本真实交通数据II，利用小样本真实交通数据II对仿真参数分类基础模型进行fine-tune优化，获得仿真参数配适模型；
最优筛选单元I将小样本真实交通速度数据III分别输入mm个仿真参数配适模型中，得到mm个与小样本真实交通速度数据III对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据III进行LCSS计算相似度，根据相似度获取最优仿真参数配适模型；
多维仿真评价单元将最优仿真参数配适模型的相似度与理想相似度阈值进行比较，若模型不符合精度要求，则反馈给最优筛选单元II；
最优筛选单元II利用小样本真实交通数据II对仿真参数配适模型进行fine-tune梯度下降优化，获得最优仿真参数配适模型。
一种微观城市交通在线仿真方法，包括如下步骤：
(1)基础数据模块根据仿真需求设置调整基础信息；其中，基础信息包括静态路网信息和动态交通管控信息；
(2)数据集生成单元按历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据和从基础数据模块获取的基础数据输入SUMO仿真软件，SUMO仿真输出得到与OD类别对应的仿真速度分布矩阵；并根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集；
(3)基于仿真分类问题训练数据集，模型参数学习单元采用分布式计算方法进行Mate-learning模型训练：每个模型参数学习单元通过调整R次超参数，进行R次MAML初始模型训练，得到R个训练完成的基础模型，由此构成一个仿真参数分类基础模型集
(4)结果归约单元从n个模型参数学习单元获取R*n个仿真参数分类基础模型，将小样本真实交通速度数据I分别输入R*n个仿真参数分类基础模型中，得到R*n个与小样本真实交通速度数据I对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据进行MAPE计算，取mm个MAPE计算值最小的仿真参数分类基础模型构成仿真参数分类基础模型集
(5)基于仿真参数分类基础模型集
和小样本真实交通数据II进行分布式仿真，利用小样本真实交通数据II包括真实速度分布矩阵和对应真实OD流量，对仿真参数分类基础模型进行fine-tune优化，获得仿真参数配适模型；并筛选得到最优仿真参数配适模型；
(6)对最优仿真参数配适模型进行多维仿真评价，若评价达到预期，则输出该最优仿真参数配适模型；否则重新进行模型参数优化直至评价达到预期；利用得到的最优仿真参数配适模型，输入速度数据，即可实现路口的短时交通状态仿真。
作为优选，所述步骤(2)具体包括如下步骤：
(2.1)标记道路网中各路口的OD数据组：标记道路网中的路段为link i，i＝1，2，3，…，用Fi，j表示从link i到link j的流量值，设置不同的OD数据组进行仿真，Γ表示OD数据组，待仿真道路网由多个路口组成，第u个路口OD数据组形如Γv{F1，1，F1，2，...，Fn，n}，其中Fi，i＝0；其中n为路段个数；
(2.2)根据历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，生成仿真速度分布矩阵；
(2.3)建立仿真分类问题分布集：
对于N-way，K-shot的仿真分类问题，即数据集总的类别数为Nall，每个类别中有Ka11个样本，每次选出N种OD流量分布类别，其中每种类别随机取K个速度分布矩阵作为一个分类任务的支持组，每种类别取Q个速度分布矩阵作为对应的验证组，两者共同构成了一个分类问题的任务集
其中H＝K+Q，通过每次选取Nall中不同的N，每个N下选取不同的K和Q可以得到多个不同的/>
多个不同的/>
构成了分类问题分布集/>
作为优选，所述步骤(2.2)中，OD流量类别以路口为单位划分，根据不同路口的历史流量数据确定不同路口的OD流量阈值范围，将OD流量分布标定OD类别标签；具体的，对第v个路口，将历史交通流量数据的最大值取为MAX(Fi，j)，最小值取为MIN(Fi，j)；在[MIN(Fi，j)，MAX(Fi，j)]之间，按照下四分位数Q1＝25％分位数，中四分位数Q2＝50％分位数和上四分位数Q3＝75％分位数分为4类，即每个OD数据Fi，j为四个数据区间S1[MIN(Fi，j)，Q1]，S2[Q1，Q2]，S3[Q2，Q3]，S4[Q3，MAX(Fi，j)]中的一个，若路口存在aa个OD流量F，则OD流量分布共4aa个类别，OD流量F对应的OD标签组为a；根据OD类别标签组a，随机生成OD仿真数据；利用Γv-pp，qq表示v路口中pp类别下的第qq个OD仿真数据组；OD数据组的个数可以按需设置；对于多个ah可以生成多个流量分布Γ，其对应的流量分布组为Γv-h{Γv-h，1，Γv-h，2，...}，将流量分布作为仿真OD流量参数和从基础数据模块获取的实际交通环境的静态路网信息、动态交通管控信息输入SUM0软件，SUM0软件仿真得到对应的Γv-h仿真得到的速度分布矩阵组标记为χv-h{χv-h，1，χv-h，2，...}，其中h为类别标签编号；仿真过程如下：
假设仿真时长为Tmin，速度计算粒度为t0min，路段个数为J，则递增均可得到一个
的速度分布矩阵χ，一次仿真得到的速度分布矩阵如下所示：
其中，
表示(t-t0，t)min时段中路段link i通过车辆的速度均值。
作为优选，所述步骤(3)具体如下：
(3.1)超参数设置：设置MAML分类模型参数，N-way，K-shot分类问题的类别个数N，每类所取的支持组样本数K，每次参数的优化计算从
提取G个任务构成数据集，梯度计算步长α和元步长β；
(3.2)初始化模型参数，提取训练样本：
设置卷积神经网络参数：卷积层大小c×c，过滤器数量M，大小[height，width，in_channels，out_channels]，步长和填充算法类型；池化层中池化窗口大小，步长和填充算法类型；随机初始化模型参数θ，从
中提取G个/>
作为训练样本集/>
(3.3)向前传播进行第一次参数更新：每一个N类下的K个样本的速度分布
输入为x(n*k)，对应的仿真OD类别an为y(n*k)，取ψω中一个/>
用卷积神经网络对获得的支持组输入对组Dvv＝{x(z)，y(z)}，vv＝1，2...G；z＝1，2，...，n*k，...，N*K，进行损失/>
计算，
表示输入对组{x(z)，y(z)}属于/>
f考虑为一个将观察到的x(z)映射到y(z)的神经网络模型，利用公式(1)计算交叉熵损失：
对模型参数θ进行基于
的一次梯度更新：
该过程根据ψω中
的个数进行多次循环参数优化，直至取完G个/>
(3.4)进行第二次模型更新：模型参数二次更新的计算数据集为ψω中全部
的验证组，类似地有D′vv＝{x(z)，y(z)}，其中vv＝1，2...G；z＝1，2，...，N*Q，用公式(1)计算损失总和，此时计算中的参数θ为步骤(3.3)一次更新后的参数，通过随机梯度下降(SGD)进行跨
