基于微观仿真的快速路短时交通流预测

李　奎　王　坚

(同济大学CIMS中心，上海 201804)

摘 要：利用微观交通仿真技术可以对快速路上的交通进行短时 预测。将快速路上的线圈采集的实时数据输入本文所述的交通仿真系统进行仿真，可以预测 一段时间以后的交通状况。沿着这个思路，描述如何利用仿真技术进行短时交通预测，特别 是对如何建立满足实时性和动态性要求的交通生成模型进行了详细的阐述。通过对真实历史 数据进行仿真预测，并分析对比，结果说明使用微观仿真模型进行短时交通预测是可行的。

关键词：微观仿真; 短时交通预测; 交通生成模型

Short-time Traffic-flow Forecast

Based on Micro-simulation

LI Kui, WANG Jian

(CIMS department, Tongji University, Shanghai 201804, China)

Abstract: Micro-simulation technology was proposed to forecast s hort-time traffic-flow on Freeway. Traffic state on freeway in the future can

be predicted by using real-time data from loop on road as input of simulation s ystem. In the paper the method how to deal with the real-time data so that it c an satisfy real-time and dynamic requirements was expatiated. The experimental

results show that short-time traffic forecast by using micro-simulation model

is feasible.

Key words: micro-simulation; short-time traffic-flow fore cast; traffic generation model

在交通流预测方 面，国内外学者作了大量的研究，产生了很多短时交通预测的方法，这包括历史数据平均值 法［1］、人工神经网络法［2］和卡尔曼滤波理论［3］等。文献［4］ 对各种交通流预测方法进行了分析和对比，指出了各种方法的优缺点。基于统计学方法的历 史数据平均值法是利用历史交通流的规律进行交通预测，不能处理短时预测的实时性、动态 性和不确定性；基于人工神经网络的方法需要大量的样本进行训练来找出交通流的固有规律 ，其结果一方面依赖于样本的质量，另一方面在交通发生动态变化的时候已经训练好的人工 神经网络就失效了；还有其他的一些预测方法，同样对短时交通流预测的实时性和动态变化 性处理较差。

本文介绍使用微观仿真模型进行短时交通预测的方法，可以有效的体现交通的实 时性和动态变化性，利用本方法进行的预测对更正交通情报版的诱导性有极其重大的意义。 文献［5］讲述一种使用元胞自动机模型对大尺度交通网络进行交通流预测的方法。使用微 观仿真的方法进行短时交通流的预测需要解决两个方面的问题，一个是微观交通仿真模型； 另一个是数据输入问题，包括使用交通实时数据进行仿真系统的初始化和交通网络边界数据 的输入问题。在微观仿真模型方面已经有了大量的研究，也产生了许多有效的微观交通仿真 模型。本文将简要介绍微观仿真模型，重点讨论如何用实时交通数据对仿真模型进行初始化 的问题。

1 模型概述

微观仿真模型基本上由三大部分组成：一部分是路网几何形状的精确描述，包括信号灯、检 测器、可变信号标示等交通设施。另一部分是每辆车动态交通行为的精确模拟，包括车辆跟 驰模型、车辆换道模型和车辆的路径选择模型；已有大量的学者对微观交通仿真模型进行了 研究，微观仿真中的基础模型如跟驰模型和换道模型等都有了在特定条件下适用的有效模型 ，在本文所述的短时交通预测方法中将利用这些成熟的模型；仿真系统使用的车辆跟驰模型 是基于安全距离的避撞模型，换道模型分为自由换道和强制换道两种。第三部分是对交通仿 真系统进行数据的输入的模型，这就是交通生成模型；交通生成模型就是在交通路网的边界 （如入口）进行车辆的输入，这包括发车数量、车辆类型、发车速度、发车间隔和车辆的OD 等。

跟驰和换道这两个基本模型是微观仿真模型的基础，目前已经有经典的模型可以满足要求。 短时交通预测有实时性和动态变化性等特点，在进行仿真预测的开始，快速路上就已经分布 了大量的车辆，需要在仿真环境中模拟这样一个状态。传统的微观仿真模型中，交通生成模 型只是从交通路网边界的几个入口点产生车辆并发车到道路上，这对本文所述情况并不适用 。在本文所述的情况下，需要对实时采集到的数据进行瞬时处理，需要计算出在预测路网上 当前的车辆数量、车辆分布、车辆的速度和车辆的OD等信息，利用这些信息才可以生成用于 仿真的初始状态，然后通过仿真，得到一段时间以后的交通状况，实现短时交通预测得目的 。

2 仿真模型

2.1 交通流量的产生シ抡娉跏甲刺中交通路网上的车辆数和车辆的初始位置分布对以后的预测影响十分巨大，如 何精确计算一个路段上的车辆数就显得十分重要。对于快速路，通过分布在道路上的线圈采 集数据，从线圈中只能得到经过某一点的车辆信息。下面的方法充分利用线圈采集的数据， 通过分流畅交通流和间断交通流两种情况的处理，计算出分布在两个线圈之间的车辆数。

（1） 流畅交通流的情况 对于道路上第玦个线圈地点Loop玦和它的下一个线圈地 点Loop玦+1之间的路段，计算出所需的时间玹，那么从现在向前的玹时间 内通过Loop玦的车辆数就是Loop玦与Loop玦+1之间路段上的车辆数， 车辆数可以从数据库中取得。时间玹的计算可通过下面的公式

t=[SX(]Li,i+1[][SX(]1[]2[SX)](V璱+Vi+1)[SX)][JY]（1）

式中：獿i,i+1为Loop玦和Loop玦+1之间的距离；玍璱和V ﹊+1分别为车辆到达Loop玦和Loop玦+1时的速度。

（2） 交通拥塞的情况 利用M3分布模型［6］，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。分布函数为

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； t=[SX(]1[]n[SX)]∑[DD(]n[]i=1[DD)]t璱，λ=[SX(]1[]tτ-τ[SX)]为参数，其中t τ为车头时距大于t的样本观测指的均值；α=[SX(]m[]n[SX)]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。

设此段路长为獿2，则得到此路段上的车辆为N2=[SX(]L2[]F(t)[SX)] 。

2.2 车辆的初始分布サ玫铰范紊系某盗臼，把车辆均匀摆布在道路上不符合实际情况，可将采 集到的车头时距离散化，运用文献［7］中的随机数产生方法。

常数乘子法：

式中：玿0,m,a,c均为非负整数。

在此取玬=25，a=8×［[SX(]m[]64[SX)]×Ⅱ］+5，c=2×［[SX(]m[]2[SX)]×0.21132 4865］+1。然后取两种混合算法所得到的平均值，但在最后计算时将离散后得到的车头时距 加和，再与采集到的车头时距进行比，得到比值χ，最后将离散得到的每一个车头时距都 除以此比值即可。[JP2]这样即得到路段上的车辆数，又得到每两辆车间的车头时距，于是就可以将车辆进行初始分 布了。[JP]2.3 车辆OD的分配ソ立了考虑约束条件的高速公路OD 矩阵的约束卡尔曼滤波方法，并对其计算效果进行分析 。ヒ韵咝缘母咚俟路或城市快速道路为研究对象。设高速公路分别有玬和n个上、下匝道( 主入口和主出口也被视为特殊的匝道)。根据假设，不考虑交通流的滞后性，则该系统在某 时段玨存在如下关系

yij(k)=r璱(k)aij(k)（5）

式中：珁ij(k)为从i进口匝道进入，选择j出口匝道驶出的交通量；r璱(k)为从i进 口匝道进入的交通量；aij(k)为从i进口匝道进入的交通量选择j出口匝道离开的比例 ，即匝道选择率。其中r璱(i=1～6)表示进口，y璱(i=1～7)表示出口。

由路况信息，可以得到下面的方程。

法进行求解。

2.4 使用仿真软件进行预测セ于以上所述的模型开发了城市快速路交通仿真系统，该系统可用于快速路交通流实时再现 和短时交通流预测。

2.4.1 仿真系统初始化 打开路网，设置仿真精度和预测时间等参数，导 入车辆OD分配矩阵，读入实时的交通数据，建立仿真开始前一刻的车辆初始分布状态，然后 启动仿真。

