CN113299068A - 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统 - Google Patents
一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统 Download PDFInfo
- Publication number
- CN113299068A CN113299068A CN202110589338.5A CN202110589338A CN113299068A CN 113299068 A CN113299068 A CN 113299068A CN 202110589338 A CN202110589338 A CN 202110589338A CN 113299068 A CN113299068 A CN 113299068A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road network
- model
- road
- simulation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统,本发明融合了社会力模型和粒子群算法,可以有效仿真出交通流的变化情况。本发明可以与实时路况相结合,将交通事故、交通管制等突发因素考虑在内,实现短时交通状态预测,对于个人的出行计划安排和交通管理部门的日常工作都具有重要的指导意义。
Description
技术领域
本发明涉及智慧交通技术领域,尤其涉及一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统。
背景技术
交通系统与人们的日常出行息息相关,而交通系统的拥堵状态不仅影响人们对出行路线的选择,也事关交通管理部门如何对交通进行调控。在当前的技术条件下,传感器和物联网技术取得了飞速发展,交通系统中的基础设施也得到了完善,测速系统、摄像头等装置已经广泛地分布于城市路网当中,通过这些装置可以实时采集到当前的路况信息,并通过互联网将路况信息发布到公共平台,有效帮助了人们的出行,但仅靠实时的交通信息还无法高效地引导人们出行,在辅助交通管理方面也有不足之处,若能够根据实时的交通路况,预测出未来一定时间内的交通流变化情况,则可以提前采用一定的措施,一定程度上避免拥堵的发生。
交通拥堵状态预测的方法有很多,当前的技术条件下,它们可归为模型化方法、机器学习方法。模型化方法中包括历史平均模型、自回归模型等,机器学习方法包括了各种各样的神经网络。模型化方法所需要依赖的硬件设备相对简单,一般是利用了统计学原理,从交通流历史数据的变化中寻找规律,用数据拟合的办法估计未来变化趋势。而随着近年来计算机硬件性能的大幅提升,用深度学习技术进行数据预测成为了研究热点,以递归神经网络(RNN)为代表的深度学习算法成为了常用的方法之一。从预测效果来看,深度学习技术相比较模型化方法有更好的数据拟合能力,预测精度也要好一些。但这些方法以大量历史数据为依据,可以模拟常规条件下的交通流变化趋势,但在突发事件(如交通事故)的影响下,难以做出准确的预测。
发明内容
本发明为克服上述的不足之处,目的在于提供一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统,本发明融合了社会力模型和粒子群算法,可以有效仿真出交通流的变化情况。本发明可以与实时路况相结合,将交通事故、交通管制等突发因素考虑在内,实现短时交通状态预测,对于个人的出行计划安排和交通管理部门的日常工作都具有重要的指导意义。
本发明是通过以下技术方案达到上述目的:一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,包括如下步骤:
(1)基于实际路网结构构建仿真系统的路网拓扑结构;
(2)基于实时交通状态初始化仿真系统中的移动粒子和路网规则;
(3)引入社会力模型分析交通路网个体元素间的相互作用力;
(4)融合元胞自动机思想和基于统计学的概率模型,得到交通运行模型;
(5)进行交通路网拥堵状态仿真,得到拥堵状态的预测结果。
作为优选,所述步骤(1)构建仿真系统的路网拓扑结构具体过程为:将整个交通网络图抽象成一个带有多重属性的赋权有向图,用公式写为:
T=(N,R,S,E,W,F)
其中,N为整个路网中的节点组成的集合,R为所有路段组成的集合,S为交通流生成区组成的集合,每个交通流生成区以一定概率向路网中输出模拟行人和车辆的粒子,E为交通流终止区组成的集合,路网中的车辆与行人以一定概率流向交通流终止区,W为路段权值组成的集合,用于描述路段的多重属性;F为路网规则组成的集合,包括路段、节点的基本交通规则、以及突发的外界因素。
