CN112329248A - 一种基于多智能体系统的道路混合交通流仿真系统 - Google Patents
一种基于多智能体系统的道路混合交通流仿真系统 Download PDFInfo
- Publication number
- CN112329248A CN112329248A CN202011254789.5A CN202011254789A CN112329248A CN 112329248 A CN112329248 A CN 112329248A CN 202011254789 A CN202011254789 A CN 202011254789A CN 112329248 A CN112329248 A CN 112329248A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- agent
- module
- road
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 62
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 49
- 230000006399 behavior Effects 0.000 claims description 37
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 9
- 238000011835 investigation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的目的是提供一种基于多智能体系统的道路混合交通流仿真系统，利用Net Logo平台构建异质性驾驶人交通仿真系统，该仿真系统包括驾驶人—车辆智能体和道路环境智能体，以道路环境智能体作为载体，并与驾驶人—车辆智能体进行信息交互，从而模拟交通场景中驾驶人的行为和交互，仿真拥堵和碰撞的产生和消散，形成复杂情况下的交通场景。
Description
技术领域
本发明属于交通控制技术领域，具体涉及一种基于多智能体系统的道路混合交通流仿真系统。
背景技术
当前基于多智能体的交通流仿真方法主要是基于数据驱动以及智能体的人工智能算法求出最优解，以往研究也通过博弈论模型、元胞自动机建模、多智能体仿真技术，使研究者能够避免使用过于复杂的数学方程以表达模型中车辆状态变化的非线性关系，从而专注于个体行为的应变，以此反映驾驶表现的异质性。
但是现实中，驾驶人并不能快速准确计算出自身最优行为，人往往会因为各种原因，如经验、心理状态、生理状态而失误，这些失误可能导致交通事故的发生，同时对交通环境造成影响。驾驶人的行为还会受周围驾驶人的行为影响，如从众心理和侥幸心理。这些都体现出驾驶人行为的异质性。而交通环境又会对驾驶人造成很大影响，故有必要在仿真中对驾驶人的异质性和环境对驾驶人交互影响进行考虑。当前在研究非对称驾驶人群体驾驶行为的相互影响、驾驶人与交通环境的相互作用产生的影响趋势研究仍有待完善，交通动态事件对驾驶人的影响方面仍需改进。
发明内容
针对上述存在的技术问题，本发明提供了一种基于多智能体系统的道路混合交通流仿真系统，将驾驶人异质性和交通动态事件部署到交通流模型中，能够更加真实地展现现实中交通流的破碎和重组现象，为更好的理解中微观交通流的组织与形成发展提供依据。
本发明采用的技术方案：
一种基于多智能体系统的道路混合交通流仿真系统，利用Net Logo平台构建异质性驾驶人交通仿真系统，该仿真系统包括驾驶人—车辆智能体和道路环境智能体，以道路环境智能体作为载体，并与驾驶人—车辆智能体进行信息交互，从而模拟交通场景中驾驶人的行为和交互，仿真拥堵和碰撞的产生和消散，形成复杂情况下的交通场景。
优选的，所述驾驶人-车辆智能体包括感知-判断模块、驾驶人知识库、行车计划模块、驾驶人操作属性获取模块、车辆属性获取模块、决策模块和执行模块，外界信息通过感知-判断模块输入至决策模块内，所述决策模块则结合行车计划以及车辆属性、驾驶人操作属性和驾驶人知识库做出决策，并将决策发送至执行模块，由执行模块来执行该决策，实现驾驶行为的调整。
优选的，所述车辆属性包括车辆的速度和加速度；所述驾驶人操作属性包括保守型、普通型和激进型。
优选的，所述驾驶人知识库作为存储信息的模块用于对驾驶人-车辆智能体以往的学习经验对存储进行更新，可由决策模块进行调用。
优选的，所述道路环境智能体限定了驾驶人-车辆智能体的运行范围和系统边界，并设定了主要输出数据，所述道路环境智能体用于对驾驶人—车辆智能体运行状态的感知，同时收集车辆运行的信息，进行处理后输出预先设定需要的数据，所述道路环境智能体包括车道感知—分类模块、通行空间模块、车道属性获取模块、交通环境属性获取模块、道路知识库、处理模块及输出模块，车辆运行信息通过车道感知—分类模块输入至处理模块内，所述处理模块则结合通信空间、车道属性、交通环境属性及道路知识库对其进行处理，将处理后的数据通过输出模块进行输出。
