的影响性能的各种措施对仿真模型校准性能选择

文摘

客观的。本文探讨了影响性能的各种措施(MOP)选择仿真模型校准性能,反映实际交通状况和车辆交互。方法。两个十字路口在上海被选为仿真模型校准,一个用于测试,另一个用于验证。三个有效的拖把被利用,包括平均旅行时间(即。,time passing the intersection), average queue length, and vehicle headway distribution. The counts of three types of traffic conflicts (i.e., crossing, rear-end, and lane change) were used as safety MOPs. Those MOPs, as calibration objectives, were examined and compared.结果。网站测试的结果表明,不同的有效的拖把有自己的优势:平均旅行时间似乎是最好的反映车道分布变化和追尾冲突而进展表现最好的模拟和实际交叉冲突之间的一致性。安全拖把相比,平均旅行时间和进展分布仍然表现得更好,冲突导致更多类似的模拟方面的指标(例如,TTC、宠物)实际的。多准则标定策略基于平均旅行时间和进展分布通常有更好的表现在反映实际交通状况和车辆的相互作用比使用任何有效的或安全拖把。为验证站点也发现类似的结果。结论。模拟实际交通状况和车辆交互,可以同时考虑多个有效的拖把校准模型,而不是使用安全拖把。

1。介绍

微观交通仿真已被广泛用于交通设计、控制和管理,因为它能够模拟实际交通状况,这样未知的影响各种交通设计与控制场景可以正确评估。为了建立一个可靠的微观仿真模型,模型校准被认为是最关键的一步模拟交通状况与实际环境相匹配。仿真模型校准,测量的性能(MOP)通常需要被选为校准目标,比如平均队列长度(1),体积(2)、速度(3),旅行时间(或时间通过十字路口)4)、控制延迟(5),和进展分布(6]。然而,似乎没有基准拖把微观仿真模型校准。根据公园和齐(4),拖把通常是选择由于数据收集的难易程度。然而,这种方法也可以提出问题是否所有拖把选择有类似的表演反映实际交通状况。据我们所知,研究有限拖把选择模拟实际交通状况的影响。

注意,大多数传统的拖把是有效措施自模拟最初进行交通运营研究。最近,微观模拟已经认识到交通安全分析。要做到这一点,是非常重要的,以反映实际的车辆交互。先前的研究发现,通过融合一个安全拖把(例如,冲突数)校准,仿真模型似乎更好地反映实际的车辆交互比校准有效拖把(7- - - - - -11]。然而,这样的校准需要额外的校准工作的安全数据收集策略。例如,为了调整仿真模型基于交通冲突,冲突需要确认和详细的冲突需要收集数据。要注意,收集冲突数据需要大量的人工观测或坚实的知识/技能的计算机视觉技术。然而在实践中,这样的要求是很难完全实现。更不用说,视频技术经常遭受恶劣天气,遮挡,和算法的局限性。一般来说,基于校准是困难的,需要很多的努力。如果校准策略基于有效的拖把可以有合理的表演在模拟实际车辆交互,安全校正措施可能不是必需的。Duong et al。3)讨论这个话题提出了校正策略基于两个有效的高速公路段拖把。结果表明潜在的使用有效的拖把模拟实际车辆交互。然而,对于城市十字路口,没有文献解决这样的问题。

鉴于这些,有必要找出各种拖把(校准目标)会影响模拟和实际交通状况之间的一致性,以及车辆的相互作用。在本文中,我们将研究各种有效的影响/安全拖把选择仿真模型校准,以反映实际的信号交叉路口的交通状况和车辆交互。期望本研究是身份的一种很有前途的校正策略,可以合理地反映实际交通状况和车辆交互。

2。数据收集

两个路口十字路口在上海奉贤地区被选在这项研究中,一个用于测试,另一个用于验证。在本研究的初始阶段,收集视频剪辑便携式摄像机、设置在路旁的高楼大厦11]。这个设置提供足够的视图覆盖率收集所需数据,包括交通冲突,体积,和进展。然而,检查各种拖把模拟实际交通状况的影响,平均队列长度是一个重要的有效的拖把先前文献中广泛使用。因此,要获得足够的观察高度覆盖整个十字路口区域(如图1),一个无人驾驶飞机被用来收集视频剪辑在下午高峰时段(4:30-6:30)在两个不同的工作日。

