[发明专利]基于多智能体活动模型的城市交通规划仿真方法及系统

摘要

本发明涉及一种基于多智能体活动模型的城市交通规划仿真方法及系统，该方法包括如下步骤：首先获取城市道路信息，生成路网信息文件；再根据得到的调查数据，生成初始交通需求及初始的日活动计划；然后将日活动计划加载到路网信息文件上；接下来计算出每个被调查对象的效用值及计划选择概率；最后进行迭代过程，输出仿真结果。该系统包括以 http通信方式通信的客户端和服务器终端。本发明放弃了四阶段交通模拟方法，完全采用基于活动模型的交通需求生成和分配方法，融合使用多智能体技术和遗传进化算法，用效用最优限制生成最优路径和选用最优路径，达到交通工具和路网的最大使用效益，减少交通事故和交通拥堵。

主权项

一种基于多智能体活动模型的城市交通规划仿真方法，其特征在于：包括如下步骤：步骤一、获取高分辨率的城市道路信息，生成路网信息文件；步骤二、抽取被仿真城市5~10%的样本人口，对其做交通出行行为调查；所述的交通出行行为调查为日出行时间和活动类型的调查；根据该调查数据，生成初始交通需求；步骤三、根据步骤二的调查数据，对每一个被调查对象生成一个日活动链文件；步骤四、根据步骤三的日活动链文件，生成初始的日活动计划，让每一个被调查对象存储该日活动计划，记为Plan0；步骤五、利用基于事件的排队模型时序执行日活动计划，将每个被调查对象的日活动计划加载到步骤一中的路网信息文件上；步骤六、按照每个被调查对象的活动链文件计算每个被调查对象的效用值；所述的每个被调查对象的效用值的计算公式为： U plan = Σ i = 1 n ( U act , i + U travel , i + U wait , i + U short , i ) 其中，Uplan为一个被调查对象的n个活动总效用值，Uact,i为执行活动i的效用值，Utravel,i为完成活动i所需的出行行为的效用值，Uwait,i为等待执行活动i的惩罚效用值，Ushort,i为活动执行时间太短的惩罚效用值，这里i表示的是第i个活动；步骤七、对初始日活动计划进行迭代优化，生成日活动计划二，依次迭代生成多个类似日活动计划；假设当前执行的是日活动计划Plank,k>=2，则在此步骤中，要求上传此前迭代产生后对象存储的两个日活动计划Plank‑1和Plank‑2，这里k是当前的迭代次数；步骤八、按照离散选择模型计算出每个被调查对象的计划选择概率，概率计算公式为： P ( i ) = e β plan U plan , i Σ j e β plan U plan , j 其中，P(i)是当前计划i在总的j个计划中的被选中概率，Uplan,i、Uplan,j分别为步骤六中效用公式计算出的当前计划i和第j个计划的效用值，βplan为控制参量，一般取为βplan=2.1；步骤九、进行迭代过程是否结束的判定，判定的依据是在现有路网最大服务水平和设施条件下多个被调查对象的活动安排能达到最大的效用值，能达到供求平衡状态；步骤十、当达到迭代结束条件时，迭代结束，输出选定的最优日出行活动计划文件、路 网文件、活动设施使用文件、路段抵达、离开和中转车辆数量分时段统计图、日活动计划效用统计图和出行距离统计图；当没有达到迭代结束条件时，必须转到再计划模块，利用遗传进化算法对被调查对象所存储的多个活动计划进行选择、交叉、变异，顺序迭代步骤五→步骤九的过程，直到达到迭代结束条件跳出迭代过程，输出选定的最优日出行活动计划文件、路网文件、活动设施使用文件、路段抵达、离开和总体车辆数量分时段统计图、日活动计划效用统计图和出行距离统计图。