优选的，所述车道属性是指车辆所属车道；所述交通环形属性是指对车辆运行造成影响的环境因素。
优选的，所述通行空间模块内存储有向车辆运行提供的虚拟空间-车道；所述道路知识库包括为道路智能体计算道路区间的车速、加速度、车流分布的指标。
优选的，所述交通场景包括换道现象。
本发明与现有技术相比，其有益效果是：
本发明通过定义基本的驾驶任务和交通状态，进一步将每种可能的状态与驾驶人的目标和驾驶状态结合起来，异质性驾驶人交通仿真系统设计为了确保交通模拟中的车辆在面对现实交通中常出现的情况时，能够逻辑地进行决策和操作，更符合真实交通中的驾驶行为。弥补了目前中微观仿真中对于驾驶人行为的考虑不足，展现驾驶人行为演化和交通动态事件产生和消散对通行能力的影响，有效仿真现实场景，并为研究驾驶人行为演化提供样本，也为更好理解交通参与者的行为演化提供模型支撑。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明中驾驶人—车辆智能体架构图；
图2为本发明中道路环境智能体架构图；
图3为跟驰行为时空图；
图4为碰撞模型时空图；
图5为本发明的仿真系统控制方法架构图；
图6为车辆运行时空分布图；a NIGSIM数据集；b仿真数据集；
图7为车辆运行车速频数分布图；a NIGSIM数据集；b仿真数据集；
图8为车辆运行加速度频数分布图；a NIGSIM数据集；b仿真数据集；
图9为真实30日内碰撞-估计车速统计关系；
图10为仿真发生碰撞-仿真车速统计关系；
图11为换道意愿阈值与换道次数统计图；
图12为换道意愿阈值与车速统计图；a保守型驾驶员换道意愿阈值与平均车速关系；b普通型驾驶员换道意愿阈值与平均车速关系；c激进型驾驶员换道意愿阈值与平均车速关系；d所有驾驶员换道意愿阈值与平均车速关系；e所有驾驶员换道意愿阈值与最低车速关系；
图13为不同驾驶行为条件下车速密度对比曲线；
图14为Georgia NaviGAtor智能交通系统中摄像头数据采集的流量-车速图；
图15为单车行程时间组成图；
图16为仿真车辆运行中加速度速度变化时空分布图；a仿真运行加速度；b仿真运行速度；
图17为仿真车辆横向位置动态分布图；
图18为车速分布与碰撞事件时间序列图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
本发明具体提供了一种基于多智能体系统的道路混合交通流仿真系统，利用NetLogo平台构建异质性驾驶人交通仿真系统，该仿真系统包括驾驶人—车辆智能体和道路环境智能体，以道路环境智能体作为载体，并与驾驶人—车辆智能体进行信息交互，从而模拟交通场景中驾驶人的行为和交互，仿真拥堵和碰撞的产生和消散，形成复杂情况下的交通场景。
驾驶人—车辆智能体进入仿真区域的时候，道路道路环境智能体会收到车辆智能体的注册信息,而后道路环境智能体实时识别该车辆的身份信息同时采集其行驶数据。驾驶人—车辆智能体基于以往经验，根据自身和周边车辆的状态信息进行车速、加速度调整、排队、换道等决策，并将各项决策发送给执行模块来执行这些决策，实现自身行为的调整。
本发明的异质性驾驶人交通仿真系统是一种由底层向上设计的多智能体模型，驾驶人感知外界信息和车辆运行状态，结合本身知识库做出决策，最终通过车辆运行表现出来。在仿真实现过程中，车辆与驾驶人耦合形成一个智能体实现。如图1所示。
所述驾驶人-车辆智能体包括感知-判断模块、驾驶人知识库、行车计划模块、驾驶人操作属性获取模块、车辆属性获取模块、决策模块和执行模块，外界信息通过感知-判断模块输入至决策模块内，所述决策模块则结合行车计划以及车辆属性、驾驶人操作属性和驾驶人知识库做出决策，并将决策发送至执行模块，由执行模块来执行该决策，实现驾驶行为的调整。决策包括车辆自由行驶、跟驰、换道或者遭遇碰撞。
其中，所述行车计划为输入至仿真系统的车辆运行讫点、时限等指标，由决策模块进行调用。所述车辆属性包括车辆的速度和加速度，根据实际情况输入初始值，车辆根据仿真环境不断变化自身速度以及加速度；所述驾驶人操作属性包括保守型、普通型和激进型。所述驾驶人知识库作为存储信息的模块用于对驾驶人-车辆智能体以往的学习经验对存储进行更新，可有决策模块进行调用。
