基于元胞自动机的城域混合交通流建模方法研究

第12期2023年6月无线互联科技Wireless Internet TechnologyNo.12June,2023作者简介:陈晓静(1983 ),女,江苏宿迁人,高级工程师,硕士;研究方向:交通信息工程㊂高速公路交通流状态的元胞自动机模型仿真与推演陈晓静(江苏长天智远交通科技有限公司,江苏南京210019)摘要:文章提出了一个新的元胞自动机模型即AD 模型㊂该模型最主要的改进在于车辆的减速方式更加合理㊂本研究使用SUMO 进行微观交通仿真㊂文章假设了3种可能的下游场景,包括车道封闭㊁限流瓶颈和限速瓶颈,并使用AD 模型㊁IDM 模型和SUMO 默认的Krauss 模型分别进行分析㊂结果表明在限速瓶颈场景下,使用AD 模型可以得到最好的仿真效果㊂这一成果对未来的高速公路交通流管控工作具有重要的参考价值㊂关键词:元胞自动机模型;高速公路交通流;微观仿真;SUMO 中图分类号:U4㊀㊀文献标志码:A0㊀引言㊀㊀元胞自动机(Cellular Automata,CA)模型具有进化规则灵活㊁计算效率高的优点,是研究复杂系统行为的一个重要理论框架,已被广泛应用于各个领域[1]㊂在交通领域中,很多学者通过建立交通模型去描述和解释非平衡相变[2]㊁自组织临界性㊁亚稳态区域和同步交通等非线性现象[3-4]㊂传统的交通研究方法无法准确解释上述各类非线性现象及其特性㊂相比之下,元胞自动机非常适合于描述非线性现象[5]㊂因此,近年来越来越多的学者开始使用元胞自动机模型进行交通流模拟,包括高速公路[6]和城市道路[7]等㊂本文提出了一种新的元胞自动机模型,在合理设置车辆减速方式和参数的基础上,实现了更好的模拟效果,能够用于微观仿真中的高速公路交通流运行态势分析和管控措施研究㊂1㊀元胞自动机模型规则㊀㊀自从1992年Nagel 和Schreckenberg 提出了著名的NS 模型[8]之后,这一领域的学者先后提出了很多元胞自动机模型,但它们都存在着各自的缺点㊂其中比较集中的一点是,对车辆减速过程的描述往往过于粗糙㊂例如:NS 模型中不论车辆大小如何,都可以在一个更新时间步(通常为1s)直接减速到0㊂这样虽然可以避免碰撞,但很容易产生过大的㊁异常的减速度㊂故本文提出了一种新的元胞自动机模型,即期望减速度(Anticipated Deceleration,AD)模型㊂具体规则为:(1)计算前车的虚拟速度:vᶄn -1=MIN{v m -1,MAX{0,V anti (AD ,gap n -1)-1},v n -1};(2)确定性的加速或减速运动:v n =MIN{v n +A n ,v m }㊀㊀㊀如果(1-r )v n +rB (v n ,AD )<gap n +vᶄn -1V anti (AD ,gap n +vᶄn -1)反之ìîíïïï(3)随机慢化:v n =MAX{v n -1,0},触发概率为p;(4)位置更新:x n (t +1)=x n (t )+v n (t );其中x n 表示第n 辆车的位置,v n 表示第n 辆车的速度,A n 表示第n 辆车的加速度,gap n 表示第n 辆车的间距,括号里的t 和t +1表示时刻,模拟时间间隔为1s㊂关于模型的具体含义,需要解释的是:(1)将格点设置为1格=1m,认为1辆车的长度为8格=8m,加速时的加速度则为1m /s 2㊂(2)因为现实中车辆的减速能力有限,所以本模型引入了AD 模型㊂在某一AD 值作用下,车辆不能在瞬间减速到0,如果速度为ν,在离散化的元胞自动机模型中假设m =int(v /|AD |),那么这辆车的刹车距离B 是ν和AD 的函数:B (v ,AD )=v +(v +AD )+(v +2AD )+...+(v +mAD )=(2v +mAD )(m +1)/2由于元胞自动机模型是离散模型,减速发生在运动之前,并且AD 不一定是整数,所以此处减速距离并不等于v 2/(2AD )㊂此时车辆的减速方式不再是直接减速至与车头间距相同(v n =gap n ),而是通过寻找能满足条件B (v ,AD )ɤgap 的最大速度值来实现,记为v n =V anti (AD ,gap n )㊂具体方法是逐个试验ν,ν-1, ,类似于穷举㊂和基于NS 规则的模型相比,在AD 模型中,当车辆接近前方的慢车时,它会采用更大的减速度刹车㊂这样就降低了在未来某时刻忽然采用过大减速度的可能性,同时这一机理也促进了同步流的稳定形成㊂另外,当密度不断增加时,车辆速度会下降,此时AD 模型的减速规则会越来越接近NS 模型㊂(3)为了体现后车对前车运动状态的即时反应,前车的虚拟速度效应也在AD 模型中有应用㊂和前人模型的区别是,将前人使用的vᶄn -1=MIN{v m -1,MAX{0,gap n -1-1},v n -1}改变为:vᶄn -1=MIN{v m -1,MAX{0,V anti (AD ,gap n -1)-1},v n -1}(4)此处考虑两种不同的驾驶策略,一种偏保守,另一种偏激进,且前者的比例为r ,后者的比例为1-r ㊂r =1则演化为保守模型,r =0演化为激进模型㊂此处r 的含义非常接近于一些跟驰模型中的侵略性参数㊂(5)关于参数取值,通常取随机慢化概率p =0.1,保守车辆比例r =0,Vm =32m /s (对应大约120km /h)㊂而AD 取值可以根据具体需要调整,本文统一取值为-4m /s 2㊂2㊀交通流数据特征㊀㊀本文的仿真研究区域是润扬大桥北侧㊁扬溧高速与沪陕高速交会处的路段㊂由南向北的车流从桩号为K3+315的地点A 开始运动,经过桩号为K0+795的地点B 之后,可以分别从地点C(桩号K0+350)和地点D(桩号K0+310)的立交驶出㊂这4个地点均安装有监像头㊂在2022年9月30日,即国庆放假前一天,这一路段在下午出现了较长时间的交通拥堵,并影响到了道路上游区域,因此本文选择这一场景进行微观交通仿真研究㊂具体的交通流量通过自行开发的视频检测程序提取,其基础框架为YOLO V5+Deepsort,可以确保较高的精度㊂其中,地点B 统计车辆驶离高速公路主线前的流量;地点C 统计车辆从汊河枢纽驶入高速前的流量;地点D 统计车辆从汊河枢纽驶入高速后的流量㊂4个地点的交通流量统计结果如图1所示,时间为下午4点40到晚上6点,包括以1min 为间隔和以10min 为间隔的结果,数值单位全部换算为辆/h /车道,均为2或3个车道的平均结果㊂由于摄像头转动,导致5点40以后K0+310处的数据难以采集㊂从图2可以看到,除K0+350之外,其余地点的流量变化幅度较大㊂K0+350的流量明显小于上游K0+795处,可推测这一带拥堵严重,从而积压了大量车辆㊂而K0+310的流量有所恢复,主要原因是有较多车辆通过D 点立交进入主线㊂图1㊀4个地点的流量统计结果3　微观交通仿真和评价3.1㊀仿真配置㊀㊀从监控视频和流量统计结果可以看到,在K0+ 350和K0+310下游一带,出现了严重的拥堵,本文用3种不同的手段对这一拥堵场景进行仿真,具体包括:(1)场景A:车道封闭㊂假设在K0+310下游(图2中的路段1)发生特殊事件(例如:交通事故),导致左车道临时关闭,具体影响长度为20m,并于20min 后恢复通行㊂(2)场景B:设置限流瓶颈㊂假设在K0+310下游有一个限流瓶颈,每一辆车在瓶颈处(图2中的路段1下游2km)都要停车10s,这一设置的原理类似于收费站㊂(3)场景C:设置限速瓶颈㊂假设在K0+310下游路段2的限速降为40km/h,从而造成拥堵效果㊂本文使用的微观仿真交通软件是SUMO㊂它是一种开源㊁微观㊁多模态的交通仿真软件[9],自带有很多跟驰模型和换道模型,并且可以利用TraCI接口,用Python和C++语言实现模型二次开发㊂在仿真区域内设置如下3种车辆行驶路径,并按照实际流量赋值:(1)驶离高速公路主线:A->B->C;(2)驶入高速公路主线:C->D;(3)完整通过仿真区域:A->B->C->D㊂仿真时间段为T=3100s,其中前100s没有任何车辆输入,用于清空道路㊂车辆从第101s开始进入道路,按照实地采集的10min统计数据输入车辆,具体结果如表1所示㊂表1㊀仿真流量配置实际时间仿真时间/s A->B->C->D A ->B->C(驶离高速)C->D (驶入高速)左中右左中右4:40PM101~7001571638761117170 4:50PM701~130020821010261117192 5:00PM1301~190017720910661117136 5:10PM1901~25001381627461117152 5:20PM2501~31001121047161117174㊀㊀本文共使用3种跟驰模型进行仿真㊂除前文所述的AD模型外,还使用了SUMO默认的Krauss模型[10]和交通流领域常用的IDM模型[11]进行对比㊂由于AD模型不是SUMO内置的模型,需要单独进行外部配置才能加载到SUMO的代码库中,具体步骤包括:编写名称标签㊁编写相关参数的声明㊁设置默认值㊁调整构造函数,然后使用Visual Studio进行自动编译㊂3.2㊀仿真结果评价㊀㊀分析场景A的仿真结果,如图2所示,包括K0+ 