英语原文共 11 页
基于动态交通流模型的交通组织优化方法研究
现代交通系统由于交通拥堵而变得缓慢，以至于会损害我国的经济和社会发展。其中一个原因是车辆日益激增，另一个原因是交通供应严重短缺。但最重要的原因是现有的交通组织和优化很难满足现代交通发展的需求。本文用动态交通网络分析方法对交通组织进行了实践研究，并对交通网络的优化进行了探讨。首先，基于交通仿真软件的模拟得到了改进后的与国内城市交通现状相结合的交通流模拟模型。根据各部门要求以及交通类比过程，准确地设计了相应的优化模型和算法。最后以泰安为例进行了研究，结果表明所提出的方法是可行的，为交通管理部门提供了有力的科学与技术支持。
1、简介
智能交通系统（ITS）自2011年以来迅速发展，将在2020年后在中国进入成熟时期。但随着车辆和道路结构的增加，后面远远落后于前者，因此引发了一系列不可避免的交通问题，如交通拥堵、交通安全和环境污染。为了解决交通供需矛盾，可行的方法是国家政策和发展智能交通技术。后面可以从交通共计的各方面优化交通资源。交通组织与优化是在系统科学指导下采用系统工程方法优化现有交通设施的较好途径。它可以合理地调节交通供需之间的关系，从而使交通需求得到合理的调整，以更好地利用道路资源。此外，通过科学的组织和分配，道路可以在交通系统中发挥重要作用。进一步使得交通流安全通常，一定程度上可以减少交通拥堵。
交通组织与优化的内容因情况的不同而不同。Shi等人提出了受道路饱和度约束的城市微循环交通网络单向交通组织的优化方法。Long等人针对同一问题提出了不同的模型与算法。Dussutour等人研究了蚂蚁的优化行为，并发表在《自然》上。Jia对城市主干道系统的交通组织优化问题进行了研究，实现了双向绿色通道。Xu利用道路交通瓶颈模拟方法进行了交通组织优化，其目的在减少交通拥堵。Yao等人提出了一种更实用的咨询诱导与类比方法，在车流量大的道路上提出了微循环方法。Yang等人提出了区域交通组织方法的综合时期，他们的建议与措施是有效的。Sun等人通过模拟方法提出了一些对城市客运交通有价值的建议。Zhengyan补充了应急疏散交通组织的一些方法。
通过以上文献分析，这些论文大多关注于交通流的交通组织与优化方法。为了保证交通组织的合理性与有效性，需要考虑利弊。本文针对静态方法考虑交通流高峰期与平峰期的确定，提出了动态方法。
要建立科学有效的交通管理与优化方案，就必须分析交通供需的关系。通过即时预测交通供需的相互作用，可以类比驾驶员的反应，然后分析交通控制与引导策略。自主开发的软件DynaChina在这一领域起到了一定作用。
2、概述DynaChina
本文提出了一种基于仿真的动态流量分配系统：DynaChina（基于动态路网分配）。它是我们团队在中国唯一自主开发的软件。虽然DynaMIT的基本框架在实施中得到了应用，但与DynaMIT和DynaSMART相比，DynaChina有四个特点：模拟混合交通和特殊的驾驶员行为；在城市路网中提供浮动汽车资料（FCD）；各向异性介观供应模拟器；高速公路路网中实际OD流的实用性。预测能力是DynaChina的核心。DynaCHINA根据实验室评估结果显示实时交通预测应用的可能性，并从实际活动中收集数据。它是中国第一个也是唯一一个流量估算和预测系统（TrEPS）。DynaCHINA集成了先进的动态流量需求分析技术，动态流量分配技术，多种离散选择模型，离线和在线系统参数校准方法等。 该软件可以为智能交通系统的相关研究和实施提供模拟测试，分析和评估方法。它具有估计和预测网络流量，密度和速度的能力，为交通控制和交通控制提供技术支持。 交通诱导系统。 它使这些系统更有效地缓解交通拥堵并提高旅行效率。DynaCHINA包含许多数学模型，如动态OD估计模型，介观交通仿真模型，车辆运动模型，速度密度模型，
排队模型和网络模型。 同时，为了达到在线应用的目的，设计了高效的算法，如路径生成算法和具体设计的仿真步骤。 开发的原型基本完成; 源代码达到了数万。 还提出了用于特殊车辆的总线仿真和VIP路线引导的一些其他功能。
DynaCHINA针对特殊事件和工作区等短期交通规划采用更现实的方法，并解决了事件管理，路线指导和应急响应等实时应用日益增长的重要性。 它能够基于分配仿真框架的实现范围实现提供预测交通信息（速度，密度和队列/流量）。 DynaCHINA可以在分布式计算模式下运行，以支持实时操作，包括数据同步，系统参数的自校准和系统状态的自校正。目前，DynaCHINA团队正在与一些机构合作进行实验室实验和原型的初始现场部署，以研究在北京、济南和广州实际中的功能，包括其预测准确性、计算效率与稳定性。图1展示了DynaCHINA如何运行。
图1：DynaChina系统原则
3、微观交通仿真模型与算法
DynaCHINA开发了很多模式，如道路网模型，旅行者行为模型，路径生成算法和容量模型。在这些模型中，微观交通仿真模型和动态OD估计模型是最重要的模型。所提出的仿真过程是有效设计过的。以下重点介绍模型与算法。
3.1、微观交通仿真模型
在微观仿真过程中有两个关键模型。一是速度-密度关系模型，它需要一些道路流量、速度或密度的信息，以便更准确地再现当前的道路交通状况。一般来说，一个或多个参数必须遵循以下公式
其中Vu为车速，k为密度，kjam为阻塞密度，kmax为临街密度，Vmin与Vmax为最小和最大设计车速。本文中，多次使用了交通仿真技术；最低速度旨在避免无法启动仿真系统的情况。为了更加真实，问题可以描述为道路上游具有恒定的速度，并遵循下游的速度-密度关系。数学描述如下
其中alpha;和beta;是参数。另一种是车辆运动模型。 其功能主要是根据网络上车辆的速度将车辆置于正确的位置。 这也意味着时间和位置之间的关系。
其中t是时间，z是位置；当t=0时，位置为z0.Vd为下游车速；通常参数lambda;符合下面公式
Ls是道路减速/加速区的长度。
3.2动态OD需求估算方法
在模拟期间，路网上可以容纳多少车辆？必须要求实时OD估算模型。在本节中，大量运用最小二乘估计模型用于解决该问题。
其中是估计的OD矩阵， 是历史OD矩阵，它指的是时间段中的xℎ的先验值ℎ；是设备中具有监视器的部分编号；是时间段中的监视值ℎ ; 是动态交通分配矩阵，它定义了𝑝中的OD矢量x𝑝与ℎ中的交通量矢量之间的映射; 如果没有任何先验信息，Wℎ和Rℎ可以定义为单位矩阵。
另一种动态OD需求估计模型是卡尔曼滤波模型。 它包括状态和空间模型。 基本思想是由Ashok和Ben-Akiva 在1933年提出的与文献中的其他方法不同，该方法基于与历史价值的偏差。考虑具有对和链接计数的网络，让我们假设以下符号：
是表示在时间间隔h期间离开其原点的每个OD对之间的车辆数量的矩阵，并且是对应的历史估计矩阵。过渡方程可以表示为
其中是从到的矩阵映射，是随机误差的向量，是自回归过程的程度。
假设错误如下：
其中是到的贡献分配矩阵；
是通过分配历史OD流量获得的链路流量，是ℎ中路段交通量的检测值。是与最长旅程相对应的时间间隔数。是高斯白噪声独立于系统噪声并满足和。公式（6）和（8）构成动态OD矩阵估计的状态和空间模型。
3.3仿真流程
设计的仿真过程对仿真精度非常重要。 模拟时间被分成许多相等长度的更新阶段。一个更新阶段被分成几个相等长度的提前间隔。 在前进阶段，车辆可以移动到新的位置。更新阶段用于更新在每个模拟周期期间模拟中使用的交通动态参数（例如，密度，速度和流量）。如果模拟范围是𝑇，一般来说，我们假设时间方位从时间t=0开始并在t=T时结束。更新阶段为前进阶段为那么，
其中和是正整数，具体的模拟过程如下。
步骤1（初始化，输入以下信息）。 网络描述，模拟范围以及间隔开始时所有车辆的描述包括它们在网络上的位置，目的地和当前路径。网络中存在的所有车辆在时间𝑡= 0和装载位置。
步骤2（对交通网络的节点进行排序）。 设置网络节点，部分和其他参数; 执行以下程序。
步骤2.1。根据事件描述更新每个段定义。更新所有段的输出容量。初始化输出容量的输出计数器并初始化接收容量的输入计数器。
步骤2.2.对于每个路段，计算上游的速度与密度。对于路段的每个方向，计算下游速度。
第2.3步。 计算下游段的速度，并更新下一段的接受和输出能力。
步骤2.4。 对于车辆执行提前阶段; 调用公式（9）和（10）; 将更新的车辆加载到他们的新网络位置。
步骤2.5.𝑖= 0
Step3（停止标准）。 处理完所有高级相位间隔后，算法停止，其中。详细过程如图2所示。
图2：模拟的一般过程
4.交通组织优化模型与算法