2.4.2 仿真过程 循环计算路网上每一辆车的状态，直到仿真结束。

While （仿真结束时间未到）

{

更新交通控制设施的状态；

For （路网上的每一辆车）

{

根据车辆OD、交通控制和前后车的相互关系，判断是否要换道并计算车辆加速度；

If （满足换道条件）

{

执行换道；

}

计算车辆新的位置和新的速度；

采集通过线圈的车辆的数据；

}

根据仿真精度推进仿真时间；

}

处理仿真数据，显示预测结果。

3 实例分析

通过对上海某一区域高架路的历史交通数据进行预测仿真，通过与真实数据进行对比，发现 使用微观仿真的方法进行预测的结果接近于真实的数据，预测准确率较高。

应用本文的微观仿真模型对南北高架进行一分钟的短时交通流预测，而南北高架有情报板可 以作为预测结果对比依据，因此可以通过情报板数据、预测数据以及真实数据进行对比来检 验仿真模型的有效性。以2007年8月7日早上7点为预测开始时间，预测1分钟以后的南北高架 交通流状况（见图1）。图1 2007年8月7日7时预测结果对比

图1中的最左边的图表示情报板上预测出的一分钟以后的交通情况，其中亮色表示拥堵，暗 色表示畅通。 最右边的图表示1分钟以后的真实交通状况， 而中间的图则是系统中的仿真 模型预测出的一分钟以后的交通状况。 通过对比不能看出预测出的偏差率和情报板上预测 出的偏差率一样， 均为6.8%，当然仅仅一个时间段的预测结果并不能说明仿真模型的有效 性，这里将选取2007年8月8日8个典型时间段的仿真预测结果与情报板上的预测结果进行了 全面的比较（见图2）。□微观仿真模型的预测平均准确率；当前 情报版平均准确率

时间段

图2 2007年8月8日选取的8个时段的预测结果对比

由图2可以发现，预测出的结果的准确率在大部分时刻段都优于情报板上的结果，在小部分 时刻段劣于情报板上的结果，但从最后总体的效果来看，已经比较接近真实结果了，这证明 了使用微观交通仿真模型能够比较真实的预测短时交通状况，证明了本文所述的使用微观交 通仿真模型进行快速路交通短时预测是有效的。

4 总结

运用微观仿真模型进行短时交通预测可以得到相当好的效果，能较为准确的对快速路进行短 时交通预测，并且可以通过可视化动画显示，直观地显示预测结果。当然，无论是微观仿真 模型还是本文所述的车辆初始分布和OD分配模型，都还有一定的不足，包括文献［4］所说 的需要对路网输入预测数据的缺点，目前还只能对一分钟这样的短时间的交通流进行预测。 同时对一些特殊情况如节假日以及发生紧急事件等情况下的相应处理模型，还在进一步的研 究中。

参考文献：

［1］ STEPHANEDES Y J,MICHALOPOULOS P G,PLUM R A.Improved es timation of

traffic flow for real-lime control［J］.Transportation Research Record 795,TRB. Washington DC.1981：28-29.

［2］ DOCHY T,DANECH-PAJOUH M,LECHEVOLLIER Y.Short-term roa d forecasti ng using neural network［J］.Recherche-Transports-Securite.English issue.No I I,1995：73-82.

［3］ IWAO OKTANI,YORGOS J STENHANEDES.Dynainic prediction of

traffic vo lume through kalman filtering theory［J］.Transportation Research Pan B.1984，1 (8B):1-11.

［4］ 王进，史其信.短时交通流预测模型综述［J］.中国公共安全（学术版）,2 005,01(6):92-98.

［5］ CHROBOK R， WAHLE J， SCHRECKENBERG M.Traffic forecast u sing simulatio ns of large scale networks［C］∥in Proc. 4th IEEE Int. Conf. Intelligent Trans portation Systems,Oakland,CA,2001：434-439.

［6］ R TAPIO LUTTINEN.Properties of cowan's M3 headway distribut ion［M］.Transportation Research Record，1999，1678：189-196.

［7］ [JP2]SHELDON M ROSS.统计模拟［M］.王兆军，陈广雷，皱长亮，等译.北 京：人民邮电出版社，[JP]2007：33-34.

［8］ TRANSPORTATION RESEARCH BOARD.Highway capacity manual ［M］.National Research Council Washington,D.C，2000.

［9］ 钟邦秀，杨晓光.面向对象微观交通仿真系统的研究与实现［J］.系统仿真 学报，2002,14(4):418-421.

［10］ 魏明，杨方廷，曹正清.交通仿真的发展及研究现状［J］.系统仿真学报,

2003,15(8):1 179-1 183.

(责任编辑：何学华)