CN113515892B - 一种多智能体交通仿真并行计算方法及装置 - Google Patents

一种多智能体交通仿真并行计算方法及装置 Download PDF

Info

Publication number
CN113515892B
CN113515892B CN202110703399.XA CN202110703399A CN113515892B CN 113515892 B CN113515892 B CN 113515892B CN 202110703399 A CN202110703399 A CN 202110703399A CN 113515892 B CN113515892 B CN 113515892B
Authority
CN
China
Prior art keywords
vehicle
simulation
intersection
vehicles
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.)
Active
Application number
CN202110703399.XA
Other languages
English (en)
Other versions
CN113515892A (zh
Inventor
王昊
陈�全
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 CN202110703399.XA priority Critical patent/CN113515892B/zh
Publication of CN113515892A publication Critical patent/CN113515892A/zh
Application granted granted Critical
Publication of CN113515892B publication Critical patent/CN113515892B/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
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多智能体交通仿真并行计算方法，使用多线程并行计算的方式对智能体车辆进行路径寻优、状态更新、仿真数据存储及显示，可根据实时路况计算道路阻抗，结合车辆属性计算和更新车辆最优路径，并可根据实际计算时耗调整线程分配，均衡线程负荷。本发明还公开了一种多智能体交通仿真并行计算装置，本发明充分考虑不同仿真车辆的个体差异，支持仿真普通车辆和可进行信息交互的智能车辆，使用多线程并行计算方式，能充分发挥设备CPU计算能力，提高仿真效率，并可实现动态路径规划，使仿真结果更贴合实际情况。本发明可用于研究车辆行为、预测车流状态、测试管控措施，为缓解交通拥堵、减少交通隐患、降低资源浪费提供帮助。

Description

一种多智能体交通仿真并行计算方法及装置
技术领域
本发明涉及交通仿真技术领域，特别是一种多智能体交通仿真并行计算方法及装置。
背景技术
交通仿真是交通流、交通管控、交通安全领域的重要研究手段，相比于实地试验观测具有可控性强、成本低、样本量大、信息全面的优点。现有的交通仿真技术多适用于模拟传统人工驾驶车辆，对仿真车辆采用相同或相近的属性参数，忽略了车辆的个体特性，对可进行信息交互的智能车辆考虑不足，且大多运行效率有限，实效性差，难以满足目前和未来对交通仿真的需求。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种多智能体交通仿真并行计算方法及装置，能考虑不同仿真车辆的个体差异，支持仿真普通车辆和可进行信息交互的智能车辆，使用多线程并行计算的方式对多智能体车辆进行路径寻优、状态更新、仿真数据存储及显示，可根据实时路况计算路段和交叉口的阻抗，结合车辆属性计算和更新车辆最优路径，并可根据实际计算时耗调整线程分配，均衡线程负荷。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种多智能体交通仿真并行计算方法，包括以下步骤：
步骤1、获取路网数据和车辆数据；其中，
路网数据包括各路段的起点、终点、里程和通行费、以及各交叉口的几何构型、信号控制方案和通行费；车辆数据包括车辆的物理属性、起讫属性、偏好属性、行为属性和交互属性；物理属性包括车长、车宽、车型和加减速性能，起讫属性包括初始位置、初始速度、进入路网时刻和目的地，偏好属性包括对里程、费用、时耗的偏好、是否存在禁行区域，行为属性包括跟驰模型和换道模型，交互属性包括能否与周边车辆交互信息、能否接收路况信息；
步骤2、根据步骤1所述路网数据计算路段和交叉口的阻抗，阻抗包括路段和交叉口的通行里程、费用和时耗；
步骤3、分配并行线程：将所有仿真车辆分配给仿真设备CPU的多个线程并行计算；
步骤4、并行线程的计算具体如下：
根据步骤2中路段和交叉口的阻抗和步骤1中车辆的偏好属性，按检索最短路方法检索车辆到达目的地所经过的路段和交叉口的阻抗总和最低的路径作为最优路径，车辆将按最优路径行驶；
根据车辆行为属性和交互属性，结合跟驰模型、换道模型决策车辆运动行为；
根据车辆运动行为，计算更新后的车辆位置、车道和速度；
步骤5、统计并行线程的负荷，负荷包括运算时间和累计仿真车辆数，并根据负荷计算并行线程均衡分配方案，调整分配给各并行线程的仿真车辆数；
步骤6、保存步骤4的车辆位置、车道和速度；
步骤7、更新路网数据、新增仿真车辆，返回步骤2；更新路网数据、新增仿真车辆具体如下：
根据步骤4的车辆位置、车道和速度，计算各路段和交叉口车辆平均通行时耗；
更新步骤1的路网数据中路段的通行费、交叉口的信号控制方案、交叉口的通行费；
根据步骤1车辆的起讫属性添加新进入路网范围的车辆，并将新进入路网范围的车辆分配给步骤5中并行线程均衡分配方案中仿真车辆数最少的并行线程。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，步骤1中路网数据与仿真的路网范围一致，路网数据在仿真过程中允许变化；
步骤1中车辆数据作为个体属性进行保存，不同车辆的数据互不干扰；如果车辆在仿真开始时就已在路网范围内，则对其进行仿真直到其到达目的地后，移除该车辆；如果车辆在仿真开始时不在仿真范围内，根据车辆进入路网时刻开始对该车辆的仿真，直到其到达目的地后，移除该车辆。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，步骤2中路段和交叉口的阻抗，是指：
路段指允许车辆从起点行驶到终点的单向路段，如果A点与B点间为双向通行道路，则应当视为从起点A至终点B、从起点B至终点A两条不同单向路段，如果某单向路段不允许车辆通行，则该路段的阻抗视为正无穷；
交叉口的阻抗按车辆入口路段、出口路段的不同分别计算，如果存在禁止转向，对应方向的阻抗视为正无穷；
路段和交叉口的阻抗包括里程、费用和时耗三方面，里程为路段的物理长度或连接交叉口进出口的车辆路径长度，费用指车辆通过路段或交叉口需要缴纳的费用，时耗指车辆通过路段或交叉口需要的时间；
里程和费用从步骤1所述路网数据中获取；
初始仿真时，路段时耗根据
Figure BDA0003131127120000031
计算，其中下标r代表路段，tr为车辆经过路段r所需时间，sr为路段r里程，μr为路段r中车辆速度的均值，
Figure BDA0003131127120000032
n为路段中的车辆数，
Figure BDA0003131127120000033
为路段中第i个车辆的速度，σr为路段中车辆速度的标准差，
Figure BDA0003131127120000034
k1为路段车速均值参数，k2为路段车速标准差参数；
初始仿真时，交叉口时耗根据
Figure BDA0003131127120000035
计算，其中下标c代表交叉口，tc为车辆经过交叉口所需时间，sc为连接交叉口进出口的车辆路径长度，d为交叉口信号灯周期，g为交叉口对应行驶方向的绿灯时长，μc为交叉中对应行驶方向的车辆速度的均值，
Figure BDA0003131127120000036
m为交叉口对应行驶方向的车辆数，
Figure BDA0003131127120000037