的元优化：
其中，
为对应/>
的支持组计算的损失函数；β为元计算步长；
(3.5)输出基础仿真参数分类模型：通过调整R次超参数，可以进行R次训练，一个模型训练单元最终得到一个仿真参数分类基础模型集
作为优选，所述步骤(4)具体为：结果归约单元利用平均绝对百分比进行误差计算，从n个
中包含的R*n个仿真参数分类基础模型中筛选出mm个基础模型生成仿真参数分类基础模型集/>
进行仿真；具体方法如下：
取小样本真实交通速度数据I，即J个路段Tmin的真实速度，构建
的速度矩阵/>
其中每个元素/>
表示(t-t0，t)min时段中路段link i通过车辆的速度均值；代入各个仿真参数分类基础模型中得到仿真参数OD，将仿真参数OD输入SUMO进行仿真，获得仿真速度分布矩阵χ；利用公式(4)计算MAPE值：
取MAPE值最小的前mm个基础模型生成仿真参数分类基础模型集
作为优选，所述步骤(5)的分布式在线仿真具体为：将仿真参数分类基础模型集Fmm分成N2个模型组
其中γ＝1，2，...，N2，将这些模型组的仿真计算分配给多个计算机并行处理，并把结果归约，输出结果集；其中对于每个小样本模型组F′γ仿真的计算步骤如下：
(i)利用小样本真实交通数据II，包含完整的Tmin真实速度矩阵x(kk)与对应真实OD流量的KK组数据，由于是小样本数据，真实OD流量可由人工数车获得；按照该路口的OD类别划分标准将OD流量转化为类别标签y(kk)；利用DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK，对模型参数进行优化，得到仿真参数配适模型；
(ii)将待评价交通环境的一个Tmin真实速度矩阵χo作为小样本真实交通数据III，代入参数配适模型中得到仿真参数OD流量分布类别ao；
(iii)取OD流量分布类别ao中每个OD对应流量组的均值作为OD流量仿真参数；
(iv)输入参数进行仿真，输出仿真时长为Tmin，速度计算粒度为t0min，条件下的路段速度分布矩阵χ′o。
作为优选，所述步骤(5)筛选得到最优仿真参数配适模型的具体方法为：设分布式仿真计算的输出与真实速度分布矩阵构成的数据集为
χo为实际速度分布矩阵，χ′o为仿真得到的速度分布矩阵，χ均为/>
的矩阵；筛选时采用最长公共子序列LCSS进行χo和χ′o的相似度比较，即将χo和χ′o每行分别比较计算LCSS，再对全部的LCSS值进行路段平均，具体计算方法如下：
假设取矩阵χo第i行
χ′o第i行Speedi进行LCSS/>
计算
其中ρ为相似阈值，t＝t0，2t0，...，T，基于上述公式，最长公共子序列的相似度公式为：
对于一组(χo，χ′o)，整体相似度为
取相似度D最小的模型为最优仿真参数配适模型。
作为优选，所述步骤(6)的多维仿真评价为相似度评价，相似度评价具体为：将最优模型的相似度与理想相似度λ进行比较，若D≤λ，则模型符合精度要求，该仿真参数生成模型可用于交通分析；若D＞λ，则利用梯度下降法进行模型一步调参；利用小样本真实交通数据II，DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK采用损失函数S(θ)(式8)对仿真参数配适模型的参数θ进行梯度下降优化，p代表每次进行优化的样本数
利用式(9)进行参数梯度更新，jj为学习率
将更新后的模型再次代入实际交通分布矩阵χo，进行计算。
本发明的有益效果在于：(1)本发明解决了以往仿真模型计算耗时长，泛化性能差的问题，能够利用小样本速度数据快速进行仿真流量参数校准，解决的数据缺失下的仿真流量参数校准问题；(2)本发明能够实现真实交通系统的在线仿真，为在线预测，拥堵溯源等交通管控的提前评价和问题分析提供支持，指导实时交通管控策略。
附图说明
图1是本发明的系统结构示意图；
图2是本发明的获取仿真速度分布矩阵流程图；
图3是本发明的标准交叉口样例示意图；
图4是本发明的分布式模型参数学习流程图；
图5是本发明的基于MAML的一个仿真基础模型训练流程图；
图6是本发明的分布式仿真流程图；
图7是本发明的小样本模型组分布式仿真流程图；
图8是本发明的真实交通数据仿真应用流程图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种微观城市交通在线仿真系统包括基础数据模块、分布式模型参数学习模块和分布式仿真模块。其中，
1)基础数据模块，存储基础数据，基础数据主要包括静态路网信息和信号灯信息两个部分。静态路网信息包括路段编号、位置信息、车道数、渠化信息和基本通行能力等信息。动态交通管控信息主要为信号灯信息，包括信号灯所属交叉口编号、开启时间、相位相序、周期和相位绿灯时长等信息。基础信息均可根据仿真需求适当调整。
2)分布式模型参数学习模块包括一个数据集生成单元、n个模型参数学习单元和一个结果归约单元。其中，
数据集生成单元，按历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据和从基础数据模块获取的基础数据输入SUMO仿真软件，SUMO仿真输出得到与OD类别对应的仿真速度分布矩阵。根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集。
每个模型参数学习单元内含一个MAML初始模型，从数据集生成单元仿真中随机抽取仿真分类问题训练数据集，通过调整R次超参数，进行R次MAML初始模型训练，一个模型参数学习单元训练后最终得到一个包含R个仿真参数分类基础模型集
结果归约单元从n个模型参数学习单元获取R*n个仿真参数分类基础模型，将小样本真实交通速度数据I分别输入R*n个仿真参数分类基础模型中，得到R*n个与小样本真实交通速度数据I对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据进行MAPE计算，取mm个MAPE计算值最小的仿真参数分类基础模型构成仿真参数分类基础模型集
3)分布式仿真模块包括一个数据库，N2个仿真计算单元，一个最优筛选单元I，一个最优筛选单元II和一个多维仿真评价单元。
数据库包含从分布式模型参数学习模块获取的仿真参数分类基础模型集
以及小样本真实交通数据II，小样本真实交通数据II包含完整的Tmin真实速度矩阵与对应真实OD流量数据。
仿真计算单元从仿真参数分类基础模型集
中抽取一个仿真参数分类基础模型、小样本真实交通数据II，利用小样本真实交通数据II对仿真参数分类基础模型进行fine-tune优化，获得仿真参数配适模型。
最优筛选单元I将小样本真实交通速度数据III分别输入mm个仿真参数配适模型中，得到mm个与小样本真实交通速度数据III对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据III进行LCSS计算相似度，根据相似度获取最优仿真参数配适模型。
