基于NGSIM数据的Wiedemann99跟驰模型标定

基于NGSIM数据的wiedemann99跟驰模型标定 Including: 1. Code by Matlab; 2. 拟合优度函数(RMSPE)由SpaceHeadway & velocity组成; 3. 自己编写的IPSO(改进粒子群算法)进行求解。

最近在研究基于NGSIM数据对Wiedemann99跟驰模型进行标定，这里和大家分享下我的一些实践过程和心得。

一、整体思路

我们要利用NGSIM数据，通过特定的方法对Wiedemann99跟驰模型进行参数标定。在这个过程中，用到了Matlab编写代码，以拟合优度函数（RMSPE）作为评判标准，该函数由SpaceHeadway（间距）和velocity（速度）组成，并且采用自己编写的IPSO（改进粒子群算法）来求解模型参数。

二、Matlab代码实现

1. 数据读取与预处理

matlab 复制代码

% 假设NGSIM数据存储在一个文本文件中，格式为每一行包含车辆ID、时间、位置、速度等信息
data = readtable('ngsim_data.txt'); 
% 提取我们需要的间距和速度信息
spaceHeadway = data.SpaceHeadway; 
velocity = data.Velocity;

这里通过readtable函数读取NGSIM数据文件，将其存储为表格形式，方便后续提取特定的列数据，也就是我们需要的间距和速度信息，为后续计算拟合优度函数做准备。

2. 定义Wiedemann99跟驰模型

matlab 复制代码

function acceleration = wiedemann99Model(spaceHeadway, velocity, params)
    % params包含模型需要标定的参数
    a = params(1); 
    b = params(2); 
    c = params(3); 
    % Wiedemann99模型公式，这里假设具体公式为以下形式
    acceleration = a * velocity + b * spaceHeadway + c; 
end

这个函数定义了Wiedemann99跟驰模型，输入间距、速度以及模型参数，返回车辆的加速度。在实际模型中，参数a、b、c是我们需要通过标定确定的。

3. 拟合优度函数（RMSPE）

matlab 复制代码

function rmspe = calculateRMSPE(params, spaceHeadway, velocity, observedAcceleration)
    predictedAcceleration = wiedemann99Model(spaceHeadway, velocity, params); 
    % 计算预测加速度和观测加速度的相对百分比误差
    errors = (predictedAcceleration - observedAcceleration)./ observedAcceleration; 
    rmspe = sqrt(mean(errors.^2)); 
end

这个函数用来计算拟合优度RMSPE。首先根据当前的参数params通过wiedemann99Model函数得到预测加速度，然后计算预测加速度和观测加速度之间的相对百分比误差，最后对这些误差求均方根得到RMSPE。

4. 改进粒子群算法（IPSO）

matlab 复制代码

function [bestParams, bestRMSPE] = IPSO(spaceHeadway, velocity, observedAcceleration, numParticles, numIterations)
    % 初始化粒子位置和速度
    positions = rand(numParticles, 3); 
    velocities = zeros(numParticles, 3); 
    personalBestPositions = positions; 
    personalBestRMSPE = inf(numParticles, 1); 
    globalBestPosition = []; 
    globalBestRMSPE = inf; 
    
    for iter = 1:numIterations
        for i = 1:numParticles
            currentRMSPE = calculateRMSPE(positions(i, :), spaceHeadway, velocity, observedAcceleration); 
            if currentRMSPE < personalBestRMSPE(i)
                personalBestRMSPE(i) = currentRMSPE; 
                personalBestPositions(i, :) = positions(i, :); 
            end
            if currentRMSPE < globalBestRMSPE
                globalBestRMSPE = currentRMSPE; 
                globalBestPosition = positions(i, :); 
            end
        end
        % 更新粒子速度和位置
        for i = 1:numParticles
            r1 = rand(1, 3); 
            r2 = rand(1, 3); 
            velocities(i, :) = 0.7 * velocities(i, :) + 1.5 * r1.* (personalBestPositions(i, :) - positions(i, :)) + 1.5 * r2.* (globalBestPosition - positions(i, :)); 
            positions(i, :) = positions(i, :) + velocities(i, :); 
        end
    end
    bestParams = globalBestPosition; 
    bestRMSPE = globalBestRMSPE; 
end

这是改进粒子群算法的实现。开始时初始化粒子的位置和速度，每个粒子代表一组模型参数。在每次迭代中，计算每个粒子对应的RMSPE，更新粒子的个人最优位置和全局最优位置。然后根据粒子群算法的公式更新粒子的速度和位置，最终返回最优的参数和最小的RMSPE。

三、总结

通过以上Matlab代码实现，结合NGSIM数据，利用IPSO算法对Wiedemann99跟驰模型进行标定，以RMSPE作为拟合优度函数来评估模型的准确性。在实际应用中，还可以进一步优化代码和算法，比如对IPSO算法的参数进行更细致的调整，或者尝试不同的数据预处理方法，以提高模型标定的精度和效率。希望这篇博文对同样在研究相关内容的小伙伴有所帮助，大家有任何问题或者想法欢迎交流讨论。