基于SUMO的高速路网实时微观交通仿真方法和系统与流程

基于sumo的高速路网实时微观交通仿真方法和系统
技术领域
1.本发明属于智慧交通信息化领域，涉及一种基于sumo的高速路网高精度实时微观交通仿真方法和系统。


背景技术：

2.随着我国机动车保有量的不断提高以及交通出行需求的不断增长，高速路网交通状况愈加复杂。为实现对交通状况的实时感知，当前高速公路管理方已部署大量路侧设备（road side unit，rsu），其大幅增强了公路运营管理的外场感知能力。然而，我国公路高速发展，当前rsu设备观测范围远无法覆盖路网全域，为实现对盲区的交通观测，通常需采用实时微观交通仿真方式，模拟盲区内交通运行。实时微观交通仿真是智慧交通领域对交通运行状况实时感知的重要技术，研发一套基于车辆特征与交通流规律的精准仿真系统与算法，对态势研判、主动管控、出行服务等方面影响深刻：1）在态势研判领域，精准的实时微观交通仿真，可帮助管理者高效分析观测盲区内的交通状况，并给出任意时空位置的交通流指标，包括流密速以及拥堵排队等，从而起到利用仿真技术弥补观测盲区的效果；2）在主动管控领域，基于全域的态势研判，管理者可进一步借助决策模型或专家经验等，下达管控指令对交通进行动态干预，以提升总体通行效率与安全性；3）在出行服务领域，可基于实时微观仿真系统获取路网内每辆车实时位置，结合边端设备提供交通信息伴随服务，如前方路况、事故、养护等事件的推送。
3.但在实际工程应用中，当前微观交通仿真存在若干问题与难点：
4.1、缺乏对行驶车辆行为特征的精细刻画
5.微观交通仿真应能模拟每个实体车辆的通行行为，这依赖精确定义参与交通行为的每辆车的行为特征，包括车道选择偏好、车辆行驶路径偏好、行驶速度偏好等。然而，当前微观仿真基于完全随机或基于某种分布，实现行为特征的刻画，无法精确体现每辆车真实的偏好，导致仿真精度较低。
6.2、缺乏对交通流规律研判
7.考虑到工程实践中，难以做到对所有车辆进行特征刻画（尤其是车辆首次出现），因此，在缺乏单车级特征的情况下，可考虑使用交通流规律。交通流规律指对交通整体态势运行的规律，包括车流的车道分配偏好、行驶路径分配偏好等。
8.然而，当前微观仿真并未将交通流规律研判与交通仿真充分结合，而是采用较为随机的方式对车流行为进行刻画。
9.3、观测数据质量较差
10.rsu设备类型较多，采集数据来源多样化，包括影像识别，射频通信等。当前微观交通仿真往往选择一种数据来源作为仿真系统的输入。然而，基于当前采集水平，各类数据均存在一定的问题，如影像识别易受极端天气、车牌遮挡、套牌等干扰，射频通信易受反向车道干扰；此外，观测数据还存在重复、延迟、时钟不准等共性问题。
11.4、模型时效性低
12.除了上述1、2中精准细致的模型构建外，微观交通仿真水平亦受模型的时间有效性影响，即是否及时更新车辆、交通流模型参数。然而，当前微观仿真的模型参数通过系统运行前的初始值设置，因为计算量大或工程化不完善等原因，导致无法做到随着实时数据的接收定期甚至准实时更新相关参数。
13.对于以上问题，在以往的业务应用中，通常进行简单的数据比对与处理后，选择单一数据源输入仿真系统进行仿真。对于车辆路径选择、车道选择，往往采用随机分配的方式；对于车辆行驶速度，往往根据通用模型以及随机参数进行控制。基于上述现状，当前基于微观仿真技术的实时交通观测系统往往在精度较低，无法真实的反映现实世界交通状况。


技术实现要素：

14.本发明旨在克服现有高速路网实时微观仿真技术的不足，提供基于sumo的高速路网实时微观交通仿真方法和系统，以从模型与数据两方面提升现有实时微观仿真精度。
15.为实现上述目的，本发明采用如下技术方案：
16.一种基于sumo的高速路网实时微观交通仿真方法，包括：
17.获取多来源的路网车辆历史观测数据和实时观测数据并分别进行数据融合，获得历史融合数据和实时融合数据；一组观测数据包括车流身份、位置、速度、所在车道、车辆类型和时间信息；
18.基于历史融合数据分析交通流规律，包括车道分布规律、路径选择规律和最大期望车流速度，并建立车辆行为模型，包括车道选择概率模型、路径选择概率模型和最大期望车流速度模型；
19.获取路网车辆实时观测数据并进行数据融合，利用实时融合数据动态更新历史融合数据和车辆行为模型；
20.构建仿真路网，将观测设施映射至仿真路网中的可计算节点；
21.利用实时融合数据和所述车辆行为模型进行仿真推演，获取仿真结果。
