用于估计随机性微观交通仿真模型的参数的标定方法技术

本发明专利技术公开一种用于估计随机性微观交通仿真模型的参数的标定方法，首先针对不同的模型和数据集确定重复次数N；确定参数的标定范围，参数的标定范围与参数的物理意义相一致；在参数的标定范围内抽取参数并迭代，使用模型输出仿真的速度和间距信息；重复多轮次仿真，对每一次仿真输出的速度和间距信息与实际实验的数据计算总误差，取N次仿真总误差的最小值作为目标函数；分别选取速度和间距为性能度量指标，利用优化算法求解，得到最优参数；验证两组参数的性能，计算在数据集上误差，选取较小的作为标定结果。本发明专利技术通过建立可以标定出随机模型参数的优化框架，实现参数的标定。实现参数的标定。实现参数的标定。

【技术实现步骤摘要】
用于估计随机性微观交通仿真模型的参数的标定方法


[0001]本专利技术涉及道路交通管理
，特别是涉及一种用于估计随机性微观交通仿真模型的参数的标定方法。

技术介绍

[0002]作为融合了交通工程、计算机科学、软件工程与系统科学等交叉学科的交通仿真技术在智能交通系统构建和交通运输规划决策过程中非常重要。交通仿真模型是交通仿真技术的基石。只有建立了正确刻画交通拥堵产生和演化的交通仿真模型，才能通过实际道路和路网的交通仿真来分析交通状况并提出可以有效指导交通管理部门的交通管理措施。
[0003]在将交通仿真模型应用到城市交通流仿真前，需要对模型的参数进行标定，即寻找与现实交通状况最符合的一套或若干套参数，最后使用标定出的参数来仿真预测城市交通流的演化过程。因此标定工作是将仿真模型与交通仿真应用相连接的桥梁。
[0004]交通仿真模型又分为微观模型、介观模型和宏观模型，其中微观模型由于考虑了精细化的驾驶行为，在交通仿真中得到了广泛应用。微观模型具体是指对驾驶人的个体驾驶行为(跟驰与换道)建模，即基于对驾驶行为的描述，以个体规则驱动，来挖掘群体行为即车流的复杂性涌现规律。其中最广为应用的微观跟驰模型为IDM模型，共五个参数，具有明确的物理意义，结构简单但却可以复现出一些较为复杂的交通现象。该模型是确定性模型，即给定参数和环境输入，其输出是确定的。已有的一系列研究表明，这类确定性模型的仿真结果与一些实际的交通流现象不符，例如无法正确仿真出交通振荡即走走停停波。而近年来的研究证明了引入随机性是复现交通振荡规律的关键因素。基于此，较多随机性模型被提出，但是随机性模型输入输出之间的不确定性为参数标定工作带来了新的困难。
[0005]模型参数估计部分是具体来说是通过求解优化问题来寻找一组最符合现实中宏微观现象的参数。基于这组参数来评估模型的预测性能，同时将标定的参数应用到具体的交通规划或交通控制问题中提供模型输出，因此不合理的标定参数和标定方法不仅无法正确地利用模型来描述交通流的实际特性，还会对交通规划或交通控制产生负面影响。
[0006]现有的交通仿真模型标定的研究中，大部分都是针对确定性模型的标定方法研究，确定性模型中并不存在随机项，这导致了其标定方法可能不再适用于随机性模型的标定。而近年来针对随机性模型的标定实践中，出现了两类标定方法，第一种是将原来的目标函数从单次仿真的总误差，变成了多次仿真的总误差的均值，这种标定方法的思想并未正确考量认知不确定性误差与随机不确定性误差及其之间的关系。另一类标定方法是延续了确定性模型标定的极大似然估计方法，但无法评估其所得到的参数集的可靠性。
[0007]总之，现有技术中的参数标定方法和框架都是针对确定性模型的，无法有效处理随机交通仿真模型的输出的不确定性，这将阻碍随机交通仿真模型的推广与工程应用。

