CN112927513B - 一种实时在线交通仿真方法及系统 - Google Patents

Abstract

本发明提供了一种实时在线交通仿真方法及系统，涉及智能交通技术领域，包括：获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据；将实时交通信号数据和实时交通状态数据输入交通仿真模型确定仿真结果；当仿真结果不满足预设精度要求时，则进行交通仿真模型的校核更新，包括根据交通仿真模型的参数默认值和参数实时计算值的偏差或参数默认值和历史累积数据的平均值的偏差来调整关键参数，还调整交通仿真模型中的OD和路径流量分配和预测模型参数的数值，并根据校核更新后的交通仿真模型重新进行仿真。本发明可自动化接入实时数据，还对实时仿真结果进行校核更新，有效提升全局实时仿真精度。

Description

一种实时在线交通仿真方法及系统

技术领域

本发明涉及智能交通技术领域，具体而言，涉及一种实时在线交通仿真方法及系统。

背景技术

随着城市交通系统的日益复杂，城市交通管理和控制面临巨大的挑战，道路交通管控的时效性、全局性和精确性的要求也越来越高。以人工参与为主的传统交通管理方式以难以支撑管理部门做出及时且正确的决策。随着目前信息化手段的提升，交通监控卡口数据、运营监管车辆GPS数据、地磁线圈数据、互联网出行信息数据等多源交通大数据呈现爆炸式增加，在这些交通大数据的基础上，众多支撑交通管控的大数据平台应用而生，并成为支撑交通管控科学决策的重要手段。

虽然这些大数据平台能够实现对重点道路、车辆的实时监测和预警，但是仍然无法实现对于全局交通的全息感知和预测，对于交通拥堵溯源、动态交通诱导和信号管控等功能的应用仍存在较大的差距，无法真正实现交通大数据的深入挖掘和分析。随着信息技术的快速发展和计算机运算速度的快速提升，利用信息技术与交通模型相结合的交通仿真技术正成为精细化交通决策管理新的技术要求。通过交通仿真技术可对城市交通运行情况进行建模，模拟路网车辆运行状态，实现现实世界的数字化，为智能交通系统的搭建夯实基础。

以往的交通仿真多是以离线仿真为主，主要借助综合交通规划工具（例如TransCAD、EMME/2、TRIPS和VISUM等）做出交通需求预测以后，进一步用传统交通仿真软件来分析未来的路网上交通需求与供给的动态关系，以弥补静态交通分配模型的不足，验证其假设前提（例如通过能力和V/C比）和结果（预测行驶时间和流量）。然而，现有技术中把传统的离线仿真应用于交通管控往往面临着诸多严峻的挑战。首先，交通管控问题涉及比较大的范围，交通管控措施所诱发的交通需求和路网改善所带来的影响需要进行系统性的全局分析，如何在大规模路网范围内进行交通仿真对于交通管控措施的全局影响分析至关重要；其次，区域内的交通管控有时会包括成百上千的路口和成千上万的路段，由于时间和资源的限制，加上各种不确定因素，传统的微观交通仿真软件无法满足效率要求。且现有的实时在线仿真系统的全局精度较低，对实时的多源交通大数据未进行充分的挖掘和使用。

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，为达上述目的，第一方面，本发明提供了一种实时在线交通仿真方法，其包括：

获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据；

将所述实时交通信号数据和所述实时交通状态数据输入交通仿真模型确定仿真结果；

当所述仿真结果不满足预设精度要求时，根据所述交通仿真模型的参数默认值进行关键参数更新，还根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量和预测模型参数；

当所述仿真结果满足所述预设精度要求时，输出所述仿真结果。

进一步地，所述获取实时交通数据并进行多源数据融合处理包括：

获取前端采集设备和智能移动设备提供的所述实时交通数据；

对所述实时交通数据进行清洗和分类，并根据分类结果按预设格式存入对应的数据库，所述数据库包括实时流量数据库、实时速度数据库、实时密度数据库和实时信号数据库；

将所述实时流量数据库、所述实时速度数据库和所述实时密度数据库中的数据作为所述实时交通状态数据，将所述实时信号数据库中的数据作为所述实时交通信号数据。

进一步地，所述根据所述交通仿真模型的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值包括：

获取所述交通仿真模型参数的所述历史累积数据；

当所述历史累积数据小于预设数量时，确定当前仿真周期下的所述交通仿真模型的所述参数实时计算值；

确定所述交通仿真模型的所述参数默认值和所述参数实时计算值的第一误差值；

当所述第一误差值大于第一预设阈值时，更新所述关键参数。

进一步地，所述根据所述交通仿真模型的参数默认值进行关键参数更新还包括：

当所述历史累积数据不小于所述预设数量时，确定与当前仿真时段在时间上相近的满足预设条件的所述历史累积数据；

确定所述历史累积数据的平均值，并确定所述平均值与所述参数默认值的第二误差值；

当所述第二误差值大于第二预设阈值时，更新所述关键参数。

进一步地，所述确定与当前仿真时段在时间上相近的满足预设条件的所述历史累积数据包括：

判断与当前仿真时段在时间上最相近的预设数量的历史累积数据是否满足所述预设条件，所述预设条件包括3σ定律；

当不满足所述预设条件时，则获取其他相近的历史累积数据来补齐数据，并重新判断是否满足所述预设条件，直至所述预设数量的历史累积数据满足所述预设条件。

进一步地，所述更新所述关键参数包括：

根据所述交通仿真模型的所述参数实时计算值和所述历史累积数据的所述平均值的比值来更新所述关键参数。

进一步地，所述获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据之前，还包括：

对齐当前的系统时间，并根据仿真过程中的时间消耗确定仿真的开始时间；

当所述系统时间还未到达所述仿真的开始时间时，则等待预设时长再重新判断，直至所述系统时间到达所述仿真的开始时间。

进一步地，所述输出所述仿真结果之后，还包括：

当完成当前时间段的交通仿真后，清理仿真过程中的无用数据，并对所述交通仿真模型中路网的交通状态进行初始化处理，所述无用数据包括所述仿真过程产生的中间文件和结果文件、仿真信息和仿真时段之外的实时交通数据。