22.作为一种优选的的实施方式，将融合数据转化为通行顺序对用于后续处理。通行顺序对指将任意车辆的观测记录按照时间从小到大排序后，其中任意一组相邻的观测记录。
23.作为一种优选的实施方式，所述交通流规律分析和建立车辆行为模型包括：将时间划分为以天为单位的日期时间范围，和以小时为单位的小时时间范围；
24.对每个观测数据，将其按照观测时间划分至不同的时间范围；
25.以所述日期时间范围和小时时间范围为时间单位，分车辆类型分析交通流规律及车辆行为模型构建。
26.作为一种优选的实施方式，所述车道分布规律基于某一时间范围内某一观测设施下某类车型交通流所选车道确定；
27.车道选择概率基于某一时间范围内某一观测设施下某一车辆所选车道确定。
28.作为一种优选的实施方式，所述路径选择规律为某类车型的交通流在某一观测设施处的下游选择概率，根据某一时间范围内某一观测设施下某类车型交通流所选下游观测设施确定；
29.路径选择概率根据某一时间范围内某一观测设施下某一车辆所选下游观测设施确定。
30.作为一种优选的实施方式，所述最大期望车流速度的确定方式为：
31.若某一时段某一观测设施下某一类型车流无交通流，则该类型车流的最大期望速度为设计速度，否则计算该类型车流并判断是否处于自由流状态；
32.交通流处于完全自由流状态时，将该时段拆分为若干个子时段，计算该观测设施下各子时段的该类型车流平均车流速度，该时段内的该类型车流的最大期望车流速度为多个平均车流速度中的最大值；否则最大期望车流速度为设计速度；
33.所述最大期望速度的确定方式为：
34.若某一时段某一观测设施下某一类型车辆无观测数据，则该类型车辆的最大期望速度为设计速度，否则计算该类型车辆车流并判断是否处于自由流状态；
35.交通流处于完全自由流状态时，最大期望速度为该观测设施下该时段该车辆观测速度的最大值。
36.作为一种优选的实施方式，所述更新历史融合数据和车辆行为模型包括：
37.对接收到的任一条实时融合数据，将其追加至历史融合数据并更新车辆身份和通行顺序对；并且每隔固定时间利用更新的历史融合数据更新交通流规律和车辆行为模型。
38.作为一种优选的实施方式，所述观测设施映射的方式包括：
39.1）提取仿真路网中的所有节点数据，包括节点编号和坐标信息；
40.2）对每个观测设施，计算其与每个节点之间的距离，获取与观测设置距离最近的节点；
41.3）当观测设施与所述最近的节点间的距离小于预设阈值时，将观测设施映射至该节点，否则找到距离该设施最近的边，使用观测设施相对该边的垂直投影点将其打断，在垂直投影点处插入新节点；
42.4）重复1）-3）直至全部映射关系满足距离小于预设阈值的要求。
43.作为一种优选的实施方式，所述仿真推演包括：
44.对任一条实时融合数据，提取其包含的记录信息；
45.基于该记录信息利用车辆行为模型获取其下游路径选择、下游到达车道选择和最大期望速度；根据构建仿真路网时建立的映射，将车流起点、下游路径观测设施转换为可计算节点；
46.基于所述记录信息、起点车道、下游到达车道、起点节点、终点节点、最大期望速度进行仿真推演。
47.本发明的另一目的在于提供一种基于sumo的高速路网实时微观交通仿真系统，包括：
48.数据融合单元，对多来源的路网车辆历史观测数据、实时观测数据并进行数据融合；一组观测数据包括车流身份、位置、速度、所在车道、车辆类型和时间信息；
49.交通流规律分析单元，基于历史融合数据分析交通流规律，包括车道分布规律、路径选择规律和最大期望车流速度，并基于实时融合数据动态更新交通流规律；
50.车辆行为模型构建单元，基于交通流规律分析结果建立车辆行为模型，包括车道选择概率模型、路径选择概率模型和最大期望车流速度模型，并基于实时融合数据动态更
新模型；
51.仿真环境构建单元，构建仿真路网，将观测设施映射至仿真路网中的可计算节点；
52.仿真单元，利用实时融合数据和车辆行为模型进行仿真推演，获取仿真结果。
53.本发明基于多来源历史观测数据进行数据融合，得到高质量融合数据集，结合交通流规律研判算法构建交通流特征，再结合车辆模型构建算法构建车辆特征，将上述特征作为参数输入仿真系统；接收多来源实时交通观测数据，并运用实时融合算法实现多来源数据融合以提升观测数据质量，将融合数据输入仿真系统；仿真系统接收观测数据，依托仿真路网环境，根据车辆及交通流特征进行仿真推演，并依托虚拟观测设施实时输出仿真结果。此外，利用实时融合数据，实现交通流与车辆行为模型的动态更新，以提高模型的时间有效性。
54.本发明的技术方案具有如下有益效果：
55.1）融合对多来源历史车辆通行观测数据以提升数据质量，形成融合数据集作为后续建模的输入；
56.2）基于融合后的车辆通行观测数据，对车辆行为特征进行刻画，实现参数定制化仿真以提高微观仿真精度；
57.3）基于车辆通行观测数据进行交通流规律研判，当缺乏直接的车辆行为特征时，使用车流整体规律表征单车行为，相较纯随机的模式大大提高车辆行为可信度；
58.4）对多来源实时数据进行融合，提高实时微观仿真系统输入数据的质量；
59.5）动态更新历史观测数据，在系统运行过程中对交通流与车辆行为模型进行动态迭代，提高模型有效性；
60.6）通过设置虚拟观测设施，仿真系统可实时输出丰富的仿真结果数据，包括车辆实时位置、实时交通流指标等，从而支撑主动管控等上层应用。
附图说明
61.图1是本发明方法的流程图。
具体实施方式
62.本发明的方法包含8步：a1. 历史观测数据准备，a2. 交通流规律挖掘，a3. 车辆行为模型构建，a4. 实时数据接入与融合，a5. 动态更新模型，a6. 仿真环境构建，a7. 仿真推演，a8. 实时结果输出。各步骤之间的关系见图1。
63.车辆行驶过程中形成的观测数据，主要包含身份(p)，位置(s)，速度(v)，所在车道(l)，车辆类型(c)，时间(t)信息，下文用有序六元组代指车辆通行数据，其作用是定位车辆行驶过程中的时空位置。在交通领域，通常身份为车牌号，位置即空间定位，常采用设备所依附的设施编号，车辆类型一般采用收费标准（如客一、客二、货一、其他等）共17类，时间即设备观测到该车辆的时间。此外，假设有m个观测数据源，定义数据源集合为。
64.设共有n个观测设施，记观测设施集合为，在高速公路领域，观测设施共涉及3中类型，分别为入口、出口、主线观测设施，记入口观测设施集合为g
en
，出口观测设施集合为g
ex
，主线观测设施集合为g
mid
。设任意门架下的最大的车道号为，则
车辆可选的车道范围为，其中0表示第零车道（应急车道），1表示第一车道，以此类推。此外，记车型集合为c。
65.a1. 历史观测数据准备
66.本步骤目的为融合多来源历史观测数据，形成车辆通行观测更为精准的融合数据集，作为后续车辆模型构建以及交通流规律挖掘的输入。
67.本步骤前置条件为设施间的拓扑结构及距离，在公路交通场景中不允许出现车辆逆行的情况，因此本发明中要求设施拓扑结构是一张有向赋权图，其权重为设施间的邻接距离，具体数学定义如下：
68.g是节点的集合，节点即设施。
69.e是边的集合，即设施之间的连接。
70.是一个关联函数，将每条边映射到一个由顶点组成的有序对上（即一条边为按顺序关联到两个顶点）。
71.集合e中每条边都具有weight（权重），其权重为该边连接的两个节点之间的沿着路线的空间距离。
72.此外，术语length（长度）指两节点之间的边数，distance（距离）指两节点之间的最短路径长度。
73.a1.1 离散观测数据准备
74.本步骤目的在于获取精准的六元组融合数据集。使用申请人在先申请zl 202211116113.9中公开的数据融合方法，将m个历史观测数据源以及设施间拓扑结构输入该方法，即可得到融合后的数据集。
75.记融合后的有序六元组为，融合后的观测数据集共有m条记录，记为；设共涉及q辆车，记车辆集合为，。
76.a1.2 车辆通行顺序对准备
77.车辆通行顺序对指，将任意车辆的观测记录按照时间从小到大排序后得到时间序列数据，则该时间序列数据中任意一组相邻的观测记录，即为该车辆的通行顺序对。例如，若车辆p的时间序列数据为(a,b,c,d)，则(a,b)，(b,c)，(c,d)为该车辆的通行顺序对，其中，每个通行顺序对的第一个观测记录记为source，第二个观测记录记为target。该数据为后续路径选择计算的输入，下面将步骤a1.1的输出转化为通行顺序对。
78.对于任意车辆p∈p，其通行顺序对提取过程如下。
79.s1. 记录提取。提取该车牌号p相关的全部观测记录作为集合，记；此处|a|表示集合a的元素个数。
80.s2. 按时间排序。将集合中全部观测记录按时间(t’)从小到大顺序排列，形成有序元组，其中是将按照时间顺序从小到大排列的第k个值。
81.s3. 拆分。将s2中有序元组拆解为若干对通行顺序对：。
82.s4. 切分。考虑到高速公路场景下，入口应为单次通行的第一个观测，出口应为单次通行的最后一个观测，因此对s3中有序顺序对进行切分，此处采用过滤的方式完成逻辑
上的切分，即去除应当被切分却被保留在s3结果中的部分，过滤规则为：入口观测记录（即）不得作为通行顺序对的target，出口观测记录（即）不得作为通行顺序对的。依据该规则，得到过滤后车辆p的通行顺序对。
83.s5. 过滤。为提升本步骤数据的可用性，需进一步剔除不符合拓扑的通行顺序对，去除方式为：提取s4结果中任意一个通行顺序对的起点与终点观测设施，构成一条边，记为e’，若e’∈e，则保留该通行顺序对，反之，则剔除该通行顺序对。遍历s4全部通行顺序对，进行前述判断，则得到过滤后车辆p的通行顺序对，且不含错误数据。
84.初始化空集st（为便于理解，st即为source-target），对于所有的车辆p∈p，执行上述步骤s1～s5，获得该车的全部通行顺序对，并添加至集合st，则可将观测记录集d转化为全部车辆的通行顺序对，保存该数据的即为集合st。
85.a2. 交通流规律挖掘
86.交通流规律指，交通运行时的整体趋势，包括交通流的车道分布、分叉比例、车流速度等。
87.本步骤基于历史观测数据挖掘交通流运行规律，包括交通流的车道分布规律以及路径选择规律。
88.在智能交通工程实践中常发现，由于用车目的不同、道路对车型限制不同等原因，不同类型的车辆行为规律有所区别，因此本发明对不同车型的挖掘交通流规律做区分处理。
89.此外，除车辆类型外，车辆出行模式在时间维度上亦存在差异与规律。例如，节假日与日常工作日，交通流规律则会呈现出较大的差异，包括目的地的变化、交通流指标的变化等。类似的，早晚高峰亦是建模的影响因素之一。
90.因此，本发明将时间划分为不同范围，目的在于确保同一时间范围内的车辆行为模式类似，不同时间范围内的行为模式则有所差异。划分方式为：
91.s1. 划分日期，如将一年划分为节假日、工作日、周末等，具体实施时可根据数据分析取得最佳划分方式；
92.s2. 划分小时，如将一天划分为(0,6]、(6,12]、(12,18]、(18,24]，具体实施时视数据分析情况而定。
93.经过上述时间划分，任意的车辆通行数据均可根据其观测时间，划分进入不同的时间范围内，如t=2022-05-01 10:39:46，则该条观测记录可划分进入2022年五一节假日(6,12]时，从而适用该时间段的交通流模式。
94.下面，将车辆类型与通行时间的划分叠加后，进行车道分布规律以及路径选择规律的挖掘。
95.a2.1 车道分布规律
96.车道分布规律用来刻画交通流在每个观测设施下的车道分布情况。在任意日期时间范围td，任意小时时间范围th内，车道分布规律满足以下要求：
[0097][0098]
其中表示观测设施下的最大车道号，表示c类车型的交通流在观测设施下选择的车道，此处ls表示lane selection，式(1)即表示在任意时间范围td，th内，在任
意观测设施下，任意一种车型的交通流，选择各车道的概率之和必须为1。
[0099]
在任意时间范围td，th内，对于任意观测设施，该观测设施下的c类车型的观测集合为，其中，d(
·
)表示
·
的日期部分，h(
·
)表示
·
的小时部分。则进一步的，在时间范围td，th内，观测设施下c类型交通流选择第i号车道的概率为：
[0100][0101]
其中，
[0102][0103]
a2.2 路径选择规律
[0104]
路径选择规律用来刻画交通流在每个观测设施处选择去向下游观测设施的情况，根据设施间拓扑结构，当该观测设施只有唯一下游时，则选择该下游作为路径的概率为100%，若有多个下游，则会涉及到按概率进行分配。在任意日期时间范围td，任意小时时间范围th内，路径选择规律满足以下要求：
[0105][0106]
其中表示观测设施的下游观测设施集合，表示c类车型的交通流在观测设施处选择的下游，此处ts表示target selection，式(3)即表示在任意时间范围td，th内，在任意观测设施下，任意一种车型的交通流，选择各下游的概率之和必须为1。
[0107]
在任意时间范围td，th内，对于任意观测设施，以该观测设施为起点的c类车型的通行顺序对集合为，其中，s’(k)
表示记录r’(k)
所对应的观测设施，c’(k)
表示记录r’(k)
所对应的车辆类型，t’(k)
表示记录r’(k)
所对应的时间。则进一步的，在时间范围td，th内，观测设施下c类车型交通流选择设施作为下游的概率为：
[0108][0109]
其中，
[0110][0111]
a2.3 最大期望车流速度
[0112]
最大期望车流速度指交通流在自由流状态下，期待达到的最大车流速度。其中，自由流速度通常是指在没有拥堵或阻塞情况下，车辆在高速公路以自由流动方式行驶时的速度。
[0113]
首先界定自由流速度。根据《公路工程技术标准》(jtg b01-2014)，当公路处于一级服务水平时，交通流处于完全自由流状态，驾驶员能自由地按照自己的意愿选择所需速度，行驶车辆不受或基本不受交通流中其他车辆的影响。一级服务水平的条件如下：
[0114][0115]
需注意的是，此处v/c是交通工程中专有写法，非本发明中的速度v与车型集合c。计算方式为
[0116][0117]
其中，pcu为标准车流量，pcu/(hr.ln)为实际统计每小时车道标准车流量，pcus为设计值，根据《公路工程技术标准》，设计速度为120km/h时，设计值为2200，100km/h时对应设计值为2100，80km/h时对应设计值为2000。本步骤的前提是知晓观测设施集合g中每一观测设施处所对应的设计值，记为。
[0118]
在此，需明确pcu计算方式，pcu为标准车流量，是将不同车型的车流量，乘以各车型的转换系数，再求和得到的结果。具体计算方式如下
[0119][0120]
其中，qc为车型c的自然车流量，wc为车型c的折算系数，收费车型的折算系数已由上述《公路工程技术标准》给出。
[0121]
因此，下面计算在自由流情况下的最大期望车流速度。同样的，该交通流规律亦要以车辆类型、观测位置、观测时间范围进行区分。
[0122]
具体思路如下：
[0123]
提取观测位置，观测时间范围内的每小时车到标准车流量。记车型c的观测集合为，若，则说明该位置时段车型c无交通流，采用120km/h代替。否则，根据式(7)，可计算车流pcu/(hr.ln)如下：
[0124][0125]
其中，指该时间范围的跨度，单位为小时，若满足为观测设施处的车道数。
[0126]
将式(8)带入式(6)，进一步有：
[0127][0128]
若满足条件(5)，则说明当前处于自由流状态。进一步将观测集合d
c|g
的时间范围划分为若干个5分钟（该批观测集合可拆分为
·
12个5分钟），计算第j个5分钟的平均车流速度，则车型c在该位置该时间范围内的最大期望车流速度为：
[0129][0130]
若不满足条件(5)，则说明不处于自由流状态，从而无法计算最大期望车流速度，采用默认的120km/h代替。
[0131]
总结上述计算步骤，可得到在任意时间范围td，th内，对于任意观测设施，该观测设施下的c类车型的最大期望车流速度为：
[0132][0133]
其中，v/c参见式(9)，参见式(10)。
[0134]
a3. 车辆行为模型构建
[0135]
车辆行为模型指车辆出行的行为模式或偏好，包括车辆的转向行为、变道行为、跟车行为、路径选择行为等。
[0136]
本步骤基于历史观测数据构建精细化的车辆行为模型，旨在对每辆车的车道选择偏好与路径选择偏好两方面进行刻画。与a2类似，车辆行为模型亦考虑不同车型不同通行时间的影响，车型、时间范围的划分方式与a2中相同。
[0137]
a3.1 车道选择概率
[0138]
与a2.1所述车道分布规律类似，车道选择概率用于描述车辆的行驶时选择不同车道的偏好，只是颗粒度不再是交通流级别，而是单车级。车道选择偏好亦应满足式(1)的要求。
[0139]
在任意时间范围td，th内，对于任意观测设施，该观测设施下某一车辆p的观测集合为，其车型为c，则进一步的，在时间范围td，th内，有该观测设施下该车辆p的车道选择偏好为：
[0140][0141]
其中，参见式(2)，
[0142][0143]
提取历史数据中所有的（车辆，观测设施，观测日期范围，观测小时范围）组合，根据式(12)即可建立每个组合与其对应车道选择概率的映射，即：
[0144][0145]
其中，表示观测设施的下有观测设施的集合。
[0146]
a3.2 路径选择概率
[0147]
与a2.2所述路径选择规律类似，路径选择概率用于刻画车辆的路径选择情况，颗粒度由交通流级细化至单车级。路径选择概率亦应满足式(3)的要求。
[0148]
在任意时间范围td，th内，对于任意观测设施，以该观测设施为起点的某一车辆的通行顺序对集合为，其车型为c，则在时间范围td，th内，有观测设施下该车辆p的下游选择为i设施的概率为：
[0149][0150]
其中，参见式(4)，
[0151][0152]
提取历史数据中所有的（车辆，观测设施，观测日期范围，观测小时范围）组合，根据式(14)即可建立每个组合与其对应路径选择概率的映射，即
[0153][0154]
其中，表示观测设施的下有观测设施的集合。
[0155]
a3.3 最大期望速度
[0156]
最大期望速度指车辆在自由流速度下期待驾驶到的最大速度。与a2.3类似，计算最大期望速度的前提是，当时的交通流处于自由流状态。
[0157]
在任意时间范围td，th内，对于任意观测设施，记该观测设施下某一车辆p的观测集合为，其车型为。
[0158]
若，则表明无数据，采用默认的120km/h。若，进一步根据式(8)、(9)，可计算出该时间范围内的v/c值。
[0159]
若v/c满足条件(5)，说明当时处于自由流状态。则该车p的最大期望速度为：
[0160][0161]
其中为集合中第条数据对应的观测速度。
[0162]
若v/c不满足条件(5)，说明当时不处于自由流状态。则该车p的最大期望速度为默认的120km/h。
[0163]
总结上述计算步骤，可得到在任意时间范围td，th内，对于任意观测设施，某一车辆p的最大期望速度为
[0164][0165]
其中，v/c参见式(9)，参见式(16)。
[0166]
同样的，提取历史数据中所有的（车辆，观测设施，观测日期范围，观测小时范围）组合，根据式(17)即可建立每个组合与其对应最大期望速度的映射，即
[0167][0168]
a4. 实时数据接入与融合
[0169]
本步骤目标在于从接入m个实时观测数据源，同样的，使用zl 202211116113.9公开的数据融合方法，将m个实时观测数据源以及设施间拓扑结构输入该方法，得到实时融合数据。记实时融合数据中的有序六元组为。
[0170]
a5. 动态更新模型
[0171]
本步骤目的在于，将步骤a4所接入的实时数据，追加至历史观测数据中，基于此动态更新a2、a3中所述的交通流规律模型与车辆行为模型，确保其时间有效性。
[0172]
该步骤分为两步执行，分别为更新历史数据、更新模型。
[0173]
a5.1 更新历史数据
[0174]
对于接收到的任意一条实时融合数据，具体操作如下：
[0175]
s1. 更新观测数据集。将该数据添加至集合d中。
[0176]
s2. 更新车牌集。提取数据中的车牌p*，若p*
∉
p，则添加至集合p。
[0177]
s3. 更新通行顺序对集合。对该车辆p*，单独执行步骤a1.2所述s1～s5，并将所得通行顺序对添加至集合st中。
[0178]
执行上述s1～s3，即使用该条实时融合数据完成了观测数据的更新。
[0179]
a5.2 更新模型
[0180]
每隔时间（如1小时），根据式(13)、(15)、(17)，即可动态更新车辆的车道选择模
型（即更新映射），车辆的下游选择模型（即更新映射ω）与车辆的最大期望速度模型（即更新映射）。
[0181]
a6. 仿真环境构建
[0182]
本步骤用于构建仿真环境，包括路网模型，以及观测设施在路网模型中的位置映射（用于将观测到的车辆数据真实的映射到路网模型中）。
[0183]
a6.1 仿真路网构建
[0184]
仿真路网是微观交通仿真系统运行的基础，sumo路网文件一般由node、edge、lane、junction、connection等部分组成，仿真路网构建不是本发明的核心工作，而是作为前置条件，只需满足sumo对路网文件的通用要求即可，此处不做赘述。
[0185]
a6.2 观测设施映射
[0186]
为实现实时仿真，需将现实世界中观测设施所感知数据正确投射至仿真路网中，因此需构建观测设施与仿真路网节点的映射。针对小规模路网，可采用人工对照的方式即可完成映射构建，面对大规模路网时，则需要依赖构建算法，下面进行具体描述。
[0187]
s1. node提取。从步骤a6.1所述仿真路网中提取所有node，包括node编号以及坐标。
[0188]
s2. 最近node搜索。对每个观测设施，计算其与每个node之间的距离，最近的即为可映射node。
[0189]
s3. 检查。为确保仿真的精度，需控制观测设施与node之间距离小于一定的阈值，记为，当不满足条件时，说明初始的仿真路网中，在该观测设施附近无node，需针对性调整路网。调整方式为，找到距离该设施最近的edge，使用观测设施对于该edge的垂直投影点将其打断，在垂直投影点处（即打断点处）插入新node。
[0190]
s4. 根据s3检查进行仿真路网调整后，重新执行s1~s3，直至全部映射关系满足距离小于的要求。
[0191]
a7. 仿真推演
[0192]
本步骤基于前述准备工作，以及实时融合数据，进行仿真推演。对于任意一条进行微观仿真系统的实时数据，进行以下步骤操作。
[0193]
