一种交通疏散目的地部分随机分配比例确定方法

摘要

本发明公开一种交通疏散目的地部分随机分配比例确定方法。该方法包括：S1、获取与交通疏散相关的交通环境信息；S2、确定疏散人员目的地选择模式，所述选择模式包括随机选择目的地的选择模式和其他的选择模式；S3、选取用以描述目的地选择模式与疏散效率性能指标函数之间的数学关系式的元模型，利用步骤S1获得的与交通疏散相关的交通环境信息计算该元模型的参数；S4、对于步骤S3获得的元模型，利用无梯度信赖域算法对该元模型的参数进行仿真优化，根据优化参数后的元模型确定随机选择目的地的人员比例。本发明能快速有效确定随机选择目的地的人员比例，显著提高疏散效率。

说明书

技术领域

本发明属于智能交通系统领域，特别涉及一种交通疏散目的地部分随 机分配比例确定方法。

背景技术

近年来自然或人为灾害频繁发生，给人们的生产和生活带来巨大的影 响。应急交通疏散是处置自然或人为灾害的重要手段。在应急交通疏散方 案规划与运营管理中，人员的目的地选择行为是必须考虑的关键因素之一， 因为目的地选择将影响交通流的时空分布。

关于应急疏散环境下的人员目的地选择行为研究，现有的研究成果包 括重力模型、离散选择模型等。如果让逃生人员自主选择安全目的地，显 然不能达到系统最优。合理安排逃生人员选择目的地，可以提高疏散效率。

发明内容

(一)要解决的技术问题

本发明解决的是智能交通系统中交通疏散时的疏散效率低的问题。

(二)技术方案

为解决上述技术题，本发明提出一种交通疏散目的地部分随机分配比 例确定方法，该方法包括以下步骤：S1、获取与交通疏散相关的交通环境 信息；S2、确定疏散人员目的地选择模式，所述选择模式包括随机选择目 的地的选择模式和其他的选择模式；S3、选取用以描述目的地选择模式与 疏散效率性能指标函数之间的数学关系式的元模型，利用步骤S1获得的 与交通疏散相关的交通环境信息计算该元模型的参数；S4、对于步骤S3 获得的元模型，利用无梯度信赖域算法对该元模型的参数进行仿真优化， 根据优化参数后的元模型确定随机选择目的地的人员比例。

根据本发明的具体实施方式，所述其他的选择模式例如是下列模式之 一：选择距离最近的安全目的地；选择到达时间最短的安全目的地；选择 感知费用最小的安全目的地；事先指定的安全目的地。

根据本发明的具体实施方式，所述元模型为二次多项式。

根据本发明的具体实施方式，所述步骤S4中对所述元模型的参数进 行仿真优化方法的包括：S41、根据微观交通仿真结果标定元模型；S42、 利用元模型进行优化求解，得到试验点；S43、将试验点作为新的仿真输 入值，再进行微观仿真，利用再次进行的微观仿真重新标定元模型；S44、 判断是否满足算法终止条件，如满足则终止，得到以不同规则选择目的地 的疏散人员比例，否则，返回步骤S42。

(三)有益效果

本发明充分考虑智能交通系统中交通疏散过程中的微观交通行为，能 更好的描述疏散过程，利用基于元模型的仿真优化方法和无梯度信赖域算 法，将微观交通疏散仿真和优化方法结合起来，能快速有效确定随机选择 目的地的人员比例，可显著提高疏散效率。

附图说明

图1是利用TransWorld构建的人工交通疏散环境示意图。

图2是基于元模型的仿真优化方法框架。

图3是路网清空时间累积分布曲线图。

具体实施方式

本发明提出了一种交通疏散目的地部分随机分配比例确定方法，该方 法是现有的智能交通系统中应急交通疏散管理与控制方法(比如，交叉口 冲突点消除、交通信号控制、分合流控制等)的有益补充，其基本思路是 通过人为更改部分人员的目的地选择模式，使其随机选择目的地，以提高 疏散效率。

本发明利用基于元模型的仿真优化方法确定随机选择目的地的人员 比例。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实 施例，并参照附图，对本发明作进一步的详细说明。

本发明给出一种交通疏散目的地部分随机分配比例确定方法。所述问 题可描述为：

$\underset{x\in \Omega }{\min }f(x,w);$

s.t.

∑x_i＝1，i＝1，2，…，P，

$0\le x_i\le 1,\forall i,$

其他约束条件。

其中，f(x，w)是交通疏散性能指标函数，比如路网清空时间。目标函 数是最小化交通疏散性能指标函数f(x，w)，x表示选择目的地 的疏散人员比例，x_i表示以第i种目的地选择模式中选择目的地的疏散人 员比例，w表示其他参数，P是目的地选择模式的数目。

目的地选择模式x例如是：选择距离最近的安全目的地、选择到达时 间最短的安全目的地、选择感知费用最小的安全目的地、随机选择安全目 的地，等等。

具体地，本发明的方法包括以下步骤：

步骤S1：获取与交通疏散相关的交通环境信息。

在实际应用中，该步骤收集与交通疏散相关的交通环境信息，交通环 境信息包括交通路网、活动场所(安全目的地、居民小区、工作场所、学 校、购物场所、医院、休闲娱乐场所、体育健身场所、饮食场所)、疏散 人口、车辆、OD(Origin-Destination，起讫点)分布等信息。

图1为本发明的一个实施例的交通环境信息图。图中线条表示道路， 小长方形点表示场所。

该区域南北长约2.6千米，东西长约5.8千米，整个区域面积约为15.3 平方千米。依据研究区域路网结构图和各场所在该区域内的分布位置，进 行分析整理，在人工交通系统中构建该区域路网和场所，并配置路网中各 路段、交叉口和场所的属性。该区域共包含42个路段、18个路口、71个 场所。其中，场所具体包括11个居民区、27个办公楼、4个学校、15个 商场、5个休闲娱乐场所、3个运动场所、4个餐饮场所和2个医院。

步骤S2：确定疏散人员目的地选择模式，所述选择模式包括随机选择 目的地的选择模式和其他的选择模式。

该步骤根据实际问题需求，确定疏散人员目的地选择模式。除了随机 选择目的地的选择模式的其他选择模式例如是至少下列模式之一：(1)选 择距离最近的安全目的地；(2)选择到达时间最短的安全目的地；(3)选 择感知费用最小的安全目的地；(4)事先指定的安全目的地。

步骤S3：选取用以描述目的地选择模式与疏散效率性能指标函数之间 的数学关系式的元模型，利用步骤S1获得的与交通疏散相关的交通环境 信息计算该元模型的参数。

下面以二次多项式为例说明如何选取元模型。输入变量为按照不同规 则选取目的地的人员比例，包括随机选取目的地的人员比例，输出变量为 疏散效率评价指标，如路网清空时间。假定所选元模型为：

$\phi \left(x\right)={\alpha }_0+\underset{j=1}{\overset{l}{\Sigma }}{\alpha }_j{x}_j+\underset{j=1}{\overset{l}{\Sigma }}{\alpha }_{j+l+1}{x}_j^2---\left(1\right)$

其中，α_j是参数，x为以不同规则选择目的地的疏散人员比例，其为 一个向量，l是x的维数，即规则数，x_j是向量x的第j个元素。

举例来说，假定部分疏散人员随机选择安全目的地，该部分人员比例 为x₁；剩下人员选择距离最近安全目的地，该部分人员比例为x₂。即l＝2。 设定疏散性能指标为路网清空时间。路网清空时间越小，表明疏散效率越 高。此时，元模型为：

$\phi \left(x\right)={\alpha }_0+{\alpha }_1{x}_1+{\alpha }_2{x}_2+{\alpha }_3{x}_1^2+{\alpha }_4{x}_2^2---\left(2\right).$

当给定x₁和x₂，利用步骤S1获得的交通环境信息，得到其对应的路 网清空时间值。根据若干组不同x₁和x₂及其所对应的路网清空时间值，利 用最小二乘法标定元模型(2)的参数α₀～α₄。

步骤S4：对于步骤S3获得的元模型，利用无梯度信赖域算法对该元 模型的参数进行仿真优化，根据优化参数后的元模型确定随机选择目的地 的人员比例。

图2是元模型参数的仿真优化方法的流程图。如图2所示，元模型的 仿真优化方法的主要包括：

S41、根据微观交通仿真结果标定元模型。

S42、利用元模型进行优化求解，得到试验点(trial point)。

S43、将试验点作为新的仿真输入值，再进行微观仿真，利用再次进 行的微观仿真重新标定元模型。

S44、判断是否满足算法终止条件，如满足则终止，得到以不同规则 选择目的地的疏散人员比例，否则，返回步骤S42。

下面具体说明上述各步骤：

步骤S41：

令m_k为第k次迭代时的元模型，x_k为第k次迭代时变量值，Δ_k为第k 次迭代时信赖域半径，α_k为第k次迭代时元模型参数向量，n_k为截止到第 k次迭代时的样本数，u_k为连续被拒绝的试验点的数目，ε_k为x_k的稳定度 量。