多维仿真评价单元将最优仿真参数配适模型的相似度与理想相似度阈值进行比较，若模型不符合精度要求，则反馈给最优筛选单元II。
最优筛选单元II利用小样本真实交通数据II对仿真参数配适模型进行fine-tune梯度下降优化,获得最优仿真参数配适模型。得到最优仿真参数配适模型后，对于流量数据缺少或没有的路口，输入速度数据，模型即可输出对应OD类别标签，将OD标签对应阈值范围的均值输入SUMO仿真软件，就可实现路口的短时交通状态仿真，获得路口延误，车辆平均延误等信息。
一种微观城市交通在线仿真方法，具体步骤如下：
(1)基础数据模块根据仿真需求设置调整基础信息；
基础数据主要包括静态路网信息和信号灯信息两个部分。静态路网信息包括路段编号、位置信息、车道数、渠化信息和基本通行能力等信息。动态交通管控信息主要为信号灯信息，包括信号灯所属交叉口编号、开启时间、相位相序、周期和相位绿灯时长等信息。基础信息均可根据仿真需求适当调整。
(2)构建仿真分类问题训练数据集；
参照图2，在实际交通环境的静态路网信息、动态交通管控信息，与OD流量仿真数据一起作为仿真基础参数，利用现有的交通仿真软件进行仿真，得到对应的仿真速度分布数据。这里采用的是SUMO交通系统仿真软件，SUMO是一个微观的，空间上连续时间上离散的交通仿真软件，其宏观特征包括带变道的多车道道路，基于道路交叉口的靠右行驶规则，支持动态路由。SUMO仿真至少需要两个文件：
1、道路文件，或叫路网文件(net.xml)，可以根据待仿真路口/区域的地理信息位置由OpenStreet Map导入。动态交通管控信息可在路网文件中进行修改或创建。
2、车流文件(trip.xml)，即车流的流量和路径(车流OD)，用来描述车辆的行为。
在输入道路文件和车流文件后，SUMO可以对该参数下的交通状况进行仿真，从而获得不同仿真时刻的速度分布。
其中，获得训练数据集的过程如下：
1)标记道路网中各路口的OD数据组；
标记道路网中的路段为link i，(i＝1，2，3，...)，用Fi，j表示从link i到link j的流量值，设置不同的OD数据组进行仿真，Γ表示OD数据组，待仿真道路网由多个路口组成，第υ个路口OD数据组形如Γv{F1，1，F1，2，...，Fn，n}，其中Fi，i＝0；其中n为路段个数。
例如，若路网区域为一个标准交叉口，形式如图3所示。则对应的OD数据组为Γ{F1，4，F1，6，F1，8，F3，5，F3，8，F3，2，F5，8，F5，2，F5，4，F7，2，F7，4，F7，6}，依次对应了A进口左转、直行、右转；B进口左转、直行、右转；C进口左转、直行、右转和D进口左转、直行、右转的流量。
2)历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，生成仿真速度分布矩阵；
OD流量类别以路口为单位划分，根据不同路口的历史流量数据确定不同路口的OD流量阈值范围。将OD流量分布标定OD类别标签。
具体的，对第v个路口，将历史交通流量数据的最大值取为MAX(Fi，j)，最小值取为MIN(Fi，j)。在[MIN(Fi，j)，MAX(Fi，j)]之间，按照下四分位数Q1＝25％分位数，中四分位数Q2＝50％分位数和上四分位数Q3＝75％分位数分为4类，即每个OD数据Fi，j为四个数据区间S1[MIN(Fi，j)，Q1]，S2[Q1，Q2]，S3[Q2，Q3]，S4[Q3，MAX(Fi，j)]中的一个，若路口存在aa个OD流量F，则OD流量分布共4aa个类别，OD流量F对应的OD标签组为a。
若为图3中的标准交叉路口v，历史流量数据的最小值为20veh/h，最大值为180veh/h，下四分位数为40veh/h，中四分位数为80veh/h，上四分位数为100veh/h，则有S1＝[20，40]，S2＝[40，80]，S3＝[80，100]，S4＝[100，180]四个流量区间，路口v的OD数据组Γ{F1，4，F1，6，F1，8，F3，5，F3，8，F3，2，F5，8，F5，2，F5，4，F7，2，F7，4，F7，6}包含12个OD流量F，每个F的OD类别可以为四个流量区间中的任意一个，因此，该路口共有412个流量分布类别。若Γ{F1，4，F1，6，F1，8，F3，5，F3，8，F3，2，F5，8，F5，2，F5，4，F7，2，F7，4，F7，6}的类标签组为a，a＝[S1，S2，S3，S4，S4，S4，S4，S4，S4，S4，S4，S4]每个区间与Γ中流量一一对应。
根据OD类别标签组a，随机生成OD仿真数据。如S1＝[20，40]，则在该OD类别标签下，可以随机生成20-40范围内的任意一个OD流量仿真值。利用Γv-pp，qq表示v路口中pp类别下的第qq个OD仿真数据组。OD数据组的个数可以按需设置。
例如，当Γv{F1，4，F1，6，F1，8，F3，5，F3，8，F3，2，F5，8，F5，2，F5，4，F7，2，F7，4，F7，6}对应的类别标签为a1[S1，S1，S1，S1，S1，S1，S1，S1，S1，S1，S1，S1]时，流量分布可以为Γv-1，1＝[21，22，23，24，25，26，27，28，29，30，31，32]，也可以是Γv-1，2＝[25，26，27，28，29，30，31，32，33，34，35，36]，每个流量值都是在隶属区间下随机生成的。
因此对于每个dh可以生成多个流量分布Γ，其对应的流量分布组为Γv-h{Γv-h，1，Γv-h，2，...}，将流量分布作为仿真OD流量参数和从基础数据模块获取的实际交通环境的静态路网信息、动态交通管控信息输入SUMO软件，SUMO软件仿真得到对应的Γv-h仿真得到的速度分布矩阵组标记为χv-h{χv-h，1，χv-h，2，...}，其中h为类别标签编号。仿真过程如下：
假设仿真时长为Tmin，速度计算粒度为t0min，路段个数为J，则递增均可得到一个
的速度分布矩阵χ，/>
表示(t-t0，t)min时段中路段link i通过车辆的速度均值，一次仿真得到的速度分布矩阵如下所示：
若为上例中交叉口，8个路段，仿真时长为60min，速度计算粒度为3min，则每次仿真可得到一个8*(60/3)的仿真速度分布矩阵。
3)建立仿真分类问题分布集：
对于N-way，K-shot的仿真分类问题，即数据集总的类别数为Nall，每个类别中有Ka11个样本，每次选出N种OD流量分布类别，其中每种类别随机取K个速度分布矩阵作为一个分类任务的支持组(support set)，每种类别取Q个速度分布矩阵作为对应的验证组(queryset)。两者共同构成了一个分类问题的任务集
其中H＝K+Q，通过每次选取Nall中不同的N，每个N下选取不同的K和Q可以得到多个不同的/>
多个不同的/>
构成了分类问题分布集/>
