基于线性策略的交叉熵算法的交通仿真模型参数标定方法
【专利摘要】本发明公开一种基于线性策略的交叉熵算法的交通仿真模型参数标定方法，具体的步骤如下：以跟驰模型为例，选取两车之间的车头间距以及后车速度作为评价指标，确定目标函数的形式，从而确定参数标定的目标；采集所需要的交通数据；根据所确定的跟驰模型以及交通数据，确定待标定的参数及其对应的有效取值范围；利用交叉熵算法对上述跟驰模型进行参数标定计算；计算过程中采用线性策略确定样本数量：设下一迭代的样本的生成数量与当前迭代的样本的方差存在一个负的线性关系，即当前样本方差越大，下一次迭代时样本的生成数量越大，方差越小，样本生成数量越小；直到样本的方差小于交叉熵算法预设的阀值，最后输出样本的均值作为标定的最优值。
【专利说明】
基于线性策略的交叉熵算法的交通仿真模型参数标定方法
技术领域
[0001] 本发明涉及交通仿真参数标定的技术领域，尤其是涉及一种基于线性策略的交叉 熵算法的交通仿真模型参数标定方法，是一种参数标定方法的改进。
【背景技术】
[0002] 针对当前日益严重的交通拥堵问题，微观交通仿真模型在分析和处理复杂交通情 景日益发挥重要作用。以跟驰模型为例，该模型引入较多的独立参数来模拟驾驶员在不同 交通情景下的驾驶行为。然而，驾驶员的驾驶行为随着驾驶员的不同而不同，此外，在不同 的时间不同的地点同一驾驶员的行为也会发生变化。因此，在跟驰模型作为仿真工具模拟 驾驶行为之前，必须利用实测数据对跟驰模型进行参数标定，从而提高微观交通仿真模型 的精度。
[0003] 在以往有关参数标定算法的研究中，主要以随机搜索方法为主，例如遗传算法、模 拟退火算法、交叉熵算法等。这些算法的主要思想都是在迭代过程中，采用各自的策略，提 高下一次迭代中的模型的精确度。其中交叉熵算法以其简洁和完备的理论基础，日益得到 广泛的应用。该算法基于蒙地卡罗思想，在每次迭代的过程中不断逼近最优的参数的概率 敏度函数，从而快速定位最优的参数组合。然而，传统的交叉熵算法在每次迭代中都生成相 同数量样本，特别是当样本方差较小时，数量相同的样本并不会提高搜索最优值的精度，反 而会增大重复的仿真次数，这一过程会耗费大量的时间。
【发明内容】
[0004] 本发明的目的是克服现有交叉熵技术中存在的不足，提供一种基于线性策略的交 叉熵算法的交通仿真模型参数标定方法，是一种线性策略来确定每一次迭代的样本生成数 量，减少重复的仿真次数，提高交叉熵算法的计算效率，具有操作方便，实现参数标定的高 效化，保证参数标定的结果准确性，适应范围广的特点，并成功地将该算法应用到交通仿真 模型的参数标定中。
[0005] 为了实现上述目的，本发明的技术方案为：
[0006] -种基于线性策略的交叉熵算法的交通仿真模型参数标定方法，具体的步骤如 下：
[0007] a、选取两车间的车头间距以及后车的速度作为评价指标，确定目标函数的形式， 从而确定参数标定的目标。
[0008] 传统的参数标定的目标是最小化观测的交通流数据与仿真模型得到的交通流数 据之间的差异。如上所述，在跟驰模型中以两车的车头间距以及后车速度作为评价指标，因 此目标函数中交通流的对象就是车头间距以及速度，具体计算差异的形式为：
[0010]式中，S(x)表示目标函数的值，x表示跟驰模型的参数集;T表示总的仿真时长，t表 示某个仿真时刻表示在t时刻跟驰模型计算得出的车头间距，f表示在t时刻观测得 到的车头间距;vfm和if A分别表示在t时刻模型计算得出和观测得到的速度值;A为权重值， 入越高，表示在目标函数中车头间距的比重更高，反之，速度值的比重更高。
[0011] b、采集所需要的交通数据，并确定跟驰模型的形式;根据所建立的交通模型以及 实地测量数据，确定待标定的参数以及对应的有效取值范围。
[0012] 具体来说，标定跟驰模型需要的数据包括:前车行车轨迹(轨迹指的是某车在某个 时刻的速度、绝对位置、加速度等）、跟驰车的初始状态等。根据获得的实测数据，可以确定 跟驰模型的标定参数以及对应的有效取值范围。在智能驾驶模型中（跟驰模型的其中一 类），标定的参数包括最大加速度、期望减速度、期望速度、期望时间间距、最小车头间距。
[0013] c、利用交叉熵算法对上述跟驰模型进行参数标定的运算。在计算之前，采用线性 确定样本数量策略，即假设样本的数量与样本的方差存在一个负的线性关系，即当前迭代 的样本方差大，在下一次迭代时就需要大量的样本收集较优样本;当前迭代的样本方差少， 在下一次迭代时就采用少量样本，减少重复仿真的次数。直到样本的方差小于交叉熵算法 预设的阀值，最后输出标定的最优值。
[0014] 与现有技术相比，本发明的优点是：改进的交叉熵算法，在每一步迭代之前，通过 简单的线性关系就可以确定下一次需要生成多少数量的样本，从而保证交叉熵算法在初始 时有较大的搜索范围，在结束前有较高的计算效率。与传统的交叉熵算法相比，改进后的算 法可以适应更为复杂模型标定问题，并且假设的线性关系操作方便，适用范围广。
【附图说明】
[0015] 图1为标定跟驰模型的流程图。
[0016] 图2为改进交叉熵算法计算流程图。
【具体实施方式】
[0017] 下面结合附图和实例对本发明作进一步的说明。
[0018] 如图1所示，在跟驰模型投入微观仿真模拟驾驶员驾驶行为之前，需要经过参数的 标定过程，本实施例提出一种基于线性策略的交叉熵算法的交通仿真模型参数标定方法的 步骤包括：
[0019] a、选取评价指标并确定目标函数：
[0020] 在本发明的实例中，评价的标准是跟驰模型得出的交通流数据与观测得到的交通 流数据之间的差异最小。衡量差异的大小就是目标函数，而交通流流数据在跟驰模型中一 般采用后车在所有时刻的速度和绝对位置等信息。在实例中，目标函数的具体形式如下所 示：
[0022]式中，S(x)表示目标函数的值，x表示跟驰模型的参数集;T表示总的仿真时长，t表 示某个仿真时刻表示在t时刻跟驰模型计算得出的车头间距，表示在t时刻观测得 到的车头间距，车头间距是通过前车的绝对位置减去前车的车长再减去后车的绝对位置得 到的;和lfs分别表示在t时刻模型计算得出和观测得到的速度值;A为权重值，A越高，表 示在目标函数中车头间距的比重更高，反之，速度值的比重更高。
[0023]需要注意的是，目标函数的形式不同，得到的标定结果可能不同；目标函数中的评 价指标不同，得到的标定结果也可能不相同。因此，在本实例中，采用了两个评价指标的加 权数作为目标函数，并选择了合成数据进行标定。通过预设的最优值与标定结果对比，选择 能够最大化重现驾驶行为的目标函数组合(即得到最小的目标函数值），提高跟驰模型的描 述能力。
[0024] b、采集标定需要的交通数据并确定跟驰模型的形式：
[0025]在本实例中，标定需要的交通数据源是从NGS頂的项目得到的。该项目是美国高速 公路联邦组织实施的，通过建筑楼上架设摄像头记录加州1-80高速公路的信息。该组织通 过视频图像的技术处理，得到该高速公路上每辆车的行车轨迹，其中包括每辆车在某时刻 速度、加速度、绝对位置等，并公开得到的交通数据信息。根据采集的数据信息，本实例中选 择了智能驾驶模型，该模型引入了 5个变量模拟跟驰车的驾驶行为，并因其出色的描述能力 在研究中得到广泛的使用。标定的参数包括最大加速度、期望减速度、期望速度、期望时间 间距、最小车头间距。
[0026] c、数据的预处理：
[0027] NGS頂的轨迹数据是通过视频图像处理技术得出的，其中包含了较大误差，与真实 情况可能有较大的差别。为了与现实情况相一致，需要在标定之前对NGSM的数据进行预处 理。在本实例中，采用滤波的方法，把一些异常不合理的数据点直接清除，再使用线性插值 的方法重新添加合理的值。
[0028] d、采用改进的交叉熵方法进行智能驾驶模型的参数标定：
[0029] 确定了目标函数的形式，明确了标定的跟驰模型中的参数，收集了标定需要的所 有数据，下一步就是采用优化算法进行模型的参数标定工作。在本实例中，采用改进的交叉 熵算法进行参数的标定工作，具体流程如图2所示，步骤包括：
[0030] dl、在开始交叉熵算法之前，假设随机样本(参数）的数量与样本的方差存在简单 的负相关关系，即当前迭代的样本方差越大，下一迭代的样本数量越大，当前迭代的样本方 差越小，下一次迭代的样本数量越小；
[0031] d2、初始化样本的概率密度函数。本实例中采用正态分布生成随机样本，初始的参 数包括正态分布的均值和方差。初始时需要较大的方差，保证生成的随机样本具有较大的 搜索范围；
[0032] d3、交叉熵算法迭代开始就是按照线性关系确定样本的数量。如步骤dl所述，初始 时较大的方差会得到较大的样本数量，从而保证生成的数据样本充足并且涵盖所有可能的 取值；
[0033] d4、按照正态分布生成一定数量的随机样本；
[0034] d5、将每个样本分别输入智能驾驶模型，模拟驾驶员的驾驶情况，并收集每一时刻 驾驶员的驾驶速度和绝对位置。通过对比模拟得出的和观测得到的速度和绝对位置，得到 评价每一个样本的目标函数值；
[0035] d6、将得到的目标函数值从小到大依次排列，把产生最小目标函数值的前5%的样 本标记为精英样本;即精英样本就是在每次迭代中，能够产生最小目标函数值的参数集；
[0036] d7、判断当前的精英样本是否满足停止条件。本实例中的停止条件时精英样本的 方差小于一定的阀值。当不满足停止条件时，将根据精英样本的信息更新正态分布的均值 和方差，并且返回d3步骤，继续进行迭代。直到精英样本聚拢于最优样本附近，退出循环，记 录最优样本，并且结束交叉熵算法。
[0037] e、判断最优样本是否满足当前要求。本实例中通过预设目标函数的阀值判断最优 样本是否满足要求。假如不满足，则重新进行数据预处理工作，再进行参数标定，直到目标 函数值满足要求。
[0038]改进的交叉熵算法与传统交叉熵算法最大的区别就是样本数量随着方差的变化 而变化。传统交叉熵算法在每次迭代中都生成相同数量的随机样本，这在迭代初期是为了 保证算法的全局搜索性，但随着样本方差的缩小，再生成相同数量的样本，其中将存在较多 相同的样本，重复计算相同样本的目标函数值将降低算法的效率。改进的交叉熵算法通过 假设样本数量与样本方差的负相关关系，保证迭代初始拥有大量的数量覆盖样本所有可能 的取值，迭代后期减少相同的样本量，在不影响算法收敛的前提下减少仿真次数，提高算法 效率。实例的结果表明，改进的交叉熵算法比传统的交叉熵算法更快找到最优值，并且最优 值得出目标函数值更为精确，得到的交通流数据与观测的数据之间的差异更小。
【主权项】
1. 一种基于线性策略的交叉熵算法的交通仿真模型参数标定方法，其特征在于采用线 性关系生成样本量，具体的步骤如下： a、 选择跟驰模型作为交通仿真模型，选取两车之间的车头间距以及后车的速度作为评 价指标，确定目标函数的形式，从而确定参数标定的目标； b、 采集所需要的交通数据，并确定跟驰模型的形式;根据所确定的跟驰模型以及实地 测量数据，确定待标定的参数及其对应的有效取值范围； c、 利用交叉熵算法对上述跟驰模型进行参数标定计算，并采用线性策略确定样本数 量。2. 根据权利要求1所述的方法，其特征在于，步骤a中选取两车间的车头间距以及后车 的速度作为评价指标，确定目标函数的形式，具体为： 在跟驰模型中以两车间的车头间距以及后车的速度作为评价指标，则目标函数中，计 算的就是模型仿真的两车间的车头间距以及后车的速度与观测得到的数据之间的差异，具 体形式为：式中，S(x)表示目标函数的值，X表示跟驰模型的参数集;T表示总的仿真时长，t表示某 个仿真时刻表示在t时刻跟驰模型计算得出的车头间距，f表示在t时刻观测得到的 车头间距;和vp分别表示在t时刻模型计算得出的和观测得到的速度值;λ为权重值，λ 越高，表示在目标函数中车头间距的比重越高，反之，速度值的比重越高。3. 根据权利要求1所述的方法，其特征在于，所述步骤b采集所需要的交通数据包括前 车行车轨迹和跟驰车的初始状态;根据所确定的跟驰模型以及实地测量数据，确定待标定 的参数;在智能驾驶模型中，待标定的参数包括最大加速度、期望减速度、期望速度、期望时 间间距、最小车头间距。4. 根据权利要求1所述的方法，其特征在于，所述步骤c利用交叉熵算法对上述跟驰模 型进行参数标定计算，并采用线性策略确定样本数量，具体实现过程为： cl、设下一次迭代的随机样本的数量与当前迭代的样本的方差存在简单的负相关关 系，即当前样本方差越大，下一次迭代生成的样本数量越大，当前样本方差越小，下一次迭 代生成的样本数量越小； c2、初始化样本的概率密度函数，此处的样本指代跟驰模型的待标定参数； c3、迭代开始，首先按照线性关系确定初次迭代要生成的样本的数量； c4、假设样本的分布为独立正态分布，按照该分布生成一定数量的随机样本； c5、将每个样本分别输入跟驰模型，模拟驾驶员的驾驶情况，并收集每一时刻后车驾驶 员的驾驶速度和绝对位置;通过对比仿真得出的和观测得到的后车的驾驶速度和绝对位 置，计算目标函数式，得到评价每一个样本的目标函数值； c6、将得到的目标函数值从小到大依次排列，把产生最小目标函数值的前5%的样本标 记为精英样本;即精英样本就是在每次迭代中，能够产生最小目标函数值的参数集； c7、判断当前的精英样本是否满足设定的迭代停止条件；当不满足停止条件时，将根据 精英样本的信息更新正态分布的均值和方差，并且返回步骤c3，继续进行迭代;直到精英样 本聚拢于最优样本附近，退出循环，记录最优样本，并且结束交叉熵算法。
【文档编号】G06F17/50GK105930565SQ201610231247
【公开日】2016年9月7日
【申请日】2016年4月13日
【发明人】傅恺延, 钟任新
【申请人】中山大学, 公安部交通管理科学研究所