基于TRANSIMS的交通流模擬與分析研究

韋蘭香

摘 要： 對交通流進行準確模擬和預測分析，實現交通路網評估，可治理交通擁堵。提出一種基于TRANSIMS的交通流模擬和分析模型，構建交通路網擁堵評估模型，根據車輛的RFID標簽信息進行位置信息編碼，采用最大Lyapunove指數預測算法進行交通流預測，實現路網節點負載容量的準確估計分析。在TRANSIMS場景中進行試驗分析，試驗結果表明，該模型適用于大規模的交通流模擬和預測評估，獲得了較高的道路負載吞吐效益和速度效益。

關鍵詞： TRANSIMS； 交通流； 路網； 負載吞吐量

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）03?0136?04

Research on traffic flow simulation and analysis based on TRANSIMS

WEI Lanxiang

（School of Physics and Mechatronics Engineering， Hechi University， Yizhou 546300， China）

Abstract： In order to perform the accurate simulation and prediction analysis of the traffic flow， evaluate the traffic network， and govern the traffic jams， a traffic flow simulation and analysis model based on TRANSIMS is proposed. The jam assessment model of the traffic network was constructed. The position information is coded according to the RFID tag information of the vehicle. The maximum Lyapunove exponent prediction algorithm is used to predict the traffic flow to analyze the accurate estimation of the load capacity of the traffic network nodes. The model was performed with experimental analysis in TRANSIMS scene. The experimental results show that the model is suitable for the large?scale traffic flow simulation and prediction evaluation， and has acquired the high road throughput efficiency and speed benefit.

Keywords： TRANSIMS； traffic flow； road network； load throughput

0 引 言

對交通流進行模擬分析是解決道路交通調度和交通流量預測的有效方法之一。道路上車輛疏導過程為一個實體行為，有效反應了道路交通流的特征信息。對道路交通信息流進行特征提取和分布式并行微觀交通仿真分析，可應用在大規模的交通網絡中，實現對道路交通狀態的準確預測，為在線交通狀態管理提供可靠信息[1]。

在大規模的城市交通網絡中，隨著車輛實體數目的增多和道路路網的復雜性因素影響增大，當前的交通流模擬方法無法有效模擬交通實體和道路吞吐性能的實際情況，且計算超過了實際運行時間，導致對交通預測和調度的實時性不好[2]。在采用TSP仿真技術進行道路路網模型構建和交通信息流預測過程中，不能有效反應道路交通車輛信息的動態變化，對車輛和道路的規劃實時性不好[3]。在運用基于動態負載平衡調度的方法實現交通仿真模型的過程中，僅對OD流量模型做最簡化的處理，不能準確分析路網結構與交通擁堵之間的動態關系[4]。

針對上述問題，提出一種基于TRANSIMS的交通流模擬和分析模型，實現交通流的模擬仿真和分析優化。

1 模型構建與信息提取

1.1 交通路網擁堵評估模型

交通路網擁堵評估模型建立在復雜網絡理論和路段阻抗模型基礎上，可以用Small?World模型表示交通路網結構[5]，網絡節點連接的拓撲結構采用一個5元組表示一個路段，即有向圖中的一條邊，如下所示：

[Edge=StartID，EndID，ca，xa，ta] （1）

式中：[ca]表示交通路網中的交通設施實體模型；[xa]表示單行路連接動態特性；Edge表示一條有向邊；StartID表示道路的幾何特性；EndID表示道路上車輛的RFID信息。

根據路網的整體狀態信息，路段的阻抗動態更新，更新權重記為[xa。]Small?World模型中交通路網的流量[xa

設有每條邊上的測試車輛為[A1，][A2，]…，[An，]每個節點變量結構分別表示為[a1，][a2，]…，[an，]同時有[n]個目標地點[B1，][B2，]…，[Bn，]在交通路網中目標地點的交通流流量負載記為[b1，][b2，]…，[bn，][Cij]表示記錄車輛[Ai]經過測試目標地點[Bj]的速度，[Xij]是決策變量。Small?World模型的車輛流量模擬問題數學表達為：

[min（f）=i=1mj=1nCijXij]

s.t.[ j=1mXij=ai， i=1，2，…，mi=1mXij=bi， j=1，2，…，nXij≥0， i=1，2，…，m； j=1，2，…，n] （2）

若在交通流模擬問題中沒有負載平衡這一限制，根據不同限速車道的交通流流量，對車輛密度信息進行自適應權衡調度，滿足[i=1mai>j=1nbj，]則更改數學模型表示如下：

