CN103116608A - 一种快速路交通流再现的方法 - Google Patents

Abstract

本发明涉及一种快速路交通流再现的方法，其特征在于，包括：a.获取待仿真路段在一时间段内的交通数据；b.根据基于所述所述交通数据的一车辆产生模型来将车辆分布到所述待仿真路段上；c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型再现车辆在所述待仿真路段的运动数据。

Description

一种快速路交通流再现的方法

技术领域

本发明涉及一种智能交通仿真与再现领域。

背景技术

为了能够更加真实地反映交通的状况，以及根据实时的交通数据准确地预测出未来的交通拥挤问题，现在不少国外的商业微观交通仿真软件(如Paramics等)开始尝试采用实时采集的交通数据为基础，进行在线仿真方面的实践，更加及时地为管理部门提供决策的数据。国内在这方面也开展了动态交通分配的研究(如DynaCHINA)，基于实时数据预测未来短时的交通状况，作为动态交通诱导的依据。提供准确的实时信息和短时交通流预测是智能交通***的基础，因而吸引了众多研究人员投身到交通流预测研究中。与此同时，对交通再现则鲜有研究。

现有技术仍然存在如下问题：已有的交通再现方法多从宏观角度来研究交通流的流、速、密关系，关注的是平均速度、密度、流量等集合参数，在模拟交通流的动态特性及描述周围车辆与交通环境的相互关系方面显得不足。微观交通仿真模型以各个车辆个体在路网空间上的运动为求解目标，模拟交通流的动态特性及驾驶员对路径指引的反应。因此，为真实再现交通流时空变化，需要基于微观仿真来研究交通再现方法。运用微观交通仿真***，能够在单个车辆级别上模拟人-车-路的相互作用，再现交通流的真实状态，描述各种交通控制策略的实施过程。

本发明针对城市快速路的特点，提出了一种基于微观仿真的交通状态再现方法。本方法以采集到的交通流统计数据为基础，选择带约束的卡尔曼滤波法计算出入口之间OD矩阵，采用负指数分布模型实现路网车辆的初始分布，根据基于数据库的车辆产生模型更新车辆，通过微观交通仿真的方法，真实再现城市快速路任意时刻的交通状态，以及重现车辆的运动轨迹。

发明内容

针对现有技术中的技术缺陷，本发明提供一种快速路交通流再现的方法，其特征在于，包括：a.获取待仿真路段在一时间段内的交通数据；b.根据基于所述所述交通数据的一车辆产生模型来将车辆分布到所述待仿真路段上；c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型再现车辆在所述待仿真路段的运动数据。

优选地，所述交通数据由分布在待仿真路段的线圈获取并储存于数据库中。

优选地，所述交通数据由分布在待仿真路段的摄像头获取并储存于数据库中。

优选地，所述交通数据包括以下的一个或多个：车辆类型；车辆平均速度；车头时距；流入交通量；以及流出交通量。

优选地，所述车辆产生模型的计算包括以下的一个或多个：计算随机车型；计算随机车速；计算随机车道；以及计算初始状态车辆的随机分布。

优选地，所述初始状态车辆的随机分布根据负指数车头时距分布模型计算，公式如下所示：

$f\left(t\right)=\frac{1}{T}{e}^{-t/T}$

其中．f(t)表示车头时距的分布，参数T可由观测样本均值估计，由如下公式计算：

$T=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i$

其中，t₁，t₂...t_n为采集点在不同时刻采集到此路段的车头时距，n为采集的次数。

优选地，所述OD矩阵是根据约束卡尔曼滤波公式计算的，所述约束卡尔曼滤波公式还包括一扰动矩阵。

优选地，所述扰动矩阵由白噪声产生。

优选地，所述车辆行驶行为模型包括以下的一种或多种：换道模型；或者跟驰模型。

本发明以线圈采集到的交通流统计数据为基础，通过带约束的卡尔曼滤波法计算出入口之间OD矩阵，采用负指数分布模型实现路网车辆的初始分布，根据基于数据库的车辆产生模型更新车辆，通过微观交通仿真的方法，真实再现城市快速路任意时刻的交通状态，以及重现车辆的运动轨迹。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种快速路交通流再现的流程图：

