城市平行交通仿真系統研究

巢國平　宋曉鵬　甘靈　趙懷柏

【摘 要】為了提高城市交通管理工作，基于平行仿真系統思想，構建了城市平行交通仿真的架構，并對城市平行交通仿真具體模塊和流程進行了闡述。以數據處理模塊為示例，采用RBF神經網絡算法對城市某路口進行交通流數據進行修補，獲得較為可信的結果。城市平行交通仿真為城市智能化發展提供新思路。

【關鍵詞】神經網絡算法；交通平行仿真；修補

中圖分類號： U491 文獻標識碼： A 文章編號： 2095-2457（2018）14-0007-003

DOI：10.19694/j.cnki.issn2095-2457.2018.14.003

Research on traffic simulation model based on neural network algorithm

CHAO Guo-ping SONG Xiao-peng GAN Ling ZHAO Huai-bai

（SEITS Shanghai，505 Wuning Road 200063，Shanghai，China）

【Abstract】In order to improve urban traffic management， based on the thought of parallel simulation system，the architecture of urban parallel traffic simulation is constructed， and the concrete modules and processes of urban parallel traffic simulation are expounded.Taking the data processing module as an example，the RBF neural network algorithm is used to repair traffic flow data at a certain intersection in the city，and a more credible result is obtained.Urban parallel traffic simulation provides new ideas for urban intelligent development.

【Key words】Neural network algorithm；Parallel traffic simulation；Repair

0 引言

隨著城市的發展，機動車使用的增多，給城市交通帶來巨大壓力，導致各類交通問題，如交通擁堵等，發展智能交通能夠有效緩解交通擁堵等問題。其中，交通仿真作為智能交通一項工具能夠輔助交通管理工作。交通仿真是隨著計算機技術的進步而發展起來的，它是一種反映復雜道路交通現象的交通分析技術和方法，能夠再現交通流時間和空間變化的模擬工具。交通仿真技術是以相似原理、信息技術、系統工程和交通工程等領域的基本理論和專業技術為基礎，以計算機為主要工具，利用系統仿真模型模擬道路交通系統的運行狀態，采用數字方式或圖形方式來描述動態交通系統，以便更好的控制交通系統的一門實用技術[1]。

根據交通流理論，交通仿真軟件可分為宏觀交通仿真軟件和微觀交通仿真軟件。微觀交通仿真軟件以車輛為單位描述運行規律，宏觀交通仿真軟件以交通流描述交通時空變化[2]。由于傳統的道路交通仿真軟件存在各類問題導致交通仿真不能真實再現交通現象，其主要是問題是：其一，在仿真過程中車輛不能按照交通現場的實際時間生成，而是按照經驗分布隨機生成車輛，使得仿真過程與實際交通現場不吻合，從而導致仿真評價結果的準確率低；其二，現有成熟的仿真模型只單方面考慮非機動車、行人對機動車干擾，為未充分考慮三者之間相互影響，不能完全適應我國混合交通情況；其三，在線仿真技術模型技術難題；其四，交通仿真模型標定缺乏科學合理的方法[3]。

為解決傳統交通仿真的弊端，推進智能交通的發展，引入平行系統概念[4]。平行系統是由中國科學院自動化研究所王飛躍研究提出，平行系統是指由某一個自然的現實系統和對應的一個或多個虛擬或理想的人工系統所組成的共同系統。平行系統由真實系統和虛擬人工系統組成，通過真實系統與人工系統相互連接以及對兩者行為活動的對比分析，實現對未來情況的預測分析，并在系統運行中隨時調整各自管理控制機制。相對于傳統仿真系統，平行仿真系統是與實際系統平行且對等的仿真系統，由被動變為主動、由虛擬靜態變為真實動態以及由離線變為在線，即根據實時真實數據驅動仿真系統運行，通過仿真進行實時計算預測分析，再將仿真結果反饋至真實系統，從而控制真實系統[5]。圖1為平行系統運行的基本框架。

