CN113761695A - 一种面向城市规模交通仿真的分布式加速计算方法 - Google Patents

一种面向城市规模交通仿真的分布式加速计算方法 Download PDF

Info

Publication number
CN113761695A
CN113761695A CN202111000787.8A CN202111000787A CN113761695A CN 113761695 A CN113761695 A CN 113761695A CN 202111000787 A CN202111000787 A CN 202111000787A CN 113761695 A CN113761695 A CN 113761695A
Authority
CN
China
Prior art keywords
vehicle
road
graph
traffic
time
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
CN202111000787.8A
Other languages
English (en)
Other versions
CN113761695B (zh
Inventor
朱浩嘉
王之畅
朱越
黄启越
金嘉晖
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 CN202111000787.8A priority Critical patent/CN113761695B/zh
Publication of CN113761695A publication Critical patent/CN113761695A/zh
Application granted granted Critical
Publication of CN113761695B publication Critical patent/CN113761695B/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]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向城市规模交通仿真的分布式加速计算方法。强化学习领域需要交通仿真软件为模型提供现实中不易得到的交通数据。在面对城市规模的车流量模拟与计算任务时，传统平台将所有计算任务分配给同一个核心或设备，导致单个核心或设备计算任务繁重。因此本发明公开一种方法来有效在城市规模下加速交通仿真速度。本发明首先根据真实路网数据，将大规模路网按区域切分成多个小路网，将不同区域的小路网均匀分配给分布式中不同的设备进行结算；然后使用一种半同步的仿真方式，对路网上的车流进行仿真，在加快城市规模的交通仿真速度的同时完成多个核心数据的同步。

