基于SPGA算法大规模交通仿真网络参数标定方法.docVIP

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： ——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算法的参数标定流程 Fig.1 Flow Chart of Calibration Procedure Based on SPGA 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：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172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 Convergence Speed 表1为标定后各参数的优化值。 表1参数校准后的值 Table1 Parameter Calibration Value 参数名称 默认值 优化值 消失前的等待时间 60 46 最小车头空距 0.5 0.2 最大减速度 -4 -3.5 -1米/秒2/距离 100 69 可接受的减速度 -1 -2.4 车辆最大前视距离 2 5 平均停车间距 250 28