一种基于遗传算法和极大熵模型计算交叉口转向比例的方法

摘要

一种基于遗传算法和极大熵模型计算交叉口转向比例的方法包括：(1)输入研究路口及其空间相邻路口某一个时间段的流量数据；(2)设置遗传算法的遗传算子及其控制参数，定义遗传算法求解的搜索空间以及求解的总次数；(3)初始化遗传算法计算环境；(4)执行遗传算法计算；如果得到的解满足精度要求，转步骤(5)，否则，转步骤(3)；(5)计算得到的解的熵；判断是否达到设定的求解总次数，如果是，转步骤(6)，否则，转步骤(3)；(6)比较所有满足精度要求解的熵，找出其中熵最大对应的解，该解即为最终解。本发明提高了计算效率和增加了最后得到解的实际意义，还可以根据道路实际的交通状况和先验的交叉口转向比例知识对遗传算法的搜索空间进行限制。

说明书

技术领域

本发明涉及一种计算交叉口转向比例的方法，特别是一种基于遗传算法和极大熵模型计算交叉口转向比例的方法，适用于道路交通规划与交通管理控制。

背景技术

对于一个城市的交通网络而言，各交叉口各个方向进口交通流的转向比例(也称分流系数，转向概率等)是制定交通管理控制方案(如交通信号配时)，拟定交通规划(如交叉口车道渠化)不可缺少的重要数据。

通常对于支路不多的交叉口(如小于4支)，交叉口转向比例可以采用人工计数的方法来获得。但对于十字交叉口或多于4支的交叉口，人工计数很难分辨各入口车流的去向。因此，单靠人工计数是不能完全确定一个交叉口的转向比例的。事实上，交叉口转向比例与各交叉口的进出流量之间是有关系的，而交叉口的进出流量可以通过检测器检测。根据交叉口的进出流量计算交叉口各个方向交通流的转向比例可以被视为根据流量反推O-D矩阵的一个特例，因为可以把与交叉口相关联的上下游交叉口看成O-D节点。基于路段流量反推O-D流量的问题，根据问题的规模的大小，分为3类，即交叉口(点)O-D反推，高速公路O-D反推(线)以及路网O-D反推(面)。可见，根据进出交叉口的路段流量反推交叉口各个方向的转向比例(O-D矩阵)是这类问题中的规模最小的。一般认为，在符合某些特定的假设条件下，转向比例与交叉口进出流量之间存在着线性的关系。可以通过求解一个线性方程组，得到交叉口转向比例。

假定某个典型的十字交叉口，有4个邻接交叉口。每个邻接交叉口和交叉口之间的交通流为双向，如图1所示。定义：

y_j(t)：在时间段t内，从本交叉口经由下游交叉口j离开的流量，j＝1，2，3，4；

y(t)＝[y₁(t)，......，y₄(t)]；

q_i(t)：在时间段t内，从上游路段i进入本交叉口的流量，i＝1，2，3，4；

q(t)＝[q₁(t)，......，q₄(t)]；

b_ij(t)(i＝1，...，4；j＝1，...，4)指车辆从上游交叉口i到达交叉口后从下游交叉口j离开的概率(j＝1，2，3，4)，也就是本说明书所指的交叉口转向比例。

b_j(t)＝[b_ij(t)]，i＝1，2，3，4；

b(t)＝[b_j(t)]^T，j＝1，2，3，4；

b_j(t)满足流量守恒方程并且是非负的，即：0≤b_ij(t)≤1和