如图2所示，所述道路环境智能体限定了驾驶人-车辆智能体的运行范围和系统边界(系统主要指NetLogo这个仿真平台系统)，并设定了主要输出数据，该主要输出数据包括各车辆每仿真步坐标、速度、加减速、耐心值、碰撞次数等，所述道路环境智能体用于对驾驶人—车辆智能体运行状态的感知，同时收集车辆运行的信息，进行处理后输出预先设定需要的数据，所述道路环境智能体包括车道感知—分类模块、通行空间模块、车道属性获取模块、交通环境属性获取模块、道路知识库、处理模块及输出模块，车辆运行信息通过车道感知—分类模块输入至处理模块内，所述处理模块则结合通信空间、车道属性、交通环境属性及道路知识库对其进行处理，将处理后的数据通过输出模块进行输出，可输出至仿真界面的监视器、统计图和程序中定义的输出文件等。
其中，所述车道属性是指车辆所属车道；所述交通环形属性是指对车辆运行造成影响的环境因素，如大雾、雨天等。所述道路知识库包括为道路智能体计算道路区间的车速、加速度、车流分布的指标。
本发明中，所述交通场景包括换道现象。
本发明建立了换道模型，换道模型主要基于车辆安全距离进行构建。
换道行为是车辆行驶中常见的一种行为，主要分为强制换道和自由换道，强制换道主要考虑在上下匝道，前方有障碍物时的必须换道。自由换道考虑驾驶人因为自身原因进行换道。
根据Worrall研究的三阶段换道模型[72]，智能体车辆换道过程可分为产生换道动机，选择目标车道；判定换道条件；执行换道操作三步。在现实世界中，有多种多样的原因会产生自由换道动机，但其可量化的因素大体相似，即车辆当前的速度显著低于期望速度，且超过驾驶人可忍受的程度。故模型在车辆智能体中设定一个变量“Patience”(P)表征可接受排队次数阈值。当车辆车速低于预期时，P值减少。当P减为0时，车辆产生换道动机。产生换道动机后驾驶人(智能体)判断目标车道是是否存在可接受换道间隙，若存在足够的间隙换道，否则保持当前道路行驶，直至换道条件允许。在执行换道操作时，车辆智能体在保持纵向速度同时产生横向速度，模拟车辆换道行为。在完成换道后，车辆智能体的P恢复原值，再次遇到阻挡时减少，由此形成一个换道决策循环。
在本研究中，车辆换道过程中产生一个横向速度进行换道。在本模型中暂不考虑换道加速过程。换道轨迹为横向速度和纵向速度共同决定。
在驾驶人换道过程中，足够的换道间隙是驾驶人主要考虑的换道条件，同时驾驶人还应考虑后方来车的车速。但是在某些情况下，后方来车的车速难以评估，故事故常常发生在换道过程中，因此在本仿真中，主要考虑的是机动车因为换道造成的刮擦或碰撞事故。
碰撞现象仅考虑车车碰撞的情况，其原理根据碰撞发生的自然原因即：碰撞产生的原因是两车的间隙过小不足以使后车相对于前车有足够的以最大减速度减速的时间。根据安全距离模型，只要前后两车时刻保持一定的安全距离就可以避免碰撞，而在复杂的换道过程中由于驾驶人无法准确判断目标车道车辆的潜在速度，通常判断换道方向有足够的换道间隙就会选择换道，导致换道过程中滞后车辆无法迅速减至安全距离发生单车碰撞以至于可能引发后续多车碰撞。车辆智能体碰撞后停止等待救援，在一段时间后恢复行驶。
碰撞主要发生在换道过程中，由于前车j换道至后车i车道，导致后方车辆制动加速度不足以使车辆进入跟驰状态而发生的碰撞，其时空运行如图4所示。碰撞现象参考规则模型进行实现，通过智能通车辆感知周围智能体车辆位置进行判断，是否发生碰撞进入碰撞状态。
仿真系统控制方法使用规则算法(Rule-based)，结合各个子程序模块进行实现，模型控制方法架构如图5所示。
仿真系统架构首先考虑驾驶人层面，驾驶人受到本身经验以及周边环境影响，在跟驰距离判断，加减速程度方面各不相同，同时受从众心理影响，会根据周边车速逐渐调整自己的车速。在驾驶人的生理心理层面，模型主要考虑了驾驶人安全心理，异质性特征和经验技巧的影响，有研究表明其主要通过对在驾驶人的感知层面影响驾驶人的信息加工能力，最终影响认知水平。而自然环境约束即交通中物理的约束，主要包括车道、驾驶人的可视范围以及在驾驶人跟驰换道中考虑的安全距离以及换道间隙。同时，碰撞因素也是重要因素，在以往模型中对其考虑不足，以往模型常常用无事故模型来研究交通流，忽略了在同步流中碰撞可能造成的重要影响。在本仿真系统中，驾驶人遇到拥堵或者碰撞等动态事件时，会极大影响驾驶人的驾驶行为。在内在因素和外在影响的共同影响下，驾驶人在面临相同的交通环境下也会做出具有异质性特点的跟驰、换道、自由行驶等等决策，最终影响车辆的排队、跟驰、换道以及由于各种原因导致的碰撞，这一功能目前通过规则算法进行实现。
本仿真系统通过定义基本的驾驶任务和交通状态，进一步将每种可能的状态与驾驶人的目标和驾驶状态结合起来。该基于自然行为规则模型的设计是为了确保交通模拟中的车辆在面对现实交通中常出现的情况时，能够逻辑地进行决策和操作，更符合真实交通中的驾驶行为。
实施例
本仿真系统通过基于Net Logo平台进行实例研究。选择城市主干路三车道的场景进行研究。在本实现实例中，按照规范设计了具有中央分隔带的双向六车道城市主干路，车道宽度按照3.5m进行设置，不设坡度和平曲线。仿真中车辆设计按照宽度1.8m，长度4.5m设计。
