【技术实现步骤摘要】
本专利技术涉及交通仿真预测，具体为大规模城市网络多智能体交通仿真预测方法、系统及设备。
技术介绍
1、城市道路交通的发展与城市化进程紧密相连。随着人口的增长和经济的发展，城市道路网络不断扩张，交通设施日益完善。然而，随之而来的交通问题也日益凸显，成为制约城市发展的瓶颈，城市道路的交通问题主要体现在以下几个方面：首先，交通拥堵现象日益严重，特别是在早晚高峰时段，主要干道和交通枢纽经常出现车辆排队、行驶缓慢的情况；其次，交通事故频发，不仅威胁到人们的生命安全，也严重影响了交通的顺畅；此外，随着机动车辆的增多，环境污染问题也日益突出，尾气排放成为城市空气污染的重要来源。
2、为了解决这些问题，需要运用合理的交通管控手段。传统的交通管控主要依赖于人工调度和经验判断，效率较低，难以适应复杂的城市交通环境。而现代交通管控手段，如智能交通系统(its)，通过集成先进的信息技术、通信技术和控制技术，实现了交通信息的实时采集、处理和发布，提高了交通管控的智能化水平。
3、交通仿真技术在现代交通管控中发挥着重要作用。通过建立城市道路的虚拟模型，交通仿真能够模拟各种交通场景，预测交通流量和交通状况，为交通管控提供决策支持，为此，我们提出大规模城市网络多智能体交通仿真预测方法、系统及设备。
技术实现思路
1、本专利技术的目的在于提供大规模城市网络多智能体交通仿真预测方法、系统及设备，通过接收出行需求处理出行需求数据，利用经典用户均衡模型为车辆智能体分配交通路径，车辆智能体根据跟驰模
2、根据本专利技术的第一方面，为实现上述目的，本专利技术提供如下技术方案：大规模城市网络多智能体交通仿真预测方法，包括以下步骤：
3、s10.构建多智能体城市网络模型：接收城市路网数据，根据路网数据建立路网拓扑图，并根据路网拓扑图划定仿真区域，预设置交通场景智能体、路段智能体、车辆智能体，建立各智能体的连接关系以及交互逻辑，同时生成大规模城市网络仿真区域的属性；
4、s20.交通需求数据处理与分析：接收多源交通需求数据，并以此为输入，提取得到交通时空特征，采用gcn-lstm-attention分层耦合网络，由gcn捕捉空间特征，lstm处理时间特征，并引入注意力机制强化模型对出行特征的识别能力，通过构建综合多种数据源和深度学习技术的神经网络模型，实现交通需求的准确预测和od矩阵的生成；
5、s30.城市网络交通流分配：根据交通需求数据，构建多目标用户均衡与系统优化结合的分配模型进行交通流分配，目标函数由改进的路段路阻函数积分与系统时间总和与目标权重共同耦合构成，同时将用户因服从诱导信息所新增的阻抗值引入约束条件，模拟交通诱导对交通流分布的作用影响；
6、s40.构建车辆驾驶模型：结合车辆物理属性、车间距、道路状况建立实时动态更新参数的车辆跟驰模型与换道模型，用于实现车辆动态调整；
7、s50.城市网络交通监测与反馈：根据交通状况，路段智能体对道路的交通参数进行计算并评估道路交通状况，并将路况反馈到车辆智能体的路径选择模型中，同时，针对路段流量超过能力阈值的情况，构建贝叶斯博弈论的路径选择模型，确定出行者的路径集合以及出行者的类型和对其他类型出行者的信念，基于旅行时间、拥堵等因素计算路径选择的成本，重复计算收益并调整路径，直到系统达到贝叶斯纳什均衡；
8、s60.仿真方案迭代，重复步骤s30-步骤s50，进行城市路网的交通仿真，获得仿真结果。
9、进一步地，所述城市路网数据包括地图数据、交通流量数据、交通信号配置数据。
10、进一步地，多智能体城市网络模型包括以下步骤：
11、(11)大规模城市路网范围与仿真城市网络范围保持一致，仿真过程中，能够修改城市路网数据，交通场景、路段和车辆数据作为个体属性保存，不同车辆的数据互不干扰；
12、(12)在仿真开始时，如果车辆已在路网范围内，则从仿真开始到其到达目的地后将其移除；如果车辆在仿真开始时不在路网范围内，则从其进入路网时开始仿真，直至到达目的地后移除。
13、进一步地，所述交通需求数据包括gps轨迹、手机信令数据、城市天气信息、日期时间数据。
14、进一步地，交通需求数据处理与分析，具体包括以下步骤：
15、(21)接收交通需求数据，对交通需求数据进行预处理消除噪声影响并对数据进行标准化消除不同量纲的影响，提取得到多源数据特征，包括速度、路线、位置、poi停留时间、时间戳；
16、(22)构建gcn-lstm-attention模型，将交通网络构建为图结构，节点表示网络中的交叉口，边则表示节点时间的连接即路段，图的表示使用邻接矩阵a表示节点之间的连接关系和特征矩阵x表示每个点的时间序列特征，维度为(n，t，f)，其中n是节点数，t是时间步数，f是特征维度，构建gcn层公式如下：
17、
