CN103593535A - 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 - Google Patents

Abstract

本发明涉及基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法。该***包括：平行仿真评价模块，交通需求模块，路网描述模块，交通演化模块，方案描述模块，路网分析模块。该方法包括：平行仿真评价步骤，交通需求步骤，路网描述步骤，交通演化步骤，方案描述步骤，路网分析步骤。本发明将宏观、中观、微观尺度有机融合在一起，能快速地给出当前交通状况的评价，为城市智能交通控制***提供优化交通信号方案的科学依据。

Description

基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法

技术领域

本发明涉及一种基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法，属于城市交通仿真领域。

背景技术

据申请人了解，现有技术中已存在中微观一体化车流加载技术，基于平行仿真技术的交通信号控制技术，基于元胞自动机的城市微观仿真技术，复杂网络分析技术，行人微观仿真技术，基于GIS的宏观交通仿真技术，基于统计学中观交通仿真技术，基于多智能体的交通微观仿真技术，以及基于宏、中、微观仿真平台的***集成技术，等等。

以上这些技术都是当前城市交通仿真领域比较前沿的技术。但是由于城市交通***是在空间尺度上从微观到宏观高度综合，在时间尺度上从秒级到年级高度连续的***，其复杂度决定了任何一种单一的尺度都很难对交通现象进行更客观地仿真，具体表现为：

在城市交通的宏观仿真分析中，网络流量加载模型主要根据一个城市宏观的历史OD需求（OD指预设起点与终点之间的交通流量），用统计的方法结合相关地理信息知识对路网流量进行产生、吸引、迭代均衡分配加载来进行宏观仿真。然而，在实际路网中，大多数情况下网络流量多处在一种非均衡状态，即使有变化，也会有一个渐变的过渡过程，这和人的行驶习惯及路口信号控制存在着一定的关系，而在宏观的网络仿真分析中就无法考虑到这样微小的尺度。

在城市交通的中观仿真分析中，大量使用了参数之间的函数关系，通过数理统计或者数学建模的方法描述交通参数之间的变化关系，然而建模和统计的过程都要经过一定的理想化假设或处理，比如在路段车流量和车速的仿真关系中，既无法描述例如路段停车、天气、以及路段中车辆出入口等随机具体因素的影响，也无法描述其它路段交通情况的变化对本路段车辆速度的影响，这使得中观仿真只能仿真出一种理想化的变化趋势，并且需要对参数进行长期的统计标定，工作量巨大以至于它的实际应用效果并不是很好。

在城市交通的微观仿真分析中，个体的行为往往只根据身边环境的变化而变化，由于尺度过于微小，真实交通***中各种微小的变化都会对结果产生影响，比如一个行人闯红灯，一辆公交车停靠路边，这些微观因素都会随时随机地出现在真实坏境中，使得微观仿真最后很难做到和真实情况相匹配的仿真效果。

在基于宏、中、微观仿真平台交互使用的交通仿真集成***中，虽然各种仿真平台之间的参数可以传递，并且数据只能从宏观仿真传给中观仿真，然后再由中观仿真传给微观仿真。但是各自仿真平台内部的仿真原理还是不变的，只是仿真的参数变化了。因此，这实际上只是一种多尺度的交替仿真过程，由于宏观、中观、微观各自的仿真模型并没有真正实现融合，以上单一仿真过程中的问题依然存在；而且，不同尺度交通仿真结果的数据融合过程也是一个非常大的问题。

目前的城市交通智能控制技术中，各种仿真***过于低效和庞大，其主要原因在于目前的仿真***尺度比较单一，需要经过反复、繁冗的参数标定才能给出比较正确仿真结果，并且宏观和中观仿真都是基于一段时间的统计仿真，很难为路口的信号配时提供精细的仿真支持；而基于***集成的仿真技术，其集成的仿真***过于庞大，也很难作为城市智能交通信号控制的内核，很难为城市智能交通控制***提供实时的仿真评价和支持。在这种情况下，城市交通智能控制***很难知道自己给出的配时方案是否合理有效，只能从大量的历史配时中逐渐地调整自己的配时行为。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的问题，提出一种基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法，将宏观、中观、微观尺度有机融合在一起，能快速地给出当前交通状况的评价，为城市智能交通控制***提供优化交通信号方案的科学依据。

为达到上述目的，本发明的技术方案如下：

一种基于多尺度融合的城市交通复杂自适应网络平行仿真***，其特征是，包括以下模块：

平行仿真评价模块，用于对目标交通路网及其信号配时方案进行联动仿真评价，并给出最优信号配时方案；

交通需求模块，用于调取目标交通路网的交通流量数据，并根据历史宏观OD数据、目标路段和路口的中观统计数据、以及车辆检测器的微观实测数据来生成车辆智能体；车辆智能体具有自主决策能力，具体包括路径选择、车速修改、观察红绿灯并作出反应、跟驰与变道的能力；

路网描述模块，用于建立目标交通路网的地理描述数据，通过分析路网数据给出车辆智能体的路况信息数据；

交通演化模块，用于模拟车辆智能体根据微观环境因素做出反应、根据宏观环境因素和中观环境因素做出运动决策，并将所有车辆智能体的行为融入交通路网中形成仿真交通场景；

方案描述模块，用于实时更新仿真***中各路口信号配时方案数据或交通诱导方案数据，并向仿真***提供所需数据；交通诱导方案数据为交通管理部门通过交通广播或者路口可变信息板向车辆驾驶员提供的路况实时信息，包括：拥堵、限行、绿色通道、或交通事故；

路网分析模块，用于分析自当前起的未来一段时间内交通路网中路网渐变级联的脆弱点、线路阻抗、以及路口拥堵系数；在宏观上分析路网中各交通要素的时间序列，在中观上统计车流量和行人数量；并按时间序列以顺序更新的方式对路网中各交通要素进行在线仿真。

