CN115481531A - 基于sumo的路网交通流实时孪生方法及*** - Google Patents

基于sumo的路网交通流实时孪生方法及*** Download PDF

Info

Publication number
CN115481531A
CN115481531A CN202211084186.4A CN202211084186A CN115481531A CN 115481531 A CN115481531 A CN 115481531A CN 202211084186 A CN202211084186 A CN 202211084186A CN 115481531 A CN115481531 A CN 115481531A
Authority
CN
China
Prior art keywords
flow
path
road network
time
sumo
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
CN202211084186.4A
Other languages
English (en)
Other versions
CN115481531B (zh
Inventor
卢维科
胡国静
李哲
聂奇凡
倪赛格
池佳磊
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202211084186.4A priority Critical patent/CN115481531B/zh
Publication of CN115481531A publication Critical patent/CN115481531A/zh
Application granted granted Critical
Publication of CN115481531B publication Critical patent/CN115481531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于SUMO的路网交通流实时孪生方法，包括对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；基于所述路径流量对路网交通状态进行实时更新和实时仿真。本发明改进了传统的路径流估计算法，并基于传统交通仿真软件SUMO建立了集路径流估算‑仿真‑反馈为一体的动态闭环路网交通流孪生方法，实现交通实际数据到孪生平台的迁移，打通了实际交通需求到虚拟孪生路网交通的联系，可建立精度更高、范围更广、时效性更强的路网交通状态虚拟再现，支持大规模路网需求实时复现的应用。

