[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

说明书

技术领域

本发明涉及一种参数校正方法，尤其是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，属于交通仿真参数校正的技术领域。

背景技术

微观交通仿真软件不但可以用来直观模拟和再现道路交通通行状况，而且还能对交通运行状况进行准确的分析和评价，因此得到了越来越广泛的应用。微观仿真模型中运用大量的独立参数来对交通流和司机驾驶行为进行表示，这些参数的取值对仿真结果的精确性和可靠性有着决定性作用。而模型本身自带的缺省值很大程度上取决于模型开发国的交通流状况和驾驶员的心理特性，所以在使用国外开发的仿真软件之前，要先对这些参数进行校正，从而提高仿真模型的精度。

以往有关参数校正的算法研究中，主要以应用遗传算法、模拟退火算法为主，而这些算法在参数校正过程中需要多次运行仿真软件。以遗传算法为例，遗传算法是模拟自然界优胜劣汰过程的全局搜索算法，可以仅依靠适应度函数的信息来实现整体寻优过程，是目前仿真参数校正应用最为广泛的校正算法，然而应用遗传算法需要进行大约20-30轮的迭代才能得到最终收敛的结果，同时每一轮迭代都要依靠运行仿真软件来得到相应的输出结果，这一过程会耗费大量的时间。

发明内容

本发明的目的是克服现有技术中存在的不足，提供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，其操作方便，实现参数标定校正的高效化，保证参数校正的准确性，适应范围广，安全可靠。

按照本发明提供的技术方案，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，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。

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。

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。

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。

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。

所述步骤c中，利用遗传算法进行校正运算时，采用校正平均相对误差作为适应度函数，所述校正平均相对误差为：