18、式中hl是第l层的节点表示，表示归一化的邻接矩阵，初始h(0)＝x，wl是第l层的权重矩阵，σ是激活函数；
19、构建lstm层处理时间序列数据{ht，ct}＝lstm(xt，{ht-1，ct-1})，其中xt是时间步长t的输入特征，ht和ct分贝是步长t的隐藏状态和单元状态；
20、构建模型的attention机制，提取时间步长特征其中h是所有时间步长的隐藏状态，αt是时间步长t的注意力权重；
21、(23)将特征数据转换为序列形式，使用历史数据训练模型优化模型参数，根据预测结果，生成交通的od矩阵表示不同起点和终点之间的交通流量。
22、进一步地，城市网络交通流分配，具体包括以下步骤：
23、(31)将弹性需求模型融入交通流分配模型中反映了出行者对出行成本变化的反应，其中包括出行时间、出行费用、出行距离因素；
24、定义需求函数d＝f(t，c，l)，其中d是需求量，t是出行时间，c是出行成本，l是出行距离，使用弹性系数将需求变化与旅行时间和成本的变化联系起来：其中δd，δt，δc，δl，分别表示需求量，出行时间，出行成本，出行距离的变化量，ηt，ηc，ηl分别表示出行时间，出行费用，出行距离的弹性系数，描述了在不同出行条件下出行需求的变化；
25、(32)采用ue与so结合的交通流分配的方法进行初始分配，模型目标函数是每一条路段路阻函数积分的累加，以及网络上所有车辆的行驶时间总和，能够写成如下形式：
26、
27、式中wue和wso分别表示用户均衡与系统优化目标的权重，xa表示路段a的交通流量，ta(w)是路段a的路阻函数；
28、其中，路阻函数体现交通拥堵的情况，具备非线性性质，采用改进bpr模型即：
29、
本文档来自技高网...
【技术保护点】
1.大规模城市网络多智能体交通仿真预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述城市路网数据包括地图数据、交通流量数据、交通信号配置数据。
3.根据权利要求2所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述多智能体城市网络模型包括以下步骤：
4.根据权利要求3所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述交通需求数据包括GPS轨迹、手机信令数据、城市天气信息、日期时间数据。
5.根据权利要求4所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：交通需求数据处理与分析，具体包括以下步骤：
6.根据权利要求1所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：城市网络交通流分配，具体包括以下步骤：
7.根据权利要求6所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：构建车辆驾驶模型，具体包括以下步骤：
8.根据权利要求1所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：城市
9.多智能体交通仿真预测系统，用于实现权利要求1至8中任一项所述的大规模城市网络多智能体交通仿真预测方法，其特征在于，包括：
10.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1至8中任一项所述的大规模城市网络多智能体交通仿真预测方法。
...【技术特征摘要】
1.大规模城市网络多智能体交通仿真预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述城市路网数据包括地图数据、交通流量数据、交通信号配置数据。
3.根据权利要求2所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述多智能体城市网络模型包括以下步骤：
4.根据权利要求3所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：所述交通需求数据包括gps轨迹、手机信令数据、城市天气信息、日期时间数据。
5.根据权利要求4所述的大规模城市网络多智能体交通仿真预测方法，其特征在于：交通需求数据处理与分析，具体包括以下步骤：
6.根据权利要求1所述的大规模城市网络多智能体交通仿真预测方法...
【专利技术属性】
技术研发人员：何勇海，雷伟，焦彦利，屠宇航，徐铖铖，韩明敏，李志斌，高静雅，王亚州，李昊，
申请(专利权)人：河北交通投资集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。