CN117494571A - 一种基于微观仿真的复合高速互通立交优化布局方法 - Google Patents

一种基于微观仿真的复合高速互通立交优化布局方法 Download PDF

Info

Publication number
CN117494571A
CN117494571A CN202311527861.0A CN202311527861A CN117494571A CN 117494571 A CN117494571 A CN 117494571A CN 202311527861 A CN202311527861 A CN 202311527861A CN 117494571 A CN117494571 A CN 117494571A
Authority
CN
China
Prior art keywords
score
objective function
theoretical
reconstruction
indexes
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
CN202311527861.0A
Other languages
English (en)
Other versions
CN117494571B (zh
Inventor
庄稼丰
马天奕
罗丰
熊文磊
王丽园
李正军
杨晶
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.)
CCCC Second Highway Consultants Co Ltd
Original Assignee
CCCC Second Highway Consultants Co Ltd
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 CCCC Second Highway Consultants Co Ltd filed Critical CCCC Second Highway Consultants Co Ltd
Priority to CN202311527861.0A priority Critical patent/CN117494571B/zh
Publication of CN117494571A publication Critical patent/CN117494571A/zh
Application granted granted Critical
Publication of CN117494571B publication Critical patent/CN117494571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于微观仿真的复合高速互通立交优化布局方法，确定改扩建方式；确定辐射范围区段；建立SUMO微观仿真模型；确定目标函数指标的种类和基本变量，获取基本变量对应的实际的目标函数指标，构建输入输出样本库；确定各类目标函数指标的权重；构建多元线性回归模型；获取改扩建方案综合评价的分值函数；调整不同改扩建方案的基本变量，采用遗传算法求取基本变量的最优解。本发明可以为立体复合式高速公路改扩建方案比选提供科学、合理的定量评价与推优，从而有效保证立体复合式高速公路改扩建设计方案落实的安全性、经济性。

Description

一种基于微观仿真的复合高速互通立交优化布局方法
技术领域
本发明涉及高速公路改扩建技术领域，具体涉及一种基于微观仿真的复合高速互通立交优化布局方法。
背景技术
目前，由于已有多车道高速公路的路基整体拓宽改造工程无法开展，故“复合式高速公路”的概念应运而生。所谓“复合式高速公路”，是将横断面划分“基本道(层)”与“复合道(层)”并加以物理分隔，采用平面(半)整体复合式、平面(半)分离复合式或立体复合式断面，且全部控制出入的双向多车道(一般为双向八车道及以上规模)的高速公路。而其中，立体复合式断面对于解决土地资源问题有尤为有效。
当下，运用仿真手段开展立体复合式高速公路改扩建中互通立交布局的优化问题，并没有形成系统的评价与优化体系。且对于仿真软件的选择、仿真输出、目标函数的选取并未形成较好的理论体系。优化问题并不同于评价推优问题，优化问题往往转换为数学寻优问题，即需要制定合理的目标函数，在可行解集合中寻找最有可行解(对于互通设计而言，各项设计指标都在规范、标准规定的区间范围内，则该方案为一可行解)。如果运用模拟驾驶的仿真手段，对于每一可行解设计方案，都需要完整地进行方案设计、三维建模、格式转换、铺设车辆行驶轨迹逻辑层与驾驶舱驾驶仿真系列步骤，虽然该仿真能结合真实的驾驶员驾驶经验与习惯，但全流程实施极其耗费时间与资源，并不适合进行多指标下的互通布局优化的仿真。
综上所述，基于微观仿真开展立体复合式高速公路互通立交优化布局的技术方法具有可行性，本发明提出以下思路：基于SUMO仿真，综合研判，根据互通立交总体布局原则选取适当的目标函数指标，并通过仿真模型的输出获取、计算目标函数指标值，通过改变设计指标基本变量，反复仿真获取输出、计算目标函数指标值从而构建可行解样本库，通过主成分分析方法定量确定目标函数，并通过遗传算法寻找最优可行解，即最优互通设计与布局方案。
发明内容
本发明的目的在于针对现有技术存在的上述问题，提供一种基于微观仿真的复合高速互通立交优化布局方法，为立体复合式高速公路改扩建中关键的互通节点方案提供布局优化的方法论指导，先验地对设计方案展开综合优化。
本发明的上述目的通过以下技术手段实现：
一种基于微观仿真的复合高速互通立交优化布局方法，包括以下步骤：
步骤1、确定复合式高速公路互通立交的改扩建方案中的立体复合式断面的改扩建方式；
步骤2、确定不同改扩建方式下互通立交的辐射范围区段；
步骤3、建立不同的改扩建方案对应的SUMO微观仿真模型；
步骤4、确定目标函数指标的种类，确定不同改扩建方案对应的基本变量，将不同改扩建方案对应的基本变量输入到SUMO微观仿真模型，获取基本变量对应的实际的目标函数指标，并将基本变量和对应的实际的目标函数指标作为输入输出样本库中的样本；
步骤5、确定各类目标函数指标的权重；
步骤6、基于输入输出样本库构建训练集和测试集，基于训练集构建各类目标函数指标对应的多元线性回归模型；
步骤7、基于训练集中的样本，通过多元线性回归模型获取基本变量对应的理论的目标函数指标，并构建各类目标函数指标的分值函数，并获取改扩建方案综合评价的分值函数；
步骤8、调整不同改扩建方案的基本变量，获取调整后的基本变量对应的理论的目标函数指标，将调整后的基本变量作为一个可行解，将改扩建方案综合评价的分值函数F作为适应度函数，采用遗传算法求取基本变量的最优解。
如上所述步骤4中的目标函数指标包括运行速度比Fv、饱和度FV/C、冲突率FS、以及平均延误FC；基本变量包括基本道与复合道主线设计速度、转换匝道与互通匝道设计速度、节点间距、连续出入口净距、主线交通量分配、转换道交通量、以及互通节点转换交通量。
如上所述的步骤5包括以下步骤：
构建判断矩阵A：
计算判别矩阵A对应的一致性比率CR，选取一致性比率CR<0.1时的判断矩阵A，
根据判断矩阵A计算各类目标函数指标的权重ωi：
其中，aij为第i类目标函数指标相对于第j类目标函数指标的重要性，n为目标函数指标的种类数；
ω1、ω2、ω3、以及ω4分别为运行速度比Fv、饱和度FV/C、冲突率FS、以及平均延误FC的权重。
其中，aij为第i类目标函数指标相对于第j类目标函数指标的重要性，
如上所述的步骤6具体包括以下步骤：
基于以下公式构建其中一类目标函数指标的多元线性回归模型：
构建拟合目标函数ε(β)：
ε(β)＝||yβ(x1,x2,...,xp)-y||2＝(Xβ-y)T(Xβ-y)
β＝[β0 β1 ... βp]T
y＝[y1 y2 ... yN]T
yβ(x1,x2,...,xp)＝[y1β，y2β ... yNβ]T
其中，X为基本变量矩阵，β为参数向量，y为实际的目标函数指标组成的向量，yβ(x1,x2,...,xp)为理论的目标函数指标的向量，yfβ是指第f个样本的基本变量代入计算后得到的理论的目标函数指标，f＝1,2,…,N，N为样本的总数，xfz为第f样本的第z个基本变量，z＝1,2,…,p，p表征基本变量的种类个数，β0β1…βp是多元线性回归模型的参数，y1 y2 ...yN为N个样本的实际的目标函数指标，
通过最小化拟合目标函数ε(β)确定多元线性回归模型的参数β0 β1 ... βp。
如上所述的步骤7中各类目标函数指标的分值函数包括：
运行速度比的分值函数fv(Fv)：
其中，k和b为待定系数，L为设定参数，将理论的运行速度比Fv对应的理论的运行速度比评分fv替换fv(Fv)，多组理论的运行速度比Fv和对应的理论的运行速度比评分fv拟合获得待定系数k和b；
饱和度的分值函数为：
其中，b1～b5为待定系数，将理论的饱和度FV/C对应的理论的饱和度评分fV/C替换多组理论的饱和度FV/C和对应的理论的饱和度评分fV/C拟合获得待定系数b1～b5；
冲突率的分值函数fS(FS)为：
其中，c、d、以及t为待定系数，将理论的冲突率FS对应的理论的冲突率评分fS替换fS(FS)，多组理论的冲突率FS和对应的理论的冲突率评分fS拟合获得待定系数c、d、以及t；
平均延误的分值函数fC(FC)为：
fC(FC)＝g+r*logFC
其中，g和r为待定系数，将理论的平均延误FC对应的理论的平均延误评分fC替换上式中的fC(FC)，多组理论的平均延误FC和对应的理论的平均延误评分fC拟合获得待定系数g和r。
如上所述步骤7中的改扩建方案综合评价的分值函数F：
F＝ω1fv(Fv)+ω2fV/C(FV/C)+ω3fS(FS)+ω4fC(FC)。
本发明相对于现有技术，具有以下有益效果：
本发明创新地借助SUMO仿真平台，能够根据互通设计参数、交通量分配参数以及交通组织特性参数快速建模，并基于TraCI接口快速获取仿真输出的实际目标函数指标，相比较模拟驾驶等其他仿真平台，效率得到显著提高，建立输入输出样本库更加可靠、便捷。采用运行速度比Fv、饱和度FV/C、冲突率FS、平均延误FC这四项目标函数指标，能够较为全面地反映互通设计与布局方案的安全性、通达性与服务水平高低，而基于最小二乘法进行样本的过多元线性回归模型的线性回归，建立基本变量与目标函数指标的显性映射关系，可解释性较好，也为整体改扩建方案评价与基本变量间的交互关系提供了参考，从而更好地反馈、指导设计工作。
附图说明
图1为本发明实施流程图；
图2为错位新建方式的示意图；
图3为原位改建方式的示意图；
图4为设置转换匝道方式的示意图；
图5为立体复合式高速公路经典横断面布置；
图6为遗传算法寻优的原理图；
图7为改扩建方案综合评价的目标层与准则层示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实例对本发明作进一步的详细描述，此处所描述的实施示例仅用于说明和解释本发明，并非是对本发明的限制。
一种基于微观仿真的复合高速互通立交优化布局方法，具体步骤如下：
步骤1：定义3种复合式高速公路互通立交的改扩建方案中立体复合式断面的改扩建方式。根据复合式高速公路复合道与基本道的交通流转需要与交通组织特性，明确3种互通立交改扩建的设置方式为“错位新建方式”“原位改建方式”“设置转换匝道方式”。
步骤1详细步骤如下：
明确三种互通立交的改扩建方式为“错位新建方式”“原位改建方式”“设置转换匝道方式”，其中，“错位新建方式”即在基本道或复合道主线新建一个与既有互通立交错开一定距离的新的互通立交，新的互通立交可单独服务于地面层(单接)，或单独服务于立体层(单接)，或同时服务于双层(双接地面层和立体层)；“原位改建方式”，即在原有基本道互通立交的基础上，改扩建为双接立交(即实现复合道和基本道连接)，或仍为单接地面层但进行车道扩宽等规模扩容；“设置转换匝道方式”即在地面层与立体层之间设置一定纵坡度的联通道，完成地面层与立体层的交通转换。
对于立体复合式高速公路而言，复合道即立体层主线，基本道即原有地面层主线；地面层主线与立体层主线就类似于分离式路基高速公路，但立体层主线可以采用高架等其他建设形式，两者各行其道并在适当位置通过转换匝道联通。
步骤2：确定不同改扩建方式下互通立交的辐射范围区段，考虑基本道与复合道的交通流可达性，辐射范围区段的选取应当涵盖原有立体复合式高速公路可流经的所有出入口，故“错位新建方案”一般选取含有3个及以上互通式立体交叉的区段(含新建1个)作为辐射范围区段，“原位扩建方案”一般选取含有2个互通式立体交叉的区段作为辐射范围区段，“设置转换匝道方案”一般选取含有2个及以上互通式立体交叉的区段作为辐射范围区段。
步骤3：建立不同的改扩建方案对应的互通立交的SUMO微观仿真模型，SUMO微观仿真模型需要涵盖不同的改扩建方案对应的互通立交的辐射范围区段。针对不同的改扩建方案的互通立交的SUMO微观仿真模型，在步骤2的基础上，根据主线与互通立交设计细节、交通组织模式、交通流特性、交通量分配等修正SUMO微观仿真模型。
步骤3详细步骤如下：
在步骤3中，应当将立体复合式改扩建中互通立交设置的方案细节、交通组织特性等细节转换为模型参数，反馈到SUMO微观仿真模型中，具体包含：
步骤3.1、修正互通设计参数，包含基本道与复合道设计速度、转换匝道与互通匝道设计速度、基本道与复合道车道数、转换匝道与匝道车道数、主线平曲线、互通匝道平曲线、以及转换匝道纵坡等线形参数，以及互通立交单接与双接的基本属性。
步骤3.2、修正交通量分配参数。包括基本道与复合道交通量、互通立交转换交通量。
步骤3.3、修正交通组织特性参数。包括基本道与复合道交通组织模式、交通管制措施，换道模型与跟驰模型等。
步骤4、确定目标函数指标的种类，确定不同改扩建方案对应的基本变量，将不同改扩建方案对应的基本变量输入到SUMO微观仿真模型，获取基本变量对应的实际的目标函数指标，并将基本变量和对应的实际的目标函数指标作为输入输出样本库中的样本；
步骤4.1、选取表征交通流通行能力与运行安全的目标函数指标为：运行速度比Fv、饱和度FV/C、冲突率FS、平均延误FC。其中，运行速度比Fv反应交通流运行效率，为实际交通流运行速度与设计速度的比值；饱和度FV/C表征道路服务水平，为实际交通流量与道路通行能力的比值；冲突率FS表征交通流的混乱程度与安全水平，为交通冲突量与交通量的比值；平均延误FC表征道路实际通行能力，指交通流受到干扰或交通控制设施阻碍等所损失的时间。
步骤4.2、选取互通立交布局关键参数，包括基本道与复合道主线设计速度、转换匝道与互通匝道设计速度、节点间距、连续出入口净距、主线交通量分配、转换道交通量、互通节点转换交通量等作为基本变量，并按照相关规范、标准给定基本变量的合理取值范围。
步骤4.3、在各项设计指标满足规定取值范围约束的前提下(对于作为输入的基本变量，有行业规范规定的取值范围区间)，反复修改基本变量的值，并逐一将基本变量输入SUMO微观仿真模型，进行SUMO微观仿真模型的仿真获取目标函数指标的值，并作为实际的目标函数的组成要素，即作为实际的目标函数指标，构建输入输出样本库，根据基本变量和SUMO仿真获得的对应的实际的目标函数指标作为输入输出样本库中的样本。
步骤5、采取专家评分法确定四项目标函数指标的权重，按照层次分析法，构建评价模型的目标层为“立体复合式高速公路互通布局设计评分”，准则层包含“运行速度比Fv”“饱和度FV/C”“冲突率FS”“平均延误FC”四个目标函数指标。则专家调查表可设计为：
表4目标函数指标权重——专家调查表
aij Fv FV/C FS FC
运行速度比Fv 1
饱和度FV/C 1
冲突率FS 1
平均延误FC 1
综合各位专家的客观评价，形成统一的打分意见，得到判断矩阵A(阶数n＝4，对应目标函数指标的种类数)如下：
进行一致性检验，其中，一致性指标CI越接近于0则判断矩阵的一致性越好：
一致性比率
其中，RI为待查找的随机一致性指标，对应阶数n有不同的固定取值，如3阶随机一致性指标RI取0.52，4阶随机一致性指标RI取0.89,5阶随机一致性指标RI取1.12等，λmax为判别矩阵A对应特征向量的最大特征根。
当一致性比率CR<0.1时，可以认为判断矩阵A的一致性可以接受，否则需要对判断矩阵进行重新修正。
根据判断矩阵A可计算四类目标函数指标的权重ωi：
aij为第i类目标函数指标相对于第j类目标函数指标的重要性，
故最终确定“运行速度比Fv”“饱和度FV/C”“冲突率FS”“平均延误FC”四个目标函数指标的权重ω1、ω2、ω3、ω4，各权重根据路段特性做适应性调整。
步骤6、基于输入输出样本库构建训练集测试集，基于训练集构建各类目标函数指标对应的多元线性回归模型；
基于最小二乘法对输入输出样本库中的样本进行多元线性回归，考察映射性能与泛化误差，综合确定各个目标函数指标对应的多元线性回归模型。
在前述样本库中的样本的基础上，将输入输出样本库中的各个样本划分为训练集(75％)样本与测试集(25％)样本，对训练集采取多元线性回归模型进行拟合：
yβ(x1,x2,...,xp)＝β0+β1x1+β2x2+…+βpxp
其中yβ(x1,x2,...,xp)表示因变量，x1、x2、...、xp表示自变量，β0、β1、...、βp表示多元线性回归模型的参数。
基于最小二乘法，取误差函数ε为目标函数，其基本形式为：
上式表示第i组基本变量(xi1,xi2,...,xip)对应的理论值yβ(xi1,xi2,...,xip)与实际值yi之差。
通过矩阵法求解使得目标函数最小时的模型参数矩阵：
yβ(x1,x2,...,xp)＝Xβ
基本变量矩阵
即对于训练集中的N个样本有，构建其中一类目标函数指标的多元线性回归模型：
yfβ是指第f个样本的基本变量代入计算后得到的理论的目标函数指标(因变量，其中一个种类的目标函数指标对应的理论的目标函数指标)，f＝1,2,…,N，N是训练集中样本的个数，p表征基本变量的种类个数，此处是对四个目标函数指标分别作最小二乘拟合，得到“目标函数指标-基本变量”之间的回归关系，也就是说需要进行四次最小二乘拟合。xfz为第f样本的第z个基本变量，z＝1,2,…,p。
其中，yβ(x1,x2,...,xp)＝[y1β，y2β…yNβ]T是根据样本中的基本变量拟合的理论的目标函数指标的向量，β＝[β0 β1 … βp]T是多元线性回归模型的参数向量，y＝[y1 y2 …yN]T为N个样本的实际的目标函数指标组成的向量。
则定义拟合目标函数ε(β)具体形式为：
ε(β)＝||yβ(x1,x2,...,xp)-y||2＝(Xβ-y)T(Xβ-y)
并通过最小化拟合目标函数ε(β)确定多元线性回归模型的参数，获取目标函数指标对应的多元线性回归模型的参数β0、β1、...、βp，通过矩阵运算可知，达到minε(β)时，应满足下式：
故求得参数向量β＝[β0β1…βp]T为：
β＝(XTX)-1XTy
并对多元线性回归模型展开评估，针对测试集，计算理论的目标函数指标与实际的目标函数指标之间的平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)等指标考察模型泛化能力。综合考虑模型误差与泛化误差，在必要时可适当增加或筛减样本数。
按照以上步骤分别拟合四个目标函数指标的多元线性回归模型。
由最小二乘法获得的各个目标函数指标对应的多元线性回归模型(四个)旨在通过已有的仿真样本作回归，解释目标函数指标与基本变量之间的定量关系，但是目标函数指标的取值并没有与“定量评价”挂钩，所以此处采用专家评分法，将目标函数指标转化为评价分值。在输入输出样本库完成各个目标函数指标对应的多元线性回归模型的回归后，就可以脱离繁琐的反复仿真环节，转而面上修改基本变量的值并通过各个目标函数指标对应的多元线性回归模型得到理论的目标函数指标，然后用专家调查法拟合的分值函数计算得到该理论的目标函数指标的单项评分。
步骤7、基于训练集中的样本，通过多元线性回归模型获取基本变量对应的理论的目标函数指标，并构建各类目标函数指标的分值函数；
考虑目标函数对互通立交布局方案的评价与优化目的，分别对四类理论的目标函数指标展开定量评价。设fv为表征运行速度比的分值函数；fV/C表征饱和度的分值函数；fS表征冲突率的分值函数；fC表征平均延误的分值函数，四者取值范围为[0,100]。
改扩建方案对应有基本变量和对应的目标函数指标，修改基本变量的值后，通过各个种类的目标函数指标对应的多元线性回归模型得到理论的目标函数指标，采用专家评分法，对互通立交的改扩建方案的四个理论的目标函数指标展开评分：
表5目标函数指标值评分——专家调查表
对一定数量的领域专家对理论目标函数指标进行评分，获得改扩建方案的各个理论的目标函数指标的目标函数指标评分，将每个专家的各个理论的目标函数指标和对应的评分作为评分样本，经过样本数据清洗与筛选后，采用各个专家的理论的目标函数指标的评分的均值作为理论的目标函数指标对应的综合评分，并根据理论的目标函数指标和对应综合评分进行对应的分值函数拟合，得到理论的目标函数指标对应的分值函数。
根据已有实施案例，理论的运行速度比评分fv具有S形增长的特征，在低自变量区间内评分很低且增长趋势极缓，一般可采用Logistic函数模型拟合，运行速度比的分值函数fv(Fv)为：
(L可取为100)
其中，k、b为待定系数，L为设定参数，可根据具体评分结果拟合得到，将理论的运行速度比Fv对应的理论的运行速度比评分fv替换上式中的fv(Fv)，多组理论的运行速度比Fv和对应的理论的运行速度比评分fv拟合获得待定系数k、b。
而理论的饱和度的评分fV/C具有明显的阶梯状分布特征，基本按照公路服务水平分级呈阶梯状递减趋势，可采用分段线性函数模型拟合，饱和度的分值函数为：
其中，b1～b5为根据评分结果拟合得到的待定系数。注意分段函数的区间应根据评分结果综合调整，将理论的饱和度FV/C对应的理论的饱和度评分fV/C替换上式中的多组理论的饱和度FV/C和对应的理论的饱和度评分fV/C拟合获得待定系数b1～b5。
理论的冲突率评分fS则具有明显的指数衰减的趋势，可采用指数函数模型拟合，冲突率的分值函数fS(FS)为：
其中，c、d、t都是根据评分结果拟合分值函数模型得到的待定系数，将理论的冲突率FS对应的理论的冲突率评分fS替换上式中的fS(FS)，多组理论的冲突率FS和对应的理论的冲突率评分fS拟合获得待定系数c、d、t。
理论的平均延误评分fC呈现较为和缓的对数衰减趋势，可采用对数函数模型拟合，平均延误的分值函数fC(FC)为：
fC(FC)＝g+r*logFC
其中，g、r都是根据评分结果拟合分值函数模型得到的待定系数，将理论的平均延误FC对应的理论的平均延误评分fC替换上式中的fC(FC)，多组理论的平均延误FC和对应的理论的平均延误评分fC拟合获得待定系数g、r。
最终将四个指标的理论函数模型整合，按照步骤4中得到的权重可得：
F＝ω1fv(Fv)+ω2fV/C(FV/C)+ω3fS(FS)+ω4fC(FC)
其中，F是对改扩建方案综合评价的分值函数，最终反应复合式互通式立交改扩建方案的合理性。
步骤8、调整不同改扩建方案的基本变量，获取调整后的基本变量对应的理论的目标函数指标，采用遗传算法对可行解空间(每组基本变量构成一个可行解，多个可行解扣成可行解空间)进行全局搜索，将调整后的基本变量作为一个可行解，将改扩建方案综合评价的分值函数F作为适应度函数，求取基本变量的最优解
运用遗传算法寻找最优可行解，将改扩建方案综合评价的分值函数F作为适应度函数，先初始化一组种群，种群大小为500，种群中每一个体都表征了一个可行解；按照适应度值大小对每一代种群进行选择、交叉、变异算子操作，其中选择算子按照经典轮盘赌选择法设计，交叉算子按二进制字符串间多点交叉设计，交叉概率定为70％，变异概率取为3％；设置终止迭代数为100，在迭代收敛或达到最大迭代次数后，提取种群中具有最优适应度的个体。设置不同的初始种群，适当增大交叉概率与变异概率，多次、重复执行遗传算法寻优过程，防止算法陷入局部最优解。
步骤9、人工校核。对基本变量的最优解进行并行人工检验，并校核对应的改扩建方案的可行性、安全性与经济性。
结合专家经验，以方案可行性、安全性与经济性的优势校核为主，综合检验优化结果的合理性。
需要指出的是，本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，包括以下步骤：
步骤1、确定复合式高速公路互通立交的改扩建方案中的立体复合式断面的改扩建方式；
步骤2、确定不同改扩建方式下互通立交的辐射范围区段；
步骤3、建立不同的改扩建方案对应的SUMO微观仿真模型；
步骤4、确定目标函数指标的种类，确定不同改扩建方案对应的基本变量，将不同改扩建方案对应的基本变量输入到SUMO微观仿真模型，获取基本变量对应的实际的目标函数指标，并将基本变量和对应的实际的目标函数指标作为输入输出样本库中的样本；
步骤5、确定各类目标函数指标的权重；
步骤6、基于输入输出样本库构建训练集和测试集，基于训练集构建各类目标函数指标对应的多元线性回归模型；
步骤7、基于训练集中的样本，通过多元线性回归模型获取基本变量对应的理论的目标函数指标，并构建各类目标函数指标的分值函数，并获取改扩建方案综合评价的分值函数；
步骤8、调整不同改扩建方案的基本变量，获取调整后的基本变量对应的理论的目标函数指标，将调整后的基本变量作为一个可行解，将改扩建方案综合评价的分值函数f作为适应度函数，采用遗传算法求取基本变量的最优解。
2.根据权利要求1所述一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，所述步骤4中的目标函数指标包括运行速度比Fv、饱和度FV/C、冲突率FS、以及平均延误FC；基本变量包括基本道与复合道主线设计速度、转换匝道与互通匝道设计速度、节点间距、连续出入口净距、主线交通量分配、转换道交通量、以及互通节点转换交通量。
3.根据权利要求2所述一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，所述的步骤5包括以下步骤：
构建判断矩阵A：
计算判别矩阵A对应的一致性比率CR，选取一致性比率CR<0.1时的判断矩阵A，
根据判断矩阵A计算各类目标函数指标的权重ωi：
其中，aij为第i类目标函数指标相对于第j类目标函数指标的重要性，n为目标函数指标的种类数；
ω1、ω2、ω3、以及ω4分别为运行速度比Fv、饱和度FV/C、冲突率FS、以及平均延误FC的权重。
其中，aij为第i类目标函数指标相对于第j类目标函数指标的重要性。
4.根据权利要求3所述一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，所述的步骤6具体包括以下步骤：
基于以下公式构建其中一类目标函数指标的多元线性回归模型：
构建拟合目标函数ε(β)：
ε(β)＝||yβ(x1,x2,...,xp)-y||2＝(Xβ-y)T(Xβ-y)
β＝[β0 β1 … βp]T
y＝[y1 y2 … yN]T
yβ(x1,x2,...,xp)＝[y1β，y2β…yNβ]T
其中，X为基本变量矩阵，β为参数向量，y为实际的目标函数指标组成的向量，yβ(x1,x2,...,xp)为理论的目标函数指标的向量，yfβ是指第f个样本的基本变量代入计算后得到的理论的目标函数指标，f＝1,2,…,N，N为样本的总数，xfz为第f样本的第z个基本变量，z＝1,2,…,p，p表征基本变量的种类个数，β0 β1 … βp是多元线性回归模型的参数，y1 y2 …yN为N个样本的实际的目标函数指标，
通过最小化拟合目标函数ε(β)确定多元线性回归模型的参数β0 β1 … βp。
5.根据权利要求4所述一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，所述的步骤7中各类目标函数指标的分值函数包括：
运行速度比的分值函数fv(Fv)：
其中，k和b为待定系数，L为设定参数，将理论的运行速度比Fv对应的理论的运行速度比评分fv替换fv(Fv)，多组理论的运行速度比Fv和对应的理论的运行速度比评分fv拟合获得待定系数k和b；
饱和度的分值函数为：
其中，b1～b5为待定系数，将理论的饱和度FV/C对应的理论的饱和度评分fV/C替换多组理论的饱和度FV/C和对应的理论的饱和度评分fV/C拟合获得待定系数b1～b5；
冲突率的分值函数fS(FS)为：
其中，c、d、以及t为待定系数，将理论的冲突率FS对应的理论的冲突率评分fS替换fS(FS)，多组理论的冲突率FS和对应的理论的冲突率评分fS拟合获得待定系数c、d、以及t；
平均延误的分值函数fC(FC)为：
fC(FC)＝g+r*logFC
其中，g和r为待定系数，将理论的平均延误FC对应的理论的平均延误评分fC替换上式中的fC(FC)，多组理论的平均延误FC和对应的理论的平均延误评分fC拟合获得待定系数g和r。
6.根据权利要求5所述一种基于微观仿真的复合高速互通立交优化布局方法，其特征在于，所述步骤7中的改扩建方案综合评价的分值函数F：
F＝ω1fv(Fv)+ω2fV/C(FV/C)+ω3fS(FS)+ω4fC(FC)。
CN202311527861.0A 2023-11-16 2023-11-16 一种基于微观仿真的复合高速互通立交优化布局方法 Active CN117494571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311527861.0A CN117494571B (zh) 2023-11-16 2023-11-16 一种基于微观仿真的复合高速互通立交优化布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311527861.0A CN117494571B (zh) 2023-11-16 2023-11-16 一种基于微观仿真的复合高速互通立交优化布局方法

Publications (2)

Publication Number Publication Date
CN117494571A true CN117494571A (zh) 2024-02-02
CN117494571B CN117494571B (zh) 2024-07-19

Family

ID=89681120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311527861.0A Active CN117494571B (zh) 2023-11-16 2023-11-16 一种基于微观仿真的复合高速互通立交优化布局方法

Country Status (1)

Country Link
CN (1) CN117494571B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109098056A (zh) * 2018-09-18 2018-12-28 中国路桥工程有限责任公司 一种高智能化互通立交系统及设计方法
CN116228008A (zh) * 2023-02-23 2023-06-06 东南大学 一种高速公路互通立交间距设置方案的评价方法
US20230267829A1 (en) * 2022-02-23 2023-08-24 Southeast University Multi-objective optimization control method and system for cooperative ramp merging of connected vehicles on highway

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109098056A (zh) * 2018-09-18 2018-12-28 中国路桥工程有限责任公司 一种高智能化互通立交系统及设计方法
US20230267829A1 (en) * 2022-02-23 2023-08-24 Southeast University Multi-objective optimization control method and system for cooperative ramp merging of connected vehicles on highway
CN116228008A (zh) * 2023-02-23 2023-06-06 东南大学 一种高速公路互通立交间距设置方案的评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨春风;苗大萍;靳灿章;: "城市化下的高速公路改扩建分析", 铁道科学与工程学报, no. 01, 15 January 2017 (2017-01-15) *
王明刚;孙家驷;: "浅谈立交改扩建方案设计", 西部交通科技, no. 01, 30 January 2009 (2009-01-30) *

Also Published As

Publication number Publication date
CN117494571B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN110458181A (zh) 一种基于宽度随机森林的句法依存模型、训练方法和分析方法
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN112327903B (zh) 一种基于深度混合密度网络的航空器轨迹生成方法
CN110046408A (zh) 基于bp神经网络微分与区间分析的区间不确定性优化方法
CN104656620A (zh) 重型机床再制造综合评价系统
CN110929958A (zh) 基于深度学习参数优化的短时交通流量预测方法
CN113808396A (zh) 基于交通流量数据融合的交通速度预测方法和系统
Wang et al. Large-scale multimodal transportation network models and algorithms-Part II: Network capacity and network design problem
CN113326919A (zh) 一种基于计算图的交通出行方式选择预测方法
CN106599610A (zh) 预测长链非编码rna和蛋白质联系的方法及系统
Ren et al. A measure of identifying influential waypoints in air route networks
CN114611759A (zh) 一种公路大中修沥青路面养护方案的优化方法
CN114444922A (zh) 一种群体智能控制下的混合交通效能评估方法
CN117494571B (zh) 一种基于微观仿真的复合高速互通立交优化布局方法
CN113868765A (zh) 基于近似模型的船舶主尺度参数优化方法
Jing et al. Optimal design method of public transit network considering transfer efficiency
Shi et al. A dynamic novel approach for bid/no-bid decision-making
CN110502844A (zh) 一种轨道交通车辆噪声数字样机的优化设计方法
CN116956740A (zh) 面向平面桁架结构的用户偏好模型构建方法、系统、应用
CN111639837A (zh) 路网服役性能评价方法、装置、存储介质及终端
CN116187851A (zh) 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法
CN102663562A (zh) 一种基于克隆选择算法的土地资源评价因子级别划分方法
CN116205120A (zh) 一种基于深度学习组合模型的航班运行网络延误预测方法
Kroo Aeronautical applications of evolutionary design

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