[发明专利]基于遗传算法及广义回归神经网络的交通仿真校正方法

权利要求书

1.一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是，所述交通仿真校正方法包括如下步骤：

(a)、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；

(b)、采集所需的交通数据，以建立交通仿真模型；根据所述建立的交通仿真模型，确定所需的待校正的参数以及对应的取值范围；

(c)、利用遗传算法对上述确定的待校正参数进行校正运算，并将经遗传算法迭代得到的校正参数组合作为广义回归神经网络的输入值，以利用广义回归神经网络来预测VISSIM的输出值，然后根据步骤(a)中的参数校正目标判断遗传算法迭代的校正参数组合是否满足参数校正目标；当预测VISSIM的输出值匹配参数校正目标时，输出遗传算法迭代后的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络预测后得到的VISSIM输出值匹配参数校正目标。

2.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(a)中，参数校正目标为经遗传算法迭代且由交通仿真模型输出的行程时间与实际测得的形成时间相差最小。

3.根据权利要求2所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述参数校正目标采用评价平均相对误差，所述评价平均相对误差为：

MARE=Σi=1N|tifield-tisimtifieldN]]>

其中，N为采集的时间段数量，为第i个时间段内实际测得的车辆平均行程时间，为第i个时间段内交通仿真模型输出的平均行程时间。

4.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(b)中，采集的交通数据包括基础交通数据以及评价指标数据；所述基础交通数据包括路段信息及信号灯配时信息；评价指标数据包括车辆的平均行程时间、车辆的平均行驶速度以及交叉口排队长度。

5.根据权利要求1所述的基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是：所述步骤(b)中，利用X-Y散点图以及单因素方差分析得到待校正参数以及对应的取值范围，所述待校正参数包括前方可视车辆数、最大前视距离、平均停车距离、安全距离的附加部分以及安全距离的倍数部分。