城市平行交通仿真系統(tǒng)研究

巢國平　宋曉鵬　甘靈　趙懷柏

【摘 要】為了提高城市交通管理工作，基于平行仿真系統(tǒng)思想，構(gòu)建了城市平行交通仿真的架構(gòu)，并對城市平行交通仿真具體模塊和流程進(jìn)行了闡述。以數(shù)據(jù)處理模塊為示例，采用RBF神經(jīng)網(wǎng)絡(luò)算法對城市某路口進(jìn)行交通流數(shù)據(jù)進(jìn)行修補(bǔ)，獲得較為可信的結(jié)果。城市平行交通仿真為城市智能化發(fā)展提供新思路。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)算法；交通平行仿真；修補(bǔ)

中圖分類號(hào)： U491 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）14-0007-003

DOI：10.19694/j.cnki.issn2095-2457.2018.14.003

Research on traffic simulation model based on neural network algorithm

CHAO Guo-ping SONG Xiao-peng GAN Ling ZHAO Huai-bai

（SEITS Shanghai，505 Wuning Road 200063，Shanghai，China）

【Abstract】In order to improve urban traffic management， based on the thought of parallel simulation system，the architecture of urban parallel traffic simulation is constructed， and the concrete modules and processes of urban parallel traffic simulation are expounded.Taking the data processing module as an example，the RBF neural network algorithm is used to repair traffic flow data at a certain intersection in the city，and a more credible result is obtained.Urban parallel traffic simulation provides new ideas for urban intelligent development.

【Key words】Neural network algorithm；Parallel traffic simulation；Repair

0 引言

隨著城市的發(fā)展，機(jī)動(dòng)車使用的增多，給城市交通帶來巨大壓力，導(dǎo)致各類交通問題，如交通擁堵等，發(fā)展智能交通能夠有效緩解交通擁堵等問題。其中，交通仿真作為智能交通一項(xiàng)工具能夠輔助交通管理工作。交通仿真是隨著計(jì)算機(jī)技術(shù)的進(jìn)步而發(fā)展起來的，它是一種反映復(fù)雜道路交通現(xiàn)象的交通分析技術(shù)和方法，能夠再現(xiàn)交通流時(shí)間和空間變化的模擬工具。交通仿真技術(shù)是以相似原理、信息技術(shù)、系統(tǒng)工程和交通工程等領(lǐng)域的基本理論和專業(yè)技術(shù)為基礎(chǔ)，以計(jì)算機(jī)為主要工具，利用系統(tǒng)仿真模型模擬道路交通系統(tǒng)的運(yùn)行狀態(tài)，采用數(shù)字方式或圖形方式來描述動(dòng)態(tài)交通系統(tǒng)，以便更好的控制交通系統(tǒng)的一門實(shí)用技術(shù)[1]。

根據(jù)交通流理論，交通仿真軟件可分為宏觀交通仿真軟件和微觀交通仿真軟件。微觀交通仿真軟件以車輛為單位描述運(yùn)行規(guī)律，宏觀交通仿真軟件以交通流描述交通時(shí)空變化[2]。由于傳統(tǒng)的道路交通仿真軟件存在各類問題導(dǎo)致交通仿真不能真實(shí)再現(xiàn)交通現(xiàn)象，其主要是問題是：其一，在仿真過程中車輛不能按照交通現(xiàn)場的實(shí)際時(shí)間生成，而是按照經(jīng)驗(yàn)分布隨機(jī)生成車輛，使得仿真過程與實(shí)際交通現(xiàn)場不吻合，從而導(dǎo)致仿真評(píng)價(jià)結(jié)果的準(zhǔn)確率低；其二，現(xiàn)有成熟的仿真模型只單方面考慮非機(jī)動(dòng)車、行人對機(jī)動(dòng)車干擾，為未充分考慮三者之間相互影響，不能完全適應(yīng)我國混合交通情況；其三，在線仿真技術(shù)模型技術(shù)難題；其四，交通仿真模型標(biāo)定缺乏科學(xué)合理的方法[3]。

