李　奎　王　堅

(同濟大學CIMS中心，上海 201804)

摘 要：利用微觀交通仿真技術可以對快速路上的交通進行短時 預測。將快速路上的線圈采集的實時數(shù)據(jù)輸入本文所述的交通仿真系統(tǒng)進行仿真，可以預測 一段時間以后的交通狀況。沿著這個思路，描述如何利用仿真技術進行短時交通預測，特別 是對如何建立滿足實時性和動態(tài)性要求的交通生成模型進行了詳細的闡述。通過對真實歷史 數(shù)據(jù)進行仿真預測，并分析對比，結果說明使用微觀仿真模型進行短時交通預測是可行的。

關鍵詞：微觀仿真; 短時交通預測; 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

在交通流預測方 面，國內(nèi)外學者作了大量的研究，產(chǎn)生了很多短時交通預測的方法，這包括歷史數(shù)據(jù)平均值 法［1］、人工神經(jīng)網(wǎng)絡法［2］和卡爾曼濾波理論［3］等。文獻［4］ 對各種交通流預測方法進行了分析和對比，指出了各種方法的優(yōu)缺點?；诮y(tǒng)計學方法的歷 史數(shù)據(jù)平均值法是利用歷史交通流的規(guī)律進行交通預測，不能處理短時預測的實時性、動態(tài) 性和不確定性；基于人工神經(jīng)網(wǎng)絡的方法需要大量的樣本進行訓練來找出交通流的固有規(guī)律 ，其結果一方面依賴于樣本的質(zhì)量，另一方面在交通發(fā)生動態(tài)變化的時候已經(jīng)訓練好的人工 神經(jīng)網(wǎng)絡就失效了；還有其他的一些預測方法，同樣對短時交通流預測的實時性和動態(tài)變化 性處理較差。

本文介紹使用微觀仿真模型進行短時交通預測的方法，可以有效的體現(xiàn)交通的實 時性和動態(tài)變化性，利用本方法進行的預測對更正交通情報版的誘導性有極其重大的意義。 文獻［5］講述一種使用元胞自動機模型對大尺度交通網(wǎng)絡進行交通流預測的方法。使用微 觀仿真的方法進行短時交通流的預測需要解決兩個方面的問題，一個是微觀交通仿真模型； 另一個是數(shù)據(jù)輸入問題，包括使用交通實時數(shù)據(jù)進行仿真系統(tǒng)的初始化和交通網(wǎng)絡邊界數(shù)據(jù) 的輸入問題。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。本文將簡要介紹微觀仿真模型，重點討論如何用實時交通數(shù)據(jù)對仿真模型進行初始化 的問題。

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，包括信號燈、檢 測器、可變信號標示等交通設施。另一部分是每輛車動態(tài)交通行為的精確模擬，包括車輛跟 馳模型、車輛換道模型和車輛的路徑選擇模型；已有大量的學者對微觀交通仿真模型進行了 研究，微觀仿真中的基礎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 ，在本文所述的短時交通預測方法中將利用這些成熟的模型；仿真系統(tǒng)使用的車輛跟馳模型 是基于安全距離的避撞模型，換道模型分為自由換道和強制換道兩種。第三部分是對交通仿 真系統(tǒng)進行數(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）進行車輛的輸入，這包括發(fā)車數(shù)量、車輛類型、發(fā)車速度、發(fā)車間隔和車輛的OD 等。

跟馳和換道這兩個基本模型是微觀仿真模型的基礎，目前已經(jīng)有經(jīng)典的模型可以滿足要求。 短時交通預測有實時性和動態(tài)變化性等特點，在進行仿真預測的開始，快速路上就已經(jīng)分布 了大量的車輛，需要在仿真環(huán)境中模擬這樣一個狀態(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)邊界的幾個入口點產(chǎn)生車輛并發(fā)車到道路上，這對本文所述情況并不適用 。在本文所述的情況下，需要對實時采集到的數(shù)據(jù)進行瞬時處理，需要計算出在預測路網(wǎng)上 當前的車輛數(shù)量、車輛分布、車輛的速度和車輛的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)，然后通過仿真，得到一段時間以后的交通狀況，實現(xiàn)短時交通預測得目的 。

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)上的車輛數(shù)和車輛的初始位置分布對以后的預測影響十分巨大，如 何精確計算一個路段上的車輛數(shù)就顯得十分重要。對于快速路，通過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)過某一點的車輛信息。下面的方法充分利用線圈采集的數(shù)據(jù)， 通過分流暢交通流和間斷交通流兩種情況的處理，計算出分布在兩個線圈之間的車輛數(shù)。

（1） 流暢交通流的情況 對于道路上第玦個線圈地點Loop玦和它的下一個線圈地 點Loop玦+1之間的路段，計算出所需的時間玹，那么從現(xiàn)在向前的玹時間 內(nèi)通過Loop玦的車輛數(shù)就是Loop玦與Loop玦+1之間路段上的車輛數(shù)， 車輛數(shù)可以從數(shù)據(jù)庫中取得。時間玹的計算可通過下面的公式