利用Net Logo内置语言函数将规则算法和车辆-驾驶人智能体架构编写，通过调试能正常交互运行。其中驾驶人-车辆智能体主要参数标定如表1所示：
表1驾驶人-车辆智能体参数标定
附注1：仿真中时间单位为tick，距离单位为patch，车辆智能体速度单位为patch/tick，即每个tick时间段内车辆智能体可行驶过的距离。
根据程序设计和调研，通过研究采用1Patch比照现实中约5m。
驾驶人异质性和碰撞模型参数标定如表2所示：
表2驾驶行为异质性与碰撞模型参数标定
参考关于驾驶人换道和加减速调查中参数进行估计，选取驾驶人可接受排队次数(表2)作为换道意愿阈值Patience的取值参考。同时根据与西安市交警进行调研，选取车辆恢复时间为250ticks(约125s)为一个周期。
与现实数据的对比：
1.仿真车速-现实车速数据对比:选择美国交通部Next Generation Simulation(NGSIM)Vehicle Trajectories and Supporting Data数据集中Congestion Data数据集进行验证，现实数据集中和交通流仿真截断数据在显示拥堵的产生和消散中具有相同的趋势，二者共同显示出在拥堵点产生后形成的空隙。对比图如6a和6b所示。
进一步通过对Congestion Data数据集中的车速进行频数统计如图7a所示，发现真实数据集中具有大量的低车速数据与中间车速数据，其分布并非某种基本分布，同时具有一定的随机性和非线性特征。仿真车辆运行车速频数分布特征(如图7b)也具有大量的低速分布与部分中高速分布，两数据集数据标准化后Fisher方差分析结果显示仿真数据可以在一定程度上代表真实数据。
2.仿真加速度-真实加速度对比：通过对比图8a、8b现实数据集与仿真结果的加速度频数分布，二者同样具有大量高低两侧加速度频数分布。这是由于形成的拥堵前后形成的局部净空距离，车辆具有一定的加速空间，从而能够产生较大的加速度。
3.碰撞-车速事故数据与仿真车速-碰撞数据对比：真实数据来源于相关单位调研，通过分小时统计事故发生次数，结合高德地图大数据平台估计对应小时事故发生路段车速进行统计如9所示，结合对西安市二环南路东段-中段-西段主干路30天内机动车刮擦和机动车与机动车碰撞两类交通事故统计表可以发现，路段流量大，平均车速低时，事故发生次数较多。为了验证实验中碰撞事故和密度、车速之间的关系，随机选择27次仿真的数据，每次仿真均持续3600tiks，以1000ticks为时间窗，统计27次仿真中时间窗内碰撞事故的时间占有率即事故频数/tick，同时与该次仿真中平均车速相对应，获得统计图10，显示出本论文的仿真模型在交通流密度较高时，事故较多的趋势，这就能在一定程度上仿真显示世界中的一些流量与事故之间的关系。
上述内容通过对比现实数据集中采集的真实数据和模型输出的数据，校核了本模型的规则和参数设置的合理性，经过校核能够在一定程度上为研究交通流的变化提供依据。
作用效果：
1.1000ticks内异质性驾驶人换道意愿阈值与换道次数之间的关系如11所示，可以看出呈现非线性关系，这反映出异质性驾驶人之间相互影响形成的交通环境对其主体本身的换道行为有一定程度的影响，这是驾驶行为演化的基础，在相互影响的基础上，才可以继续考虑驾驶人受周围自然环境与情景规范的影响。
2.在中高密度的条件下(道路密度取值80veh/km·Lane)对道路平均车速和最低车速以及异质性驾驶人进行统计分析如图12a、12b、12c、12f、12e所示，可以发现，随着换道意愿阈值P(Patience)的增大，整个路网的车辆平均车速和最低车速都有明显减小。当P＝40时平均车速和最低车速均最大，P值在80-100范围内时平均车速最低。路段最小车速的变化随着P的增大而减小。尽管不同种类驾驶人驾驶行为具有异质性，但是都表现出换道意愿阈值越高，平均车速越低这一特性。仿真结果表明积极换道策略有助于提高通行能力，这与现实情况一致。
3.在相同的Patience下，分析碰撞因素对于密度和车速的影响结果如图13所示：由图得知一旦密度超过某一临界值，交通流平均车速的变化开始有明显差异。这表明在临界密度Km之前，即使考虑了碰撞因素，但是由于密度较低的原因，两种驾驶行为条件下交通流特性基本一致。但是在达到临界密度Km＝117pcu/km后，由于碰撞的发生，导致车速降低更为明显。同时统计图也反映出传统交通流理论中流密速的一般关系，通过与倪代恒教授收集的单车道交通数据(乔治亚州的智能交通系统Georgia NaviGAtor中的一个摄像机)图14对比，可以直观的看出目前收集的数据对于密度在100以上还比较少，同时数据集中并不包含有关碰撞事故的数据(或许被移除或未标明)。在已知的数据集以及论文中，少有关于碰撞与交通流之间影响的数据以及研究，本发明考虑碰撞的模型更贴合实际情况。