对于上例中的标准交叉口而言，总共有412个类别，每个类别a下有25个不同的例组，即25个χ，对于5-way，5-shot而言，每次可以选取412中5个类别标签，如为{a2，a3，a5，a7，a11}，从每个类别25例中选取5个支持组，5个验证组，则有
(3)训练并生成仿真参数分类基础模型集：
将基础信息和OD流量数据作为仿真参数，由数据集生成单元统一进行大量的训练数据生成，并将生成数据按照训练模型的输入需求分为n个训练数据集，进行Mate-learning的训练过程采用分布式结构，一是为了通过不同的训练集训练，取得最优化基础模型，二是保证短时训练，每个子任务单元只负责同一训练集数据的训练，平衡了计算负载。每个模型训练单元通过调整R次模型的超参数得到R个训练完成的基础模型，构成一个训练仿真模型集
将每个单元训练得到的训练仿真模型集/>
输出到归约单元，由该单元对R*n个基础模型统一进行评价筛选，选出准确率较高的mm个基础模型，模型参数为θ，最终得到仿真参数分类基础模型集/>
如图4所示。
为在保证模型准确度的同时实现短时调参，本发明在分布式模型参数学习模块采用分布式结构进行计算。分布式计算的主要流程：用户单元(User Program)将任务下发到主单元(Master)中，主单元把用户单元下发的任务分成n个子任务，分配了分解任务的执行单元(Mapper)开始从生成的数据集中读取各个子任务的输入数据，并从数据中抽取键值对，通过模型训练单元将基础模型计算结果输出到结果归约单元，归约单元对结果进行评价筛选，最后输出结果集。
Mate-learning模型的训练过程如下：
Model-Agnostic Meta-Learning(MAML)是元学习模型的一种，该算法模型的优点在于不会对模型做出任何假设，因此可以很好地嵌入分类识别模型，并且MAML擅长解决小样本学习问题，即通过预先训练可以得到一个很好的基础模型，随后利用小样本目标数集微调便可得到对应目标的配适模型，因此，即使流量数据不全或者较少也能完成仿真参数校准，为在保证模型最优的基础上缩短计算时间，采用分布式计算结构，从而实现短时仿真调参。
每个模型参数学习单元进行MAML仿真基础模型训练的总体流程如图5所示：本发明中的仿真速度分布为
的二维矩阵，OD类别共Nall个，采用卷积神经网络(CNN)进行分类特征识别；具体如下：
1)超参数设置：
设置MAML分类模型参数，N-way，K-shot分类问题的类别个数N，每类所取的支持组样本数K，每次参数的优化计算从
提取G个任务构成数据集，梯度计算步长α和元步长β。
2)初始化模型参数，提取训练样本：
设置卷积神经网络参数：卷积层大小c×c，过滤器数量M及大小[height，width，in_channels，out_channels]，步长和填充算法类型；池化层中池化窗口大小，步长和填充算法类型。随机初始化神经网络模型参数θ。从
中提取G个/>
作为一个训练样本集
3)向前传播进行第一次参数更新：
每一个N类下的K个样本的速度分布χn，k输入为x(n*k)，对应的仿真OD类别an为y(n*k)，取ψω中一个
用卷积神经网络对获得的支持组输入对组Dvv＝{x(z)，y(z)}(vv＝1，2...G；z＝1，2，...，n*k，...，N*K)，进行损失/>
计算，/>
表示输入对组{x(z)，y(z)}属于
f考虑为一个将观察到的x(z)映射到y(z)的神经网络模型，利用公式(1)计算交叉熵损失：
对模型参数θ进行基于
的一次梯度更新：
该过程根据ψω中
的个数进行多次循环参数优化，直至取完G个/>
4)第二次模型更新：
模型参数二次更新的计算数据集为ψω中全部
的验证组(query set)，类似地有D′vv＝{x(z)，y(z)}(vv＝1，2...G；z＝1，2，...，N*Q)，用公式(1)计算损失总和，此时计算中的参数θ为步骤3)一次更新后的参数，通过随机梯度下降(SGD)进行跨/>
的元优化：
5)输出基础仿真参数分类模型：
完成二次模型更新后可以得到一个仿真基础模型。通过调整R次超参数，可以进行R次训练，一个模型训练单元最终得到一个仿真参数分类基础模型集
基础模型评价筛选的方法如下：
在结果归约单元利用平均绝对百分比(MAPE)进行误差计算，从n个
中包含的R*n个仿真参数分类基础模型中筛选出mm个基础模型生成仿真参数分类基础模型集
进行仿真。具体方法如下：
取小样本真实交通速度数据I，包括J个路段Tmin的真实速度，构建
的真实速度矩阵/>
其中每个元素/>
表示(t-t0，t)min时段中路段link i通过车辆的速度均值。代入各个仿真参数分类基础模型中得到仿真参数OD，将仿真参数OD输入SUMO进行仿真，获得仿真速度分布矩阵χ。利用公式(4)计算MAPE值：
取MAPE值最小的前mm个基础模型生成仿真参数分类基础模型集
对于上例中的标准交叉口，若进行了10个分布式计算，每个计算调整5次超参数，得到5个基础模型，则共有50个基础模型，计算50个基础模型的MAPE值，按MAPE值倒序排列，得到MAPE值最小的前五个为{2％，2.2％，3％，4.5％，7％}，对应的基础模型为
生成基础模型集/>
(4)对仿真参数分类基础模型进行fine-tune优化，即通过一次梯度下降调参对模型参数进行微调，获得仿真参数配适模型，筛选最优仿真参数配适模型；
基于仿真参数分类基础模型集
和小样本真实交通数据II进行分布式在线仿真，并根据仿真结果进行最优模型筛选；对最优模型进行多维仿真评价，若评价达到预期，则输出仿真结果；否则重新执行分布式在线仿真操作直至评价达到预期。
为使仿真模块进行高性能计算，同样采用分布式计算的方法进行在线仿真。分布式计算通过任务分解，可以将不同基础模型的小样本仿真分给许多计算机进行处理，最后把结果归约，输出全部模块的计算结果最终结果，将大规模的计算非分配给多个并行进程，从而简化计算。
(3.1)分布式在线仿真：
将仿真参数分类基础模型集F1mm分成N2个模型组
将这些模型组的仿真计算分配给多个计算机并行处理。对应的分布式仿真的流程图如图6所示。对于每个小样本模型组/>
仿真的计算流程如图7所示，包括如下步骤：
第一步，利用小样本真实交通数据II对模型进行fine-tune优化，小样本真实交通数据II包含完整的Tmin真实速度矩阵x(kk)与对应真实OD流量的KK组数据，由于是小样本数据，真实OD流量可由人工数车、或检测设备获得。按照该路口的OD类别划分标准将OD流量转化为类别标签y(kk)。利用DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK，对模型参数进行优化，得到仿真参数配适模型；该过程的计算过程与模型训练的过程相同，只是模型优化基于基础模型，不用初始化参数，而且直接利用第一次梯度计算结果更新参数即可。
第二步，将待评价交通环境的一个Tmin真实速度矩阵χo作为小样本真实交通速度数据III，代入参数配适模型中得到仿真参数OD流量分布类别ao；
