公开/公告号CN107103142A
专利类型发明专利
公开/公告日2017-08-29
原文格式PDF
申请/专利权人 交通运输部公路科学研究所;
申请/专利号CN201710300803.2
申请日2017-07-11
分类号G06F17/50(20060101);G06Q10/04(20120101);G06Q50/30(20120101);
代理机构11388 北京市中闻律师事务所;
代理人王新发;常亚春
地址 100088 北京市海淀区西土城路8号
入库时间 2023-06-19 03:10:37
法律状态公告日
法律状态信息
法律状态
2019-12-03
授权
授权
2018-05-22
著录事项变更 IPC(主分类):G06F17/50 变更前: 变更后: 申请日:20170711
著录事项变更
2017-09-22
实质审查的生效 IPC(主分类):G06F17/50 申请日:20170711
实质审查的生效
2017-08-29
公开
公开
技术领域
本发明属于智能交通领域,具体地讲是一种面向公路和铁路网的综合交通网络运行态势推演仿真技术。
背景技术
在区域性应急响应过程中,如何制定综合交通路网应急交通组织方案确保应急交通安全、高效、有序运行,对于提高区域应急管理能力,减少灾害所造成的人员伤亡和财产损失,具有重要的现实意义。对于交通运输网络,特别是综合交通运输网络,很难通过数理计算等方式快速获取其在事件条件下的运行状态变化态势以及对不同管控措施或应急响应措施的直观效果。因此,建立区域综合交通运输网络运行态势推演仿真,实现对应公路网急管控措施的在综合交通运输网络上的快速加载与推演仿真,是评价与优化路网应急交通组织方案的重要手段。
现有的交通仿真平台多面向于单一交通模式,较少研究在综合交通运输网络中多种交通模式共同存在的条件下如何构建仿真平台。并且现有的仿真系统,多为单线程系统,仿真速度偏慢,不能适应与业务系统的实时对接。
发明内容
本发明的目的是提供一种利用现有的公路网、铁路网交通数据,重点构建了区域综合交通运输网络应急仿真平台的总体架构,运用时空网络建模技术,构建了基于智能体的多模式综合交通仿真模型的面向公路和铁路网的综合交通网络运行态势推演仿真技术。
为了解决上述技术问题,本发明的技术方案是:
一种面向公路和铁路网的综合交通网络运行态势推演仿真技术,包括:
1)区域综合交通运输网络应急仿真架构,
包括综合出行需求估计与预测模块、路网节点/路段动态功能属性调整模块、多模式动态交通配流、交通流模拟、动态最短路径计算、运行评估、输出与界面显示模块,仿真系统的主要数据输入包括实时与历史的OD需求数据、路网交通状态运行数据,突发事件数据、网络基础数据以及道路管控及信息发布方案;
2)基于趋势预测与神经网络结合的需求估计与预测模型,
综合出行需求估计与预测模块主要是通过对实时和历史OD需求数据、路网交通状态运行数据等进行模式分析与OD趋势估计,并结合突发事件对交通需求的影响进行动态调整,生成路网动态OD需求矩阵;
3)基于智能体的多模式综合运输网络仿真模型,
多模式动态交通配流模块主要解决多种交通模式之间的交通分配问题,通过对所有有路径集的生成、出行模式的选择模块的计算,将交通工具与人对应分配,实现智能体的行程方案,对每个智能体行程一个包含时间戳序列和节点序列的路径。
进一步的,路网节点/路段动态功能属性模块是通过网络的基础数据,结合动态的突发事件数据和道路管控数据及信息发布方案,生成仿真路网节点/路段动态功能属性。
进一步的,多模式动态交通配流模块通过对所有有路径集的生成、出行模式的选择模块的计算,将交通工具与人对应分配,实现智能体的行程方案,对每个智能体行程一个包含时间戳序列和节点序列的路径。
