[发明专利]一种微观城市交通在线仿真系统及方法

说明书

本发明涉及一种微观城市交通在线仿真系统及方法，本发明通过预先的训练，采用元学习方法对仿真流量参数与路段速度的关系进行学习，训练完成后的基础模型仅用小样本真实速度数据调参即可得到仿真流量参数校准值，进而实现在线仿真，该基础模型具有样本需求少、泛化性能好等优点，解决了以往交通仿真模型无法利用小样本进行流量参数校准的问题，为在短时的基础上实现最优化的模型，同时本发明采用了双层分布式结构，在分布式模型参数学习模块和分布式仿真模块中均采用分布式结构，大大减少了计算花费的时间，从而可以为实时交通分析需求提供指导。

技术领域

本发明涉及交通仿真技术领域，尤其涉及一种微观城市交通在线仿真系统及方法。

背景技术

随着城市的快速发展和汽车保有量的不断增加，交通拥堵问题日益常态化，交通管理控制面临着重大挑战。传统的交通管控的分析与评价主要依赖人工观测，人工观测的分析能力十分有限，对于监控死角的问题往往难以溯源，而且无法定量分析。随着信息化手段的增多，微波检测数据、监控卡口数据和地磁信息等数据量呈现急剧性增长，在这些交通大数据的基础之上，交通管控的分析和评价逐渐精细化。但由于所有的分析评价都是建立在后验的基础上，难以满足交通管控的智能化要求，交通仿真技术逐渐成为技术热点。交通仿真可以模拟交通环境，对待行管控方案进行实行效果模拟，提前评价交通管控方法，使得交通管控实施策略更加科学有效。

以往的交通仿真以离线仿真为主，仿真的必要参数为道路网信息包括静态路网和动态交通管控信息(信号灯)，和流量信息。由于仿真参数校准困难，特别是仿真参数中流量信息的难以获得，使得仿真主要用于交通控制的方案验证，无法直接指导交通管控。当前主流的仿真流量参数确定方法有两类：一类依赖于高准确率的道路断面流量数据，对于交通检测设备故障或部分缺失的道路网则无法进行仿真；另一类依赖于巨量的参数训练，耗时长，适用性较差，无法利用小样本数据进行流量参数校准，即便通过巨量训练构建了较好的仿真模型，也缺乏良好的泛化性能。因此，现有的仿真无法对实时的交通管控给出指导性意见。目前，城市的交通管控面临着及时化，智能化和规模化的仿真评估要求，在此背景下在线仿真的概念被提出，如何进行短时流量参数校准，在数据缺失的情况下获得较好的仿真流量参数成为实现在线仿真需求的关键。

当前，深度学习在交通中主要应用于交通状态预测和车牌识别，在交通仿真中尚未有所应用。深度学习中的元学习(Model-Agnostic Meta-Learning)方法，具有与模型无关的特征，由于其面向学习过程，训练完成后的基础模型具有良好的泛化性能，通过小样本数据即可对新的任务快速调参配适。许多大城市在交通管控时效性和智慧化方面的要求越来越高，希望通过在线仿真实现实时交通管控的科学决策，以往的交通仿真由于无法实现快速参数校准，无法满足动态在线仿真的要求。

发明内容

本发明为克服上述的不足之处，目的在于提供一种微观城市交通在线仿真系统及方法，本发明通过预先的训练，采用元学习方法对仿真流量参数与路段速度的关系进行学习，训练完成后的基础模型仅用小样本真实速度数据调参即可得到仿真流量参数校准值，进而实现在线仿真，该基础模型具有样本需求少、泛化性能好等优点，解决了以往交通仿真模型无法利用小样本进行流量参数校准的问题，为在短时的基础上实现最优化的模型，同时本发明采用了双层分布式结构，在模型参数学习模块和仿真模块中均采用分布式结构，大大减少了计算花费的时间，从而可以为实时交通分析需求提供指导。

本发明是通过以下技术方案达到上述目的：一种微观城市交通在线仿真系统，包括基础数据模块、分布式模型参数学习模块和分布式仿真模块；其中，基础数据模块用于存储基础数据，基础数据主要包括静态路网信息和信号灯信息两个部分；静态路网信息包括路段编号、位置信息、车道数、渠化信息和基本通行能力等信息；动态交通管控信息主要为信号灯信息，包括信号灯所属交叉口编号、开启时间、相位相序、周期和相位绿灯时长等信息；基础信息均可根据仿真需求适当调整；