一種基于序貫Monte Carlo算法的交通事件重構(gòu)方法

黃宇+達(dá)魏霞 王迤冉

摘要：為了能準(zhǔn)確地重構(gòu)出當(dāng)前道路場(chǎng)景中的交通流事件，需要合適的模型與方法以及能夠代表交通流狀態(tài)的實(shí)時(shí)數(shù)據(jù)?；诮煌鞣蔷€性非高斯的特點(diǎn)，提出了一種基于序貫Monte Carlo方法的交通流堵塞事件重構(gòu)模型。提出的模型能夠不斷的同化真實(shí)道路上實(shí)時(shí)的傳感器數(shù)據(jù)使仿真中的交通流狀態(tài)與真實(shí)路況不斷接近。通過分析仿真數(shù)據(jù)推測(cè)出當(dāng)前真實(shí)道路上的堵塞事件及其相關(guān)屬性，并據(jù)此在仿真環(huán)境中模擬堵塞，進(jìn)而實(shí)現(xiàn)對(duì)真實(shí)道路上堵塞事件的重構(gòu)。理論研究和實(shí)驗(yàn)結(jié)果表明該模型能夠根據(jù)重構(gòu)結(jié)果評(píng)估當(dāng)前的道路狀況，合理推測(cè)引起擁堵的位置與堵塞范圍。

關(guān)鍵詞：城市交通；交通流仿真模型；序貫蒙特卡洛算法；動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)；堵塞事件；事件重構(gòu)

中圖分類號(hào)：TP391.9，TP391.41文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.3969/j.issn.10036199.2017.01.030

1引言

為解決日益嚴(yán)重的交通擁堵問題，研究預(yù)測(cè)交通流規(guī)律的方法與模型，重構(gòu)交通事件以及探索有效緩解交通擁堵問題的方案已經(jīng)成為當(dāng)前的研究熱點(diǎn)。交通流具有非高斯、非線性、高維隨機(jī)的特點(diǎn)，僅通過靜態(tài)數(shù)據(jù)則很難準(zhǔn)確重構(gòu)出上述事件。如果對(duì)能夠反映道路關(guān)鍵性質(zhì)的實(shí)時(shí)數(shù)據(jù)加以充分合理應(yīng)用，是提高交通事件重構(gòu)精確性的有效方法之一[1]。

事件重構(gòu)如今在很多領(lǐng)域都有著較為廣泛的應(yīng)用，比如數(shù)字濾波[2]、電力系統(tǒng)[3]、微觀粒子研究[4]等。很多場(chǎng)景存在非線性、大數(shù)據(jù)等特點(diǎn)，導(dǎo)致事件重構(gòu)的過程十分復(fù)雜，引起了學(xué)術(shù)界的重視。比如，在文獻(xiàn)[5]中，作者就提出并實(shí)現(xiàn)了一個(gè)基于動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)的火災(zāi)蔓延預(yù)測(cè)模型（DEVS-FIRE），該模型使用序貫Monte Carlo方法（SMC），根據(jù)火災(zāi)現(xiàn)場(chǎng)傳感器數(shù)據(jù)以及當(dāng)?shù)仫L(fēng)向、地理數(shù)據(jù)來更新模型狀態(tài)進(jìn)而跟蹤火災(zāi)邊緣的變化。在交通系統(tǒng)中，SMC方法同樣也能夠很好地將實(shí)時(shí)數(shù)據(jù)進(jìn)一步同化到仿真模型中來提高估計(jì)的精確度。文獻(xiàn)[6]中，作者詳細(xì)闡述了SMC算法在交通預(yù)測(cè)中的實(shí)驗(yàn)原理，通過迭代過程中仿真與真實(shí)道路場(chǎng)景的交通流狀況的對(duì)比，進(jìn)一步驗(yàn)證了SMC算法在交通流預(yù)測(cè)中的合理性和可行性。

為了能夠準(zhǔn)確評(píng)估交通流，本文結(jié)合動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)思想，并采用SMC算法，將能夠反應(yīng)道路真實(shí)特征的實(shí)時(shí)傳感器數(shù)據(jù)同化到交通流重構(gòu)模型中，根據(jù)仿真結(jié)果來動(dòng)態(tài)調(diào)整實(shí)時(shí)數(shù)據(jù)類型及仿真模型，進(jìn)而重構(gòu)出當(dāng)前道路上所發(fā)生的事件。

2相關(guān)概念

動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)應(yīng)用系統(tǒng)（Dynamic Data Driven Application Systems，DDDAS）是由美國(guó)自然科學(xué)基金（NSF）在2000年所提出的一種研究概念。DDDAS允許一個(gè)運(yùn)行著的系統(tǒng)來動(dòng)態(tài)接受額外實(shí)時(shí)數(shù)據(jù)以便來選擇性的加強(qiáng)或重定義原模型；同樣，運(yùn)行系統(tǒng)能夠控制實(shí)時(shí)數(shù)據(jù)，從而使仿真與實(shí)際相結(jié)合。經(jīng)過十多年來的發(fā)展，DDDAS目前已經(jīng)在材料損傷預(yù)測(cè)[7]，光學(xué)跟蹤[8]，無人機(jī)控制[9]等領(lǐng)域得到了較為廣泛的應(yīng)用。在文獻(xiàn)[10]中，Darema F.等提出了制約DDDAS應(yīng)用的4個(gè)關(guān)鍵問題：仿真系統(tǒng)、數(shù)學(xué)算法、系統(tǒng)軟件、測(cè)量接口。只要解決了上述四個(gè)問題，DDDAS能夠運(yùn)用在很多復(fù)雜的場(chǎng)景狀態(tài)。