s1. 信息提取。根据有序六元组为，提取观测设施为s*，车牌为p*，车型c*，车道为l*，时间为t*，记t*所属日期时间范围为，所述小时时间范围为。
[0194]
s2. 判断车牌p*是否已存在于当前仿真系统，若存在，则从系统内移除该车辆（因为新的观测数据是真实的，可直接重置仿真系统内相应车辆的时空信息）。
[0195]
s3. 下游路径选择。记观测设施s*下游观测设施集合为，将车牌p*，车型c*，设施s*，时间范围、代入式(15)，则可得到车辆p*去往各下游的概率分别为：
[0196][0197]
集合中元素分别记为。
[0198]
将上述各概率从小到大进行逐项累加，则得到：
[0199][0200]
记式(18)中各项从到大分别为，根据式(3)，最后一项为1。
[0201]
根据0~1之间的均匀部分u(0,1)，随机生成一个数，记为a，则该车辆p*所选择的是
p(i)所对应的下游观测设施，若：
[0202][0203]
注意到，当i=1时，cum0无意义，故约定cum0=0，确保逻辑完整。最后，记所选下游为。
[0204]
s4. 下游到达车道选择。将s3所选的下游作为输入，记其最大车道号为，将车牌p*，车型c*，设施，时间范围、代入式(13)，则可得到车辆p*在到达下游时选择各车道的概率分别为：
[0205][0206]
与s3类似的，将上述各概率进行逐项累加，则得到：
[0207][0208]
记式(19)中各项分别为，根据式(1)，最后一项为1。
[0209]
根据0~1之间的均匀部分u(0,1)，随机生成一个数，记为b，则该车辆p*在下游处选第i条车道，若：
[0210][0211]
注意到，当i=0时，无意义，故约定，确保逻辑完整。最后，记所选车道为。
[0212]
此外，本步骤（s4）在计算得到车辆在到达下游选择各车道的概率时，代入的时间范围为、，严谨起见，应代入车辆到达下游时所处的时间范围，然而该处理方法无疑会增加计算量，此外会存在估算不准的问题，同时，由于高速公路场景中，车辆到达上下游两个观测设施的正常时间间隔在可接受范围内（10km距离，100km/h，6分钟），对时间周期的选择影响甚微，因此此处忽略该误差。
[0213]
s5. 最大期望速度设置。根据车牌p*，观测位置，s*时间范围，得到最大期望速度为：
[0214][0215]
s6. 根据步骤a6.2所述映射关系，将起点、终点观测设施转换为sumo中的可计算节点。
[0216]
s7. 将车牌p*, 速度v*，时间t*，车型c*，起点车道l*，终点车道，起点、终点节点，最大期望速度mes*，输入sumo，调用其api进行仿真推演。此处值得注意的是，由于只给定了起点、终点，因此车辆具体行驶路径由sumo使用最短路径决定。该做法适用于高速场景，因为高速路网为封闭路线，结构相对简单，同时，由于兼具收费稽核等作用，观测设施之间的路径一般无二义性，均为最短路径。若为城市路网等复杂场景，则车辆具体路径则需单独使用更完善的路径分配方法，由于该场景不在本发明覆盖范围内，因此不做考虑。
[0217]
a8. 实时结果输出
[0218]
本步骤为仿真结果的输出，分为单车级与交通流指标两部分。
[0219]
1）单车级数据
[0220]
单车级数据包括任意车辆的实时位置、行驶速度、加速度减速度、方位角等，可用于车辆位置可视化展示，或基于单车级数据进行自定义聚合或复杂计算，得到更上层的统
计结果。上述单车级数据可通过sumo提供的api获取。
[0221]
2）交通流指标
[0222]
交通流指标针对交通流而不是单一车辆，交通流指标通常包括交通量、车流速度、车流密度、排队长度等。在sumo中，通过在仿真路网中设置各类检测器即可通过api或持久化文件等方式获取前述指标。
[0223]
由于实时结果的输出采用sumo标准化功能，因此本处不再过多赘述。

技术特征：
1.一种基于sumo的高速路网实时微观交通仿真方法，其特征在于，包括：获取多来源的路网车辆历史观测数据和实时观测数据并分别进行数据融合，获得历史融合数据和实时融合数据；一组观测数据包括车流身份、位置、速度、所在车道、车辆类型和时间信息；基于历史融合数据分析交通流规律，包括车道分布规律、路径选择规律和最大期望车流速度，并建立车辆行为模型，包括车道选择概率模型、路径选择概率模型和最大期望速度模型；利用实时融合数据动态更新历史融合数据和车辆行为模型；构建仿真路网，将观测设施映射至仿真路网中的可计算节点；利用实时融合数据和所述车辆行为模型进行仿真推演，获取仿真结果。2.根据权利要求1所述的方法，其特征在于，将融合数据转化为通行顺序对用于后续处理。