[j=1nxij≤ai， i=1，2，…，mi=1nxij=bj， j=1，2，…，nxij≥0， i=1，2，…，m；j=1，2，…，n] （3）

任一組變量[Xij（i=1，2，…，m； j=1，2，…，n）]的值，根據交通流的預測估計值判斷交通擁堵級別，計算浮動車輛的平均速度，使目標函數[S=j=1ni=1mCijXij]的值最小，即交通擁堵級別達到最小，達到平衡。

在云網格中構建交通路網擁堵評估模型，采用網格并行計算方法進行負載遷移，得到云網格中的交通流均衡模型如圖2所示。

1.2 交通流信息特征提取

在并行微觀交通路網模型中，交通流的評估模型由車輛和道路兩部分組成，在路網中表現為節點和邊，根據路網分割得到節點的集合表示：

[V={v1，v2，v3，…，vN}] （4）

式中：[N]為Small?World模型中車輛節點的個數，邊的集合為：

[E={e1，e2，e3，…，eM}] （5）

式中[M]為邊的個數。

通過自適應尋優算法執行車輛更新、交叉口及路段狀態的選擇，進行網絡系統拓撲路徑尋優，得到有效負載遷移量尋優路徑為：

[ta=t0a1+Jxa（ca-xa）] （6）

式中：[J]為閑置狀態各節點的通行能力；[t0a]為等待阻塞系數；[ca]為簇內節點的個數。

根據節點在路段內不同車道上的實際通行能力，當滿足[xa=ca，]根據RFID標簽信息進行位置信息編碼[7]，綜合車輛密度信息和編碼信息進行信息特征提取，準確判斷路面上的車輛密度，交通流信息特征提取的系統模型如圖3所示。

根據交通流信息特征提取結果，能夠準確、實時地檢測道路上每條車道上的車輛密度：

[ρlane-i=Ni2R] （7）

式中：[i]表示第[i]條車道；[Ni]為車輛密度信息；[R]表示對向車道的鄰居信息。

2 模型具體的實現

根據路面交通態勢信息進行交通流模擬，道路上行駛的車輛節點根據車輛的RFID標簽信息進行位置信息編碼[8]，根據節點在路段內不同車道上的交通態勢排序，最小ID號作為簇頭，得到交通路網中的聚簇示意圖如圖4所示。

通過簇內處理，采用最大Lyapunove指數預測算法進行交通流預測，得到在同一條道路上車輛聚簇的生命期為：

[wj=λjwjj=1nλjwj] （8）

式中[λj]為簇內通信節點的客觀權重。

考慮到道路的拓撲結構空時加權，采用最大Lyapunove指數預測[9]，得到簇頭節點的ID擁塞程度為：

[v簇=i=1Lj=1NiηivijNi] （9）

式中：[vij]為簇內第[i]條車道上第[j]輛車的絕對位置坐標；[wi]為第[i]車道上路段位置的分簇信息，且[i=1Nηi=1]。

通過實際測量獲得節點[Ai]（車輛或路邊設施）的平均速度[REPi，]更改簇ID，得到交通流的速度大小：

[mi=MSG_REPDτSNAdataPossensidToken] （10）

考慮到道路的網格坐標[（x，y）]和車輛的速度相對關系，通過不同延遲容忍度進行鄰居節點的信息加權，道路擁堵的失效過載比為：

[eij=p1（i）?p2（j+1）?p3（ij）] （11）

式中：[p1（i）]為簇內通信節點的總負載；[p2（j+1）]為路網模型中車輛路徑規劃分布概率。

對路網模型中所有的云網格節點進行均勻遍歷，得到車輛密度與擁塞程度關系：

[Zk=wkAT=j=1nwkj?aij，i=1，2，…，m] （12）

式中：[A=aijm×n]為擁堵預測控制目標函數矩陣。

考慮車輛在行駛過程中的變道情況，簇頭周期性地廣播信息包（member packet，MEP）[10]，在簇前的初始階段，節點稱為孤立節點，MEP中包含有簇頭ID信息，基于RFID進行路段位置和車道信息的編碼，確定車輛的當前位置，車輛信息標定和交通流模擬的聚簇流程，如圖5所示。

結合交通流的運動方向、速度大小等信息參量可獲得簇內的車輛密度為：

[ρcluster=i=1Lρlane-iL] （13）

節點把自己的ID設定為簇ID，相鄰節點機的數目為[n]，鄰居節點速度測量集合為[N1，N2，…，Nn，]有車輛簇存在的場景中，交通流的負載與性能分別為[L1，L2，…，Ln]和[Pmin1，Pmin2，…，Pminn，]交通流預測的執行時間為[t0，]負載為[L0。]簇頭根據車輛密度和路面速度，在孤立節點周期性地廣播請求后，等待時間[t0]和[tj]相等，遷移的負載量為[Lt，]在交通流擁堵級別一致的情況下，等待時間為：

[t0=L0-LtPmin0=Lj+LtPmint=tj] （14）

對[Lt]求解可得：

[Lt=L0Pminj-LjPmin0Pmin0+Pminj] （15）

根據節點在路段內不同車道上的分布計算出遷移的負載量。采用最大Lyapunove指數預測算法，引入系數[c]來修正車輛簇的負載遷移量[Lt，][c]的取值主要取決于路段的交通態勢，得到相鄰節點機數[nj。]取[c=1nj，]道路交通流的有效預測結果為：

[Lefft=1njL0Pminj-LjPmin0Pmin0+Pminj] （16）

計算出路面的空間加權平均速度，遷移負載與其負載相差最大的相鄰節點機，同時不會出現遷移過度現象。隨著遷移負載的變化，車流量的增長造成擁堵，當相鄰節點遷移負載阻抗無窮大時，車輛密度較大，信息傳送成功的概率為0，表明該條道路完全被堵死，車輛無法通行，根據道路交通流的速度和擁堵程度等信息特征，實現防擁堵車輛路徑規劃及交通流模擬分析。

3 仿真測試

在TRANSIMS仿真場景中進行仿真分析，道路交通流模擬的仿真場景如圖6所示。TRANSIMS中仿真時長為300 ticks，在16臺節點機局域網上模擬交通實體節點，節點間傳輸速率為0.5 Mb/s，設定道路為雙向兩車道單向行駛，道路的路寬為1 unit，路面長度為120 patches。

根據上述仿真場景和參數設定進行交通流模擬和車流檢測，不同場景下的交通流檢測結果如圖7 所示。

從交通流模擬和檢測結果可見，在暢通場景下，每車道車輛密度低于30 輛/km，車輛速度保持在70 km/h以上；在輕度擁堵場景下，車輛密度保持在30～40 輛/km，車輛速度在50～80 km/h；在中度擁堵場景下，車輛密度為40～50 輛/km，速度為20～40 km/h；在重度擁堵場景下，車輛密度較大，在50 輛/km以上，車流速度緩慢，低于40 km/h。分析上述結果得知，通過本文方法能有效模擬交通流信息，對路面速度、車輛密度與擁塞程度的關系具有較高的特征反饋能力，通過對交通流的實時預測和調度，能有效提高車流速度和道路吞吐性能，避免擁堵。

4 結 語

對交通流采用微觀模擬和分析方法是解決道路交通調度和交通流量預測的有效方法之一，為了實現交通路網評估，治理交通擁堵，提出基于TRANSIMS的交通流模擬和分析模型，在TRANSIMS仿真場景中進行仿真分析，實現對暢通場景、輕度擁堵場景、中度擁堵場景和重度擁堵場景下的交通流模擬和預測分析，展示了其準確性和有效性。

參考文獻

[1] SHEN W， WYNTER L. A new one?level convex optimization approach for estimating origin： destination demand [J]. Transportation research part B： methodological， 2012， 46（10）： 1535?1555.

[2] 陳秀鋒，許洪國，倪安寧.并行微觀交通動態負載平衡預測方法仿真[J].計算機仿真，2013，30（8）：164?168.

[3] SUN Huijun， ZHANG Hui， WU Jianjun. Correlated scale?free network with community： modeling and transportation dynamics [J]. Nonlinear dynamics， 2012， 69（4）： 2097?2104.

[4] 王光浩，吳越.一種車載自組織網絡路況信息的數據信任模型[J].計算機科學，2014，41（6）：89?93.

[5] MARFIA G.， ROCCETTI M. Vehicular congestion detection and short?term forecasting： a new model with results [J]. IEEE transactions on vehicular technology， 2011， 60（7）： 2936?2948.

[6] MANDAL K， SEN A， CHAKRABORTY A， et al. Road traffic congestion monitoring and measurement using active RFID and GSM technology [C]// Proceedings of 2011 the 14th IEEE Conference on Intelligent Transportation Systems. Washington， D. C.： IEEE， 2011： 1375?1379.

[7] 張子龍，薛靜，喬鴻海，等.基于改進SURF算法的交通視頻車輛檢索方法研究[J].西北工業大學學報，2014，32（2）：297?301.

[8] 許曉玲.基于物聯網模糊評估的大型交通車輛調度模型研究[J].科技通報，2013，29（10）：189?192.

[9] 彭麗英.改進滑模干擾控制律交通數據反步融合算法[J].控制工程，2014，21（4）：515?519.

[10] 芮蘭蘭，李欽銘.基于組合模型的短時交通流量預測算法[J].電子與信息學報，2016，38（5）：1227?1233.