进一步地，所述根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量和预测模型参数包括：

确定具有所述实时交通数据的路段，并确定其所述实时交通状态数据和对应的所述仿真结果之间的流量偏差；

根据所述流量偏差调节所述路段的流量分布，并确定所有所述路段的路径流量平均调节值；

当所述路径流量平均调节值小于或等于预设收敛阈值时，更新所述交通仿真模型中的所述OD和所述路径流量。

进一步地，所述根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量和预测模型参数还包括：

根据所述交通仿真模型的所述仿真结果和所述实时交通状态数据之间的偏差按照预设规则调节所述预测模型参数，直至所述预测模型的输出满足预设精度要求，所述预测模型包括流量预测模型和速度预测模型。

为达上述目的，第二方面，本发明提供了一种实时在线交通仿真系统，其包括：

实时信号获取单元，用于获取前端数据采集设备和信号机的实时交通数据；

实时信号处理单元，用于对所述实时信号获取单元获取的所述实时交通数据进行数据处理和分类，确定实时交通信号数据和实时交通状态数据；

实时多源数据库，用于对所述实时信号处理单元分类后的所述实时交通信号数据和所述实时交通状态数据进行分类存储；

交通仿真单元，用于根据所述实时多源数据库中的数据进行仿真，确定仿真结果；

参数更新单元，用于当所述仿真结果不满足预设精度要求时，进行所述交通仿真单元的校核更新，包括：根据所述交通仿真单元的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值，还根据所述仿真结果和所述实时交通状态数据来调整所述交通仿真单元中的OD和路径流量分配和预测模型参数的数值；

仿真结果输出单元，用于当所述仿真结果满足所述预设精度要求时，输出所述仿真结果；

数据清理单元，用于在完成当前时间段的交通仿真后，清理仿真过程中的无用数据并进行路网状态初始化。

使用本发明的实时在线交通仿真方法或系统，通过对实时检测到的多源交通大数据进行融合处理和分析，并根据处理后的实时数据进行仿真，再根据交通仿真结果和实时检测数据对交通仿真模型的关键参数进行在线校核更新，还对动态OD、路径流量和预测模型的参数也进行更新，由此实现实时数据自动化接入交通仿真系统，从而保证交通仿真系统能够随时间不间断地稳定运行，满足交通管控实时性需求，并对各类实时交通大数据进行充分挖掘和应用，且本发明还实现对实时仿真结果的校核更新，在精准还原交通现状的同时准确预测未来交通状态，有效提升全局实时仿真的精度，满足交通管控精细化需求，且能有效实现交通管理由“事后”到“事前”管理的转变，有效降低政府的交通基础投资。本发明还通过对交通仿真系统的数据进行清理及重置，有效节省了存储资源。

附图说明

图1为根据本发明实施例的实时在线交通仿真方法的流程示意图；

图2为根据本发明实施例的多源数据融合处理的流程示意图；

图3为根据本发明实施例的实时数据接入的原理示意图；

图4为根据本发明实施例的信号机实际运行数据表的示意图；

图5为根据本发明实施例的浮动车GPS数据的示意图；

图6为根据本发明实施例的关键参数更新的流程示意图一；

图7为根据本发明实施例的关键参数更新的流程示意图二；

图8为根据本发明实施例的确定历史累积数据的流程示意图；

图9为根据本发明实施例的调节路径流量和预测模型参数的流程示意图；

图10为根据本发明实施例的更新OD和路径流量的流程示意图；

图11为根据本发明实施例的经过预测模型参数校核更新后的系统预测结果示意图；

图12为根据本发明实施例的交通仿真系统在线校核运行的示意图；

图13为根据本发明实施例的实时在线交通仿真系统的结构示意图。

具体实施方式

下面将参照附图详细描述根据本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。

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。

在城市交通系统日益复杂化和交通拥堵常态化的背景下，随着大数据、移动互联网和云计算等现代信息化技术的快速发展，目前地磁、线圈、卡口、视频等交通检测数据以及交通信号数据能够实时接入系统，如何利用和挖掘这些多源异构的交通大数据的潜在价值，并应用于交通仿真，从而实现更加精细化、时效性更强的交通管理与控制是当前国际交通工程界的前沿研究热点，具有广阔的应用前景。

但现有技术中，由于一些交通仿真系统对于交通刻画精度较为精细（例如微观仿真系统），单次仿真运行的时间过长，无法满足交通仿真实时运行的时间效率要求；或者一些交通仿真系统对于输入数据的要求较高，需要对其中的各类仿真参数进行事先的标定校核，无法对实时交通数据进行及时的处理，同样无法满足实时性的需求；还有一些交通仿真系统的自动化程度不足，需要用户设置仿真开始、结束时间等信息，同时需要用户定时清理仿真的中间和结果文件。不足以支撑交通仿真随系统时间持续不间断运行，导致现有的交通仿真系统多应用于离线仿真，未能实现随时间连续运行的实时在线仿真。