基于平行系統理論，葛承壟[6]等人對裝備平行仿真技術進行了理論研究；陳森[7]等人研究了飛機編隊指控平行仿真系統；袁勇[8]等人結合區塊鏈技術介紹了平行社會發展趨勢；方兵[9]等人基于平行仿真系統構建城市交通運輸決策支持平臺。平行仿真系統是一種實時在線主動式仿真系統，是系統仿真發展的新趨勢，應用較為廣泛。基于平行系統理論，本文就平行交通仿真進行了深入研究。

1 平行交通仿真架構設計

基于平行仿真理念，構建平行交通仿真架構，如圖2所示。真實交通作為仿真的對象，通過多種數據采集手段，為平行交通仿真提供原始數據。隨著采集手段的不斷創新和豐富，實測數據包括視頻數據、卡口數據、線圈數據、信令數據、GPS數據等等。然而實測數據往往并不能直接用作平行交通建模使用，由于檢測器的布設和故障，以及檢測器本身系統誤差等原因，采集的原始數據通常會出現數據缺失、數據錯誤或者無效數據等原因，需要通過數據修復才能轉化為用于建模的標準化交通數據輸入計算模型中。

計算模型能夠輸出一系列評價結果指標，比如延誤、排隊長度、OD、行程時間、停車次數等等，為決策者制定相應管理措施和政策提供輔助。

決策制定實施之后，檢測設備能夠獲得決策實施后各項檢測數據，并與計算模型輸出的結果數據進行比對。通過機器學習算法對計算模型進行參數調整和更新，從而保證模型的精度，并且保證模型一直處于最新狀態。

2 平行交通仿真具體模塊

根據平行交通仿真整體架構，構建平行交通仿真具體模塊。交通平行仿真具體模塊之間關系以及流程架構如圖3：

2.1 數據接入模塊

數據接入模塊主要包括交通動態數據與交通靜態數據。動態數據可以分為兩部分，一部分是通過各種檢測設備獲得的實測交通流數據，包括但不限于視頻卡口、線圈等采集的數據；另一部分是各種交通控制設備的實時顯示信息，包括但不限于交通信號燈、交通顯示屏等等。靜態數據中的路網數據庫用于管理路網基礎數據，包括道路基礎屬性、基礎設施、管理設備等等。當需要對仿真結果進行三維展示時，數據庫還應包括道路周邊環境數據等。

2.2 數據處理模塊

原始數據庫內的實測交通流數據，通過數據預處理之后，對錯誤數據進行清洗，對缺失數據進行修補，并對數據進行標準化處理，從而得到能夠直接用于計算模型的標準化數據。

2.3 數據模型模塊

計算模型依托于仿真軟件本身，其輸入要求主要包括車輛生成、車輛行為、路徑決策等方面。

2.4 交通模型模塊

交互模塊的主要目的在于通過交互模塊，實現計算結果數據用于展示界面和決策模塊。并且通過交互模塊實現按照決策調控相應交通設施和計算模型。

2.5 信息生成模塊

信息生成模塊主要用于交通平行仿真信息的生成，包括路網流量預估、行程時間預估、可達性判斷、行程路徑誘導、交叉口延誤以及排隊等。

2.6 決策模塊

決策模塊主要交通管理工作提供輔助決策。決策內容包括收費政策、公交規劃信號優化和公交優先等。

3 數據處理模塊方法及示例

3.1 數據處理模塊方法示例

數據處理模型包含數據清洗和修補等內容。針對數據修補，本研究利用RBF神經網絡進行數據修補。目前應用較為廣泛的是BP神經網絡，該方法目標函數存在局部極小值和收斂速度慢的問題。相比較，RBF神經網絡[10]具有自學習、自組織、自適應功能呢，它對非線性連續函數具有一致逼近性，學習速度快，不會出現局部極小值問題，可以進行大范圍的數據融合，并行、高速地處理數據。RBF神經網絡的優良特性使得它正在越來越多的領域代替BP神經網絡模型。

RBF神經網絡結構由輸出層、隱含層和輸入層組成，其中，輸入層將輸入矢量直接映射到隱空間，起到傳輸信號的作用；隱含層含有若干隱單元節點，節點數量視具體求解問題而定。隱含層可對網絡輸入做出非線性映射，映射函數即RBF，是一個徑向對稱，雙方向衰減的非負非線性函數；輸出層則對隱含層的輸出采用線性加權求和的映射模式。由此可見，RBF神經網絡是線性和非線性的有機統一，即從輸入層到隱含層是非線性映射，采用的是非線性優化策略，學習速度較慢；而從隱含層到輸出層則是線性變換，采用的是線性優化策略，學習速度較快。

RBF神經網絡隱含層的激活函數采用徑向基函數，通常定義為空間任一點到某一中心之間歐氏距離的單調函數。其中高斯函數是最常用的徑向基函數，R（xp-ci）=exp·-||x-c||式中：||xp-ci||為歐式范數；c為高斯函數的中心；σ為高斯函數的方差。此時，RBF神經網絡模型的輸出是對隱含層神經元輸出的線性加權求和。

式中，xp為第p個輸入樣本，p=1，2，…2，共有p個輸入樣本；ci為隱含層結點的中心，i=1，2，…h，隱含層共有h個結點；ωij為隱含層到輸出層的連接權值，j=1，2，…，n，共有n個輸出結點；yj為與輸入樣本對應網 絡的第j個輸出結點的實際輸出。

3.2 實際應用案例

利用2017年12月上海市某一路口采集的線圈流量數據進行相關測試。該路口的某一進口道有5條車道，利用歷史車道流量數據進行RBF神經網絡訓練，最后通過其中4條車道的流量數據來對第5條車道的流量數據進行修補。修補結果如下：

通過以下3個指標來對預測結果進行評價：

（1）平均相對誤差（Mean Relative Error， MRE），其數值越小代表預測值與真實值越接近。

MRE=0.1054

（2）決定系數R2：決定系數的大小決定了相關的密切程度。當R2越接近1時，表示相關的方程式參考價值越高；相反，越接近0時，表示參考價值越低。

R2=0.9389

（3）均等系數（Equality Coefficient， EC）：反映了預測值與真實值得擬合度，一般0.9以上認為是較好的擬合度。

EC=0.9248

評價指標顯示，RBF神經網絡在流量數據修補方面具有可行性和有效性，并從修復精度方面證明了RBF神經網絡是一種十分適用于交通領域中數據修補的技術，能夠很好地支持實時的流量數據修補工作。

4 總結

本文基于平行仿真思想，構建了城市平行交通仿真的架構和具體模塊等。并以數據處理模塊為示例，采用RBF神經網絡算法對城市某路口進行交通流數據進行修補，并從修復精度方面證明了RBF神經網絡是一種十分適用于交通領域中數據修補的技術。根據城市平行交通仿真的研究，后續將針對數據模型、交通模型等做進一步研究，以提高交通管理工作。

【參考文獻】

[1]鄒智軍，楊東援.道路交通仿真研究綜述[J].交通運輸工程學報.2001，1（2）：88-91.

[2]張立東，王英龍，賈磊，等.交通仿真研究現狀分析[J].計算機仿真，2006，23（6）：254-256.

[3]鄒智軍.新一代交通仿真技術綜述[J].系統仿真學報. 2010，22（9）：2037～2042.

[4]王飛躍.平行系統方法與復雜系統的管理和控制[J].控制與決策.2004，19（5）：485-489.

[5]方冰，張翠俠.基于平行仿真的城市交通運輸決策支持平臺[J].指揮信息系統與技術.2017，8（03）：16-21.

[6]葛承壟，朱元昌，邸彥強等.裝備平行仿真技術的基礎理論問題[J].系統工程與電子技術.2017，39（5）：1169～1177.

[7]陳森，孫黎陽，劉曉光.艦船電子工程[J].飛機編隊指控平行仿真系統研究.2016，36（4）：88～90.

[8]袁勇，王飛躍，區塊鏈技術發展現狀與展望[J].自動化學報.2016，42（4）：481～494.

[9]方冰，張翠俠.基于平行仿真的城市交通運輸決策支持平臺[J].指揮信息系統與技術.2017，8（3）：16-21.

[10]趙懷柏，王逸凡，宋曉鵬.基于遺傳算法優化BP神經網絡的交通流預測[J].交通與運輸（學術版）.2017（2）：32-36.