CN108171361A - 考虑交通冲突指标分布问题的交通仿真模型标定方法 - Google Patents
考虑交通冲突指标分布问题的交通仿真模型标定方法 Download PDFInfo
- Publication number
- CN108171361A CN108171361A CN201711308503.5A CN201711308503A CN108171361A CN 108171361 A CN108171361 A CN 108171361A CN 201711308503 A CN201711308503 A CN 201711308503A CN 108171361 A CN108171361 A CN 108171361A
- Authority
- CN
- China
- Prior art keywords
- index
- simulation
- parameter
- traffic
- model
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005094 computer simulation Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000540 analysis of variance Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013267 controlled drug release Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004080 punching Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了考虑交通冲突指标分布问题的交通仿真模型标定方法，同时考虑效率指标和安全指标，选择合适的交叉口效率指标作为交通仿真建模第一轮标定目标以及第二轮标定目标的约束条件，选择合适的交叉口安全指标作为交通仿真建模第二轮标定目标；通过计算仿真指标的标准差以及选择合适的置信区间对建立的仿真模型的最小所需仿真次数进行估计，有效减少参数校正的仿真试验次数；使用ANOVA检验或相关性检验，筛选出显著影响效率指标和安全指标的仿真参数；建立多约束的标定优化问题，提出使用遗传算法对模型参数进行标定的具体策略和流程；提出适应度参数选取方案；提出模型约束条件选择方案；通过对于交通冲突参数分布进行模型标定。
Description
技术领域
本发明涉及一种考虑交通冲突指标分布多约束优化问题的交通仿真模型标定方法，属于智能交通技术领域。
背景技术
微观交通仿真模型运用大量的独立参数来描述交通***运行、交通流特征以及驾驶员行为等，而模型的参数取值对仿真结果有较大的影响。微观交通仿真模型标定是指通过对模型参数的调整来提高模型拟合现实交通运行状况及车辆驾驶行为的精确度。模型标定所要达到的目标是使得仿真所得到的评价现实交通运行状况的指标值与实测值间的相对误差达到最小，以此再现现实交通运行状况。
在微观交通仿真***中，采取参数默认值而仿真得到的目标值与实际值的误差甚至达35％左右。而且在微观交通仿真模型中许多参数的取值无法通过实际调查获得，因而需要对模型参数进行标定。
文章《Microscopic Simulation Model Calibration and Validation:A CaseStudy of VISSIM for a Coordinated Actuated Signal System》中提出了微观交通仿真模型标定流程的九个步骤，即选取有效的性能评价指标数据采集确定标定参数实验设计仿真运行建立评价函数设置遗传算法标定结果评价选用新数据进行模型验证。该文以交通仿真模型为例，对这九个步骤进行了详细的说明。文中选取行程时间作为评价指标，采用最大排队长度作为验证指标。
文章《基于遗传算法的交通仿真模型参数校正方法研究》提出了基于遗传算法的交通仿真模型参数校正方法。并根据实测数据，以仿真平台为例，对模型进行参数校正。研究给出了仿真模型的校正参数及参数的取值范围。
文章《微观交通仿真***参数校正研究》在之前研究的基础上，以合肥市大东门区域VISSIM仿真***模型为例，建立了仿真模型参数校正的遗传模拟退火启发式算法，实现了对VISSIM的仿真参数的自动化校正。
目前已有的仿真模型标定方法主要有两类，一类是基于效率指标的仿真模型标定方法，这种方法较为传统，一般选择效率指标如速度、行程时间、排队长度等进行参数标定；另一类是近年来提出的基于效率指标以及交通冲突的两阶段模型标定方法。这种方法主要是首先按照传统方法的标定思路对仿真模型的相关参数进行标定，接着以交通冲突的数量作为第二阶段的标定目标，通过标定相关的仿真参数，使得仿真冲突与实际观测冲突的数量接近，从而完成仿真模型的标定并用于交通安全分析。
现有标定方法的主要缺点：
1.传统的基于效率指标的仿真模型标定方法没有考虑安全性指标；