技术实现思路

[0008]本专利技术旨在基于认知不确定性和随机不确定性的误差划分，而提供一种用于估计
随机性微观交通仿真模型的参数的标定方法，旨在基于认知不确定性和随机不确定性的误差划分，建立一套有效的随机交通仿真模型的标定方法。
[0009]为实现本专利技术的目的所采用的技术方案是：
[0010]一种用于估计随机性微观交通仿真模型的参数的标定方法，包括以下步骤：
[0011]S1.针对不同的模型和数据集确定重复次数N；
[0012]S2.确定参数的标定范围，参数的标定范围与参数的物理意义相一致；
[0013]S3.在参数的标定范围内抽取参数并迭代，使用模型输出仿真的速度和间距信息；
[0014]S4.重复多轮次仿真，对每一次仿真输出的速度和间距信息与实际实验的数据计算总误差，取N次仿真总误差的最小值作为目标函数；
[0015]S5.分别选取速度和间距为性能度量指标，以最小化嵌套优化标定模型为目标，利用优化算法求解，得到最优参数；该嵌套优化标定模型基于多轮次仿真的最小误差为优化目标，以模型参数和随机种子为决策变量；嵌套优化标定模型具体数学表示如下：
[0016]minz
[0017][0018][0019]subject to:β
min
≤β≤β
max
[0020]式中，GoF为误差函数，MoP
iobs
,MoP
isim
分别为实际数据和仿真数据中的性能度量指标，选取为间距或者速度，F(β)为交通仿真模型，β为参数，β
min
和β
max
为参数上下界，N为实验次数；
[0021]S6.验证采用速度、间距所标定的两组参数的性能，计算两组参数在数据集上的误差，选取较小的一组参数作为标定结果。
[0022]本专利技术基于误差理论和优化技术，针对随机性模型的标定，在考虑两类不确定性的情况下，构造可以有效识别最优参数的目标函数，建立可以标定出随机模型参数的优化框架，从而实现参数的标定。
附图说明
[0023]图1是本专利技术的用于估计随机性微观交通仿真模型的参数的标定方法的流程图。
[0024]图2是MRMin的频数分布及其用极值分布拟合的结果示意图。
[0025]图3是重复次数与目标函数稳定性(标准差)的关系的示意图。
[0026]图4是实验轨迹的车辆间距的关系图。
[0027]图5是是实验轨迹的车辆速度的示意图。
[0028]图6是三种标定方法用9条实验轨迹标定出的9套参数的箱线图(从左至右分别为MRMEean,MLE和MRMin方法标定的结果)。
[0029]图7是三种标定方法用9条合成轨迹标定出的9套参数中随机参数分布的箱线图(从左至右分别为MRMEean,MLE和MRMin方法标定的结果)。
[0030]图8a1、图8a2、图8b1、图8b2、图8c1、图8c2分别是目标函数在不同参数取值下的等高线图(Global Optimum为当前等高线图中的最优解，Preset Values为合成轨迹的预设参数)。
[0031]图9a、图9b、图9c分别是MRMEean,MLE和MRMin三种方法标定出参数所仿真出的轨迹预测区间示意图(其中实线为实验轨迹，灰色条带为仿真预测区间)。
具体实施方式
[0032]以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0033]本专利技术旨在基于误差理论和优化技术，针对随机模型的标定，在考虑两类不确定性的情况下，构造可以有效识别最优参数的目标函数，建立可以标定出随机模型参数的优化框架。
[0034]如图1所示，本专利技术实施例的用于估计随机性微观交通仿真模型的参数的标定方法，包括步骤：
[0035]步骤S1.针对不同的模型和数据集需要确定重复次数N。
[0036]因为重复次数会影响目标函数的稳定性，理论上而言，重复次数越大，目标函数越稳定。最小误差本质上是一类极值，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于估计随机性微观交通仿真模型的参数的标定方法，其特征在于，包括以下步骤：S1.针对不同的模型和数据集确定重复次数N；S2.确定参数的标定范围，参数的标定范围与参数的物理意义相一致；S3.在参数的标定范围内抽取参数并迭代，使用预选模型输出仿真的速度和间距信息；S4.重复多轮次仿真，对每一次仿真输出的速度和间距信息与实际实验的数据计算总误差，取N次仿真总误差的最小值作为目标函数；S5.分别选取速度和间距为性能度量指标，以最小化嵌套优化标定模型为目标，利用优化算法求解，得到最优参数；该嵌套优化标定模型基于多轮次仿真的最小误差为优化目标，以模型参数和随机种子为决策变量，表示如下：min zMoP
iobs
＝F(β)subject to:β
min
≤β≤β
max
式中，GoF为误差函数，MoP
iobs
,MoP
isim
分别为实际数据和仿真数据中的性能度量指标，选取为间距或者速度，F(β)为交通仿真模型，β为参数，β
min
和β
max
为参数上下界，N为实验次数；S6.验证采用速度、间距所标定的两组参数的性能，计算两组参数在数据集上的误差，选取较小的一组参数作为标定结果。2.根据权利要求1所述用于估计随机性微观交通仿真模型的参数的标定方法，其特征在于，步骤S3中，使用随机性仿真模型2D
‑
IDM输出仿真的速度和间距信息。3.根...

【专利技术属性】
技术研发人员：田钧方，姜锐，周世聪，郑士腾，
申请(专利权)人：天津大学，
类型：发明
国别省市：