序貫Monte Carlo算法一般也稱為粒子濾波算法，是一種基于Monte Carlo算法來解決非線性非高斯動(dòng)態(tài)系統(tǒng)的狀態(tài)遞歸估計(jì)問題的數(shù)據(jù)同化方法。SMC算法核心思想是利用狀態(tài)空間的一組加權(quán)隨機(jī)樣本粒子去逼近狀態(tài)的后驗(yàn)概率分布，該概率分布僅僅是真實(shí)分布的一種近似，其非參數(shù)化的特點(diǎn)，使它有效擺脫了非線性濾波問題解決時(shí)所必須滿足高斯分布的約束條件問題，導(dǎo)致其對(duì)變量參數(shù)的非參數(shù)性有更強(qiáng)的建模能力，因此其在非線性、非高斯的系統(tǒng)中有著廣泛應(yīng)用。SMC一般包含三個(gè)步驟：粒子產(chǎn)生、權(quán)重的計(jì)算和重采樣。

MovSim是由Arne Kesting， Martin Budden，Ralph Germ和Martin Treiber發(fā)起的基于車道的微觀交通仿真模型。其支持包括連續(xù)時(shí)間模型、迭代映射和元胞自動(dòng)機(jī)模型等跟車模型?？紤]到MovSim所具有的強(qiáng)大路網(wǎng)描述能力，以及其對(duì)各種車輛模型的支持以及方便研究者的特殊用途，再加上其開源的特性能夠方便我們對(duì)其增加SMC方法并對(duì)接收實(shí)時(shí)數(shù)據(jù)提供接口，所以本文選用MovSim作為交通流仿真平臺(tái)。

3基于SMC的交通流事件重構(gòu)

3.1基于SMC的交通流事件重構(gòu)框架

結(jié)合Darema F所提出的制約DDDAS應(yīng)用的四個(gè)問題，本文采用MovSim作為仿真系統(tǒng)軟件的基礎(chǔ)，對(duì)其添加接收實(shí)時(shí)數(shù)據(jù)接口，并利用序貫Monte Carlo算法將測(cè)量數(shù)據(jù)同化到仿真模型中，從而提出圖1所示的交通流事件重構(gòu)框架。該框架主要包括交通流仿真模型和數(shù)據(jù)同化模型。交通流仿真模型可根據(jù)統(tǒng)計(jì)的道路以及車輛的基本信息對(duì)仿真粒子加以初始化，并根據(jù)設(shè)定的跟車、換道等模型模擬車輛運(yùn)行狀態(tài)，不斷仿真下一時(shí)刻的交通流數(shù)據(jù)；數(shù)據(jù)同化模型則結(jié)合DDDAS思想，利用SMC方法不斷的將能夠反映真實(shí)道路狀態(tài)對(duì)應(yīng)的實(shí)時(shí)數(shù)據(jù)注入到仿真模型中，從而優(yōu)化仿真模型中的粒子集，使其不斷接近真實(shí)道路場(chǎng)景。雖然該模型能夠解決普遍的交通流事件重構(gòu)問題，但本文主要針對(duì)由于某種原因?qū)е碌亩氯录M(jìn)行重構(gòu)。

3.2事件重構(gòu)的方案設(shè)計(jì)

本文針對(duì)道路上的堵塞事件進(jìn)行重構(gòu)，其起因可以是一起交通事故或者車道檢修等致使道路上的若干車道無法通車。假設(shè)道路上無法通車的位置為P，并將道路記為N個(gè)路段的集合，則可以利用fData[1-N]（t-1）表示t-1時(shí)刻各路段的交通流狀態(tài)。此刻，道路網(wǎng)的交通流狀態(tài)可以表示為RN（t-1）=fData[1-N]（t-1），P。為了評(píng)估仿真系統(tǒng)中的車輛狀態(tài)，這里利用測(cè)量模型（MM）將仿真數(shù)據(jù)與實(shí)時(shí)交通數(shù)據(jù)加以對(duì)比。假設(shè)道路上預(yù)設(shè)了K組傳感器，每個(gè)傳感器都能夠監(jiān)測(cè)到附近道路上諸如車輛平均速度、車輛密度等數(shù)據(jù)。在t-1時(shí)刻，傳感器監(jiān)測(cè)的K組數(shù)據(jù)記為rData[1-k]（t-1），因此t-1時(shí)刻真實(shí)的道路場(chǎng)景特征可以描述為：RRN（t-1）={rData[1]（t-1），rData[2]（t-1），…，rData[k]（t-1）}。為方便仿真數(shù)據(jù)與實(shí)