面向交通控制的實(shí)時(shí)仿真模型標(biāo)定方法

面向交通控制的實(shí)時(shí)仿真模型標(biāo)定方法

為了實(shí)時(shí)在線控制交通流，提高交通流的運(yùn)營，科學(xué)家們創(chuàng)建了大量模型和算法，并研究了許多管理制度，如澳大利亞的scat系統(tǒng)、英國的scot系統(tǒng)、意大利的spotutai系統(tǒng)。但是，這些模型和算法是否適用于不同地區(qū)的交叉口，是否有優(yōu)化空間，以及是否比現(xiàn)有模型具有更好的控制模型。然而，考慮到安全因素，網(wǎng)絡(luò)系統(tǒng)的控制方案是成熟的，并且很難進(jìn)行驗(yàn)證。因此，有必要為交通控制系統(tǒng)建立適合交通控制的實(shí)時(shí)在線模擬。通過與現(xiàn)場網(wǎng)絡(luò)系統(tǒng)一致的在線模擬，我們驗(yàn)證了模型和算法的可行性，并逐步完善，最終形成成熟的控制模型，用于現(xiàn)場交通系統(tǒng)。在各仿真軟件中,模型的參數(shù)根據(jù)當(dāng)?shù)伛{駛?cè)说男袨樘匦赃M(jìn)行取值,并不具備普適性.因此,為了保證利用仿真軟件建立的仿真模型的有效性,需要根據(jù)研究目的,以研究區(qū)段當(dāng)?shù)氐鸟{駛行為特性對(duì)模型參數(shù)進(jìn)行標(biāo)定.近年來,針對(duì)交通仿真中的參數(shù)標(biāo)定問題,國內(nèi)外學(xué)者展開了大量的研究.FlavioCunto等利用Vissim軟件與遺傳算法,針對(duì)信號(hào)交叉口,采用沖突區(qū)域車輛數(shù)等作為擬合指標(biāo)對(duì)微觀仿真模型的安全性能進(jìn)行了標(biāo)定與驗(yàn)證,發(fā)現(xiàn)其算法可行并具有較高效率.TVMathew等針對(duì)信號(hào)控制交叉口處存在混合交通流的實(shí)際情況,利用Vissim軟件與遺傳算法,采用延誤作為擬合指標(biāo)對(duì)微觀仿真模型的參數(shù)進(jìn)行了標(biāo)定.SMenneni等利用Vissim軟件與進(jìn)化算法(evolutionaryalgorithm),針對(duì)高速公路,采用速度—流量關(guān)系圖作為擬合指標(biāo)對(duì)微觀仿真模型進(jìn)行了標(biāo)定.結(jié)果表明采用速度—流量關(guān)系圖作為擬合指標(biāo)要優(yōu)于傳統(tǒng)的基于通行能力的指標(biāo).孫劍等利用Vissim軟件與模擬退火算法,針對(duì)小型路網(wǎng),采用交通量等指標(biāo)對(duì)微觀仿真模型進(jìn)行了參數(shù)標(biāo)定.喬晉利用Vissim軟件與最小二乘法等,采用相對(duì)速度等指標(biāo)對(duì)微觀仿真模型中的反應(yīng)時(shí)間等參數(shù)進(jìn)行了標(biāo)定.上述方法用于面向交通控制的在線仿真參數(shù)標(biāo)定時(shí)面臨以下問題和挑戰(zhàn):(1)在實(shí)時(shí)在線仿真中,對(duì)參數(shù)標(biāo)定的實(shí)時(shí)性要求較高,即要求用于求解最優(yōu)參數(shù)的算法較快收斂,勢必對(duì)收斂較慢的遺傳算法等造成較大考驗(yàn).而收斂較快的粒子群算法可以彌補(bǔ)其缺陷.(2)采用的擬合指標(biāo)如延誤,交通量以及速度—流量關(guān)系圖等很難滿足交叉口實(shí)時(shí)交通控制的需求.在實(shí)時(shí)的交通控制系統(tǒng)中,應(yīng)考慮更細(xì)粒度的交通參數(shù),需對(duì)實(shí)時(shí)排隊(duì)長度進(jìn)行預(yù)測,而實(shí)時(shí)的排隊(duì)長度除受上流流入的流量影響外,車隊(duì)在行駛過程中的離散情況是其另一個(gè)主要的影響因素.