为交叉口中第j个车辆的速度，σc为交叉中对应行驶方向的车辆速度的标准差，
Figure BDA0003131127120000038
k3为交叉口信控参数，k4为交叉口车速均值参数，k5为交叉口车速标准差参数。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，仿真过程中，路段和交叉口时耗使用步骤7所述路段和交叉口车辆平均通行时耗，k1、k2、k3、k4、k5取值0.8-1.2。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，步骤3具体方式为：初始仿真时，将仿真车辆按数量平均分配给所有用于仿真的CPU线程并行计算；仿真过程中，根据上一次循环中步骤5所述的并行线程均衡分配方案来分配并行线程。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，步骤4中，
最优路径指将路网视为图，路段起终点视为节点，连接节点的路段或交叉口视为边，路段或交叉口的阻抗视为权；其中，权的值根据Q＝p1sq+p2fq+p3tq计算，其中Q为权值，sq为里程，fq为费用，tq为时耗，p1为里程偏好参数，p2为费用偏好参数、p3为时耗偏好参数，p1、p2、p3根据车辆数据中的车辆的偏好属性确定；根据检索最短路算法检索连接车辆起终点总权值最小的路径作为车辆最优路径，仿真中车辆将按最优路径行驶；如果根据步骤1车辆数据中车辆的交互属性允许某车辆与路网交互信息，则该车辆会在仿真过程中接收新的最优路径，调整行驶路径；否则将始终按最初的最优路径行驶。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，p1、p2、p3取值0-1。
作为本发明所述的一种多智能体交通仿真并行计算方法进一步优化方案，步骤5所述统计并行线程的负荷，指统计一段时间内步骤4的并行线程的运算时间和累计仿真车辆数，计算并行线程均衡分配方案；计算并行线程均衡分配方案的具体方法为：设仿真设备用于并行计算的CPU线程数为e，统计时段中第h个线程累计仿真的车辆数为ah，累计用时为th，当前剩余仿真车辆数为bh，则调整后分配给第h个线程的仿真车辆数为
Figure BDA0003131127120000041
一种多智能体交通仿真并行计算装置，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上述的一种多智能体交通仿真并行计算方法。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明充分考虑不同仿真车辆的个体差异，支持仿真普通车辆和可进行信息交互的智能车辆，使用多线程并行计算方式，能充分发挥设备CPU计算能力，提高仿真效率，并可实现动态路径规划，使仿真结果更贴合实际情况；
(2)本发明可用于研究车辆行为、预测车流状态、测试管控措施，为缓解交通拥堵、减少交通隐患、降低资源浪费提供帮助。
附图说明
图1为本发明实施例的多智能体交通仿真并行计算方法流程图。
图2为本发明实施例的路网示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
如图1所示，本发明实施例公开的一种多智能体交通仿真并行计算方法及装置，主要包括输入路网和车辆数据、计算路网阻抗、分配并行线程、并行线程运算、均衡并行线程负荷、保存和显示车辆数据、更新路况信息等步骤。具体实施步骤如下：
(1)输入路网和车辆数据，其中路网数据包括：各路段起点、终点、里程、通行费，各交叉口几何构型、信号控制方案。本实施例路网示意图如图2所示，圆圈代表交叉口的进出口，线条代表道路。车辆数据包括：物理属性(车长、车宽、车型、加减速性能)、起讫属性(初始位置、初始速度、进入时刻、目的地)、偏好属性(对里程、费用、时耗的偏好，是否存在禁行区域)、行为属性(跟驰模型、换道模型等)、交互属性(能否与周边车辆交互信息，能否接收路况信息)。本实施例共仿真100辆车，其中初始仿真时有80辆车，仿真过程中陆续进入20辆车，以其中以某车辆P为例，仿真开始时其位于图2中R处，目的地为T，对里程、费用、时耗的偏好参数分别为0.4、0.5、1.0，遵循IDM跟驰模型和MOBIL换道模型，能接收路况信息。
(2)根据步骤1所述路网数据计算路段和交叉口的阻抗，路段和交叉口的阻抗包括里程、费用和时耗三方面，里程为路段的物理长度或连接交叉口进出口的车辆路径长度，费用指车辆通过路段或交叉口需要缴纳的费用，时耗指车辆通过路段或交叉口需要的时间；
里程和费用从步骤1所述路网数据中获取；
初始仿真时，路段时耗根据
Figure BDA0003131127120000051
计算，其中下标r代表路段，tr为车辆经过路段r所需时间，sr为路段r里程，μr为路段r中车辆速度的均值，
Figure BDA0003131127120000052
n为路段中的车辆数，
Figure BDA0003131127120000053
为路段中第i个车辆的速度，σr为路段中车辆速度的标准差，
Figure BDA0003131127120000054
k1为路段车速均值参数，k2为路段车速标准差参数；
初始仿真时，交叉口时耗根据
Figure BDA0003131127120000055
计算，其中下标c代表交叉口，tc为车辆经过交叉口所需时间，sc为连接交叉口进出口的车辆路径长度，d为交叉口信号灯周期，g为交叉口对应行驶方向的绿灯时长，μc为交叉中对应行驶方向的车辆速度的均值，