给定初始元模型m₀，选取初始点x₀，信赖域半径的上界值Δ_max＞0， 初始信赖域半径Δ₀∈(0，Δ_max]，最大仿真次数n_max。给定η₁、γ、γ_inc、ε_c、 其中0＜η₁＜1，0＜γ＜1＜γ_inc，ε_c＞0，

令k＝0。

步骤S42：

如果ε_k≤ε_c，则判定元模型m_k在B(x_k；Δ_k)上是否完全线性。如果元模 型m_k在B(x_k；Δ_k)上非完全线性，或者Δ_k＞μ||g_k||，则用评判算法构建模型 当${\tilde{\Delta }}_k\in \mu \left|\right|{\tilde{g}}_k\left|\right|,$该模型在上完全线性，其中 $g_k={▿m}_k\left(x_k\right).$令$m_k={\tilde{m}}_k,{\Delta }_k=\min \left\{\max \right\{{\tilde{\Delta }}_k,\beta \left|\right|{\tilde{g}}_k\left|\right|\},{\Delta }_k\};$否则，保持m_k和Δ_k不变。

步骤S43：

计算令m_k值变小的步长s_k，x_k+s_k∈B(x_k；Δ_k)

计算f(x_k+s_k)，令

${\rho }_k=\frac{f\left(x_k\right)-f(x_k+s_k)}{m_k\left(x_k\right)-m_k(x_k+s_k)},$

如果ρ_k≥ρ₁，则接受试验点x_k+1＝x_k+s_k；否则，拒绝试验点，令 x_k+1＝x_k，u_k＝u_k+1。

将在试验点上得到的运行结果加入样本集，标定新的元模型m_k+1。令 n_k＝n_k+1。

步骤S44：

计算${\tau }_{k+1}=\frac{\left|\right|{\alpha }_{k+1}-{\alpha }_k\left|\right|}{\left|\right|{\alpha }_k\left|\right|},$

如果则随机抽取新的样本点x，微观仿真得到在样本点x上 的f值。将在该点上得到的运行结果加入样本集，标定新的元模型m_k+1。 令n_k＝n_k+1。

如果ρ_k≥ρ₁，则扩大信赖域半径，Δ_k+1＝min{γ_incΔ_k，Δ_max}；如果 ρ_k＜ρ₁且则Δ_k+1＝γΔ_k；否则，Δ_k+1＝Δ_k。

如果ρ_k＜ρ₁且则令u_k＝0。

令n_k+1＝n_k，u_k+1＝u_k，k＝k+1，

如果n_k＜n_max，则进入步骤S42。

所述评判算法进一步为：

步骤S441，初始化。令i＝0，

步骤S442，如果则重复以下步骤：1)令i＝i+1，利用 模型改进算法改进元模型直至元模型在B(x_k；θⁱ⁺¹Δ_k)上完全线性， 记新的模型为2)令${\tilde{\Delta }}_k={\theta }^{i-1}{\Delta }_k,{\tilde{m}}_k=m_k^{\left(i\right)}.$

图3给出了根据本发明的一个实施例的目的地分配策略，以及所有人 员选择距离最近目的地策略及未经过优化的部分人员随机选择目的地策 略(该比例从[0，1]中随机抽取)的累积分布曲线图。图中含有x标记的实 线是本发明的方法得到的累积分布曲线图，含有圆圈标记的点划线是未经 过优化的部分人员随机选择目的地策略(该比例从[0，1]中随机抽取)得到 的累积分布曲线图，黑虚线是所有人员选择距离最近目的地策略得到的累 积分布曲线图。横坐标是疏散时间，纵坐标是累积比例。通过图3可以看 出，本发明所述方法有效减少了路网清空时间，提高了疏散效率。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行 了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已， 并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、 等同替换、改进等，均应包含在本发明的保护范围之内。