車隊(duì)離散情況主要受道路線型等多方面的影響,最后在駕駛?cè)说鸟{駛行為特性上體現(xiàn),由于駕駛?cè)诵袨閰?shù)的不同,車隊(duì)的離散會(huì)呈現(xiàn)很大的差異,如圖1所示.故本文通過粒子群算法(particleswarmoptimization,PSO)以及Vissim仿真軟件,以駕駛行為特性作為標(biāo)定對(duì)象,車隊(duì)離散程度作為擬合指標(biāo),建立了面向交通控制的實(shí)時(shí)在線仿真.1基于vissim的仿真面向交通控制的實(shí)時(shí)在線仿真建立流程圖如圖2所示.步驟1:收集交叉口渠化、控制方案,使用Vissim仿真軟件建立與實(shí)地完全相符的交叉口渠化和控制方案,作為仿真的交叉口靜態(tài)模型.實(shí)地交通系統(tǒng)中的檢測器每檢測到一輛車,記錄該車的車型、速度與位置信息,并以信號(hào)的形式發(fā)送至仿真中,利用Vissim仿真軟件的COM接口在仿真中相同位置產(chǎn)生一輛車型、速度完全一致的車輛,作為仿真的動(dòng)態(tài)輸入模型.步驟2:通過步驟1,在仿真中建立與實(shí)地一致的輸入,但車流在仿真中的運(yùn)行是否與實(shí)地一致主要還與車流在行駛過程中的離散情況相關(guān).故在面向交通控制的實(shí)時(shí)在線仿真建立的過程中,主要以車隊(duì)離散程度與實(shí)地一致作為仿真建立完成的指標(biāo).在交叉口渠化、控制方案固定的情況下,車流的離散程度主要受駕駛行為參數(shù)的影響.步驟3:在仿真中隨機(jī)產(chǎn)生駕駛行為參數(shù),并在此參數(shù)下運(yùn)行仿真,采集仿真中車流的離散數(shù)據(jù),并與實(shí)地中相同位置的離散數(shù)據(jù)進(jìn)行對(duì)比,若在誤差允許的范圍內(nèi),則面向交通控制的實(shí)時(shí)在線仿真建立完畢,若誤差較大,則通過粒子群優(yōu)化算法迭代產(chǎn)生新的駕駛行為參數(shù),并重復(fù)步驟3.2基于心仿真模型的車輛跟蹤模型Vissim仿真平臺(tái)簡介:Vissim是德國PTV公司開發(fā)的基于交通系統(tǒng)建模與仿真的工具,系統(tǒng)核心仿真模型-車輛跟蹤模型采用德國Karlsruhe(卡爾斯魯厄)大學(xué)Wiedemann教授的“心理-物理跟車模型”,模型建立在駕駛?cè)朔磻?yīng)行為之上.在建立面向交通控制的實(shí)時(shí)在線仿真的過程中,主要包括的駕駛行為有交叉口停車排隊(duì),車輛啟動(dòng)后的跟車以及換道,對(duì)應(yīng)Vissim軟件的駕駛行為參數(shù)主要有:(1)平均距離ax兩輛停止車輛的平均停車距離,缺省值是1.5m.(2)額外安全距離bxadd附加的安全距離(bx_add)和可增加的安全距離主要影響車輛行駛時(shí)的安全距離的計(jì)算.(3)車輛速度標(biāo)準(zhǔn)bx行駛中前后兩車的距離d可以用以下公式計(jì)算:d=ax+bx,bx=(bx_add+bx_mult·z)v√z)v.其中,v是車輛速度,m·s-1,z是介于之間的數(shù)值,是以0.5附近的標(biāo)準(zhǔn)正態(tài)分布,標(biāo)準(zhǔn)差為0.15.(4)觀察到前車輛的數(shù)量n前方可視車輛數(shù),在路網(wǎng)中駕駛?cè)祟A(yù)測其他車輛運(yùn)行以及做出相應(yīng)反應(yīng)的能力.(5)車輛行駛能力分析在交叉口停車線前車輛可以進(jìn)行車道變換的最后位置,是由于車輛路徑需要,并不是超車需要,如果車輛行駛至此位置仍不能換道(目標(biāo)車道被其他車占據(jù)),將在此停車等候,缺省值為5m,最小值為4.9m.