為解決傳統(tǒng)交通仿真的弊端，推進(jìn)智能交通的發(fā)展，引入平行系統(tǒng)概念[4]。平行系統(tǒng)是由中國科學(xué)院自動(dòng)化研究所王飛躍研究提出，平行系統(tǒng)是指由某一個(gè)自然的現(xiàn)實(shí)系統(tǒng)和對應(yīng)的一個(gè)或多個(gè)虛擬或理想的人工系統(tǒng)所組成的共同系統(tǒng)。平行系統(tǒng)由真實(shí)系統(tǒng)和虛擬人工系統(tǒng)組成，通過真實(shí)系統(tǒng)與人工系統(tǒng)相互連接以及對兩者行為活動(dòng)的對比分析，實(shí)現(xiàn)對未來情況的預(yù)測分析，并在系統(tǒng)運(yùn)行中隨時(shí)調(diào)整各自管理控制機(jī)制。相對于傳統(tǒng)仿真系統(tǒng)，平行仿真系統(tǒng)是與實(shí)際系統(tǒng)平行且對等的仿真系統(tǒng)，由被動(dòng)變?yōu)橹鲃?dòng)、由虛擬靜態(tài)變?yōu)檎鎸?shí)動(dòng)態(tài)以及由離線變?yōu)樵诰€，即根據(jù)實(shí)時(shí)真實(shí)數(shù)據(jù)驅(qū)動(dòng)仿真系統(tǒng)運(yùn)行，通過仿真進(jìn)行實(shí)時(shí)計(jì)算預(yù)測分析，再將仿真結(jié)果反饋至真實(shí)系統(tǒng)，從而控制真實(shí)系統(tǒng)[5]。圖1為平行系統(tǒng)運(yùn)行的基本框架。

基于平行系統(tǒng)理論，葛承壟[6]等人對裝備平行仿真技術(shù)進(jìn)行了理論研究；陳森[7]等人研究了飛機(jī)編隊(duì)指控平行仿真系統(tǒng)；袁勇[8]等人結(jié)合區(qū)塊鏈技術(shù)介紹了平行社會(huì)發(fā)展趨勢；方兵[9]等人基于平行仿真系統(tǒng)構(gòu)建城市交通運(yùn)輸決策支持平臺(tái)。平行仿真系統(tǒng)是一種實(shí)時(shí)在線主動(dòng)式仿真系統(tǒng)，是系統(tǒng)仿真發(fā)展的新趨勢，應(yīng)用較為廣泛。基于平行系統(tǒng)理論，本文就平行交通仿真進(jìn)行了深入研究。

1 平行交通仿真架構(gòu)設(shè)計(jì)

基于平行仿真理念，構(gòu)建平行交通仿真架構(gòu)，如圖2所示。真實(shí)交通作為仿真的對象，通過多種數(shù)據(jù)采集手段，為平行交通仿真提供原始數(shù)據(jù)。隨著采集手段的不斷創(chuàng)新和豐富，實(shí)測數(shù)據(jù)包括視頻數(shù)據(jù)、卡口數(shù)據(jù)、線圈數(shù)據(jù)、信令數(shù)據(jù)、GPS數(shù)據(jù)等等。然而實(shí)測數(shù)據(jù)往往并不能直接用作平行交通建模使用，由于檢測器的布設(shè)和故障，以及檢測器本身系統(tǒng)誤差等原因，采集的原始數(shù)據(jù)通常會(huì)出現(xiàn)數(shù)據(jù)缺失、數(shù)據(jù)錯(cuò)誤或者無效數(shù)據(jù)等原因，需要通過數(shù)據(jù)修復(fù)才能轉(zhuǎn)化為用于建模的標(biāo)準(zhǔn)化交通數(shù)據(jù)輸入計(jì)算模型中。

計(jì)算模型能夠輸出一系列評(píng)價(jià)結(jié)果指標(biāo)，比如延誤、排隊(duì)長度、OD、行程時(shí)間、停車次數(shù)等等，為決策者制定相應(yīng)管理措施和政策提供輔助。

決策制定實(shí)施之后，檢測設(shè)備能夠獲得決策實(shí)施后各項(xiàng)檢測數(shù)據(jù)，并與計(jì)算模型輸出的結(jié)果數(shù)據(jù)進(jìn)行比對。通過機(jī)器學(xué)習(xí)算法對計(jì)算模型進(jìn)行參數(shù)調(diào)整和更新，從而保證模型的精度，并且保證模型一直處于最新狀態(tài)。

2 平行交通仿真具體模塊

根據(jù)平行交通仿真整體架構(gòu)，構(gòu)建平行交通仿真具體模塊。交通平行仿真具體模塊之間關(guān)系以及流程架構(gòu)如圖3：

2.1 數(shù)據(jù)接入模塊

數(shù)據(jù)接入模塊主要包括交通動(dòng)態(tài)數(shù)據(jù)與交通靜態(tài)數(shù)據(jù)。動(dòng)態(tài)數(shù)據(jù)可以分為兩部分，一部分是通過各種檢測設(shè)備獲得的實(shí)測交通流數(shù)據(jù)，包括但不限于視頻卡口、線圈等采集的數(shù)據(jù)；另一部分是各種交通控制設(shè)備的實(shí)時(shí)顯示信息，包括但不限于交通信號(hào)燈、交通顯示屏等等。靜態(tài)數(shù)據(jù)中的路網(wǎng)數(shù)據(jù)庫用于管理路網(wǎng)基礎(chǔ)數(shù)據(jù)，包括道路基礎(chǔ)屬性、基礎(chǔ)設(shè)施、管理設(shè)備等等。當(dāng)需要對仿真結(jié)果進(jìn)行三維展示時(shí)，數(shù)據(jù)庫還應(yīng)包括道路周邊環(huán)境數(shù)據(jù)等。