4.仿真程序输出的数据能够分析单车一段行程的时空分布图，在图15中能够提取车辆的单程行程状态，从而分析出车辆在不同状态下的车速和加速度以及车辆跟驰损失时间和排队时间，同时在模型层面改进驾驶人的异质性以及换道行为，可以发现驾驶人在跟弛状态下的换道行为。
单次总行程时间由期望行程时间和延误时间组成，其中延误时间由跟驰延误时间和排队延误时间组成。车辆在跟弛状态下运行速度低于自由状态，其运行时间与自由状态下行驶相同距离所耗费时间的差值即跟弛延误时间，而排队状态下运行时间为排队延误时间。这三段时间是研究路段服务水平的可靠指标。模型在一定尺度上展现车辆跟弛排队的运行状态，能够更好的研究道路通行能力和服务水平。
分析考虑碰撞因素中仿真车辆运行的加速度、速度分布时空图16a、16b可知，从自由流到拥堵形成与消散的过程，在整个统计的7000ticks中，交通瓶颈的产生会导致车速降低并且会出现约100ticks的空隙，导致交通流运行的破碎，部分车辆会加速换道至该空隙形成自由流。使得在拥堵或瓶颈后的空隙路段产生一个处于以上的加速度，而相应时间内车速均值小于。当拥堵逐渐消散后，交通流再次重组，所有车辆重新形成持续“流动”的态势，而一段较长时间的观察中，交通流被瓶颈和碰撞分割、重组，呈现一种不稳定的状态。
5.图17、18显示，由于交通动态事件，如产生瓶颈、碰撞等会割裂开交通流的完整性，如果从整体的时间维度去看，交通流密度在车道分布是均匀的，但随着交通动态事件的发生，在某个小维度上去看，车辆分布都是不均匀的，当一条车道的车速下降时，驾驶人会换道到另一条车道上继续加速，或者在某个拥堵的车道中，驾驶人的换道意愿导致碰撞使车道更加拥堵。正是这样的非线性和动态性对以方程为基础的交通流模型建模造成了巨大的困难。但多智能体建模却可以克服这一问题，实现交通流在动态事件下的连续运行。
6.在研究车速与碰撞因素的仿真中，研究不同类型驾驶人速度的差异如图18所示。由于仿真初始阶段车辆随机均匀分布，三种类型的驾驶人的车速无明显变化与差异，在接近450ticks处开始有车辆发生碰撞，影响持续800ticks，生成最多5辆车的碰撞群，整体车速呈明显下降趋势，激进型驾驶人平均车速下降缓于其他驾驶人平均车速，保守型与普通型驾驶人速度变化无显著性差异(p-value＞0.45)。在接近1200ticks处碰撞群消失，拥堵减轻，整体车速恢复至最高车速62％。保守型与激进型驾驶人加速快于普通型驾驶人，在拥堵未完全消散时，1250ticks处再次产生持续1750ticks碰撞群，道路中最多11辆车发生碰撞。道路平均车速降至最高车速21％。碰撞的涌现产生的交通瓶颈导致的严重拥堵使驾驶人车速稳定在较低水平(最高车速20％)。3000ticks的时间窗口中，保守型驾驶人时序平均车速标准差(SD＝0.2193)小于普通型驾驶人(SD＝0.2341)、激进型驾驶人(SD＝0.2581)，因此，驾驶人受个人特性、周围交通状况的影响会有不同程度的速度控制。
从图18还能够观察出，即使在模型初始化阶段设置了驾驶人分类——保守、普通、激进型驾驶人，但其实际驾驶表现和初始设置的有很大差异，在交通动态事件的影响下，仅从车速上难以区分三者。在一段时间内，高换道阈值的保守型的驾驶人车速甚至高于激进型的驾驶人。
本发明设计的异质性驾驶人交通仿真系统弥补了目前中微观仿真中对于驾驶人行为的考虑不足，展现驾驶人行为演化和交通动态事件产生和消散对通行能力的影响，有效仿真现实场景，并为研究驾驶人行为演化提供样本，也为更好理解交通参与者的行为演化提供模型支撑。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，利用Net Logo平台构建异质性驾驶人交通仿真系统，该仿真系统包括驾驶人—车辆智能体和道路环境智能体，以道路环境智能体作为载体，并与驾驶人—车辆智能体进行信息交互，从而模拟交通场景中驾驶人的行为和交互，仿真拥堵和碰撞的产生和消散，形成复杂情况下的交通场景。
2.根据权利要求1所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述驾驶人-车辆智能体包括感知-判断模块、驾驶人知识库、行车计划模块、驾驶人操作属性获取模块、车辆属性获取模块、决策模块和执行模块，外界信息通过感知-判断模块输入至决策模块内，所述决策模块则结合行车计划以及车辆属性、驾驶人操作属性和驾驶人知识库做出决策，并将决策发送至执行模块，由执行模块来执行该决策，实现驾驶行为的调整。