310处左右车道的平均流量和平均速度曲线㊂可以看到在车道封闭的20min内,车辆到达K0+310时减速非常明显,尤其是左车道㊂而在封闭解除后,两个车道的交通状态都会迅速恢复,流量和速度都和车道封闭时存在巨大的差异㊂相比之下,实际交通数据的流量波动较小(图中黑色曲线),前后不存在显著差异㊂总而言之,3种模型的仿真结果都和实际交通状态不太一致,意味着场景A的配置可能与现实交通不吻合㊂分析场景B的结果,如图3所示㊂可以看到此时3个模型的结果差异并不大,均在1000s左右开始形成严重的拥堵㊂和实际交通数据相比,模拟结果的波动始终更大,3个模型的流量均下降至很低,说明即便是短暂的停车,也会对整个系统产生很大的影响㊂这意味着场景B的配置也可能与现实交通不太吻合㊂分析场景C的结果㊂从图4可以清楚地看到,此时的仿真平均流量明显和实际交通数据更为接近,两个车道的吻合程度均超过了场景A和B㊂在定量层面,IDM模型的仿真结果波动性较强,而Krauss模型和AD模型的结果比较稳定,值得进一步研究和对比㊂为了定量评估各场景下模型的表现,参照公式(1)㊁(2)计算仿真结果稳定段数据值和实测数据值的均方根误差(Root Mean Square Error,RMSE)以及平均绝对百分比误差(Mean Absolute Percentage Error,MAPE):RMSE=1mðm i=1(h(x i)-y i)2(1) MAPE=1mðm i=1h(x i)-y i y i(2)图2㊀场景A的仿真结果对比㊀㊀其中,i为第i个数据;m为总数据量;h(x i)为数据i对应的仿真结果;y i为数据i对应的实际值㊂此时计算结果如表2所示,不同场景和模型的MAPE和RMSE 结果各不相同㊂为统一起见,此处主要使用MAPE结果进行仿真效果评价㊂就仿真场景而言,场景C的3种模型平均仿真结果相对最好,MAPE的平均值为25.9%㊂就跟驰模型而言,AD模型在3种场景里的仿真结果最好,MAPE的平均值为62.8%㊂而场景C+AD 模型具有最好的仿真结果,MAPE的平均值仅有16.0%㊂这说明本场景最佳的仿真方案是假设路段1限速40km/h,并使用AD模型㊂这体现出元胞自动机模型在高速公路交通流仿真中具备了一定的优势㊂图3㊀场景B的仿真结果对比图4㊀场景C的仿真结果对比表2㊀不同模型下各场景误差计算场景模型车道时间范围/s MAPE RMSE场景A KraussADIDM左车道1050~2220130.3%328.1右车道1080~222044.7%646.1左车道1050~2220118.9%322.0右车道1080~222040.7%542.1左车道1200~242027.7%316.0右车道1200~242044.3%217.3场景B KraussADIDM左车道1080~3000191.2%440.7右车道1050~300033.1%208.7左车道1080~300099.1%475.1右车道1050~300086.2%427.4左车道1180~320028.6%187.0右车道1180~3200204.2%473.2场景C KraussADIDM左车道780~300022.2%189.3右车道780~300012.3%112.3左车道780~300018.3%151.6右车道780~300013.6%126.2左车道880~310061.2%946.5右车道880~310027.9%338.44　结语㊀㊀本文提出了一个新的元胞自动机模型,即AD模型㊂和前人模型相比,最主要的改进在于车辆的减速方式更加合理㊂接着简要分析了润扬大桥北侧路段在拥堵时段的交通流特征,在采集监控摄像头视频数据的基础上,使用SUMO进行了微观交通仿真,并使用AD模型㊁IDM模型和SUMO默认的Krauss模型在车道封闭㊁限流瓶颈和限速瓶颈3个场景下分别进行分析㊂结果表明在限速瓶颈场景下,使用AD模型可以得到最好的仿真效果㊂这一成果对未来的高速公路交通流管控工作具有重要的参考价值㊂参考文献[1]黎夏,叶嘉安.基于神经网络的元胞自动机及模拟复杂土地利用系统[J].地理研究,2005(1): 19-27.[2]KERNER B S,REHBORN H.Experimental properties of phase transitions in traffic flow[J]. Physical Review Letters,1997(20):4030-4033. [3]KERNER B S,KONHUSER P.Cluster effect in initially homogeneous traffic flow[J].Physical Review E,1993(4):2335-2338.[4]雷丽,薛郁,戴世强.交通流的一维元胞自动机敏感驾驶模型[J].物理学报,2003(9):2121-2126. [5]HELBING D,HENNECKE A,SHVETSOV V,et al. MASTER:Macroscopic traffic simulation based on a gas-kinetic,non-local traffic model[J].Transportation Research Part B,2001(2):183-211.[6]KNOSPE W,SANTEN L,SCHADSCHNEIDER A, et al.Towards a realistic microscopic description of highway traffic[EB/OL].(2000-11-24)[2023-07-07].https:///usercenter/paper/ show?paperid=ce8512ad8eca4645c77ed80dc06a07 bc&site=xueshu_se.[7]JIN C J,WANG W,JIANG R.Cellular automaton simulations of a T-shaped unsignalised intersection with refined configurations[J].Transportmetrica A,2014 (10):273-283.[8]NAGEL K,SCHRECKENBERG M.A cellular automaton model for freeway traffic[J].Journal De Physique I,1992(12):2221-2229.[9]LOPEZ P A,BEHRISCH M,BIEKER-WALZ L, et al.Microscopic traffic simulation using SUMO[C]. Maui:IEEE Intelligent Transportation Systems Conference(ITSC),2018.[10]KRAUßS,WAGNER P,GAWRON C.Metastable states in a microscopic model of traffic flow[J]. Physical Review E,1997(55):5597-5602. [11]TREIBER M,KESTING A,THIEMANN C. Traffic flow dynamics:data,models and simulation [M].Berlin:Springer,2013.(编辑㊀王永超)Simulation and deduction of cellular automata model for highway traffic flow stateChen XiaojingITSSKY Technology Co. Ltd. Nanjing210019 ChinaAbstract This paper proposes a new cellular automaton model namely AD model.The main improvement of the model is that the vehicle deceleration mode is more reasonable.The microscopic traffic simulation was performed using SUMO.Three possible downstream scenarios were assumed including lane closure flow-limiting bottleneck and rate -limiting bottlenecks and analyzed separately using the AD model the IDM model and the default Krauss model of SUMO.The results show that the best simulation results can be obtained using the AD model in the rate-limiting bottleneck scenario.This achievement has an important reference value for the future expressway traffic flow control work.Key words cell automaton model highway traffic flow micro-simulation SUMO。

