一种基于偏最小二乘Kriging模型的路径诱导方法技术

本发明专利技术涉及一种基于偏最小二乘Kriging模型的路径诱导方法，包括：S1、确定拥堵上游路段；S2、确定以拥堵上游路段的在途换路用户比例为决策变量、以最小化系统总出行时间为优化目标的优化问题，并构建中观交通仿真模型；S3、基于拉丁超立方抽样在解空间中均匀抽取样本，并计算样本的目标函数值，建立仿真样本集合；S4、建立基于偏最小二乘Kriging模型的代理模型；S5、利用群遗传算法和改善期望函数在解空间内进行二次采样，获得最大价值采样点；S6、计算最大价值采样点的目标函数值，并更新仿真样本集合；S7、重复迭代直至达到最大迭代次数，输出当前得到的最优解。与现有技术相比，本发明专利技术具有计算复杂度低、对大规模复杂拥堵路段的改善效果显著的优点。善效果显著的优点。善效果显著的优点。

【技术实现步骤摘要】
一种基于偏最小二乘Kriging模型的路径诱导方法


[0001]本专利技术涉及交通管控与智能交通领域，尤其是涉及一种基于偏最小二乘 Kriging模型的路径诱导方法。

技术介绍

[0002]随着机动车保有量的持续增长，多数城市的交通供给能力已无法满足交通需求，交通拥堵现象在城市路网中愈发常见。各类偶发性事件，如交通事故、极端天气等同样严重了影响交通系统的通行效率。拥堵不仅造成了经济损失和资源浪费，还会带来严重的环境污染问题。为了缓解交通拥堵现象，先进的出行者信息系统(Advanced Traveler Information Systems,ATIS)成为提升城市路网通行效率的重要手段。
[0003]ATIS可将路网的实时交通状况和突发事件信息发送给用户(出行者)，触发用户的在途路径选择行为(En
‑
route Diversion)，帮助用户及时调整出行路线，从而避开发生拥堵或交通事故的路段。ATIS的实现形式包括各类可变信息标志(VariableMessage Sign,VMS)：拥堵警告、速度建议、路径提示，导航系统(Navigation System)，以及智能网联环境下基于车载无线通信技术的路径引导(Connected VehicleGuidance)等。大量研究表明，ATIS信息触发的在途路径选择行为不仅可以缩短个体用户的出行时间，还将显著提升整个系统的运行效率。
[0004]早期关于ATIS设计的研究大都关注VMS的布设位置优化问题。后来的研究多将VMS的布设位置与VMS的种类、显示信息等变量综合考虑，并协同优化。 ATIS优化设计中需要考虑一个重要的因素：用户对实时信息的反应和遵从度 (Compliance Rate)。用户的遵从度与在途换路的用户比例(Diversion Rate)直接相关，多数VMS布设优化的研究都分析了该参数的灵敏度，结果显示在途换路的用户比例对路网通行效率有显著影响。因此若要通过ATIS发布实时的路径诱导信息以改善拥堵网络的通行效率，首先需要确定拥堵瓶颈路段上游需要重新规划路线的在途用户比例，然后发布适当的ATIS信息引导这部分用户重新选择路线。目前已有大量研究讨论了如何合理设计ATIS信息，从而影响在途用户对该信息的遵从度并达到期望的换路比例：通过动态调整ATIS信息，或引入其他交通控制手段调整受 ATIS信息影响在途用户的比例。此外，确定瓶颈上游所需的最佳在途换路用户比例也是一个重要的课题，但目前对该问题的研究较少。大规模城市路网在高峰期容易多点同时发生常发性拥堵，且可能伴随着由于突发事件引起的偶发性拥堵，此时网络的通行效率将显著降低。然而该类场景的优化决策空间较大，优化难度高，目前关于该场景下ATIS优化设计的研究较少。
[0005]在方法层面，ATIS优化设计的研究中通常有两种建模方式：解析模型及仿真模型。解析模型通过排队论模型、确定性用户均衡或随机用户均衡等建立起决策变量和目标函数之间的映射关系，并基于一定的优化算法进行求解。然而解析模型很难同时准确刻画大规模城市路网中的交通动态演化过程、由于拥堵引发的流量溢出以及用户对ATIS信息的反应行为等复杂交通现象。仿真模型即利用成熟的交通仿真工具模拟实际的交通流演变过程，
基于仿真结果计算目标函数值。与解析模型相比，仿真模型可以准确刻画上述的复杂交通现象，但也具有不可解析、计算成本高、仿真噪声大的难题。早期基于仿真模型的ATIS优化设计大都使用启发式算法，该方法在优化过程中需要频繁调用仿真模型计算目标函数值，在有限的计算资源内很难获得理想的优化结果。最新的研究利用基于贝叶斯优化的仿真优化方法设计 ATIS，建立高斯过程代理模型，通过代理模型评估目标函数值可以极大减少仿真模型的调用次数。然而该研究使用的代理模型计算复杂度高，在高维仿真优化问题中的计算效率较低。因此受限于仿真模型和代理模型较高的计算成本，目前仿真优化方法只能处理较低维度的ATIS设计问题。
[0006]基于以上分析，现有技术目前还存在以下问题：
[0007]1)没有考虑在大规模偶发拥堵和常发拥堵共存场景中的在途换路用户比例确定；
[0008]2)高维度ATIS仿真优化的效率低。