2.考虑交通冲突数量标定的交通仿真模型并不一定能很好地反映真实的安全状况。交通冲突包含很多的不同参数，这些参数当中有一些已经被证明与交通安全具有非常强的关联性，例如碰撞时间TTC,后侵占时间PET。这些参数应该在标定过程中被仔细考虑，标定后的模型才能最大程度地反映真实的安全状况。
发明内容
本发明为克服现有技术中存在的技术缺陷，提出一种考虑交通冲突指标分布问题的交通仿真模型标定方法，该方法针对交通冲突的重要指标，使仿真模型能够更好地服务于交通安全分析与评价。
为解决上述技术问题，本发明提供了考虑交通冲突指标分布问题的交通仿真模型标定方法，选择交叉口效率指标作为交通仿真建模第一轮标定目标以及第二轮标定目标的约束条件，选择交叉口安全指标作为交通仿真建模第二轮标定目标；通过计算仿真效率指标的标准差以及选择置信区间对建立的仿真模型的最小所需仿真次数进行估计，筛选出效率指标和安全指标的仿真参数；建立多约束的标定优化问题，通过遗传算法对模型参数进行标定，选择适应度参数和模型约束条件，通过对于交通冲突参数分布进行模型标定。
本发明具体包括以下步骤：
S1.收集交通仿真建模所需数据，包括道路几何特征数据、交通控制数据、交通管理数据、交通流量数据和交通冲突指标；
S2.根据步骤S1收集到的数据，进行交通仿真建模；
S3.选择交叉口效率指标作为第一轮标定目标以及第二轮标定目标的约束条件，该效率指标包括交叉口平均排队长度、控制延误和两点间车辆行程时间；
S4.选择交叉口安全指标作为第二轮标定目标，该安全指标包括交通冲突的避免碰撞时间TTC指标和后侵占时间PET指标；
S5.对建立的仿真模型的最小所需仿真次数进行估计，先预设仿真次数，提取仿真输出的效率指标和安全指标；
S6.计算效率指标中平均排队长度的标准差；
其中，x为平均排队长度，N为仿真次数；
S7.选择置信区间计算该仿真模型所需的最小仿真次数：
其中，C为1-置信度，t为对应置信度的分位点，s为平均排队长度的标准差；
S8.缺省参数的适用性检验：在不调整缺省参数的情况下，运行仿真模型输出仿真的效率指标和安全指标，与实际效率指标值和实际安全指标值进行对比，若单一指标，实际指标值落在仿真指标范围域的90％内，认为有效；若为多指标，则各个指标均同时落在其对应仿真指标90％范围域内为有效，否则，进行参数标定；
S9.采用拉丁超方设计实验方法对模型参数进行进一步标定，将仿真参数集合按照其缺省的参数范围域进行随机采样；
S10.将实际指标与通过拉丁超方设计实验得到的仿真指标范围域进行对比，若实际指标值落在仿真指标的90％范围域内，则认为目前的参数集合的范围域设定合理，如果并不落在范围域内，则重新进行拉丁超方设计随机抽样；
S11.使用ANOVA检验或相关性检验，筛选出影响效率指标和安全指标的仿真参数；
其中，nj为某仿真参数在j水平值下的样本个数，为该参数的在第j个水平值下的效率或安全指标均值，为效率或安全指标的均值，K为该参数的水平值个数，N为总的仿真次数；
S13.针对选择的效率指标，选择相对误差值作为适应度函数，使用遗传算法进行参数的第一轮标定；
S14.针对选择的安全指标，选择适应度函数为JS－divergence距离，
其中DKL(P||Q)为P到Q的距离，p(x),q(x)分别为仿真冲突与实际冲突的后侵占时间PET分布概率密度函数；
S15.定义约束条件一：仿真交通冲突的数量与实际交通冲突数量的差异性不能超过10％，并构造惩罚函数H1：
H1:0.9-NC or NC-1.1
其中NC为仿真冲突数量与实际冲突数量比值；
S16.定义约束条件二：仿真得到的效率指标与实际的效率指标的差异性不能超过10％，并构造相应的惩罚函数H2：
H2：0.9-EM or EM-1.1
其中EM为仿真效率指标与实际效率指标的比值；
S17.以步骤S15和S16定义的条件为约束，添加动态惩罚函数，定义优化目标函数，通过遗传算法进行标定：
F＝JSD+(C*t)a(H1b+H2b) (5)
其中：C，a,b是常数；
S18.将标定后的模型与未标定的模型进行模型输出结果的对比，验证标定模型的优越性；
S19.使用新的验证集，用标定的仿真模型的输出指标与实际指标进行对比，判断仿真模型的普适性。
其中，步骤S13使用遗传算法进行参数的第一轮标定具体包括以下步骤：
S131.随机选取初始种群，包含若干个体进行编码；
S132.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S133：选择均匀交叉策略，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S134：选择均匀变异策略，对个体进行变异；
迭代步骤S131-S134的过程，直到目标适应度函数收敛。
其中，步骤S17通过遗传算法进行标定具体包括以下步骤：
S171.随机选取初始种群，包含若干个体进行编码；
S172.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S173.选择均匀交叉策略，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S174.选择均匀变异策略，对个体进行变异；
重复步骤S171-S174，直至算法收敛，获得最优仿真参数集。