(6)各駕駛參數(shù)的確定駕駛?cè)擞捎谲囕v路徑需要,為變換到目標(biāo)車道而開始試圖變換車道的位置.它是與緊急停車距離相互關(guān)聯(lián)的一個(gè)參數(shù),缺省值為200m.本文以上海市曹安路嘉松北路交叉口作為研究路口,在結(jié)合目前現(xiàn)狀交叉口的運(yùn)行情況下,給出各駕駛參數(shù)的范圍見表1.3標(biāo)準(zhǔn)pso算法及主要參數(shù)為了建立面向交通控制的實(shí)時(shí)在線仿真,使仿真中交通流的運(yùn)行與實(shí)地中一致,需要優(yōu)化的6個(gè)參數(shù)中除了觀察到前方車輛數(shù)(N)的取值是離散的,另5個(gè)參數(shù)的取值都是連續(xù)的,故通過窮舉法來標(biāo)定參數(shù)是無法實(shí)現(xiàn)的,需要利用智能算法來進(jìn)行參數(shù)標(biāo)定.在計(jì)算智能(computationalintelligence)領(lǐng)域主要有3種基于群智能的算法:蟻群算法(antcolonyoptimization,ACO)、粒子群算法(PSO)和遺傳算法(geneticalgorithms,GA).3種算法的優(yōu)缺點(diǎn)見表2.在面向交通控制的實(shí)時(shí)在線仿真建立過程中,需要優(yōu)化的參數(shù)多數(shù)為連續(xù)變量,且對(duì)參數(shù)優(yōu)化的實(shí)時(shí)性要求很高,需要對(duì)參數(shù)有較快的標(biāo)定速度,故本文采用粒子群算法進(jìn)行參數(shù)標(biāo)定.粒子群優(yōu)化(PSO)算法是由Kennedy和Eber-hart于1995年提出的一類基于群智能的隨機(jī)優(yōu)化算法,其思想來源于對(duì)鳥群捕食行為的研究.粒子群初始化為一群隨機(jī)粒子(隨機(jī)解).然后通過疊代找到最優(yōu)解.在每一次疊代中,粒子通過跟蹤兩個(gè)“極值”更新自己.第一個(gè)就是粒子本身所找到的最優(yōu)解.這個(gè)解叫做個(gè)體極值pbest.另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解,這個(gè)極值是全局極值gbest.由n個(gè)粒子組成的群體對(duì)Q維(參數(shù)個(gè)數(shù))空間進(jìn)行搜索.每個(gè)粒子表示為xi=(xi1,xi2,xi3,…,xiQ),每個(gè)粒子對(duì)應(yīng)的速度可以表示為vi=(vi1,vi2,vi3,…,viQ),粒子根據(jù)如下的公式來更新自己的速度和新的位置.其中,k為迭代次數(shù);vk+1ididk+1為第i個(gè)粒子的第d個(gè)參數(shù)的第k+1步時(shí)的速度;xk+1ididk+1為第i個(gè)粒子的第d個(gè)參數(shù)的第k+1步時(shí)的位置;ω為慣性權(quán)重,速度保持的系數(shù);ξ,η分別為區(qū)間內(nèi)均勻分布的隨機(jī)數(shù);c1為粒子跟蹤自己歷史最優(yōu)值的權(quán)重系數(shù),通常設(shè)置為2;c2為粒子跟蹤群體最優(yōu)值的權(quán)重系數(shù),通常設(shè)置為2.適應(yīng)度函數(shù)(誤差函數(shù))可由均方誤差計(jì)算:freq=∑1M(BXi?BPi)2ue001?ue000ue000∑1MBXifreq=∑1Μ(BXi-BΡi)2∑1ΜBXi式中:freq為適應(yīng)度;BX為實(shí)地中的車輛離散統(tǒng)計(jì)值;BP為仿真中相同時(shí)間段內(nèi)車輛離散統(tǒng)計(jì)值.