冲突被确定基于传统TCT方法,由四个训练有素的观察者。这些观察员早期检查intrareliability interreliability,通过观察其他视频剪辑11]。逃避行动的明显标志(如制动,迂回)被用来作为冲突的迹象。网格系统是放置在视频匹配全局坐标与当地坐标,车辆的位置和距离可以手动估计。视频剪辑被认为以每秒25帧估计移动速度的车辆,使用VideoStudio。此外,冲突指标的计算是通过观察人士,包括Time-to-Collision (TTC)和Postencroachment时间(PET)。

应该注意的是,冲突可以被自动化的视频技术,包括无监督或semisupervised学习算法(12]。无监督学习算法可以快速区分冲突没有手动标记数据。然而,它常常患有低检测精度问题[12]。另一方面,监督或者semisupervised学习算法可以更好地识别冲突但是需要许多努力收集训练数据。一般来说,有一个明显的效率和准确性,对于视频冲突识别和数据采集。此外,这些算法本质上仍然依赖人类判断冲突识别数据标签或验证。因此,从任何角度来看,冲突识别中间可能是一个艰巨的任务——大规模微观交通仿真标定。车辆速度和冲突的派生指标提取高分辨率可能会增加车辆轨迹基于自动化视频技术(13,14]。然而,这种方法的可靠性仍然遭受恶劣天气,不同光照条件和闭塞。

因此,在我们的研究中,在超过十个小时的手工计算进行了努力获得这些详细的数据冲突,为每一个十字路口。这个数据收集过程被认为充分捕捉实际交通状况和车辆在现实世界的相互作用。labor-assist冲突识别方法被认为是一个更直接的和可靠的方法来识别冲突在这个研究。诚然,在考虑更多的十字路口时,它将成为劳动密集型识别冲突由人类的努力。然而,它同时也突显出的必要性找到其他有效的拖把与安全拖把(如,利益冲突),微观交通仿真标定。

图1提出两个路口的航拍照片,以及他们的草图与车道编号。所有有效的拖把都计算了每个车道(即lane-based)和聚合为一个小时。因此,对于测试网站,有14(车道)4(小时)= 56样本。为验证的网站,有12个(车道)4(小时)= 48个样品。冲突并不视为具体车道,因为许多很难被分配到一个车道(例如,穿越和车道改变冲突)。相反,他们分析了总数、宠物和TTC。表2介绍了交通的汇总统计和冲突在这项研究中收集的数据。详细具体车道交通数据包括在附录中一个和B。

3所示。仿真模型的开发

在这项研究中,一个商业VISSIM微观仿真的包是用于开发仿真模型的两个十字路口。VISSIM已广泛应用于模拟研究[9- - - - - -11,15- - - - - -17),由于其高灵活性模拟实际交通状况,特别是微观驾驶行为(18,19]。几何数据是基于航拍照片被无人驾驶飞机收集和实地观测。技术图纸也奉贤高速公路管理局提供的,提供详细的巷道几何学图形包括车道的数量和宽度,长度的存储海湾和蜡烛,车道利用率的细节。交通控制细节来自奉贤交警部门和现场观察,包括张贴限速、信号时间计划,和运动的权限。基于视频交通流数据主要是收集,包括交通计数和车辆组成。这些数据被用作输入每个路口仿真模型开发基地。

至于模拟校准,许多拖把已经使用在先前的研究7),包括平均延迟,平均旅行时间、经停点数目、进展分布,平均队列长度。在这项研究中,平均旅行时间(时间经过一个十字路口),进展分布和平均队列长度是利用有效的拖把。每个检查的影响反映实际交通状况。在以前的文献中,冲突数量经常被用作安全拖把来反映实际车辆交互。因此,在这项研究中,冲突数量用于模型校准,TTC和宠物被用来验证校准仿真模型。

4所示。仿真模型校准测试网站

测试网站是用于检查各种拖把的影响选择反映实际交通状况和车辆交互。有效的拖把包括平均旅行时间、平均队列长度,进展分布。冲突被分为三种类型:穿越,后端,车道改变。每种类型的数量作为安全拖把,导致三个安全拖把。代理安全评估模型(SSAM)被用来提取三种模拟冲突,建议的角度阈值(30°、85°)(20.]。至于PET / TTC阈值,使用3秒,因为大多数实际观察落在这个范围(如表所示1)。