Description

基于SUMO的路网交通流实时孪生方法及***
技术领域
本发明涉及交通仿真技术领域，尤其是指一种基于SUMO的路网交通流实时孪生方法及***。
背景技术
随着数字孪生技术的发展，对城市或者交通路网的虚拟孪生成为可能。城市道路***不仅有复杂的路网拓扑结构，也催生出动态、随机、复杂的路网交通需求。当前在城市/路网交通数字孪生中，动态交通需求孪生一直是亟待解决的问题。能否准确的孪生出实体路网的实时交通动态既关系到交通数字孪生***的能否真正反映实际并发挥作用，也关系到能否成功构建智慧网联交通环境。以基于数字孪生的智能网联车测试平台研究现状为例，虽然大量研究存在于数据传输与网络通信、车辆动力与传感器***、智能网联车流建模等方面，但是在测试平台虚拟背景交通流方面还存在“不准”、“不广”、“不实时”三大问题。“不准”即所孪生的交通流与实际交通流直接误差较大；“不广”指孪生区域主要在于路段和干道，缺少路网级别的实际背景交通流孪生方法；“不实时”即所孪生的交通流无法实时反映实际交通流动态性。
因此，迫切需要提供一种基于SUMO的路网交通流实时孪生方法，以解决上述智能网联车测试平台中背景交通流孪生“不准”、“不广”、“不实时”的三大问题，同时可广泛地支持大量交通数字孪生***中动态交通孪生的基本需求。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种基于SUMO的路网交通流实时孪生方法及***，其建立了集路径流估算-仿真-反馈为一体的动态闭环路网交通流孪生方法，打通了实际交通需求到虚拟孪生路网交通的联系，可建立精度更高、范围更广、时效性更强的路网交通状态虚拟再现，支持大规模路网需求实时复现的应用。
为解决上述技术问题，本发明提供一种基于SUMO的路网交通流实时孪生方法，包括：
对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
基于所述路径流量对路网交通状态进行实时更新和实时仿真。
在本发明的一个实施例中，将SUMO路网转换为带有边属性的可被建模的数学网络的方法包括：
根据SUMO路网中节点和链接的关系构建数学网络，所述数学网络包括节点与节点之间的路网拓扑结构关系建立和交叉口网络化表示。
在本发明的一个实施例中，所述交叉口网络化表示的方法包括：
对交叉口进行流线与信号相位分析，将车流合流点和分流点作为网络节点，对流线进行分段以建立网络的边，边的属性等于所在流线上的交通流的速度、所涉及的车道数以及长度。
在本发明的一个实施例中，所述路径流估计模型为：
Minimize
Figure BDA0003834792700000021
Subject to
Figure BDA0003834792700000022
Figure BDA0003834792700000023
Figure BDA0003834792700000024
Figure BDA0003834792700000025
其中，i∈I表示道路索引，I表示路段集合，t表示时间间隔，p∈P(t)表示路径索引，P(t)表示路径集合，A(t)表示0-1路径-路段关联矩阵，Ap,i(t)表示t时间间隔内路段i在路径p上，xp(t)表示t时间间隔内路径p上的流量，flowi(t)表示检测点路段i在t时间间隔内获取到的流量，erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
在本发明的一个实施例中，所述路径流估计模型在求解时直接调用了开源求解器IPOPT进行求解，产生的最优解xp(t)表示路径流量。
在本发明的一个实施例中，基于所述路径流量对路网交通状态进行实时更新的方法包括：
在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p，A(t)矩阵在路径流估计中得到更新，输入A(t)更新网络信息并将检测点实际获取到的交通流flowi(t)输入到路径流估计模型中，得到时间间隔t的路径流量。
在本发明的一个实施例中，基于所述路径流量对路网交通状态进行实时仿真的方法包括：
将每条路径流量离散化为该时间间隔的车辆信息序列，通过SUMO的二次开发接口读取所述车辆信息序列，在每个时间间隔t内进行动态实时仿真。
此外，本发明还提供一种基于SUMO的路网交通流实时孪生***，包括：
路网提取模块，所述路网提取模块用于对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
路径流量估计模块，所述路径流量估计模块用于获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
状态更新仿真模块，所述状态更新仿真模块用于基于所述路径流量对路网交通状态进行实时更新和实时仿真。
在本发明的一个实施例中，所述路径流估计模型为：
Minimize
Figure BDA0003834792700000031
Subject to
Figure BDA0003834792700000032
Figure BDA0003834792700000033
Figure BDA0003834792700000034
Figure BDA0003834792700000035
其中，i∈I表示道路索引，I表示路段集合，t表示时间间隔，p∈P(t)表示路径索引，P(t)表示路径集合，A(t)表示0-1路径-路段关联矩阵，Ap,i(t)表示t时间间隔内路段i在路径p上，xp(t)表示t时间间隔内路径p上的流量，flowi(t)表示检测点路段i在t时间间隔内获取到的流量，erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
在本发明的一个实施例中，基于所述路径流量对路网交通状态进行实时更新时，在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p，A(t)矩阵在路径流估计中得到更新，输入A(t)更新网络信息并将检测点实际获取到的交通流flowi(t)输入到路径流估计模型中，得到时间间隔t的路径流量。
本发明的上述技术方案相比现有技术具有以下优点：
本发明改进了传统的路径流估计算法，并基于传统交通仿真软件SUMO建立了集路径流估算-仿真-反馈为一体的动态闭环路网交通流孪生方法，实现交通实际数据到孪生平台的迁移，打通了实际交通需求到虚拟孪生路网交通的联系，可建立精度更高、范围更广、时效性更强的路网交通状态虚拟再现，支持大规模路网需求实时复现的应用。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1为本发明实施例所提出的一种基于SUMO的路网交通流实时孪生方法的技术架构图。
图2为本发明实施例所提出的一种基于SUMO的路网交通流实时孪生方法的流程示意图。
图3为本发明实施例方法路网提取与抽象的示意图。
图4为本发明实施例方法路网交通流实时孪生过程中的数据流。
图5为本发明实施例方法案例信息的示意图，图5(a)显示了模拟区域的卫星视图，图5(b)显示了检测器分布示意图。
图6为DFRouter方法每次估计的绝对误差百分比分布图。
图7为FlowRouter方法每次估计的绝对误差百分比分布图。
图8为RouteSampler方法每次估计的绝对误差百分比分布图。
图9为本发明方法每次估计的绝对误差百分比分布图。
图10为四种方法每次估计的绝对误差时间分布图。
图11为四种方法每次估计的绝对误差百分比空间分布图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
SUMO全称是城市交通仿真(Simulation of Urban Mobility,SUMO)，其是一个开放源代码，高度可移植，微观且连续的交通模拟包，旨在处理大型道路网络。SUMO可以模拟由单个车辆组成的给定交通需求的道路网络。SUMO车流是纯微观的，其中每辆车都有明确的轨迹，并通过网络单独移动，SUMO包括准备和执行流量模拟所需的所有应用程序(网络和路由导入、DUA、仿真平台)，同时SUMO也提供了大量工具和开发包，以供使用者进行二次开发。路径流估计是交通规划和管理中的一项关键任务。由于较难获得全部出行者的确切轨迹，许多学者尝试从路段交通量统计中估计路径交通流。线圈检测器广泛存在于路网之中，可提供布设点的路段交通量。
本发明实施例融合传统的开源交通微观仿真软件SUMO的基本仿真功能，并对其进行了二次开发。基于此软件，本发明实施例提出一种基于SUMO的路网交通流实时孪生方法，其技术架构如图1所示，主要用途是利用交通检测点数据反推路网实时交通流、并通过SUMO二次开发手段将估算的网络流以车辆输入的形式配置在SUMO路网中进行复现。本发明的实践价值在于可实现交通实际数据到孪生平台的迁移，打通了实际交通需求到虚拟车辆轨迹的联系。本发明改进了传统的路径流估算算法，将其更新为一个动态路径流最优匹配问题。该模型是一个最小二次凸优化问题。其目标函数追求最小化总误差，约束条件确保进入虚拟孪生路网的车辆等于实际进入路网的车辆，同时也描述了在路网非输入型路段上观察到的流量和估算流量之间的关系。由于该模型是一个凸优化问题，在求解时可直接调用开源求解器IPOPT进行求解，产生的最优解表示与实际情况最接近的路径流。
请参考图2所示，本发明实施例提供的一种基于SUMO的路网交通流实时孪生方法，包括以下步骤：
S1：对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
S2：获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
S3：基于所述路径流量对路网交通状态进行实时更新和实时仿真。
在本发明实施例公开的一种基于SUMO的路网交通流实时孪生方法中，该方法改进了传统的路径流估计算法，并基于传统交通仿真软件SUMO建立了集路径流估算-仿真-反馈为一体的动态闭环路网交通流孪生方法。该方法可通过将实时交通检测器数据作为输入并利用优化模型来重新构建路网范围的车辆轨迹，目标是在短时间内最小化估计的交通流量和检测器交通计数之间的差异。在实际应用中，本发明可以根据检测器数据馈送的交通流量模拟短时间窗口的路网交通动态、估计路网车流轨迹，可建立精度更高、范围更广、时效性更强的路网交通状态虚拟再现。
其中，在步骤S1中，为了对路网交通流进行建模，SUMO仿真路网(即：实际路网，SUMO可将区域地图直接转换为仿真路网)需要转换为可被建模的数学网络。本发明提出的方法可根据SUMO网络中节点和链接的关系构建一个网络G(Node,Edge)。此网络来源于两个部分：1)节点与节点之间的路网拓扑结构关系建立；2)交叉口网络化表示。节点间的拓扑结构与一般网络抽象方法一致，均是利用节点直接邻接关系建立节点-边关系。交叉口网络化表示是本发明的创新点，即把交叉口内部的流线表示为节点-边关系。具体交叉口提取与抽象方法如图3所示，通过对交叉口进行流线与信号相位分析，把车流合流点和分流点作为网络节点，对流线进行分段以建立网络的边。边的属性比如速度、车道数、长度等等于所在流线上的交通流的速度、所涉及的车道数以及长度。交叉口网络化的意义在于可保留路网交叉口微观拓扑信息(交叉口设计图、交通流向、信号信息、交通组织等)。基于转换的数学网络，网络的起点节点、重点节点、中间过渡节点、合流节点、分流节点、交叉口节点等可以进行识别与分类。本发明用迪杰斯特拉算法基于路段行程时间计算每个起点-终点对之间的最短路径。
其中，在步骤S2中，本发明将路径流实时估算问题问题定义为：在有限检测器信息的条件下，通过估算路网起终点的路径流量使观察到的道路流量与估算的道路流量之间误差最小。本发明将此问题抽象为一个数学优化模型(路径流估计模型)，在路约束下利用观察到的路段流量估算最优路径流量。在这里，本发明所用的方法使用变量i来描述网络中的一条路段，使用flowi(t)表示在时间间隔t内观察到的路段流量。如果路段i没有线圈检测器，flowi(t)就不会存在，而不是等于0。变量p表示最短路径索引。A(t)是一个0-1路径-路段关联矩阵，表示路径和路段之间在时间间隔t内的关联。
上述路径流估计模型为：
Minimize
Figure BDA0003834792700000061
Subject to
Figure BDA0003834792700000062
Figure BDA0003834792700000063
Figure BDA0003834792700000064
Figure BDA0003834792700000065
该模型是一个最小二次凸优化问题。目标函数公式(1)最小化总误差。约束(2)确保进入虚拟孪生路网的车辆等于实际进入路网的车辆。约束(3)表示在路网非输入型路段上，观察到的流量和估算流量之间的关系。不等式(4)保证评估到的路径流是一个非负数。公式(5)说明误差erri(t)是一个实数变量。由于本模型是一个凸优化问题，在求解时直接调用了开源求解器IPOPT进行求解，产生的最优解xp(t)将用表示与实际情况接近的路径流。
其中，在步骤S3中，在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，然后更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p。此外，A(t)矩阵在路径流估计中也将更新。输入A(t)后，更新网络信息并将实际检测器观测到的交通流flowi(t)输入到所提出的路径流估计模型中，可以得到时间间隔t的估计路径流量。进一步地，将每条路径流离散化为该时间间隔的车辆序列，并且为每辆车添加路径、出发时间等信息，并将这些信息通过Traci接口输入SUMO设置中。在每个时间间隔t内滚动完成上述工作，即可进行动态实时仿真。图4展示了路网交通流实时孪生过程中的数据流，呈现了从检测器数据到SUMO中个体模拟车辆的过程。总体上，实时仿真具有两个作用：一是呈现动态的交通状态，二是在路径流估计过程中为路网信息更新提供支撑。
上述具体的路网交通状态更新和实时仿真算法和伪代码如下所示：
Step 0:校准与初始化：
校准仿真参数(驾驶行为参数、交叉口信号、道路限速、交通组成、车辆加减速性能等)；
连接SUMO，Python和数据库；
抽象路网G(Node,Edge)和I*(有检测器的路段集)；
确定仿真更新步长θ，θ是检测器数据库读取频率的整数倍.
设置时间间隔索引t＝0；
识别路网起点集合Nodeo和终点集合Noded；
识别路网输入路段集合IA和输出路段集合IB；
计算路径集P(t)和路径-道路矩阵A(t)；
Step 1:仿真设计与运行:
Figure BDA0003834792700000071
Figure BDA0003834792700000081
Step 2:更新路网信息:
Figure BDA0003834792700000082
Figure BDA0003834792700000091
上述变量的描述如下表1所示：
表1变量描述
Figure BDA0003834792700000092
本发明改进了传统的路径流估计算法，并基于传统交通仿真软件SUMO建立了集路径流估算-仿真-反馈为一体的动态闭环路网交通流孪生方法，实现交通实际数据到孪生平台的迁移，打通了实际交通需求到虚拟孪生路网交通的联系，可建立精度更高、范围更广、时效性更强的路网交通状态虚拟再现，支持大规模路网需求实时复现的应用。
本发明通过进行案例对比以测试本方法性能。选择了A市一条干道来建立模拟。图5(a)显示了模拟区域的卫星视图。图5(a)中包含了四个交叉口。值得注意的是，检测器部署在交叉口和交叉口支路的上游(图5(b))。本案例中使用的流量数据是在2020年2月5日6:00:00-10:00:00之间收集的，峰值出现在7点30分左右。
与三种常用的方法相比(DFRouter，FlowRouter和RouteSampler)，本方法不仅可避免无效路径，还可以找到总估计误差最小的路径流。与FlowRouter一样，本发明的方法需要由检测器信息、观察到的边缘流量和SUMO网络来输入，然后输出路径和路径流量或车辆序列。通过使用仿真模拟手段对比本发明与已存在3种方法的性能，仿真模拟中的交通信号与现实世界的信号同步。
选择均方根误差(MSE)和平均绝对误差(MAPE)作为评价指标并比较四种方法的性能。如表2所示，在案例分析中，本发明RMSE和MAPE值都明显小于其他三种方法，即表明本发明的误差小于三种已存在的方法。RouteSampler和FlowRouter的性能较为相同，但是误差几乎是本发明的两倍。对比发现DFRouter具有最大的估计误差。
表2模型仿真误差
Method DFRouter FlowRouter RouteSampler 本发明
RMSE 98.42 64.56 50.08 27.72
MAPE 24.26％ 16.75％ 18.30％ 8.93％
图6至图9显示了每种方法每次估计的绝对误差百分比分布。RouteSampler和FlowRouter的绝对误差分布较为均匀。DFRouter的误差分布较高。对于本发明来讲，随着绝对误差的增加，观测值的数量也随之减少，这意味着良好的误差控制。大多数观测误差被控制在较低的水平(大多数低于60％)，这比其他方法表现得更好。
图10从时间维度进行性能分析与对比。检测器的绝对误差每5分钟输出一次，其误差峰值出现在早上7点半左右。从图中可看出，本发明显示出更好的性能，即每个时间段的误差都比其他方法低。
图11显示了误差的空间分布。发现在所有方法中，干道北侧的估计误差都很高，而南侧的结果则不同。总体上，本发明能显著降低估计误差，并将大多数路段的误差百分比控制在60％以内。
下面对本发明实施例公开的一种基于SUMO的路网交通流实时孪生***进行介绍，下文描述的一种基于SUMO的路网交通流实时孪生***与上文描述的一种基于SUMO的路网交通流实时孪生方法可相互对应参照。
本发明实施例还提供一种基于SUMO的路网交通流实时孪生***，包括：
路网提取模块，所述路网提取模块用于对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
路径流量估计模块，所述路径流量估计模块用于获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
状态更新仿真模块，所述状态更新仿真模块用于基于所述路径流量对路网交通状态进行实时更新和实时仿真。
在本发明的一个实施例中，所述路径流估计模型为：
Minimize
Figure BDA0003834792700000111
Subject to
Figure BDA0003834792700000112
Figure BDA0003834792700000113
Figure BDA0003834792700000114
Figure BDA0003834792700000115
其中，i∈I表示道路索引，I表示路段集合，t表示时间间隔，p∈P(t)表示路径索引，P(t)表示路径集合，A(t)表示0-1路径-路段关联矩阵，Ap,i(t)表示t时间间隔内路段i在路径p上，xp(t)表示t时间间隔内路径p上的流量，flowi(t)表示检测点路段i在t时间间隔内获取到的流量，erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
在本发明的一个实施例中，基于所述路径流量对路网交通状态进行实时更新时，在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p，A(t)矩阵在路径流估计中得到更新，输入A(t)更新网络信息并将检测点实际获取到的交通流flowi(t)输入到路径流估计模型中，得到时间间隔t的路径流量。
本实施例的基于SUMO的路网交通流实时孪生***用于实现前述的基于SUMO的路网交通流实时孪生方法，因此该***的具体实施方式可见前文中的基于SUMO的路网交通流实时孪生方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的基于SUMO的路网交通流实时孪生***用于实现前述的基于SUMO的路网交通流实时孪生方法，因此其作用与上述方法的作用相对应，这里不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于SUMO的路网交通流实时孪生方法，其特征在于，包括：
对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
基于所述路径流量对路网交通状态进行实时更新和实时仿真。
2.如权利要求1所述的基于SUMO的路网交通流实时孪生方法，其特征在于：将SUMO路网转换为带有边属性的可被建模的数学网络的方法包括：
根据SUMO路网中节点和链接的关系构建数学网络，所述数学网络包括节点与节点之间的路网拓扑结构关系建立和交叉口网络化表示。
3.如权利要求2所述的基于SUMO的路网交通流实时孪生方法，其特征在于：所述交叉口网络化表示的方法包括：
对交叉口进行流线与信号相位分析，将车流合流点和分流点作为网络节点，对流线进行分段以建立网络的边，边的属性等于所在流线上的交通流的速度、所涉及的车道数以及长度。
4.如权利要求1所述的基于SUMO的路网交通流实时孪生方法，其特征在于：所述路径流估计模型为：
Figure FDA0003834792690000011
Figure FDA0003834792690000012
Figure FDA0003834792690000013
Figure FDA0003834792690000014
Figure FDA0003834792690000015
其中，i∈I表示道路索引，I表示路段集合，t表示时间间隔，p∈P(t)表示路径索引，P(t)表示路径集合，A(t)表示0-1路径-路段关联矩阵，Ap,i(t)表示t时间间隔内路段i在路径p上，xp(t)表示t时间间隔内路径p上的流量，flowi(t)表示检测点路段i在t时间间隔内获取到的流量，erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
5.如权利要求4所述的基于SUMO的路网交通流实时孪生方法，其特征在于：所述路径流估计模型在求解时直接调用了开源求解器IPOPT进行求解，产生的最优解xp(t)表示路径流量。
6.如权利要求4所述的基于SUMO的路网交通流实时孪生方法，其特征在于：基于所述路径流量对路网交通状态进行实时更新的方法包括：
在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p，A(t)矩阵在路径流估计中得到更新，输入A(t)更新网络信息并将检测点实际获取到的交通流flowi(t)输入到路径流估计模型中，得到时间间隔t的路径流量。
7.如权利要求4所述的基于SUMO的路网交通流实时孪生方法，其特征在于：基于所述路径流量对路网交通状态进行实时仿真的方法包括：
将每条路径流量离散化为该时间间隔的车辆信息序列，通过SUMO的二次开发接口读取所述车辆信息序列，在每个时间间隔t内进行动态实时仿真。
8.一种基于SUMO的路网交通流实时孪生***，其特征在于，包括：
路网提取模块，所述路网提取模块用于对SUMO路网进行特征提取与抽象处理，将其转换为带有边属性的可被建模的数学网络；
路径流量估计模块，所述路径流量估计模块用于获取检测点的交通数据，将所述交通数据和数学网络输入至路径流估计模型中进行求解，得到路径流量；
状态更新仿真模块，所述状态更新仿真模块用于基于所述路径流量对路网交通状态进行实时更新和实时仿真。
9.如权利要求8所述的基于SUMO的路网交通流实时孪生***，其特征在于：所述路径流估计模型为：
Figure FDA0003834792690000021
Figure FDA0003834792690000022
Figure FDA0003834792690000023
Figure FDA0003834792690000024
Figure FDA0003834792690000025
其中，i∈I表示道路索引，I表示路段集合，t表示时间间隔，p∈P(t)表示路径索引，P(t)表示路径集合，A(t)表示0-1路径-路段关联矩阵，Ap,i(t)表示t时间间隔内路段i在路径p上，xp(t)表示t时间间隔内路径p上的流量，flowi(t)表示检测点路段i在t时间间隔内获取到的流量，erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
10.如权利要求9所述的基于SUMO的路网交通流实时孪生***，其特征在于：基于所述路径流量对路网交通状态进行实时更新时，在每个时间间隔t的开始时间，读取SUMO仿真中每条道路的行程时间，更新所构建的数学网络的路段行程时间，并根据更新的路段行程时间重新搜索每个起点-终点对的路线p，A(t)矩阵在路径流估计中得到更新，输入A(t)更新网络信息并将检测点实际获取到的交通流flowi(t)输入到路径流估计模型中，得到时间间隔t的路径流量。
CN202211084186.4A 2022-09-06 2022-09-06 基于sumo的路网交通流实时孪生方法及*** Active CN115481531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211084186.4A CN115481531B (zh) 2022-09-06 2022-09-06 基于sumo的路网交通流实时孪生方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211084186.4A CN115481531B (zh) 2022-09-06 2022-09-06 基于sumo的路网交通流实时孪生方法及***

Publications (2)

Publication Number Publication Date
CN115481531A true CN115481531A (zh) 2022-12-16
CN115481531B CN115481531B (zh) 2023-07-11

Family

ID=84424000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211084186.4A Active CN115481531B (zh) 2022-09-06 2022-09-06 基于sumo的路网交通流实时孪生方法及***

Country Status (1)

Country Link
CN (1) CN115481531B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117542189A (zh) * 2023-10-10 2024-02-09 北京市市政工程设计研究总院有限公司 区域交通负荷计算方法及***
CN117809459A (zh) * 2024-03-01 2024-04-02 吉林大学 一种用于全局路径规划的交通流建模方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866654A (zh) * 2015-05-06 2015-08-26 广州市交通规划研究院 一种一体化城市动态交通仿真平台的构建方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真***及方法
CN110942625A (zh) * 2019-11-06 2020-03-31 深圳市城市交通规划设计研究中心有限公司 基于现实路径流量回溯调节的动态od估计方法及装置
CN111241168A (zh) * 2020-01-15 2020-06-05 中设设计集团股份有限公司 一种实时在线微观交通仿真方法及***
CN112069636A (zh) * 2020-09-07 2020-12-11 华设设计集团股份有限公司 一种路网仿真输入模型构建方法、装置及存储介质
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113409573A (zh) * 2021-06-16 2021-09-17 福建师范大学 一种基于matlab的sumo城市交通仿真及车流量控制方法
CN114519302A (zh) * 2022-01-25 2022-05-20 江苏科技大学 基于数字孪生的公路交通态势仿真方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866654A (zh) * 2015-05-06 2015-08-26 广州市交通规划研究院 一种一体化城市动态交通仿真平台的构建方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真***及方法
CN110942625A (zh) * 2019-11-06 2020-03-31 深圳市城市交通规划设计研究中心有限公司 基于现实路径流量回溯调节的动态od估计方法及装置
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111241168A (zh) * 2020-01-15 2020-06-05 中设设计集团股份有限公司 一种实时在线微观交通仿真方法及***
CN112069636A (zh) * 2020-09-07 2020-12-11 华设设计集团股份有限公司 一种路网仿真输入模型构建方法、装置及存储介质
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113409573A (zh) * 2021-06-16 2021-09-17 福建师范大学 一种基于matlab的sumo城市交通仿真及车流量控制方法
CN114519302A (zh) * 2022-01-25 2022-05-20 江苏科技大学 基于数字孪生的公路交通态势仿真方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LEILEI KANG: "Research on route hierarchical control strategy from the perspective of macroscopic traffic network", 《JOURNAL OF INTELLIGENT TRANSPORTATION SYSTEMS TECHNOLOGY PLANNING AND OPERATIONS》, pages 1 - 9 *
刘澜: "面向边界控制的路网小区划分", 《中国公路学报》, vol. 31, no. 11, pages 186 - 196 *
杨艳飞;席裕庚;林姝;: "城市交通网络宏观控制模型及仿真实现", 控制工程, vol. 16, no. 6, pages 687 - 691 *
林勇;许兆霞;李树彬;党文修;: "交通信号控制参数的仿真优化方法研究", 交通运输***工程与信息, no. 03, pages 46 - 53 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117542189A (zh) * 2023-10-10 2024-02-09 北京市市政工程设计研究总院有限公司 区域交通负荷计算方法及***
CN117809459A (zh) * 2024-03-01 2024-04-02 吉林大学 一种用于全局路径规划的交通流建模方法

Also Published As

Publication number Publication date
CN115481531B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN115481531B (zh) 基于sumo的路网交通流实时孪生方法及***
Barceló et al. Microscopic traffic simulation: A tool for the design, analysis and evaluation of intelligent transport systems
Toledo et al. Calibration of microscopic traffic simulation models with aggregate data
CN111241168B (zh) 一种实时在线微观交通仿真方法及***
KR101815511B1 (ko) 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법
Huang et al. A bimodal Gaussian inhomogeneous Poisson algorithm for bike number prediction in a bike-sharing system
CN103761138A (zh) 一种交通仿真软件的参数校正方法
CN114238542A (zh) 多源交通gis路网多层级实时融合更新方法
US20230137263A1 (en) Method and apparatus for generating structured trajectories from geospatial observations
CN107622665B (zh) 一种宏观与微观交通仿真***交互的交通分配方法
CN116698075B (zh) 路网数据处理方法、装置、电子设备及存储介质
CN115499467B (zh) 基于数字孪生的智能网联车测试平台及其搭建方法与***
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
Monga et al. Sumo (simulation of urban mobility) and osm (open street map) implementation
Seredynski et al. Generation of realistic mobility for VANETs using genetic algorithms
Becker et al. Road network variation based on hd map analysis for the simulative safety assurance of automated vehicles
Porfyri et al. Calibration of a second-order traffic flow model using a metamodel-assisted Differential Evolution algorithm
Bosmans et al. Adaptivity in multi-level traffic simulation using experimental frames
Xia et al. Deeprailway: a deep learning system for forecasting railway traffic
Lu W-SPSA: an Efficient Stochastic Approximation Algorithm for the off-line calibration of Dynamic Traffic Assignment models
Bowman et al. Microscopic Vehicular Traffic Simulation: Comparison of Calibration Techniques
Sunderrajan et al. Map stream: initializing what-if analyses for real-time symbiotic traffic simulations
Jensen et al. Vehicle data activity quantification using spatio-temporal GIS on modelling smart cities
Balakrishna et al. Large-scale traffic simulation tools for planning and operations management
CN111954149A (zh) 面向车联网定位的非全覆盖场景路边单元部署方法和***

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