图2示出根据本发明的第二实施例的，车辆产生模型的计算流程图；

图3示出根据本发明的第三实施例的，强制换道模型的示意图；

图4示出根据本发明的第四实施例的，选择换道模型的示意图；以及

图5示出根据本发明的第五实施例的，跟驰模型的示意图。

具体实施方式

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种快速路交通流的流程图。具体地，本图示出了四个步骤，首先是步骤S101，获取待仿真路段在一时间段内的交通数据，具体地，该交通数据为历史交通数据。待仿真路段的历史交通数据优选地，通过设置在待仿真路段的线圈采集获得。优选地，所述线圈设置于待仿真路段的出入口处，采集后储存至一数据库内。优选地，线圈采集经过该线圈的交通量。或者，所述交通数据由一设置在待仿真路段的摄像装置采集获得。该摄像装置优选地设置于待仿真路段的出入口处，采集交通数据后储存至一数据库内。摄像装置采集经过该摄像装置的交通量，以及车辆类型。进一步地，线圈以及摄像装置采集的交通数据还可以包括平均车速，其实现方式如现有路段上的测速装置类似，在此不予赘述。之后为步骤S102，根据基于所述所述交通数据的一车辆产生模型来将车辆初始分布到所述待仿真路段上。具体地，车辆产生模型的计算包括五个步骤，在图2中具体示出。之后执行步骤S103，根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量。OD矩阵是交通工程中一项重要的参数，在交通规划、交通管理以及交通控制中起着重要的作用，在过去的30年中，国内外学者运用许多方法从路段交通流数据推导交通流的OD矩阵，常用的方法有广义最小二乘法，熵极大值法，极大似然估计算法，贝叶斯理论方法以及卡尔曼滤波估计方法等。最小二乘法远离简单；熵极大值法、极大似然估计方法以及贝叶斯方法需要数据量较大，实时性不强，难以跟踪交通流OD矩阵的不断变化，不能满***通控制的需要；卡尔曼滤波方法源于现代控制理论，比较适合于高速公路OD矩阵的实时估计，但是常规的卡尔曼滤波无法考虑约束条件的作用因此，本实施例通过考虑约束条件的约束卡尔曼滤波方法来计算待仿真路段的OD矩阵

假设快速路路分别有m和n个上、下匝道(主入口和主出口也被视为特殊的匝道)。根据前面假设，不考虑交通流的滞后性，则该***在某时段k存在如下关系：

y_ij(k)=r_i(k)a_ij(k)

式中：y_ij(k)为从i进口匝道进入，选择j出口匝道驶出的交通量；r_i(k)为从i进口匝道进入的交通量；a_ij(k)为从i进口匝道进入的交通量选择j出口匝道离开的比例，即匝道选择率。假设r_i(i=1,2,3,4,5,6)

$\left(\begin{array}{c}{y}_1\\ y_2\\ y_3\\ y_4\\ y_5\\ y_6\\ y_7\end{array}\right)={\left(\begin{array}{cccccc}{a}_{11}& 0& 0& 0& 0& 0\\ a_{21}& a_{22}& 0& 0& 0& 0\\ a_{31}& a_{32}& 0& 0& 0& 0\\ a_{41}& a_{42}& a_{43}& a_{44}& 0& 0\\ a_{51}& a_{52}& a_{53}& a_{54}& a_{55}& 0\\ a_{61}& a_{62}& a_{63}& a_{64}& a_{65}& a_{66}\\ a_{71}& a_{72}& a_{73}& a_{74}& a_{75}& a_{76}\end{array}\right)}_{7\×6}\left(\begin{array}{c}{r}_1\\ r_2\\ r_3\\ r_4\\ r_5\\ r_6\end{array}\right)+\left(\begin{array}{c}{\mathrm{\ϵ}}_1\\ {\mathrm{\ϵ}}_2\\ {\mathrm{\ϵ}}_3\\ {\mathrm{\ϵ}}_4\\ {\mathrm{\ϵ}}_5\\ {\mathrm{\ϵ}}_6\\ {\mathrm{\ϵ}}_7\end{array}\right)$