其中，步骤S11和S13之间还包括步骤S12，所述步骤S12包括使用3Dcontour图对参数进行辅助筛选。
其中，步骤S11的拒绝参数显著性的判断阈值为0.05。
有益效果：本发明与现有技术相比，本发明提供的考虑交通冲突指标分布问题的交通仿真模型标定方法，区别于传统的基于效率指标的仿真模型标定方法，同时考虑了安全指标和效率指标，使仿真模型输出结果和真实情况更加接近。
附图说明
图1为本发明的流程图；
图2为本发明的拉丁超方设计实验方法示意图；
图3为本发明将实际指标与通过拉丁超方设计实验得到的仿真指标范围域进行对比示意图；
图4为一个交叉路口基于无人机航拍与辅助视频分析的交通冲突提取示意图；
图5为本实施例中标定后的分布示意图；
图6为本实施例验证的分布比较示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明提供一种考虑交通冲突指标分布多约束优化问题的交通仿真模型标定方法，同时考虑效率指标和安全指标，选择合适的交叉口效率指标作为交通仿真建模第一轮标定目标以及第二轮标定目标的约束条件，选择合适的交叉口安全指标作为交通仿真建模第二轮标定目标；通过计算仿真指标的标准差以及选择合适的置信区间对建立的仿真模型的最小所需仿真次数进行估计，有效减少参数校正的仿真试验次数；使用ANOVA检验或相关性检验，筛选出显著影响效率指标和安全指标的仿真参数；建立多约束的标定优化问题，提出使用遗传算法对模型参数进行标定的具体策略和流程；提出适应度参数选取方案；提出模型约束条件选择方案；通过对于交通冲突参数分布进行模型标定。
参考图1，具体包括以下步骤：
S1.收集交通仿真建模所有必要的数据，包括道路几何特征数据、交通控制数据、交通管理数据、交通流量数据和交通冲突指标；该道路几何特性数据包括CAD或商业地图数据，交通控制数据包括信号灯配时数据，交通管理数据包括标志标线、路权管理和专用车道，交通流量数据包括各个路口的交通流、车流比、转向比、车辆速度分布和车头间距分布，交通冲突指标包括避免碰撞时间TTC指标、后侵占时间PET指标和数量；
S2.根据步骤S1收集到的数据，选择适合的交通仿真软件，比如VISSIM或Paramics，进行交通仿真的建模；
S3.选择合适的交叉口效率指标作为第一轮标定目标以及第二轮标定目标的约束条件，该交叉口效率指标包括交叉口平均排队长度、控制延误、两点间车辆行程时间等；
S4.选择合适的交叉口安全指标作为第二轮标定目标，可选用的安全指标包括交通冲突的TTC指标，PET指标等；
S5.对建立的仿真模型的最小所需仿真次数进行估计，首先进行数次仿真(如50次)，提取仿真输出的效率指标和安全指标；
S6.计算仿真效率指标的平均排队长度标准差；
其中，x为平均排队长度，N为仿真次数。
S7.选择置信区间计算该仿真模型所需的最小仿真次数，一般置信区间可选95％或90％；
其中，C为1-置信度，t为对应置信度的分位点，s为标准差。
S8.缺省参数的适用性检验(feasibility test)：在不调整缺省参数的情况下，运行仿真模型输出仿真的效率和安全指标，与实际的指标进行对比，如果仿真指标与实际指标的差异不大，则认为仿真模型缺省参数有效。如果差异过大，则需要进行参数标定。如果是单一指标，实际指标值落在仿真指标范围域的90％内，认为有效，若为多指标，则实际各个指标均同时落在其对应仿真指标90％范围域内为有效；
S9.采用拉丁超方设计实验方法对模型参数进行进一步标定，将仿真参数集合按照其缺省的参数范围域进行随机采样，最终使得各仿真参数之间的相关性降到很低的水平，这样做的目的是使得参数集的取样尽可能覆盖整个参数空间；
S10.将实际指标与通过拉丁超方设计实验得到的仿真指标范围域进行对比，如果实际指标值落在仿真指标的90％范围域内，则认为目前的参数集合的范围域设定合理。如果并不落在范围域内，则重新进行拉丁超方设计随机抽样；
S11.使用ANOVA检验或相关性检验，筛选出显著影响效率指标和安全指标的仿真参数。拒绝参数显著性的判断阈值为0.05；
其中，nj为某仿真参数在j水平值下的样本个数，等于在该具体参数值下的仿真次数；
为该参数的在第j个水平值下的效率(安全)指标均值；
为效率(安全)指标的均值；
K为该参数的水平值个数，例如共10个不同的水平值，则k＝4；
N为总的仿真次数。
S12.使用3Dcontour图辅助筛选与显著因素存在共同显著效应(combinedeffect)但本身并不显著的参数，目的是检验根据先验信息判断可能存在共同效应的参数；
S13.针对选择的效率指标，选择相对误差值作为适应度函数，使用遗传算法进行参数的第一轮标定，具体包括以下步骤：
S131.随机选取初始种群，包含若干个体，该个体为与效率指标显著相关的参数值集合，进行编码；
S132.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S133：选择均匀交叉策略，概率初始可设为0.5，根据拟合情况进行调整，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S134：选择均匀变异策略，概率可设为0.1，并根据拟合情况进行调整，对个体进行变异；
迭代步骤S131-S134的过程，直到目标适应度函数收敛；
S14.针对选择的安全指标，选择适应度函数为JS－divergence距离，
其中DKL(P||Q)为P到Q的距离，p(x),q(x)分别为仿真冲突与实际冲突的后侵占时间PET分布概率密度函数。
S15.定义约束条件一：仿真交通冲突的数量与实际交通冲突数量的差异性不能超过10％。并构造惩罚函数H1：
H1:0.9-NC or NC-1.1
其中NC为仿真冲突数量与实际冲突数量比值；
S16.定义约束条件二，仿真得到的效率指标与实际的效率指标的差异性不能超过10％，并构造相应的惩罚函数H2：
H2：0.9-EM or EM-1.1
其中EM为仿真效率指标与实际效率指标的比值；
S17.以步骤S15和S16定义的条件为约束，添加动态惩罚函数，定义优化目标函数。通过遗传算法进行标定。
F＝JSD+(C*t)a(H1b+H2b) (5)
其中：C，a,b是常数，取C＝0.5，a＝b＝2；
具体包括以下步骤：
S171.随机选取初始种群，包含若干个体，该个体为与安全指标显著相关的参数值集合，进行编码；
S172.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S173.选择均匀交叉策略，概率初始可设为0.5，根据拟合情况进行调整，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S174.选择均匀变异策略，概率可设为0.1，并根据拟合情况进行调整，对个体进行变异；
重复步骤S171-S174，直至算法收敛，获得最优仿真参数集；
S18.将标定后的模型与为标定的模型进行模型输出结果的对比，验证标定模型的优越性；
S19.使用全新的验证集，用标定的仿真模型的输出指标与实际指标进行对比，判断仿真模型的普适性。
下面结合具体实施例对本发明作更进一步的说明。
本实施例选取了上海市奉贤区望园-南奉路，通过无人机航拍的方法对每一个路口进行了4个小时的拍摄，将拍摄的视频结合人工与视频分析的方法，提取观测冲突数据，图4示例了一个交叉路口基于无人机航拍与辅助视频分析的交通冲突提取。交通仿真软件使用VISSIM，交通仿真冲突通过SSAM软件提取仿真输出轨迹获得，其中3个小时的数据用于标定，一个小时的数据用于验证，标定后的参数详见表1。
表1标定后的参数
| 标定参数 | 缺省值 | 标定值 |
| 平均的停车间距 | 2 | 1.6 |
| 安全距离的附加部分 | 2 | 2.2 |
| 安全距离的倍数部分 | 3 | 2.8 |
| 可视距离 | 100m | 89m |
| 前方最小空挡 | 0.5 | 0.46 |
| TTC阈值 | 1.5 | 1.6 |
| 安全距离折减系数 | 0.6 | 0.68 |
参考图5和图6可知，分布基本吻合，均值和方差无显著性差异，k-s检验表示无显著差异。
Claims (6)
1.考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：选择交叉口效率指标作为交通仿真建模第一轮标定目标以及第二轮标定目标的约束条件，选择交叉口冲突指标及分布作为交通仿真建模第二轮标定目标；通过计算仿真效率指标的标准差以及选择置信区间对建立的仿真模型的最小所需仿真次数进行估计；通过相关性检验筛选出效率指标和安全指标的仿真参数；建立多约束的标定优化问题，通过遗传算法对模型参数进行标定，选择适应度参数和模型约束条件，通过对于交通冲突参数分布进行模型标定。
2.根据权利要求1所述考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：包括以下步骤：
S1.收集交通仿真建模所需数据，包括道路几何特征数据、交通控制数据、交通管理数据、交通流量数据和交通冲突指标；
S2.根据步骤S1收集到的数据，进行交通仿真建模；
S3.选择交叉口效率指标作为第一轮标定目标以及第二轮标定目标的约束条件，该效率指标包括交叉口平均排队长度、控制延误和两点间车辆行程时间；
S4.选择交叉口安全指标作为第二轮标定目标，该安全指标包括交通冲突的避免碰撞时间TTC指标和后侵占时间PET指标；
S5.对建立的仿真模型的最小所需仿真次数进行估计，先预设仿真次数，提取仿真输出的效率指标和安全指标；
S6.计算效率指标中平均排队长度的标准差；
其中，x为平均排队长度，N为仿真次数；
S7.选择置信区间计算该仿真模型所需的最小仿真次数：
其中，C为1-置信度，t为对应置信度的分位点，s为平均排队长度的标准差；
S8.缺省参数的适用性检验：在不调整缺省参数的情况下，运行仿真模型输出仿真的效率指标和安全指标，与实际效率指标值和实际安全指标值进行对比，若单一指标，实际指标值落在仿真指标范围域的90％内，认为有效；若为多指标，则各个指标均同时落在其对应仿真指标90％范围域内为有效，否则，进行参数标定；
S9.采用拉丁超方设计实验方法对模型参数进行进一步标定，将仿真参数集合按照其缺省的参数范围域进行随机采样；
S10.将实际指标与通过拉丁超方设计实验得到的仿真指标范围域进行对比，若实际指标值落在仿真指标的90％范围域内，则认为目前的参数集合的范围域设定合理，如果并不落在范围域内，则重新进行拉丁超方设计随机抽样；
S11.使用ANOVA检验或相关性检验，筛选出影响效率指标和安全指标的仿真参数；
其中，nj为某仿真参数在j水平值下的样本个数，为该参数的在第j个水平值下的效率或安全指标均值，为效率或安全指标的均值，K为该参数的水平值个数，N为总的仿真次数；
S13.针对选择的效率指标，选择相对误差值作为适应度函数，使用遗传算法进行参数的第一轮标定；
S14.针对选择的安全指标，选择适应度函数为JS－divergence距离，
其中DKL(P||Q)为P到Q的距离，p(x),q(x)分别为仿真冲突与实际冲突的后侵占时间PET分布概率密度函数；
S15.定义约束条件一：仿真交通冲突的数量与实际交通冲突数量的差异性不能超过10％，并构造惩罚函数H1：
H1:0.9-NC or NC-1.1
其中NC为仿真冲突数量与实际冲突数量比值；
S16.定义约束条件二：仿真得到的效率指标与实际的效率指标的差异性不能超过10％，并构造相应的惩罚函数H2：
H2：0.9-EM or EM-1.1
其中EM为仿真效率指标与实际效率指标的比值；
S17.以步骤S15和S16定义的条件为约束，添加动态惩罚函数，定义优化目标函数，通过遗传算法进行标定：
F＝JSD+(C*t)a(H1b+H2b) (5)
其中：C，a,b是常数；
S18.将标定后的模型与未标定的模型进行模型输出结果的对比，验证标定模型的优越性；
S19.使用新的验证集，用标定的仿真模型的输出指标与实际指标进行对比，判断仿真模型的普适性。
3.根据权利要求2所述的考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：所述步骤S13使用遗传算法进行参数的第一轮标定具体包括以下步骤：
S131.随机选取初始种群，包含若干个体进行编码；
S132.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S133：选择均匀交叉策略，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S134：选择均匀变异策略，对个体进行变异；
迭代步骤S131-S134的过程，直到目标适应度函数收敛。
4.根据权利要求2所述的考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：所述步骤S17通过遗传算法进行标定具体包括以下步骤：
S171.随机选取初始种群，包含若干个体进行编码；
S172.计算每个个体所对应的适应度函数，采用2人竞争算子法，选择出“优质”个体；
S173.选择均匀交叉策略，对保留下来的优质个体进行“交叉”操作，产生新的个体；
S174.选择均匀变异策略，对个体进行变异；
重复步骤S171-S174，直至算法收敛，获得最优仿真参数集。
5.根据权利要求2所述的考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：所述步骤S11和S13之间还包括步骤S12，所述步骤S12包括使用3Dcontour图对参数进行辅助筛选。
6.根据权利要求2所述的考虑交通冲突指标分布问题的交通仿真模型标定方法，其特征在于：所述步骤S11的拒绝参数显著性的判断阈值为0.05。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711308503.5A CN108171361B (zh) | 2017-12-11 | 2017-12-11 | 考虑交通冲突指标分布问题的交通仿真模型标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711308503.5A CN108171361B (zh) | 2017-12-11 | 2017-12-11 | 考虑交通冲突指标分布问题的交通仿真模型标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171361A true CN108171361A (zh) | 2018-06-15 |
| CN108171361B CN108171361B (zh) | 2021-11-12 |
Family
ID=62524795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711308503.5A Active CN108171361B (zh) | 2017-12-11 | 2017-12-11 | 考虑交通冲突指标分布问题的交通仿真模型标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171361B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109147319A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于多交通数据指标的道路突发事件判别方法 |
| CN110020504A (zh) * | 2019-04-23 | 2019-07-16 | 吉林大学 | 基于后侵入和碰撞时间的无人车行驶环境复杂度量化方法 |
| CN111009125A (zh) * | 2019-12-17 | 2020-04-14 | 武汉理工大学 | 一种城市交叉路口人车碰撞概率计算方法 |
| CN111695241A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 |
| CN111695278A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
| WO2020253338A1 (zh) * | 2019-06-18 | 2020-12-24 | 上海电科智能***股份有限公司 | 一种基于交通大数据的道路通行能力提取方法 |
| CN113268855A (zh) * | 2021-04-19 | 2021-08-17 | 东南大学 | 一种环形交叉口微观交通仿真模型的标定方法 |
| CN113312733A (zh) * | 2021-05-08 | 2021-08-27 | 东南大学 | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
| CN113763708A (zh) * | 2021-08-20 | 2021-12-07 | 东南大学 | 一种基于交通仿真的多类型专用道控制方法 |
| CN113918475A (zh) * | 2021-12-15 | 2022-01-11 | 腾讯科技（深圳）有限公司 | 测试处理方法、装置、计算机设备及存储介质 |
| WO2023142080A1 (en) * | 2022-01-29 | 2023-08-03 | Siemens Aktiengesellschaft | Simulation model calibration method and apparatus, electronic device, and storage medium |
-
2017
- 2017-12-11 CN CN201711308503.5A patent/CN108171361B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 刘翕瑶 等: ""基于交通冲突理论与微观交通仿真的城市交叉口安全评价"", 《天津职业技术师范大学学报》 * |
| 李金花 等: ""基于仿真的城市道路交叉***通安全评价"", 《中国安全科学学报》 * |
| 贺佐斌: ""信号交叉***通状态预测及应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 郭延永: ""基于交通冲突理论的信号交叉口安全评价技术"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109147319A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于多交通数据指标的道路突发事件判别方法 |
| CN110020504A (zh) * | 2019-04-23 | 2019-07-16 | 吉林大学 | 基于后侵入和碰撞时间的无人车行驶环境复杂度量化方法 |
| WO2020253338A1 (zh) * | 2019-06-18 | 2020-12-24 | 上海电科智能***股份有限公司 | 一种基于交通大数据的道路通行能力提取方法 |
| CN111009125A (zh) * | 2019-12-17 | 2020-04-14 | 武汉理工大学 | 一种城市交叉路口人车碰撞概率计算方法 |
| CN111009125B (zh) * | 2019-12-17 | 2021-01-15 | 武汉理工大学 | 一种城市交叉路口人车碰撞概率计算方法 |
| CN111695278B (zh) * | 2020-05-18 | 2022-11-15 | 东南大学 | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
| CN111695241A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 |
| CN111695278A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
| CN113268855A (zh) * | 2021-04-19 | 2021-08-17 | 东南大学 | 一种环形交叉口微观交通仿真模型的标定方法 |
| CN113268855B (zh) * | 2021-04-19 | 2024-01-30 | 东南大学 | 一种环形交叉口微观交通仿真模型的标定方法 |