第三步，取OD流量分布类别ao中每个OD对应流量组的均值作为OD流量仿真参数。
第四步，输入参数进行仿真，输出仿真时长为Tmin，速度计算粒度为t0min，条件下的路段速度分布矩阵χ′o。
综上，对于训练完成的模型，输入真实交通速度即可输出对应OD，将真实交通环境下的静态路网及信号灯信息与流量OD一起作为仿真基础参数，输入SUNO仿真中，得到仿真输出的路网速度分布，将其与真实交通速度数据进行对比评价，若误差小于阈值，则流量OD合理，可用该套仿真基础参数对对应路网进行在线仿真，整体应用流程如图8所示。
若为上例中交叉口，8个路段，仿真时长为30min，速度计算粒度为3min，则每次仿真可得到一个8*(30/3)的仿真速度分布矩阵χ′o。如表1所示：
表1
(3.2)最优模型筛选：
分布式仿真计算的输出与真实速度分布矩阵构成的数据集为
χo为实际速度分布矩阵，χ′o为仿真得到的速度分布矩阵，χ均为/>
的矩阵。本发明采用最长公共子序列LCSS进行χo和χ′o的相似度比较。如果两个时间序列在大多数时间里具有相似的形态，仅仅在很短的时间内有一定的差异，即使差异度不大也会对欧氏距离和DTW等方法产生很大的影响，但LCSS能很好地处理这种问题。因此LCSS可以更好地表现整体相似度情况。由于速度矩阵的每一行为一条路段对应的时间序列平均速度，因此将χo和χ′o每行分别比较计算LCSS，再对全部的LCSS值进行路段平均。具体计算方法如下：
假设取矩阵χo第i行
χ′o第i行Speedi进行/>
计算：
其中ρ为相似阈值，t＝t0，2t0，...，T，基于上述公式，最长公共子序列的相似度公式为：
从而对于一组(χo，χ′o)，整体相似度为
取相似度D最小的模型为最优模型。
若为上例中交叉口，8个路段，仿真时长为15min，速度计算粒度为3min，则其中一个模型计算出的8*(15/3)的仿真速度分布矩阵χ′o如表2所示：
| 3min | 6min | 9min | 12min | 15min | |
| link 1 | 35.2 | 36.1 | 37.9 | 36.1 | 35.2 |
| link 2 | 36.1 | 37 | 38.8 | 37 | 36.1 |
| link 3 | 37 | 37.9 | 39.7 | 37.9 | 37 |
| link 4 | 37.9 | 38.8 | 40.6 | 38.8 | 37.9 |
| link 5 | 38.8 | 39.7 | 41.5 | 39.7 | 38.8 |
| link 6 | 39.7 | 40.6 | 39.7 | 40.6 | 39.7 |
| link 7 | 40.6 | 41.5 | 40.6 | 41.5 | 40.6 |
| link 8 | 41.5 | 35.2 | 41.5 | 35.2 | 41.5 |
表2真实速度分布矩阵χo如下表3所示：
| 3min | 6min | 9min | 12min | 15min | |
| link 1 | 34 | 36 | 38 | 36 | 34 |
| link 2 | 36 | 37 | 32 | 37 | 36 |
| link 3 | 37 | 38 | 35 | 38 | 37 |
| link 4 | 38 | 32 | 42 | 32 | 38 |
| link 5 | 32 | 35 | 41 | 35 | 32 |
| link 6 | 35 | 42 | 34 | 42 | 35 |
| link 7 | 42 | 41 | 42 | 41 | 42 |
| link 8 | 41 | 34 | 41 | 34 | 41 |
表3
取相似阈值为1，对每行进行最长公共子序列计算，得到
对应的/>
分别为{0.4，0.2，0.2，0.3，0.4，1，0.4，0.2}，因此整体相似度为
(3.3)在线仿真评价，具体为相似度评价，如下所示：
将最优模型的相似度与理想相似度λ进行比较，若D≤λ，则模型符合精度要求，该仿真参数生成模型可用于交通分析。若D＞λ，则利用梯度下降法进行模型一步调参。利用小样本真实交通数据II，DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK采用损失函数S(θ)(式8)对仿真参数配适模型的参数θ进行梯度下降优化，p代表每次进行优化的样本数
利用式(9)进行参数梯度更新，jj为学习率
将更新后的模型再次代入实际交通分布矩阵χo，进行后续计算。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (9)
1.一种微观城市交通在线仿真系统，其特征在于，包括基础数据模块、分布式模型参数学习模块和分布式仿真模块；其中，基础数据模块用于存储基础数据，基础数据主要包括静态路网信息和信号灯信息两个部分；静态路网信息包括路段编号、位置信息、车道数、渠化信息和基本通行能力信息；动态交通管控信息主要为信号灯信息，包括信号灯所属交叉口编号、开启时间、相位相序、周期和相位绿灯时长信息；基础信息均可根据仿真需求适当调整；
分布式模型参数学习模块包括一个数据集生成单元、n个模型参数学习单元和一个结果归约单元；其中，数据集生成单元，按历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据和从基础数据模块获取的基础数据输入SUMO仿真软件，SUMO仿真输出得到与OD类别对应的仿真速度分布矩阵；根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集；
每个模型参数学习单元内含一个MAML初始模型，从数据集生成单元仿真中随机抽取仿真分类问题训练数据集，通过调整R次超参数，进行R次MAML初始模型训练，一个模型参数学习单元训练后最终得到一个包含R个仿真参数分类基础模型集
结果归约单元从n个模型参数学习单元获取R*n个仿真参数分类基础模型，将小样本真实交通速度数据I分别输入R*n个仿真参数分类基础模型中，得到R*n个与小样本真实交通速度数据I对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据进行MAPE计算，取mm个MAPE计算值最小的仿真参数分类基础模型构成仿真参数分类基础模型集
分布式仿真模块包括一个数据库，N2个仿真计算单元，一个最优筛选单元I，一个最优筛选单元II和一个多维仿真评价单元；
数据库包含从分布式模型参数学习模块获取的仿真参数分类基础模型集
以及小样本真实交通数据II，小样本真实交通数据II包括真实速度矩阵和对应真实OD流量；
仿真计算单元从仿真参数分类基础模型集
中抽取一个仿真参数分类基础模型、小样本真实交通数据II，利用小样本真实交通数据II对仿真参数分类基础模型进行fine-tune优化，获得仿真参数配适模型；