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

式中：獿i,i+1為Loop玦和Loop玦+1之間的距離；玍璱和V ﹊+1分別為車輛到達Loop玦和Loop玦+1時的速度。

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

集到此路段的車頭時距，表示車輛處于車隊狀態(tài)行駛時，車輛之間保持的最小車頭時距； 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為車頭時距大于t的樣本觀測指的均值；α=[SX(]m[]n[SX)]為按自由流狀態(tài)行駛車輛所占 的比例，n,m分別為采集點的次數(shù)和采集點的車頭時距不大于給定值λ0的個數(shù)。

設此段路長為獿2，則得到此路段上的車輛為N2=[SX(]L2[]F(t)[SX)] 。

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

常數(shù)乘子法：

式中：玿0,m,a,c均為非負整數(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，但在最后計算時將離散后得到的車頭時距 加和，再與采集到的車頭時距進行比，得到比值χ，最后將離散得到的每一個車頭時距都 除以此比值即可。[JP2]這樣即得到路段上的車輛數(shù)，又得到每兩輛車間的車頭時距，于是就可以將車輛進行初始分 布了。[JP]2.3 車輛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，并對其計算效果進行分析 。ヒ韻咝緣母咚俟路或城市快速道路為研究對象。設高速公路分別有玬和n個上、下匝道( 主入口和主出口也被視為特殊的匝道)。根據(jù)假設，不考慮交通流的滯后性，則該系統(tǒng)在某 時段玨存在如下關系

yij(k)=r璱(k)aij(k)（5）

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

由路況信息，可以得到下面的方程。

法進行求解。

2.4 使用仿真軟件進行預測セ于以上所述的模型開發(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時再現(xiàn) 和短時交通流預測。

2.4.1 仿真系統(tǒng)初始化 打開路網(wǎng)，設置仿真精度和預測時間等參數(shù)，導 入車輛OD分配矩陣，讀入實時的交通數(shù)據(jù)，建立仿真開始前一刻的車輛初始分布狀態(tài)，然后 啟動仿真。

2.4.2 仿真過程 循環(huán)計算路網(wǎng)上每一輛車的狀態(tài)，直到仿真結束。

While （仿真結束時間未到）

{

更新交通控制設施的狀態(tài)；

For （路網(wǎng)上的每一輛車）

{

根據(jù)車輛OD、交通控制和前后車的相互關系，判斷是否要換道并計算車輛加速度；

If （滿足換道條件）

{

執(zhí)行換道；

}

計算車輛新的位置和新的速度；

采集通過線圈的車輛的數(shù)據(jù)；

}

根據(jù)仿真精度推進仿真時間；

}

處理仿真數(shù)據(jù)，顯示預測結果。

3 實例分析

通過對上海某一區(qū)域高架路的歷史交通數(shù)據(jù)進行預測仿真，通過與真實數(shù)據(jù)進行對比，發(fā)現(xiàn) 使用微觀仿真的方法進行預測的結果接近于真實的數(shù)據(jù)，預測準確率較高。

應用本文的微觀仿真模型對南北高架進行一分鐘的短時交通流預測，而南北高架有情報板可 以作為預測結果對比依據(jù)，因此可以通過情報板數(shù)據(jù)、預測數(shù)據(jù)以及真實數(shù)據(jù)進行對比來檢 驗仿真模型的有效性。以2007年8月7日早上7點為預測開始時間，預測1分鐘以后的南北高架 交通流狀況（見圖1）。圖1 2007年8月7日7時預測結果對比

圖1中的最左邊的圖表示情報板上預測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分鐘以后的真實交通狀況， 而中間的圖則是系統(tǒng)中的仿真 模型預測出的一分鐘以后的交通狀況。 通過對比不能看出預測出的偏差率和情報板上預測 出的偏差率一樣， 均為6.8%，當然僅僅一個時間段的預測結果并不能說明仿真模型的有效 性，這里將選取2007年8月8日8個典型時間段的仿真預測結果與情報板上的預測結果進行了 全面的比較（見圖2）?！跷⒂^仿真模型的預測平均準確率；當前 情報版平均準確率

時間段

圖2 2007年8月8日選取的8個時段的預測結果對比

由圖2可以發(fā)現(xiàn)，預測出的結果的準確率在大部分時刻段都優(yōu)于情報板上的結果，在小部分 時刻段劣于情報板上的結果，但從最后總體的效果來看，已經(jīng)比較接近真實結果了，這證明 了使用微觀交通仿真模型能夠比較真實的預測短時交通狀況，證明了本文所述的使用微觀交 通仿真模型進行快速路交通短時預測是有效的。

4 總結

運用微觀仿真模型進行短時交通預測可以得到相當好的效果，能較為準確的對快速路進行短 時交通預測，并且可以通過可視化動畫顯示，直觀地顯示預測結果。當然，無論是微觀仿真 模型還是本文所述的車輛初始分布和OD分配模型，都還有一定的不足，包括文獻［4］所說 的需要對路網(wǎng)輸入預測數(shù)據(jù)的缺點，目前還只能對一分鐘這樣的短時間的交通流進行預測。 同時對一些特殊情況如節(jié)假日以及發(fā)生緊急事件等情況下的相應處理模型，還在進一步的研 究中。

參考文獻：

［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，史其信.短時交通流預測模型綜述［J］.中國公共安全（學術版）,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)計模擬［M］.王兆軍，陳廣雷，皺長亮，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)的研究與實現(xiàn)［J］.系統(tǒng)仿真 學報，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)仿真學報,

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

(責任編輯：何學華)