3.根据权利要求2所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述车辆属性包括车辆的速度和加速度；所述驾驶人操作属性包括保守型、普通型和激进型。
4.根据权利要求2所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述驾驶人知识库作为存储信息的模块用于对驾驶人-车辆智能体以往的学习经验对存储进行更新，可由决策模块进行调用。
5.根据权利要求2所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述道路环境智能体限定了驾驶人-车辆智能体的运行范围和系统边界，并设定了主要输出数据，所述道路环境智能体用于对驾驶人—车辆智能体运行状态的感知，同时收集车辆运行的信息，进行处理后输出预先设定需要的数据，所述道路环境智能体包括车道感知—分类模块、通行空间模块、车道属性获取模块、交通环境属性获取模块、道路知识库、处理模块及输出模块，车辆运行信息通过车道感知—分类模块输入至处理模块内，所述处理模块则结合通信空间、车道属性、交通环境属性及道路知识库对其进行处理，将处理后的数据通过输出模块进行输出。
6.根据权利要求5所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述车道属性是指车辆所属车道；所述交通环形属性是指对车辆运行造成影响的环境因素。
7.根据权利要求5所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述通行空间模块内存储有向车辆运行提供的虚拟空间-车道；所述道路知识库包括为道路智能体计算道路区间的车速、加速度、车流分布的指标。
8.根据权利要求1所述的一种基于多智能体系统的道路混合交通流仿真系统，其特征在于，所述交通场景包括换道现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011254789.5A CN112329248A (zh) | 2020-11-11 | 2020-11-11 | 一种基于多智能体系统的道路混合交通流仿真系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011254789.5A CN112329248A (zh) | 2020-11-11 | 2020-11-11 | 一种基于多智能体系统的道路混合交通流仿真系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329248A true CN112329248A (zh) | 2021-02-05 |
Family
ID=74318834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011254789.5A Pending CN112329248A (zh) | 2020-11-11 | 2020-11-11 | 一种基于多智能体系统的道路混合交通流仿真系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329248A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
| CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
| CN113268857A (zh) * | 2021-04-21 | 2021-08-17 | 东南大学 | 一种基于多智能体的城市快速路交织区微观交通仿真方法及装置 |
| CN115062471A (zh) * | 2022-06-15 | 2022-09-16 | 宁波大学科学技术学院 | 基于交通虚拟仿真的车辆智能体情绪化行为可视化方法 |
| CN116363905A (zh) * | 2023-05-19 | 2023-06-30 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881992A (zh) * | 2015-06-12 | 2015-09-02 | 天津大学 | 基于多智能体仿真的城市公共交通政策分析平台 |
| US20200180647A1 (en) * | 2018-12-10 | 2020-06-11 | Perceptive Automata, Inc. | Neural network based modeling and simulation of non-stationary traffic objects for testing and development of autonomous vehicle systems |
-
2020
- 2020-11-11 CN CN202011254789.5A patent/CN112329248A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881992A (zh) * | 2015-06-12 | 2015-09-02 | 天津大学 | 基于多智能体仿真的城市公共交通政策分析平台 |
| US20200180647A1 (en) * | 2018-12-10 | 2020-06-11 | Perceptive Automata, Inc. | Neural network based modeling and simulation of non-stationary traffic objects for testing and development of autonomous vehicle systems |
Non-Patent Citations (2)
| Title |
|---|
| 孙智诚等: "考虑换道异质性与碰撞因素中观交通流仿真", 《2019世界交通运输大会论文集（上）》, 13 June 2019 (2019-06-13), pages 784 - 793 * |
| 朱湧等: "基于多智能体的城市道路短时交通流预测与仿真研究", 《公路交通技术》, vol. 32, no. 06, 31 December 2016 (2016-12-31), pages 135 - 139 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
| CN113268857A (zh) * | 2021-04-21 | 2021-08-17 | 东南大学 | 一种基于多智能体的城市快速路交织区微观交通仿真方法及装置 |
| CN113268857B (zh) * | 2021-04-21 | 2024-04-09 | 东南大学 | 一种基于多智能体的城市快速路交织区微观交通仿真方法及装置 |
| CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
| CN115062471A (zh) * | 2022-06-15 | 2022-09-16 | 宁波大学科学技术学院 | 基于交通虚拟仿真的车辆智能体情绪化行为可视化方法 |
| CN116363905A (zh) * | 2023-05-19 | 2023-06-30 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
| CN116363905B (zh) * | 2023-05-19 | 2023-09-05 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329248A (zh) | 一种基于多智能体系统的道路混合交通流仿真系统 | |
| CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
| CN109002595B (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
| Fei et al. | Analysis of traffic congestion induced by the work zone | |
| Balal et al. | Analysis of discretionary lane changing parameters on freeways | |
| Wu et al. | Comparison of proposed countermeasures for dilemma zone at signalized intersections based on cellular automata simulations | |
| CN107301289B (zh) | 一种基于智能博弈的交通流元胞自动机模型的实现方法 | |
| Bared et al. | Simulated capacity of roundabouts and impact of roundabout within a progressed signalized road | |
| Deng et al. | A multilane cellular automaton multi-attribute lane-changing decision model | |
