[发明专利]基于多模型组合的城市道路交通流仿真推演方法

说明书

本发明公开了一种基于多模型组合的城市道路交通流仿真推演方法。该方法克服了已有仿真模型实用性差的缺陷。首先用长短时记忆神经网络模型对历史流量数据进行预测，使用马尔科夫模型估计状态转移概率，将预测好的流量数据与估计的状态转移概率存至数据库中；接下来在数据库中建表，用于存放各断面的卡尔曼滤波参数和流量的初始值；然后按照单次推演执行读取参数‑流量一步预测‑更新噪声协方差‑流量校准‑更新参数的流程实现断面流量的仿真推演。本发明能够较好地用于城市路网交通流的仿真推演，预测交通流随时间推移的时空分布规律。

技术领域

本发明涉及机器学习方法和交通流仿真推演等技术领域，具体是一种基于多模型组合的城市道路交通流仿真推演方法。

背景技术

交通系统仿真是指用系统仿真技术来研究交通行为它是一门对交通运动随时间和空间的变化进行跟踪描述的技术。从交通系统仿真所采用的技术手段及所具有的的本质特征来看，交通系统仿真是一门在数字计算机上进行交通试验的技术，它含有随机特性，可以是微观的，也可以是宏观的，并且涉及到描述交通运输系统在一定期间实时运动的数学模型，已有的以TransCAD为代表的宏观交通仿真模型、以AIMSUN为代表的中观交通仿真模型、以VISSIM为代表的微观交通仿真模型都不能很好地展现出交通流随时空变化的演变规律，仿真模型的实用性也不高。

针对道路短时交通流量的分析与预测是智能交通系统的关键性内容,有针对性的开展短时交通流预测理论与方法研究,并得出有效分析、预测的数据,准确预判路网交通流状态,是目前智能交通系统的发展的当务之急,也是其研究和讨论的重点问题。国内外关于短时交通流预测的模型有很多，包括四大类：第一类是基于数理统计的模型，包括线性回归模型、历史平均模型等；第二类是以小波理论模型为代表的非线性预测理论模型；第三类是神经网络模型，包括人工神经网络、BP神经网络以及模糊神经网络模型等；第四类是组合预测模型。第一类模型中，线性回归模型具有实时性差的缺点，历史平均模型比较简单，但是预测精度不高，不能处理突发事故；第二类模型虽然预测精度较高，但是预测花费时间较长，调参繁琐的缺点很明显；第三类模型通过实时交通流更新模型，保证了预测的实时性，但是需要大量的历史数据用于训练，这在实际中很难满足；第四类模型满足了对预测精度和实时性的要求，但在实际中很难得到应用。

悉尼协调自适应交通控制系统(SCATS)是一种适应性很广的系统。该系统利用安装在靠近车道下游停车线处的线圈实时获得周期、周期时长、流量等参数。短时交通流预测的步长通常为5分钟，但SCATS数据的周期时长却是动态变化的，且数据质量不高。为此在对数据预处理后，需要对原始SCATS数据进行流量聚合，以获得固定时间间隔的流量。在SCATS中，下游停车线处的横截面被称为断面，系统为每个交叉口都分配了一个路口编号，也为每个断面都分配了一个断面编号。

为重现或预测交通流随时间推移的时空分布规律，以达到预知城市路网拥堵状况和制定相应的信号控制策略的目的，需要建立城市路网的交通流仿真推演模型。

发明内容

针对上述背景技术介绍中存在的问题，本发明的目的在于提供一种基于多模型组合的城市道路交通流仿真推演方法。该方法结合卡尔曼滤波模型、马尔科夫模型和长短时记忆神经网络模型，克服了已有仿真模型实用性差的缺陷。本发明能够较好地用于城市路网交通流的仿真推演，预测交通流随时间推移的时空分布规律。

实现本发明目的的技术解决方案为一种基于多模型组合的城市道路交通流仿真推演方法，具体包括以下步骤：

步骤一：初始化断面编号、获取当前的时间戳，由此确定当前日期对应的星期与当前周期；

步骤二：查询对应的数据库，读取断面对应的卡尔曼滤波参数以及流量校准值；

步骤三：通过卡尔曼滤波模型的时间更新方程对断面流量进行一步预测；