进一步的,交通流模拟和动态最短路径模块组成了中观交通仿真的核心模块,交通流模拟模块利用路段传输、节点传输模型,在满足相关约束条件的前提下,实现对车辆在路段内部运行和路段间转移的模拟,路段传输模型涉及交通流量—密度关系式,理论通行能力主要由路段类型和车道数量;节点转移模型涉及到左转和直行通行能力约束,动态分配平台所模拟的交通流在路段上的旅行时间将反馈到下次迭代的动态最短路模型中,进而为智能体选择特定径路提供决策依据,同时,新的径路均会被反馈到下一次迭代。
进一步的,运行评估模块对运行结果从路段、通道、OD对、路径、区域进行评估,包括效率、速度、可靠度、能耗方面。
进一步的,采用多项式趋势预测并结合卡尔曼滤波方法对入口节点的车流量或旅客流量分别进行估计与预测,方法如下:
j=路网节点序号,j=1,2,…,N;
τ=出发时间间隔序号,τ=1,2,…;
k=滚动预测的阶段,k=1,2,3,…;
l=每个滚动阶段包括的出发时间间隔序列数;
D(j,τ)=节点j在时间间隔τ的需求流入量;
μ(j,τ)=节点j在时间间隔τD(j,τ)与先验估计
μ′(j,τ),μ″(j,τ),μ″′(j,τ)=需求偏差μ(j,τ)变量的一阶、二阶、三阶差分量;
Zk=阶段k的状态变量向量;
Yk=阶段k的测量向量;
Hk=测量向量Yk和状态向量Zk匹配关系矩阵;
wk=阶段k的处理噪声;
Rk=阶段k的测量误差;
Pk,k-1=阶段k-1预测的Zk的状态协方差阵,即>
Pk,k=阶段k,估计的Zk的状态协方差阵,即
引入多项式趋势预测,进行τ+ζ的差分向量的预测,使用m次多项式构 建该函数如下:
μ(j,τ+ζ)=b0+b1ζ+b2ζ2+…bpζp+…+bmζm;
按照泰勒展开预测函数μ(j,τ+ζ)可扩展为μ(j,τ)的多阶差分组合:
原始多项式分布的公式的系数可表达为:
取三阶多项式模型进行μ(j,τ+ζ)的预测如下式所示:
我们定义在预测阶段k,τ=kl,如每个阶段预测时段长度是l包括3个时间间隔,那么在k=3阶段,τ的序列号即为9;
状态转移矩阵定义为:
k+1阶段的预测公式如下:
Zk+1=AkZk;
引入卡尔曼滤波算法来消除收费站流入量实测值误差带来的影响,由于本部分直接测量值与估计值为相同向量值,故H=I;
首先用前一阶段的后验估计值进行,当前阶段的预测及协方差的传递:
之后引入阶段k实测值后,进行增益的计算:
形成阶段k的后验估计值以及协方差阵的传递:
Pk,k=(I-KkHk)Pk,k-1
调用上述公式预测阶段k+1的μ(j,τ+ζ),基于该预测值可以生成用于推演的节点流入量值D(j,τ),并形成后续预测所需的多阶差分矩阵。
进一步的,通过BP神经网络模型可分别对高速公路网中车辆的OD分布进行预测和对铁路网中出行人员的OD分布进行预测,以高速公路网中车辆的OD 分布预测为例说明算法流程,算法流程如下:
步骤1:数据选取及标准化处理,针对路网中的n个收费站节点,选取预测时间段前m天同一时间段的OD数据并按照公式4.1进行标准化处理;
步骤2:构建BP神经网络,令i=1,对于第i个收费站节点,选取第一天的OD分布比例作为输入向量,选取第二天的数据作为期望输出向量,依次类推构成m-1组训练样本;
步骤3:训练神经网络,通过多次训练,使网络达到设定的训练目标;
步骤4:OD分布比例预测,对于训练好的神经网络,输入预测目标时段前一天的数据,得到预测分布比例,如果,转至步骤5,否则转至步骤2,调整网络参数,重新训练网络;
步骤5:输出预测OD分布比例矩阵,如果i=n则输出矩阵,否则i+1转至步骤2。
进一步的,在运用BP神经网络算法和多项式趋势预测算法分别预测得到路网交通分布比例和各入口交通流量后,对两种预测结果进行融合,得到无事件条件下,网络上预测时段的旅客或车辆的OD矩阵,由车辆或旅客由节点i到节点j的流量qij可以通过站点i入口的流量Oi与和去往j站点的分布比例rij确定,在无事件条件下,路网预测OD矩阵由如下公式求得:
由上述公式分别对车辆的OD矩阵ODv和旅客的OD矩阵ODp进行计算,从而得到在预测时间段上无事件条件下的车辆和旅客的OD矩阵。
进一步的,给定出行时间预算TTB(p),出发点op,智能体p的出发时间τp,在考虑道路容量和铁路客流服务能力的约束条件下,使系统范围内的时空可达性最大化,基于智能体的综合交通运输网络动态分配模型的优化问题的目标函数,如下式所示:
即,模型的优化目标是最小化用户不可达广义费用。若智能体p能在给定的时间预算内到达目的地,则不可达的广义费用为0,否则,C(p)为智能体所使用路径的总旅行时间。
本发明技术效果主要体现在以下方面:在区域性应急响应过程中,如何制定综合交通路网应急交通组织方案确保应急交通安全、高效、有序运行,对于提高区域应急管理能力,减少灾害所造成的人员伤亡和财产损失,具有重要的现实意义,对于交通运输网络,特别是综合交通运输网络,很难通过数理计算等方式快速获取其在事件条件下的运行状态变化态势以及对不同管控措施或应急响应措施的直观效果,因此,建立区域综合交通运输网络仿真平台,实现对公路网应急管控措施的在综合交通运输网络上的快速加载仿真,是评价与优化路网应急交通组织方案的重要手段。
附图说明
图1为本发明的区域综合交通运输网络应急仿真架构图;
图2为本发明的综合出行需求估计与预测架构图;
图3为本发明的基于BP神经网络的交通分布预测算法流程图;
图4为本发明的基于列生成的有限路径集下的算法流程图;
图5为本发明的输入输出设计图。
具体实施方式
一种面向公路和铁路网的综合交通网络运行态势推演仿真技术,包括
1)区域综合交通运输网络应急仿真架构
区域综合交通运输网络应急仿真平台主要包括综合出行需求估计与预测模块、路网节点/路段动态功能属性调整模块、多模式动态交通配流、交通流模拟、动态最短路径计算、运行评估等几个模块,并通过接口调用的方式与基于G I S的交通运输网络安全风险预警平台和应急决策系统相对接,区域综合交通运输网络应急仿真平台的架构设计如图1所示。
仿真系统的主要数据输入包括实时与历史的OD需求数据、路网交通状态运行数据,突发事件数据、网络基础数据以及道路管控数据及信息发布方案。
综合出行需求估计与预测模块主要是通过对实时和历史OD需求数据、路网交通状态运行数据等进行模式分析与OD趋势估计,并结合突发事件对交通需求的影响进行动态调整,生成路网动态OD需求矩阵。
路网节点/路段动态功能属性模块主要是通过网络的基础数据,结合动态的突发事件数据和道路管控数据及信息发布方案,生成仿真路网节点/路段动态功能属性。
多模式动态交通配流模块主要解决多种交通模式之间的交通分配问题,通过对所有有路径集的生成、出行模式的选择模块的计算,将交通工具与人对应分配,实现智能体的行程方案,对每个智能体行程一个包含时间戳序列和节点序列的路径。
交通流模拟和动态最短路径模块组成了中观交通仿真的核心模块,交通流模拟模块利用路段传输、节点传输模型,在满足相关约束条件的前提下,实现 对车辆在路段内部运行和路段间转移的模拟。路段传输模型涉及交通流量—密度关系式,理论通行能力主要由路段类型和车道数量;节点转移模型涉及到左转和直行通行能力约束。动态分配平台所模拟的交通流在路段上的旅行时间将反馈到下次迭代的动态最短路模型中,进而为智能体选择特定径路提供决策依据。同时,新的径路均会被反馈到下一次迭代。
运行评估模块可以对运行结果从路段、通道、OD对、路径、区域等多个维度进行评估,包括效率、速度、可靠度、能耗等多个方面。
区域综合交通运输网络应急仿真平台的输入输出入图5所示。
2)基于趋势预测与神经网络结合的需求估计与预测模型;
需求估计与预测架构图如图2。
①入口需求估计
采用多项式趋势预测并结合卡尔曼滤波方法对入口节点的车流量或旅客流量分别进行估计与预测。
j=路网节点序号,j=1,2,…,N;
τ=出发时间间隔序号,τ=1,2,…;
k=滚动预测的阶段,k=1,2,3,…;
l=每个滚动阶段包括的出发时间间隔序列数;
D(j,τ)=节点j在时间间隔τ的需求流入量;
μ(j,τ)=节点j在时间间隔τD(j,τ)与先验估计
μ′(j,τ),μ″(j,τ),μ″′(j,τ)=需求偏差μ(j,τ)变量的一阶、二阶、三阶差分量;
Zk=阶段k的状态变量向量;
Yk=阶段k的测量向量;
Hk=测量向量Yk和状态向量Zk匹配关系矩阵;
wk=阶段k的处理噪声;
Rk=阶段k的测量误差;
Pk,k-1=阶段k-1预测的Zk的状态协方差阵,即>
Pk,k=阶段k,估计的Zk的状态协方差阵,即
引入多项式趋势预测,进行τ+ζ的差分向量的预测,使用m次多项式构建该函数如下:
μ(j,τ+ζ)=b0+b1ζ+b2ζ2+…bpζp+…+bmζm;
按照泰勒展开预测函数μ(j,τ+ζ)可扩展为μ(j,τ)的多阶差分组合:
原始多项式分布的公式的系数可表达为:
取三阶多项式模型进行μ(j,τ+ζ)的预测如下式所示:
我们定义在预测阶段k,τ=kl,如每个阶段预测时段长度是l包括3个时间间隔,那么在k=3阶段,τ的序列号即为9;
状态转移矩阵定义为:
k+1阶段的预测公式如下:
Zk+1=AkZk;
引入卡尔曼滤波算法来消除收费站流入量实测值误差带来的影响,由于本部分直接测量值与估计值为相同向量值,故H=I;
首先用前一阶段的后验估计值进行,当前阶段的预测及协方差的传递:
之后引入阶段k实测值后,进行增益的计算:
形成阶段k的后验估计值以及协方差阵的传递:
Pk,k=(I-KkHk)Pk,k-1
调用上述公式预测阶段k+1的μ(j,τ+ζ),基于该预测值可以生成用于推演的节点流入量值D(j,τ),并形成后续预测所需的多阶差分矩阵。
②网络OD分布比例预测
通过BP神经网络模型可分别对高速公路网中车辆的OD分布进行预测和对 铁路网中出行人员的OD分布进行预测,预测流程类似,如图3所示,因此,仅以高速公路网中车辆的OD分布预测为例说明算法流程,算法流程如下。
步骤1:数据选取及标准化处理,针对路网中的n个收费站节点,选取预测时间段前m天同一时间段的OD数据并按照公式4.1进行标准化处理;
步骤2:构建BP神经网络,令i=1,对于第i个收费站节点,选取第一天的OD分布比例作为输入向量,选取第二天的数据作为期望输出向量,依次类推构成m-1组训练样本;
步骤3:训练神经网络,通过多次训练,使网络达到设定的训练目标;
步骤4:OD分布比例预测,对于训练好的神经网络,输入预测目标时段前一天的数据,得到预测分布比例rij(j=1,2,3…,n),如果
步骤5:输出预测OD分布比例矩阵,如果i=n则输出矩阵,否则i+1转至步骤2。
③综合出行需求OD矩阵预测
在运用BP神经网络算法和多项式趋势预测算法分别预测得到路网交通分布比例和各入口交通流量后,需要对两种预测结果进行融合,得到无事件条件下,网络上预测时段的旅客或车辆的OD矩阵。由车辆或旅客由节点i到节点j的流量qij可以通过站点i入口的流量Oi与和去往j站点的分布比例rij确定,于是在无事件条件下,路网预测OD矩阵可以由如下公式求得:
由上述公式可分别对车辆的OD矩阵ODv和旅客的OD矩阵ODp进行计算,从而得到在预测时间段上无事件条件下的车辆和旅客的OD矩阵。
3)基于智能体的多模式综合运输网络仿真模型
在综合交通运输网络中,出行者通过不同出行方式到达目的地,如铁路、自驾及组合方式(如公路,铁路换乘)。这个多模式的网络可建模成一个可进行动态交通分配的多层次网络,其中,约束条件为不同层面的服务或道路通行能力的约束,建模过程中的关键参数、变量符号及含义如下表所示。