静态交通组织主要指交通标志，交通标志，引导装置和停车管理，以及软件。所有的静态特征都表明，一旦组织方法确定，它就不会长时间改变。相反， 动态方法更灵活，也会根据不同的时间改变交通网络条件，如信号控制和信息。 但在任何一种交通组织中，目的都是为了缓解道路网络的交通压力。 它通过在时间和空间上平衡网络上的流量来实现它。
本文利用静态信道化交叉口和信号优化相结合的方式进行交通优化和组织。首先，通过道路信道化的方式在交叉口水平上实现道路的划分。然后，信号 采用区域信号优化方法建立控制方案，并通过仿真实现。
建议的信号优化模型如下：
限制条件如下
其中C是周期时时长，是最大和最小周期长度。
是ℎ时间段内所有车辆延误的列向量。
G是有效绿灯时间，是最大和最小有效绿灯时间。
是模拟期间网络的总队列长度；是列向量的所有部分的ℎ时间段的平均队列长度。
是模拟周期内所有交叉口穿越交通的总和；是ℎ时间段所有入口通道的流向量。
网络中所有信号控制器的定时参数。
ℎ时间段内所有信号交叉点的定时参数向量
ℎ交叉点的每个阶段的绿色时间是ℎ或初始相位的相位差，是信号交叉点的相位数，是ℎ，𝑎交叉点和𝑏相的绿色时间速率。
信号定时参数的上下限约束矢量
是目标函数。
SPSA（同时扰动随机近似）算法用于解决该问题并且还在仿真系统中实现。 SPSA通过有限差分逼近目标函数的梯度。 关键的是，该方法在同时扰动参数矢量的所有分量之后，从两个函数评估中推断出梯度矢量的分量。 因此，与传统的随机近似方法相比，计算节省是显着的，尽管可能需要许多重复以通过平滑获得更稳定的梯度。
SPSA算法仅需要对目标函数计算两次，而与参数数量无关。 一般来说，SPSA算法会产生一系列参数估计;也就是说，目标函数的梯度逐渐趋于0.其中，参数的𝑖迭代由
其中其中theta;𝑖是𝑖迭代开始时的参数向量，是向量的当前估计量，是步长的增益。
SPSA算法仅通过对函数的两次评估，可以得到梯度近似，计算公式如下
其中是K维随机扰动向量；因为所有𝑘= 1,2，...，𝐾的分子是相同的，所以每次迭代都有静态计算（与矢量维无关），这是算法最突出的优点。 当然，该算法需要实现必须具有足够有理的迭代次数的收敛，然后具有良好的应用价值。 下面通过以下步骤详细描述SPSA算法：
（1）初始化和系数选择：设置计数器索引：𝑘= 0，𝑖= 0，theta;𝑖=theta;0是k维优化矢量的初始值，并在SPSA中选择初始猜测非负系数𝑎，𝐴，𝑐，alpha;和gamma;。
（2）在每个步骤中设置计算梯度向量的迭代次数：grad_rep;即，在每个迭代步骤中重复多次，取平均梯度估计量
（3）迭代计数器加1; 计算步长
（4）生成独立Delta;𝑖的𝐾维扰动随机向量; 每个元素Delta;𝑖𝑘，𝑘= 1,2，...，𝐾由概率分布接收。概率分布密度函数由垂直轴（0轴）对称;|Delta;𝑖𝑘| 和𝐸|Delta;-1𝑖𝑘| 具有上限。参考文献16表明伯努利分布具有这些特征，并且不满足均匀分布和正常条件。
（5）利用介观交通流模型或其他交通模拟系统，通过和访问目标函数的值，并且每个点都需要满足上限和下限 优化问题中的约束。
（6）根据（9）计算随机近似的𝐾维梯度向量，其中gradient的梯度向量的一个分量具有相同的元素，这使得SPSA算法不同于传统的有限差分方法（FD）。
（7）重复（4） - （6）stepsgrad_reptimes;每次都有一个独立的Delta;𝑖样本，然后最终得到平均梯度向量
图3：SPSA算法的收敛性能。
（8）从（8）得到一个新的解点，并根据上下界的参数向量调整解点。
（9）回到步骤（3），继续迭代直到收敛。 当达到最大允许迭代次数的迭代次数或对应于的函数值在几次连续迭代中几乎没有变化时，终止算法。
本文概述的SPSA方法立即说明了大规模优化的潜在计算节省。图3是SPSA算法的收敛性能。
5、案例分析
本文采用泰安市真实的区域网络进行案例研究。 位于中国山东省泰安市岱宗街道，位于城市北部，毗邻着名的泰山。 它长约1.68公里，有7个信号交叉口。 主要交叉口在高峰时段有很大的交通压力，特别是早上7:30到8:30。 在另一个时间，交通流量相对较小。 在高峰时段，车辆速度约为10-15km / h。 通过调查，主要问题是交通流量优化和组织严重。不合理。街道容量因不同方向
资料编号：[4327]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