作为优选,所述步骤(2)初始化仿真系统过程为:基于实时的交通状态,借鉴粒子群算法的思想,在建立好的路网拓扑结构中初始化一定数量的粒子,用符号P1,P2,P3....PN来表示,粒子的属性值包括类型、等效质量、等效体积、速度、社会力模型系数;根据实时交通情况、将这些粒子按照实时交通对应的拥堵分布情况初始化到路网拓扑结构之中,从而形成仿真系统的初态;除了对粒子的初态进行配置外,另外对路网规则F进行赋值,路网规则F除了包括基础的交通准则之外,还包括外界的突发干扰因素,这些规则将以枚举的方式加入到规则列表之中,限制初始化后的粒子按照特定规律运动。
作为优选,所述的社会力模型采用带有注意力机制的虚拟力场模型,对运动方向上的虚拟力场进行定量分析,对特定的交通个体元素P而言,当有其它物体出现在其关注度高的地方时,则该物体对元素P有更强的社会力作用;在元素P前方的不同方向上,都会存在一个关注度最高的地方,将这些点连接起来,则可形成一条曲线,定义为注意力集中线,在此采用二次曲线来描述,以元素P所在位置为原点,其速度方向为X轴的正方向,建立随体坐标系,该二次曲线的表达式写为x=-ay2+b,a,b>0,均为元素P属性相关的参数;在某个特定的方向上(如方向),我们定义最大的关注度值为hmax=|PM|/b,通常情况下,hmax≤1;在方向上,对于N点处的关注度值,引入泊松分布对其进行建模,定义函数其中,
作为优选,所述交通路网各个元素间的相互作用力分析如下:假设元素P和元素Q同处在交通网络中,从元素P的角度考虑其受到的社会力,在元素P对应的社力场模型中,各点的注意力机制不同,用h(α,r)表示;在进行力分析时,交通元素不能仅认为是一个点,它同样具有体积、速度等属性;例如,假设元素Q为汽车,在元素P看来,Q在其视野中占据了一定角度,定义为视觉角,该角度影响元素Q对元素P的作用;Q对P的社会力大小记为:
其中,dop对应了理想间距,vlimit为所研究交通环境的最高限速;
在元素P受到社会力模型的基础上,基于元素P本身的类型,可改变其相应的运动状态,从而实现微观交通流仿真的目的。
作为优选,所述融合元胞自动机思想和概率学模型的交通仿真具体为:在仿真过程中,借鉴元胞自动机的思想,将路段分为一个个格子,每个格子中包括了一定数量的移动单元,这些移动单元在格子之间移动,从而影响每个格子的状态;其中这些格子的状态可表达成空间和时间两个变量的函数,可以记为φ(t,Ci);
同时引入统计学方法,主要考虑交叉节点和交通流生成区与交通流终止区的影响,对于交通路网中的移动对象p,当其处在交叉点位置时,将以不同概率向支路运动,以3条支路为例,概率值满足约束条件于x+y+z=1,而x,y,z的具体值则根据路口历史交通情况确定;另外考虑到实际路网中的移动对象可能进入城市社区,城市社区也可能输出移动对象到路网当中,考虑路网模型中交通流生成区和终止区的影响,以t时刻和t+1时刻为例,两个相邻的路段单元之间交通个体数量之间存在关系为:
式中,f(Ci)表示为生成区的生成率,g(Ci)表示终止区的终止率,两者均参考交通路网的历史平均数据变化规律,从而实现对复杂路网未来短时间内的交通仿真,从而实现交通拥堵预测的目的。
作为优选,所述的动态仿真与结果生成具体如下:基于构建好的交通路网模型和当前输入的路网规则,通过计算机仿真,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,得到未来短时间内每一时间点的交通状态对于每一个仿真结果,根据路网中移动粒子的分布情况,即粒子的密度分布,将不同的路段标记成不同的颜色,以表示路网的拥堵状态,实现交通拥堵预测的目的。
一种融合社会力模型与粒子群算法的交通路网拥堵状态预测系统,包括:路网模型模块、初始化模块、交通元素作用力模块、交通运行模型模块、仿真模块,
其中,路网模型模块,将整个图网抽象成一个带有多重属性的赋权有向图;用公式写为:T=(N,R,S,E,W,F);
初始化模块,根据实时的交通状态,初始化相应数量的粒子,按相应的密度分布函数初始化,对路网规则F进行赋值;
交通元素作用力模块,利用带有注意力机制的社会力模型模拟交通元素作用力;
交通运行模型模块,在路网结构和交通运行规律的基础上,利用元胞自动机模型和概率学模型构建交通运行模型;
仿真模块,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,可以得到未来短时间内每一时间点的交通状态。
本发明的有益效果在于:(1)本发明结合了先进计算机仿真技术、物联网技术,以实时的交通状态作为系统仿真的初始状态,通过引入社会力模型、粒子群算法,对未来短时间内的路网交通情况进行模拟、从而达到拥堵状态预测的目的;(2)本发明中的社会力模型是一种带有注意力机制的虚拟力场模型,它充分考虑了交通参与者的心理因素,可以更好地反映出交通流个体之间存在的相互作用关系,相比于常规的社会力模型有进一步的提高;(3)与现有的方法不同,本发明中的仿真条件可根据实际情况进行比较方便的调整,特别是针对交通事故、道路维修等突发事件,有较好的适应性,更多地强调了突发事件下的交通拥堵状态预测;(4)本发明借鉴了多种现有交通拥堵预测方法的一般思想,将微观交通模型与宏观交通模型有机地统一到了一起,具备融合多种智能算法的特点;(5)本发明可连续性输出未来一段时间内的交通状态演变情况的预测结果,而不仅个别时间点的交通路网状态。