表示进口，y_i(i=1,2,3,4,5,6,7)表示出口。

由路况信息，可以得到下面的方程:

考虑交通的实时性，得到如下的约束：

约束方程为：

其中a_ij表示车辆从第j个入口进入从第i各出口出去的概率。据此，就建立起线性快速路匝道流入、流出交通量的基础关系。所研究的问题是假定上下匝道的交通量可以通过采集点获得，如何根据检测到的流入交通量r(k)、流出交通量y(k)来反推OD关系，即匝道选择率A(k)，下面我们给出运用卡尔曼滤波来求解此问题。

将上述方程转化为下面的形式：

我们将它记为：Y=Ra+E，其中E为一扰动矩阵，在下面的计算中作为白噪声产生的扰动矩阵处理。这样我们就得到了原问题的空

${\left(\begin{array}{cccccccc}{r}_1& 0& 0& 0& ...& 0& 0& 0\\ 0& r_1& r_2& 0& ...& 0& 0& 0\\ ...& ...& ...& ...& ...& ...& ...& ...\\ 0& ...& r_1& r_2& r_3& r_4& r_5& r_6\end{array}\right)}_{7\×26}{\left(\begin{array}{c}{a}_{11}\\ a_{21}\\ a_{22}\\ ...\\ a_{76}\end{array}\right)}_{26\×1}+\left(\begin{array}{c}{\mathrm{\ϵ}}_1\\ {\mathrm{\ϵ}}_2\\ {\mathrm{\ϵ}}_3\\ {\mathrm{\ϵ}}_4\\ {\mathrm{\ϵ}}_5\\ {\mathrm{\ϵ}}_6\\ {\mathrm{\ϵ}}_7\end{array}\right)=\left(\begin{array}{c}{y}_1\\ y_2\\ y_3\\ y_4\\ y_5\\ y_6\\ y_7\end{array}\right)$

间状态方程，状态方程反映时变***内部状态变量随当前状态、控制输入以及***噪声变化而变化的关系。由于影响高速公路OD矩阵变化的因素多，且复杂，同时这些因素又耦合在一起，要理清其中的关系非常困难，甚至是不可能的，因此可以进行合理的简化，使得问题清晰易解，同时又不失真实性。首先，假定***噪声是均值为0的白噪声序列，且噪声驱动矩阵为单位阵。事实上这也能在很大程度上反映到达率矩阵的随机波动情况。其次，由于对OD系数的影响因素很多，耦合关系又复杂，很难找出明确的影响因素，故而可假定***无控制输入，将控制输入隐含到***噪音中去，对于***的状态转移矩阵同样难以解析确定，但是可以认为，在研究时段不是很长的情况下，两个相邻时段的到达率矩阵变化是很小的，基本上可以认为是不变的，因此，可以假定状态转移矩阵也是单位阵。

于是我们有迭代公式即滤波公式：

P_k+1,k=P_k+R_1,k

$K_{k+1}=P_{k+1,k}{R}_{k+1}^T(R_{k+1}{P}_{k+1,k}^T{R}_{k+1}+R_{2,k+1})$

Y_k+1,k=Y_k+1-R_k+1a_k

$a_{k+1}=a_k+K_{k+1}^T(Y_{k+1,k}-R_{k+1})a_k$

$P_{k+1}=\left[(I-K_{k+1})R_{k+1}^T\right]P_{k+1,k}$

计算顺序为 $P_{k+1,k}\⇒K_{k+1}\⇒P_{k+1}\⇒a_{k+1}.$ 其中P_k+1,k为利用上一状态预测的结果a_k+1的协方差，P_k为上一状态最优结果a_k的协方差，P_k+1为最优估算值a_k+1的协方差，K_k+1为卡尔曼增益，R_k+1为测量***的参数（即上述的R矩阵），R_1,k,R_2,k+1为扰动矩阵。此处利用经典卡尔曼滤波算法，不予赘述。R_1,k和R_2,k为白噪声产生的扰动矩阵。根据约束的卡尔曼滤波公式计算出匝道选择率后进一步计算出OD矩阵，也就是对所有的出入口，从i进口匝道进入，选择j出口匝道驶出的交通量。

最后执行步骤S104，根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型再现车辆在所述待仿真路段的运动数据。车辆换道模型与车辆跟驰模型共同构成了车辆行驶行为模型，用于描述仿真中的人-车单元的行为，是多车道微观仿真模型中的一个重要的动态模型。由于换道牵涉到车辆周围车辆的车速、间隙等环境参数，所以车辆的换道行为比车辆的跟驰行为更加复杂，而难以用数学方法描述。换道是驾驶员根据自身特点以及周围环境信息的刺激而调整和完成驾驶策略的综合过程，一般可分为信息判断和操作执行两个过程。

车辆驶入或驶出交织区、匝道以及车辆的超车都必须进行换道，而驾驶员在不满自己的速度受到前车的限制时也会进行换道。在不同情况下的换道行为在驾驶行为上是有很大区别的，需要采用不同的换道模型进行描述。根据换道行为是否是必须的，可将换道划分为判断性换道和强制区域换道。车辆的换道模型相对于跟驰模型的发展比较滞后，直到1985年美国出于微观交通仿真研究的需要，采用航测手段建立了微观交通车辆运动信息数据库后，换道模型才有了长足的发展。早期的换道行为研究有Gipps模型、NETSIM模型和FRESIM模型，后来又有了SITRAS等模型。没有固定目标车道的换道行为都属于判断性换道。在判断性换道模型中，换道需要经历三个阶段：先根据驾驶员的换道意愿判断是否有换车道的需求；再根据车辆之间空档和速度关系进行评价是否满足换道条件；最后在满足换道条件以后进行换道处理或不满足则车辆继续按原来的行驶状态行驶。下面从需求产生、间隙检测和换道执行三个方面介绍判断性换道模型。

目前换道需求的产生主要有两种算法：PLC法和综合评价法。PLC（probability of lane changing）是换道概率的概念，这种方法是使用简单的驾驶员满意状态统计数据作为产生换道需求的条件。

在产生了换道需求以后，能不能进行换道就需要进行间隙检测。车辆换道会引起车辆跟驰状态的变化，所以间隙检测需要和跟驰模型结合在一起。INTRAS和WEAVSIM的模型都使用了这样的方法：判断主车能否安全跟驰目标车道的前车和目标车道的后车能否跟车主车。安全间隙若满足则接受换道请求。

执行换道一般有两种方式：一种是进行换道轨迹的仿真，从驾驶偏角和车速的关系详细描述车辆的换道行为；另一种是给出一个换道完成需要的时间T，在经过时间段T后，车辆进入目标车道，而不用考虑车辆换道的具体过程。后一种方法更普遍的被利用。

图2示出根据本发明的第二实施例的，车辆产生模型的计算流程图。本图共示出了5个步骤，首先是步骤S201，读取某一时段的交通数据，步骤S202,计算随机车辆类型。步骤S203，计算随机车速。步骤S204，计算随机车道。步骤S205，计算初始状态车辆的随机分布。具体地，本领域技术人员理解，车辆产生模型是微观交通仿真模型的最基本的模型，主要解决交通流的输入问题。在现实的交通流中，车辆的到达是随机的、离散的，因此车辆产生模型是需要用户指定需要再现的某个时间段，然后***通过读取数据库中这个时间段的交通数据，如交通量、车辆类型、车辆平均速度等，并对这些数据进行分析，最后计算出车辆的初始状态。由于是对交通流量的准确再现，为了达到逼真的效果，必须在仿真一开始就把一定的车流量分布到路网上，而不是从某个路段开始发上来，因此本发明的车辆产生模型不仅仅包括随机车型，随机车道的计算，还要包括仿真初始状态车辆的随机分布。

为了对微观交通仿真模型进行真实的模拟，必须进行随机抽样，或者说产生服从一定分布的随机变量。由于任何概率分布函数的值域都在[0，1]之间，因此，可以通过逆变法、函数变换法、组合法、取舍法和近似法即可由[0，1]之间任一数值得到随机变量的值。因此，正确生成[0，1]上均匀分布随机数就成为产生一切随机变量的基础，如果没有良好的伪随机数发生器，就难以获得正确的随机变量。本实施例优选采用的伪随机数发生器是线性同余发生器。其递推公式为：

$\left\{\begin{array}{c}{X}_i=({\mathrm{aX}}_{i-1}+c)\left(\mathrm{mod}m\right)\\ u_i=X_i/m\\ X_0\end{array}(i=\mathrm{1,2},...)\right.$

其中，m为模数，a为乘数，c为增量，且m、a、c均为非负数；X₀为初始值，且为非负数；u_i为最后产生的随机数。

随机数生成后，计算随机车辆类型，在一般微观交通仿真中，车型一般分为大车、普通车（中车）和小车三种类型。其中，大车的车身长度一般大于8m，普通车的车身长度一般介于3m和8m之间，小车的车身长度一般小于3m。设车辆中大车的百分比为p1，中车的百分比为p2，小车的百分比为p3（还可以根据实际情况加入其它车型），那么p1+p2+p3=1。用随机变量X表示车流中车型的出现情况，X=0表示大车，X=1表示中车，X=2表示小车。

于是随机变量X的概率密度函数为：

$f\left(x\right)=\left\{\begin{array}{c}p(X=0)=p1\\ p(X=1)=p2\\ P(X=2)=p3\end{array}\right.$

随机变量X的概率分布函数F(x)为：

$F\left(x\right)=\left\{\begin{array}{cc}0& x<0\\ p1& 0\&le;x<1\\ p1+p2& 1\&le;x<2\\ p1+p2+p3& 2\&le;x<3\end{array}\right.$

设u(x)为0到3之间的随机数，则：

之后是随机车速的计算，研究表明道路上的车速符合正态分布或对数正态分布，但由于正态分布函数无法进行逆变，所以一般采用函数变换法，当X~N(0,1)时，Y~N(μ,σ²)，表达为：

Y=σX+μ

所以，采用函数变换法，只需要产生两个均匀分布的随机函数u₁、u₂，即可产生一个服从标准正态分布的随机变量Z，以及车辆的初始速度v，其表达式为

$\left\{\begin{array}{c}Z=\sqrt{-2\ln \left(u_1\right)}\cos \left({2\mathrm{\&pi;u}}_2\right)\\ v=u+\mathrm{\&sigma;}*Z\end{array}\right.$

其中：u₁、u₂表示两个均匀分布的随机数；u表示速度均值；σ表示速度均值方差。

随机车速计算完成后计算车辆初始状态的随机分布，其中车头时距分布是交通流理论研究的一个重要内容，它是通行能力分析、间隙接受问题研究、交叉***通控制以及交通模拟的基础。特别对于交通流模拟，车头时距分布及其计算机模拟实现对于交通流模拟***的仿真能力具有决定性的意义。根据不同的交通特征，研究人员提出了很多实用性很强的模型，如早期针对自由流状态下的负指数车头时距分布模型，以及位移负指数模型。随着道路交通负荷的增加，为了描述相应的规律，提出了爱尔兰分布、对数正态分布、M3分布等模型。

用Webster法根据道路几何参数大致计算路口的饱和流量S,通过OD矩阵得出每条道路的车流量q，两者之比q/S即为流量比y(或称饱和度)，据此判断采用哪种离散型分布。如果输入的车流量明显小于饱和流量，且除了模拟区域外其他部分很少有交通信号，也就是说，其它区域多为无信号控制的交叉口，这样车辆到达数的均值和方差基本相等，则选择泊松分布；泊松分布被成功地用于描述连续时间间隔内源节点的出发车辆数,这种计数分布所对应的间隔分布（车头时距分布）就是负指数分布。如果输入的OD矩阵包括高峰期和非高峰期两部分，即有一段时间交通量很大，一段时间交通量很小，就选择负二项分布；还有一种情况，程序模拟路段位于整个路网交通线号的下游，信号周期的前半段交通量大，而后半段交通量小，也适合二项分布；当交通流量很大时，接近或超过饱和流量，这时候车辆自由行驶的机会不多，车辆到达数的方差小于均值，那么就应该用二项分布。

基于以上描述，本发明由于采用的是快速路的交通数据，因此采用负指数分布的车头时距模型，公式如下所示：

其中．f(t)表示车头时距的分布，参数T可由观测样本均值估计，由如下公式计算：

$T=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{t}_i$

其中，t₁，t₂...t_n为采集点在不同时刻采集到此路段的车头时距n为采集的次数。。

进一步地，本领域技术人员理解，上述步骤S202，S203，S204以及S205的计算顺序并不仅限于本实施例所示。具体地，当获取的交通数据包括车辆类型时，上述步骤S202可以省略；当获取的交通数据包括车辆平均速度时，上述步骤S203可以省略，具体地，在此不予赘述。

具体地，本发明提供的车辆行驶行为模型，优选地，采用了强制区域换道模型以及选择性换道模型。优选地，换道模型包括强制区域换道模型以及选择性换道模型。

强制区域的换道不需要进行换道需求产生的判断，车辆在进入强制换道区时已经有了确定的换道目标车道。在强制换道区域，车辆不停的检测目标车道的空档和前后车的速度及距离，判断是否满足车辆的换道条件。若条件被满足则执行换道行为，若换道条件不满足则继续检测判断，直到成功完成换道为止。

如果当前车无法顺利地到达下个车道或者前方发生交通事故时无所继续行驶，这时就需要进行强制换道以便当前车能够顺利的进入下一个车道，如图3所示为强制性换道示意图。

此时目标车辆立刻产生强制换道意识，并以减速度a_n开始减速，a_n的表达式为：

$a_n=-\frac{v_n^2}{2(l_n-\mathrm{\&sigma;})}$

其中：v_n表示当前车的行驶速度；l_n表示当前车距离入口或出口的距离；σ表示当前车在事故地点前σ米处停下。

由于实施例只考虑入口和出口，并没有考虑任何交通事故发生，所以不对σ进行讨论。

当当前车以减速度a_n开始减速时，开始不断检查与后车的间距是否满足其变换道的条件，即判断与后车的间距是否大于等于必须的车间距。其中必须的车间距确定依据为：如果当前车要换道到相邻车道上，它应将相邻车道上的前车为作为自己的前车，相邻车道上的后车作为自己的后随车。若与后车的间距已经满足换道所要求的车间距，当前车将不再加速行驶，转而判断后随车是否满足其换道要求。若与后随车的车距也满足跟车模型的要求，则当前车换道，否则，当前车发出换道信号给后随车，并等待后随车减速，直至满足换道条件为止。

综上所述，当车辆进入强制换道区后，立即产生强制换道意图，然后开始减速，并选择目标车道，目标车道确定后，再判断它与目标车道上的前后车的车间距是否满足换道要求。若与前后车的车距都满足换道条件，则立即换道，否则，再分别判断与前后车的车间距，如果与前车的车距不满足换道要求，它将继续减速；如果与后车的车间距不满足换道要求，它就向后车发出换道请求，直至满足换道条件为止。

选择性换道是由于前车的限制，当前车不能达到自己的期望速度，而相邻车道比当前车道有更高的驾驶满意度，这时当前车有可能进行选择性换道，如图4所示：

在选择性换道的过程中，首先对司机对当前的车道是否满意进行评估，如果当前车的速度v_n大于前方车的速度v_n-1，且与前方车的距离小于一定值时，则生成换道需求，随后对与相邻车道上的前后车的车距进行判断，分析能否实现换道，如果满足则开始换道，如果与相邻车道前车的距离小于换道所需距离，则它将减速，一直到能满足车间距离为止。当与前车的车距满足换道要求后，当前车再判断它与后随车的车距是否也满足换道所需距离，若不满足，它将以现有速度继续行驶，并给后随车发出请求换道信号。后随车以一定的概率p_n+1选择是否减速以给当前车让出足够的空档，使其换道。其中p_n+1的表达式为：

$p_{n+1}=\min (0.75,\mathrm{\&alpha;}(v_n-v_n^0)\left(1.5\text{-\&theta;}\right))$

这里α表示***参数，一般取0.2，θ为司机的冲动系数。

换道行为可以看作是车辆跟驰行为的转变，由跟驰当前车道的前车变为跟弛换道目标车道的前车，因而可以将能否安全跟驰作为判断换道能否安全实施的标准。

本实施例换道模型优选地使用下列原则：

（1）如果当前车与前车间距或者与后车间距中的任一间距被拒绝则取消换道；

（2）当前车进入强制换道区时，获得强制换道信号，并开始执行强制性换道，如果当前车的速度大于前车的速度。并且距离大于安全距离，则只执行以提高车速为目的的判断性换道：

①强制换道的目的为正确到达行驶路线的下一个路段；

②判断换道的目的是车辆希望提高车速或超过前方的慢车；

（3）车辆每次换道，只能够换到相邻车道，如果当前车所在的车道和目标车道不相邻，则需经过多次换道；

（4）实行2s换道原则。

本实施例车辆跟驰模型优选地采用经典的安全距离跟驰模型，安全距离模型也称为防撞模型，简称CA模型），该模型最基本的关系是寻找一个特定的跟驰距离，当前车驾驶员做出了一个后车驾驶员意想不到的动作，后车能及时减速并防止碰撞。最初模型如式所示：

$\mathrm{\&Delta;x}(t-T)={\mathrm{av}}_{n-1}^2(t-T)+{\mathrm{\&beta;}}_l{v}_n^2\left(t\right)+{\mathrm{\&beta;v}}_n\left(t\right)+b_0$

其中：a，β_l,β,b₀为参数。

安全距离模型在计算机仿真中有着广泛的应用。如英国交通部McDonald，Brackstone和Jefery的SISTM模型，意大利、法国的PROMETHEUS计划中的Broqua，Lemer，Mauro和Morell的SPACES模型，美国的Benekohal和Treiterer的INTRAS和CARSIM模型。1995年，日本的Kumamoto，Nishi，Tenmoku和Shimoura也应用此类模型进行仿真。这类模型之所以有如此大的吸引力，部分原因在于可以用一些对驾驶行为的一般感性假设来标定模型。大多数情况下只需要知道驾驶员将采用的最大制动减速度，就能满足整个模型的需要。尽管该模型能够得出令人接受的结果，但是仍有很多问题有待解决，例如，避免碰撞的假设在模型的建立中是合乎情理的，但与实际情况存在着差距；在实际的交通运行中，驾驶员在很多情况下并没有保持安全距离行驶，造成这种情况的原因是多方面的，如驾驶员可以看到前方信号灯以及不止一辆前导车，驾驶员综合判断这些信息后，能及时对前导车的变化做出预测。因此，当利用CA模型进行通行能力分析时，很难与实际最大交通量吻合。

本实施例将跟驰模型分为三个阶段即：常规跟驰阶段、自由行使阶段、紧急刹车阶段。假设前车速度为V，处于跟驰状态的前后车的相对速度与相对距离的关系图如图5所示。C点为前后两车的期望车距，A为前后两车的最小车距，B为两车的最大车距。当车距小于OA时为紧急刹车阶段，当车距大于OB时为自由行驶阶段，当车距在AB之间时为常规跟驰阶段。根据J.J.Gibson的视觉感知生态学理论中观测者与环境发生相对运动时的感知机理知AC<CB，并且AC与CB的值是和驾驶员个性相关的随机值。因此，可以将车辆跟驰问题转化为根据车头时距求车辆加速度问题。

根据前面的数据，将车头时距>5s的状态定义为自由行驶阶段，其加速度公式为：

$a=\left\{\begin{array}{cc}{a}_0\frac{v_{\exp }-v}{v_{\exp }}& v<v_{\exp }\\ a_0\frac{v-v_{\exp }}{v}& v>v_{\exp }\end{array}\right.$

其中：a₀初始加速度；v_exp当前车自由行驶时的期望速度；v当车辆的速度；a当前车应采取的加速度。

当车头时距<0.5s时，此时车辆处于紧急状态，即紧急刹车阶段，此时后车必须采用适当的减速度以增加与前车的距离，直至进入安全范围内。其减速度公式如下：

$a_n=\left\{\begin{array}{cc}\min \{a_n^{-},a_{n-1}+0.25a_n^{-}\}& v_n\&le;v_{n-1}\\ \min \{a_n^{-},a_{n-1}-0.5{(v_n-v_{n-1})}^2/g_n\}& v_n>v_{n-1}\end{array}\right.$

其中：a_n为后车应该采取的加速度；a_n为后车当前的加速度；a_n-1为当前车的加速度；v_n后车当前速度；v_n-1前车当前速度；g_n前后两车的净距离。

当车头时距处于大于5s小于0.5s之间时，此时车辆行驶的速度和加速度受前车的动力特性影响，车辆处于振荡阶段，用常规跟驰方案来定义跟驰模型。

本发明结合步骤S101获取的交通数据、步骤S102计算的车头时距、S103计算的OD矩阵以及上述车辆行为行驶模型再现了车辆在所述待仿真路段的运动数据。具体地，本发明运用微观交通仿真***，能够在单个车辆级别上模拟人-车-路的相互作用，有效地利用线圈以及摄像装置采集的数据，再现交通流的真实状态，描述各种交通控制策略的实施过程。它是以单个车辆为对象，车辆在道路上的跟车、超车及车道变换行为等微观行为都能够非常细致和真实的反映出来，并以动态图像的形式显示出来，为交通控制策略的调整、实施提供直观的参考。基于某段时间的待仿真路段的再现，消除现有交通***无法对车流预先进行秩序高效的纵向或横向有序阵列排布组合和通行的控制诱导、以及消除冲突干扰、或消除不能充分利用路口、路段的通行空间等弊端，提高路口通行能力、减少延误，从而解决缓解交通拥堵的具体技术问题，仿真所得到的各种数据可用于对交通状况的分析、预测，对交通管理控制方案进行评估，为交通道路管理规划提供技术依据，对各种交通设施的设计方案、管控措施以及交通需求管理方案进行评价。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种快速路交通流再现的方法，其特征在于，包括：

a.获取待仿真路段在一时间段内的交通数据；

b.根据基于所述交通数据的一车辆产生模型来将车辆分布到所述待仿真路段上；

c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；

d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型再现车辆在所述待仿真路段的运动数据。

2.根据权利要求1所述的方法，其特征在于，所述交通数据由分布在待仿真路段的线圈获取并储存于数据库中。

3.根据权利要求1所述的方法，其特征在于，所述交通数据由分布在待仿真路段的摄像头获取并储存于数据库中。

4.根据权利要求1所述的方法，其特征在于，所述交通数据包括以下的一个或多个：

车辆类型；

车辆平均速度；

车头时距；

流入交通量；以及

流出交通量。

5.根据权利要求1所述的方法，其特征在于，所述车辆产生模型的计算包括以下的一个或多个：

计算随机车型；

计算随机车速；

计算随机车道；以及

计算初始状态车辆的随机分布。

6.根据权利要求5所述的方法，其特征在于，所述初始状态车辆的随机分布根据负指数车头时距分布模型计算，公式如下所示：

$f\left(t\right)=\frac{1}{T}{e}^{-t/T}$

其中．f(t)表示车头时距的分布，参数T可由观测样本均值估计，由如下公式计算：

$T=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{t}_i$

其中，t₁，t₂...t_n为采集点在不同时刻采集到此路段的车头时距，n为采集的次数。

7.根据权利要求1所述的方法，其特征在于，所述OD矩阵是根据约束卡尔曼滤波公式计算的，所述约束卡尔曼滤波公式还包括一扰动矩阵。

8.根据权利要求7所述的方法，其特征在于，所述扰动矩阵由白噪声产生。

9.根据权利要求1所述的方法，其特征在于，所述车辆行驶行为模型包括以下的一种或多种：

换道模型；或者

跟驰模型。

Images