给定出行时间预算TTB(p),出发点op,智能体p的出发时间τp,在考虑一些道路容量和铁路客流服务能力的约束条件下,使系统范围内的时空可达性最大化,即不可达的程度达到最小化。基于智能体的综合交通运输网络动态分配模型的优化问题的目标函数,如下式所示。
即,模型的优化目标是最小化用户不可达广义费用。若智能体p能在给定的时间预算内到达目的地,则不可达的广义费用为0,否则,C(p)为智能体所使用路径的总旅行时间。也就是说,目标函数旨在使所有出行者中不能到达目的地的数量最小。
模型中有多个约束条件,即时空交通流平衡约束、出行者出行约束、交通流和空间容量约束和铁路客运服务能力约束等。
①时空交通流平衡约束条件
表示每个智能体p只有一个起点和一个终点,在除起点和终点外的时空状态顶点遵守流量平衡约束,即对于智能体p,每个时空状态顶点仅有一次到达和一次离开。
②智能体出行约束条件
智能体p到达目的地或者通过时空活动弧出行,或者通过虚拟时空活动弧出行。
③交通流和道路空间容量约束条件
通过空间排队中观交通流模型描述交通流约束条件,即总体流入量r的约束条件为:
对于路段(i,j),
4)铁路客流服务能力约束
铁路客流服务约束:列车只能根据制定的运行图在特定的时空弧上行驶,在此情况下,其服务的智能体数量不超过车辆承载能力。
5)公铁换乘(弧)站服务能力约束
对所有(i,j,t,s)∈AT
公铁换乘站服务能力约束:不同等级的枢纽站换乘能力有限,受到枢纽停车设施、候车设施、安全设施等设施服务能力决定,本部分也包括了从道路分流节点到枢纽站之间的路段的有关能力约束。
模型的求解算法为基于列生成的算法,基于列生成的方法如图4所示。
基于列生成算法生成了外循环和在内部循环解决在有限路径集下的问题所需的时间相关的最小的用户成本路径。在每一个外循环迭代m中,时间相关的成本最小路径算法应用于为每一O-D对和每个离开的时间间隔找到时间相关的边际使用者成本最小的路径,在m迭代中新路径(如果有的话)被添加到当前可行路径的子集Pm中,一个基于二维投影的梯度下降方向方法用于解决Pm上定义的在有限路径集下的问题,如果没有找到新的路径或达到预设的收敛性标准,算法终止并输出在当前迭代中获得的时间相关的路径流量。
迭代所得的基于二维投影的梯度下降方向方法,形成基于列生成算法框架的内循环,在每个内循环迭代n中,用DNLE(d)模型评估更新的路径流量rn、相应的系统用户总成本TE(rn)以及用户成本,如果在两个连续的迭代(即TE(rn)-TE(rn-1))中目标值之间的差异值小于预设阈值或达到预设的收敛标准(比如n=Nmax),内循环终止,算法返回到外循环。
本发明技术效果主要体现在以下方面:在区域性应急响应过程中,如何制定综合交通路网应急交通组织方案确保应急交通安全、高效、有序运行,对于提高区域应急管理能力,减少灾害所造成的人员伤亡和财产损失,具有重要的 现实意义,对于交通运输网络,特别是综合交通运输网络,很难通过数理计算等方式快速获取其在事件条件下的运行状态变化态势以及对不同管控措施或应急响应措施的直观效果,因此,建立区域综合交通运输网络仿真平台,实现对公路网应急管控措施的在综合交通运输网络上的快速加载仿真,是评价与优化路网应急交通组织方案的重要手段。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
机译: CILKRAS-基于云的铁路控制系统。 -这是一个联锁系统,可利用基于共享云服务器的资源和服务,高速数据网络的强大功能和经济性,可访问性和可靠性不断提高的高效率运行火车。这将使铁路基础设施的建设更加容易和经济。这将特别有利于铁路网络的商业用户,如煤炭和其他矿产资源行业。铁路网络运营商将有更多选择,以最适合他们的方式实施网络控制。
机译: 调节铁路网络和具有火车维护设施的铁路网络上交通的程序
机译: 在铁路网络上进行交通运输的方法以及具有列车维护便利性的铁路网络