随着智慧城市的建设，各类交通大数据的采集类型越来越多、采集范围越来越广、采集精度越来越高、采集实时性越来越好，形成了丰富的多源异构交通大数据的应用环境基础，但现有的交通仿真技术并未充分地挖掘各类实时大数据的潜在价值。由于现有的交通仿真技术对于实时交通大数据的应用很多还停留在对于实时数据的监控和展示，并未将实时数据和历史数据进行结合分析，处理数据中的异常值和缺失值，未能将其应用于实时交通仿真过程中；且现有的交通仿真技术对于道路通行能力、自由流速度、饱和流率等仿真参数的标定往往依据经验、道路等级或历史数据等信息进行事先标定，但并没有在实时仿真过程中，利用实时交通数据对这些仿真参数进行校核和更新。特别是当出现道路结构更改、道路占用、交通事故等情况时，道路的各类仿真参数往往会发生显著的变化，需及时进行更新，才能更好地利用交通仿真还原交通现状。

且现有的在线交通仿真技术对于实时交通大数据的应用往往是针对那些具有检测器的路段进行交通状态校核，而并没有将局部道路的校核拓展至全路网的校核，从而有效提升路网的全局仿真精度；且并未有效地利用当前时间段的实时交通大数据对之前时间段的仿真预测结果进行校核，未能对之前的仿真结果进行滚动更新，从而有效提升当前时间段的仿真预测精度，存在仿真预测精度较低、仿真结果未能滚动更新等问题。

本发明通过对实时交通大数据进行融合处理分析，实现仿真系统的自动化实时数据接入，且对各类交通实时大数据进行充分挖掘和应用，其中包括但不限于实时数据异常值和缺失值的处理等。并根据仿真结果和实时数据进行仿真模型的关键参数校核更新、动态OD及路径估计校核更新以及预测模型参数的校核更新，实现对仿真结果的实时计算和更新，提升全局实时仿真的精度，并根据准确的仿真结果进行实时道路情况的研判分析。同时对历史“无用”数据进行及时清理，保证交通仿真系统能够随时间不间断地稳定运行。

图1所示为根据本发明实施例的实时在线交通仿真方法的流程示意图，包括步骤S1至S4。

在步骤S1中，获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据。图2所示为根据本发明实施例的多源数据融合处理的流程示意图，包括步骤S11至S13。

在步骤S11中，获取前端采集设备和智能移动设备提供的所述实时交通数据。在本发明实施例中，实时交通数据的来源十分广泛，通过前端采集设备、智能手机、移动互联网等途径可获取各类不同来源的交通大数据。系统将会对当前时间段[T-Δt3，T]所新生成的多源实时交通大数据进行搜索，判定是否能够获取实时交通数据，其中Δt3为仿真时间间隔，该时间间隔与前端采集设备的数据采集时间间隔保持一致，确保仿真结果和实际结果的时间一致性，例如Δt3可设置为15min。若未能获取实时数据，则将等待一段时间Δt2（例如Δt2可设置为5s），再继续进行数据搜索；若获取了实时数据，则进入后续处理。可以理解的是，在本发明实施例中实时接入的数据为路面检测器所采集到的真实检测数据（实时数据均来自于前端采集设备例如地磁、线圈、视频卡口、手机、移动互联网等真实途径），而非通过“拟真交通检测设备”或其他方式得到的“拟真实测数据”。由此，获取的交通数据真实可信，数据时效性更好，但同时使得数据传输和数据处理的难度更大。

在步骤S12中，对所述实时交通数据进行清洗和分类，并根据分类结果按预设格式存入对应的数据库，所述数据库包括实时流量数据库、实时速度数据库、实时密度数据库和实时信号数据库。在本发明实施例中，获取当前时间段[T-Δt3，T]的实时交通信号数据和实时交通状态（例如流量、速度、密度等）数据，进行融合分析和处理。在实时在线交通仿真过程中，交通仿真系统需接入实时交通大数据作为仿真持续运行的必要条件。图3所示为根据本发明实施例的实时数据接入的原理示意图，通过对获取的实时交通数据进行清洗、处理和分类等过程，将各类数据按照各自数据特征存入相应的数据库，最终从数据库中获取两类实时交通仿真必备基础数据：实时交通信号数据和实时交通状态（例如流量、速度、密度等）数据。可以理解的是，对实时交通数据的处理还包括异常值和缺失值的处理等操作，以使数据更加完整和准确，本发明对此不做限制。

在步骤S13中，将所述实时流量数据库、所述实时速度数据库和所述实时密度数据库中的数据作为所述实时交通状态数据，将所述实时信号数据库中的数据作为所述实时交通信号数据。在本发明实施例中，可根据实际应用需求设置不同的数据库存放不同类型的数据，以提高实时数据接入和处理的速度，从而提升整体仿真的实时性。

图4所示为根据本发明实施例的信号机实际运行数据表的示意图，在本发明实施例中，对于实时交通信号数据，通过各信号交叉口信号机回传至信号管控平台的实时信号灯运行数据（如图4所示），结合信号方案表，可对原始信号数据进行处理，获取信号控制交叉口每个转向在每一秒实际的信号灯状态。信号数据处理结果可存储至实时信号数据库，字段包括：仿真路网的路口编号、日期类型编号、日期、周期开始时间、周期时长等信息。当系统运行至仿真时间窗口，系统将会从数据库中读取相应时间的实时信号数据。