2.2 數(shù)據(jù)處理模塊

原始數(shù)據(jù)庫內(nèi)的實(shí)測交通流數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理之后，對錯(cuò)誤數(shù)據(jù)進(jìn)行清洗，對缺失數(shù)據(jù)進(jìn)行修補(bǔ)，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從而得到能夠直接用于計(jì)算模型的標(biāo)準(zhǔn)化數(shù)據(jù)。

2.3 數(shù)據(jù)模型模塊

計(jì)算模型依托于仿真軟件本身，其輸入要求主要包括車輛生成、車輛行為、路徑?jīng)Q策等方面。

2.4 交通模型模塊

交互模塊的主要目的在于通過交互模塊，實(shí)現(xiàn)計(jì)算結(jié)果數(shù)據(jù)用于展示界面和決策模塊。并且通過交互模塊實(shí)現(xiàn)按照決策調(diào)控相應(yīng)交通設(shè)施和計(jì)算模型。

2.5 信息生成模塊

信息生成模塊主要用于交通平行仿真信息的生成，包括路網(wǎng)流量預(yù)估、行程時(shí)間預(yù)估、可達(dá)性判斷、行程路徑誘導(dǎo)、交叉口延誤以及排隊(duì)等。

2.6 決策模塊

決策模塊主要交通管理工作提供輔助決策。決策內(nèi)容包括收費(fèi)政策、公交規(guī)劃信號(hào)優(yōu)化和公交優(yōu)先等。

3 數(shù)據(jù)處理模塊方法及示例

3.1 數(shù)據(jù)處理模塊方法示例

數(shù)據(jù)處理模型包含數(shù)據(jù)清洗和修補(bǔ)等內(nèi)容。針對數(shù)據(jù)修補(bǔ)，本研究利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)修補(bǔ)。目前應(yīng)用較為廣泛的是BP神經(jīng)網(wǎng)絡(luò)，該方法目標(biāo)函數(shù)存在局部極小值和收斂速度慢的問題。相比較，RBF神經(jīng)網(wǎng)絡(luò)[10]具有自學(xué)習(xí)、自組織、自適應(yīng)功能呢，它對非線性連續(xù)函數(shù)具有一致逼近性，學(xué)習(xí)速度快，不會(huì)出現(xiàn)局部極小值問題，可以進(jìn)行大范圍的數(shù)據(jù)融合，并行、高速地處理數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性使得它正在越來越多的領(lǐng)域代替BP神經(jīng)網(wǎng)絡(luò)模型。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸出層、隱含層和輸入層組成，其中，輸入層將輸入矢量直接映射到隱空間，起到傳輸信號(hào)的作用；隱含層含有若干隱單元節(jié)點(diǎn)，節(jié)點(diǎn)數(shù)量視具體求解問題而定。隱含層可對網(wǎng)絡(luò)輸入做出非線性映射，映射函數(shù)即RBF，是一個(gè)徑向?qū)ΨQ，雙方向衰減的非負(fù)非線性函數(shù)；輸出層則對隱含層的輸出采用線性加權(quán)求和的映射模式。由此可見，RBF神經(jīng)網(wǎng)絡(luò)是線性和非線性的有機(jī)統(tǒng)一，即從輸入層到隱含層是非線性映射，采用的是非線性優(yōu)化策略，學(xué)習(xí)速度較慢；而從隱含層到輸出層則是線性變換，采用的是線性優(yōu)化策略，學(xué)習(xí)速度較快。

RBF神經(jīng)網(wǎng)絡(luò)隱含層的激活函數(shù)采用徑向基函數(shù)，通常定義為空間任一點(diǎn)到某一中心之間歐氏距離的單調(diào)函數(shù)。其中高斯函數(shù)是最常用的徑向基函數(shù)，R（xp-ci）=exp·-||x-c||式中：||xp-ci||為歐式范數(shù)；c為高斯函數(shù)的中心；σ為高斯函數(shù)的方差。此時(shí)，RBF神經(jīng)網(wǎng)絡(luò)模型的輸出是對隱含層神經(jīng)元輸出的線性加權(quán)求和。

