[发明专利]一种用于微观仿真的交通流量预测方法

权利要求书

1.一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：

步骤S-1：路网模型建立

在仿真软件中，根据研究范围内的实际路网情况，建立路网模型；

步骤S-2：利用实际数据进行模型标定

根据微观仿真模型的具体需求，采用历史数据输入仿真软件中，通过比对仿真结果和实际检测数据，得到微观仿真模型的模拟精度，从而对微观仿真模型中的参数进行调整标定；

微观仿真模型为交通影响分析的模块，将预测得到的流量值作为输入值输入路网微观仿真模型中，从而得到预测的交通状态以及相关交通评价指标；

微观仿真模型由三部分组成，第一部分是路网模型，用于精确描述路网的拓扑结构；第二部分是交通生成模块，用于对交通仿真模型进行交通数据输入和生成；第三部分是车辆行为模型，微观仿真模型的模拟对象是单一车辆，因此其车辆行为模型主要用于模拟车辆的精确行为；其中路网模型及车辆行为模型都采用仿真软件中现有的成熟模型，而交通生成模型则需要通过算法获得预测路网上的车流量、车辆分布信息，将预测值作为仿真模型的输入值；

步骤S-3：采集实际流量，输入预测算法

在每一个预测周期内，通过布设在道路上的检测器，采集实际的交通流量，将实测得到的流量值作为输入值输入预测算法；

步骤S-3-1-1：确定网络拓扑结构

在BP神经网络算法中，确定网络的拓扑结构；

步骤S-3-1-2：初始化网络权值和阈值

确定输入层节点数n，隐含层节点数l，输出层节点数m，并初始化输入层、隐含层和输出层之间的权值w_ij和w_jk以及隐含层阈值a和输出层阈值b；初次单独运算BP神经网络算法得到误差值；

步骤S-3-2-1：粒子和速度初始化

粒子群算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征；

粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置；

粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置；

粒子群优化算法首先需要初始化粒子和速度，对其赋予随机值；

步骤S-3-2-2：BP神经网络训练得到的误差作为适应度值

将步骤S-3-1-2中通过网络训练得到的误差值的倒数作为适应度值输入粒子优化算法，此算法中适应度值越大越优，误差值越小越优；

步骤S-3-2-3：寻找个体极值和群体极值

根据输入的适应度值确定每个粒子个体的极值和群体的极值，初次的个体极值和群体极值在步骤S-3-2-1中所赋予的随机值中寻找；

步骤S-3-2-4：速度、位置和粒子适应度更新

根据粒子群算法的更新公式对粒子的速度和位置进行更新，更新后重新训练BP神经网络得到更新后的适应度值；

粒子群算法的更新公式为：

式中，表示第k+1次迭代时第i个粒子的速度，w表示惯性权重系数，c₁、c₂表示加速因子，r₁、r₂表示0-1之间的随机数，表示第k次迭代时第i个粒子的个体极值的位置，表示第k次迭代时第i个粒子的位置，表示第k次迭代时群体极值的位置，表示第k+1次迭代时第i个粒子的位置；

步骤S-3-2-5：个体极值和群体极值更新

根据新的适应度值来更新每个粒子个体的极值和群体的极值；

步骤S-3-2-6：以一定概率重新初始化粒子

每次粒子更新之后，以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性；

步骤S-3-2-7：判定是否满足终止条件

如果不满足预设的迭代次数或精度要求，则重复步骤S-3-5到步骤S-3-7，直至满足终止条件；

步骤S-3-1-3：获得最优权值和阈值

将粒子群算法的结果作为最优的权值和阈值输入BP神经网络进行网络训练；

步骤S-3-1-4：网络训练

隐含层输出计算：

H_j表示隐含层输出，f表示隐含层激励函数，n表示输入层节点数，x_i表示神经网络输入值，a_j表示隐含层阈值；

输出层输出计算：

O_k表示预测输出，b_k表示输出层阈值；

步骤S-3-1-5：计算误差

计算预测输出O_k和期望输出Y_k之间的误差e_k：

e_k＝Y_k-O_k k＝1，2，...，m

m表示输出层节点数；

步骤S-3-1-6：权值和阈值更新

权值更新公式为：

w_jk＝w_jk+ηH_je_k j＝1，2，...，l；k＝1，2，...，m

阈值更新公式为：

b_k＝b_k+e_k

式中，η表示网络学习率，x(i)表示神经网络输入值，b_k表示输出层阈值；

步骤S-3-1-7：判断是否终止迭代

判断终止条件是否满足，如果不满足，则返回步骤S-3-1-4，直至满足终止条件，输出预测流量值；

步骤S-4：获得预测线圈流量数据，生成车辆数：

每一个预测时间段内，微观仿真软件通过接口从预测算法中获得此时间段内，研究路段内每个线圈的流量，从而得到预测时间段内车辆的分布状态；

通过预测算法得到的流量值为线圈流量，而两个线圈之间的车辆数通过下列公式计算：

(1)自由流的情况下，对于道路上第i个线圈和它的下一个线圈之间的路段，计算出所需的时间t，那么从现在向前的t时间内通过第i个线圈的车辆数就是这两个线圈之间路段上的车辆数，车辆数可以从数据库中取得，时间t的计算可通过下面的公式：

式中，L_i，i+1为第i个和第i+1个线圈之间的距离；V_i和V_i+1分别为车辆到达上下两个线圈时的速度；

(2)交通拥堵的情况下，利用M3分布模型，假设车辆处于两种行驶状态：一部分是车队状态行驶；另一部分车辆按自由流状态行驶，分布函数F(t)为：

式中：f＝min{t₁，t₂，…，t_n}，t₁，t₂，…，t_n为采集点在不同时刻采集到此路段的车头时距，表示车辆处于车队状态行驶时，车辆之间保持的最小车头时距；为参数，其中t_f为车头时距大于t的样本观测值的均值；为按自由流状态行驶车辆所占的比例，n、m分别为采集点的次数和采集点的车头时距不大于给定值λ₀的个数；

设此路段路长为L₂，则得到此路段上的车辆为

步骤S-5：根据预测的车流量进行仿真运算

仿真模型根据预测算法得到的流量数据进行仿真运算，输出平均车速、延误；

步骤S-6：输出该时间段内仿真结果，得到各路段的流量值；

步骤S-7：仿真流量值和预测算法得到的流量值拟合

判断是否满足终止条件，即仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，如果达到误差要求，结束运算；如果没有，则将仿真得到的流量数据输入预测算法中，重复步骤S-3到S-7，直到预测得到的流量与仿真得到的流量误差达到要求，运算结束。