本发明***进一步完善的技术方案如下：

优选地，交通需求模块中，历史宏观OD数据为：已存入历史记录的交通流量数据，具体包括目标交通路网中车流起始点和终止点在空间和时间上的分布数据，车流起始点和终止点之间的路径数据，以及车流起始点和终止点之间的交通流量分布数据；

目标路段和路口的中观统计数据为：针对目标路段和路口，在其单个交通信号控制周期内，根据从一路口驶向另一路口的交通量、各路口各个流向的驶出交通量、路段行程时间、路口车流量的到达率和转向率得出的统计分析数据；具体包括：目标路段和路口的拥挤度数据、阻抗数据、到达率数据、转向率数据、波动数据、非机混行数据，其中波动数据为仿真***给出的路口车辆驶出周期流量图与真实路口车辆驶出周期流量图之间的单位车辆pcu平均误差值，非机混行数据为路口车流以单位车辆pcu计经过停车线时在不同的行人或者非机动干扰下的通过时间，单位车辆pcu是由各种类型的汽车转化的小汽车当量；

车辆检测器的微观实测数据为：由车辆检测器上传的3秒到9秒级别的实时交通量数据。

优选地，路网描述模块中，地理描述数据包括路网的拓扑结构、路段、路口、车道、停车场、公交站台；路网数据包括节点度、连通度、介数、最短路径；路况信息数据即自当前起的未来一段时间内交通路网的拥挤度数据；交通演化模块中，微观环境因素包括前后车、车道、路口、信号灯；宏观环境因素包括由宏观仿真分析获得的交通路网拥堵状态；中观环境因素包括由中观仿真分析获得的路段阻抗和流量波动参数；运动决策包括修改路径、修改平均车速；路网分析模块中，路网中各交通要素包括网络、路段、路口、信号灯、车流、车辆、行人。

本发明还提供：一种采用前述仿真***的城市交通复杂自适应网络平行仿真方法，其特征是，包括平行仿真评价步骤：平行仿真评价模块根据目标交通路网的实时交通数据和历史统计数据进行仿真评价，给出目标交通路网在给定信号配时方案下的运行指标PI值，根据该PI值多次调整信号配时方案参数，并分别给出调整后的PI值，最后经比较得到PI值最优的信号配时方案；其中，运行指标PI值为目标交通路网按当前信号配时方案运行预定时间后的总体延误水平，总体延误水平为目标交通路网中停止车辆数在时间轴上的积累程度。

本发明方法进一步完善的技术方案如下：

优选地，还包括交通需求步骤：交通需求模块根据历史宏观OD数据、目标路段和路口的中观统计数据给出目标交通路网的未来车流量，再结合车辆检测器的微观实测数据，在微观环境下仿真出在连续时间内持续运行的车辆智能体；同时，根据历史宏观OD数据、目标路段和路口的中观统计数据，给出各车辆智能体的运行参数；其中，车辆智能体的运行参数包括行驶轨迹、平均车速、安全反应时间。

优选地，还包括路网描述步骤：路网描述模块的运行过程如下：

L1.建立目标交通路网的节点属性矩阵、路网节点连接矩阵、路网节点连接属性矩阵，并根据以上矩阵的数据构建仿真城市交通路网；

L2.计算并给出目标交通路网的节点度矩阵和节点度分布矩阵、介数矩阵和介数分布矩阵、各个OD对之间的路径矩阵；OD对即车流起始点和终止点对；

L3.根据宏观OD数据、中观统计数据和微观实测数据计算实时的和自当前起的未来一段时间内的路网拥堵数据；路网拥堵数据包括车流密度、行程时间；

L4.根据宏观OD数据、中观统计数据和微观实测数据计算给出车辆智能体的路况信息数据，并将该数据加载至仿真城市交通路网中。

优选地，还包括交通演化步骤：由交通演化模块演化车辆智能体的具体行为，包括：车辆智能体根据宏观尺度下的路网车流量、拥挤度数据和阻抗数据判定是否修改路径；车辆智能体根据中观尺度下的当前路段阻抗数据和车流波动数据判定是否修改平均车速；车辆智能体根据中观尺度下的路口非机混行数据判定驶入驶出路口的平均车速；车辆智能体根据微观尺度下的前后车以及信号灯情况判定是否加速、减速、停车或者变道。

更优选地，交通演化步骤的具体过程如下：

Y1.根据路网车流量数据计算拥挤度数据J；车辆智能体根据logit模型计算针对不同路径的路径选择概率P，并结合该车辆智能体预设的个人心理阈值R判断是否改变路径，具体判断过程如下：

若J小于R，且该车辆智能体当前所处路径的路径选择概率P为所有路径中的最大值，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P≥0.5，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P<0.5，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；若J大于R，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；

其中，拥挤度数据J表示路网的整体拥堵程度，按下式计算：

$J=\frac{\mathrm{\&Sigma;}{x}_a{t}_a\left(x_a\right)}{\mathrm{\&Sigma;}{x}_a{t}_{0a}}$

式中，x_a表示路径a的行程车流量，t_a表示路径a的行程时间，t_0a表示路径a的零流阻抗，即当路径a车流辆为量时一辆车行驶通过该路径所需要的时间；

logit模型为多项logit模型MNL,Muti-nomial Logit，公式如下:

$P_j=\frac{\exp (-\mathrm{\&theta;J}/\stackrel{\&OverBar;}{J})}{\underset{m}{\mathrm{\&Sigma;}}\exp (-\mathrm{\&theta;Jm}/\stackrel{\&OverBar;}{J})}$