图5所示为根据本发明实施例的浮动车GPS数据的示意图，在本发明实施例中，实时交通状态数据包括实时流量、速度、密度等不同类型的交通状态数据，通过对路面卡口、地磁、线圈、电警等前端检测设备数据，浮动车GPS定位数据，互联网导航数据，手机信令数据等多源实时交通大数据进行采集，根据不同交通状态的各自特征，对多源实时大数据进行分类的清洗、处理和分析，计算各项指标并存入不同的数据库，最终可将交通状态信息数据分为实时流量数据、实时速度数据以及实时密度数据，并分别入库和输入交通仿真系统。

以实时速度数据的计算为例，如图5所示，浮动车GPS数据提供了每辆车的每个轨迹采集点的时间和经纬度位置信息，经过处理，将GPS轨迹点匹配至道路网络，将处于同一段道路的相邻点进行时间和距离的计算，即可获取速度数据。交通状态数据处理结果可存储于不同的实时交通状态数据库，字段包括：日期、时间段、仿真路网的路段编号、检测数据开始时间、检测数据结束时间、流量/密度/速度等信息。当系统运行至仿真时间窗口，系统将会从数据库中读取相应时间的实时交通状态数据。

可以理解的是，在本发明实施例的实时交通仿真过程中，对于实时交通数据的时效性要求较高，从前端数据采集，到实时数据回传服务器，到实时数据清洗处理，再到仿真系统的数据接入的全过程，总时间将不会超过1分钟。

在步骤S2中，将所述实时交通信号数据和所述实时交通状态数据输入交通仿真模型确定仿真结果。在本发明实施例中，采用兼顾仿真精度和效率的中观仿真系统RealSim作为核心的交通仿真平台，通过对实时交通大数据进行融合处理分析，实现仿真系统的自动化实时数据接入。该系统采用中观排队模型和“流-密-速”关系刻画车辆在路网中的交通运行状态，同时采用并行计算大幅提升仿真运行效率，能够满足大规模路网快速运算的需求，确保仿真实时性要求。

在步骤S3中，当所述仿真结果不满足预设精度要求时，则进行所述交通仿真模型的校核更新，包括：根据所述交通仿真模型的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值，还根据所述交通仿真模型的仿真结果和所述实时交通状态数据来调整所述交通仿真模型中的OD和路径流量分配和预测模型参数的数值，并根据校核更新后的所述交通仿真模型重新进行仿真。在本发明实施例中，完成一次仿真后，交通仿真系统将输出当前时间段[T-Δt3，T]的仿真结果，将当前时间段的仿真结果数据与检测的实时交通数据进行对比分析，计算该次仿真的仿真精度，判断仿真结果的仿真精度能否满足预设精度要求，如不能满足要求，则需要进行交通仿真模型的校核更新，调整交通仿真模型的各项参数以提升整体仿真精度。可以理解的是，根据校核更新后的交通仿真模型重新进行仿真可以使得交通仿真系统随现实时间持续不间断地稳定在线运行。

在本发明实施例中，利用实时交通状态数据，通过对比历史数据，可对交通流仿真关键参数（例如道路通行能力、自由流速度、饱和流率）进行实时在线校核，判定仿真参数是否需要进行更新和替换，并更新交通仿真模型的交通流仿真参数。图6所示为根据本发明实施例的关键参数更新的流程示意图一，包括步骤S31至S34。

在步骤S31中，获取所述交通仿真模型参数的历史累积数据。在本发明实施例中，对仿真模型参数的历史累积数据进行分析和搜索，判断是否具有足够的历史累积数据（例如三个月的累积数据），若没有，则进入步骤S32。

在步骤S32中，当所述历史累积数据小于预设数量时，确定当前仿真周期下的所述交通仿真模型的参数实时计算值。在本发明实施例中，利用当前仿真时间T下的实时交通信号数据和实时交通状态数据，计算当前仿真周期下的仿真模型的参数实时计算值β，仿真模型的参数可包括例如道路通行能力、自由流速度、饱和流率等。可以理解的是，可采用现有技术中的方法准确计算参数实时计算值β，本发明对此不做限制。

在步骤S33中，确定所述交通仿真模型的参数默认值和所述参数实时计算值的第一误差值。在本发明实施例中，确定所述交通仿真模型的参数默认值α，再计算参数默认值α和参数实时计算值β之间的相对误差绝对值μ（即第一误差值）：

在步骤S34中，当所述第一误差值大于第一预设阈值时，更新所述交通仿真模型的关键参数。在本发明实施例中，当μ>50%（即第一预设阈值）时，表明此时的交通仿真模型的参数实时计算值与参数默认值在较大偏差，需要对关键参数进行调整，其中，第一预设阈值可根据实际需求进行设置，本发明对此不做限制。可以理解的是，当μ≤50%时，则认为当前仿真模型参数并未发生明显变化，交通仿真系统仍可采用仿真模型参数默认值α。

在本发明实施例中，当交通仿真模型的参数默认值α与当前仿真周期下的仿真模型参数实时计算值β存在较为明显的差异时，系统将会结合外部输入信息，对差异产生的原因进行判定分析。当系统接收到外部路段发生交通事故或是临时管控信息时，说明这种差异的产生是由事故或是管控导致，因此在仿真过程中，需对仿真路网的相关信息（例如车道关闭、限速等）进行修正，而无需更改仿真模型参数；当系统没有接收到外部路段的事故或是临时管控信息时，说明这种差异的产生是由路段本身的通行能力、限速、饱和流率等固有属性发生了变化，因此在仿真过程中，需及时更新交通仿真模型的关键参数，以保证实时交通仿真的准确度。

