李　奎　王　堅(jiān)

(同濟(jì)大學(xué)CIMS中心，上海 201804)

摘 要：利用微觀交通仿真技術(shù)可以對(duì)快速路上的交通進(jìn)行短時(shí) 預(yù)測(cè)。將快速路上的線圈采集的實(shí)時(shí)數(shù)據(jù)輸入本文所述的交通仿真系統(tǒng)進(jìn)行仿真，可以預(yù)測(cè) 一段時(shí)間以后的交通狀況。沿著這個(gè)思路，描述如何利用仿真技術(shù)進(jìn)行短時(shí)交通預(yù)測(cè)，特別 是對(duì)如何建立滿足實(shí)時(shí)性和動(dòng)態(tài)性要求的交通生成模型進(jìn)行了詳細(xì)的闡述。通過(guò)對(duì)真實(shí)歷史 數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，并分析對(duì)比，結(jié)果說(shuō)明使用微觀仿真模型進(jìn)行短時(shí)交通預(yù)測(cè)是可行的。

關(guān)鍵詞：微觀仿真; 短時(shí)交通預(yù)測(cè); 交通生成模型

Short-time Traffic-flow Forecast

Based on Micro-simulation

LI Kui, WANG Jian

(CIMS department, Tongji University, Shanghai 201804, China)

Abstract: Micro-simulation technology was proposed to forecast s hort-time traffic-flow on Freeway. Traffic state on freeway in the future can

be predicted by using real-time data from loop on road as input of simulation s ystem. In the paper the method how to deal with the real-time data so that it c an satisfy real-time and dynamic requirements was expatiated. The experimental

results show that short-time traffic forecast by using micro-simulation model

is feasible.

Key words: micro-simulation; short-time traffic-flow fore cast; traffic generation model

在交通流預(yù)測(cè)方 面，國(guó)內(nèi)外學(xué)者作了大量的研究，產(chǎn)生了很多短時(shí)交通預(yù)測(cè)的方法，這包括歷史數(shù)據(jù)平均值 法［1］、人工神經(jīng)網(wǎng)絡(luò)法［2］和卡爾曼濾波理論［3］等。文獻(xiàn)［4］ 對(duì)各種交通流預(yù)測(cè)方法進(jìn)行了分析和對(duì)比，指出了各種方法的優(yōu)缺點(diǎn)。基于統(tǒng)計(jì)學(xué)方法的歷 史數(shù)據(jù)平均值法是利用歷史交通流的規(guī)律進(jìn)行交通預(yù)測(cè)，不能處理短時(shí)預(yù)測(cè)的實(shí)時(shí)性、動(dòng)態(tài) 性和不確定性；基于人工神經(jīng)網(wǎng)絡(luò)的方法需要大量的樣本進(jìn)行訓(xùn)練來(lái)找出交通流的固有規(guī)律 ，其結(jié)果一方面依賴(lài)于樣本的質(zhì)量，另一方面在交通發(fā)生動(dòng)態(tài)變化的時(shí)候已經(jīng)訓(xùn)練好的人工 神經(jīng)網(wǎng)絡(luò)就失效了；還有其他的一些預(yù)測(cè)方法，同樣對(duì)短時(shí)交通流預(yù)測(cè)的實(shí)時(shí)性和動(dòng)態(tài)變化 性處理較差。

本文介紹使用微觀仿真模型進(jìn)行短時(shí)交通預(yù)測(cè)的方法，可以有效的體現(xiàn)交通的實(shí) 時(shí)性和動(dòng)態(tài)變化性，利用本方法進(jìn)行的預(yù)測(cè)對(duì)更正交通情報(bào)版的誘導(dǎo)性有極其重大的意義。 文獻(xiàn)［5］講述一種使用元胞自動(dòng)機(jī)模型對(duì)大尺度交通網(wǎng)絡(luò)進(jìn)行交通流預(yù)測(cè)的方法。使用微 觀仿真的方法進(jìn)行短時(shí)交通流的預(yù)測(cè)需要解決兩個(gè)方面的問(wèn)題，一個(gè)是微觀交通仿真模型； 另一個(gè)是數(shù)據(jù)輸入問(wèn)題，包括使用交通實(shí)時(shí)數(shù)據(jù)進(jìn)行仿真系統(tǒng)的初始化和交通網(wǎng)絡(luò)邊界數(shù)據(jù) 的輸入問(wèn)題。在微觀仿真模型方面已經(jīng)有了大量的研究，也產(chǎn)生了許多有效的微觀交通仿真 模型。本文將簡(jiǎn)要介紹微觀仿真模型，重點(diǎn)討論如何用實(shí)時(shí)交通數(shù)據(jù)對(duì)仿真模型進(jìn)行初始化 的問(wèn)題。