即路径选择概率P_j等于路径j指数函数与路网内所有路径指数函数之和的比；

式中：P_j为车辆智能体对路径j的路径选择概率，θ表示车辆智能体对交通路网的熟悉程度，J表示路径j的拥挤程度，

表示路网内所有路径的平均拥挤程度，Jm表示路径m的拥挤程度，路径m为路网内所有路径之一；

当方案描述模块提供的路网信息中含有交通诱导方案数据时，θ值提高；

Y2.车辆智能体根据路段阻抗数据和车流波动数据确定自身的平均车速；其中，车流波动数据为由车检器实时发生数据和仿真预测数据之间的偏差值；

路段阻抗数据按下式计算：

$t_a=t_{0a}[1+\mathrm{\&alpha;}{\left(\frac{x_a}{U_a}\right)}^{\mathrm{\&beta;}}]$

式中:x_a表示路径a的行程车流量，t_a表示路径a的行驶时间，t_0a表示路径a的零流阻抗；U_a表示路径a的通行能力，α、β为常数。

Y3.车辆智能体根据前后车的状态、信号灯、路口非机混行数据来确定是否加速、减速、停车或者变道；其中，路口非机混行数据通过对路口车辆检测器数据进行聚类分析获得，信号灯数据由方案描述模型提供；

车辆智能体根据Nasch模型来控制速度：

Step1:加速，v_n=min(v_n+1,v_max)；

Step2:减速，v_n=min(v_n,d_n)；

d_n=x_n+1-x_n-l_veh，d_n表示第n车和前车n+1之间的安全距离；l_veh表示车身长度；

Step3:随机慢化，以预设概率P₀随机发生，v_n=max(v_n-1,0)，用以模拟由不确定因素造成的随机减速；

Step4:运动，x_n=x_n+v_n，x_n、v_n分别表示第n车的位置和速度；

车辆智能体的变道模型如下：

将车道自右向左依次记为1,2，…,N，车辆智能体按如下规则换道：

R1.考虑右道：若且

则new_l_n(t)=lane_n(t-1)-1；否则，new_l_n(t)=lane_n(t-1)；

R2.考虑左道：若且[或v_n(t)=0]、且

且

则new_l_n(t)=lane_n(t-1)+1；

R3.进行换道：在概率1-p_ignore下，令lane_n(t)=new_l_n(t)；

处理时，按从右至左的顺序依次对每个车道进行处理以避免车辆智能体发生碰撞；

表示t时刻车辆n与左道、右道及本道内前后相邻车辆之间的距离；x为l、r或缺省，l为左道、r为右道、缺省为本道；y为+或-，+为车辆n的前车，-为车辆n的后车；lane_n(t)表示车辆n在t时刻所在车道的标志，即1,2,…,N之一；new_l_n(t)表示换道时车辆n可能进入的车道；

Y4.车辆智能体根据信号灯、前车位置和车速情况通过路口并驶入下一个路段，同时交通演化模块统计某路段驶入驶出的车流量；

信号灯执行方案描述模块提供的信号配时方案；

当某一相位红灯亮起时，该相位未驶过停车线的第一辆车停驶，后续车辆根据前车情况慢慢减速进入停车排队状态；

当某一相位绿灯亮起时，第一辆车启动，并且根据路口非机混行数据和下游路段的排队车辆数和拥挤程度，确定车辆的平均车速；其中，下游路段的排队车辆数和拥挤程度由路网分析模块提供。

优选地，还包括方案描述步骤：方案描述模块的运行过程如下：

M1：输入路段车辆检测器的实时数据、路口信号配时方案数据和交通诱导方案数据；并向路网描述模块提供数据；其中，路段车辆检测器的实时数据为每3秒到60秒时间内的单位车辆pcu数量，路口信号配时方案数据包括路网内各路口的信号相位时长和相位差数据；

M2：读取路网描述模块给出的车辆智能体的路况信息数据，并提供给交通演化模块和路网分析模块进行分析，然后读取分析所得数据以备M1步输入用，同时输出各路***通延误和整个路网交通延误的评价指标；其中，路网描述模块和交通演化模块是平行运行的，交通演化模块和路网分析模块是顺序运行的；

M3：重复M1、M2以进行迭代运算。

优选地，还包括路网分析步骤：路网分析模块的运行过程如下：

S1.通过更新路段的实际容限来分析交通网络中的级联失效行为，如下式所示：

其中，Cpij(0)表示从节点i到节点j的路段的实际容限，li(t)表示节点i在t时刻的流量，Cni表示节点i的通行能力或者最大排队长度；

S2.计算交通路网的拥挤程度FC和路网效率E，如下式所示：

$\mathrm{FC}=\frac{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}}{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}^0}$

$E=\frac{2}{N(N-1)}{\mathrm{\&Sigma;}}_{i>j}\frac{1}{\stackrel{\&OverBar;}{w_{\mathrm{ij}}}}$

其中，

表示节点i到j之间的最短行程时间。

本发明提供的多尺度融合仿真技术手段，能使得宏观和中观仿真更加具有真实的演化特征，同时也解决了微观仿真由于过于精细难以完成长时间和大区域下的仿真问题，并且不需要对宏观、中观和微观仿真***进行庞大的***集成，实现多尺度融合在线仿真***的小型化和内核化。

与现有宏观、中观、微观各自独立的仿真技术和宏、中、微三种平台的***集成技术相比，本发明克服了目前仿真***中各个仿真模型尺度单一的问题，使用车辆智能体技术在空间尺度上有机地融合了宏观、中观、微观、现实和虚拟的仿真尺度，在时间尺度上融合了历史、现实和未来的仿真尺度，能够用多尺度刻画的方法在同一模型体系里对城市交通进行连续的综合仿真，使得仿真结果更加真实和高效，并为城市交通智能控制提供比较可靠的交通仿真***内核。