附图说明
图1是本发明的方法流程示意图;
图2是本发明实施例的交路网拓扑结构示意图;
图3是本发明实施例的运动粒子初始化示意图;
图4是本发明实施例的考虑注意力机制的社会力场模型示意图;
图5是本发明实施例的交通元素之间的作用力分析示意图;
图6是本发明实施例的元胞自动机思想与路段网格划分示意图;
图7是本发明实施例的交叉点的统计学处理方法示意图;
图8是本发明实施例的交通流生成区与终止区的统计学处理方法示意图;
图9是本发明实施例的交通拥堵预测结果示意图。
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,一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,包括如下步骤:
(1)基于实际路网结构构建仿真系统的路网拓扑结构;
为模拟交通路网的状态变化,需首先构建出目标路网的拓扑结构,这也是进行交通动态仿真的基础。城市的交通网络基本上都是由大量交错的道路构成的,这些道路也有自己的一些属性,包括路段长度、车道数、行车方向等。行人、机动车等所有交通参与对象在一定的规划下,在整个路网中移动。为了表达出路网的结构,本发明采用图论的思想,将整个图网抽象成一个带有多重属性的赋权有向图。用公式写为:
T=(N,R,S,E,W,F)
其中,N为整个路网中的节点组成的集合,R为所有路段组成的集合,S为交通流生成区组成的集合,每个交通流生成区以一定概率向路网中输出模拟行人和车辆的粒子,E为交通流终止区组成的集合,路网中的车辆与行人以一定概率流向交通流终止区,W为路段权值组成的集合,用于描述路段的多重属性。F为路网规则组成的集合,包括路段、节点的基本交通规则、以及突发的外界因素。
基本交通规则,如红绿灯的固有变化规律、车行道、非机动车道的划分等。突发的外界因素,如交通事故、道路管制,突发因素的产生是基于实时信息监控,输入到F集合当中。在现有技术条件下,实时的路况信息已经完全可以准确获得,在捕获到交通事故、道路管制等已经发生的事件后,在对应路网中,编辑相应路段的属性、确定其通行能力、通行方向等。
图2为一处简单路网的拓扑结构图,大写字母表示道路结点,小写字母表示不同路段,他们有各自的多重属性值。
(2)基于实时交通状态初始化仿真系统中的移动粒子和路网规则;
初始化仿真模型时,本发明强调以实时交通状态为基准进行交通拥堵预测,在当前的技术条件下,实时的交通状态可通过物联网技术及时地得到。在得到实时的交通状态之后,本发明借鉴粒子群算法的思想,在建立好的路网拓扑结构中初始化一定数量的粒子,用符号P1,P2,P3....PN来表示,这些粒子的属性值包括类型、等效质量、等效体积、速度等,主要属性的含义如表所示。
根据实时交通情况、按照实时交通拥堵状态在路网中的分布情况,成比例地转化成为一定数量的粒子,初始化到路网拓扑结构之中,在满足与实时交通拥堵状态相匹配的前提下,粒子的初始位置通过随机函数产生,其方向与交通流宏观方向一致,其速度对应于该路段当前同类型交通元素的平均速度。这样一来,形成仿真系统的初态。
图3是初始化移动粒子分布的一个样例,路网中每个移动粒子有一个初始的方向、位置、速度(均在初始化过程中按一定规则确定),在社会力模型和统计学模型的驱动下,移动粒子的位置将不断更新。除了对粒子的初态进行配置外,还需要对路网规则F进行赋值,如某个路段J因施工原因无法通行,对应于F增加的规则为“静态路段J拒绝动态粒子通过”,再比如突发的交通管制可能导致的增加规则为“静态路段I仅容纳动态粒子(行人类)”,也就是说,路网规则F除了包括基础的交通准则之外,还包括外界的突发干扰因素,这些规则将以枚举的方式加入到规则列表之中,限制初始化后的粒子按照特定规律运动。例如打断路网拓扑结构中的结点或路段后,移动的粒子群不能通过特定位置,从而模拟真实交通状态变化情况。
(3)引入社会力模型分析交通路网个体元素间的相互作用力;在交通路网中,大到车辆、小到行人,各个元素之间并非相互独立,每个交通网络的参与对象都或多或少地受到周围其它对象的影响,而社会力模型是描述这种影响的重要方法。从本质上来说,人作为交通参与者的主体,通过感受周围事物,再做出决策,最终控制相应的交通工具、或是控制自己的肢体,实现在路网中的移动。因此如何建立交通网络中不同参与对象之间的相互作用对预测交通路网中拥堵状态的演变有重要作用。
与物理场不同,在交通流中,不同个体之间的相互作用更为复杂,由于涉及人的主观感受,不同交通个体之间的相互作用与心理因素息息相关,同时,在感知环境的过程中,人的注意力分布往往是不均匀的,考虑交通流中人的注意力机制对交通流微观虚拟力场建模有至关重要的作用,这也是本发明中的突出创新点。