最优筛选单元I将小样本真实交通速度数据III分别输入mm个仿真参数配适模型中，得到mm个与小样本真实交通速度数据III对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据III进行LCSS计算相似度，根据相似度获取最优仿真参数配适模型；
多维仿真评价单元将最优仿真参数配适模型的相似度与理想相似度阈值进行比较，若模型不符合精度要求，则反馈给最优筛选单元II；
最优筛选单元II利用小样本真实交通数据II对仿真参数配适模型进行fine-tune梯度下降优化,获得最优仿真参数配适模型。
2.一种微观城市交通在线仿真方法，其特征在于，包括如下步骤：
(1)基础数据模块根据仿真需求设置调整基础信息；其中，基础信息包括静态路网信息和动态交通管控信息；
(2)数据集生成单元按历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据和从基础数据模块获取的基础数据输入SUMO仿真软件，SUMO仿真输出得到与OD类别对应的仿真速度分布矩阵；并根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集；
(3)基于仿真分类问题训练数据集，模型参数学习单元采用分布式计算方法进行Mate-learning模型训练：每个模型参数学习单元通过调整R次超参数，进行R次MAML初始模型训练，得到R个训练完成的基础模型，由此构成一个仿真参数分类基础模型集
(4)结果归约单元从n个模型参数学习单元获取R*n个仿真参数分类基础模型，将小样本真实交通速度数据I分别输入R*n个仿真参数分类基础模型中，得到R*n个与小样本真实交通速度数据I对应的OD类别标签，把OD标签对应阈值范围的均值输入SUMO仿真软件，将SUMO仿真软件输出的速度分布矩阵与小样本真实交通速度数据进行MAPE计算，取mm个MAPE计算值最小的仿真参数分类基础模型构成仿真参数分类基础模型集
(5)基于仿真参数分类基础模型集
和小样本真实交通数据II进行分布式仿真，利用小样本真实交通数据II包括真实速度分布矩阵和对应真实OD流量，对仿真参数分类基础模型进行fine-tune优化，获得仿真参数配适模型；并筛选得到最优仿真参数配适模型；
(6)对最优仿真参数配适模型进行多维仿真评价，若评价达到预期，则输出该最优仿真参数配适模型；否则重新进行模型参数优化直至评价达到预期；利用得到的最优仿真参数配适模型，输入速度数据，即可实现路口的短时交通状态仿真。
3.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(2)具体包括如下步骤：
(2.1)标记道路网中各路口的OD数据组：标记道路网中的路段为link i，i＝1，2，3，...，用Fi，j表示从link i到link j的流量值，设置不同的OD数据组进行仿真，Γ表示OD数据组，待仿真道路网由多个路口组成，第v个路口OD数据组形如Γv{F1，1，F1，2，...，Fn，n}，其中Fi，i＝0；n为路段个数；
(2.2)根据历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，生成仿真速度分布矩阵；
(2.3)建立仿真分类问题分布集：
对于N-way，K-shot的仿真分类问题，即数据集总的类别数为Nall，每个类别中有Kall个样本，每次选出N种OD流量分布类别，其中每种类别随机取K个速度分布矩阵作为一个分类任务的支持组，每种类别取Q个速度分布矩阵作为对应的验证组，两者共同构成了一个分类问题的任务集
其中H＝K+Q，通过每次选取Nall中不同的N，每个N下选取不同的K和Q可以得到多个不同的/>
多个不同的/>
构成了分类问题分布集/>
4.根据权利要求3所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(2.2)中，OD流量类别以路口为单位划分，根据不同路口的历史流量数据确定不同路口的OD流量阈值范围，将OD流量分布标定OD类别标签；具体的，对第v个路口，将历史交通流量数据的最大值取为MAX(Fi，j)，最小值取为MIN(Fi，j)；在[MIN(Fi，j)，MAX(Fi，j)]之间，按照下四分位数Q1＝25％分位数，中四分位数Q2＝50％分位数和上四分位数Q3＝75％分位数分为4类，即每个OD数据Fi，j为四个数据区间S1[MIN(Fi，j)，Q1]，S2[Q1，Q2]，S3[Q2，Q3]，S4[Q3，MAX(Fi，j)]中的一个，若路口存在aa个OD流量F，则OD流量分布共4aa个类别，OD流量F对应的OD标签组为a；根据OD类别标签组a，随机生成OD仿真数据；利用Γv-pp，qq表示v路口中pp类别下的第qq个OD仿真数据组；OD数据组的个数可以按需设置；对于多个ah可以生成多个流量分布Γ，其对应的流量分布组为Γv-h{Γv-h，1，Γv-h，2…}，将流量分布作为仿真OD流量参数和从基础数据模块获取的实际交通环境的静态路网信息、动态交通管控信息输入SUMO软件，SUMO软件仿真得到对应的Γv-h仿真得到的速度分布矩阵组标记为χv-h{χv-h，1，χv-h，2，...}，其中h为类别标签编号；仿真过程如下：
假设仿真时长为Tmin，速度计算粒度为t0min，路段个数为J，则递增均可得到一个
的速度分布矩阵χ，一次仿真得到的速度分布矩阵如下所示：
其中，
表示(t-t0，t)min时段中路段link i通过车辆的速度均值。
5.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(3)具体如下：
(3.1)超参数设置：设置MAML分类模型参数，N-way，K-shot分类问题的类别个数N，每类所取的支持组样本数K，每次参数的优化计算从
提取G个任务构成数据集，梯度计算步长α和元步长β；
(3.2)初始化模型参数，提取训练样本：
设置卷积神经网络参数：卷积层大小c×c，过滤器数量M，大小[height，width，in_channels，out_channels]，步长和填充算法类型；池化层中池化窗口大小，步长和填充算法类型；随机初始化模型参数θ，从
中提取G个/>
作为训练样本集/>
(3.3)向前传播进行第一次参数更新：每一个N类下的K个样本的速度分布χn，k输入为x(n*k)，对应的仿真OD类别an为y(n*k)，取ψω中一个
用卷积神经网络对获得的支持组输入对组Dvv＝{x(z)，y(z)}，其中
vv＝1，2...G；z＝1，2，...，n*k，...，N*K，进行损失
计算，x(z)，/>
表示输入对组{x(z)，y(z)}属于/>
f考虑为一个将观察到的x(z)映射到y(z)的神经网络模型，利用公式(1)计算交叉熵损失：
对模型参数θ进行基于