附图说明

图1为本发明实施例仿真***的运行示意图。

图2为图1实施例仿真***的组成示意图。

图3为图1实施例中应用实验案例的仿真结果图一。

图4为图1实施例中应用实验案例的仿真结果图二。

具体实施方式

下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。

实施例

如图1至图2所示，本实施例基于多尺度融合的城市交通复杂自适应网络平行仿真***，包括以下模块：

平行仿真评价模块，用于对目标交通路网及其信号配时方案进行联动仿真评价，并给出最优信号配时方案；

交通需求模块，用于调取目标交通路网的交通流量数据，并根据历史宏观OD数据、目标路段和路口的中观统计数据、以及车辆检测器的微观实测数据来生成车辆智能体；车辆智能体具有自主决策能力，具体包括路径选择、车速修改、观察红绿灯并作出反应、跟驰与变道的能力；

其中，历史宏观OD数据为：已存入历史记录的交通流量数据，具体包括目标交通路网中车流起始点和终止点在空间和时间上的分布数据，车流起始点和终止点之间的路径数据，以及车流起始点和终止点之间的交通流量分布数据；

目标路段和路口的中观统计数据为：针对目标路段和路口，在其单个交通信号控制周期内，根据从一路口驶向另一路口的交通量、各路口各个流向的驶出交通量、路段行程时间、路口车流量的到达率和转向率得出的统计分析数据；具体包括：目标路段和路口的拥挤度数据、阻抗数据、到达率数据、转向率数据、波动数据、非机混行数据，其中波动数据为仿真***给出的路口车辆驶出周期流量图与真实路口车辆驶出周期流量图之间的单位车辆pcu平均误差值，非机混行数据为路口车流以单位车辆pcu计经过停车线时在不同的行人或者非机动干扰下的通过时间，单位车辆pcu是由各种类型的汽车转化的小汽车当量；

车辆检测器的微观实测数据为：由车辆检测器上传的3秒到9秒级别的实时交通量数据；

路网描述模块，用于建立目标交通路网的地理描述数据，通过分析路网数据给出车辆智能体的路况信息数据；

其中，地理描述数据包括路网的拓扑结构、路段、路口、车道、停车场、公交站台；路网数据包括节点度、连通度、介数、最短路径；路况信息数据即自当前起的未来一段时间内交通路网的拥挤度数据；

交通演化模块，用于模拟车辆智能体根据微观环境因素做出反应、根据宏观环境因素和中观环境因素做出运动决策，并将所有车辆智能体的行为融入交通路网中形成仿真交通场景；

其中，微观环境因素包括前后车、车道、路口、信号灯；宏观环境因素包括由宏观仿真分析获得的交通路网拥堵状态；中观环境因素包括由中观仿真分析获得的路段阻抗和流量波动参数；运动决策包括修改路径、修改平均车速；

方案描述模块，用于实时更新仿真***中各路口信号配时方案数据或交通诱导方案数据，并向仿真***提供所需数据；交通诱导方案数据为交通管理部门通过交通广播或者路口可变信息板向车辆驾驶员提供的路况实时信息，包括：拥堵、限行、绿色通道、或交通事故；

路网分析模块，用于分析自当前起的未来一段时间内交通路网中路网渐变级联的脆弱点、线路阻抗、以及路口拥堵系数；在宏观上分析路网中各交通要素的时间序列，在中观上统计车流量和行人数量；并按时间序列以顺序更新的方式对路网中各交通要素进行在线仿真；

其中，路网中各交通要素包括网络、路段、路口、信号灯、车流、车辆、行人。

采用以上***的城市交通复杂自适应网络平行仿真方法，包括以下步骤：

平行仿真评价步骤：平行仿真评价模块根据目标交通路网的实时交通数据和历史统计数据进行仿真评价，给出目标交通路网在给定信号配时方案下的运行指标PI值，根据该PI值多次调整信号配时方案参数，并分别给出调整后的PI值，最后经比较得到PI值最优的信号配时方案；

其中，运行指标PI值为目标交通路网按当前信号配时方案运行预定时间后的总体延误水平，总体延误水平为目标交通路网中停止车辆数在时间轴上的积累程度；

调整信号配时方案参数时采用爬山法、遗传算法或者模糊逻辑算法。

交通需求步骤：交通需求模块根据历史宏观OD数据、目标路段和路口的中观统计数据给出目标交通路网的未来车流量，再结合车辆检测器的微观实测数据，在微观环境下仿真出在连续时间内持续运行的车辆智能体；同时，根据历史宏观OD数据、目标路段和路口的中观统计数据，给出各车辆智能体的运行参数；

其中，车辆智能体的运行参数包括行驶轨迹、平均车速、安全反应时间。

路网描述步骤：路网描述模块的运行过程如下：

L1.建立目标交通路网的节点属性矩阵、路网节点连接矩阵、路网节点连接属性矩阵，并根据以上矩阵的数据构建仿真城市交通路网；

L2.计算并给出目标交通路网的节点度矩阵和节点度分布矩阵、介数矩阵和介数分布矩阵、各个OD对之间的路径矩阵；OD对即车流起始点和终止点对；

L3.根据宏观OD数据、中观统计数据和微观实测数据计算实时的和自当前起的未来一段时间内的路网拥堵数据；路网拥堵数据包括车流密度、行程时间；

L4.根据宏观OD数据、中观统计数据和微观实测数据计算给出车辆智能体的路况信息数据，并将该数据加载至仿真城市交通路网中。

交通演化步骤：由交通演化模块演化车辆智能体的具体行为，包括：车辆智能体根据宏观尺度下的路网车流量、拥挤度数据和阻抗数据判定是否修改路径；车辆智能体根据中观尺度下的当前路段阻抗数据和车流波动数据判定是否修改平均车速；车辆智能体根据中观尺度下的路口非机混行数据判定驶入驶出路口的平均车速；车辆智能体根据微观尺度下的前后车以及信号灯情况判定是否加速、减速、停车或者变道。

交通演化步骤的具体过程如下：

Y1.根据路网车流量数据计算拥挤度数据J；车辆智能体根据logit模型计算针对不同路径的路径选择概率P，并结合该车辆智能体预设的个人心理阈值R判断是否改变路径，具体判断过程如下：

若J小于R，且该车辆智能体当前所处路径的路径选择概率P为所有路径中的最大值，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P≥0.5，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P<0.5，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；若J大于R，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；

其中，拥挤度数据J表示路网的整体拥堵程度，按下式计算：

$J=\frac{\mathrm{\&Sigma;}{x}_a{t}_a\left(x_a\right)}{\mathrm{\&Sigma;}{x}_a{t}_{0a}}$

式中，x_a表示路径a的行程车流量，t_a表示路径a的行程时间，t_0a表示路径a的零流阻抗，即当路径a车流辆为量时一辆车行驶通过该路径所需要的时间；

logit模型为多项logit模型MNL,Muti-nomial Logit，公式如下:

$P_j=\frac{\exp (-\mathrm{\&theta;J}/\stackrel{\&OverBar;}{J})}{\underset{m}{\mathrm{\&Sigma;}}\exp (-\mathrm{\&theta;Jm}/\stackrel{\&OverBar;}{J})}$

即路径选择概率P_j等于路径j指数函数与路网内所有路径指数函数之和的比；

式中：P_j为车辆智能体对路径j的路径选择概率，θ表示车辆智能体对交通路网的熟悉程度，J表示路径j的拥挤程度，

表示路网内所有路径的平均拥挤程度，Jm表示路径m的拥挤程度，路径m为路网内所有路径之一；

当方案描述模块提供的路网信息中含有交通诱导方案数据时，θ值提高；

Y2.车辆智能体根据路段阻抗数据和车流波动数据确定自身的平均车速；

其中，车流波动数据为由车检器实时发生数据和仿真预测数据之间的偏差值；

路段阻抗数据按下式计算：

$t_a=t_{0a}[1+\mathrm{\&alpha;}{\left(\frac{x_a}{U_a}\right)}^{\mathrm{\&beta;}}]$

式中:x_a表示路径a的行程车流量，t_a表示路径a的行驶时间，t_0a表示路径a的零流阻抗；U_a表示路径a的通行能力，α、β为常数（优选α=0.15，β=4）。

Y3.车辆智能体根据前后车的状态、信号灯、路口非机混行数据来确定是否加速、减速、停车或者变道；

其中，路口非机混行数据通过对路口车辆检测器数据进行聚类分析获得，信号灯数据由方案描述模型提供；

车辆智能体根据Nasch模型来控制速度：

Step1:加速，v_n=min(v_n+1,v_max)；

Step2:减速，v_n=min(v_n,d_n)；

d_n=x_n+1-x_n-l_veh，d_n表示第n车和前车n+1之间的安全距离；l_veh表示车身长度；

Step3:随机慢化，以预设概率P₀随机发生，v_n=max(v_n-1,0)，用以模拟由不确定因素（如路况，驾驶员心态）造成的随机减速；

Step4:运动，x_n=x_n+v_n，x_n、v_n分别表示第n车的位置和速度；

车辆智能体的变道模型如下：

将车道自右向左依次记为1,2，…,N，车辆智能体按如下规则换道：

R1.考虑右道：若

且

则new_l_n(t)=lane_n(t-1)-1；否则，new_l_n(t)=lane_n(t-1)；

R2.考虑左道：若

且[

或v_n(t)=0]、且且

则new_l_n(t)=lane_n(t-1)+1；

R3.进行换道：在概率1-p_ignore下，令lane_n(t)=new_l_n(t)；

具体处理时，按从右至左的顺序依次对每个车道进行处理以避免车辆智能体发生碰撞；

表示t时刻车辆n与左道、右道及本道内前后相邻车辆之间的距离；x为l、r或缺省，l为左道、r为右道、缺省为本道；y为+或-，+为车辆n的前车，-为车辆n的后车；lane_n(t)表示车辆n在t时刻所在车道的标志，即1,2,…,N之一；new_l_n(t)表示换道时车辆n可能进入的车道；

Y4.车辆智能体根据信号灯、前车位置和车速情况通过路口并驶入下一个路段，同时交通演化模块统计某路段驶入驶出的车流量；

信号灯执行方案描述模块提供的信号配时方案；

当某一相位红灯亮起时，该相位未驶过停车线的第一辆车停驶，后续车辆根据前车情况慢慢减速进入停车排队状态；

当某一相位绿灯亮起时，第一辆车启动，并且根据路口非机混行数据和下游路段的排队车辆数和拥挤程度，确定车辆的平均车速；其中，下游路段的排队车辆数和拥挤程度由路网分析模块提供。

方案描述步骤：方案描述模块的运行过程如下：

M1：输入路段车辆检测器的实时数据、路口信号配时方案数据和交通诱导方案数据；并向路网描述模块提供数据；其中，路段车辆检测器的实时数据为每3秒到60秒时间内的单位车辆pcu数量，路口信号配时方案数据包括路网内各路口的信号相位时长和相位差数据；

M2：读取路网描述模块给出的车辆智能体的路况信息数据，并提供给交通演化模块和路网分析模块进行分析，然后读取分析所得数据以备M1步输入用，同时输出各路***通延误和整个路网交通延误的评价指标；其中，路网描述模块和交通演化模块是平行运行的，交通演化模块和路网分析模块是顺序运行的；

M3：重复M1、M2以进行迭代运算。

这样即可接入实时的车流量数据、信号配时方案数据、交通诱导数据，通过对路段和路口的驶入驶出车流量进行快速迭代仿真运算，给出未来时间段内城市交通路网的交通路况变化情况，并且及时反馈给外部相关信号控制***对相关控制参数进行修改，同时把修改后的参数再输入到本实施例仿真***中以重新评价未来的交通情况，反复实施这一个过程，直到找到最优的控制参数为止。

路网分析步骤：路网分析模块的运行过程如下：

S1.通过更新路段的实际容限来分析交通网络中的级联失效行为，如下式所示：

其中，Cpij(0)表示从节点i到节点j的路段的实际容限，li(t)表示节点i在t时刻的流量，Cni表示节点i的通行能力或者最大排队长度；

具体而言，li(t)的值与路口的到达车辆数量以及信号配时方案有关，在实时数据部分，车流量数据读取车检器上传的车流量数据，在仿真演化部分，读取路段间车流量仿真传播数据。

由Cni可知，当节点i在t时刻的流量大于其能力时，该节点则处于拥挤状态，从而使其周围路段的通行能力降低。

S2.计算交通路网的拥挤程度FC和路网效率E，如下式所示：

$\mathrm{FC}=\frac{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}}{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}^0}$

$E=\frac{2}{N(N-1)}{\mathrm{\&Sigma;}}_{i>j}\frac{1}{\stackrel{\&OverBar;}{w_{\mathrm{ij}}}}$

其中，

表示节点i到j之间的最短行程时间。

此外，拥挤程度FC和路网效率E同时也可以描述为左右OD路径的的拥挤程度和单个OD间的通行效率。

本实施例提供了多尺度融合的城市交通复杂自适应网络平行仿真技术手段，可在交通智能控制中起到重要作用并明显有益。交通控制评价作为智能交通控制的核心，为交通控制的控制参数优化提供效果评价。城市交通是一个复杂的自适应网络，每个路口的交通控制参数和流量参数都会对其周边路口、线路甚至区域产生不同程度的影响，目前要做到城市交通路网的交通仿真评价，往往需要很大的服务器支持，并且由于模型的不统一，需要进行比较复杂的多***数据整合后才能实现，很难实现交通控制效果的有效平行仿真和反馈。而本实施例多尺度融合的城市交通复杂自适应网络平行仿真技术手段则为城市交通路网仿真的小型化提供了新的方法，其作用在于，它可以为各种自适应控制方案实时在线提供未来时段内的单路口控制效果评价、线路控制效果评价和区域控制效果评价，并且将评价结果反馈回相关的控制***，使得控制***能够对城市交通路网中的路口参数做出整体的优化。

应用实验案例：

实验对象：南京福建路和三牌楼路口

（1）建立仿真环境，通过参数输入的方式详细描述路网的关联结构关系、各个路段的形状特征、路口形状特征、渠划类型等地理特征。按前述方法分析当前路网的统计经验数据，如不同OD节点对之间的最短路径，次短路径等。

（2）通过宏观和中观仿真分析南京福建路和三牌楼路口附近路段的当前路段阻抗、到达率、转向率等中观车流数据，结合实时采集的路段上游路口的车辆汇入数据，生成车辆智能体。

（3）车辆智能体通过宏观仿真、中观仿真去认知当前路网、路段、路口上的交通状况并作出反应，依照一定统计概率修改自己的行驶习惯，改变预期驶路径和预期行驶速度等；并在微观仿真环境中进行车辆智能体之间的跟驰、变道、超车、停车等微观演化仿真；再以微观仿真作为车辆加载模型，以车流统计数据或者车辆形式加载到宏观仿真和中观仿真之中。通过车辆智能体把微观仿真、中观仿真、宏观仿真、真实刻度、虚拟刻度等多种尺度融合到一起。

（4）综合历史各个交通参数的时间序列，当前交通参数的真实值，多尺度融合后对未来交通的境况进行微观的精细仿真，通过信号配时接口实时或者定时修改配时方案，通过优化算法反复迭代运算在各种信号配时下未来的交通演变情况。

（5）按前述仿真方法给出当前配时方案的路口延误和停车次数，以及经过前述仿真方法优化后的路口延误和停车次数的的对比曲线，从而为路网的配时方案优选提供在线的多尺度融合仿真支持。

仿真结果如图3和图4所示。

图3展示了通过采用前述仿真***和方法演化出来的南京福建路8分钟下游路口仿真值和车检器真实值之间的对比曲线，在第三个信号周期由于公交车的停靠造成了仿真数据的波动，然后用中观仿真判断出这样的波动不足以产生持续的仿真影响，因此这次波动被车辆智能体记录，路段中观车辆数得到修正，但是车辆智能体不改变自身持续的驾驶行为。

图4为采用前述仿真方法辅助后排队长度的变化，结果表明稳定性明显有改善。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (10)

1.一种基于多尺度融合的城市交通复杂自适应网络平行仿真***，其特征是，包括以下模块：

平行仿真评价模块，用于对目标交通路网及其信号配时方案进行联动仿真评价，并给出最优信号配时方案；

交通需求模块，用于调取目标交通路网的交通流量数据，并根据历史宏观OD数据、目标路段和路口的中观统计数据、以及车辆检测器的微观实测数据来生成车辆智能体；车辆智能体具有自主决策能力，具体包括路径选择、车速修改、观察红绿灯并作出反应、跟驰与变道的能力；

路网描述模块，用于建立目标交通路网的地理描述数据，通过分析路网数据给出车辆智能体的路况信息数据；

交通演化模块，用于模拟车辆智能体根据微观环境因素做出反应、根据宏观环境因素和中观环境因素做出运动决策，并将所有车辆智能体的行为融入交通路网中形成仿真交通场景；

方案描述模块，用于实时更新仿真***中各路口信号配时方案数据或交通诱导方案数据，并向仿真***提供所需数据；交通诱导方案数据为交通管理部门通过交通广播或者路口可变信息板向车辆驾驶员提供的路况实时信息，包括：拥堵、限行、绿色通道、或交通事故；

路网分析模块，用于分析自当前起的未来一段时间内交通路网中路网渐变级联的脆弱点、线路阻抗、以及路口拥堵系数；在宏观上分析路网中各交通要素的时间序列，在中观上统计车流量和行人数量；并按时间序列以顺序更新的方式对路网中各交通要素进行在线仿真。

2.根据权利要求1所述基于多尺度融合的城市交通复杂自适应网络平行仿真***，其特征是，交通需求模块中，历史宏观OD数据为：已存入历史记录的交通流量数据，具体包括目标交通路网中车流起始点和终止点在空间和时间上的分布数据，车流起始点和终止点之间的路径数据，以及车流起始点和终止点之间的交通流量分布数据；

目标路段和路口的中观统计数据为：针对目标路段和路口，在其单个交通信号控制周期内，根据从一路口驶向另一路口的交通量、各路口各个流向的驶出交通量、路段行程时间、路口车流量的到达率和转向率得出的统计分析数据；具体包括：目标路段和路口的拥挤度数据、阻抗数据、到达率数据、转向率数据、波动数据、非机混行数据，其中波动数据为仿真***给出的路口车辆驶出周期流量图与真实路口车辆驶出周期流量图之间的单位车辆pcu平均误差值，非机混行数据为路口车流以单位车辆pcu计经过停车线时在不同的行人或者非机动干扰下的通过时间，单位车辆pcu是由各种类型的汽车转化的小汽车当量；

车辆检测器的微观实测数据为：由车辆检测器上传的3秒到9秒级别的实时交通量数据。

3.根据权利要求1所述基于多尺度融合的城市交通复杂自适应网络平行仿真***，其特征是，路网描述模块中，地理描述数据包括路网的拓扑结构、路段、路口、车道、停车场、公交站台；路网数据包括节点度、连通度、介数、最短路径；路况信息数据即自当前起的未来一段时间内交通路网的拥挤度数据；交通演化模块中，微观环境因素包括前后车、车道、路口、信号灯；宏观环境因素包括由宏观仿真分析获得的交通路网拥堵状态；中观环境因素包括由中观仿真分析获得的路段阻抗和流量波动参数；运动决策包括修改路径、修改平均车速；路网分析模块中，路网中各交通要素包括网络、路段、路口、信号灯、车流、车辆、行人。

4.一种采用权利要求1或2或3所述仿真***的城市交通复杂自适应网络平行仿真方法，其特征是，包括平行仿真评价步骤：平行仿真评价模块根据目标交通路网的实时交通数据和历史统计数据进行仿真评价，给出目标交通路网在给定信号配时方案下的运行指标PI值，根据该PI值多次调整信号配时方案参数，并分别给出调整后的PI值，最后经比较得到PI值最优的信号配时方案；其中，运行指标PI值为目标交通路网按当前信号配时方案运行预定时间后的总体延误水平，总体延误水平为目标交通路网中停止车辆数在时间轴上的积累程度。

5.根据权利要求4所述城市交通复杂自适应网络平行仿真方法，其特征是，还包括交通需求步骤：交通需求模块根据历史宏观OD数据、目标路段和路口的中观统计数据给出目标交通路网的未来车流量，再结合车辆检测器的微观实测数据，在微观环境下仿真出在连续时间内持续运行的车辆智能体；同时，根据历史宏观OD数据、目标路段和路口的中观统计数据，给出各车辆智能体的运行参数；其中，车辆智能体的运行参数包括行驶轨迹、平均车速、安全反应时间。

6.根据权利要求4所述城市交通复杂自适应网络平行仿真方法，其特征是，还包括路网描述步骤：路网描述模块的运行过程如下：

L1.建立目标交通路网的节点属性矩阵、路网节点连接矩阵、路网节点连接属性矩阵，并根据以上矩阵的数据构建仿真城市交通路网；

L2.计算并给出目标交通路网的节点度矩阵和节点度分布矩阵、介数矩阵和介数分布矩阵、各个OD对之间的路径矩阵；OD对即车流起始点和终止点对；

L3.根据宏观OD数据、中观统计数据和微观实测数据计算实时的和自当前起的未来一段时间内的路网拥堵数据；路网拥堵数据包括车流密度、行程时间；

L4.根据宏观OD数据、中观统计数据和微观实测数据计算给出车辆智能体的路况信息数据，并将该数据加载至仿真城市交通路网中。

7.根据权利要求4所述城市交通复杂自适应网络平行仿真方法，其特征是，还包括交通演化步骤：由交通演化模块演化车辆智能体的具体行为，包括：车辆智能体根据宏观尺度下的路网车流量、拥挤度数据和阻抗数据判定是否修改路径；车辆智能体根据中观尺度下的当前路段阻抗数据和车流波动数据判定是否修改平均车速；车辆智能体根据中观尺度下的路口非机混行数据判定驶入驶出路口的平均车速；车辆智能体根据微观尺度下的前后车以及信号灯情况判定是否加速、减速、停车或者变道。

8.根据权利要求7所述城市交通复杂自适应网络平行仿真方法，其特征是，交通演化步骤的具体过程如下：

Y1.根据路网车流量数据计算拥挤度数据J；车辆智能体根据logit模型计算针对不同路径的路径选择概率P，并结合该车辆智能体预设的个人心理阈值R判断是否改变路径，具体判断过程如下：

若J小于R，且该车辆智能体当前所处路径的路径选择概率P为所有路径中的最大值，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P≥0.5，则该车辆智能体不改变路径；若J小于R，且所有路径的路径选择概率P<0.5，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；若J大于R，则该车辆智能体改变路径，并选择路径选择概率P最大的路径；

其中，拥挤度数据J表示路网的整体拥堵程度，按下式计算：

$J=\frac{\mathrm{\&Sigma;}{x}_a{t}_a\left(x_a\right)}{\mathrm{\&Sigma;}{x}_a{t}_{0a}}$

