一种基于遗传算法和比功率的跟驰模型排放测算方法与流程

本发明涉及交通环境技术领域，特别涉及一种基于遗传算法和比功率的跟驰模型排放测算方法。

背景技术：

将微观交通仿真与排放模型结合，分析交通管理策略对机动车排放的影响，已经成为交通环境领域的一个研究热点。车辆跟驰模型，用于刻画跟驰后车不同状态下的瞬时速度与加速度，但目前在仿真中，由于跟驰模型刻画的跟驰行为太过激进，常常无法用于跟驰后车排放测算。而众多学者在对跟驰模型优化的研究中，尝试从模型参数调整入手，从而得到一个满意的结果。例如在耿中波对wiedemann74和fritzsche跟驰模型的优化研究中，首先对模型参数进行敏感性分析，其次对敏感性参数设置其阈值范围和参数取值步长，最后对参数采取两两交叉的方式进行取值，最终确定399种参数组合，这也是目前对跟驰模型参数优化最常用的方法。

上述研究方法虽然可以对模型仿真效果进行优化，但存在以下缺点：

(1)、在跟驰模型中，可以优化的参数众多，仅从参数敏感性分析提取关键参数进行优化不足以保证模型参数优化的全面性；

(2)、在对跟驰模型参数进行优化时，必须要确定的是模型的参数阈值范围和取值步长，这关系到最终模型参数组合；例如，如果对wiedeman74跟驰模型中的11个参数进行优化，每个参数通过设置阈值和步长得到10个组合，那么在对这个11个参数进行配对验证时就一共有10¹¹种参数组合，由于计算量过大，即使是高性能的计算机也无法在短时间内可以计算出结果；

(3)、在对跟驰模型优化用于排放测算的研究中，针对不同的跟驰模型往往需要进行多次敏感性分析，方可确定优化参数，降低了工作效率。

技术实现要素：

本发明实施例提供了一种基于遗传算法和比功率的跟驰模型排放测算方法，用以解决现有技术中存在的问题。

一种基于遗传算法和比功率的跟驰模型排放测算方法，包括：

s1、获取实测跟驰前车的逐秒速度和加速度数据，并对数据进行检查、清洗，确保获取数据的有效性；

s2、编程跟驰模型，根据实测跟驰前车的逐秒速度和加速度数据，仿真跟驰后车的逐秒速度和加速度数据，对比仿真跟驰后车和实测跟驰前车的机动车比功率vsp，作为排放评价指标，并计算仿真和实测均方误差mse；

s3、利用遗传算法对跟驰模型参数进行优化，得到模型最优参数解；

s4、基于车辆速度、加速度和vsp模型效果评价：利用所述s3中得到模型最优参数解，代入所述s2中，获取参数优化后的时间-速度、时间-加速度轨迹图和vsp分布图；

s5、基于速度-vsp排放模型效果评价，计算实际车辆排放量、参数优化前后跟驰模型车辆排放量，进行对比分析验证。

优选地，在所述s2中，所述根据实测跟驰前车的逐秒速度和加速度数据，仿真跟驰后车的逐秒速度和加速度数据包括：

s21、首先判断当前时刻跟驰后车处于哪种跟驰状态；

s22、然后根据各个跟驰状态不同的加速度计算方式，确定跟驰后车的仿真加速度，从而确定跟驰后车下一秒的仿真速度；

s23、然后根据跟驰后车的仿真速度、仿真加速度和实测跟驰前车的速度、加速度，循环仿真后一秒跟驰后车的速度、加速度。

优选地，在所述s2中，

所述机动车比功率vsp的计算公式为：

vsp＝v(1.1a+0.132)+0.000302v³

其中，v为速度，a为加速度；

所述仿真和实测均方误差mse的计算公式为：

其中：si为第i秒仿真vsp；ti为第i秒实测vsp。

优选地，在所述s3中，所述利用遗传算法对跟驰模型参数进行优化包括：

s31、参数选择和阈值设定：选定在跟驰模型中需要优化的参数和取值范围；

s32、种群二进制编码：将所优化的参数值转换为二进制编码；

s33、确定初始种群的数量：所选择的优化参数在参数范围内随机组成的个体数目；

s34、计算种群适应度函数：即优化目标的评价函数；

s35、选择操作：根据“物竞天择，适者生存”的原理，选择部分最优个体为下一代种群，对应上面的适应度函数，mse值越小，代表仿真后车和实测后车vsp分布越接近，在下一代中mse值较小对应的跟驰模型参数被保留的概率越大；

s36、交叉、变异操作：优化参数为二进制编码，如同一条染色体，我们对染色体进行交叉、变异操作相当于增加了下一代个体的随机性；

s37、最大迭代次数：即模型在迭代到设定的终止次数时，自动停止，输出模型的最优解；

s38、收敛容许误差：即当模型在子代和父代输出的最优解误差小于设定值时，模型自行终止，输出模型最优参数解。

本发明有益效果：本发明优化跟驰模型的全部参数，保证模型参数优化的全面性，利用遗传算法对所有参数进行交叉配对，既保证模型可以得到最优解，又可以利用遗传算法的特性减少模型参数的组合数，提高模型优化效率；同时由于本发明是利用遗传算法提出的一种优化方法，所以适用于众多跟驰模型，另外本发明利用遗传算法对跟驰模型参数进行优化后，与实测相比，模型仿真输出跟驰后车的时间-速度、加速度曲线有明显的改善，模型仿真输出跟驰后车的vsp分布曲线有明显的改善，vsp均方误差明显减小，排放总量估算误差也明显减小。

附图说明

图1为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的流程图；

图2为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的跟驰数据采集行车路线图和采集设备；

图3为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化前wiedemann74跟驰模型仿真vsp分布图；

图4为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化前fritzsche跟驰模型仿真vsp分布图；

图5为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化前后wiedemann74跟驰模型实测仿真时间-速度、时间-加速度曲线；

图6为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化后wiedemann74跟驰模型仿真参数优化后vsp分布图；

图7为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化前后fritzsche跟驰模型实测仿真时间-速度、时间-加速度曲线；

图8为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的参数优化前后fritzsche跟驰模型仿真参数优化后vsp分布图；

图9为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的实测与跟驰模型参数优化前后排放总量对比图；

图10为本发明实施例提供的一种基于遗传算法和比功率的跟驰模型排放测算方法的跟驰模型参数优化前后整体误差对比图。

具体实施方式

下面结合发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

参照图1-10，本发明提供了一种基于遗传算法和比功率的跟驰模型排放测算方法，

参照图1，包括：

s1、获取实测跟驰前车的逐秒速度和加速度数据，并对数据进行检查、清洗，确保获取数据的有效性；

s2、利用python编程跟驰模型，根据实测跟驰前车的逐秒速度和加速度数据，仿真跟驰后车的逐秒速度和加速度数据，即包括：

s21、首先判断当前时刻跟驰后车处于哪种跟驰状态；

s22、然后根据各个跟驰状态不同的加速度计算方式，确定跟驰后车的仿真加速度，从而确定跟驰后车下一秒的仿真速度；

s23、然后根据跟驰后车的仿真速度、仿真加速度和实测跟驰前车的速度、加速度，循环仿真后一秒跟驰后车的速度、加速度。

利用仿真输出跟驰后车的速度和加速度，做时间-速度曲线和时间-加速度曲线，对比仿真跟驰后车和实测跟驰前车的机动车比功率vsp，作为排放评价指标，相关研究表明，vsp和排放存在显著的物理意义，并计算仿真和实测均方误差mse，对比仿真和实测的差异；

所述机动车比功率vsp的计算公式为：

vsp＝v(1.1a+0.132)+0.000302v³

其中，v为速度，a为加速度；

所述仿真和实测均方误差mse的计算公式为：

其中：si为第i秒仿真vsp；ti为第i秒实测vsp。

s3、利用遗传算法对跟驰模型参数进行优化，得到模型最优参数解；

其跟驰模型参数校准流程图如图2所示。在基于遗传算法中，需要对遗传算法的一些关键参数进行设置，遗传算法具体参数及描述如下表1所示：

表1基于遗传算法跟驰模型优化参数设置

利用遗传算法对跟驰模型参数进行优化具体包括：

s31、参数选择和阈值设定：即选定在跟驰模型中需要优化的参数和取值范围；

s32、种群二进制编码：个体编码方式一般选择二进制，即将所优化的参数值转换为二进制编码，方便后续的交叉变异操作；

s33、确定初始种群的数量：即所选择的优化参数在参数范围内随机组成的个体数目；种群数量多少没有一个明确的数值，一般选取在200以内，但随着模型越复杂，所优化的参数多，初始种群数量就多。

s34、计算种群适应度函数：即优化目标的评价函数，在本发明中，计算的是实测后车和跟驰后车vsp的mse；

s35、选择操作：根据“物竞天择，适者生存”的原理，选择部分最优个体为下一代种群，对应上面的适应度函数，即mse值越小，代表仿真后车和实测后车vsp分布越接近，在下一代中mse值较小对应的跟驰模型参数被保留的概率越大；

s36、交叉、变异操作：优化参数为二进制编码，如同一条染色体，我们对染色体进行交叉、变异操作相当于增加了下一代个体的随机性；

s37、最大迭代次数：即模型在迭代到设定的终止次数时，自动停止，输出模型的最优解(最小mse)；

s38、收敛容许误差：即当模型在子代和父代输出的最优解误差小于设定值时，模型自行终止，输出模型最优参数解。

s4、基于车辆速度、加速度和vsp模型效果评价：利用所述s3中得到模型最优参数解，代入所述s2中，获取参数优化后的时间-速度、时间-加速度轨迹图和vsp分布图；

s5、基于速度-vsp排放模型效果评价，计算实际车辆排放量、参数优化前后跟驰模型车辆排放量，进行对比分析验证。

参照图2-8，本发明遗传算法对跟驰模型进行参数优化适用于wiedemann74，wiedemann99，fritzsche和fvdm等多种跟驰模型，下面以wiedemann74和fritzsche跟驰模型做以举例介绍。

步骤1：实测数据采集

本文分别选取西安市二环路、子午大道全段(快速路)、长安路的航天城到钟楼路段(主干路)、自强路全段(次干路)、东七路全段(支路)进行跟车试验，测试车辆选取一辆轻型汽油车，车型为福特福克斯，驾驶员驾龄为3年。数据收集采用hi-drive跟驰数据采集仪器，该仪器由前置激光、雷达和内置gps组成，可获取前后车间距、前后车速度差、本车速度、加速度等数据。

跟车测试车辆装配hi-drive设备，在不同等级城市道路上正常行驶，跟驰前车为行驶路线上随机车辆。因hi-drive设备在遇到隧道或立交受信号干扰可能会导致本车速度缺失，因此本文对数据丢失在5s以内的速度和加速度采用线性插法进行补全。而大于5s的数据丢失，则将其作为前后两段数据的分界点；hi-drive在弯道行驶过程中，容易出现前车数据丢失，因此本次试验数据只选取直线路段，剔除转弯对数据造成的影响；此外，由于车辆油耗，排放受道路坡度影响较大，对少数道路坡度较大的路段数据予以剔除，最终获取不同等级测试线路上逐秒跟驰驾驶行为数据。

步骤2：参数优化前效果评价

为了更加直观地对比两种跟驰模型对车辆跟驰后车仿真的效果，本发明选取了连续2500秒的实测行驶数据作为示例。在这段时间内，实测后车不仅有加速到限速行驶的接近自由流的状态，而且有紧急制动减速停止的行为，大部分时间，车辆的行驶工况比较稳定，同时也包括了车辆停车等待时间，此段时间速度曲线包含了全部的道路工况。在此基础上，本发明分别用wiedemann74跟驰模型和fritzsche跟驰模型两个生理-心理模型，用本发明所设计的数值仿真的方法，仿真虚拟后车的跟驰行为。

步骤3：利用遗传算法对跟驰模型参数进行优化

(1)、优化参数选择及参数取值范围设置，如下表2和表3所示

表2wiedemann74跟驰模型优化参数选择

表3fritzsche跟驰模型优化参数选择

(2)、对遗传算法本身参数设置如下表4所示

表4基于遗传算法跟驰模型优化参数设置

(3)、输出模型参数最优解如下表5和表6所示：

表5wiedemann74跟驰模型参数优化结果

注：()里面为参数优化前vsp均方误差

表6fritzsche跟驰模型参数优化结果

注：()里面为参数优化前vsp均方误差

步骤4：v、a和vsp模型效果评价

在表5和表6中可以看到参数优化后，vsp的均方误差有了明显的降低，为了更加直观的对比参数优化效果，本发明分别做出参数优化前后wiedemann74跟驰模型和fritzsche跟驰模型时间-速度、时间加速度和vsp分布图进行评价，

步骤5：基于速度和vsp排放计算结果改进效果评价

利用基于速度和vsp的排放算法，对实测后车和仿真车辆进行排放测算。分别计算实测车辆和仿真车辆参数优化前后排放总量。此处，基于速度-vsp区间的排放算法中排放总量计算公式如下所示：

式中：qi为各分区下对应的排放率，time_qi为在各分区持续时间。以一辆机动车为例，通过车载排放测试收集实测排放数据，可以得出不同速度-vsp区间对应的排放率表，如下表7所示：

表7排放率和v-vsp

参照图9，为实测车辆和跟驰模型参数优化前后各速度区间排放总量

本发明通过对比仿真和实测的整体排放总量进行了整体误差验证公式如下所示：跟驰模型参数优化前后与实测相比的整体误差图如图10所示：

式中：x为(co2、co、nox、hc)预测整体排放总量；y为实际整体排放总量。

综上所述，本发明优化跟驰模型的全部参数，保证模型参数优化的全面性，利用遗传算法对所有参数进行交叉配对，既保证模型可以得到最优解，又可以利用遗传算法的特性减少模型参数的组合数，提高模型优化效率；同时由于本发明是利用遗传算法提出的一种优化方法，所以适用于众多跟驰模型，另外本发明利用遗传算法对跟驰模型参数进行优化后，与实测相比，模型仿真输出跟驰后车的时间-速度、加速度曲线有明显的改善，模型仿真输出跟驰后车的vsp分布曲线有明显的改善，vsp均方误差明显减小。

以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。