| CN113312733A (zh) * | 2021-05-08 | 2021-08-27 | 东南大学 | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
| CN113312733B (zh) * | 2021-05-08 | 2022-11-01 | 东南大学 | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
| CN113763708B (zh) * | 2021-08-20 | 2022-11-04 | 东南大学 | 一种基于交通仿真的多类型专用道控制方法 |
| CN113763708A (zh) * | 2021-08-20 | 2021-12-07 | 东南大学 | 一种基于交通仿真的多类型专用道控制方法 |
| CN113918475A (zh) * | 2021-12-15 | 2022-01-11 | 腾讯科技（深圳）有限公司 | 测试处理方法、装置、计算机设备及存储介质 |
| WO2023142080A1 (en) * | 2022-01-29 | 2023-08-03 | Siemens Aktiengesellschaft | Simulation model calibration method and apparatus, electronic device, and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171361B (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171361A (zh) | 考虑交通冲突指标分布问题的交通仿真模型标定方法 | |
| CN108198415B (zh) | 一种基于深度学习的城市快速路事故预测方法 | |
| CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
| CN106251583B (zh) | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 | |
| CN109977793A (zh) | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 | |
| CN109272746B (zh) | 一种基于bp神经网络数据融合的mfd估测方法 | |
| CN106530717B (zh) | 基于云模型的施工路段行车险态评价方法 | |
| CN107284442B (zh) | 一种用于自动驾驶车辆的弯道行驶纵向控制方法 | |
| CN110853377B (zh) | 基于车头时距的公路车辆换道模型标定与决策方法及装置 | |
| Park et al. | Application of microscopic simulation model calibration and validation procedure: Case study of coordinated actuated signal system | |
| CN107117179A (zh) | 基于乘员注意的自主控制 | |
| CN107121979A (zh) | 自主置信控制 | |
| CN107117162A (zh) | 自主车辆控制转换 | |
| CN109800658A (zh) | 基于神经网络的泊车位类型在线识别与定位***及方法 | |
| CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
| CN108710719A (zh) | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 | |
| CN104298540B (zh) | 一种微观交通仿真软件的底层模型参数校正方法 | |
| CN109367541A (zh) | 一种基于驾驶员行为特性的智能车类人变道决策方法 | |
| CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
| CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
| CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
| CN106856049A (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
| CN109686090A (zh) | 一种基于多源数据融合的虚拟交通流量计算方法 | |
| CN106991811B (zh) | 基于驾驶模拟实验平台的快速路出口匝道上游路侧指路信息优化设计方法 | |
| CN113312733B (zh) | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |