CN103942398A - 基于遗传算法及广义回归神经网络的交通仿真校正方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其包括如下步骤：a、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；b、采集所需的交通数据，以建立交通仿真模型，确定所需的待校正的参数以及对应的取值范围；c、利用遗传算法对上述确定的待校正参数的取值进行寻优计算，并利用广义回归神经网络对遗传算法迭代之后的校正参数组合进行预测；当经过遗传算法迭代后的校正参数组合匹配参数校正目标时，输出相应的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络测试后匹配参数校正目标。本发明实现参数标定校正的高效化，保证参数校正的准确性，适应范围广，安全可靠。

Description

基于遗传算法及广义回归神经网络的交通仿真校正方法

技术领域

本发明涉及一种参数校正方法，尤其是一种基于遗传算法及广义回归神经网络的交通仿真校正方法，属于交通仿真参数校正的技术领域。

背景技术

微观交通仿真软件不但可以用来直观模拟和再现道路交通通行状况，而且还能对交通运行状况进行准确的分析和评价，因此得到了越来越广泛的应用。微观仿真模型中运用大量的独立参数来对交通流和司机驾驶行为进行表示，这些参数的取值对仿真结果的精确性和可靠性有着决定性作用。而模型本身自带的缺省值很大程度上取决于模型开发国的交通流状况和驾驶员的心理特性，所以在使用国外开发的仿真软件之前，要先对这些参数进行校正，从而提高仿真模型的精度。

以往有关参数校正的算法研究中，主要以应用遗传算法、模拟退火算法为主，而这些算法在参数校正过程中需要多次运行仿真软件。以遗传算法为例，遗传算法是模拟自然界优胜劣汰过程的全局搜索算法，可以仅依靠适应度函数的信息来实现整体寻优过程，是目前仿真参数校正应用最为广泛的校正算法，然而应用遗传算法需要进行大约20-30轮的迭代才能得到最终收敛的结果，同时每一轮迭代都要依靠运行仿真软件来得到相应的输出结果，这一过程会耗费大量的时间。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其操作方便，实现参数标定校正的高效化，保证参数校正的准确性，适应范围广，安全可靠。

按照本发明提供的技术方案，一种基于遗传算法及广义回归神经网络的交通仿真校正方法，所述交通仿真校正方法包括如下步骤：

a、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；

b、采集所需的交通数据，以建立交通仿真模型；根据所述建立的交通仿真模型，确定所需的待校正的参数以及对应的取值范围；

c、利用遗传算法对上述确定的待校正参数进行校正运算，并将经遗传算法迭代得到的校正参数组合作为广义回归神经网络的输入值，以利用广义回归神经网络来预测VISSIM的输出值，然后根据步骤a中的参数校正目标判断遗传算法迭代的校正参数组合是否满足参数校正目标；当预测VISSIM的输出值匹配参数校正目标时，输出遗传算法迭代后的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络预测后得到的VISSIM输出值匹配参数校正目标。

所述步骤a中，参数校正目标为经遗传算法迭代且由交通仿真模型输出的行程时间与实际测得的形成时间相差最小。

所述参数校正目标采用评价平均相对误差，所述评价平均相对误差为：

$\mathrm{MARE}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

所述步骤b中，采集的交通数据包括基础交通数据以及评价指标数据；所述基础交通数据包括路段信息及信号灯配时信息；评价指标数据包括车辆的平均行程时间、车辆的平均行驶速度以及交叉口排队长度。

所述步骤b中，利用X-Y散点图以及单因素方差分析得到待校正参数以及对应的取值范围，所述待校正参数包括前方可视车辆数、最大前视距离、平均停车距离、安全距离的附加部分以及安全距离的倍数部分。

所述步骤c中，利用遗传算法进行校正运算时，采用校正平均相对误差作为适应度函数，所述校正平均相对误差为：

$\mathrm{Fitness}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}\right)}^2}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

所述步骤c中，利用广义回归神经网络进行测试时，广义回归神经网络的传递函数采用高斯函数。

本发明的优点：利用遗传算法由于具有良好的搜索能力而作为参数校正的主要算法，同时通过利用广义回归神经网络对仿真软件输出的行程时间进行预测，这样能有效减少仿真软件运行的次数，进而节省参数校正的时间，操作方便，适应范围广，安全可靠。

附图说明

图1为本发明的流程图。

图2为本发明利用遗传算法进行校正的流程图。

图3为本发明广义回归神经网络的示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示：为了现参数标定校正的高效化，保证参数校正的准确性，本发明的交通仿真校正方法包括如下步骤：

a、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；

本发明实施例中，参数校正目标为经遗传算法迭代且由交通仿真模型输出的行程时间与实际测得的行程时间相差最小。所述参数校正目标采用评价平均相对误差，所述评价平均相对误差为：

$\mathrm{MARE}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间，MARE为评价相对误差。

具体地，采用VISSIM仿真模型，在VISSIM仿真参数校正的评价指标选取要考虑如下几个因素：

1)、该数据要便于实际取得，能够在一定程度上保证数据的精确度；

2)、VISSIM中取得该数据的方式与实地获取的方式相同；

3)、评价指标会随着仿真参数的改变而改变，并且具有一定的敏感度。综合上述因素，本发明实施例中，选取的评价指标是车辆的平均行程时间。

参数校正的目标是最大程度上保证仿真软件输出的结果与实际交通流状况相吻合。本发明的校正目标是仿真软件输出的行程时间与实际测得的行程时间相差最小。

b、采集所需的交通数据，以建立交通仿真模型；根据所述建立的交通仿真模型，确定所需的待校正的参数以及对应的取值范围；

具体地，采集的交通数据包括基础交通数据以及评价指标数据；所述基础交通数据包括路段信息及信号灯配时信息；评价指标数据包括车辆的平均行程时间、车辆的平均行驶速度以及交叉口排队长度。

利用X-Y散点图以及单因素方差分析得到待校正参数以及对应的取值范围，所述待校正参数包括前方可视车辆数、最大前视距离、平均停车距离、安全距离的附加部分以及安全距离的倍数部分。本发明实施例中，待校正参数的选取可以根据实际的道路情况以及需要进行选择。

本发明实施例中，所需要的数据类型可以分成两类，一类是基础的交通数据，包括路段基本信息、信号灯配时等，这些数据是确定性数据，可以直接手动输入到VISSIM中；另一类数据是用来对模型准确性进行评价的指标，包括车辆的平均行程时间、车辆的平均行驶速度、交叉口排队长度等，这些指标用来评价实际采集的结果与仿真软件输出结果的吻合度，从而判断是否需要对模型进行校正。将上述采集到的数据用于VISSIM仿真模型的建立，之后可以依据此模型开展交通仿真参数校正工作。

在参数校正之前，要对跟车模型中的几个参数进行敏感性分析。其目的有二，第一是确定对于评价指标有显著影响的参数，其二是确定该参数的取值范围。本发明利用X-Y散点图和单因素方差分析的方法，从而确定待校正的参数和相应的取值范围。

c、利用遗传算法对上述确定的待校正参数进行校正运算，并将经遗传算法迭代得到的校正参数组合作为广义回归神经网络的输入值，以利用广义回归神经网络来预测VISSIM的输出值，然后根据步骤(a)中的参数校正目标判断遗传算法迭代的校正参数组合是否满足参数校正目标；当预测VISSIM的输出值匹配参数校正目标时，输出遗传算法迭代后的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络预测后得到的VISSIM输出值匹配参数校正目标。

本发明实施例中，预测VISSIM的输出值匹配参数校正目标是指预测VISSIM的输出值与参数校正目标相比，满足设定的阈值，所以设定的阈值可以根据实际需要进行设定。

利用遗传算法进行校正运算时，采用校正平均相对误差作为适应度函数，所述校正平均相对误差为：

$\mathrm{Fitness}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}\right)}^2}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

利用广义回归神经网络进行预测时，广义回归神经网络的传递函数采用高斯函数。

如图2和图3所示，本发明采用遗传算法作为参数校正的算法，并辅助广义回归神经网络用来对仿真软件的输出结果进行预测，避免直接利用仿真软件的仿真模型进行运算，能够避免在遗传算法迭代过程中需要反复运行仿真软件从而消耗大量时间的弊端，实现参数标定的高效化。

关于遗传算法

遗传算法是目前仿真参数校正应用最为广泛的校正算法。具体的遗传算法优化步骤如下所示：

1)、初始种群的产生：

将遗传算法的进化代数计数器t设为0，同时设置最大进化代数；并预先设定种群的大小，由程序随机生成初始参数值。

2)、编码：对上述随机产生的参数进行二进制编码，每个参数用对应的基因片段组成，将所有的参数对应的基因片段放在一条染色体中进行操作。

3)、适应度函数的设计：

本发明采用平均相对误差作为遗传算法的适应度函数，具体公式见式(2)所示：

$\mathrm{Fitness}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}\right)}^2}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

4)、遗传算法的运算：

选择操作：本发明基于轮盘赌算法来进行遗传算法的选择操作，即按照适应度的大小比例来确定个体进入下一代的概率，适应度越高，被选择进入下一代的概率越大。

交叉操作：本发明选择单点交叉实现染色体的交叉操作。

变异操作：本发明选择基本的单点变异的算法。

5)、终止条件的判断：

当迭代的次数超过预先设定的最大代数，遗传算法就终止迭代。

6)染色体的解码；将上述过程中得到的染色体进行解码，可获得最终的参数组合。

关于广义回归神经网络

广义回归神经网络是一种三层静态前向网络，它由输入层、模式层、求和层和输出层组成。

输入层中神经元的数目与训练样本输入向量的维数相同，各神经元是简单的线性单元，直接将输入变量传递给模式层；

模式层神经元数目等于训练样本的数目，各神经元对应一个训练样集，其传递函数常采用高斯函数，所述高斯函数为：

$p_i=\exp [-\frac{{(x-x_i)}^T(x-x_i)}{2{\mathrm{\σ}}^2}],i=\mathrm{1,2},\·\·\·,n$

其中，x为输入变量，x_i为与输入变量对应的学习样本，σ是高斯函数的宽度系数，在这里称之为光滑因子。T表示转秩运算，本发明实施例中，输入变量为经过遗传算法迭代后校正参数组合，n为校正参数组合的数量。

求和层共由两类神经元来进行求和计算组成，一类是对模式层神经元的输出进行算术求和，计算公式为另一类是对模式层神经元的输出进行加权求和，计算公式为其中Y_i为样本观测值，即为预测输出的平均行程时间。

输出层的神经元数等于学习样本中输出向量的维数，是将上述求和层得到的两类结果相除得到的。

广义回归神经网络适用于非线性问题的研究，车辆的行程时间受到不同参数的综合影响，其关系很难用一个准确的数学公式来表达，因此使用广义回归神经网络可以更为精确地描述仿真参数和行程时间的非线性映射关系；广义回归神经网络不需要预先设定模型的形式，即不需要人为设定隐藏层神经元的个数、连接权值等，而只需要确定光滑因子σ，这样可以很大程度上减少因为人为的因素对模型输出结果的影响。

广义回归神经网络训练过程为：

1)、对数据进行归一化处理；

2)、之后将数据集分成两组，分别为训练数据集合验证数据集，训练数据集用来对神经网络进行训练，验证数据集用来对训练好的神经网络进行测试；

3)、设定网络光滑因子。训练数据确定以后，广义回归神经网络的结构随之确定，因此对网络的训练实质上是对光滑因子σ的训练过程。本发明使用K-fold交叉验证的方法来寻找最优的训练、验证集以及光滑因子σ。

本发明实施例中，利用上述过程得到的最优训练集和光滑因子建立广义回归神经网络模型，该网络可以用来对遗传算法每轮迭代之后产生的参数组合进行测试，即将这些参数值作为神经网络的输入，经过神经网络的传播，最终得到行程时间作为输出值，利用该输出值计算该轮迭代之后遗传算法的适应度值，从而判断是否进行下一轮的迭代。

本发明利用遗传算法由于具有良好的搜索能力而作为参数校正的主要算法，同时通过利用广义回归神经网络对仿真软件输出的行程时间进行模拟预测，这样能有效减少仿真软件运行的次数，进而节省参数校正的时间，操作方便，适应范围广，安全可靠。

Claims (7)

1.一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是，所述交通仿真校正方法包括如下步骤：

(a)、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；

(b)、采集所需的交通数据，以建立交通仿真模型；根据所述建立的交通仿真模型，确定所需的待校正的参数以及对应的取值范围；

(c)、利用遗传算法对上述确定的待校正参数进行校正运算，并将经遗传算法迭代得到的校正参数组合作为广义回归神经网络的输入值，以利用广义回归神经网络来预测VISSIM的输出值，然后根据步骤(a)中的参数校正目标判断遗传算法迭代的校正参数组合是否满足参数校正目标；当预测VISSIM的输出值匹配参数校正目标时，输出遗传算法迭代后的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络预测后得到的VISSIM输出值匹配参数校正目标。

2.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(a)中，参数校正目标为经遗传算法迭代且由交通仿真模型输出的行程时间与实际测得的形成时间相差最小。

3.根据权利要求2所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述参数校正目标采用评价平均相对误差，所述评价平均相对误差为：

$\mathrm{MARE}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

4.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(b)中，采集的交通数据包括基础交通数据以及评价指标数据；所述基础交通数据包括路段信息及信号灯配时信息；评价指标数据包括车辆的平均行程时间、车辆的平均行驶速度以及交叉口排队长度。

5.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(b)中，利用X-Y散点图以及单因素方差分析得到待校正参数以及对应的取值范围，所述待校正参数包括前方可视车辆数、最大前视距离、平均停车距离、安全距离的附加部分以及安全距离的倍数部分。

6.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(c)中，利用遗传算法进行校正运算时，采用校正平均相对误差作为适应度函数，所述校正平均相对误差为：

$\mathrm{Fitness}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{t_i^{\mathrm{field}}-t_i^{\mathrm{sim}}}{t_i^{\mathrm{field}}}\right)}^2}{N}$

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

7.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(c)中，利用广义回归神经网络进行预测时，广义回归神经网络的传递函数采用高斯函数。