[发明专利]基于遗传算法的交通流模拟方法

摘要

本发明属于计算机图形学技术领域，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。根据每个车真实的交通数据，用基于遗传算法的方法找到它们真实的驾驶特点；将这些带有个性化参数的车辆作为本文的样例车辆，本文可以在任意的空间和时间尺度上模拟出交通场景。总的来说，交通重建是样例视频的场景重建，往更深的层次讲，本发明基于样例的交通模拟可以看做在空间和时间上的场景延伸。

主权项

一种基于遗传算法的交通流模拟方法，其特征在于，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)遗传算法学习过程本方法利用遗传算法要学习的车辆驾驶模型包括直道驾驶模型和换道模型；2.1)直道驾驶模型在车辆直道行驶过程中，遗传算法要学习的是输入到输出的一个映射函数；中间车的行为受到同一车道上前车和后车的影响，映射函数的输入是影响中间车驾驶决策的因素，输出是中间车直道驾驶的行为，映射函数如下a(t)＝f(v(t)，Δvfollower，Δsfollower，Δvleader，Δsleader)(3)计算当前车辆的加速度，其中v(t):当前车驾驶方向于时刻t的速度，是遗传算法的输入；Δv_follower:在驾驶方向于时刻t，当前车和后车的速度差；Δs_follower:在驾驶方向于时刻t，当前车与后车的相对距离；Δv_leader:在驾驶方向于时刻t，当前车和前车的速度差；Δs_leader:在驾驶方向于时刻t，当前车与前车的相对距离；a(t):当前车驾驶方向于时刻t的加速度，是遗传算法的输出；f(.)是遗传算法要学习的直道行驶中的映射函数，括号内的变量为影响中间车驾驶行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；2.2)车辆换道模型车辆换道过程中，中间车既有纵向驾驶加速度也有横向加速度，这两个量均受目标车道前后车的影响，映射函数如下：(alongtitude(t)，alateral(t))＝f(v(t)，Δvfollower，Δsfollower，Δvleader,Δsleader)(4)计算当前车辆的横向和纵向的加速度，其中v(t):当前车驾驶方向于时刻t的速度，是遗传算法的输入；Δv_follower:在驾驶方向于时刻t，当前车和后车的速度差；Δs_follower:在驾驶方向于时刻t，当前车与后车的相对距离；Δv_leader:在驾驶方向于时刻t，当前车和前车的速度差；Δs_leader:在驾驶方向于时刻t，当前车与前车的相对距离；alongtitude(t):当前车驾驶方向于时刻t的加速度，是遗传算法的输出；alateral(t):当前车于时刻t的横向加速度，是遗传算法的输出；f(.)是遗传算法要学习的换道过程中的映射函数，括号内的变量为影响中间车换道行为的因素，是遗传算法的输入，遗传算法的输出是当前时刻中间车的加速度，遗传算法的训练目标就是找到一个合适的函数，完成输入到输出的映射；(2)利用学习到的车辆驾驶模型进行交通模拟在为每辆车学习完直道模型和换道模型后，引入虚实交互系统；在该虚实交互系统中，存在真车和虚车两种车辆；真车是真实交通环境中存在的车辆，其交通轨迹是已知且不能改变的；虚车是真实交通环境不存在的车辆，其交通轨迹需要实时预测；虚实交互系统通过插入虚车来增加交通流的多样性；虚车与真车进行交互，是由遗传算法学习到的两个模型来指导的，具体来说，直道模型用来计算虚车直道行驶过程中的加速度，换道模型用来计算虚车换道过程中的横向和纵向加速度；在模拟过程中，每辆车在时刻t的加速度a(t)用遗传算法学习到车辆驾驶模型进行预测，车辆的速度和位置状态以下来计算：v(t+1)＝v(t)+a(t)*Δt  (5)p(t+1)＝p(t)+v(t)Δt   (6)在模拟过程中，设置Δt为0.1秒；加速度通过遗传算法来计算，速度通过加速度来计算，位置通过速度来计算。