Figure BDA0003131127120000056
m为交叉口对应行驶方向的车辆数，
Figure BDA0003131127120000057
为交叉口中第j个车辆的速度，σc为交叉中对应行驶方向的车辆速度的标准差，
Figure BDA0003131127120000058
k3为交叉口信控参数，k4为交叉口车速均值参数，k5为交叉口车速标准差参数。
本实施例中，k1、k2、k3、k4、k5取值为1.0。
(3)分配并行线程，将所有仿真车辆分配给仿真设备不同的CPU线程并行计算，并在仿真过程中根据各线程负荷重新分配并行线程。本实施例中仿真使用CPU线程数为4，初始仿真时80辆车被平均分配给上述4个CPU线程，每个线程负责仿真运算20辆车。
(4)并行线程运算，包括检索最优路径、决策车辆运动、更新车辆状态。其中检索最优路径指将路网视为图，路段起终点(交叉口进出口)视为节点，连接起终点的道路视为边，边的阻抗视为权。权值根据Q＝p1sq+p2fq+p3tq计算，其中Q为权值，sq为里程，fq为费用，tq为时耗，p1、p2、p3为根据步骤(1)所述输入车辆数据中车辆偏好属性数据确定的参数。根据最短路算法检索连接车辆起终点总权值最小的路径作为车辆最优路径，仿真中车辆将按最优路径行驶。本实施例中车辆P对里程、费用、时耗的偏好参数分别为0.4、0.5、1.0，权值根据Q＝0.4sq+0.5fq+1.0tq计算，检索获得最优路径如图2中加粗黑线所示。决策车辆运动指根据步骤(1)所述输入车辆数据中的车辆行为属性和交互属性，结合跟驰、换道模型决策车辆运动行为。本实施例中车辆P由IDM跟驰模型和MOBIL换道模型控制行驶。更新车辆状态指根据车辆运动，计算更新后的车辆位置、车道、速度等具体信息，如果更新后车辆离开仿真范围或到达目的地，则在之后的仿真中移除该车辆。如图2所示，当车辆P行驶至S处时，由于路况发生变化，从S处至T处的最优路径变为图中加粗蓝线，同时由于车辆P可接收路况信息，故行驶路径发生变化，将按新的最优路径行驶。
(5)均衡并行线程负荷，每隔1min统计步骤(4)所述各并行线程的运算时间和累计仿真车辆数，计算均衡后的并行线程分配方案。仿真设备用于仿真并行计算的CPU线程数为4，统计时段中第h个线程累计仿真的车辆数为ah，累计用时为th，当前剩余仿真车辆数为bh，则调整后分配给第h个线程的仿真车辆数为
Figure BDA0003131127120000061
(6)保存和显示车辆数据，将并行线程运算获得的车辆仿真数据保存到存储设备，并显示更新后的车辆位置。如果所有车辆均仿真完成或仿真时长到达上限，仿真结束。
(7)更新路况信息，根据步骤(6)所述保存的数据统计车辆通过各路段和交叉口的平均时耗，作为步骤(3)所述在仿真过程中计算该路况和交叉口阻抗时的时耗数据，并根据步骤(1)所述输入路网数据更新路网各处的收费、管控方案，根据步骤(1)所述输入车辆数据，如果当前时刻有车辆进入仿真范围，则添加新增车辆，并分配给根据步骤5所述并行线程均衡分配方案中仿真车辆数最少的并行线程。
基于相同的发明构思，本发明实施例公开的一种计算装置，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上述的一种多智能体交通仿真并行计算方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种多智能体交通仿真并行计算方法，其特征在于，包括以下步骤：
步骤1、获取路网数据和车辆数据；其中，
路网数据包括各路段的起点、终点、里程和通行费、以及各交叉口的几何构型、信号控制方案和通行费；车辆数据包括车辆的物理属性、起讫属性、偏好属性、行为属性和交互属性；物理属性包括车长、车宽、车型和加减速性能，起讫属性包括初始位置、初始速度、进入路网时刻和目的地，偏好属性包括对里程、费用、时耗的偏好、是否存在禁行区域，行为属性包括跟驰模型和换道模型，交互属性包括能否与周边车辆交互信息、能否接收路况信息；
步骤2、根据步骤1所述路网数据计算路段和交叉口的阻抗，阻抗包括路段和交叉口的通行里程、费用和时耗；
步骤3、分配并行线程：将所有仿真车辆分配给仿真设备CPU的多个线程并行计算；
步骤4、并行线程的计算具体如下：
根据步骤2中路段和交叉口的阻抗和步骤1中车辆的偏好属性，按检索最短路方法检索车辆到达目的地所经过的路段和交叉口的阻抗总和最低的路径作为最优路径，车辆将按最优路径行驶；
根据车辆行为属性和交互属性，结合跟驰模型、换道模型决策车辆运动行为；
根据车辆运动行为，计算更新后的车辆位置、车道和速度；
步骤5、统计并行线程的负荷，负荷包括运算时间和累计仿真车辆数，并根据负荷计算并行线程均衡分配方案，调整分配给各并行线程的仿真车辆数；
步骤6、保存步骤4的车辆位置、车道和速度；
步骤7、更新路网数据、新增仿真车辆，返回步骤2；更新路网数据、新增仿真车辆具体如下：
根据步骤4的车辆位置、车道和速度，计算各路段和交叉口车辆平均通行时耗；
更新步骤1的路网数据中路段的通行费、交叉口的信号控制方案、交叉口的通行费；
根据步骤1车辆的起讫属性添加新进入路网范围的车辆，并将新进入路网范围的车辆分配给步骤5中并行线程均衡分配方案中仿真车辆数最少的并行线程。
2.根据权利要求1所述的一种多智能体交通仿真并行计算方法，其特征在于，
步骤1中路网数据与仿真的路网范围一致，路网数据在仿真过程中允许变化；
步骤1中车辆数据作为个体属性进行保存，不同车辆的数据互不干扰；如果车辆在仿真开始时就已在路网范围内，则对其进行仿真直到其到达目的地后，移除该车辆；如果车辆在仿真开始时不在仿真范围内，根据车辆进入路网时刻开始对该车辆的仿真，直到其到达目的地后，移除该车辆。
3.根据权利要求1所述的一种多智能体交通仿真并行计算方法，其特征在于，步骤2中路段和交叉口的阻抗，是指：
路段指允许车辆从起点行驶到终点的单向路段，如果A点与B点间为双向通行道路，则应当视为从起点A至终点B、从起点B至终点A两条不同单向路段，如果某单向路段不允许车辆通行，则该路段的阻抗视为正无穷；
交叉口的阻抗按车辆入口路段、出口路段的不同分别计算，如果存在禁止转向，对应方向的阻抗视为正无穷；
路段和交叉口的阻抗包括里程、费用和时耗三方面，里程为路段的物理长度或连接交叉口进出口的车辆路径长度，费用指车辆通过路段或交叉口需要缴纳的费用，时耗指车辆通过路段或交叉口需要的时间；
里程和费用从步骤1所述路网数据中获取；
初始仿真时，路段时耗根据
Figure FDA0003131127110000021
计算，其中下标r代表路段，tr为车辆经过路段r所需时间，sr为路段r里程，μr为路段r中车辆速度的均值，
Figure FDA0003131127110000022
n为路段中的车辆数，
Figure FDA0003131127110000023
为路段中第i个车辆的速度，σr为路段中车辆速度的标准差，
Figure FDA0003131127110000024
k1为路段车速均值参数，k2为路段车速标准差参数；
初始仿真时，交叉口时耗根据
Figure FDA0003131127110000025
计算，其中下标c代表交叉口，tc为车辆经过交叉口所需时间，sc为连接交叉口进出口的车辆路径长度，d为交叉口信号灯周期，g为交叉口对应行驶方向的绿灯时长，μc为交叉中对应行驶方向的车辆速度的均值，
Figure FDA0003131127110000026
m为交叉口对应行驶方向的车辆数，
Figure FDA0003131127110000027
为交叉口中第j个车辆的速度，σc为交叉中对应行驶方向的车辆速度的标准差，
Figure FDA0003131127110000028
k3为交叉口信控参数，k4为交叉口车速均值参数，k5为交叉口车速标准差参数。
4.根据权利要求3所述的一种多智能体交通仿真并行计算方法，其特征在于，仿真过程中，路段和交叉口时耗使用步骤7所述路段和交叉口车辆平均通行时耗，k1、k2、k3、k4、k5取值0.8-1.2。
5.根据权利要求1所述的一种多智能体交通仿真并行计算方法，其特征在于，步骤3具体方式为：初始仿真时，将仿真车辆按数量平均分配给所有用于仿真的CPU线程并行计算；仿真过程中，根据上一次循环中步骤5所述的并行线程均衡分配方案来分配并行线程。
6.根据权利要求1所述的一种多智能体交通仿真并行计算方法，其特征在于，步骤4中，
最优路径指将路网视为图，路段起终点视为节点，连接节点的路段或交叉口视为边，路段或交叉口的阻抗视为权；其中，权的值根据Q＝p1sq+p2fq+p3tq计算，其中Q为权值，sq为里程，fq为费用，tq为时耗，p1为里程偏好参数，p2为费用偏好参数、p3为时耗偏好参数，p1、p2、p3根据车辆数据中的车辆的偏好属性确定；根据检索最短路算法检索连接车辆起终点总权值最小的路径作为车辆最优路径，仿真中车辆将按最优路径行驶；如果根据步骤1车辆数据中车辆的交互属性允许某车辆与路网交互信息，则该车辆会在仿真过程中接收新的最优路径，调整行驶路径；否则将始终按最初的最优路径行驶。
7.根据权利要求6所述的一种多智能体交通仿真并行计算方法，其特征在于，p1、p2、p3取值0-1。
8.根据权利要求1所述的一种多智能体交通仿真并行计算方法，其特征在于，步骤5所述统计并行线程的负荷，指统计一段时间内步骤4的并行线程的运算时间和累计仿真车辆数，计算并行线程均衡分配方案；计算并行线程均衡分配方案的具体方法为：设仿真设备用于并行计算的CPU线程数为e，统计时段中第h个线程累计仿真的车辆数为ah，累计用时为th，当前剩余仿真车辆数为bh，则调整后分配给第h个线程的仿真车辆数为
Figure FDA0003131127110000031
9.一种多智能体交通仿真并行计算装置，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，其特征是，所述计算机程序被加载至处理器时实现权利要求1-8任一项所述的一种多智能体交通仿真并行计算方法。
CN202110703399.XA 2021-06-24 2021-06-24 一种多智能体交通仿真并行计算方法及装置 Active CN113515892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110703399.XA CN113515892B (zh) 2021-06-24 2021-06-24 一种多智能体交通仿真并行计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110703399.XA CN113515892B (zh) 2021-06-24 2021-06-24 一种多智能体交通仿真并行计算方法及装置