的一次梯度更新：
该过程根据ψω中
的个数进行多次循环参数优化，直至取完G个/>
(3.4)进行第二次模型更新：模型参数二次更新的计算数据集为ψω中全部
的验证组，类似地有D′vv＝{x(z)，y(z)}，其中vv＝1，2...G；z＝1，2，...，N*Q；用公式(1)计算损失总和，此时计算中的参数θ为步骤(3.3)一次更新后的参数，通过随机梯度下降进行跨/>
的元优化：
其中，
为对应/>
的支持组计算的损失函数；β为元计算步长；
(3.5)输出基础仿真参数分类模型：通过调整R次超参数，可以进行R次训练，一个模型训练单元最终得到一个仿真参数分类基础模型集
6.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(4)具体为：结果归约单元利用平均绝对百分比进行误差计算，从n个
中包含的R*n个仿真参数分类基础模型中筛选出mm个基础模型生成仿真参数分类基础模型集/>
进行仿真；具体方法如下：
取小样本真实交通速度数据I，即J个路段Tmin的真实速度，构建
的速度矩阵/>
其中每个元素/>
表示(t-t0，t)min时段中路段link i通过车辆的速度均值；代入各个仿真参数分类基础模型中得到仿真参数OD，将仿真参数OD输入SUMO进行仿真，获得仿真速度分布矩阵χ；利用公式(4)计算MAPE值：
取MAPE值最小的前mm个基础模型生成仿真参数分类基础模型集
7.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(5)的分布式在线仿真具体为：将仿真参数分类基础模型集Fmm分成N2个模型组
其中γ＝1，2，...，N2；将这些模型组的仿真计算分配给多个计算机并行处理，并把结果归约，输出结果集；其中对于每个小样本模型组/>
仿真的计算步骤如下：
(i)利用小样本真实交通数据II，包含完整的Tmin真实速度矩阵x(kk)与对应真实OD流量的KK组数据，由于是小样本数据，真实OD流量可由人工数车获得；按照该路口的OD类别划分标准将OD流量转化为类别标签y(kk)；利用DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK，对模型参数进行优化，得到仿真参数配适模型；
(ii)将待评价交通环境的一个Tmin真实速度矩阵χo作为小样本真实交通速度数据III，代入参数配适模型中得到仿真参数OD流量分布类别ao；
(iii)取OD流量分布类别ao中每个OD对应流量组的均值作为OD流量仿真参数；
(iv)输入参数进行仿真，输出仿真时长为Tmin，速度计算粒度为t0min，条件下的路段速度分布矩阵χ′o。
8.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(5)筛选得到最优仿真参数配适模型的具体方法为：设分布式仿真计算的输出与真实速度分布矩阵构成的数据集为
χo为实际速度分布矩阵，χ′o为仿真得到的速度分布矩阵，χ均为/>
的矩阵；筛选时采用最长公共子序列LCSS进行χo和χ′o的相似度比较，即将χo和χ′o每行分别比较计算LCSS，再对全部的LCSS值进行路段平均，具体计算方法如下：
假设取矩阵χo第i行
χ′o第i行Speedi进行/>
计算
其中ρ为相似阈值，t＝t0，2t0，...，T，基于上述公式，最长公共子序列的相似度公式为：
对于一组(χo，χ′o)，整体相似度为
取相似度D最小的模型为最优仿真参数配适模型。
9.根据权利要求2所述的一种微观城市交通在线仿真方法，其特征在于：所述步骤(6)的多维仿真评价为相似度评价，相似度评价具体为：将最优模型的相似度与理想相似度λ进行比较，若D≤λ，则模型符合精度要求，该仿真参数生成模型可用于交通分析；若D＞λ，则利用梯度下降法进行模型一步调参；利用小样本真实交通数据II，DII＝{x(kk)，y(kk)}，kk＝1，2，...，KK采用损失函数s(θ)(式8)对仿真参数配适模型的参数θ进行梯度下降优化，p代表每次进行优化的样本数
利用式(9)进行参数梯度更新，jj为学习率
将更新后的模型再次代入实际交通分布矩阵χo，进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010455720.2A CN111680451B (zh) | 2020-05-26 | 2020-05-26 | 一种微观城市交通在线仿真系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010455720.2A CN111680451B (zh) | 2020-05-26 | 2020-05-26 | 一种微观城市交通在线仿真系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680451A CN111680451A (zh) | 2020-09-18 |
| CN111680451B true CN111680451B (zh) | 2023-06-27 |
Family
ID=72453899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010455720.2A Active CN111680451B (zh) | 2020-05-26 | 2020-05-26 | 一种微观城市交通在线仿真系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680451B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382082B (zh) * | 2020-09-30 | 2022-06-14 | 银江技术股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
| CN112766388A (zh) * | 2021-01-25 | 2021-05-07 | 深圳中兴网信科技有限公司 | 模型获取方法、电子设备和可读存储介质 |
| CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
| CN113689720B (zh) * | 2021-07-14 | 2022-08-05 | 东南大学 | 一种基于卷积神经网络的自动交叉口通行决策方法 |
| 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682155A (zh) * | 2012-03-16 | 2012-09-19 | 王晓原 | 城市道路交通网络分析微观仿真系统 |
| CN104866654A (zh) * | 2015-05-06 | 2015-08-26 | 广州市交通规划研究院 | 一种一体化城市动态交通仿真平台的构建方法 |