式中，xp為第p個(gè)輸入樣本，p=1，2，…2，共有p個(gè)輸入樣本；ci為隱含層結(jié)點(diǎn)的中心，i=1，2，…h(huán)，隱含層共有h個(gè)結(jié)點(diǎn)；ωij為隱含層到輸出層的連接權(quán)值，j=1，2，…，n，共有n個(gè)輸出結(jié)點(diǎn)；yj為與輸入樣本對應(yīng)網(wǎng) 絡(luò)的第j個(gè)輸出結(jié)點(diǎn)的實(shí)際輸出。

3.2 實(shí)際應(yīng)用案例

利用2017年12月上海市某一路口采集的線圈流量數(shù)據(jù)進(jìn)行相關(guān)測試。該路口的某一進(jìn)口道有5條車道，利用歷史車道流量數(shù)據(jù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后通過其中4條車道的流量數(shù)據(jù)來對第5條車道的流量數(shù)據(jù)進(jìn)行修補(bǔ)。修補(bǔ)結(jié)果如下：

通過以下3個(gè)指標(biāo)來對預(yù)測結(jié)果進(jìn)行評(píng)價(jià)：

（1）平均相對誤差（Mean Relative Error， MRE），其數(shù)值越小代表預(yù)測值與真實(shí)值越接近。

MRE=0.1054

（2）決定系數(shù)R2：決定系數(shù)的大小決定了相關(guān)的密切程度。當(dāng)R2越接近1時(shí)，表示相關(guān)的方程式參考價(jià)值越高；相反，越接近0時(shí)，表示參考價(jià)值越低。

R2=0.9389

（3）均等系數(shù)（Equality Coefficient， EC）：反映了預(yù)測值與真實(shí)值得擬合度，一般0.9以上認(rèn)為是較好的擬合度。

EC=0.9248

評(píng)價(jià)指標(biāo)顯示，RBF神經(jīng)網(wǎng)絡(luò)在流量數(shù)據(jù)修補(bǔ)方面具有可行性和有效性，并從修復(fù)精度方面證明了RBF神經(jīng)網(wǎng)絡(luò)是一種十分適用于交通領(lǐng)域中數(shù)據(jù)修補(bǔ)的技術(shù)，能夠很好地支持實(shí)時(shí)的流量數(shù)據(jù)修補(bǔ)工作。

4 總結(jié)

本文基于平行仿真思想，構(gòu)建了城市平行交通仿真的架構(gòu)和具體模塊等。并以數(shù)據(jù)處理模塊為示例，采用RBF神經(jīng)網(wǎng)絡(luò)算法對城市某路口進(jìn)行交通流數(shù)據(jù)進(jìn)行修補(bǔ)，并從修復(fù)精度方面證明了RBF神經(jīng)網(wǎng)絡(luò)是一種十分適用于交通領(lǐng)域中數(shù)據(jù)修補(bǔ)的技術(shù)。根據(jù)城市平行交通仿真的研究，后續(xù)將針對數(shù)據(jù)模型、交通模型等做進(jìn)一步研究，以提高交通管理工作。

【參考文獻(xiàn)】

[1]鄒智軍，楊東援.道路交通仿真研究綜述[J].交通運(yùn)輸工程學(xué)報(bào).2001，1（2）：88-91.

[2]張立東，王英龍，賈磊，等.交通仿真研究現(xiàn)狀分析[J].計(jì)算機(jī)仿真，2006，23（6）：254-256.

[3]鄒智軍.新一代交通仿真技術(shù)綜述[J].系統(tǒng)仿真學(xué)報(bào). 2010，22（9）：2037～2042.

[4]王飛躍.平行系統(tǒng)方法與復(fù)雜系統(tǒng)的管理和控制[J].控制與決策.2004，19（5）：485-489.

[5]方冰，張翠俠.基于平行仿真的城市交通運(yùn)輸決策支持平臺(tái)[J].指揮信息系統(tǒng)與技術(shù).2017，8（03）：16-21.

[6]葛承壟，朱元昌，邸彥強(qiáng)等.裝備平行仿真技術(shù)的基礎(chǔ)理論問題[J].系統(tǒng)工程與電子技術(shù).2017，39（5）：1169～1177.

[7]陳森，孫黎陽，劉曉光.艦船電子工程[J].飛機(jī)編隊(duì)指控平行仿真系統(tǒng)研究.2016，36（4）：88～90.

[8]袁勇，王飛躍，區(qū)塊鏈技術(shù)發(fā)展現(xiàn)狀與展望[J].自動(dòng)化學(xué)報(bào).2016，42（4）：481～494.

[9]方冰，張翠俠.基于平行仿真的城市交通運(yùn)輸決策支持平臺(tái)[J].指揮信息系統(tǒng)與技術(shù).2017，8（3）：16-21.

[10]趙懷柏，王逸凡，宋曉鵬.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測[J].交通與運(yùn)輸（學(xué)術(shù)版）.2017（2）：32-36.