韋蘭香
摘 要: 對(duì)交通流進(jìn)行準(zhǔn)確模擬和預(yù)測(cè)分析,實(shí)現(xiàn)交通路網(wǎng)評(píng)估,可治理交通擁堵。提出一種基于TRANSIMS的交通流模擬和分析模型,構(gòu)建交通路網(wǎng)擁堵評(píng)估模型,根據(jù)車輛的RFID標(biāo)簽信息進(jìn)行位置信息編碼,采用最大Lyapunove指數(shù)預(yù)測(cè)算法進(jìn)行交通流預(yù)測(cè),實(shí)現(xiàn)路網(wǎng)節(jié)點(diǎn)負(fù)載容量的準(zhǔn)確估計(jì)分析。在TRANSIMS場(chǎng)景中進(jìn)行試驗(yàn)分析,試驗(yàn)結(jié)果表明,該模型適用于大規(guī)模的交通流模擬和預(yù)測(cè)評(píng)估,獲得了較高的道路負(fù)載吞吐效益和速度效益。
關(guān)鍵詞: TRANSIMS; 交通流; 路網(wǎng); 負(fù)載吞吐量
中圖分類號(hào): TN911?34; TP391 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2017)03?0136?04
Research on traffic flow simulation and analysis based on TRANSIMS
WEI Lanxiang
(School of Physics and Mechatronics Engineering, Hechi University, Yizhou 546300, China)
Abstract: In order to perform the accurate simulation and prediction analysis of the traffic flow, evaluate the traffic network, and govern the traffic jams, a traffic flow simulation and analysis model based on TRANSIMS is proposed. The jam assessment model of the traffic network was constructed. The position information is coded according to the RFID tag information of the vehicle. The maximum Lyapunove exponent prediction algorithm is used to predict the traffic flow to analyze the accurate estimation of the load capacity of the traffic network nodes. The model was performed with experimental analysis in TRANSIMS scene. The experimental results show that the model is suitable for the large?scale traffic flow simulation and prediction evaluation, and has acquired the high road throughput efficiency and speed benefit.
Keywords: TRANSIMS; traffic flow; road network; load throughput
0 引 言
對(duì)交通流進(jìn)行模擬分析是解決道路交通調(diào)度和交通流量預(yù)測(cè)的有效方法之一。道路上車輛疏導(dǎo)過(guò)程為一個(gè)實(shí)體行為,有效反應(yīng)了道路交通流的特征信息。對(duì)道路交通信息流進(jìn)行特征提取和分布式并行微觀交通仿真分析,可應(yīng)用在大規(guī)模的交通網(wǎng)絡(luò)中,實(shí)現(xiàn)對(duì)道路交通狀態(tài)的準(zhǔn)確預(yù)測(cè),為在線交通狀態(tài)管理提供可靠信息[1]。