針對(duì)粒子群算法偶爾會(huì)陷入局部最優(yōu)的缺點(diǎn),可以通過采用合適的慣性權(quán)重(ω)方案加以解決,基于慣性權(quán)重值較大,全局尋優(yōu)能力增強(qiáng),而局部尋優(yōu)能力減弱,反之,則局部尋優(yōu)能力增強(qiáng),而全局尋優(yōu)能力減弱的特點(diǎn),采用線性遞減的慣性權(quán)重,則在優(yōu)化初期,粒子群強(qiáng)的全局搜索能力使得算法不至于陷入局部最優(yōu),而優(yōu)化后期,粒子群強(qiáng)的局部搜索能力保證算法能很快收斂.建立基于粒子群算法的交通控制實(shí)時(shí)在線仿真流程圖如圖3所示.4仿真結(jié)果和分析選取上海市曹安路嘉松北路交叉口為研究對(duì)象,交叉口CAD(計(jì)算機(jī)輔助設(shè)計(jì))圖與仿真圖如圖4所示.本次研究以交叉口下游(曹安路綠苑路交叉口方向)出口道200m處作為實(shí)地交通系統(tǒng)離散數(shù)據(jù)采集點(diǎn),當(dāng)上游排隊(duì)車隊(duì)頭車通過時(shí)開始計(jì)時(shí),計(jì)算每5s內(nèi)的車輛通過數(shù),重復(fù)統(tǒng)計(jì)5個(gè)周期,以5個(gè)周期的平均值作為實(shí)地交通系統(tǒng)200處的離散數(shù)據(jù),實(shí)地采集的離散數(shù)據(jù)見表3.同樣,在仿真中的同樣位置采集5個(gè)周期的離散數(shù)據(jù)的平均值,并與實(shí)地進(jìn)行比較.在粒子群優(yōu)化算法中,取粒子數(shù)n=10,慣性權(quán)重ω=[0.4,0.95]并隨迭代次數(shù)線性遞減,c1=c2=2,迭代終止適應(yīng)度freq<2%,在Matlab中編程并通過VB調(diào)用,結(jié)果如圖5～圖7所示,其中,圖6中d2的真實(shí)值等于圖中值乘以100,圖7中d2的速度真實(shí)值等于圖中值乘以10.可以看到,粒子群算法只通過11次迭代就找到了滿足適應(yīng)度(誤差小于2%)的參數(shù)解.從圖5～圖7中可以看出,每個(gè)粒子的適應(yīng)度并不是隨著迭代次數(shù)增加而減少,這是因?yàn)榱Ｗ訛榱吮苊庀萑刖植孔顑?yōu)而進(jìn)行的所有參數(shù)范圍內(nèi)的“試探”,但從整體上來看,經(jīng)過11次迭代后,各粒子的歷史最優(yōu)取值都已經(jīng)相互接近,說明各粒子都已經(jīng)接近最優(yōu)解,即群體智能已經(jīng)得到體現(xiàn).從粒子速度平均值中也可看出,經(jīng)過11次迭代后,各參數(shù)的平均速度已經(jīng)明顯的降低,即參數(shù)的變化范圍已經(jīng)很小,說明各粒子都逐漸在最優(yōu)解處收斂.通過粒子群優(yōu)化,得到滿足適應(yīng)度(<2%)的參數(shù)解見表4,仿真與實(shí)地中的離散數(shù)據(jù)見表5、圖8所示,從圖表中可以看出,實(shí)地和仿真中的車流運(yùn)行情況基本一致.5段斷面的離散數(shù)據(jù)驗(yàn)證通過粒子群算法優(yōu)化駕駛參數(shù),建立了以車隊(duì)離散為擬合指標(biāo)的實(shí)時(shí)在線仿真,為了驗(yàn)證仿真的可靠性,需在路段上的其他斷面進(jìn)行離散數(shù)據(jù)驗(yàn)證.分別用實(shí)地中出口道處以及出口道100m處的離散數(shù)據(jù)與已建立的仿真中的同樣位置處的離散數(shù)據(jù)比較,對(duì)比結(jié)果如圖9,圖10所示.從圖9,圖10中可以看出,出口處仿真與實(shí)地中的離散數(shù)據(jù)的均方誤差為2.19%,出口100m處為2.03%,證明在線仿真是可靠的.6基于粒子群算法的在線仿真本文通過指出建立面向交通控制的實(shí)時(shí)在線仿真的必要性,提出應(yīng)