CN113268857A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113268857A
CN113268857A CN202110429432.4A CN202110429432A CN113268857A CN 113268857 A CN113268857 A CN 113268857A CN 202110429432 A CN202110429432 A CN 202110429432A CN 113268857 A CN113268857 A CN 113268857A
Authority
CN
China
Prior art keywords
vehicle
lane
simulation
area
agent
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.)
Granted
Application number
CN202110429432.4A
Other languages
English (en)
Other versions
CN113268857B (zh
Inventor
王昊
陈昊晟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110429432.4A priority Critical patent/CN113268857B/zh
Publication of CN113268857A publication Critical patent/CN113268857A/zh
Application granted granted Critical
Publication of CN113268857B publication Critical patent/CN113268857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • 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)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了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，包括：城市快速路交织区仿真区域划分；城市快速路交织区车辆智能体输入仿真区域；城市快速路交织区车辆智能体仿真结果统计；城市快速路交织区内车辆智能体运动。本发明方法通过多智能体的仿真方法，能够有效的在一个仿真系统内模拟车辆在交织区内的行驶特征，做到多智能体间的信息交互，从而准确高效的还原了城市快速路交织区上复杂交通流的运行状态，为交织区的交通管理与控制方案的设计和评价提供简便可靠的手段。

Description

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
技术领域
本发明涉及交通仿真技术领域，具体涉及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。
背景技术
随着城市化进程的加快、城市人口的急剧增长，城市机动车保有量和出行需求迅速攀升，机动化出行的供需矛盾日益凸显，我国大多数城市普遍面临着频繁的交通拥堵问题。城市快速路作为连接各城市组团的主动脉在节点区域经常发生交通拥堵。快速路交织区由于其交通流复杂性及自身组成的特殊性，成为快速路拥堵的主要交通瓶颈之一，大大制约了整个快速路系统功能的发挥。
交通仿真技术通过计算机数字模型，反映复杂道路交通现象，为交通管理与控制研究提供安全高效的技术支持，是缓解城市交通拥堵问题中必不可少的一环。多智能体模型在系统的框架下对个体进行建模，考虑个体与个体、个体与环境间的交互作用，将大而复杂的系统转化为多个小的、协调的智能体，描述单个智能体或系统难以准确表达的问题。
在城市快速路交织区仿真方面使用多智能体仿真，考虑到环境内多种智能体的运行与交互，有利于将复杂的城市快速路交织区仿真进行转化，从而实现各种仿真功能，为交通管理与控制方案提供反馈与建议。
发明内容
发明目的：为了更为贴切的仿真城市快速路交织区中各个车辆的具体驾驶行为，从微观角度还原城市快速路交织区交通流宏观运行特征，本发明提供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。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
(1)根据待仿真的城市快速路交织区物理性质划定各仿真区域，并生成各仿真区域的属性，供车辆智能体在仿真区域上运动；
(2)在单个仿真步长内将车辆智能体，即可独立存储数据并利用车联网技术获得仿真区域内相关车辆属性信息并独立做出决策的车辆单位，具体决策包括加速，减速，换道，输入至步骤(1)中的仿真区域并生成车辆属性；
(3)在单个仿真步长内对仿真区域中所有步骤(2)中输入仿真区域的车辆智能体进行仿真结果的统计；
(4)在单个仿真步长内仿真区域中各个车辆智能体根据步骤(3)中的仿真统计结果及自身和其他车辆智能体当前步长的属性，调用智能体交互模型，换道模型与跟驰模型，执行车辆智能体的运动；
(5)判断是否完成了所有仿真步长的仿真，若完成输出仿真结果，反之再次执行步骤(2)至(5)。