在大規(guī)模的城市交通網(wǎng)絡(luò)中,隨著車輛實(shí)體數(shù)目的增多和道路路網(wǎng)的復(fù)雜性因素影響增大,當(dāng)前的交通流模擬方法無(wú)法有效模擬交通實(shí)體和道路吞吐性能的實(shí)際情況,且計(jì)算超過(guò)了實(shí)際運(yùn)行時(shí)間,導(dǎo)致對(duì)交通預(yù)測(cè)和調(diào)度的實(shí)時(shí)性不好[2]。在采用TSP仿真技術(shù)進(jìn)行道路路網(wǎng)模型構(gòu)建和交通信息流預(yù)測(cè)過(guò)程中,不能有效反應(yīng)道路交通車輛信息的動(dòng)態(tài)變化,對(duì)車輛和道路的規(guī)劃實(shí)時(shí)性不好[3]。在運(yùn)用基于動(dòng)態(tài)負(fù)載平衡調(diào)度的方法實(shí)現(xiàn)交通仿真模型的過(guò)程中,僅對(duì)OD流量模型做最簡(jiǎn)化的處理,不能準(zhǔn)確分析路網(wǎng)結(jié)構(gòu)與交通擁堵之間的動(dòng)態(tài)關(guān)系[4]。
針對(duì)上述問題,提出一種基于TRANSIMS的交通流模擬和分析模型,實(shí)現(xiàn)交通流的模擬仿真和分析優(yōu)化。
1 模型構(gòu)建與信息提取
1.1 交通路網(wǎng)擁堵評(píng)估模型
交通路網(wǎng)擁堵評(píng)估模型建立在復(fù)雜網(wǎng)絡(luò)理論和路段阻抗模型基礎(chǔ)上,可以用Small?World模型表示交通路網(wǎng)結(jié)構(gòu)[5],網(wǎng)絡(luò)節(jié)點(diǎn)連接的拓?fù)浣Y(jié)構(gòu)采用一個(gè)5元組表示一個(gè)路段,即有向圖中的一條邊,如下所示:
[Edge=StartID,EndID,ca,xa,ta] (1)
式中:[ca]表示交通路網(wǎng)中的交通設(shè)施實(shí)體模型;[xa]表示單行路連接動(dòng)態(tài)特性;Edge表示一條有向邊;StartID表示道路的幾何特性;EndID表示道路上車輛的RFID信息。
根據(jù)路網(wǎng)的整體狀態(tài)信息,路段的阻抗動(dòng)態(tài)更新,更新權(quán)重記為[xa。]Small?World模型中交通路網(wǎng)的流量[xa 設(shè)有每條邊上的測(cè)試車輛為[A1,][A2,]…,[An,]每個(gè)節(jié)點(diǎn)變量結(jié)構(gòu)分別表示為[a1,][a2,]…,[an,]同時(shí)有[n]個(gè)目標(biāo)地點(diǎn)[B1,][B2,]…,[Bn,]在交通路網(wǎng)中目標(biāo)地點(diǎn)的交通流流量負(fù)載記為[b1,][b2,]…,[bn,][Cij]表示記錄車輛[Ai]經(jīng)過(guò)測(cè)試目標(biāo)地點(diǎn)[Bj]的速度,[Xij]是決策變量。Small?World模型的車輛流量模擬問題數(shù)學(xué)表達(dá)為:
[min(f)=i=1mj=1nCijXij]
s.t.[ j=1mXij=ai, i=1,2,…,mi=1mXij=bi, j=1,2,…,nXij≥0, i=1,2,…,m; j=1,2,…,n] (2)
若在交通流模擬問題中沒有負(fù)載平衡這一限制,根據(jù)不同限速車道的交通流流量,對(duì)車輛密度信息進(jìn)行自適應(yīng)權(quán)衡調(diào)度,滿足[i=1mai>j=1nbj,]則更改數(shù)學(xué)模型表示如下:
[j=1nxij≤ai, i=1,2,…,mi=1nxij=bj, j=1,2,…,nxij≥0, i=1,2,…,m;j=1,2,…,n] (3)
任一組變量[Xij(i=1,2,…,m; j=1,2,…,n)]的值,根據(jù)交通流的預(yù)測(cè)估計(jì)值判斷交通擁堵級(jí)別,計(jì)算浮動(dòng)車輛的平均速度,使目標(biāo)函數(shù)[S=j=1ni=1mCijXij]的值最小,即交通擁堵級(jí)別達(dá)到最小,達(dá)到平衡。
在云網(wǎng)格中構(gòu)建交通路網(wǎng)擁堵評(píng)估模型,采用網(wǎng)格并行計(jì)算方法進(jìn)行負(fù)載遷移,得到云網(wǎng)格中的交通流均衡模型如圖2所示。
1.2 交通流信息特征提取
在并行微觀交通路網(wǎng)模型中,交通流的評(píng)估模型由車輛和道路兩部分組成,在路網(wǎng)中表現(xiàn)為節(jié)點(diǎn)和邊,根據(jù)路網(wǎng)分割得到節(jié)點(diǎn)的集合表示:
[V={v1,v2,v3,…,vN}] (4)
式中:[N]為Small?World模型中車輛節(jié)點(diǎn)的個(gè)數(shù),邊的集合為:
[E={e1,e2,e3,…,eM}] (5)
式中[M]為邊的個(gè)數(shù)。
通過(guò)自適應(yīng)尋優(yōu)算法執(zhí)行車輛更新、交叉口及路段狀態(tài)的選擇,進(jìn)行網(wǎng)絡(luò)系統(tǒng)拓?fù)渎窂綄?yōu),得到有效負(fù)載遷移量尋優(yōu)路徑為:
[ta=t0a1+Jxa(ca-xa)] (6)
式中:[J]為閑置狀態(tài)各節(jié)點(diǎn)的通行能力;[t0a]為等待阻塞系數(shù);[ca]為簇內(nèi)節(jié)點(diǎn)的個(gè)數(shù)。
根據(jù)節(jié)點(diǎn)在路段內(nèi)不同車道上的實(shí)際通行能力,當(dāng)滿足[xa=ca,]根據(jù)RFID標(biāo)簽信息進(jìn)行位置信息編碼[7],綜合車輛密度信息和編碼信息進(jìn)行信息特征提取,準(zhǔn)確判斷路面上的車輛密度,交通流信息特征提取的系統(tǒng)模型如圖3所示。
根據(jù)交通流信息特征提取結(jié)果,能夠準(zhǔn)確、實(shí)時(shí)地檢測(cè)道路上每條車道上的車輛密度:
[ρlane-i=Ni2R] (7)
式中:[i]表示第[i]條車道;[Ni]為車輛密度信息;[R]表示對(duì)向車道的鄰居信息。
2 模型具體的實(shí)現(xiàn)
根據(jù)路面交通態(tài)勢(shì)信息進(jìn)行交通流模擬,道路上行駛的車輛節(jié)點(diǎn)根據(jù)車輛的RFID標(biāo)簽信息進(jìn)行位置信息編碼[8],根據(jù)節(jié)點(diǎn)在路段內(nèi)不同車道上的交通態(tài)勢(shì)排序,最小ID號(hào)作為簇頭,得到交通路網(wǎng)中的聚簇示意圖如圖4所示。
通過(guò)簇內(nèi)處理,采用最大Lyapunove指數(shù)預(yù)測(cè)算法進(jìn)行交通流預(yù)測(cè),得到在同一條道路上車輛聚簇的生命期為:
[wj=λjwjj=1nλjwj] (8)
式中[λj]為簇內(nèi)通信節(jié)點(diǎn)的客觀權(quán)重。
考慮到道路的拓?fù)浣Y(jié)構(gòu)空時(shí)加權(quán),采用最大Lyapunove指數(shù)預(yù)測(cè)[9],得到簇頭節(jié)點(diǎn)的ID擁塞程度為:
[v簇=i=1Lj=1NiηivijNi] (9)
式中:[vij]為簇內(nèi)第[i]條車道上第[j]輛車的絕對(duì)位置坐標(biāo);[wi]為第[i]車道上路段位置的分簇信息,且[i=1Nηi=1]。
通過(guò)實(shí)際測(cè)量獲得節(jié)點(diǎn)[Ai](車輛或路邊設(shè)施)的平均速度[REPi,]更改簇ID,得到交通流的速度大小:
[mi=MSG_REPDτSNAdataPossensidToken] (10)
考慮到道路的網(wǎng)格坐標(biāo)[(x,y)]和車輛的速度相對(duì)關(guān)系,通過(guò)不同延遲容忍度進(jìn)行鄰居節(jié)點(diǎn)的信息加權(quán),道路擁堵的失效過(guò)載比為:
[eij=p1(i)?p2(j+1)?p3(ij)] (11)
式中:[p1(i)]為簇內(nèi)通信節(jié)點(diǎn)的總負(fù)載;[p2(j+1)]為路網(wǎng)模型中車輛路徑規(guī)劃分布概率。
