[发明专利]基于遗传算法的交通流模拟方法

说明书

技术领域

本发明涉及计算机图形学技术领域，尤其涉及基于数据驱动的真实交通流模拟方法。

背景技术

交通系统的有效性对于现代工业化社会至关重要。随着工业化的迅速发展，车辆呈现出快速增长的趋势，随之带来了诸多挑战，比如交通拥挤、交通网络的设计、信号优化等。这些挑战对经济、能源和环境都造成了一定影响，如何去解决这些问题已经成为一个全球化的难题。幸运的是，交通模拟在计算机技术的辅助下已经成为一个有效的解决工具。而且，随着可视化技术的发展，交通模拟在娱乐产业也有了很大的应用。

交通模拟已经有60多年的历史了。这个期间，全球各地的科学家们相继提出并拓展了很多交通模型，试图能够真实的描述车辆的交通行为或解释一些特殊现象，比如交通拥挤、走走停停的现象。最近几年，计算机可视化的迅速发展使得研究者可以直观的看到交通流模拟的效果。总的来说，交通流模拟模型可以分为三类：微观模拟，宏观模拟和中观模拟。

宏观模型力图以车的平均密度ρ(x,t)、平均速度v(x,t)及流量θ(x,t)等宏观量来刻画交通流。宏观模拟将车流看作一维连续的流，将每条车道分成大小相等的包体，每个时刻用物理方程更新包体的速度。每辆车的速度是由连续的包体决定的。宏观模型一般用来模拟大型的交通网络，关注点更多在交通流的整体行为，不能很好地体现车辆个体的交通轨迹。

微观模拟旨在为每个车辆的行为建模，希望能够用一系列复杂的规则去描述车辆的动态交通行为。每个车辆都是一个智能体，能够对周围车辆的交通状态和周围交通环境做出反应，制定驾驶策略。

中观模型是介于微观模型和宏观买模型之间的一种交通模型。中观模型用玻尔兹曼类型的方程去模拟交通流的动态过程。此外，有研究者用混合模型来进行交通模拟。Sewall在其著作的论文中提出了一种将微观模型和宏观模型相结合的混合模型，并采用实时算法来模拟大规模的交通流。

交通车辆在人们日常生活中的普及使得更多的关注点转移到交通行为模型和交通可视化技术上。在计算机图形学领域，交通方面的研究基本集中在两个话题：传统的交通模拟和交通重建。交通模拟的核心问题是交通模型的设计。给定一个交通网络、一个交通行为模型和初始车辆的状态，这个交通流将如何演进本文研究的是基于微观的交通模型。微观模型主要关注一辆车是如何受周围其它车辆影响来改变自己的行为的。传统的交通模型一般采用数学方程式来根据周围车辆的状态计算当前车的加速度，方程式的设定是基于一定的假设的，并且涉及到的参数也是根据人的经验值确定的。利用这种交通模型模拟出来的交通流并不能体现复杂多变的真实交通流的特性，因为这种基于数学方程的模型并没有利用真实的交通轨道数据。当假设不够精确时，模拟出来的交通流与实际的就有很大差别。所以传统交通流模拟方法主要存在一下不足：

(1)在模拟过程中没有真车的概念，每辆车都是虚车，这种方法模拟出来的交通流比较平稳，没有体现真实世界中变化多端的交通流。

(2)传统模拟方法采用的是传统微观模型，比如智能驾驶模型。这些模型中涉及到的参数是认为根据经验所设定的，不能很好的体现真实世界中司机的驾驶特点。

真实的交通场景是非常复杂的，司机的驾驶行为是很多不断变化的因素综合作用的结果。在很多情况下，司机在驾驶过程中，周围车辆不断变化，道路状况也在发生变化，司机会根据不同的交通环境做出不同的决策，所有这些都导致司机的驾驶行为变化非常剧烈，也意味着控制司机行为的参数也在不断的发生变化。

发明内容

本发明内容提供一种基于遗传算法的交通流模拟方法，来克服传统交通流模拟方法的局限性，交通流模拟系统分为线下学习和线上模拟两部分。

本发明的技术方案：

基于遗传算法的交通流模拟方法，步骤如下：

首先收集训练集，利用遗传算法从训练集中学习车辆驾驶模型，然后将训练好的交通模型应用到交通流模拟系统中，来指导车辆之间的交互行为；

(1)利用遗传算法线下学习车辆驾驶模型

1)训练集的提取

训练集中每个样本都包含前中后三辆车的交通信息；

2)遗传算法工作原理