Publications (2)

Publication Number Publication Date
CN113515892A CN113515892A (zh) 2021-10-19
CN113515892B true CN113515892B (zh) 2022-12-13

Family

ID=78066213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110703399.XA Active CN113515892B (zh) 2021-06-24 2021-06-24 一种多智能体交通仿真并行计算方法及装置

Country Status (1)

Country Link
CN (1) CN113515892B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611337B (zh) * 2022-05-11 2022-09-23 深圳市城市交通规划设计研究中心股份有限公司 一种分布式交通仿真方法、装置及存储介质
CN115116231B (zh) * 2022-08-26 2023-02-03 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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652444A (zh) * 2016-11-15 2017-05-10 广州运星科技有限公司 基于车道组及交叉口车流路径的城市网络交通流仿真模型
CN108417031A (zh) * 2018-03-15 2018-08-17 浙江大学 一种基于Agent仿真的智能停车泊位预约策略优化方法
CN109670620A (zh) * 2017-10-16 2019-04-23 北京航空航天大学 一种车联网环境下出行信息服务策略与仿真验证系统
CN111754769A (zh) * 2020-05-22 2020-10-09 浙江工业大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652444A (zh) * 2016-11-15 2017-05-10 广州运星科技有限公司 基于车道组及交叉口车流路径的城市网络交通流仿真模型
CN109670620A (zh) * 2017-10-16 2019-04-23 北京航空航天大学 一种车联网环境下出行信息服务策略与仿真验证系统
CN108417031A (zh) * 2018-03-15 2018-08-17 浙江大学 一种基于Agent仿真的智能停车泊位预约策略优化方法
CN111754769A (zh) * 2020-05-22 2020-10-09 浙江工业大学 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

Also Published As

Publication number Publication date
CN113515892A (zh) 2021-10-19

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
CN113515892B (zh) 一种多智能体交通仿真并行计算方法及装置
CN110517492B (zh) 基于平行集成学习的交通路径推荐方法、系统、装置
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN108335496B (zh) 一种城市级交通信号优化方法与系统
CN107067759B (zh) 一种基于acp的平行交通信号灯实时控制方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN111739284B (zh) 基于遗传算法优化模糊控制的交通信号灯智能配时方法
CN107562983B (zh) 一种城市快速路匝道区域换道空间优化方法及装置
CN103337161A (zh) 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法
CN110634293B (zh) 一种基于模糊控制的干线交叉口控制方法
CN108171998A (zh) 一种基于电警数据的交叉口自适应交通信号控制系统及其工作方法
CN106875734A (zh) 一种推送停车路线的方法及装置
CN109543255B (zh) 一种双车道环形交叉口元胞自动机模型的构建方法
CN111369814B (zh) 一种车路协同公交车控制方法、装置及终端设备
CN115903485A (zh) 一种具有适应性的dqn模型优化方法及应用
CN115547075A (zh) 一种高速公路收费站区域交通状态管控方法及系统
CN107092988B (zh) 一种专用道公交车辆驻站时间预测方法
CN108364490A (zh) 城市公路交通系统车辆运行调控方法
CN113936475A (zh) 一种多道路资源优化的交通控制方法和系统
CN108364491A (zh) 基于车流量预测的驾驶员信息提醒方法
CN115472023B (zh) 一种基于深度强化学习的智能交通灯控制方法及装置
CN115083149B (zh) 一种实时监测的强化学习可变时长信号灯控制方法
CN107622665A (zh) 一种宏观与微观交通仿真系统交互的交通分配方法
Li et al. Variable speed limit strategies analysis with link transmission model on urban expressway

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