| Luo et al. | A realistic cellular automata model of bus route system based on open boundary | |
| Yu et al. | Dynamic driving environment complexity quantification method and its verification | |
| Hu et al. | Research on influence of sun glare in urban tunnels based on cellular automaton model in the framework of Kerner’s three-phase traffic theory | |
| Zhu et al. | A modified two-lane traffic model considering drivers’ personality | |
| CN114117742A (zh) | 自动驾驶场景生成方法、装置、电子设备和存储介质 | |
| Lyu et al. | Heterogeneous traffic flow characteristics on the highway with a climbing lane under different truck percentages: The framework of Kerner’s three-phase traffic theory | |
| CN117252009A (zh) | 隧道灾损场景下隧道交通状态仿真分析方法 | |
| Wei et al. | Dilemma Zone: A Comprehensive Study of Influential Factors and Behavior Analysis | |
| Fekete et al. | Methods for improving the flow of traffic | |
| Hurdle et al. | Shock wave and cumulative arrival and departure models: Partners without conflict | |
| Lin et al. | Optimization of lane-changing advisory in mixed traffic of connected vehicles and human-driven vehicles at expressway bottlenecks | |
| Yanagihara et al. | Latent class analysis for driving behavior on merging section | |
| Li | Stochastic methods for dilemma zone protection at signalized intersections | |
| Zhang et al. | Cellular automaton traffic model considering driver’s reaction to velocity and headway distance with variable possibility of randomization | |
| Luo et al. | Modeling the conscious behavior of drivers for multi-lane highway driving | |
| Laufer | Freeway capacity, saturation flow and the car following behavioural algorithm of the VISSIM microsimulation software |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wei Wen Inventor after: Du Yumeng Inventor after: Wang Chiheng Inventor after: Sun Zhicheng Inventor after: Zhu Tong Inventor before: Wei Wen Inventor before: Sun Zhicheng Inventor before: Zhu Tong |
|
| CB03 | Change of inventor or designer information |