步骤(1)中，根据城市快速路交织区道路基本信息，将仿真区域在物理上进行划分，包括主路交织区上游路段，次路交织区上游路段，交织区主路，交织区次路，主路交织区下游路段和次路交织区下游路段，各仿真区域属性包括路段编号N，路段长度length，车道数量，第N个仿真区域中第n个车道内的车辆智能体编号集合CNn,集合内元素为第N个仿真区域中第n个车道内各车辆的车辆智能体编号，n为车道编号。
步骤(2)中，在单个仿真步长内，首先判断交织区上游路段起点至10m处之间是否存在车辆智能体，若无车辆智能体，则产生一个随机数rand1(0,1)，若
Figure BDA0003030854680000021
其中，#Tinput为该仿真区域目标输入车辆智能体数，#input为从仿真开始至当前仿真步长该仿真区域已输入车辆智能体数，Tsim为仿真前确认的仿真总时间步长，tsim为当前仿真步长，k为1s被划分为的仿真步长数；
则按照车辆类型比例，随机确定车辆类型，根据车辆类型生成车辆智能体，即可独立存储数据，利用车联网技术获得仿真区域内相关车辆属性信息并独立做出决策的车辆单位，具体决策包括加速，减速，换道，并更新#input，其属性包括车辆智能体编号id，所在路段编号N，所在车道n，车辆长度L，车辆目的地D＝{0,1}，其中，1为主路，0为次路，速度v，位置x，加速度a；
v＝vlowbound+rand2(0,1)*(vupbound-vlowbound)
Figure BDA0003030854680000022
其中，vlowbound,vupbound分别为初始输入速度区间下限和上限，Pm为车辆目的地是主路的概率，rand2(0,1)，rand3(0,1)为随机数；
若
Figure BDA0003030854680000023
不产生车辆，进入权利要求1中的步骤(3)。
步骤(3)中，在单个仿真步长内，统计并记录仿真结果包括交织区第N个仿真区域中第n个车道内平均车速
Figure BDA0003030854680000035
第N个仿真区域中第n个车道内车辆密度ρNn,车辆平均通过交织区的仿真步长数，各路段交通量，交织区关键位置的平均车速。
步骤(4)中，在单个仿真步长内，各个车辆智能体的车辆运动分为三个步骤；
步骤(1)调用智能体交互模型，车辆智能体根据自身属性查找N，n，第N个仿真区域中第n个车道及左右邻近车道
Figure BDA0003030854680000031
ρNn，ρNn+1，ρNn-1，其中
Figure BDA0003030854680000032
分别为第N个仿真区域中第n+1，第n-1个车道内平均车速；ρNn+1，ρNn-1分别为第N个仿真区域中第n+1，第n-1个车道内车辆密度。车辆智能体编号集合CNn，接着根据CNn，查找包括该车辆智能体的前车，后车，邻近车道的前车与后车对应智能体的属性信息；
步骤(2)调用换道模型，首先判断车辆智能体所在路段是否与车辆目的地一致，若一致，则加载自由换道模型，若不一致，则加载强制换道模型；
自由换道模型选取基于车道效用的换道模型，首先计算车辆智能体行驶车道及两侧同一路段内车道的车道效用：
Figure BDA0003030854680000033
其中，df表示车辆智能体与该车道前车之间的车头间距，db表示车辆智能体与该车道后车之间的车头间距，比较各可换道车道的车道效用，若邻近车道的车道效用高于正在行驶的车道，则产生向效用更高的目标车道的换道意图，反之，不产生换道意图，产生换道意图后，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的CNn，车辆智能体所在车道编号n，反之不换道；
强制换道模型选取Logit模型，首先计算车辆智能体在当前驾驶环境下向车辆目的地路段换道概率：
Figure BDA0003030854680000034
其中，p表示该车辆智能体的换道概率，xf表示目标车道前车智能体的位置，vf表示目标车道前车智能体的速度，xb表示目标车道后车智能体的位置，vb表示目标车道后车智能体的速度，当换道概率p大于阈值时，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的CNn，车辆智能体所在车道编号n，反之不换道；
步骤(3)调用跟驰模型，根据车辆智能体的运行信息与其前车智能体的运行信息共同决定该车辆的加速度，从而更新车辆的v与x，当更新后车辆位置超出所在路段N的长度时，即x>length,车辆智能体更新所在路段编号N，若超出路段为交织区下游，则在交织区下游仿真区域内删除该车辆智能体，并更新相关路段车道的车辆智能体编号集合CNn，当车辆行驶路段与目的地不一致时，且前车超出交织区末端时，将该类车辆的前车设置为位于交织区末端车速为0，车长为5m的静止车辆。
此外，一种基于多智能体的城市快速路交织区微观交通仿真装置，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的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。
附图说明
图1本发明方法流程图；
图2车辆换道模型流程图。
具体实施方式
为了使本发明的内容更容易被清楚的理解，下面结合附图和具体实施例对本发明作进一步详细的说明。
