《基于SPGA算法大规模交通仿真网络参数标定方法》由会员分享，可在线阅读，更多相关《基于SPGA算法大规模交通仿真网络参数标定方法（7页珍藏版）》请在金锄头文库上搜索。
1、基于SPGA算法大规模交通仿真网络参数标定方法摘要：本文建立了基于同步扰动随机梯度遗传算法（SPGA）的大规模交通仿真模型参数标定方法，选取VISSIM 模型作为基础平台，SPGA算法与GA与SPSA算法相比收敛速 度较快，收敛值较小，说明SPGA算法在大规模仿真网络参 数标定中的适用性。关键词：大规模仿真网络；参数标定；SPGA算法；VISSIM 模型一、交通仿真模型参数标定方法1. 标定参数选取在交通仿真模型参数标定中，驾驶员行为参数直接影响 仿真结果的准确性，本文针对VISSIM模型的特点选取了消 失前的等待时间、最小车头空距、最大减速度、-1米/秒2/ 距离、可接受的减速度、车辆最大前
2、视距离、平均停车间距、 安全距离的附加部分、安全距离的倍数部分、50千米/小时 运行时最小横向间距等十个关键的驾驶行为参数。2. 目标函数模型参数以实现模型仿真的结果与实测结果的最大耦 合度为目标。本文建立如下收敛函数，评价车辆行驶速度和 车辆流量指标：(1)式中:检测数据点个数；第个检测数据点的行驶速度（单方向）；第个检测数据点的断面交通量（单方向）；统计方法定义如下：（2）其中：一一模型仿真值；实测值；当有85%的小于5时，模型的标定结果是可以接受的。3. 参数标定流程根据同步扰动随机梯度遗传算法（SPGA算法）的基本原 理，建立基于SPGA算法的参数标定流程，如图1所示。图1基于SPGA
3、算法的参数标定流程Fig. 1 Flow Chart of Calibration Procedure Based onSPGA Algorithm二、基于SPGA算法的参数标定方法实现SPGA算法的基本思想是采用遗传算法产生初始种群，对 种群进行遗传操作，在每一步遗传操作产生的中间种群中用 SPSA算法进行局部搜索，将SPSA算法产生的新一代种群代 替当前代种群，如果满足目标，则停止搜索，输出产生的所 有的最优解及当前代种群，否则进行下一代遗传达8。本 文利用VISSIM模型丰富的外部程序接口，采用C#与Matlab 混合编程，实现了参楼标定的自动化，其执行步骤为：Step 1：初始化，并选
4、择参数。确定种群的规模，杂交 概率、变异概率、变量维数、参数取值的上下限、最大遗传 代数和局部搜索的参数，产生初始种群，令遗传代数；Step 2：以VISSIM软件为平台，将初始种群产生的参 数组输入仿真模型，得到初始种群个体目标函数值；Step 3：分配适应度值，进行选择、重组、变异，从集 合中选择出个体，在上代个体中选择个体，构成中间种群；Step 4：将中间种群组成的参数赋值给，令计数器=0, 随机产生均值为0的(=10)维独立随机扰动向量，中包含 三个元素，每个元素取值为：Step 5：根据Step 4计算的扰动向量，产生两组扰动 参数，输入仿真模型，得到目标函数估计值；Step 6：
5、利用Step 5计算的计算逼近梯度，对参数进 行重新标定，产生新种群；Step 7：重复Step 2至Step 6直至满足条件。循环 +1次则+1,直至目标函数满足收敛条件。三、算例以北京市三环快速路区域为例，研究范围内包括1条快 速路(三环，全长约18公里，设7座立交)以及若干条主 干道及支路，该区域道路网络如图2所示。交通流数据为某 日遥感微波检测器的实测数据。图2测试网络Fig. 2 Test Network以VISSIM仿真模型为应用平台，运用GA、SPSA和SPGA 三种算法分别对模型的驾驶行为参数标定。结果表明，GA算 法迭代251次后目标函数值收敛于631, SPSA算法迭代17
6、2 次后目标函数值收敛于544,而SPGA算法迭代146次后目标 函数值收敛于185,变化过程如图3所示。图3算法的收敛速度对比图Fig. 3 Comparison of the Algorithm Convergenee Speed表1为标定后各参数的优化值。表1参数校准后的值Tablet Parameter Calibration Value参数名称默认值优化值消失前的等待时间60最小车头空距0. 50.2最大减速度-4-3. 5-1米/秒2/距离10069可接受的减速度-1-2.4车辆最大前视距离25平均停车间距250287安全距离的附加部分21. 36安全距离的倍数部分3. 3750千
7、米/小时运行时最小横向间距32. 29对采用SPGA算法标定后的驾驶员行为参数进行仿真运 算，该区域流量、速度仿真值与实测值相关性较强（如图4 和图5）,验证了 SPGA算法对标定参数的有效性。图4基于SPGA算法的仿真流量与实测流量对比Fig. 4 Comparison of Simulated and Observed Flows 图5基于SPGA算法的仿真速度与实测速度对比Fig. 5 Comparison of Observed and Simulated Speed 用SPGA算法得到的仿真流量与实测流量的相关系数分 别为0.86和0. 92,可见SPGA算法标定的参数结果是可以接
8、受的，且优化后的收敛值比GA和SPSA分别小446、359。本文研究了大规模网络环境下，微观仿真模型参数的标 定方法与流程，提出了建立了参数标定的SPGA算法，应用 于VISSIM仿真模型的驾驶员行为参数标定中，结果表明， 本文所建立的基于SPGA算法在大规模仿真网络参数标定方 法中较GA算法、SPSA算法的收敛速度分别快1.7. 1.2倍， 且其导致的交通流量、速度误差在较小，说明SPGA算法对 于在大规模交通仿真网络参数标定中的实用性。参考文献:1 孙剑，杨晓光，刘好德微观交通仿真系统参数校正 研究J.系统仿真学报，2007 （01）.2 B. Brian Park , Qi. H. DE
9、VELOPMENT AND EVALUATION OF A CALIBRATION AND VALIDATIONPROCEDURE FOR MICROSCOPIC SIMULATION MODELS , Virginia Transportation Research Council,2004.3 Lianyu Chu. A Calibration Procedure for Microscopic Traffic SimulationJ. TRB 2004 Annual Meeting CD-ROM, Transportation Research Board, 2004, Washingt
10、on, D. C.4 Park, B, Qi, H Development and Evaluation of a Calibration and Validation Procedure for Microscopic Simulation Models VTRC 05-CR1. Virginia Transportation Research Council, Charlottesville, 2004.8李秀娟.求解多目标优化问题的随机梯度遗传算法 J.南京航空航天大学学报，2003 （04）.作者简介：胡兴华（1981）,男，河北鹿泉人，北京 交通大学，博士在读。研究方向：交通仿真。项目简介：国家高技术研究发展计划（863计划）项目 （项目编号2008AA11A165）,重庆市重点攻关项目（项目编 号 CSTC2008AA6035）o