在交通系统中,人们对前进的方向往往会赋予更高的关注度,而对后方的关注一般是短暂的、间歇性的,本发明重点对动态粒子运动方向上的虚拟力场进行定量分析,对特定的交通个体元素P而言,当有其它物体出现在其关注度高的地方时,则该物体对元素P有更强的社会力作用。在元素P前方的不同方向上,都会存在一个关注度最高的地方,将这些点连接起来,则可形成一条曲线,定义为注意力集中线,本发明用二次曲线来描述,以元素P所在位置为原点,其速度方向为X轴的正方向,建立随体坐标系,该二次曲线的表达式写为x=-ay2+b,a,b>0,均为元素P属性相关的参数(b与元素P对应的纵向安全距离相关,而则对应横向安全距离),在某个特定的方向上(如方向),我们定义最大的关注度值为hmax=|PM|/b,通常情况下,hmax≤1。在方向上,对于N点处的关注度值,引入泊松分布对其进行建模,如图4所示,定义函数其中,k表征了空间的距离信息,λ则代表安全时距,由于在实际的仿真计算中,并不需要完全的计算出注意力的完整分布,因此这里使用了取整函数,以减少运算量,提高计算的速度。通过这一系列的建模工作,就将注意力机制引入到交通元素之间的相互作用力分析过程中。
在交通元素之间的作用力分析与物理学中的力分析不同,在经典力学中,力的作用是相互的,而社会力模型则不同,它是以人的主观认识作为媒介而产生的,并不符合传统的力与反作用力关系。
如图5所示,元素P和元素Q同处在交通网络中,从元素P的角度考虑其受到的社会力,在元素P对应的社力场模型中,各点的注意力大小(即关注度)不相同,用h(α,r)表示。在进行力分析时,交通元素不能仅认为是一个点,它同样具有体积、速度等属性,如图中所示,从驾驶员的角来看,其它交通元素在其视野范围中都存在一定的视觉角,只是大小有区别而已。本发明中,Q对P的社会力大小记为:
式中,h(α,r),为极坐标系下的社会力场强度值,|PQ|为交通动态元素PQ之间的距离,vp、vq分别为两者的速度,dop对应了理想间距,vlimit为所研究交通环境的最高限速。
显然在上述分析中,均是从元素P的角度出发的,也就是仅存在元素Q对元素P有社会力作用。而元素P对元素Q的作用应该在Q对应的社会力场中进行分析,他们之间的相互作用显然不等。在元素P受到社会力模型的基础上,通过上文中社会力模型的计算公式,得到社会力大小,再转化为元素P的加速度值,实现元素P速度的更新(F为矢量,因此速度更新也包括了方向),从而实现微观交通流仿真的目的。
(4)融合元胞自动机思想和基于统计学的概率模型,得到交通运行模型;
在微观交通流仿真过程中,本发明借鉴了元胞自动机的思想,将路段分为一个个格子,每个格子中包括了一定数量的移动单元,这些移动单元在格子之间移动,从而影响每个格子的状态,如图6所示。可以看出,这些格子的状态可以表达成空间和时间两个变量的函数,可以记为
由于路网结构的复杂性,仅通过微观的社会力模型并不能很好地模拟出交通状态在未来一定时间内的变化情况。对于单一的封闭路段来说,社会力模型可以模拟出车辆跟驰,车辆换道等基本的情形,但真实的路网纵横交错,道路也存在诸多的入口和出口。由于人的行为存在诸多的不确定性,难以估计出交通路网中每个移动对象的未来走向,特别是在道路的交叉口处。因此,引入统计学方法处理这些问题成为了必要的手段。
在本方法中,主要考虑交叉节点和交通流生成区与交通流终止区的影响,如图7所示,对于交通路网中的移动对象p,当其处在交叉点位置时,将以不同概率向支路运动,以3条支路为例,概率值满足约束条件于x+y+z=1,而x,y,z的具体值则根据路口历史交通情况确定。
考虑到实际路网中的移动对象可能进入城市社区,城市社区也可能输出移动对象到路网当中,本发明考虑路网模型中交通流生成区和终止区的影响,以t时刻和t+1时刻为例,两个相邻的路段单元之间(如图8所示),交通个体数量之间存在关系为:
式中,Ci表示实际路段i对应的仿真模型,表示t时刻仿真路段Ci中的车辆数目。表示t时间,仿真路段Ci-1中流出的车辆,f(Ci)表示为生成区的生成率,g(Ci)表示终止区的终止率,两者均参考交通路网的历史平均数据变化规律,可以实现对复杂路网未来短时间内的交通仿真,从而实现交通拥堵预测的目的。
(5)进行交通路网拥堵状态仿真,得到拥堵状态的预测结果。
基于构建好的交通路网模型和当前输入的路网规则,通过计算机仿真,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,在仿真的过程中,由于移动的粒子不断更新,最终在期望的时刻形成新的分布状态,此时粒子的密度分布即代表了该时间的交通拥堵状态;由于计算机的仿真速度可远远大于实际交通流演化的速度,因此基于当前(即实时)的交通拥堵状态,在仿真系统中提前观察到粒子群的演化规律,进而根据目标时刻的粒子分布情况,得到未来的拥堵状态;期望时刻的选择具有任意性,因此仿真系统得到的是未来一段时间的交通演变过程,而不仅仅某一个时间点的拥堵状态。