Description

一种面向城市规模交通仿真的分布式加速计算方法
技术领域
本发明涉及交通领域并服务于人工智能中的强化学习领域，尤其在设计分布式大规模交通仿真的场景下对计算与模型训练起到加速效果，具体涉及一种面向城市规模交通仿真的分布式加速计算方法。
背景技术
智慧城市的建设是中国城市化进程的重要议题，在智慧城市的建设中对城市路网的研究则是最为重要的一环。如今强化学习等机器学习方法已经在交通等领域被广泛使用。强化学习依赖于大量数据，然而交通车流数据稀少且难以获取，往往需要交通仿真平台来生成大量数据。城市规模的仿真器具有很多衍生用途：用于估计城市的拥堵状况，从而实时地调整交通引导的策略；用于确定地区出租车的实时需求，从而更好地派遣车辆；用于实验高价限牌法律制度，增加制度可靠性。因此，需要一个能够进行大规模车流量模拟与计算的仿真平台。
然而现有的交通仿真平台难以满足需求。我们调研了主流的交通仿真平台，发现它们虽然具有车流真实，对现实还原度高等优点，但是均难以实现大规模的交通仿真。尤其在面对城市规模的车流量模拟与计算任务时，传统平台将所有计算任务分配给同一个核心或设备，导致单个核心或设备计算任务繁重。这也导致了传统平台在与强化学习等机器学习方法配合时，由于在强化学习模型训练中需要实时收到来自仿真环境的反馈，所以速度较慢的传统平台会拖慢模型训练速度。
因此，需要一种方法来有效加速交通仿真速度，尤其是在面临城市规模的交通仿真任务的情况下。这一仿真方法需要在尽可能快速地完成仿真任务的同时要保证不同核心之间数据的同步。这对利用有限的计算资源模拟仿真真实的交通情况，同时高效地与机器学习模型进行交互有着重要的作用。
发明内容
发明目的：为解决以上问题，本发明提出了减少每个核心需要结算的数据量，并缩减同步数据类型的方法。以有效减少在路径规划，速度计算等计算任务和车辆数据同步上的时间开销。
技术方案：为实现发明目的，本发明运用分布式系统将路网分配给不同设备进行并行结算，并行结算的时间开销取决于结算耗时最长的设备，因此需要均衡不通设备中路网的结算负担。同时，分布式系统中跨设备传输的代价较大，因此需要减少跨设备传输的数据量。本发明提出一种分布式加速计算方法以优化以上两个要求，其特征在于包括以下流程：
(1)建立路网到图模型的映射f。图模型可以被表示为G(V,E)，V为顶点集合，E 为点集。将路网简化为所有的十字路口Intersection和路Road，多个路段交汇的点被称为十字路口，连接两个十字路口的路段被视作一条路Road。所有的十字路口构成点集V，所有的路构成边集E。
(2)使用多层k路划分方法对图进行划分。多层k路划分的结果是使各子图的顶点权值基本相同且划分产生的边截权数最小化。此处可以让两个顶点位于不同核心的路尽可能少，同时每个核心承担的计算任务较接近。图的多层k路划分将图的顶点集划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000021
且
Figure BDA0003233334630000022
(3)通过f将分割好的图映射回路网。对于i＝1,2,3...k将点集Vi中的所有点对应的十字路口和与其相关的路网分配给同一个核心Enginei。这样可以得到k个核心，这些核心对路网进行并行仿真。
(4)为了结算一段时间内路网上运动的车流，可以将一段时间分割为多个时间片。为了计算每一辆车在一个时间片内的运行状态和地点，需要知道在上一个时间片中该车辆的运行状态，地点和周围车辆的状态。为此，我们区别对待两种不同的路。对于两个端点都归属于同一个核心的路可以进行正常结算。对于两个端点属于两个不同核心的路，在其到达的核心设置车辆生成器F，在其起始的核心设置车流缓冲区B。
(5)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}。在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间分布Distribution_t和目的地分布Distribution_d。
(6)车辆生成器F同步与之对应的车流缓冲区B中的时间分布Distribution_t和目的地分布Distribution_d。依据此分布使用蒙特卡洛方法在下一次同步前生成车辆。依据Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据Distribution_d生成车辆需要到达的目的地。然后将车辆放入车流缓冲区B所属路段运行。
进一步的，其特征在于，在步骤(1)和(3)中所述建立路网于图模型之间的映射。此映射将路网中所有的交通路口定义为图模型G(V,E)中的点。定义从一个交通路口到下一个路口的路段为一条独立的路Road。路网中所有的路视为边集E，其权重为路Road 的长度len(Road)。路网中所有的交通路口构成图模型中的点集V，任一路口的权重为以此路口为端点的路的长度总和，即对于任意一个路口Intersection，将所有以其作为顶点的路的集合称为Road{Road1,Road2...Roadi}，其路口所对应点的权重W计算公式如下：
Figure BDA0003233334630000031
进一步的，其特征在于，在步骤(2)中，选择多层k路划分方法将图G(V,E)中的点集V划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000032
且
Figure BDA0003233334630000033
其具体步骤如下：
(3.1)对图进行粗化。图的粗化主要目的是减少图的复杂性，构建图的多级层次，它用顶点收缩的方法构造了一个层次化的图的序列G1,G2,G3...Gm。其中|V1|>|V2|> |V3|...>|Vm|。最粗的图Gk的顶点数目足够小，并且保持原图的重要性质。
(3.2)对粗化后的图进行初始划分。初始划分算法是对被粗化的小规模图进行初始划分，该划分过程非常快。将Gm划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000034
且
Figure BDA0003233334630000035
(3.3)重新细化划分好的图。在细化阶段，通过遍历Gm将其划分投射到原始图Gm-1,Gm-2,Gm-3...G1上。由于顶点通过收缩获得，所以在Gn+1中可以确定Gn中所有点所隶属于的子集。同时通过启发式的方法减少割边的数量，以此逼近最优解。
此时边集中的部分边的两个顶点分别存在于两个不同子集中，将这些边称为割边edgecut。多层k路划分方法在使得edgecut数量尽可能少的同时，使得每个子集中的点的权重相加尽可能接近。这一方法使得跨越两个核心的路段更加少，同时每个核心的计算任务更加平均。
进一步的，其特征在于，在步骤(4)、(5)和(6)中所述构造缓冲区和车辆生成器方法，为了结算一段时间内路网上运动的车流，可以将一段时间分割为多个时间片。为了计算每一辆车在一个时间片内的运行状态和地点，需要获取在上一个时间片中该车辆的运行状态，地点和周围车辆的状态。在分布式系统下，由于相邻路网被存放在不通设备中，所以存在同一路段被存放在不通核心中的情况，这导致了结算每个时间片的车辆数据时需要从相邻的路网同步路网数据。而数据传输的代价较大，在对速度有严格要求的情况下不可接受。因此本发明囊括一种构造缓冲区和车辆生成器方法，该方法步骤如下：
(4.1)对于一条特定的路Road1,它同时存在于两个计算核心Engine1和Engine2中。所以在半同步方法中Engine1会构造缓冲区用于记录一段时间T内每辆车与前一辆车到达缓冲区的时间间隔t和每辆到达缓冲区的车辆的终点d。
(4.2)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}。在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间间隔分布Distribution_t和目的地分布Distribution_d。由于到达时间间隔自然情况下符合泊松分布，因此
(4.3)Engine2在Road1中构造车流生成器F，每过时间T，F会同步从Engine1 中同步分布Distribution_t和Distribution_d。在接下来的T时间中，Engine2中的F会根据以上两个分布通过门特卡罗方法生成车辆放入Engine2的Road1中继续进行结算。依据Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据Distribution_d生成车辆需要到达的目的地。然后将车辆放入车流缓冲区B所属路段运行。
附图说明
图1是半同步方法的运作方法图，其中，Engine1与Engine2分别为不同计算核心，他们管辖的路段如图中方框所示，其中蓝色为Road1，为跨越两个核心的路Road1。图中红色部分为缓冲区B，橙色为流量生成器F。
图2是分布式仿真系统与强化学习模型的流程图，其中，从左至右依次为切分地图，将切分好的地图分配给不同核心进行仿真，和控制器收集交通数据并与强化学习模型交互。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
(1)建立路网到图模型的映射f。图模型可以被表示为G(V,E)，V为顶点集合，E 为点集。将路网简化为所有的十字路口Intersection和路Road，多个路段交汇的点被称为十字路口，连接两个十字路口的路段被视作一条路Road。所有的十字路口构成点集V，所有的路构成边集E。
(2)使用多层k路划分方法对图进行划分。多层k路划分的结果是使各子图的顶点权值基本相同且划分产生的边截权数最小化。此处可以让两个顶点位于不同核心的路尽可能少，同时每个核心承担的计算任务较接近。图的多层k路划分将图的顶点集划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000041
且
Figure BDA0003233334630000042
(3)通过f将分割好的图映射回路网。对于i＝1,2,3...k将点集Vi中的所有点对应的十字路口和与其相关的路网分配给同一个核心Enginei。这样可以得到k个核心，这些核心对路网进行并行仿真。
(4)为了结算一段时间内路网上运动的车流，可以将一段时间分割为多个时间片。为了计算每一辆车在一个时间片内的运行状态和地点，需要知道在上一个时间片中该车辆的运行状态，地点和周围车辆的状态。为此，我们区别对待两种不同的路。对于两个端点都归属于同一个核心的路可以进行正常结算。对于两个端点属于两个不同核心的路，在其到达的核心设置车辆生成器F，在其起始的核心设置车流缓冲区B。
(5)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}。在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间分布Distribution_t和目的地分布Distribution_d。
(6)车辆生成器F同步与之对应的车流缓冲区B中的时间分布Distribution_t和目的地分布Distribution_d。依据此分布使用蒙特卡洛方法在下一次同步前生成车辆。依据Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据Distribution_d生成车辆需要到达的目的地。然后将车辆放入车流缓冲区B所属路段运行。
在本实施例中，其特征在于，在步骤(1)和(3)中所述建立路网于图模型之间的映射。此映射将路网中所有的交通路口定义为图模型G(V,E)中的点。定义从一个交通路口到下一个路口的路段为一条独立的路Road。路网中所有的路视为边集E，其权重为路 Road的长度len(Road)。路网中所有的交通路口构成图模型中的点集V，任一路口的权重为以此路口为端点的路的长度总和，即对于任意一个路口Intersection，将所有以其作为顶点的路的集合称为Road{Road1,Road2...Roadi}，其路口所对应点的权重W计算公式如下：
Figure BDA0003233334630000051
在本实施例中，其特征在于，在步骤(2)中，选择多层k路划分方法将图G(V,E) 中的点集V划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000052
且
Figure BDA0003233334630000053
其具体步骤如下：
(3.1)对图进行粗化。图的粗化主要目的是减少图的复杂性，构建图的多级层次，它用顶点收缩的方法构造了一个层次化的图的序列G1,G2,G3...Gm。其中|V1|>|V2|> |V3|...>|Vm|。最粗的图Gk的顶点数目足够小，并且保持原图的重要性质。
(3.2)对粗化后的图进行初始划分。初始划分算法是对被粗化的小规模图进行初始划分，该划分过程非常快。将Gm划分为k个子集V1,V2,V3...Vk。每个子集的顶点数目约为
Figure BDA0003233334630000061
且
Figure BDA0003233334630000062
(3.3)重新细化划分好的图。在细化阶段，通过遍历Gm将其划分投射到原始图Gm-1,Gm-2,Gm-3...G1上。由于顶点通过收缩获得，所以在Gn+1中可以确定Gn中所有点所隶属于的子集。同时通过启发式的方法减少割边的数量，以此逼近最优解。
此时边集中的部分边的两个顶点分别存在于两个不同子集中，将这些边称为割边edgecut。多层k路划分方法在使得edgecut数量尽可能少的同时，使得每个子集中的点的权重相加尽可能接近。这一方法使得跨越两个核心的路段更加少，同时每个核心的计算任务更加平均。
在本实施例中，其特征在于，在步骤(4)、(5)和(6)中所述构造缓冲区和车辆生成器方法，为了结算一段时间内路网上运动的车流，可以将一段时间分割为多个时间片。为了计算每一辆车在一个时间片内的运行状态和地点，需要获取在上一个时间片中该车辆的运行状态，地点和周围车辆的状态。在分布式系统下，由于相邻路网被存放在不通设备中，所以存在同一路段被存放在不通核心中的情况，这导致了结算每个时间片的车辆数据时需要从相邻的路网同步路网数据。而数据传输的代价较大，在对速度有严格要求的情况下不可接受。因此本发明囊括一种构造缓冲区和车辆生成器方法，该方法步骤如下：
(4.1)如图1所示，对于一条特定的路Road1,它同时存在于两个计算核心Engine1和Engine2中。在理想的情况下每个时间片Engine1和Engine2在计算完其管辖的路网数据后会同步Road1中的车流数据，但这样速度缓慢。所以在半同步方法中Engine1会构造缓冲区用于记录一段时间T内每辆车与前一辆车到达缓冲区的时间间隔t和每辆到达缓冲区的车辆的终点d。
(4.2)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}。在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间间隔分布Distribution_t和目的地分布Distribution_d。由于到达时间间隔自然情况下符合泊松分布，因此
(4.3)Engine2在Road1中构造车流生成器F，每过时间T，F会同步从Engine1 中同步分布Distribution_t和Distribution_d。在接下来的T时间中，Engine2中的F会根据以上两个分布通过门特卡罗方法生成车辆放入Engine2的Road1中继续进行结算。依据Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据Distribution_d生成车辆需要到达的目的地。然后将车辆放入车流缓冲区B所属路段运行。

Claims (4)

1.一种面向城市规模交通仿真的分布式加速计算方法，其特征在于，包括以下步骤：
(1)建立路网到图模型的映射f；图模型可以被表示为G(V,E)，其中，V为顶点集合，E为点集；将路网简化为所有的十字路口Intersection和路Road，其中，多个路段交汇的点被称为十字路口，连接两个十字路口的路段被视作一条路；所有的十字路口构成点集V，所有的路构成边集E；
(2)使用多层k路划分方法对图进行划分；多层k路划分的结果是使各子图的顶点权值基本相同且划分产生的边截权数最小化，此处可以让两个顶点位于不同核心的路尽可能少，同时每个核心承担的计算任务较接近，多层k路划分将图的顶点集划分为k个子集V1,V2,V3...Vk；每个子集的顶点数目为
Figure FDA0003233334620000011
且
Figure FDA0003233334620000012
(3)通过映射f将分割好的图映射回路网；对于i＝1,2,3...k，将点集Vi中的所有点对应的十字路口和与其相关的路网分配给同一个核心Enginei；这样可以得到k个核心，这些核心对路网进行并行仿真；
(4)为了结算一段时间内路网上运动的车流，将一段时间分割为多个时间片；为了计算每一辆车在一个时间片内的运行状态和地点，区别对待两种不同的路；对于两个端点都归属于同一个核心的路可以进行正常结算；对于两个端点属于两个不同核心的路，在其到达的核心设置车辆生成器F，在其起始的核心设置车流缓冲区B；
(5)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}；在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间分布Distribution_t和目的地分布Distribution_d；
(6)车辆生成器F同步与之对应的车流缓冲区B中的时间分布Distribution_t和目的地分布Distribution_d，依据此分布使用蒙特卡洛方法在下一次同步前生成车辆，依据时间分布Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据目的地分布Distribution_d生成车辆需要到达的目的地，然后将车辆放入车流缓冲区B所属路段运行。
2.根据权利要求1所述的一种面向城市规模交通仿真的分布式加速计算方法，其特征在于，在步骤(1)和(3)中建立路网与图模型之间的映射，其具体步骤如下：
将路网中所有的交通路口定义为图模型G(V,E)中的点，定义从一个交通路口到下一个路口的路段为一条独立的路Road，路网中所有的路视为边集E，其权重为路Road的长度len(Road)，路网中所有的交通路口构成图模型中的点集V，任一路口的权重为以此路口为端点的路的长度总和，即对于任意一个十字路口Intersection，将所有以其作为顶点的路的集合称为Road{Road1,Road2...Roadi}，其路口所对应点的权重W计算公式如下：
Figure FDA0003233334620000021
。
3.根据权利要求1所述的一种面向城市规模交通仿真的分布式加速计算方法，其特征在于，在步骤(2)中，选择多层k路划分方法将图G(V,E)中的点集V划分为k个子集V1,V2,V3...Vk，每个子集的顶点数目约为
Figure FDA0003233334620000022
且
Figure FDA0003233334620000023
其具体步骤如下：
(3.1)对图进行粗化；图的粗化目的是减少图的复杂性，构建图的多级层次，它用顶点收缩的方法构造了一个层次化的图的序列G1,G2,G3...Gm，其中|V1|>|V2|>|V3|...>|Vm|，最粗的图Gk的顶点数目足够小，并且保持原图的重要性质；
(3.2)对粗化后的图进行初始划分；初始划分算法是对被粗化的小规模图进行初始划分，该划分过程非常快，将Gm划分为k个子集V1,V2,V3...Vk，每个子集的顶点数目为
Figure FDA0003233334620000024
且
Figure FDA0003233334620000025
(3.3)重新细化划分好的图；在细化阶段，通过遍历Gm将其划分投射到原始图Gm-1,Gm-2,Gm-3...G1上；由于顶点通过收缩获得，所以在Gn+1中可以确定Gn中所有点所隶属于的子集，同时通过启发式的方法减少割边的数量，以此逼近最优解；
此时边集中的部分边的两个顶点分别存在于两个不同子集中，将这些边称为割边edgecut，多层k路划分方法在使得割边edgecut数量尽可能少的同时，使得每个子集中的点的权重相加尽可能接近，这一方法使得跨越两个核心的路段更加少，同时每个核心的计算任务更加平均。
4.根据权利要求3所述的一种面向城市规模交通仿真的分布式加速计算方法，其特征在于，在步骤(4)、(5)和(6)中构造缓冲区和车辆生成器方法，其具体步骤如下：
(4.1)对于一条特定的路Road1,它同时存在于两个计算核心Engine1和Engine2中，所以在半同步方法中Engine1会构造缓冲区用于记录一段时间T内每辆车与前一辆车到达缓冲区的时间间隔t和每辆到达缓冲区的车辆的终点d；
(4.2)车流缓冲区B在一段时间内收集到达缓冲区的车辆状况，形成车辆集合Vehicles{Vehicle1，Vehicle2...Vehiclen}，在一段时间t过后，对集合中的所有车辆进行统计，用极大似然法拟合其到达时间间隔分布Distribution_t和目的地分布Distribution_d；
(4.3)核心Engine2在路Road1中构造车流生成器F，每过时间T，车流生成器F会同步从核心Engine1中同步分布时间分布Distribution_t和目的地分布Distribution_d，在接下来的T时间中，核心Engine2中的车流生成器F会根据以上两个分布通过门特卡罗方法生成车辆放入核心Engine2的路Road1中继续进行结算，依据时间分布Distribution_t生成每一辆车的出发时间与上一辆车的间隔；依据目的地分布Distribution_d生成车辆需要到达的目的地，然后将车辆放入车流缓冲区B所属路段运行。
CN202111000787.8A 2021-08-27 2021-08-27 一种面向城市规模交通仿真的分布式加速计算方法 Active CN113761695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111000787.8A CN113761695B (zh) 2021-08-27 2021-08-27 一种面向城市规模交通仿真的分布式加速计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111000787.8A CN113761695B (zh) 2021-08-27 2021-08-27 一种面向城市规模交通仿真的分布式加速计算方法

Publications (2)

Publication Number Publication Date
CN113761695A true CN113761695A (zh) 2021-12-07
CN113761695B CN113761695B (zh) 2022-04-22

Family

ID=78791608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111000787.8A Active CN113761695B (zh) 2021-08-27 2021-08-27 一种面向城市规模交通仿真的分布式加速计算方法

Country Status (1)

Country Link
CN (1) CN113761695B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763776A (zh) * 2018-05-30 2018-11-06 苏州大学 一种城市快速路网时变交通状态仿真方法及装置
CN108764510A (zh) * 2018-03-26 2018-11-06 北京城建设计发展集团股份有限公司 面向大规模路网的城市轨道交通并行仿真任务分解方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764510A (zh) * 2018-03-26 2018-11-06 北京城建设计发展集团股份有限公司 面向大规模路网的城市轨道交通并行仿真任务分解方法
CN108763776A (zh) * 2018-05-30 2018-11-06 苏州大学 一种城市快速路网时变交通状态仿真方法及装置

Also Published As

Publication number Publication date
CN113761695B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN107154150B (zh) 一种基于道路聚类和双层双向lstm的交通流量预测方法
WO2022222632A1 (zh) 交通仿真方法、装置、计算机设备和存储介质
García-Nieto et al. Swarm intelligence for traffic light scheduling: Application to real urban areas
Shen et al. Detailed traffic animation for urban road networks
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及系统
Jin et al. A stochastic optimization framework for road traffic controls based on evolutionary algorithms and traffic simulation
Turek Erlang-based desynchronized urban traffic simulation for high-performance computing systems
CN106846818B (zh) 基于Simulink仿真的路网动态交通流预测方法
CN109410577A (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN108877253A (zh) 一种基于物联网的公交专用道资源动态共享方法及系统
WO2012039861A1 (en) Architecture, method, and program for generating realistic vehicular mobility patterns
CN110843870A (zh) 一种非正常事件下高铁路网图定能力保持方法
Gora A genetic algorithm approach to optimization of vehicular traffic in cities by means of configuring traffic lights
CN110517510A (zh) 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法
Chen et al. A macroscopic signal optimization model for arterials under heavy mixed traffic flows
JP3509906B2 (ja) 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
Talukder et al. Trajectory-based signal control in mixed connected vehicle environments
Fu et al. Demonstrating geosparksim: A scalable microscopic road network traffic simulator based on apache spark
Chen et al. Engineering a large-scale traffic signal control: A multi-agent reinforcement learning approach
CN113761695B (zh) 一种面向城市规模交通仿真的分布式加速计算方法
Qin et al. Cooperative control of multiple intersections combining agent and chaotic particle swarm optimization
CN105574243A (zh) 基于进入车道时间的高性能中观交通仿真方法
Lu et al. Estimating dynamic queue distribution in a signalized network through a probability generating model
Han et al. An extended cell transmission model based on digraph for urban traffic road network
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