根据城市快速路交织区道路基本信息构建道路智能体，将仿真区域在物理上进行划分各仿真区域对应一个道路智能体,包括主路交织区上游路段,路段编号N＝1，路段长度length＝100m,车道数量为3，次路交织区上游路段,路段编号N＝2，路段长度length＝100m,车道数量为2，交织区主路,路段编号N＝3，路段长度length＝180m,车道数量为3，交织区次路,路段编号N＝4，路段长度length＝180m,车道数量为2，主路交织区下游路段,路段编号N＝5，路段长度length＝50m,车道数量为3，次路交织区下游路段,路段编号N＝6，路段长度length＝50m,车道数量为2。第N个仿真区域中第n个车道内的车辆智能体编号集合CNn,集合内元素为第N个仿真区域中第n个车道内各车辆的车辆智能体编号，n为车道编号。
在仿真开始前设置仿真的总时间步长Tsim＝5000，k＝24个步长仿真1s。目标输入车流量主路#Tinput＝3800veh/h，次路#Tinput＝1000veh/h，初始输入速度区间v∈[vlowbound，vupbound]＝[5m/s,20m/s]，主路车辆目的地是主路的概率Pm＝0.7，次路Pm＝0.6，车辆类型包括小车与大车，比例为49：1。
在单个仿真步长中，首先判断交织区上游路段起点至10m处之间是否存在车辆智能体，若无车辆智能体，则产生一个随机数rand1(0，1)，若
Figure BDA0003030854680000041
则按照车辆类型比例，随机确定车辆类型，根据车辆类型生成车辆智能体，并更新#input，其属性包括车辆智能体编号id，所在路段编号N，所在车道n，车辆长度L＝5m，车辆目的地D＝{0,1}，其中，1为主路，0为次路，速度v，位置x，加速度a；
v＝5+rand2(0,1)*(20-5)
Figure BDA0003030854680000051
在单个仿真步长中，统计并记录仿真结果包括交织区第N个仿真区域中第n个车道内平均车速
Figure BDA0003030854680000052
第N个仿真区域中第n个车道内车辆密度ρNn,车辆平均通过交织区的仿真步长数，各路段交通量，交织区关键位置的平均车速。
在单个仿真步长中，各个车辆智能体的运动分为三个步骤。
步骤(1)调用智能体交互模型，车辆智能体根据自身存储的所在路段编号N，所在车道n，查找路段N内车道n及左右邻近车道平均车速
Figure BDA0003030854680000053
车辆密度ρNn，车辆智能体编号集合CNn，接着根据各车道内车辆智能体编号集合CNn，查找前车，后车，邻近车道的前车与后车对应车辆智能体内存储的信息，在以备后续模型使用。
步骤(2)调用换道模型，将追求更加良好的驾驶环境的换道归类于自由换道，自由换道不可跨越路段换道，将为了到达目的地的换道归类于强制换道。首先判断车辆智能体所在路段是否与车辆目的地一致，若一致，则加载自由换道模型，若不一致，则加载强制换道模型。自由换道模型选取基于车道效用的换道模型，首先计算车辆智能体行驶车道及两侧同一路段内车道的车道效用，
Figure BDA0003030854680000054
其中，df表示车辆智能体与该车道前车之间的车头间距，db表示车辆智能体与该车道后车之间的车头间距,bn(n＝0,1,2,3,4)为模型参数，根据待仿真城市快速路交织区特征标定。然后比较各可换道车道的车道效用，若邻近车道的车道效用高于正在行驶的车道，则产生向效用更高的目标车道的换道意图，反之，不产生换道意图。产生换道意图后，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的车辆智能体编号集合CNn，反之不换道。
强制换道模型选取Logit模型，首先计算车辆智能体在当前驾驶环境下向车辆目的地路段换道概率：
Figure BDA0003030854680000055
其中，p表示该车辆智能体的换道概率，xf表示目标车道前车智能体的位置，xb表示目标车道后车智能体的位置，vb表示目标车道后车智能体的速度,bn(n＝5,6,7,8)为模型参数，根据待仿真城市快速路交织区特征标定。当换道概率p大于阈值时，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的车辆智能体编号集合CNn，反之不换道。
步骤(3)调用跟驰模型，选取IDM模型，根据车辆智能体的运行信息与其前车智能体的运行信息共同决定该车辆的加速度，从而更新车辆的速度v与位置x。
Figure BDA0003030854680000061
Figure BDA0003030854680000062
Figure BDA0003030854680000063
Figure BDA0003030854680000064
其中，车辆智能体i-1表示车辆智能体i的前车。当更新后车辆位置超出所在路段N的长度时，即x>length,车辆智能体更新所在路段编号N，若超出路段为交织区下游，则删除该车辆智能体。相关路段车道的车辆智能体编号集合CNn。当车辆行驶路段与目的地不一致时，且前车超出交织区末端时，将该类车辆的前车设置为位于交织区末端车速为0，车长为5m的静止车辆。
判断是否完成了所有仿真步长的仿真，若tsim<5000则循环进入下一仿真步长的仿真，若tsim＝5000，结束仿真,输出统计结果。
本发明还提出一种基于多智能体的城市快速路交织区微观交通仿真装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现各步骤所述的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。