双向航道船舶交通流元胞自动机模型及仿真引言：随着全球贸易的不断发展，船舶交通在海上日益繁忙。

尤其是在一些狭窄的水道和海域中，双向航道的船舶交通流成为一个重要的问题。

为了合理规划航道交通流，并提高航行安全和效率，需要开展相关研究。

本文基于元胞自动机模型，对双向航道船舶交通流进进行仿真。

通过模拟不同的航道设置和交通管制方式，可以为实际航道管理提供科学依据。

一、研究背景双向航道是指在一条水道上，允许船舶双向航行的区域。

在双向航道中，船舶的来往交通流会相互影响，存在一定的交通流动性和交通安全问题。

对双向航道船舶交通流的规划和控制成为了海事管理人员的重要任务。

传统的方法往往是基于经验和规则来进行航道管理，难以全面考虑不同条件下航道交通流的影响。

而基于数学模型的仿真研究则可以提供更为客观和科学的分析。

元胞自动机模型是一种建立在空间网络上、模拟多晶体生长和交通流动的有效方法，已经在城市交通、航道规划等领域得到了广泛应用。

基于元胞自动机模型进行双向航道船舶交通流的仿真研究，有助于深入了解交通流的规律和特点，为航道管理提供科学依据。

二、研究内容和方法1. 研究内容本文旨在建立双向航道船舶交通流的元胞自动机模型，并利用该模型进行仿真研究。

具体包括以下内容：（1）双向航道航行规则的建立：结合航行规则和船舶操纵特点，建立双向航道的航行规则，确定船舶的行驶方向、速度限制等。

（2）元胞自动机模型的构建：将双向航道划分为一定数量的元胞，每个元胞代表一个航道空间单元，包括其位置、速度、船舶密度等信息。

建立元胞间的交互规则，模拟船舶的运动和交通流动。

（3）仿真实验设计：基于元胞自动机模型，设计不同航道设置和交通管制方式的仿真实验，分析不同条件下的航道交通流特点和规律。

2. 研究方法本文采用了以下研究方法：（1）文献调研：对双向航道船舶交通流的规划、管理和仿真研究进行了广泛的文献调研，了解相关理论和方法。

（5）数据分析：对仿真实验的结果进行数据分析，分析不同条件下的航道交通流特点和规律，为航道管理提供科学依据。

基于元胞自动机模型的交通规则仿真研究【摘要】本文围绕多车道交通规则及其通行性能问题，利用元胞自动机理论，建立了多车道交通流元胞自动机模型，在计算机上进行了模拟仿真，从空间、时间和状态等特征上模拟了各车辆的行驶情况，获得了不同超车规则、最高限速和最低限速对应的交通流各种特性，包括车辆平均速度、道路交通流量、车辆换道超车频率、道路占用率、道路利用率等指标，评价了不同交通规则的实际效果，为优化交通规则，改善道路通行能力，提高道路资源利用效率提供了可行方法。

【关键词】多车道元胞自动机模型;交通规则;交通流;通行性能;计算机仿真Abstract：This paper propose the multi-lane traffic flow cellular automaton model to analysis performance of different traffic rules，which models the traffic system by nonlinear dynamical system with discrete space，time and states.our algorithm outputs macro indicators of traffic flow under different rules，including average speed，traffic flow，lane changing frequency，road occupancy rate，road utilization，etc.We evaluated the actual effect of three traffic rules，and found the feasible method to optimize traffic rules，to improve road capacity，efficiency as well as utilization of the whole traffic system.Key words：multi-lane cellular automation;traffic rules;traffic flow;traffic capacity;computer simulation1.引言如何解决交通堵塞、交通安全及相应的环境污染问题成为近一个世纪以来各国政府和公众关注的焦点，科学家希望通过交通流仿真技术，分析研究实际交通环境下车辆行为，揭示车辆运动规律，预测未来道路网流量，制定科学的交通规划和交通规则，促进交通问题的解决。

双向航道船舶交通流元胞自动机模型及仿真引言随着全球船舶交通的日益繁忙，保证船舶安全和交通效率成为一个重要的问题。

为了研究船舶在双向航道中的交通流量，我们提出了一种基于元胞自动机的模型，并进行了相应的仿真实验。

本文将介绍我们的模型设计、实验方法以及仿真结果。

背景在双向航道中，船舶交通流动复杂，不同船舶在航道中的行为会对整体交通造成影响。

因此，研究船舶在双向航道中的交通流量对于提高交通效率和安全性具有重要意义。

元胞自动机是一种模拟复杂系统行为的数学工具。

它可以将系统划分为许多离散单元，每个单元都有自己的状态和行为规则。

通过定义单元之间的相互作用规则，可以模拟出整体系统的行为。

在本文中，我们将利用元胞自动机模型来模拟双向航道中的船舶交通流。

方法模型设计我们的元胞自动机模型基于以下假设：1.航道被划分为离散的单元格，每个单元格代表一段长度相等的航道。

2.每个单元格可以容纳一艘船舶。

3.船舶的行为受到速度限制和相邻船舶的影响。

4.船舶可以做出四个动作：保持当前速度、加速、减速、变道。

基于上述假设，我们设计了如下的元胞自动机模型规则：1.每个单元格的初始状态为空，可以随机生成船舶。

2.每个船舶根据相邻船舶的位置和速度来决策自己的行动。

3.船舶在行动后，会更新其所在单元格的状态。

实验方法为了验证我们的模型的有效性，我们设计了一系列实验。

实验过程如下：1.初始化航道状态：设置航道长度和初始船舶数量。

2.按照模型规则，更新航道中每个船舶的状态。

3.重复步骤2，直到达到预设的模拟时间。

4.分析仿真结果。

我们将关注航道的流量、拥挤度等指标。

结果与分析经过多次实验，我们得到了如下的仿真结果：1.航道流量与初始船舶数量呈正相关关系。

随着船舶数量的增加，航道的流量也随之增加。

2.船舶的行为会受到相邻船舶的影响。

当船舶密度较高时，船舶更容易受到限制，无法加速或变道。

3.船舶的变道行为能够减少航道的拥塞程度。

当船舶有机会变道时，航道的拥塞情况会得到改善。

基于元胞自动机仿真模型的小区类型道路通行研究发布时间：2021-06-22T02:36:59.785Z 来源：《中国科技教育》2021年第2期作者：李浩东1 陈嘉健2 安高佳3 [导读] 利用交通流元胞自动机模型对开放后小区周边道路进行仿真模拟，采集到小区开放后的指标，最后进行前后对比分析。

1.华北理工大学建筑工程学院河北唐山 063210；2.华北理工大学化学工程学院河北唐山 063210；3.华北理工大学艺术学院河北唐山 063210摘要：选取闹市区的小区（周边含有学校等基础设施）、非闹市区的小区（周边含有医院等基础设施）以及非闹市区的小区（周边没有基础设施）三种类型的小区，分别对三种类型的小区进行道路结构的设计。

首先利用建立的基于元胞自动机的车辆通行模型得出小区开放前后周边道路车辆变化的模拟仿真结果，然后再计算出建立的各项指标的值，得出线性加权后的综合评价值，通过前后对比发现三种类型的小区综合评价值分别变化了0.100，0.0598，-0.014，最后得出小区周边有医院、学校等基础设施的小区开放对缓解交通有较好的结果，非闹市区的小区车流量少，开放后对交通影响不大。

关键词：综合评价；小区道路类型；元胞自动机仿真模型1 引言根据前期的评价指标体系，利用交通流元胞自动机模型，将现有小区的模型化，简单构建了三类小区，即闹市区的小区（周边含有城市基础设施建设）、非闹市区的小区（周边含有城市基础设施建设）以及非闹市区的小区（周边没有基础设施建设），在闹市区行人活动范围大，人流量较多，而在非闹市区如果有学校、医院、交通车站等人口迁移量大的基础设施存在，在小区周边的交通要道车流量也较大，相反处在非闹市区且周边没有基础设施，这样行人的活动范围小，车流量也明显减少。

我们采取不同时刻不同地点观测周边各类型的小区交通道路状况，收集到小区开放前各项指标，利用交通流元胞自动机模型对开放后小区周边道路进行仿真模拟，采集到小区开放后的指标，最后进行前后对比分析。