数据驱动的交通流微观建模与真实度评价

Traffic congestion is a common scene of popular cities in the world. This is a universal issue and can be hardly solved nowadays. Particularly, a complex system composed of pedestrians and moving cars is even more important and cannot be avoided in the study of traffic flow. Traffic simulation is a powerful tool that can provide scientific support for urban constructions and public security. By means of the theory of dynamics, human psychology, image processing and machine learning, this project investigates how to efficiently control and simulate the motions of traffic flows and evaluate the fidelity of the simulation results based on analyzing and learning from real-world traffic flow data. Specifically, we propose a new microscopic model for unified control of vehicle acceleration, deceleration and lane changing behaviors, based on the theory of social force and the perception of drive’s visual information. To generate realistic traffic flows, the model parameters are optimized and the model is extended to the simulation of non-ideal traffic conditions. In addition, to evaluate the performance of the proposed traffic control model, this project establishes a quantitative evaluation mechanism for the fidelity of generated traffic animation, by using data reconstruction method based on dictionary learning. The proposed force-based control model and general quantitative mechanism for simulation fidelity can provides technical supports for follow-up researches and developments of crowd animation.

在人口聚集的城市中, 交通拥塞是广泛存在且难以解决的问题。人与车辆交互所形成的复杂交通系统更是一项不可规避的研究课题。交通流模拟作为交通问题研究中一项重要且有效的手段，能为城市辅助建设和国家公共安全等提供科学支持。本项目从真实交通流数据的分析和学习角度出发，综合融汇动力学、心理学、图像处理和机器学习等领域的理论方法，探索如何高效地控制模拟汽车群组的真实运动并客观评价模拟结果的真实度。具体地，提出基于车辆驾驶员视角、以社会力为车辆交互形式的车辆微观控制模型，统一描述车辆加减速、变道等行为。并以此为基础，学习统计最优的模型参数，扩展研究混合交通下车辆与行人的交互模拟，生成尽可能逼真的虚拟交通流。另外，采用基于字典学习的数据重建方法, 建立模拟结果的真实度量化度量机制来评价车辆行为控制模型的性能。本项目提出的基于力的车辆微观控制框架和通用的真实度量化评价机制将为群组动画领域的后续研究提供技术支持

在人口聚集的城市中, 交通拥塞是广泛存在且难以解决的问题。人与车辆交互所形成的复杂交通系统更是一项不可规避的研究课题。交通流模拟作为交通问题研究中一项重要且有效的手段，能为城市辅助建设和国家公共安全等提供科学支持。本项目从真实交通流数据的分析和学习角度出发，综合融汇动力学、心理学、图像处理和机器学习等领域的理论方法，探索如何高效地控制模拟汽车群组的真实运动并客观评价模拟结果的真实度。具体地，提出基于车辆驾驶员视角、以社会力为车辆交互形式的车辆微观控制模型，统一描述车辆加减速、变道等行为。并以此为基础，将力的框架进行扩展，引入行人、非机动车的微观控制模型，研究混合交通下不同类型个体之间的复杂交互模拟，生成尽可能逼真的虚拟交通流。另外，采用基于字典学习的数据重建方法, 建立模拟结果的真实度量化度量机制来评价车辆行为控制模型的性能。通过三年的项目研究，本项目搭建了一个包含行人、车辆和自行车三种类型个体的复杂交通模拟平台，实现了混合交通流的模拟仿真。并在此基础上，对模型进行了简化和改进，在保证同样效果的情况下实现更加简洁高效的模拟。其次，本项目构建了一个客观评价任意交通流逼真度的机制，从大量真实世界交通轨迹中学习车辆行为的微观特征，搭建车辆行为字典，并以此作为评价逼真度的准则。最后，本项目对近十年交通模拟领域的进展做了主要回顾和综述，作为同行或对此领域感兴趣人士的参考。本项目提出的基于力的混合交通微观控制框架和通用的交通流逼真度评价机制将为群组动画领域的后续研究提供技术支持，同时也在无人驾驶领域，为无人驾驶的虚拟测试过程提供了一个可行的方案，使得虚拟城市增加逼近现实世界。