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
| EP3611710A1 (de) * | 2018-08-15 | 2020-02-19 | Aurelius Bernet | Verkehrsflusssimulator |
| CN110837697A (zh) * | 2019-10-25 | 2020-02-25 | 华南理工大学 | 一种智能车的智能交通仿真系统及其仿真方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8894413B2 (en) * | 2010-09-22 | 2014-11-25 | Telcordia Technologies, Inc. | Architecture, method, and program for generating realistic vehicular mobility patterns |
-
2020
- 2020-05-26 CN CN202010455720.2A patent/CN111680451B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682155A (zh) * | 2012-03-16 | 2012-09-19 | 王晓原 | 城市道路交通网络分析微观仿真系统 |
| CN104866654A (zh) * | 2015-05-06 | 2015-08-26 | 广州市交通规划研究院 | 一种一体化城市动态交通仿真平台的构建方法 |
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| EP3611710A1 (de) * | 2018-08-15 | 2020-02-19 | Aurelius Bernet | Verkehrsflusssimulator |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
| CN110837697A (zh) * | 2019-10-25 | 2020-02-25 | 华南理工大学 | 一种智能车的智能交通仿真系统及其仿真方法 |
Non-Patent Citations (1)
| Title |
|---|
| 司庆华,杨建国,王辉,骆永.微观城市交通仿真系统的设计.宁夏工程技术.2003,(01),第31-34,42页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680451A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680451B (zh) | 一种微观城市交通在线仿真系统及方法 | |
| Punzo et al. | About calibration of car-following dynamics of automated and human-driven vehicles: Methodology, guidelines and codes | |
| CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
| CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
| CN111047182B (zh) | 一种基于深度无监督学习的空域复杂度评估方法 | |
| CN105589806B (zh) | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 | |
| CN106529729A (zh) | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 | |
| CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
| CN103473598A (zh) | 基于变长度粒子群优化算法的极限学习机 | |
| CN105701507A (zh) | 基于动态随机池化卷积神经网络的图像分类方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN104798043A (zh) | 一种数据处理方法和计算机系统 | |
| CN115907001B (zh) | 基于知识蒸馏的联邦图学习方法及自动驾驶方法 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN106156857B (zh) | 变分推理的数据初始化的方法和装置 | |
| CN109376941A (zh) | 基于人工神经网络和bim的建筑能耗模拟和优化方法 | |
| CN110399487A (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
| CN109145342A (zh) | 自动布线系统及方法 | |
| CN108320504A (zh) | 基于监测数据的动态od矩阵估计方法 | |
| CN105389599A (zh) | 基于神经模糊网络的特征选择方法 | |
| Lu et al. | Learning Car-Following Behaviors for a Connected Automated Vehicle System: An Improved Sequence-to-Sequence Deep Learning Model | |
| CN115964483B (zh) | 基于神经网络的高速公路养护大数据分类决策方法 | |
| CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 | |
| WO2023178581A1 (zh) | 一种基于量子游走的网约车流量多尺度特征解析方法 | |
| CN116306785A (zh) | 一种基于注意力机制的卷积长短期网络的学生成绩预测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Applicant after: Yinjiang Technology Co.,Ltd. Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Applicant before: ENJOYOR Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |