黄宇+达魏霞 王迤冉
摘要：为了能准确地重构出当前道路场景中的交通流事件，需要合适的模型与方法以及能够代表交通流状态的实时数据。基于交通流非线性非高斯的特点，提出了一种基于序贯Monte Carlo方法的交通流堵塞事件重构模型。提出的模型能够不断的同化真实道路上实时的传感器数据使仿真中的交通流状态与真实路况不断接近。通过分析仿真数据推测出当前真实道路上的堵塞事件及其相关属性，并据此在仿真环境中模拟堵塞，进而实现对真实道路上堵塞事件的重构。理论研究和实验结果表明该模型能够根据重构结果评估当前的道路狀况，合理推测引起拥堵的位置与堵塞范围。
关键词：城市交通；交通流仿真模型；序贯蒙特卡洛算法；动态数据驱动；堵塞事件；事件重构
中图分类号：TP391.9，TP391.41文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.030
1引言
为解决日益严重的交通拥堵问题，研究预测交通流规律的方法与模型，重构交通事件以及探索有效缓解交通拥堵问题的方案已经成为当前的研究热点。交通流具有非高斯、非线性、高维随机的特点，仅通过静态数据则很难准确重构出上述事件。如果对能够反映道路关键性质的实时数据加以充分合理应用，是提高交通事件重构精确性的有效方法之一[1]。
事件重构如今在很多领域都有着较为广泛的应用，比如数字滤波[2]、电力系统[3]、微观粒子研究[4]等。很多场景存在非线性、大数据等特点，导致事件重构的过程十分复杂，引起了学术界的重视。比如，在文献[5]中，作者就提出并实现了一个基于动态数据驱动的火灾蔓延预测模型（DEVS-FIRE），该模型使用序贯Monte Carlo方法（SMC），根据火灾现场传感器数据以及当地风向、地理数据来更新模型状态进而跟踪火灾边缘的变化。在交通系统中，SMC方法同样也能够很好地将实时数据进一步同化到仿真模型中来提高估计的精确度。文献[6]中，作者详细阐述了SMC算法在交通预测中的实验原理，通过迭代过程中仿真与真实道路场景的交通流状况的对比，进一步验证了SMC算法在交通流预测中的合理性和可行性。
为了能够准确评估交通流，本文结合动态数据驱动思想，并采用SMC算法，将能够反应道路真实特征的实时传感器数据同化到交通流重构模型中，根据仿真结果来动态调整实时数据类型及仿真模型，进而重构出当前道路上所发生的事件。
2相关概念
动态数据驱动应用系统（Dynamic Data Driven Application Systems，DDDAS）是由美国自然科学基金（NSF）在2000年所提出的一种研究概念。DDDAS允许一个运行着的系统来动态接受额外实时数据以便来选择性的加强或重定义原模型；同样，运行系统能够控制实时数据，从而使仿真与实际相结合。经过十多年来的发展，DDDAS目前已经在材料损伤预测[7]，光学跟踪[8]，无人机控制[9]等领域得到了较为广泛的应用。在文献[10]中，Darema F.等提出了制约DDDAS应用的4个关键问题：仿真系统、数学算法、系统软件、测量接口。只要解决了上述四个问题，DDDAS能够运用在很多复杂的场景状态。
序贯Monte Carlo算法一般也称为粒子滤波算法，是一种基于Monte Carlo算法来解决非线性非高斯动态系统的状态递归估计问题的数据同化方法。SMC算法核心思想是利用状态空间的一组加权随机样本粒子去逼近状态的后验概率分布，该概率分布仅仅是真实分布的一种近似，其非参数化的特点，使它有效摆脱了非线性滤波问题解决时所必须满足高斯分布的约束条件问题，导致其对变量参数的非参数性有更强的建模能力，因此其在非线性、非高斯的系统中有着广泛应用。SMC一般包含三个步骤：粒子产生、权重的计算和重采样。
MovSim是由Arne Kesting， Martin Budden，Ralph Germ和Martin Treiber发起的基于车道的微观交通仿真模型。其支持包括连续时间模型、迭代映射和元胞自动机模型等跟车模型。考虑到MovSim所具有的强大路网描述能力，以及其对各种车辆模型的支持以及方便研究者的特殊用途，再加上其开源的特性能够方便我们对其增加SMC方法并对接收实时数据提供接口，所以本文选用MovSim作为交通流仿真平台。
3基于SMC的交通流事件重构
3.1基于SMC的交通流事件重构框架
结合Darema F所提出的制约DDDAS应用的四个问题，本文采用MovSim作为仿真系统软件的基础，对其添加接收实时数据接口，并利用序贯Monte Carlo算法将测量数据同化到仿真模型中，从而提出图1所示的交通流事件重构框架。该框架主要包括交通流仿真模型和数据同化模型。交通流仿真模型可根据统计的道路以及车辆的基本信息对仿真粒子加以初始化，并根据设定的跟车、换道等模型模拟车辆运行状态，不断仿真下一时刻的交通流数据；数据同化模型则结合DDDAS思想，利用SMC方法不断的将能够反映真实道路状态对应的实时数据注入到仿真模型中，从而优化仿真模型中的粒子集，使其不断接近真实道路场景。虽然该模型能够解决普遍的交通流事件重构问题，但本文主要针对由于某种原因导致的堵塞事件进行重构。
3.2事件重构的方案设计
本文针对道路上的堵塞事件进行重构，其起因可以是一起交通事故或者车道检修等致使道路上的若干车道无法通车。假设道路上无法通车的位置为P，并将道路记为N个路段的集合，则可以利用fData[1-N]（t-1）表示t-1时刻各路段的交通流状态。此刻，道路网的交通流状态可以表示为RN（t-1）=fData[1-N]（t-1），P。为了评估仿真系统中的车辆状态，这里利用测量模型（MM）将仿真数据与实时交通数据加以对比。假设道路上预设了K组传感器，每个传感器都能够监测到附近道路上诸如车辆平均速度、车辆密度等数据。在t-1时刻，传感器监测的K组数据记为rData[1-k]（t-1），因此t-1时刻真实的道路场景特征可以描述为：RRN（t-1）={rData[1]（t-1），rData[2]（t-1），…，rData[k]（t-1）}。为方便仿真数据与实