1 模型概述

微觀仿真模型基本上由三大部分組成：一部分是路網(wǎng)幾何形狀的精確描述，包括信號(hào)燈、檢 測(cè)器、可變信號(hào)標(biāo)示等交通設(shè)施。另一部分是每輛車(chē)動(dòng)態(tài)交通行為的精確模擬，包括車(chē)輛跟 馳模型、車(chē)輛換道模型和車(chē)輛的路徑選擇模型；已有大量的學(xué)者對(duì)微觀交通仿真模型進(jìn)行了 研究，微觀仿真中的基礎(chǔ)模型如跟馳模型和換道模型等都有了在特定條件下適用的有效模型 ，在本文所述的短時(shí)交通預(yù)測(cè)方法中將利用這些成熟的模型；仿真系統(tǒng)使用的車(chē)輛跟馳模型 是基于安全距離的避撞模型，換道模型分為自由換道和強(qiáng)制換道兩種。第三部分是對(duì)交通仿 真系統(tǒng)進(jìn)行數(shù)據(jù)的輸入的模型，這就是交通生成模型；交通生成模型就是在交通路網(wǎng)的邊界 （如入口）進(jìn)行車(chē)輛的輸入，這包括發(fā)車(chē)數(shù)量、車(chē)輛類(lèi)型、發(fā)車(chē)速度、發(fā)車(chē)間隔和車(chē)輛的OD 等。

跟馳和換道這兩個(gè)基本模型是微觀仿真模型的基礎(chǔ)，目前已經(jīng)有經(jīng)典的模型可以滿足要求。 短時(shí)交通預(yù)測(cè)有實(shí)時(shí)性和動(dòng)態(tài)變化性等特點(diǎn)，在進(jìn)行仿真預(yù)測(cè)的開(kāi)始，快速路上就已經(jīng)分布 了大量的車(chē)輛，需要在仿真環(huán)境中模擬這樣一個(gè)狀態(tài)。傳統(tǒng)的微觀仿真模型中，交通生成模 型只是從交通路網(wǎng)邊界的幾個(gè)入口點(diǎn)產(chǎn)生車(chē)輛并發(fā)車(chē)到道路上，這對(duì)本文所述情況并不適用 。在本文所述的情況下，需要對(duì)實(shí)時(shí)采集到的數(shù)據(jù)進(jìn)行瞬時(shí)處理，需要計(jì)算出在預(yù)測(cè)路網(wǎng)上 當(dāng)前的車(chē)輛數(shù)量、車(chē)輛分布、車(chē)輛的速度和車(chē)輛的OD等信息，利用這些信息才可以生成用于 仿真的初始狀態(tài)，然后通過(guò)仿真，得到一段時(shí)間以后的交通狀況，實(shí)現(xiàn)短時(shí)交通預(yù)測(cè)得目的 。

2 仿真模型

2.1 交通流量的產(chǎn)生シ掄娉跏甲刺中交通路網(wǎng)上的車(chē)輛數(shù)和車(chē)輛的初始位置分布對(duì)以后的預(yù)測(cè)影響十分巨大，如 何精確計(jì)算一個(gè)路段上的車(chē)輛數(shù)就顯得十分重要。對(duì)于快速路，通過(guò)分布在道路上的線圈采 集數(shù)據(jù)，從線圈中只能得到經(jīng)過(guò)某一點(diǎn)的車(chē)輛信息。下面的方法充分利用線圈采集的數(shù)據(jù)， 通過(guò)分流暢交通流和間斷交通流兩種情況的處理，計(jì)算出分布在兩個(gè)線圈之間的車(chē)輛數(shù)。