技术实现思路

[0009]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种高效的基于偏最小二乘Kriging模型的路径诱导方法，该方法考虑了大规模偶发拥堵和常发拥堵共存场景中的在途换路用户比例确定问题，且提高了高维度ATIS仿真优化的效率。
[0010]本专利技术的目的可以通过以下技术方案来实现：
[0011]本专利技术提供了一种基于偏最小二乘Kriging模型的路径诱导方法，该方法包括以下步骤：
[0012]步骤S1、基于实际的交通供给、需求及突发交通状况信息，确定需要发送“前方拥堵警告”信息的拥堵上游路段；
[0013]步骤S2、确定以拥堵上游路段的在途换路用户比例为决策变量、以最小化系统总出行时间为优化目标的连续优化问题，并构建用于计算目标函数值的中观交通仿真模型；
[0014]步骤S3、基于拉丁超立方抽样在解空间中均匀抽取样本，并带入所述中观交通仿真模型计算样本的目标函数值，建立仿真样本集合；
[0015]步骤S4、利用仿真样本集合，建立基于偏最小二乘Kriging模型的代理模型；
[0016]步骤S5、基于代理模型，利用群遗传算法和改善期望函数在解空间内进行二次采样，获得最大价值采样点；
[0017]步骤S6、将最大价值采样点带入所述中观交通仿真模型中计算其目标函数值，并更新仿真样本集合；
[0018]步骤S7、判断是否达到最大迭代次数，若否，则返回步骤S4，否则结束输出当前得到的最优解。
[0019]优选地，所述步骤S1中的拥堵上游路段包括常发性拥堵上游路段和偶发性拥堵上游路段；
[0020]所述偶发性拥堵上游路段采用直接确定法进行确定；所述直接确定法为将偶发性拥堵上游的上下匝道设定范围内路段作为偶发性拥堵上游路段。
[0021]优选地，所述常发性拥堵上游路段采用主成分分析法进行确定；所述主成分分析法包括：路段选取、路段降维以及路段筛选。
[0022]优选地，所述路段选取具体为：
[0023]通过用于判断路段车流拥堵程度的路段速度损失率函数选择拥堵路段上游的所有路段中速度损失大于预设值的路段，得到路段选取结果L
b,1
；
[0024]所述路段速度损失率函数表达式为：
[0025][0026]式中，L
i
为第i条路段的速度损失率，T为总的时间片段数，为第i条路段在t时间片段的速度，v
i,lim
为第i条路段的限速。
[0027]优选地，所述路段降维为使用主成分分析法对路段选取结果L
b,1
进行降维，具体包括以下子步骤：
[0028]1)将样本数据标准化，得到标准化阵Z，表达式为：
[0029][0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于,该方法包括以下步骤：步骤S1、基于实际的交通供给、需求及突发交通状况信息，确定需要发送“前方拥堵警告”信息的拥堵上游路段；步骤S2、确定以拥堵上游路段的在途换路用户比例为决策变量、以最小化系统总出行时间为优化目标的连续优化问题，并构建用于计算目标函数值的中观交通仿真模型；步骤S3、基于拉丁超立方抽样在解空间中均匀抽取样本，并带入所述中观交通仿真模型计算样本的目标函数值，建立仿真样本集合；步骤S4、利用仿真样本集合，建立基于偏最小二乘Kriging模型的代理模型；步骤S5、基于代理模型，利用群遗传算法和改善期望函数在解空间内进行二次采样，获得最大价值采样点；步骤S6、将最大价值采样点带入所述中观交通仿真模型中计算其目标函数值，并更新仿真样本集合；步骤S7、判断是否达到最大迭代次数，若否，则返回步骤S4，否则结束输出当前得到的最优解。