3.根据权利要求1所述的方法，其特征在于，所述交通流规律分析和建立车辆行为模型包括：将时间划分为以天为单位的日期时间范围，和以小时为单位的小时时间范围；对每个观测数据，将其按照观测时间划分至不同的时间范围；以所述日期时间范围和小时时间范围为时间单位，分车辆类型分析交通流规律及车辆行为模型构建。4.根据权利要求1或3所述的方法，其特征在于，所述车道分布规律基于某一时间范围内某一观测设施下某类车型交通流所选车道确定；车道选择概率基于某一时间范围内某一观测设施下某一车辆所选车道确定。5.根据权利要求1或3所述的方法，其特征在于，所述路径选择规律为某类车型的交通流在某一观测设施处的下游选择概率，根据某一时间范围内某一观测设施下某类车型交通流所选下游观测设施确定；路径选择概率根据某一时间范围内某一观测设施下某一车辆所选下游观测设施确定。6.根据权利要求1或3所述的方法，其特征在于，所述最大期望车流速度的确定方式为：若某一时段某一观测设施下某一类型车流无交通流，则该类型车流的最大期望速度为设计速度，否则计算该类型车流并判断是否处于自由流状态；交通流处于完全自由流状态时，将该时段拆分为若干个子时段，计算该观测设施下各子时段的该类型车流平均车流速度，该时段内的该类型车流的最大期望车流速度为多个平均车流速度中的最大值；否则最大期望车流速度为设计速度；所述最大期望速度的确定方式为：若某一时段某一观测设施下某一类型车辆无观测数据，则该类型车辆的最大期望速度为设计速度，否则计算该类型车辆车流并判断是否处于自由流状态；交通流处于完全自由流状态时，最大期望速度为该观测设施下该时段该车辆观测速度的最大值。7.根据权利要求1或2所述的方法，其特征在于，所述更新历史融合数据和车辆行为模型包括：对接收到的任一条实时融合数据，将其追加至历史融合数据并更新车辆身份和通行顺序对；并且每隔固定时间利用更新的历史融合数据更新交通流规律和车辆行为模型。
8.根据权利要求1所述的方法，其特征在于，所述观测设施映射的方式包括：1）提取仿真路网中的所有节点数据，包括节点编号和坐标信息；2）对每个观测设施，计算其与每个节点之间的距离，获取与观测设置距离最近的节点；3）当观测设施与所述最近的节点间的距离小于预设阈值时，将观测设施映射至该节点，否则找到距离该设施最近的边，使用观测设施相对该边的垂直投影点将其打断，在垂直投影点处插入新节点；4）重复1）-3）直至全部映射关系满足距离小于预设阈值的要求。9.根据权利要求1所述的方法，其特征在于，所述仿真推演包括：对任一条实时融合数据，提取其包含的记录信息；基于该记录信息利用车辆行为模型获取其下游路径选择、下游到达车道选择和最大期望速度；根据构建仿真路网时建立的映射，将车流起点、下游路径观测设施转换为可计算节点；基于所述记录信息、起点车道、下游到达车道、起点节点、终点节点、最大期望速度进行仿真推演。10.一种基于sumo的高速路网实时微观交通仿真系统，其特征在于，包括：数据融合单元，对多来源的路网车辆历史观测数据、实时观测数据并进行数据融合；一组观测数据包括车流身份、位置、速度、所在车道、车辆类型和时间信息；交通流规律分析单元，基于历史融合数据分析交通流规律，包括车道分布规律、路径选择规律和最大期望车流速度，并基于实时融合数据动态更新交通流规律；车辆行为模型构建单元，基于历史融合数据建立车辆行为模型，包括车道选择概率模型、路径选择概率模型和最大期望车流速度模型，并基于实时融合数据动态更新模型；仿真环境构建单元，构建仿真路网，将观测设施映射至仿真路网中的可计算节点；仿真单元，利用实时融合数据和车辆行为模型进行仿真推演，获取仿真结果。

技术总结
本发明涉及基于SUMO的高速路网实时微观交通仿真方法和系统，该方法包括获取多来源的路网车辆历史观测数据和实时观测数据并进行数据融合；基于历史融合数据分析交通流规律，包括车道分布规律、路径选择规律和最大期望车流速度，并建立车辆行为模型，包括车道选择概率模型、路径选择概率模型和最大期望速度模型；利用实时融合数据动态更新历史融合数据和车辆行为模型；构建仿真路网，将观测设施映射至仿真路网中的可计算节点；利用实时融合数据和所述车辆行为模型进行仿真推演，获取仿真结果。本发明的技术方案可利用实时融合数据实现交通流与车辆行为模型的动态更新，以提高模型的时间有效性，并输出单车级和交通流指标数据。据。据。


技术研发人员：王鑫之 齐家 胡昕宇 朱磊
受保护的技术使用者：南京感动科技有限公司
技术研发日：2023.07.25
技术公布日：2023/9/13