（1） 流暢交通流的情況 對(duì)于道路上第玦個(gè)線圈地點(diǎn)Loop玦和它的下一個(gè)線圈地 點(diǎn)Loop玦+1之間的路段，計(jì)算出所需的時(shí)間玹，那么從現(xiàn)在向前的玹時(shí)間 內(nèi)通過(guò)Loop玦的車(chē)輛數(shù)就是Loop玦與Loop玦+1之間路段上的車(chē)輛數(shù)， 車(chē)輛數(shù)可以從數(shù)據(jù)庫(kù)中取得。時(shí)間玹的計(jì)算可通過(guò)下面的公式

t=[SX(]Li,i+1[][SX(]1[]2[SX)](V璱+Vi+1)[SX)][JY]（1）

式中：獿i,i+1為L(zhǎng)oop玦和Loop玦+1之間的距離；玍璱和V ﹊+1分別為車(chē)輛到達(dá)Loop玦和Loop玦+1時(shí)的速度。

（2） 交通擁塞的情況 利用M3分布模型［6］，假設(shè)車(chē)輛處于兩種行駛狀 態(tài)：一部分是車(chē)隊(duì)狀態(tài)行駛；另一部分車(chē)輛按自由流狀態(tài)行駛。分布函數(shù)為

集到此路段的車(chē)頭時(shí)距，表示車(chē)輛處于車(chē)隊(duì)狀態(tài)行駛時(shí)，車(chē)輛之間保持的最小車(chē)頭時(shí)距； t=[SX(]1[]n[SX)]∑[DD(]n[]i=1[DD)]t璱，λ=[SX(]1[]tτ-τ[SX)]為參數(shù)，其中t τ為車(chē)頭時(shí)距大于t的樣本觀測(cè)指的均值；α=[SX(]m[]n[SX)]為按自由流狀態(tài)行駛車(chē)輛所占 的比例，n,m分別為采集點(diǎn)的次數(shù)和采集點(diǎn)的車(chē)頭時(shí)距不大于給定值λ0的個(gè)數(shù)。

設(shè)此段路長(zhǎng)為獿2，則得到此路段上的車(chē)輛為N2=[SX(]L2[]F(t)[SX)] 。

2.2 車(chē)輛的初始分布サ玫鉸范紊系某盜臼，把車(chē)輛均勻擺布在道路上不符合實(shí)際情況，可將采 集到的車(chē)頭時(shí)距離散化，運(yùn)用文獻(xiàn)［7］中的隨機(jī)數(shù)產(chǎn)生方法。

常數(shù)乘子法：

式中：玿0,m,a,c均為非負(fù)整數(shù)。

在此取玬=25，a=8×［[SX(]m[]64[SX)]×Ⅱ］+5，c=2×［[SX(]m[]2[SX)]×0.21132 4865］+1。然后取兩種混合算法所得到的平均值，但在最后計(jì)算時(shí)將離散后得到的車(chē)頭時(shí)距 加和，再與采集到的車(chē)頭時(shí)距進(jìn)行比，得到比值χ，最后將離散得到的每一個(gè)車(chē)頭時(shí)距都 除以此比值即可。[JP2]這樣即得到路段上的車(chē)輛數(shù)，又得到每?jī)奢v車(chē)間的車(chē)頭時(shí)距，于是就可以將車(chē)輛進(jìn)行初始分 布了。[JP]2.3 車(chē)輛OD的分配ソ立了考慮約束條件的高速公路OD 矩陣的約束卡爾曼濾波方法，并對(duì)其計(jì)算效果進(jìn)行分析 。ヒ韻咝緣母咚俟路或城市快速道路為研究對(duì)象。設(shè)高速公路分別有玬和n個(gè)上、下匝道( 主入口和主出口也被視為特殊的匝道)。根據(jù)假設(shè)，不考慮交通流的滯后性，則該系統(tǒng)在某 時(shí)段玨存在如下關(guān)系

yij(k)=r璱(k)aij(k)（5）

式中：珁ij(k)為從i進(jìn)口匝道進(jìn)入，選擇j出口匝道駛出的交通量；r璱(k)為從i進(jìn) 口匝道進(jìn)入的交通量；aij(k)為從i進(jìn)口匝道進(jìn)入的交通量選擇j出口匝道離開(kāi)的比例 ，即匝道選擇率。其中r璱(i=1～6)表示進(jìn)口，y璱(i=1～7)表示出口。

由路況信息，可以得到下面的方程。

法進(jìn)行求解。

2.4 使用仿真軟件進(jìn)行預(yù)測(cè)セ于以上所述的模型開(kāi)發(fā)了城市快速路交通仿真系統(tǒng)，該系統(tǒng)可用于快速路交通流實(shí)時(shí)再現(xiàn) 和短時(shí)交通流預(yù)測(cè)。

2.4.1 仿真系統(tǒng)初始化 打開(kāi)路網(wǎng)，設(shè)置仿真精度和預(yù)測(cè)時(shí)間等參數(shù)，導(dǎo) 入車(chē)輛OD分配矩陣，讀入實(shí)時(shí)的交通數(shù)據(jù)，建立仿真開(kāi)始前一刻的車(chē)輛初始分布狀態(tài)，然后 啟動(dòng)仿真。

2.4.2 仿真過(guò)程 循環(huán)計(jì)算路網(wǎng)上每一輛車(chē)的狀態(tài)，直到仿真結(jié)束。

While （仿真結(jié)束時(shí)間未到）

{

更新交通控制設(shè)施的狀態(tài)；

For （路網(wǎng)上的每一輛車(chē)）

{

根據(jù)車(chē)輛OD、交通控制和前后車(chē)的相互關(guān)系，判斷是否要換道并計(jì)算車(chē)輛加速度；

If （滿足換道條件）

{

執(zhí)行換道；

}

計(jì)算車(chē)輛新的位置和新的速度；

采集通過(guò)線圈的車(chē)輛的數(shù)據(jù)；

}

根據(jù)仿真精度推進(jìn)仿真時(shí)間；

}

處理仿真數(shù)據(jù)，顯示預(yù)測(cè)結(jié)果。

3 實(shí)例分析

通過(guò)對(duì)上海某一區(qū)域高架路的歷史交通數(shù)據(jù)進(jìn)行預(yù)測(cè)仿真，通過(guò)與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，發(fā)現(xiàn) 使用微觀仿真的方法進(jìn)行預(yù)測(cè)的結(jié)果接近于真實(shí)的數(shù)據(jù)，預(yù)測(cè)準(zhǔn)確率較高。

應(yīng)用本文的微觀仿真模型對(duì)南北高架進(jìn)行一分鐘的短時(shí)交通流預(yù)測(cè)，而南北高架有情報(bào)板可 以作為預(yù)測(cè)結(jié)果對(duì)比依據(jù)，因此可以通過(guò)情報(bào)板數(shù)據(jù)、預(yù)測(cè)數(shù)據(jù)以及真實(shí)數(shù)據(jù)進(jìn)行對(duì)比來(lái)檢 驗(yàn)仿真模型的有效性。以2007年8月7日早上7點(diǎn)為預(yù)測(cè)開(kāi)始時(shí)間，預(yù)測(cè)1分鐘以后的南北高架 交通流狀況（見(jiàn)圖1）。圖1 2007年8月7日7時(shí)預(yù)測(cè)結(jié)果對(duì)比

圖1中的最左邊的圖表示情報(bào)板上預(yù)測(cè)出的一分鐘以后的交通情況，其中亮色表示擁堵，暗 色表示暢通。 最右邊的圖表示1分鐘以后的真實(shí)交通狀況， 而中間的圖則是系統(tǒng)中的仿真 模型預(yù)測(cè)出的一分鐘以后的交通狀況。 通過(guò)對(duì)比不能看出預(yù)測(cè)出的偏差率和情報(bào)板上預(yù)測(cè) 出的偏差率一樣， 均為6.8%，當(dāng)然僅僅一個(gè)時(shí)間段的預(yù)測(cè)結(jié)果并不能說(shuō)明仿真模型的有效 性，這里將選取2007年8月8日8個(gè)典型時(shí)間段的仿真預(yù)測(cè)結(jié)果與情報(bào)板上的預(yù)測(cè)結(jié)果進(jìn)行了 全面的比較（見(jiàn)圖2）?！跷⒂^仿真模型的預(yù)測(cè)平均準(zhǔn)確率；當(dāng)前 情報(bào)版平均準(zhǔn)確率

時(shí)間段

圖2 2007年8月8日選取的8個(gè)時(shí)段的預(yù)測(cè)結(jié)果對(duì)比

由圖2可以發(fā)現(xiàn)，預(yù)測(cè)出的結(jié)果的準(zhǔn)確率在大部分時(shí)刻段都優(yōu)于情報(bào)板上的結(jié)果，在小部分 時(shí)刻段劣于情報(bào)板上的結(jié)果，但從最后總體的效果來(lái)看，已經(jīng)比較接近真實(shí)結(jié)果了，這證明 了使用微觀交通仿真模型能夠比較真實(shí)的預(yù)測(cè)短時(shí)交通狀況，證明了本文所述的使用微觀交 通仿真模型進(jìn)行快速路交通短時(shí)預(yù)測(cè)是有效的。

4 總結(jié)

運(yùn)用微觀仿真模型進(jìn)行短時(shí)交通預(yù)測(cè)可以得到相當(dāng)好的效果，能較為準(zhǔn)確的對(duì)快速路進(jìn)行短 時(shí)交通預(yù)測(cè)，并且可以通過(guò)可視化動(dòng)畫(huà)顯示，直觀地顯示預(yù)測(cè)結(jié)果。當(dāng)然，無(wú)論是微觀仿真 模型還是本文所述的車(chē)輛初始分布和OD分配模型，都還有一定的不足，包括文獻(xiàn)［4］所說(shuō) 的需要對(duì)路網(wǎng)輸入預(yù)測(cè)數(shù)據(jù)的缺點(diǎn)，目前還只能對(duì)一分鐘這樣的短時(shí)間的交通流進(jìn)行預(yù)測(cè)。 同時(shí)對(duì)一些特殊情況如節(jié)假日以及發(fā)生緊急事件等情況下的相應(yīng)處理模型，還在進(jìn)一步的研 究中。

參考文獻(xiàn)：

［1］ STEPHANEDES Y J,MICHALOPOULOS P G,PLUM R A.Improved es timation of

traffic flow for real-lime control［J］.Transportation Research Record 795,TRB. Washington DC.1981：28-29.

［2］ DOCHY T,DANECH-PAJOUH M,LECHEVOLLIER Y.Short-term roa d forecasti ng using neural network［J］.Recherche-Transports-Securite.English issue.No I I,1995：73-82.

［3］ IWAO OKTANI,YORGOS J STENHANEDES.Dynainic prediction of

traffic vo lume through kalman filtering theory［J］.Transportation Research Pan B.1984，1 (8B):1-11.

［4］ 王進(jìn)，史其信.短時(shí)交通流預(yù)測(cè)模型綜述［J］.中國(guó)公共安全（學(xué)術(shù)版）,2 005,01(6):92-98.

［5］ CHROBOK R， WAHLE J， SCHRECKENBERG M.Traffic forecast u sing simulatio ns of large scale networks［C］∥in Proc. 4th IEEE Int. Conf. Intelligent Trans portation Systems,Oakland,CA,2001：434-439.

［6］ R TAPIO LUTTINEN.Properties of cowan's M3 headway distribut ion［M］.Transportation Research Record，1999，1678：189-196.

［7］ [JP2]SHELDON M ROSS.統(tǒng)計(jì)模擬［M］.王兆軍，陳廣雷，皺長(zhǎng)亮，等譯.北 京：人民郵電出版社，[JP]2007：33-34.

［8］ TRANSPORTATION RESEARCH BOARD.Highway capacity manual ［M］.National Research Council Washington,D.C，2000.

［9］ 鐘邦秀，楊曉光.面向?qū)ο笪⒂^交通仿真系統(tǒng)的研究與實(shí)現(xiàn)［J］.系統(tǒng)仿真 學(xué)報(bào)，2002,14(4):418-421.

［10］ 魏明，楊方廷，曹正清.交通仿真的發(fā)展及研究現(xiàn)狀［J］.系統(tǒng)仿真學(xué)報(bào),

2003,15(8):1 179-1 183.

(責(zé)任編輯：何學(xué)華)