图7所示为根据本发明实施例的关键参数更新的流程示意图二，包括步骤S35至S37。

在步骤S35中，当所述历史累积数据不小于所述预设数量时，确定与当前仿真时段在时间上相近的满足预设条件的所述历史累积数据。在本发明实施例中，当具有充足的历史累积数据时，首先可以确定当前仿真周期所处的特征日（例如工作日、非工作日、节假日等）和特征时段（例如早高峰、平峰、晚高峰等），并从数据库中读取该特征日和该特征时段下的时间上最相近的12个仿真模型参数的历史累积数据。图8所示为根据本发明实施例的确定历史累积数据的流程示意图，包括步骤S351至S352。

在步骤S351中，判断与当前仿真时段在时间上最相近的预设数量的历史累积数据是否满足所述预设条件，所述预设条件包括3σ定律。在本发明实施例中，将所选取的12个历史累积数据按数值大小进行从小到大的顺序排列，同时运用3σ定律对历史累积数据进行校验。可以理解的是，3σ定律是指以样本的平均值为中心，向两侧分别增减三个标准差数值建立取值区间，而后将每一样本与此区间进行对比，若该样本属于此区间内，则认为是正常值，予以保留；若该样本不属于此区间内，则认为是异常值，予以剔除。由于历史累积数据未必都是正常值，因此系统将会使用3σ定律剔除所选取历史累积数据中的异常值。

在步骤S352中，当不满足所述预设条件时，则获取其他相近的历史累积数据来补齐数据，并重新判断是否满足所述预设条件，直至所述预设数量的历史累积数据满足所述预设条件。在本发明实施例中，当初始选取的历史累积数据不能满足3σ定律的检验，则从数据库中读取补齐数据，并重新进行检验，直至所选历史累积数据均能够满足3σ定律检验。可以理解的是，读取补齐数据的规则采用向前就近的方式进行数据补齐，即当其中某一个参数不符合3σ定律时，系统将会向会从数据库中读取时间上最近的第13个仿真模型参数的历史累积数据进行补齐，并重新进行3σ定律检验，若仍有参数不符合3σ定律，则继续向前读取时间上最近的第14个仿真模型参数的历史累积数据进行补齐，不断重复上述过程，直到所读取到的12个历史累积数据满足3σ定律的检验。

在步骤S36中，确定所述历史累积数据的平均值，并确定所述平均值与所述参数默认值的第二误差值。在本发明实施例中，计算所选历史累积数据的平均值θ，并对比当前仿真周期下所使用的交通仿真模型的参数默认值α，计算参数默认值α和平均值θ之间的相对误差绝对值μ（即第二误差值）：

在步骤S37中，当所述第二误差值大于第二预设阈值时，更新所述关键参数。在本发明实施例中，当μ>10%（即第二预设阈值）时，认为需要调整所述交通仿真模型的关键参数来保证仿真的准确度，其中，第二预设阈值可根据实际需求进行设置，本发明对此不做限制。可以理解的是，当μ≤10%时，则认为当前仿真模型参数并未发生明显变化，交通仿真系统仍可采用仿真模型参数默认值α。

在本发明实施例中，根据所述交通仿真模型的所述参数实时计算值和所述历史累积数据的所述平均值的比值来更新所述关键参数。具体地，可将交通仿真模型的关键参数更新为β/θ，并继续进行仿真，提高交通仿真模型的仿真精度，其中，关键参数的数值更新规则可根据实际需求进行设置，本发明对此不做限制。

图9所示为根据本发明实施例的调节路径流量和预测模型参数的流程示意图，包括步骤S38至S39。

在步骤S38中，根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量。在本发明实施例中，为实现精准的实时交通模拟，需利用检测到的实时交通状态数据（例如流量、速度等数据）对路网中OD及路径进行动态校核更新，从而使得OD分布更加符合当前交通现状。在每次迭代过程中，一方面，仿真系统可获取各OD及其路径流量分布情况，通过交通仿真可以得到各条路段的详细仿真交通状态数据。另一方面，仿真系统可以获取某些具有检测器路段的实时交通状态数据。通过对比相同时间段下的仿真数据和真实数据之间的差异，可以实现对OD及路径流量的更新校核。可以理解的是，对动态OD和路径流量的调整更多的是对现状的校核，有实际的检测数据作为依据，是为了使仿真的结果能够更加接近于现状实际。图10所示为根据本发明实施例的更新路径流量的流程示意图，包括步骤S381至S383。

在步骤S381中，确定具有所述实时交通数据的路段，并确定其所述实时交通状态数据和对应的所述仿真结果之间的流量偏差。在本发明实施例中，当仿真结果精度不能满足预设精度要求时，系统将会根据实时交通状态数据，按照基于OD路径流量调节的方法对路网中OD和路径进行校核，并重新生成新的校核OD和路径，并重新输入交通仿真系统，开启新的一次仿真。

在本发明实施例中，对于初始的OD及其路径流量分布，通过交通仿真系统，可以获取到各条路段的仿真交通状态数据。同时，交通仿真系统通过读取实时交通状态数据，可以获取到在相同时间段下具有检测器路段的真实交通状态数据。可以理解的是，对于给定OD的给定路径，系统将会遍历该路径下的所有组成路段。对于每一条路段，将会判定该路段是否具有该时间段下的检测交通状态数据，若没有，则遍历下一条路段，直至获取所有具有实时检测数据路段的实时交通状态数据，并由此确定实时交通状态数据和对应的仿真结果之间的流量偏差。

在步骤S382中，根据所述流量偏差调节所述路段的流量分布，并确定所有所述路段的路径流量平均调节值。在本发明实施例中，对于具有实时检测数据的路段，对比路段交通仿真结果，计算该路段交通状态的真实值与仿真值之间的流量总偏差δ。其中可将速度偏差和密度偏差按照“流-密-速”关系转换为流量偏差。将路段流量总偏差δ同时计入该路径的流量总偏差Δ。当完成给定路径的路段遍历后，根据路径的流量总偏差Δ，结合每次迭代的调节步长约束，确定路径的流量调节值σ。

在步骤S383中，当所述路径流量平均调节值小于或等于预设收敛阈值时，更新所述交通仿真模型中的所述OD和所述路径流量。在本发明实施例中，当所有OD的所有路径均被遍历时，最终可以获得所有路径n的流量调节值之和Σ，由此可计算出路径流量平均调节值α=Σ/n。当α≤μ（即预设收敛阈值）时，意味着当前迭代相比上次迭代，每条路径上的流量并未发生较大的调整变化，此时整个路径流量的校核调整过程达到收敛，可以输出经过真实检测数据校核的OD和路径流量。可以理解的是，当α>μ时，则暂未达到收敛条件，需整理当前的迭代下的各OD和路径流量情况，重复以上步骤进入下一轮迭代校核过程。

在步骤S39中，根据所述交通仿真模型的所述仿真结果和所述实时交通状态数据之间的偏差按照预设规则调节所述预测模型参数，直至所述预测模型的输出满足预设精度要求，所述预测模型包括流量预测模型和速度预测模型。在本发明实施例中，利用之前时间段的预测结果与实际的检测结果进行对比分析，可以对预测模型中的相关预测参数进行校核更新。可以理解的是，预测模型参数的调整是为了使交通预测的结果更加准确。上述动态OD和路径流量的校核调整是预测模型参数调整的基础，只有精准还原现状，才能更准确地预测未来。

在本发明实施例中，交通仿真系统所采用的预测模型为基于机器学习和仿真相结合的预测技术。根据流量和速度的不同特征，分别采用不同的预测方法对于具有检测器的关键路段的流量和速度数据进行基于机器学习的预测，其中采用LSTM（Long Short-TermMemory，长短期记忆网络）模型预测速度，采用卡尔曼滤波模型预测流量。然后利用关键路段的预测流量和速度数据进行基于仿真高精度校核的OD预测。

利用上个仿真时段[T-2Δt3，T-Δt3]对于当前时间段[T-Δt3，T]的仿真预测结果与当前时间段[T-Δt3，T]的实际检测结果进行对比分析，计算检测器路段的预测数据与实际数据之间的偏差。根据预测数据与实际数据之间的偏差，按比例逐步调节流量、速度预测模型的参数α，根据调整后的预测模型参数，再次利用时间段[T-2Δt3，T-Δt3]的检测数据对当前时间段[T-Δt3，T]进行预测，判定预测结果是否能够满足预设精度要求，若能够满足预设精度要求，则保留校核更新的参数α；若不能满足预设精度要求，则重复上述步骤调节流量、速度预测模型的参数α直至满足预设精度要求。

在本发明实施例中，根据预测的流量、速度数据，利用交通仿真系统对OD进行预测，按比例逐步调节OD预测模型的参数β，根据调整后的预测模型参数，再次利用时间段[T-Δt3，T]的预测流量、速度数据对时间段[T-Δt3，T]的OD进行预测，判定预测结果是否能够满足预设精度要求，若能够满足预设精度要求，则保留校核更新的参数β；若不能满足预设精度要求，则重复上述步骤调节OD预测模型的参数β直至满足预设精度要求。

图11所示为根据本发明实施例的经过预测模型参数校核更新后的系统预测结果示意图，其中实线为真实值，阴影区域A和B为预测情况。其中在8：00，系统将根据预测模型可对8：00- 9：00的交通状态进行预测，得到预测范围A；在8：05，随着8：00-8：05的实时检测数据的接入，系统将对预测模型进行校核更新，从而对8：05-9：05的交通状态重新做出预测，得到预测范围B。对比A和B，可以观察到，区域B的预测范围相较于区域A已经明显缩小，预测精度明显提升。

在步骤S4中，当所述仿真结果满足所述预设精度要求时，输出所述仿真结果。在本发明实施例中，当仿真结果满足预设精度要求时，则认为该仿真结果已能较为精准地还原路网交通现状，通过这个仿真结果可以得到全路网各路段较为精准的仿真交通状态（例如流量、速度、密度等），了解到全路网的基本交通情况，由此实现实时在线的高精度全局交通仿真，为智能交通系统建设提供有力支撑。

在本发明实施例中，所述步骤S1之前，还可包括时间对齐步骤，包括：对齐当前的系统时间，并根据仿真过程中的时间消耗确定仿真的开始时间；当所述系统时间还未到达所述仿真的开始时间时，则等待预设时长再重新判断，直至所述系统时间到达所述仿真的开始时间。可以理解的是，对齐当前的系统时间的目的在于让交通仿真系统明确仿真到底应该从哪个时间开始正式运行。考虑到每个时间段（以时间间隔Δt3=15分钟为例，全天可以划分为96个时间段）的仿真过程中的数据读入、仿真算法运算以及数据输出等过程的时间消耗（tc），仿真系统并不是随时点开便可马上运行，需要考虑时间消耗tc，进而判定该时间段是否具有足够时间可以运行仿真，若有足够的时间，仿真系统可以立即启动运行；若没有足够的时间，仿真系统将会等待一段时间Δt2（例如Δt2=5s），并重新进行启动时间的判定，当有足够的时间时，则开始进行交通仿真。

在本发明实施例中，所述步骤S4之后，还可包括数据清理步骤，包括：当完成当前时间段的交通仿真后，清理仿真过程中的无用数据，并对交通仿真模型中路网的交通状态进行初始化处理，所述无用数据包括所述仿真过程产生的中间文件和结果文件、仿真信息和仿真时段之外的实时交通数据。通过数据清理步骤对历史无用数据进行及时清理，保证交通仿真系统能够随时间不间断地稳定运行而无需过多的存储资源。

具体地，在完成当前时间段[T-Δt3，T]的交通仿真全过程后，仿真系统会清理仿真过程所生成的中间和结果csv文件，其中包括了一些缓存文件、日志log文件、仿真输出结果文件等文件，并清理交通仿真系统内存中关于车辆、路段、节点以及路网等实体的仿真信息，释放系统的内存空间。同时清理仿真时段之外的交通状态检测数据和交通信号检测数据。假设仿真系统的仿真时间步长范围为8Δt3，其中前4Δt3时间为仿真预热时间，每次仿真周期都将读入4个时间段的检测数据作为预热数据，因此当仿真将要进入下一个仿真周期时，处于最早时间段[T-4*Δt3，T-3*Δt3]的交通状态检测数据和交通信号检测数据将会被清除，系统将会继续等待最新时间段[T， T+Δt3]的实时交通状态检测数据和交通信号检测数据。这里被清理的交通状态检测数据和交通信号检测数据包括内存数据和文件数据。然后对路网的交通状态进行初始化处理，其中包括路段排队长度清空、路网延误清零等操作，完成交通仿真系统的整体数据重置。

图12所示为根据本发明实施例的交通仿真系统在线校核运行的示意图，在当前时间段[8:00，8:05]，可通过接入实时交通大数据，利用交通仿真系统对过去时间段[7:55，8:00]的交通现状进行精准还原，同时对未来的交通时间段[8:00，9:00]进行准确预测。完成当前时间段的仿真过程后，随着仿真窗口时间的更新，系统将会进入下一个时段[8:05，8:10]并开始一轮新的交通仿真过程。在时间段[8:05，8:10]，可通过接入实时交通大数据，利用交通仿真系统对过去时间段[7:55，8:05]的交通现状进行精准还原，同时对未来的交通时间段[8:05，9:00]进行准确预测。由此构成实时在线仿真系统的完整闭环，在没有终止命令的情况下，将会实现交通仿真系统随时间持续不间断地稳定在线运行。

采用本发明实施例的实时在线交通仿真方法，通过对实时检测到的多源交通大数据进行融合处理和分析，并根据处理后的实时数据进行仿真，再根据交通仿真结果和实时检测数据对交通仿真模型的关键参数进行在线校核更新，还对动态OD、路径流量和预测模型的参数也进行更新，由此实现实时数据自动化接入交通仿真系统，从而保证交通仿真系统能够随时间不间断地稳定运行，满足交通管控实时性需求，并对各类实时交通大数据进行充分挖掘和应用，且本发明还实现对实时仿真结果的校核更新，在精准还原交通现状的同时准确预测未来交通状态，有效提升全局实时仿真的精度，满足交通管控精细化需求，且能有效实现交通管理由“事后”到“事前”管理的转变，有效降低政府的交通基础投资。对交通现状及交通预案进行实时在线交通仿真，根据国外发达城市的经验，在达到相同的目标条件下可节省时间至少40%，节约基础建设投资达50%以上。本发明还通过对交通仿真系统的数据进行清理及重置，有效节省了存储资源。

本发明第二方面的实施例还提供了一种实时在线交通仿真系统。图13所示为根据本发明实施例的实时在线交通仿真系统1300的结构示意图，包括实时信号获取单元1301、实时信号处理单元1302、实时多源数据库1303、交通仿真单元1304、参数更新单元1305、仿真结果输出单元1306和数据清理单元1307。

实时信号获取单元1301用于获取前端数据采集设备和信号机的实时交通数据。

实时信号处理单元1302用于对所述实时信号获取单元获取的所述实时交通数据进行数据处理和分类，确定实时交通信号数据和实时交通状态数据。

实时多源数据库1303用于对所述实时信号处理单元分类后的所述实时交通信号数据和所述实时交通状态数据进行分类存储。

交通仿真单元1304用于根据所述实时多源数据库中的数据进行仿真，确定仿真结果。

参数更新单元1305用于当所述仿真结果不满足预设精度要求时，进行所述交通仿真单元的校核更新，包括：根据所述交通仿真单元的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值，还根据所述仿真结果和所述实时交通状态数据来调整所述交通仿真单元中的OD和路径流量分配和预测模型参数的数值。

仿真结果输出单元1306用于当所述仿真结果满足所述预设精度要求时，输出所述仿真结果。

数据清理单元1307用于在完成当前时间段的交通仿真后，清理仿真过程中的无用数据并进行路网状态初始化。

所述实时在线交通仿真系统1300的各个单元的更具体实现方式可以参见对于本发明的实时在线交通仿真方法的描述，且具有与之相似的有益效果，在此不再赘述。

尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，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 (11)

1.一种实时在线交通仿真方法，其特征在于，包括：

获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据；

将所述实时交通信号数据和所述实时交通状态数据输入交通仿真模型确定仿真结果；

当所述仿真结果不满足预设精度要求时，则进行所述交通仿真模型的校核更新，包括：根据所述交通仿真模型的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值，还根据所述交通仿真模型的仿真结果和所述实时交通状态数据来调整所述交通仿真模型中的OD和路径流量分配和预测模型参数的数值，并根据校核更新后的所述交通仿真模型重新进行仿真，其中，所述关键参数包括道路通行能力、自由流速度和饱和流率，所述参数默认值为所述交通仿真模型进行仿真时的所述关键参数；