對(duì)路網(wǎng)模型中所有的云網(wǎng)格節(jié)點(diǎn)進(jìn)行均勻遍歷,得到車輛密度與擁塞程度關(guān)系:
[Zk=wkAT=j=1nwkj?aij,i=1,2,…,m] (12)
式中:[A=aijm×n]為擁堵預(yù)測(cè)控制目標(biāo)函數(shù)矩陣。
考慮車輛在行駛過(guò)程中的變道情況,簇頭周期性地廣播信息包(member packet,MEP)[10],在簇前的初始階段,節(jié)點(diǎn)稱為孤立節(jié)點(diǎn),MEP中包含有簇頭ID信息,基于RFID進(jìn)行路段位置和車道信息的編碼,確定車輛的當(dāng)前位置,車輛信息標(biāo)定和交通流模擬的聚簇流程,如圖5所示。
結(jié)合交通流的運(yùn)動(dòng)方向、速度大小等信息參量可獲得簇內(nèi)的車輛密度為:
[ρcluster=i=1Lρlane-iL] (13)
節(jié)點(diǎn)把自己的ID設(shè)定為簇ID,相鄰節(jié)點(diǎn)機(jī)的數(shù)目為[n],鄰居節(jié)點(diǎn)速度測(cè)量集合為[N1,N2,…,Nn,]有車輛簇存在的場(chǎng)景中,交通流的負(fù)載與性能分別為[L1,L2,…,Ln]和[Pmin1,Pmin2,…,Pminn,]交通流預(yù)測(cè)的執(zhí)行時(shí)間為[t0,]負(fù)載為[L0。]簇頭根據(jù)車輛密度和路面速度,在孤立節(jié)點(diǎn)周期性地廣播請(qǐng)求后,等待時(shí)間[t0]和[tj]相等,遷移的負(fù)載量為[Lt,]在交通流擁堵級(jí)別一致的情況下,等待時(shí)間為:
[t0=L0-LtPmin0=Lj+LtPmint=tj] (14)
對(duì)[Lt]求解可得:
[Lt=L0Pminj-LjPmin0Pmin0+Pminj] (15)
根據(jù)節(jié)點(diǎn)在路段內(nèi)不同車道上的分布計(jì)算出遷移的負(fù)載量。采用最大Lyapunove指數(shù)預(yù)測(cè)算法,引入系數(shù)[c]來(lái)修正車輛簇的負(fù)載遷移量[Lt,][c]的取值主要取決于路段的交通態(tài)勢(shì),得到相鄰節(jié)點(diǎn)機(jī)數(shù)[nj。]取[c=1nj,]道路交通流的有效預(yù)測(cè)結(jié)果為:
[Lefft=1njL0Pminj-LjPmin0Pmin0+Pminj] (16)
計(jì)算出路面的空間加權(quán)平均速度,遷移負(fù)載與其負(fù)載相差最大的相鄰節(jié)點(diǎn)機(jī),同時(shí)不會(huì)出現(xiàn)遷移過(guò)度現(xiàn)象。隨著遷移負(fù)載的變化,車流量的增長(zhǎng)造成擁堵,當(dāng)相鄰節(jié)點(diǎn)遷移負(fù)載阻抗無(wú)窮大時(shí),車輛密度較大,信息傳送成功的概率為0,表明該條道路完全被堵死,車輛無(wú)法通行,根據(jù)道路交通流的速度和擁堵程度等信息特征,實(shí)現(xiàn)防擁堵車輛路徑規(guī)劃及交通流模擬分析。
3 仿真測(cè)試
在TRANSIMS仿真場(chǎng)景中進(jìn)行仿真分析,道路交通流模擬的仿真場(chǎng)景如圖6所示。TRANSIMS中仿真時(shí)長(zhǎng)為300 ticks,在16臺(tái)節(jié)點(diǎn)機(jī)局域網(wǎng)上模擬交通實(shí)體節(jié)點(diǎn),節(jié)點(diǎn)間傳輸速率為0.5 Mb/s,設(shè)定道路為雙向兩車道單向行駛,道路的路寬為1 unit,路面長(zhǎng)度為120 patches。
根據(jù)上述仿真場(chǎng)景和參數(shù)設(shè)定進(jìn)行交通流模擬和車流檢測(cè),不同場(chǎng)景下的交通流檢測(cè)結(jié)果如圖7 所示。