对于每一个仿真结果,根据路网中移动粒子的分布情况(即粒子的密度分布),将不同的路段标记成不同的记号,如图9所示,以表示路网的拥堵状态,也就达到了本发明交通拥堵预测的目的。
一种融合社会力模型与粒子群算法的交通路网拥堵状态预测系统,包括:路网模型模块、初始化模块、交通元素作用力模块、交通运行模型模块、仿真模块,
其中,路网模型模块,将整个图网抽象成一个带有多重属性的赋权有向图。用公式写为:T=(N,R,S,E,W,F);
初始化模块,根据实时的交通状态,初始化相应数量的粒子,按相应的密度分布函数初始化,对路网规则F进行赋值;
交通元素作用力模块,利用带有注意力机制的社会力模型模拟交通元素作用力;
交通运行模型模块,在路网结构和交通运行规律的基础上,利用元胞自动机模型和概率学模型构建交通运行模型;
仿真模块,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,可以得到未来短时间内每一时间点的交通状态。
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 (8)
1.一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于,包括如下步骤:
(1)基于实际路网结构构建仿真系统的路网拓扑结构;
(2)基于实时交通状态初始化仿真系统中的移动粒子和路网规则;
(3)引入社会力模型分析交通路网个体元素间的相互作用力;
(4)融合元胞自动机思想和基于统计学的概率模型,得到交通运行模型;
(5)进行交通路网拥堵状态仿真,得到拥堵状态的预测结果。
2.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述步骤(1)构建仿真系统的路网拓扑结构具体过程为:将整个交通网络图抽象成一个带有多重属性的赋权有向图,用公式写为:
T=(N,R,S,E,W,F)
其中,N为整个路网中的节点组成的集合,R为所有路段组成的集合,S为交通流生成区组成的集合,每个交通流生成区以一定概率向路网中输出模拟行人和车辆的粒子,E为交通流终止区组成的集合,路网中的车辆与行人以一定概率流向交通流终止区,W为路段权值组成的集合,用于描述路段的多重属性;F为路网规则组成的集合,包括路段、节点的基本交通规则、以及突发的外界因素。
3.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述步骤(2)初始化仿真系统过程为:基于实时的交通状态,借鉴粒子群算法的思想,在建立好的路网拓扑结构中初始化一定数量的粒子,用符号P1,P2,P3....PN来表示,粒子的属性值包括类型、等效质量、等效体积、速度、社会力模型系数;根据实时交通情况、将这些粒子按照实时交通对应的拥堵分布情况初始化到路网拓扑结构之中,从而形成仿真系统的初态;除了对粒子的初态进行配置外,另外对路网规则F进行赋值,路网规则F除了包括基础的交通准则之外,还包括外界的突发干扰因素,这些规则将以枚举的方式加入到规则列表之中,限制初始化后的粒子按照特定规律运动。
4.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述的社会力模型采用带有注意力机制的虚拟力场模型,对运动方向上的虚拟力场进行定量分析,对特定的交通个体元素P而言,当有其它物体出现在其关注度高的地方时,则该物体对元素P有更强的社会力作用;在元素P前方的不同方向上,都会存在一个关注度最高的地方,将这些点连接起来,则可形成一条曲线,定义为注意力集中线,在此采用二次曲线来描述,以元素P所在位置为原点,其速度方向为X轴的正方向,建立随体坐标系,该二次曲线的表达式写为x=-ay2+b,a,b>0,均为元素P属性相关的参数;在某个特定的方向上(如方向),我们定义最大的关注度值为hmax=|PM|/b,通常情况下,hmax≤1;在方向上,对于N点处的关注度值,引入泊松分布对其进行建模,定义函数其中,
5.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述交通路网各个元素间的相互作用力分析如下:假设元素P和元素Q同处在交通网络中,从元素P的角度考虑其受到的社会力,在元素P对应的社力场模型中,各点的注意力机制不同,用h(α,r)表示;在进行力分析时,交通元素不能仅认为是一个点,它同样具有体积、速度等属性;例如,假设元素Q为汽车,在元素P看来,Q在其视野中占据了一定角度,定义为视觉角,该角度影响元素Q对元素P的作用;Q对P的社会力大小记为:
其中,dop对应了理想间距,vlimit为所研究交通环境的最高限速;在元素P受到社会力模型的基础上,基于元素P本身的类型,可改变其相应的运动状态,从而实现微观交通流仿真的目的。