2.根据权利要求1所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述步骤S1中的拥堵上游路段包括常发性拥堵上游路段和偶发性拥堵上游路段；所述偶发性拥堵上游路段采用直接确定法进行确定；所述直接确定法为将偶发性拥堵上游的上下匝道设定范围内路段作为偶发性拥堵上游路段。3.根据权利要求2所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述常发性拥堵上游路段采用主成分分析法进行确定；所述主成分分析法包括：路段选取、路段降维以及路段筛选。4.根据权利要求3所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述路段选取具体为：通过用于判断路段车流拥堵程度的路段速度损失率函数选择拥堵路段上游的所有路段中速度损失大于预设值的路段，得到路段选取结果L
b,1
；所述路段速度损失率函数表达式为：式中，L
i
为第i条路段的速度损失率，T为总的时间片段数，为第i条路段在t时间片段的速度，v
i,lim
为第i条路段的限速。5.根据权利要求3所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述路段降维为使用主成分分析法对路段选取结果L
b,1
进行降维，具体包括以下子步骤：1)将样本数据标准化，得到标准化阵Z，表达式为：式中，z
ij
为标准化阵Z的元素，分别为变量Y
j
对应样本的均值和标准差；变量Y
j
包
括：各在途换路用户比例下系统总出行时间减少量平均值Y1、系统总出行时间减少量的最小值Y2、系统总出行时间减少量的最大值Y3、系统总出行时间减少量的上四分位数Y4、系统总出行时间减少量的中位数Y5、系统总出行时间减少量的下四分位数Y6、各在途换路用户比例下系统总出行时间减少量的极差Y7、以及各在途换路用户比例下系统总出行时间减少量总和Y8；2)计算标准化阵Z的协方差矩阵R，表达式为式中，r
ij
为协方差矩阵R的元素，n为样本容量：3)计算协方差矩阵R的特征值λ1≥λ2≥
…
≥λ
n
≥0以及对应特征向量u1,u2,
…
,u
n
；4)计算各主成分y
i
的贡献率b
j
以及y1,y2,
…
,y
p
累计贡献率α
p
：：选取特征值大于1且累计贡献率约达到90％的成分作为主成分；5)获得成分得分系数矩阵，计算各成分得分，之后通过旋转后的方差百分比与各成分得分求出最后的综合评价得分，得到降维后的上游路段L
b,2
。6.根据权利要求3所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述路段筛选具体为：引入候选路段的最短间距限制，从降维后的上游路段L
b,2
中进行筛选，将筛选后的结果作为常发性拥堵上游路段L
b
。7.根据权利要求1所述的一种基于偏最小二乘Kriging模型的路径诱导方法，其特征在于，所述步骤S2中确定以拥堵上游路段的在途换路用户比例为决策变量、以最小化系统总出行时间为优化目标的连续优化问题，并构建用于计算目标函数值的中观交通仿真模型，具体为：1)定义决策变量为n个上游路段在途换路的用户比例，目标函...

【专利技术属性】
技术研发人员：田野，李政，孙剑，
申请(专利权)人：同济大学，
类型：发明
国别省市：