Claims (6)

1.一种基于多智能体的城市快速路交织区微观交通仿真方法，其特征在于，包括以下步骤：
(1)根据待仿真的城市快速路交织区物理性质划定各仿真区域，并生成各仿真区域的属性，供车辆智能体在仿真区域上运动；
(2)在单个仿真步长内将车辆智能体输入至步骤(1)中的仿真区域并生成车辆属性，车辆智能体为独立存储数据并利用车联网技术获得仿真区域内相关车辆属性信息并独立做出决策的车辆单位，具体决策包括加速，减速，换道；
(3)在单个仿真步长内对仿真区域中所有步骤(2)中输入仿真区域的车辆智能体进行仿真结果的统计；
(4)在单个仿真步长内仿真区域中各个车辆智能体根据步骤(3)中的仿真统计结果及自身和其它车辆智能体当前步长的属性，调用智能体交互模型，换道模型与跟驰模型，执行车辆智能体的运动；
(5)判断是否完成了所有仿真步长的仿真，若完成输出仿真结果，反之再次执行步骤(2)至(5)。
2.根据权利要求1所述的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，其特征在于，步骤(1)中，根据城市快速路交织区道路基本信息，将仿真区域在物理上进行划分，包括主路交织区上游路段，次路交织区上游路段，交织区主路，交织区次路，主路交织区下游路段和次路交织区下游路段，各仿真区域属性包括路段编号N，路段长度length，车道数量，第N个仿真区域中第n个车道内的车辆智能体编号集合CNn,集合内元素为第N个仿真区域中第n个车道内各车辆的车辆智能体编号，n为车道编号。
3.根据权利要求2所述的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，其特征在于，步骤(2)中，在单个仿真步长内，首先判断交织区上游路段起点至10m处之间是否存在车辆智能体，若无车辆智能体，则产生一个随机数rand1(0，1)，若：
Figure FDA0003030854670000011
其中，#Tinput为该仿真区域目标输入车辆智能体数，#input为从仿真开始至当前仿真步长该仿真区域已输入车辆智能体数，Tsim为仿真前确认的仿真总时间步长，tsim为当前仿真步长，k为1s被划分为的仿真步长数；
则按照车辆类型比例，随机确定车辆类型，根据车辆类型生成车辆智能体，即可独立存储数据，利用车联网技术获得仿真区域内相关车辆属性信息并独立做出决策的车辆单位，具体决策包括加速，减速，换道，并更新#input，其属性包括车辆智能体编号id，所在路段编号N，所在车道n，车辆长度L，车辆目的地D＝{0,1}，其中，1为主路，0为次路，速度v，位置x，加速度a；
v＝vlowbound+rand2(0,1)*(vupbound-vlowbound)
Figure FDA0003030854670000021
其中，vlowbound,vupbound分别为初始输入速度区间下限和上限，Pm为车辆目的地是主路的概率，rand2(0,1)，rand3(0,1)为随机数；
若
Figure FDA0003030854670000022
不产生车辆，进入步骤(3)。
4.根据权利要求3所述的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，其特征在于，步骤(3)中，在单个仿真步长内，统计并记录仿真结果包括交织区第N个仿真区域中第n个车道内平均车速
Figure FDA0003030854670000023
第N个仿真区域中第n个车道内车辆密度ρNn,车辆平均通过交织区的仿真步长数，各路段交通量，交织区预设关键位置的平均车速。
5.根据权利要求4所述的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，其特征在于，步骤(4)中，在单个仿真步长内，各个车辆智能体的车辆运动分为三个步骤；
步骤(4.1)调用智能体交互模型，车辆智能体根据自身属性查找N，n，第N个仿真区域中第n个车道及左右邻近车道
Figure FDA0003030854670000024
ρNn，ρNn+1，ρNn-1，其中
Figure FDA0003030854670000025
分别为第N个仿真区域中第n+1，第n-1个车道内平均车速；ρNn+1，ρNn-1分别为第N个仿真区域中第n+1，第n-1个车道内车辆密度，车辆智能体编号集合CNn，接着根据CNn查找包括该车辆智能体的前车，后车，邻近车道的前车与后车对应智能体的属性信息；
步骤(4.2)调用换道模型，首先判断车辆智能体所在路段是否与车辆目的地一致，若一致，则加载自由换道模型，若不一致，则加载强制换道模型；
自由换道模型选取基于车道效用的换道模型，首先计算车辆智能体行驶车道及两侧同一路段内车道的车道效用：
Figure FDA0003030854670000026
其中，df表示车辆智能体与该车道前车之间的车头间距，db表示车辆智能体与该车道后车之间的车头间距，比较各可换道车道的车道效用，若邻近车道的车道效用高于正在行驶的车道，则产生向效用更高的目标车道的换道意图，反之，不产生换道意图，产生换道意图后，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的CNn，车辆智能体所在车道编号n，反之不换道；
强制换道模型选取Logit模型，首先计算车辆智能体在当前驾驶环境下向车辆目的地路段换道概率：
Figure FDA0003030854670000031
其中，p表示该车辆智能体的换道概率，xf表示目标车道前车智能体的位置，vf表示目标车道前车智能体的速度，xb表示目标车道后车智能体的位置，vb表示目标车道后车智能体的速度，当换道概率p大于阈值时，比较与目标车道后车的车头时距是否满足换道安全阈值，若满足则换道，同时更新相关车道的CNn，车辆智能体所在车道编号n，反之不换道；
步骤(4.3)调用跟驰模型，根据车辆智能体的运行信息与其前车智能体的运行信息共同决定该车辆的加速度，从而更新车辆的v与x，当更新后车辆位置超出所在路段N的长度时，即x>length,车辆智能体更新所在路段编号N，若超出路段为交织区下游，则在交织区下游仿真区域内删除该车辆智能体，并更新相关路段车道的车辆智能体编号集合CNn，当车辆行驶路段与目的地不一致时，且前车超出交织区末端时，将该类车辆的前车设置为位于交织区末端车速为0，车长为5m的静止车辆。
6.一种基于多智能体的城市快速路交织区微观交通仿真装置，其特征在于，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现权利要求1-5任一项所述的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。
CN202110429432.4A 2021-04-21 2021-04-21 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 Active CN113268857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110429432.4A CN113268857B (zh) 2021-04-21 2021-04-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110429432.4A CN113268857B (zh) 2021-04-21 2021-04-21 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

Publications (2)

Publication Number Publication Date
CN113268857A true CN113268857A (zh) 2021-08-17
CN113268857B CN113268857B (zh) 2024-04-09

Family

ID=77229145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110429432.4A Active CN113268857B (zh) 2021-04-21 2021-04-21 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

Country Status (1)

Country Link
CN (1) CN113268857B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116231A (zh) * 2022-08-26 2022-09-27 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同微观仿真系统、方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN105139640A (zh) * 2015-08-21 2015-12-09 天津市市政工程设计研究院 快速路交织区长度优化方法
CN111192455A (zh) * 2020-01-10 2020-05-22 西南交通大学 一种城市快速路交织区的交通流组织优化方法
CN111291469A (zh) * 2020-01-17 2020-06-16 东南大学 一种基于多智能体的人行横道混合交通流仿真方法与系统
CN112329248A (zh) * 2020-11-11 2021-02-05 长安大学 一种基于多智能体系统的道路混合交通流仿真系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN105139640A (zh) * 2015-08-21 2015-12-09 天津市市政工程设计研究院 快速路交织区长度优化方法
CN111192455A (zh) * 2020-01-10 2020-05-22 西南交通大学 一种城市快速路交织区的交通流组织优化方法
CN111291469A (zh) * 2020-01-17 2020-06-16 东南大学 一种基于多智能体的人行横道混合交通流仿真方法与系统
CN112329248A (zh) * 2020-11-11 2021-02-05 长安大学 一种基于多智能体系统的道路混合交通流仿真系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙剑;李克平;杨晓光;: "拥挤交通流交织区车道变换行为仿真", 系统仿真学报, no. 13 *
熊胜辉;李星毅;施化吉;: "基于元胞自动机的快速路交织区交通流仿真建模", 计算机应用, no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116231A (zh) * 2022-08-26 2022-09-27 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同微观仿真系统、方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN113268857B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN112614343B (zh) 基于随机策略梯度的交通信号控制方法、系统及电子设备
CN109213148B (zh) 一种基于深度强化学习的车辆低速跟驰决策方法
CN103593535B (zh) 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN106991251B (zh) 一种高速公路交通流元胞机仿真方法
CN111898211A (zh) 基于深度强化学习的智能车速度决策方法及其仿真方法
CN113609784B (zh) 一种交通极限场景生成方法、系统、设备和存储介质
CN111754769B (zh) 基于含长程连边的曼哈顿城市网络的路网交通流特性仿真方法
CN112201070B (zh) 基于深度学习的自动驾车高速公路瓶颈路段行为决策方法
CN115601954B (zh) 一种智能网联车队的换道判断方法、装置、设备及介质
Bouderba et al. Evolutionary dilemma game for conflict resolution at unsignalized traffic intersection
Li et al. Studies of vehicle lane-changing to avoid pedestrians with cellular automata
CN111008450A (zh) 交通流仿真方法、装置、存储介质及电子设备
Xu et al. Patrol: A velocity control framework for autonomous vehicle via spatial-temporal reinforcement learning
CN113268857A (zh) 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
Hu et al. Traffic signal control using fuzzy logic and evolutionary algorithms
Chen et al. Cellular automaton model considering the effect of brake light and traffic light at the intersection
Angeline et al. A traffic cellular automaton model with optimised speed
CN116189454A (zh) 交通信号控制方法、装置、电子设备及存储介质
Fekete et al. Methods for improving the flow of traffic
Chen et al. Algorithms for the traffic light setting problem on the graph model
Song et al. A simulation of the traffic behavior with autonomous truck platoons based on cellular automaton
Xin-Gang et al. Traffic dynamics of an on-ramp system with a cellular automaton model
Caligaris et al. Model predictive control for multiclass freeway traffic
Płaczek Fuzzy cellular model for on-line traffic simulation
Jakovljevic et al. Implementing multiscale traffic simulators using agents

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