6.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述融合元胞自动机思想和概率学模型的交通仿真具体为:在仿真过程中,借鉴元胞自动机的思想,将路段分为一个个格子,每个格子中包括了一定数量的移动单元,这些移动单元在格子之间移动,从而影响每个格子的状态;其中这些格子的状态可表达成空间和时间两个变量的函数,可以记为φ(t,Ci);同时引入统计学方法,主要考虑交叉节点和交通流生成区与交通流终止区的影响,对于交通路网中的移动对象p,当其处在交叉点位置时,将以不同概率向支路运动,以3条支路为例,概率值满足约束条件于x+y+z=1,而x,y,z的具体值则根据路口历史交通情况确定;另外考虑到实际路网中的移动对象可能进入城市社区,城市社区也可能输出移动对象到路网当中,考虑路网模型中交通流生成区和终止区的影响,以t时刻和t+1时刻为例,两个相邻的路段单元之间交通个体数量之间存在关系为:
式中,f(Ci)表示为生成区的生成率,g(Ci)表示终止区的终止率,两者均参考交通路网的历史平均数据变化规律,从而实现对复杂路网未来短时间内的交通仿真,从而实现交通拥堵预测的目的。
7.根据权利要求1所述的一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法,其特征在于:所述的动态仿真与结果生成具体如下:基于构建好的交通路网模型和当前输入的路网规则,通过计算机仿真,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,得到未来短时间内每一时间点的交通状态对于每一个仿真结果,根据路网中移动粒子的分布情况,即粒子的密度分布,将不同的路段标记成不同的颜色,以表示路网的拥堵状态,实现交通拥堵预测的目的。
8.一种融合社会力模型与粒子群算法的交通路网拥堵状态预测系统,其特征在于,包括:路网模型模块、初始化模块、交通元素作用力模块、交通运行模型模块、仿真模块,
其中,路网模型模块,将整个图网抽象成一个带有多重属性的赋权有向图;用公式写为:T=(N,R,S,E,W,F);
初始化模块,根据实时的交通状态,初始化相应数量的粒子,按相应的密度分布函数初始化,对路网规则F进行赋值;
交通元素作用力模块,利用带有注意力机制的社会力模型模拟交通元素作用力;
交通运行模型模块,在路网结构和交通运行规律的基础上,利用元胞自动机模型和概率学模型构建交通运行模型;
仿真模块,记录路网模型中移动粒子的运动过程,通过将仿真时间设置到期望的时刻,可以得到未来短时间内每一时间点的交通状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589338.5A CN113299068B (zh) | 2021-05-28 | 2021-05-28 | 一种交通路网拥堵状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589338.5A CN113299068B (zh) | 2021-05-28 | 2021-05-28 | 一种交通路网拥堵状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113299068A true CN113299068A (zh) | 2021-08-24 |
CN113299068B CN113299068B (zh) | 2022-10-21 |
Family
ID=77325785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589338.5A Active CN113299068B (zh) | 2021-05-28 | 2021-05-28 | 一种交通路网拥堵状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299068B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049167A (zh) * | 2022-08-16 | 2022-09-13 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN107506734A (zh) * | 2017-08-28 | 2017-12-22 | 中国民航大学 | 一种群体突发异常事件检测与定位方法 |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
US20190355244A1 (en) * | 2018-09-18 | 2019-11-21 | Beihang University | Method for anticipating tipping point of traffic resilience based on percolation analysis |
