论文部分内容阅读
交通是城市发展的重要组成，随着城市的大规模发展，交通系统也越来越复杂。半径5km以上的大尺度城镇交通，涉及的道路通常错综复杂、车辆数目庞大。利用计算机对大尺度交通进行仿真，可以较为逼真地重现现实场景中大范围的交通现象，对于智慧城市、交通规划、应急管理等产业具有重要的研究意义。 早期的交通仿真主要采用人工容量分析、队列模型等方法，计算结果比较粗略，无法满足现有应用对于仿真精度的要求。基于车辆动力学的仿真方法逼真地反映了交通变化，但是计算效率随着交通网络以及车辆数量的扩大而急剧下降。目前尚缺乏一种快速、高效的交通仿真与推演技术，既能支持大尺度交通的分钟级计算，满足突发事件应急处置的决策支持，同时具有较高的仿真计算准确性。针对上述问题，本文以大尺度交通仿真为研究目标，以机器学习为主要手段，对大尺度交通路线上的局部交通行为建模和全局交通推演方法做了深入研究，并取得了以下研究成果: (1)提出了一种算例驱动的局部交通仿真方法 本文提出了一种算例驱动的局部交通仿真方法。将全局的路线划分为各个局部的路段和路口，并为每个路段关联一个待入队列(称为pool)和一个待出队列(称为buffer)作为基本的计算单元。结合路口和路段自身因素、周边交通因素，从高精度仿真数据中采集局部交通算例数据，并分别针对每一个路口和路段采用机器学习算法训练得到对应的局部交通模型。 实验结果表明:本文各个路段和路口的模型测试误差率均在1％左右，较好的学习了高精度算例数据中局部的交通行为。 (2)构建算例驱动的全局交通推演系统，实现分钟级的大尺度交通仿真推演。 在算例驱动的局部交通模型的基础上构建了全局交通推演系统。通过给定初始目标，每次迭代期间每个路口和路段模型根据t-1时刻段的交通状态来动态预测t时刻段路口和路段的流量，然后分别更新路段上各个队列中的车辆数目，实现车辆在全局路线上的移动。 实验结果表明:在仿真路线增长以及仿真车辆数增加的情况下，本文的全局交通推演的结果与Npess软件的仿真结果基本保持一致。在计算效率方面以100倍左右的速度明显高于Npess软件，且随着车辆数增加计算效率提高越明显。 本文方法在高精度仿真数据的基础上采用算例驱动的方式来学习并建模局部交通行为，能够准确预测局部的交通流量变化，避免了繁杂的动力学计算，保证了高效、准确的全局交通推演。