從交通流模擬和檢測(cè)結(jié)果可見,在暢通場(chǎng)景下,每車道車輛密度低于30 輛/km,車輛速度保持在70 km/h以上;在輕度擁堵場(chǎng)景下,車輛密度保持在30~40 輛/km,車輛速度在50~80 km/h;在中度擁堵場(chǎng)景下,車輛密度為40~50 輛/km,速度為20~40 km/h;在重度擁堵場(chǎng)景下,車輛密度較大,在50 輛/km以上,車流速度緩慢,低于40 km/h。分析上述結(jié)果得知,通過(guò)本文方法能有效模擬交通流信息,對(duì)路面速度、車輛密度與擁塞程度的關(guān)系具有較高的特征反饋能力,通過(guò)對(duì)交通流的實(shí)時(shí)預(yù)測(cè)和調(diào)度,能有效提高車流速度和道路吞吐性能,避免擁堵。
4 結(jié) 語(yǔ)
對(duì)交通流采用微觀模擬和分析方法是解決道路交通調(diào)度和交通流量預(yù)測(cè)的有效方法之一,為了實(shí)現(xiàn)交通路網(wǎng)評(píng)估,治理交通擁堵,提出基于TRANSIMS的交通流模擬和分析模型,在TRANSIMS仿真場(chǎng)景中進(jìn)行仿真分析,實(shí)現(xiàn)對(duì)暢通場(chǎng)景、輕度擁堵場(chǎng)景、中度擁堵場(chǎng)景和重度擁堵場(chǎng)景下的交通流模擬和預(yù)測(cè)分析,展示了其準(zhǔn)確性和有效性。
參考文獻(xiàn)
[1] SHEN W, WYNTER L. A new one?level convex optimization approach for estimating origin: destination demand [J]. Transportation research part B: methodological, 2012, 46(10): 1535?1555.
[2] 陳秀鋒,許洪國(guó),倪安寧.并行微觀交通動(dòng)態(tài)負(fù)載平衡預(yù)測(cè)方法仿真[J].計(jì)算機(jī)仿真,2013,30(8):164?168.
[3] SUN Huijun, ZHANG Hui, WU Jianjun. Correlated scale?free network with community: modeling and transportation dynamics [J]. Nonlinear dynamics, 2012, 69(4): 2097?2104.
[4] 王光浩,吳越.一種車載自組織網(wǎng)絡(luò)路況信息的數(shù)據(jù)信任模型[J].計(jì)算機(jī)科學(xué),2014,41(6):89?93.
[5] MARFIA G., ROCCETTI M. Vehicular congestion detection and short?term forecasting: a new model with results [J]. IEEE transactions on vehicular technology, 2011, 60(7): 2936?2948.
[6] MANDAL K, SEN A, CHAKRABORTY A, et al. Road traffic congestion monitoring and measurement using active RFID and GSM technology [C]// Proceedings of 2011 the 14th IEEE Conference on Intelligent Transportation Systems. Washington, D. C.: IEEE, 2011: 1375?1379.
[7] 張子龍,薛靜,喬鴻海,等.基于改進(jìn)SURF算法的交通視頻車輛檢索方法研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2014,32(2):297?301.
[8] 許曉玲.基于物聯(lián)網(wǎng)模糊評(píng)估的大型交通車輛調(diào)度模型研究[J].科技通報(bào),2013,29(10):189?192.
[9] 彭麗英.改進(jìn)滑模干擾控制律交通數(shù)據(jù)反步融合算法[J].控制工程,2014,21(4):515?519.
[10] 芮蘭蘭,李欽銘.基于組合模型的短時(shí)交通流量預(yù)測(cè)算法[J].電子與信息學(xué)報(bào),2016,38(5):1227?1233.