首先,一组的方差分析测试应用于识别灵敏度参数有效和安全的拖把。自两个十字路口在市区,74年魏德曼参数标定模型选择模型。和司机行为的可接受范围参数列表在VISSIM决定最初基于先前的文献和拉丁超立方体抽样——基于(lh)的标定方法是早期采用确保参数组合的全面采样(21]。基于方差分析的测试中,一组参数被发现敏感。表2介绍了结果。

从表2一些参数被发现敏感有效和安全拖把。例如,最小间隔时间被发现敏感进展分布和交叉冲突。这一结果与先前的文献[是相一致的7]。平均停顿距离、添加剂和乘法的一部分所需的安全距离平均旅行时间的影响,平均队列长度,在尾端的冲突。这些参数可以反映主要和以下车辆之间的相互作用。换算系数和最小安全距离进展发现敏感的平均旅行时间和车道变化冲突。这可能是合理的因为这些参数主要控制车道改变行为。另一个发现是,不同的有效的拖把有不同的敏感参数。此外,安全拖把敏感参数也不同。

然后,遗传算法(GA)应用于校正仿真模型是基于每个拖把选择,分别。遗传算法是一种自适应启发式搜索算法,在模拟常用的校准找到优化驾驶行为参数能反映实际交通状况在最大的程度上(7]。遗传算法包括四个主要步骤:(1)人口的一代;(2)选择;(3)交叉;和(4)突变。正常情况下,需要随机生成的初始种群。在这种情况下,随机组合的敏感参数被认为是作为遗传算法的个体。十个人被包含在初始种群,用随机人口的一代。选择符是用来给更好的个人偏好,让他们把他们的基因传递给下一代。通常情况下,创建一个适应度函数来确定个人的美好。 Regarding simulation calibration, various indicators can be used, such as mean average percentage error (MAPE), root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), and the Pearson correlation coefficient. To note, in our study, MAPE was used for developing fitness functions, while all other listed indicators were calculated for verifying calibration performances. The equation of MAPE, RMSE, MSE, MAE, and correlation coefficients can be written as

其中N是总采样点;的校准拖把吗样本点;是实际的拖把吗样本点; , 的平均值是校准/实际所有采样点的拖把,分别。

之后,一个交叉算子需要适用于创建一个新的“后代”个人基于两个“父”的个人。即两套参数值被用来创建一个新的参数集,从他们的值。最后一步是突变。部分新个体(即。,parameter combinations) will be randomly selected and modified, to maintain diversity within the population and inhibit premature convergence. This process was repeated until the convergence of the calibration. In this study, population size, crossover rate, and mutation rate were set as 10, 0.6, and 0.3, respectively. All calibration processes converged within 80 generations.

表3显示了遗传算法收敛后的最优参数值,为每一个拖把的选择。注意,多准则校准结果基于进展和平均旅行时间也被报道在表2。结果的基础上每一个有效的拖把,多准则标定策略基于有效的拖把的进一步应用。每个拖把是重量和校准的目的是设置为

在哪里的重量是拖把;的绩效指标拖把(例如,日军队列长度);是向量的参数校准。

多准则优化问题多年来一直研究[22,23]。在这项研究中,平等权重被用于GA校准。(即在多准则的场景。,旅行时间和队列长度,旅行时间& headway, headway and queue length), the scenario based on headway and travel time showed the best overall calibration performance.