式中，x_a表示路径a的行程车流量，t_a表示路径a的行程时间，t_0a表示路径a的零流阻抗，即当路径a车流辆为量时一辆车行驶通过该路径所需要的时间；

logit模型为多项logit模型MNL,Muti-nomial Logit，公式如下:

$P_j=\frac{\exp (-\mathrm{\&theta;J}/\stackrel{\&OverBar;}{J})}{\underset{m}{\mathrm{\&Sigma;}}\exp (-\mathrm{\&theta;Jm}/\stackrel{\&OverBar;}{J})}$

即路径选择概率P_j等于路径j指数函数与路网内所有路径指数函数之和的比；

式中：P_j为车辆智能体对路径j的路径选择概率，θ表示车辆智能体对交通路网的熟悉程度，J表示路径j的拥挤程度，

表示路网内所有路径的平均拥挤程度，Jm表示路径m的拥挤程度，路径m为路网内所有路径之一；

当方案描述模块提供的路网信息中含有交通诱导方案数据时，θ值提高；

Y2.车辆智能体根据路段阻抗数据和车流波动数据确定自身的平均车速；其中，车流波动数据为由车检器实时发生数据和仿真预测数据之间的偏差值；

路段阻抗数据按下式计算：

$t_a=t_{0a}[1+\mathrm{\&alpha;}{\left(\frac{x_a}{U_a}\right)}^{\mathrm{\&beta;}}]$

式中:x_a表示路径a的行程车流量，t_a表示路径a的行驶时间，t_0a表示路径a的零流阻抗；U_a表示路径a的通行能力，α、β为常数。

Y3.车辆智能体根据前后车的状态、信号灯、路口非机混行数据来确定是否加速、减速、停车或者变道；其中，路口非机混行数据通过对路口车辆检测器数据进行聚类分析获得，信号灯数据由方案描述模型提供；

车辆智能体根据Nasch模型来控制速度：

Step1:加速，v_n=min(v_n+1,v_max)；

Step2:减速，v_n=min(v_n,d_n)；

d_n=x_n+1-x_n-l_veh，d_n表示第n车和前车n+1之间的安全距离；l_veh表示车身长度；

Step3:随机慢化，以预设概率P₀随机发生，v_n=max(v_n-1,0)，用以模拟由不确定因素造成的随机减速；

Step4:运动，x_n=x_n+v_n，x_n、v_n分别表示第n车的位置和速度；

车辆智能体的变道模型如下：

将车道自右向左依次记为1,2，…,N，车辆智能体按如下规则换道：

R1.考虑右道：若

且

则new_l_n(t)=lane_n(t-1)-1；否则，new_l_n(t)=lane_n(t-1)；

R2.考虑左道：若

且[

或v_n(t)=0]、且

且

则new_l_n(t)=lane_n(t-1)+1；

R3.进行换道：在概率1-p_ignore下，令lane_n(t)=new_l_n(t)；

处理时，按从右至左的顺序依次对每个车道进行处理以避免车辆智能体发生碰撞；

表示t时刻车辆n与左道、右道及本道内前后相邻车辆之间的距离；x为l、r或缺省，l为左道、r为右道、缺省为本道；y为+或-，+为车辆n的前车，-为车辆n的后车；lane_n(t)表示车辆n在t时刻所在车道的标志，即1,2,…,N之一；new_l_n(t)表示换道时车辆n可能进入的车道；

Y4.车辆智能体根据信号灯、前车位置和车速情况通过路口并驶入下一个路段，同时交通演化模块统计某路段驶入驶出的车流量；

信号灯执行方案描述模块提供的信号配时方案；

当某一相位红灯亮起时，该相位未驶过停车线的第一辆车停驶，后续车辆根据前车情况慢慢减速进入停车排队状态；

当某一相位绿灯亮起时，第一辆车启动，并且根据路口非机混行数据和下游路段的排队车辆数和拥挤程度，确定车辆的平均车速；其中，下游路段的排队车辆数和拥挤程度由路网分析模块提供。

9.根据权利要求4所述城市交通复杂自适应网络平行仿真方法，其特征是，还包括方案描述步骤：方案描述模块的运行过程如下：

M1：输入路段车辆检测器的实时数据、路口信号配时方案数据和交通诱导方案数据；并向路网描述模块提供数据；其中，路段车辆检测器的实时数据为每3秒到60秒时间内的单位车辆pcu数量，路口信号配时方案数据包括路网内各路口的信号相位时长和相位差数据；

M2：读取路网描述模块给出的车辆智能体的路况信息数据，并提供给交通演化模块和路网分析模块进行分析，然后读取分析所得数据以备M1步输入用，同时输出各路***通延误和整个路网交通延误的评价指标；其中，路网描述模块和交通演化模块是平行运行的，交通演化模块和路网分析模块是顺序运行的；

M3：重复M1、M2以进行迭代运算。

10.根据权利要求4所述城市交通复杂自适应网络平行仿真方法，其特征是，还包括路网分析步骤：路网分析模块的运行过程如下：

S1.通过更新路段的实际容限来分析交通网络中的级联失效行为，如下式所示：

其中，Cpij(0)表示从节点i到节点j的路段的实际容限，li(t)表示节点i在t时刻的流量，Cni表示节点i的通行能力或者最大排队长度；

S2.计算交通路网的拥挤程度FC和路网效率E，如下式所示：

$\mathrm{FC}=\frac{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}}{{\mathrm{\&Sigma;}}_{(i,j)}{x}_{\mathrm{ij}}{w}_{\mathrm{ij}}^0}$

$E=\frac{2}{N(N-1)}{\mathrm{\&Sigma;}}_{i>j}\frac{1}{\stackrel{\&OverBar;}{w_{\mathrm{ij}}}}$

其中，

表示节点i到j之间的最短行程时间。

Images