Python交通流仿真【含源码】.pdf

Python交通流仿真 【含源码】 虽然交通并不总是畅通⽆阻，但汽车⽆缝穿越交叉路⼝，在交通信 灯处转弯和停车看起来相当壮观。这种沉思让我思考交通流对⼈类⽂明 的重要性。 在此之后，内⼼的书呆⼦特质让我忍不住思考⼀种模拟交通流的⽅法。我在⼀个涉及交通流量的本科项 ⽬上投⼊了⼏个星期的时间，深⼊到 不同的模拟技术，最终选择了⼀个。 在本⽂中，我将解释为什么交通流模拟很重要，⽐较不同的⽅法来模拟交通流，并呈现仿真结果 （以及源代码）。 1、为什么要模拟交通流？ 模拟交通流的主要原因是在没有真实世界的情况下⽣成数据。你可以使⽤软件运⾏模型来预测交通流，⽽不需要在现实世界中安装传感器来 测试新的管理思路如何影响现实世界。这有助于加速交通流系统的优化和数据收集。仿真是实际测试更便宜、更快捷的替代⽅案。 训练机器学习模型需要巨⼤的数据集，这些数据集的收集和处理成本可能很⾼。通过模拟交通流在程序上⽣成数据可以很容易地适应所需的 数据类型。 2、建 模 要分析和优化交通系统，我们⾸先必须对交通系统进⾏数学建模。这种模型应根据输⼊参数 （路⽹⼏何、每分钟车辆、车速等）真实地表⽰ 交通流量。 交通流系统模型通常分为三类，具体取决于它们在哪个级别上运⾏ ： 微型模型 ：分别代表每辆车，并尝试复现驾驶员⾏为。 宏观模型 ：从交通密度 （每公⾥车辆）和交通流量 （车辆每分钟）的⾓度描述车辆的整体移动。它们通常类似于流体的流动。 中观模型 ：是结合微观和宏观模型特点的混合模型，将流量建模为车辆的包。 在本⽂中，我将使⽤微观模型。 3、微观模型 在微观模型中使⽤驾驶员模型描述单个驾驶员/车辆的⾏为。因此，它必须是⼀个多代理系统，即每辆车都使⽤来 ⾃其环境的输⼊ ⾃⾏运 ⾏。 在微观模型中，每辆车都编 为i。第i辆车跟随第 （i- 1）辆车。对于第i辆车，我们将⽤xi表⽰其沿路的位置，⽤vi表⽰其速度，以及li表⽰其 长度。每辆车都是如此。 我们将⽤si表⽰保险杠到保险杠的距离，⽤ Δvᵢ 表⽰第i辆车和前⾯的第i- 1辆车之间的速度差异。 4、智能驾驶员模型 （IDM） 2000年，Treiber, Hennecke 和 Helbing开发了智能驾驶员模型，它描述第i辆车的加速度是其变量和前⾯车辆的变量的函数。动态⽅程 的定义为 ： 在我解释这个模型背后的直觉之前，我应该先解释下这些符 代表什么。 我们已经谈到了sᵢ, vᵢ, andΔvᵢ。其他参数包括 ： s0i ：是第i辆车和第i- 1辆车之间的最⼩期望距离。 v0i ：是第i辆车的最⼤期望速度. δ：是加速度指数，它控制着加速度的平滑度。 Ti ：是第i辆车的驾驶员的反应时间。 ai ：是第i辆车的最⼤加速度。 bi ：是第i辆车的舒适减速度. s* ： 是第i辆车和第i- 1辆车之间的实际期望距离。 ⾸先，我们将看看s* ，这是⼀个距离，它由三部分组成。 s0i ：如前所⾔，是所需的最⼩距离。 viTi ：是反应时间的安全距离。这是车辆在驾驶员反应 （刹车）前⾏驶的距离。由于速度是随着时间推移⽽保持的距离，距离是速度乘 以时间。 (vᵢ Δvᵢ)/√(2aᵢ bᵢ) ：这个有点复杂，这是⼀个基于速度差的安全距离。它表⽰车辆在⾮紧急刹车时 （减速度应⼩于bi），不撞到前⾯的 车辆的前提下所需的距离。 5、智能驾驶员模型的⼯作原理 车辆假定沿着⼀条直道⾏驶，并假定遵守以下⽅程 ： 为了更好地了解这个等式，我们可以将其⼀分为⼆。我们有⼀个⾃由道路加速度和交互加速度。 ⾃由道路加速度是 ⾃由道路上的加速，即没有车辆的空路。如果我们绘制加速度作为速度vi的函数，可以得到 ： 我们注意到，当车辆静⽌ （vi=0）时，加速是最⼤的。当车速接近最⾼速度时，加速变为 0。这表明，⾃由道路加速度将加速车辆到最⾼速 度。 如果我们绘制不同值的 δ的 v-a 图，我们会注意到它控制驾驶员在接近最⼤速度时减速的速度。这反过来⼜控制了加速度/减速度的平滑 度。 交互加速度与与前⽅车辆的交互有关。为了更好地了解它是如何⼯作的，让我们考虑以下情况 ： 在 ⾃由路上 （si s*） ： 当前⾯的车辆很远时，即si远远⼤于车辆之间所需的安全距离s* ，交互加速度⼏乎为0。这意味着车辆将受到⾃由道路加速的制约。 在⾼接近速率 （(Δvᵢ） ： 当速度差很⼤时，交互