图2说明了整个校准过程研究中的应用。

检查不同的拖把校准性能的影响,有效和安全的角度考虑。有效措施性能验证校准的相同。每个冲突类型,三个基于措施被选来验证校准性能,包括冲突数、平均温度记录,和普通的宠物。在大多数文献,只有冲突数量通常用于模型验证。然而,准确反映实际车辆交互,具体冲突指标也认为一样重要。表4介绍了校准的验证表演,日军。注意,为基于校准,只有每个冲突类型最好的表演。

交叉冲突,基于标定策略导致了日军最低(29%),总数量的冲突。这是合理的,因为冲突数的直接校准目标是基于校准。在有效的拖把,进展分布似乎是一个更好的校准目标比平均出行时间和平均队列长度,呈现34%的日军交叉冲突。此外,它有18%的日军平均温度记录和23%日军平均宠物,这是比安全拖把。在尾端的冲突,基于安全拖把(即校准。,conflict counts) resulted in the lowest MAPE (21.4%) for conflict counts, followed with average travel time (24.2%). However, as for average TTC and PET, average travel time appeared to be the best MOP among all, with the lowest MAPEs. For lane change conflicts, average travel time was shown as the best MOP for calibration, with the lowest MAPE for conflict counts, average TTC, and average PET. On the other hand, calibrating safety MOPs appeared to be unable to reflect actual vehicle interactions, in terms of presenting relatively high MAPEs for detailed safety-based verification measures (i.e., average TTC and PET).

通常是合理的,基于校准可以导致降低冲突的地图。以前的文献也报告了类似的结果,声称这些策略的优势与传统effective-based校正策略。然而,在这项研究中,基于策略被发现较低的平均TTC和宠物的地图。

进展分布似乎是最好的校准目标交叉冲突,呈现地图最低平均TTC和宠物。然而,它没有执行很好反映出其他两种类型的冲突。平均旅行时间更好地反映实际的车辆交互的追尾冲突,车道改变冲突。然而,它为交叉冲突提供了相对较高的地图。平均队列长度通常导致高对所有三种冲突类型映射。因此,进展分布和平均旅行时间似乎互补匹配模拟车辆交互与实际车辆交互。更重要的是,他们可比,甚至比安全拖把用于校准在这项研究。因此,它是合理的期望多准则有效校准基于两个拖把可以比一个安全有效的拖把,拖把。这是证明(即多准则的校准结果。,进展分布 and average travel time), which provided reasonable MAPEs for all verification measures. Even some MAPEs are slightly higher than calibration based on single effective/safety MOPs, the results can still be considered as acceptable due to the randomness of simulation nature as well as the potential trade-off between two effective MOPs.

5。校准结果进行验证

检查拖把的影响选择的可转让性仿真标定表演,另一个十字路口是研究基于相同的校准过程。首先,敏感性参数被发现与测试网站。然后,基于单有效的拖把和校准工作安全进行了拖把。校准细节如表所示5。同样,基于校准无法获取详细的车辆交互,平均TTC和宠物。对于有效的拖把,平均旅行时间似乎是最好的校准目标车道改变冲突和进展分布优于其他拖把有最低日军交叉冲突。在尾端的冲突、平均队列长度和平均旅行时间有类似的地图。平均队列长度稍微更好的平均宠物和TTC地图。

由于这些影响,基于多准则进行了校准工作的平均旅行时间分布和进展。结果符合测试网站。再一次,多准则校准似乎之间找到一个平衡两个单有效拖把通过提供可以接受的性能在实际反映了所有类型的车辆交互(即。穿越,后端,车道改变)。也优于基于校正策略。据报道在表校准表演6。

进一步检查校准表演,lane-based测试也被应用。图3显示了模拟观测(基于多准则校准)和实际观察,每个车道一小时的聚合。所有性能指标报告,包括日军,相关性,RMSE, MSE和梅。一般来说,多准则校准合理反映lane-based拖把,两个站点。

此外,TTC /宠物分布的实际冲突,基于标定的结果,和多准则校准比较,两个网站。详细信息如附件所示C和D。它可以发现多准则校准结果模拟TTC和宠物分布,更类似于实际的TTC /宠物分布比基于校准。卡方测试同时进行。发现没有明显区别模拟和实际TTC /宠物在大多数情况下,对多准则校正策略。

6。结论

本文探讨了各种拖把选择对仿真模型校准的影响表现,反映实际交通流的条件和信号交叉路口的车辆交互。两个十字路口在奉贤,上海,在研究:选择一个站点是用于测试这些影响,另一个网站是用于验证。平均旅行时间(即。,time passing the intersection), average queue length, and headway distribution were used as effective MOPs for model calibration, which were also commonly used in previous literature. Actual vehicle interactions were represented by traffic conflict data collected in the field. Conflicts were carefully determined by four reliable trained observers, while detailed conflict metrics (e.g., TTC, PET) were manually calculated. The counts of three conflict types (i.e., crossing, rear-end, and lane change) were selected as safety MOPs for simulation calibration. A commercial simulation package, VISSIM, was utilized to develop base simulation models for the two intersections, based on fundamental geometric, traffic, and control data.

测试网站,驾驶行为参数VISSIM检查的敏感性的有效拖把,拖把以及安全。LHS-based标定方法是早期采用确保参数组合的全面采样。这样做,正确地运用方差分析测试可以检查每个参数的敏感性。遗传算法(GA)是用来校准进行了微观仿真模型和比较在不同的拖把,在检查模拟输出和实际数据之间的一致性。结果表明,平均旅行时间比其他有效的拖把,呈现的最低平均TTC和宠物的地图。进展分布被发现,以更好地反映跨越车辆相互作用,产生较低的平均TTC地图和宠物交叉冲突。另一方面,只有使用冲突计数模型校准并没有导致更高的一致性模拟与实际车辆之间的相互作用,特别是对于详细的冲突指标(即。,平均TTC和宠物)。多准则标定策略基于进展和平均旅行时间显示相当大的模拟输出和实际数据之间的一致性。虽然它没有超越单一的有效的拖把或安全拖把在每一个方面,它被认为是一个有前途的选择来模拟实际交通状况和车辆交互。为了进一步研究这些影响的可转让性,另一个路口应用相同的校准过程。 Similar results were also found.

基于研究结果,可以得出一些结论如下:(1)不同的有效的拖把有不同的敏感性参数模型校准;(2)不同的有效的拖把有自身优势的反映实际车辆交互;(3)冲突数量可能不是最优安全拖把仿真标定,反映实际的车辆交互;(4)冲突数量相比,使用多个拖把导致更好的校准性能反映车辆交互,特别是详细的冲突指标(即。、TTC和宠物)。因此,基于有效的多准则标定策略拖把可以考虑来模拟实际交通状况和车辆交互。

诚然,这一研究也有一些需要进一步解决的问题。首先,只有两个十字路口被认为是在这个研究。它可能不足以确定结果的可转让性。然而,这一方面是由于收集安全拖把的难度,也强调了校准正确有效的拖把的必要性作为替代。未来的验证研究可能将更多的十字路口和数据收集工作。第二,更复杂的校正策略在未来可以检查。目前,平等权重被用于校准。然而,有趣的是识别校准不平等的影响权重。同时,相比其他基于标定的方法也可以,比如两级标定策略7]。第三,更有效的拖把可以检查,如平均数量的停止。此外,除了路口十字路口交通设施可以检查验证的可转让性各种拖把校准目标的影响。我们建议未来的研究可以关注这些主题。

附录

一个。

见表7。

B。

见表8。

C。

参见图4。

D。

参见图5。

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(批准号。51508093、51608114和51408322)和基础研究基金为中央大学# 2242018 k40008。

引用

1. 诉Gallelli, t . Iuele r . Vaiana, a . Vitale”调查校准微观参数的可转让性的作战性能分析在环形路,“《先进的交通工具卷,2017篇文章ID 3078063, 10页,2017。视图:出版商的网站|谷歌学术搜索
2. p . j . Hourdakis Michalopoulos, j . Kottommannil”实用程序校准微观交通仿真模型”《民国82年会议论文的纲要卷。1852年,2003年1月。视图:谷歌学术搜索
3. d . Duong f . Saccomanno, b . Hellinga”校准微观交通模拟模型的安全性能,”《民国89年会议论文的纲要,2010年1月。视图:谷歌学术搜索
4. b .公园和h .气”,开发和评估的过程仿真模型的校准,”交通研究记录卷,1934年,第217 - 208页,2005年。视图:出版商的网站|谷歌学术搜索
5. y, j .太阳,a . Kondyli“实证框架基于均匀设计的十字路口优化,“《先进的交通工具卷,2017篇文章ID 7396250, 10页,2017。视图:出版商的网站|谷歌学术搜索
6. m . c . Li Karimi)和c . Alecsandru“微观仿真车辆车道入住率很高的安全性和操作评估:一个案例研究中,“《先进的交通工具卷,2018篇文章ID 5262514, 12页,2018。视图:出版商的网站|谷歌学术搜索
7. 刘黄f p、h . Yu和w·王,“识别如果VISSIM仿真模型和SSAM提供合理估计领域测量信号交叉路口的交通冲突,”事故分析和预防,50卷,第1024 - 1014页,2013年。视图:出版商的网站|谷歌学术搜索
8. r .风扇,h . Yu, p . Liu和w·王,“利用VISSIM仿真模型和代理安全评估模型估算现场测量在公路交通冲突区域合并,“专业智能运输系统,7卷,不。1,第77 - 68页,2013。视图:出版商的网站|谷歌学术搜索
9. e·穆罕默德·t·赛义德,“可转移性校准微观分析模拟模型参数的安全评估使用模拟冲突,”事故分析和预防卷。84年,41-53,2015页。视图:谷歌学术搜索
10. e·穆罕默德·t·赛义德,“比较PARAMICS和VISSIM估计自动化活动区实测信号交叉路口的交通冲突,”《先进的交通工具,50卷,不。5,897 - 917年,2016页。视图:出版商的网站|谷歌学术搜索
11. c . c . Wang, j .夏z钱,和l . Lu”结合使用微观交通仿真和极值方法进行交通安全评价,“交通研究部分C:新兴技术卷,90年,第291 - 281页,2018年。视图:出版商的网站|谷歌学术搜索
12. 美国尼古拉斯·t·赛义德,“概率框架自动化分析的接触碰撞,”《民国87年会议论文的纲要,2008年1月。视图:谷歌学术搜索
13. r . Danescu f . Oniga、美国Nedevschi和m . Meinecke”跟踪多个对象使用粒子滤波器和数字高程地图”学报2009年IEEE智能车辆研讨会(IV)西安,页88 - 93年,中国,2009年6月。视图:出版商的网站|谷歌学术搜索
14. z Cai、顾z z l . Yu h . Liu和k·张,“实时视觉物体跟踪系统基于卡尔曼滤波器和MB-LBP特性匹配,”多媒体工具和应用程序,卷75,不。4、2393 - 2409年,2016页。视图:出版商的网站|谷歌学术搜索
15. f . Cunto和f·f·Saccomanno校准和验证的模拟信号交叉路口的车辆安全性能”事故分析和预防,40卷,不。3、1171 - 1179年,2008页。视图:出版商的网站|谷歌学术搜索
16. 王c和n . Stamatiadis“基于仿真的代理安全指标评价,”事故分析和预防卷,71年,第92 - 82页,2014年。视图:出版商的网站|谷歌学术搜索
17. d . j .太阳、l . Zhang和f . Chen”比较研究模拟表演CORSIM和VISSIM为城市街道网络,”仿真建模实践和理论卷,37 ~ 29,2013页。视图:出版商的网站|谷歌学术搜索
18. d .太阳和l . Elefteriadou”研究和实施基于驱动程序的行为,换道模型”交通研究记录,没有。2161年1 - 10,2010页。视图:出版商的网站|谷歌学术搜索
19. d . j .太阳和l . Elefteriadou”换道行为城市街道上:一个车载experiment-based研究领域,“计算机辅助土木与基础设施工程,27卷,不。7,525 - 542年,2012页。视图:出版商的网站|谷歌学术搜索
20. 联邦高速公路管理局(供料),代理安全评估模型和验证:最终报告供料-荷尔蒙替代疗法- 08 - 051联邦高速公路管理局,华盛顿,洗,美国,2008。
21. b .公园和j .赢了,交通微观仿真模型校准和验证手册:实验室操作交通研究中心,弗吉尼亚州夏洛茨维尔的弗吉尼亚大学弗吉尼亚州,美国,2006年。
22. 陈x z . Liu,问:孟和金,“远程公园和道路网络均衡模型及其应用”,交通研究B部分:方法论卷。117年,37 - 62年,2018页。视图:出版商的网站|谷歌学术搜索
23. z . Liu s . Wang w·陈,y郑,“董事会的意愿:小说概念建模排队的乘客,“交通研究B部分:方法论卷,90年,第82 - 70页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018王陈和成成徐。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。