当所述仿真结果满足所述预设精度要求时，输出所述仿真结果。

2.根据权利要求1所述的实时在线交通仿真方法，其特征在于，所述获取实时交通数据并进行多源数据融合处理包括：

获取前端采集设备和智能移动设备提供的所述实时交通数据；

对所述实时交通数据进行清洗和分类，并根据分类结果按预设格式存入对应的数据库，所述数据库包括实时流量数据库、实时速度数据库、实时密度数据库和实时信号数据库；

将所述实时流量数据库、所述实时速度数据库和所述实时密度数据库中的数据作为所述实时交通状态数据，将所述实时信号数据库中的数据作为所述实时交通信号数据。

3.根据权利要求1所述的实时在线交通仿真方法，其特征在于，所述根据所述交通仿真模型的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值包括：

获取所述交通仿真模型参数的所述历史累积数据；

当所述历史累积数据小于预设数量时，确定当前仿真周期下的所述交通仿真模型的所述参数实时计算值；

确定所述交通仿真模型的所述参数默认值和所述参数实时计算值的第一误差值；

当所述第一误差值大于第一预设阈值时，更新所述关键参数。

4.根据权利要求3所述的实时在线交通仿真方法，其特征在于，所述根据所述交通仿真模型的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真模型的关键参数的数值还包括：

当所述历史累积数据不小于所述预设数量时，确定与当前仿真时段在时间上相近的满足预设条件的所述历史累积数据；

确定所述历史累积数据的平均值，并确定所述平均值与所述参数默认值的第二误差值；

当所述第二误差值大于第二预设阈值时，更新所述关键参数。

5.根据权利要求4所述的实时在线交通仿真方法，其特征在于，所述确定与当前仿真时段在时间上相近的满足预设条件的所述历史累积数据包括：

判断与当前仿真时段在时间上最相近的预设数量的历史累积数据是否满足所述预设条件，所述预设条件包括3σ定律；

当不满足所述预设条件时，则获取其他相近的历史累积数据来补齐数据，并重新判断是否满足所述预设条件，直至所述预设数量的历史累积数据满足所述预设条件。

6.根据权利要求5所述的实时在线交通仿真方法，其特征在于，所述更新关键参数包括：

根据所述交通仿真模型的所述参数实时计算值和所述历史累积数据的所述平均值的比值来更新所述关键参数。

7.根据权利要求1-6中任一项所述的实时在线交通仿真方法，其特征在于，所述获取实时交通数据并进行多源数据融合处理，确定实时交通信号数据和实时交通状态数据之前，还包括：

对齐当前的系统时间，并根据仿真过程中的时间消耗确定仿真的开始时间；

当所述系统时间还未到达所述仿真的开始时间时，则等待预设时长再重新判断，直至所述系统时间到达所述仿真的开始时间。

8.根据权利要求1-6中任一项所述的实时在线交通仿真方法，其特征在于，所述输出所述仿真结果之后，还包括：

当完成当前时间段的交通仿真后，清理仿真过程中的无用数据，并对所述交通仿真模型中路网的交通状态进行初始化处理，所述无用数据包括所述仿真过程产生的中间文件和结果文件、仿真信息和仿真时段之外的实时交通数据。

9.根据权利要求1-6中任一项所述的实时在线交通仿真方法，其特征在于，所述根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量和预测模型参数包括：

确定具有所述实时交通数据的路段，并确定其所述实时交通状态数据和对应的所述仿真结果之间的流量偏差；

根据所述流量偏差调节所述路段的流量分布，并确定所有所述路段的路径流量平均调节值；

当所述路径流量平均调节值小于或等于预设收敛阈值时，更新所述交通仿真模型中的所述OD和所述路径流量。

10.根据权利要求9所述的实时在线交通仿真方法，其特征在于，所述根据所述交通仿真模型的仿真结果和所述实时交通状态数据调节所述交通仿真模型中的OD和路径流量和预测模型参数还包括：

根据所述交通仿真模型的所述仿真结果和所述实时交通状态数据之间的偏差按照预设规则调节所述预测模型参数，直至所述预测模型的输出满足预设精度要求，所述预测模型包括流量预测模型和速度预测模型。

11.一种实时在线交通仿真系统，其特征在于，包括：

实时信号获取单元，用于获取前端数据采集设备和信号机的实时交通数据；

实时信号处理单元，用于对所述实时信号获取单元获取的所述实时交通数据进行数据处理和分类，确定实时交通信号数据和实时交通状态数据；

实时多源数据库，用于对所述实时信号处理单元分类后的所述实时交通信号数据和所述实时交通状态数据进行分类存储；

交通仿真单元，用于根据所述实时多源数据库中的数据进行仿真，确定仿真结果；

参数更新单元，用于当所述仿真结果不满足预设精度要求时，进行所述交通仿真单元的校核更新，包括：根据所述交通仿真单元的参数默认值和参数实时计算值的偏差或所述参数默认值和历史累积数据的平均值的偏差来调整所述交通仿真单元的关键参数的数值，还根据所述仿真结果和所述实时交通状态数据来调整所述交通仿真单元中的OD和路径流量分配和预测模型参数的数值，其中，所述关键参数包括道路通行能力、自由流速度和饱和流率，所述参数默认值为所述交通仿真单元进行仿真时的所述关键参数；

仿真结果输出单元，用于当所述仿真结果满足所述预设精度要求时，输出所述仿真结果；

数据清理单元，用于在完成当前时间段的交通仿真后，清理仿真过程中的无用数据并进行路网状态初始化。

Images