US20200160701A1 (en) * | 2018-11-19 | 2020-05-21 | Fortran Traffic Systems Limited | Systems and methods for managing traffic flow using connected vehicle data |
CN112257258A (zh) * | 2020-10-20 | 2021-01-22 | 杭州电子科技大学 | 基于Boids集群运动模型的人群运动仿真方法 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
-
2021
- 2021-05-28 CN CN202110589338.5A patent/CN113299068B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN107506734A (zh) * | 2017-08-28 | 2017-12-22 | 中国民航大学 | 一种群体突发异常事件检测与定位方法 |
US20190355244A1 (en) * | 2018-09-18 | 2019-11-21 | Beihang University | Method for anticipating tipping point of traffic resilience based on percolation analysis |
US20200160701A1 (en) * | 2018-11-19 | 2020-05-21 | Fortran Traffic Systems Limited | Systems and methods for managing traffic flow using connected vehicle data |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
CN112257258A (zh) * | 2020-10-20 | 2021-01-22 | 杭州电子科技大学 | 基于Boids集群运动模型的人群运动仿真方法 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
Non-Patent Citations (3)
Title |
---|
张磊 等: "拥堵疏散的行人拥挤力仿真研究", 《物理学报》 * |
邱小平 等: "基于社会力的信号交叉口施工区交通流建模", 《交通运输系统工程与信息》 * |
邱思航: "面向平行应急管理的核生化事故建模方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)·工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049167A (zh) * | 2022-08-16 | 2022-09-13 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113299068B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pursula | Simulation of traffic systems-an overview | |
Maerivoet et al. | Cellular automata models of road traffic | |
CN107220447A (zh) | 基于疏散路径集合的人群疏散仿真方法及系统 | |
Wei et al. | Learning motion rules from real data: Neural network for crowd simulation | |
CN113299068B (zh) | 一种交通路网拥堵状态预测方法及系统 | |
Liu et al. | Review of virtual traffic simulation and its applications | |
Sarmady et al. | Simulation of pedestrian movements using fine grid cellular automata model | |
CN116894395A (zh) | 一种自动驾驶测试场景的生成方法、系统及存储介质 | |
Valero et al. | Adaptation and calibration of a social force based model to study interactions between electric scooters and pedestrians | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
Li et al. | Microscopic state evolution model of mixed traffic flow based on potential field theory | |
Zhou et al. | Data-driven framework for the adaptive exit selection problem in pedestrian flow: Visual information based heuristics approach | |
Cao et al. | Fuzzy social force model for pedestrian evacuation under view-limited condition | |
Li et al. | Modeling detour decision combined the tactical and operational layer based on perceived density | |
Kang et al. | A simple and realistic pedestrian model for crowd simulation and application | |
Ma et al. | Research on crowd dynamic risk management based on the psychological stress perception function | |
CN108717596A (zh) | 城市轨道交通车站内t字型通道的客流通行效率评价方法 | |
Bargegol et al. | Presentation of regression analysis, GP and GMDH models to predict the pedestrian density in various urban facilities | |
Fei et al. | The driver time memory car-following model simulating in Apollo platform with GRU and real road traffic data | |
Huang et al. | Simulation of pedestrian evacuation with reinforcement learning based on a dynamic scanning algorithm | |
Shaharuddin et al. | Traffic simulation using agent based modelling | |
Yang et al. | A fuzzy-theory-based social force model for studying the impact of alighting area width on alighting and boarding behaviors | |
Uribe et al. | Multi-agent Approach to the Two-Second Driving Rule. | |
Biedermann et al. | A generic and hybrid approach for pedestrian dynamics to couple cellular automata with network flow models | |
Liu et al. | Large-scale traffic flow simulation based on intelligent PSO |
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 |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Applicant after: Yinjiang Technology Co.,Ltd. Applicant after: BUAA HANGZHOU INNOVATION INSTITUTE Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Applicant before: ENJOYOR Co.,Ltd. Applicant before: BUAA HANGZHOU INNOVATION INSTITUTE |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |