基于数字孪生的公路交通态势仿真方法

1.本发明涉及交通态势仿真技术领域，尤其是涉及一种基于数字孪生的公路交通态势仿真方法。


背景技术：

2.随着城市发展，公路交通的重要性在我国社会和经济发展中愈发突出。交通路网规模和复杂程度日益增加，导致交通拥堵、交通事故等问题越来越严重。无论是交通职能部门还是出行者，对交通出行的安全性和便利性要求越来越高，这一要求对交通态势感知的精准性提出了挑战。因此，利用先进技术和检测设备，尽可能准确地实现公路交通态势仿真，实时把握当前路段的交通状况，提高出行效率，增强交通安全，在引领信息技术应用、提升城市综合竞争力、实现可持续发展等方面，具有重要的理论和实际研究意义。
3.随着检测设备和数据传输功能的不断发展，大规模多维、实时交通数据可以快速采集。现有技术多利用人工智能的方法，如神经网络，对交通数据的时序特征进行分析，建立模型预测短期交通态势，但大多数模型没有体现时序特征下的不确定性因素对交通态势的影响，并且准确率以及实时更新速率都有待提高。


技术实现要素：

4.发明目的：针对上述问题，本发明的目的是提供一种基于数字孪生的公路交通态势仿真方法，能够对交通态势进行模拟，实时仿真实时更新，高效、准确的实现预测目标路段交通缓滞情况的预判。
5.技术方案：一种基于数字孪生的公路交通态势仿真方法，包括以下步骤：
6.s001：计算分析模块通过信息提取模块获取目标对象的信息及目标对象所处空间的信息；
7.s002：对孪生目标对象特征信息进行读取和预处理，计算分析模块通过基于数字孪生的建模方法进行建模，并完成模型自优化，选取最优模型进行仿真，生成公路态势评估结果；
8.s003：将公路态势评估结果通过通信模块发送至预设接收端；
9.s004：将公路态势评估结果进行可视化转换，并通过高帧率视频的方式，在可视化模块上进行可视化视频数据的生成。
10.进一步的，在s002中，基于数字孪生的建模方法所建模型包括孪生目标对象特征模型、孪生目标对象模型、孪生仿真路径模型。
11.进一步的，孪生目标对象特征模型采用随机森林建模方法搭建，包括以下步骤，
12.s101:计算分析模块通过信息提取模块获取交通路况的降噪和融合后的道路特征数据；
13.s102：计算分析模块对交通路况的降噪和融合后的道路特征数据进行读取和预处理，通过随机森林模型对预处理后的降噪和融合后的道路特征数据进行建模分析，生成重
要性排序结果；
14.s103:计算分析模块提出重要性低于5％的道路特征数据，输出得到孪生目标对象特征结果；
15.s104:将得到孪生目标对象特征结果保存为矩阵形式的数据集形成孪生目标对象特征模型。
16.进一步的，在s102中，随机森林模型的建模分析包括以下步骤，
17.s11：将森林中总的树的数目m平均分成4个部分分给各个进程分担，每个进程创建m/4棵决策树，创建好的m/4棵决策树以列表的形式返回主进程；
18.s12：主进程获取4个子进程的决策树列表后，将4个子列表整合到一个长度为m的决策树列表l中；
19.s13：为每棵决策树产生训练集，使用bagging中的bootstrap aggregating方法从原始训练样本集中有放回的重复随机抽取n个样本作为一组训练集；
20.s14：构建单棵决策树，从每个样本的特征中随机抽取m个特征，使用基于特征的方式将m个特征划分为样本集b来计算基尼指数，将样本集合为等于指定特征的样本集d1和不等于给定特征的样本集b2，则：
[0021][0022]
其中，a为当前的特征，然后从所有gini(b，ai)中找出基尼指数最小的划分a，使用特征a作为分裂特征，重复本步骤获取决策树；
[0023]
s15：每个进程重复按照步骤s13和步骤s14构造m/3棵决策树，整合组成随机森林，每棵决策树的最后一个叶节点为对网络安全影响最大的特征，构成特征集a1，a2
……
am；
[0024]
s16：根据准确率来判定模型的有效性并选取最佳参数：
[0025][0026]
其中tp为真阳性，表示实际类别为正，算法输出类别也为正；fp为假阳性，表示实际类别为负，样本输出类别为正；tn为真阴性，表示实际类别为负，算法输出类别也为负；fn为假阴性，表示实际类别为正，算法输出类别为负；超参数θ设置为：max_features＝0.2，决策树数量trees＝18。
[0027]
进一步的，孪生目标对象模型采用修饰原始agent的方法建立，包括以下步骤，
[0028]
s31：初始化阶段：车辆物理实体初始化为agent，agent的属性定义为：
[0029][0030]
其中id表示agent的唯一标示编号；表示agent的速度矢量；pos(t)表示agent的位置；h表示agent的长度；r表示agent的宽度；p表示agent的平均速度；t表示时间步；
[0031]
s32：交互阶段：每个agent通过与其它的agent及其所处的环境进行信息交互，并以坐标形式记录当前所在位置；
[0032]
s33：行动阶段：每个agent依据社会力模型的驱动进行运动，并不断更新位置信息
直至行动停止；
[0033]
s34：记录并返回在路段上行动的速度变化情况，并依据在行驶时间段内，agent行动低速时间段的占比，判定并返回道路交通缓滞情况。
[0034]
最佳的，孪生仿真路径模型采用贝叶斯网络模型建立并训练，包括以下步骤，
[0035]
s21：据随机森林模型学习仿真所得的特征样本集{a1，a2……am
}，将其发生概率与对应发生时段与样本标签组合，形成带有发生概率值的特征集样本t，发生概率记为先验概率，并进行特征样本更新，利用贝叶斯公式对所有的先验概率进行修正，求后验概率；
[0036]
s22：取与路段交通态势的相关参数作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度会造成交通，隐藏节点包括路段的交通态势以及路段发生交通事故的历史概率；
[0037]
s23：采用贝叶斯公式计算对应路段发生交通缓滞的概率，贝叶斯公式为：
[0038][0039][0040]
其中p(a|b)是在b发生的情况下a发生的可能性，a1、
……
、ai为完备事件组，p(a)是a的先验概率或边缘概率，p(a|b)是已知b发生后a的条件概率，p(b|a)是已知a发生后b的条件概率，p(b)是b的先验概率或边缘概率。
[0041]
s24：形成预估道路交通缓滞情况的贝叶斯斯网络，并输出结果。
[0042]
最佳的，将s24的贝叶斯网络输出的结果作为对象供孪生目标对象模型仿真所得的结果进行对抗学习综合评述，建立对抗学习模型，
[0043]
采用孪生仿真路径模型输出的结果对孪生目标对象模型输出的结果进行评述，根据综合评估方法对结果进行评价，综合评估方法包括以下步骤，
[0044]
s41：生成损失函数gloss，公式为:
[0045]
loss＝ganweight
×
ganloss modelweight
×
modelloss；
[0046]
其中，ganweight为对抗损失函数ganloss的权重，取值为0～30；modelweight为由孪生目标对象模型输出结果与孪生仿真路径模型输出结果差值的损失函数modelloss的权重，取值为0～50；
[0047]
modelloss表示孪生目标对象模型输出结果与孪生仿真路径模型输出结果的差值，计算公式如下：
[0048][0049]
其中，rp
ij
表示的是孪生目标对象模型输出结果，qp
ij
表示孪生仿真路径模型输出结果，这两种结果采用二维矩阵方式表示；
[0050]
s42：生成ganloss为对抗损失函数，公式为：
[0051][0052]
其中，pmodel为对抗学习时，对抗学习模型认为孪生目标对象模型输出的结果与孪生仿真路径模型输出的结果完全一致的概率矩阵，所述矩阵为二维矩阵，收纳了不同时间段不同道路的pmodel值；epcg为梯度下降时的维度稳定因子，在模拟中epcg采用伪随机函数在[10-4
,10-11
]区间中通过伪随机方式取一值；
[0053]
s43：采用判别公式对随时函数进行判别，损失函数越小，仿真结果越准确，其中判别公式为：
[0054][0055]
其中，为期望概率，即实际情况与孪生目标对象模型输出的结果一致的概率矩阵。
[0056]
有益效果：与现有技术相比，本发明的优点是：
[0057]
(1)综合分析了交通态势的复杂性和系统性，采用基于数字孪生的建模方法进行交通态势模拟评估，提出基于数字孪生的交通态势评估建模理论及建模方法，通过仿真预测出不同路段在不同时段的交通态势，为交通预测、交通控制和交通规划提供科学依据，具有显著指导意义；
[0058]
(2)建立数字孪生交通态势评估仿真模型：建立随机森林模型通过无监督机器学习方法获得孪生目标对象特征；建立孪生仿真路径模型及孪生目标对象仿真模型，基于实际交通态势通过对抗学习方法，优选模型，输出仿真结果。
[0059]
(3)在tensorflow环境中进行数字孪生建模，加深tensorflow环境的应用层级，模拟分析重要属性对交通态势的影响，提出交通规划相关建议。
[0060]
(4)基于数字孪生建模方法，提出了模型建立与模型自优化的新方法，在完成本发明用途的基础上，拓宽交通仿真领域建模方向，推出数字孪生自我优化式建模方法。
[0061]
(5)数字孪生作为新的人工智能方法，在交通态势的复杂的时间关联性上，结合贝叶斯网络，利用较高层级的态势感知技术，提取影响交通态势要素，在解决交通态势中的不确定性影响方面有较好的效果。可以准确、实时的预测目标路段交通态势仿真情况，并随着情景的演化持续更新结果，对交通态势预测、控制和交通路网规划等工作具有重要意义。
附图说明
[0062]
图1为仿真方法模块信号传递示意图；
[0063]
图2为随机森林算法决策树示并行分配流程图；
[0064]
图3为基于贝叶斯网络的孪生路径模型示意图；
[0065]
图4为修饰过的agent示意图；
[0066]
图5为核心预测模型建立流程图。
具体实施方式
[0067]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
[0068]
一种基于数字孪生的公路交通态势仿真方法，包括四个模块，如图1所示，包括信息提取模块100、计算分析模块200、通信模块300、可视化模块400。
[0069]
计算分析模块200包括通过api接口依次连接的数据读取子模块、数据预处理子模块、核心模型子模块和数据输出子模块，信息提取模块100与数据读取子模块信号连接，通信模块300、可视化模块400分别与数据输出子模块信号连接，可视化模块400包括预设接收端，预设接收端与通信模块300信号连接。
[0070]
信息提取模块100用于检测目标对象及目标对象所在路段的信息，本发明中目标对象为行驶于公路上的车辆，信息提取模块100将获取的数据信息发送至计算分析模块200。
[0071]
计算分析模块200与通信模块300和可视化模块400信号连接，用于自动化建立多基于数字孪生的公路交通态势评估模型并为评估模拟提供算力，将交通态势预测结果发送给通信模块300和可视化模块400。通信模块300用于进行信息传输，将接收到的公路路况评估结果发送至预设接收端。可视化模块400用于对公路路况评估结果进行可视化与显示。
[0072]
如图2～5所示，基于数字孪生的公路交通态势仿真方法包括以下步骤：
[0073]
s001：计算分析模块通过信息提取模块获取目标对象的信息及目标对象所处空间的信息；
[0074]
s002：对孪生目标对象特征信息进行读取和预处理，计算分析模块通过基于数字孪生的建模方法进行建模，并完成模型自优化，选取最优模型进行仿真，生成公路态势评估结果；
[0075]
s003：将公路态势评估结果通过通信模块发送至预设接收端；
[0076]
s004：将公路态势评估结果进行可视化转换，并通过高帧率视频的方式，在可视化模块上进行可视化视频数据的生成。
[0077]
计算分析模块200为集成于计算机中的以python语言为主的仿真计算机环境，其中：数据读取子模块、数据预处理子模块、核心模型子模块和数据输出子模块为该环境中的四个功能分区。核心模型子模块是计算分析模块200中，存储及运行本发明中提及的基于数字孪生的公路交通态势评估模型。
[0078]
数据读取子模块，用于读取信息提取模块所提取的所述目标对象及目标对象所在空间的数据信息。数据预处理子模块，用于对述目标对象及目标对象所在空间的数据信息进行预处理。
[0079]
核心模型子模块，用于自动化建立基于数字孪生的公路交通态势评估模型，并且通过所述基于数字孪生的公路交通态势评估模型，对交通态势进行模拟输出评估结果。
[0080]
基于数字孪生的建模方法所建模型包括孪生目标对象特征模型、孪生目标对象模型、孪生仿真路径模型。
[0081]
对实时交通路况的道路特征数据进行特征合并处理，得到车道的重要特征属性；包括将不同时间段路段特征数据进行降噪处理，去除噪声数据，得到对应时间段的去噪后的路段特征数据；将去噪后的不同时间段路段特征数据进行数据融合处理，融合同类数据，
得到对应时间段的融合后道路特征属性；根据融合后的道路特征数据，将融合后的道路特征属性进行重要性鉴别处理，具体的采用随机森林建模方法，进行无监督的机器学习训练，采用软分类方法，通过训练好的随机森林模型，进行融合后的道路特征分类，以同一时间段内道路是否存在缓滞情况为判定标签，本发明中缓滞状态指车辆流速低于平均流速10％，剔除对应道路重要程度低于5％(过低)的特征属性，输出得到孪生目标对象特征结果，孪生目标对象特征包括交通公路环境的特征属性和交通公路环境中运动的车辆的特征属性。
[0082]
孪生目标对象特征模型采用随机森林建模方法搭建，包括以下步骤，
[0083]
s101:计算分析模块通过信息提取模块获取交通路况的降噪和融合后的道路特征数据；
[0084]
s102：计算分析模块对交通路况的降噪和融合后的道路特征数据进行读取和预处理，通过随机森林模型对预处理后的降噪和融合后的道路特征数据进行建模分析，生成重要性排序结果；
[0085]
s103:计算分析模块提出重要性低于5％的道路特征数据，输出得到孪生目标对象特征结果；
[0086]
s104:将得到孪生目标对象特征结果保存为矩阵形式的数据集形成孪生目标对象特征模型。
[0087]
随机森林模型的建模分析包括以下步骤：
[0088]
s11：将森林中总的树的数目m平均分成4个部分分给各个进程分担，每个进程创建m/4棵决策树，创建好的m/4棵决策树以列表的形式返回主进程；
[0089]
s12：主进程获取4个子进程的决策树列表后，将4个子列表整合到一个长度为m的决策树列表l中；
[0090]
s13：为每棵决策树产生训练集，使用bagging中的bootstrap aggregating方法从原始训练样本集中有放回的重复随机抽取n个样本作为一组训练集；
[0091]
s14：构建单棵决策树，从每个样本的特征中随机抽取m个特征，使用基于特征的方式将m个特征划分为样本集b来计算基尼指数，将样本集合为等于指定特征的样本集d1和不等于给定特征的样本集b2，则：
[0092][0093]
其中，a为当前的特征，然后从所有gini(b，ai)中找出基尼指数最小的划分a，使用特征a作为分裂特征，重复本步骤获取决策树；
[0094]
s15：每个进程重复按照步骤s13和步骤s14构造m/3棵决策树，整合组成随机森林，每棵决策树的最后一个叶节点为对网络安全影响最大的特征，构成特征集a1，a2
……
am；
[0095]
s16：根据准确率来判定模型的有效性并选取最佳参数：
[0096][0097]
其中tp(true positive)为真阳性，表示实际类别为正，算法输出类别也为正；fp(false positive)为假阳性，表示实际类别为负，样本输出类别为正；tn(true negative)为真阴性，表示实际类别为负，算法输出类别也为负；fn(false negative)为假阴性，表示实际类别为正，算法输出类别为负。准确率(accuracy)越接近1，模型准确率越高。超参数θ
设置为：max_features＝0.2，决策树数量trees＝18的rfb模块应用于本发明的建模中。
[0098]
孪生目标对象模型采用修饰原始agent的方法建立，包括以下步骤：
[0099]
s31：初始化阶段：车辆物理实体初始化为agent，经过修饰的agent的属性定义为：
[0100][0101]
其中id表示agent的唯一标示编号；表示agent的速度矢量；pos(t)表示agent的位置；h表示agent的长度；r表示agent的宽度；p表示agent的平均速度；t表示时间步；在本发明中，为了契合车辆形状agent的形状被修饰为如图4的圆角矩形v01。
[0102]
s32：交互阶段：每个agent通过与其它的agent及其所处的环境进行信息交互，并以坐标形式记录当前所在位置；
[0103]
s33：行动阶段：每个agent依据社会力模型的驱动进行运动，并不断更新位置信息直至行动停止；
[0104]
s34：记录并返回在路段上行动的速度变化情况，并依据在行驶时间段内，agent行动低速时间段的占比，判定并返回道路交通缓滞情况。
[0105]
优选的，经过修饰的agent的社会力模型为：
[0106][0107][0108]
其中，(x，y)为agent的形心坐标，(x0，y0)为其他agent的形心坐标，r为其他agent中心坐标到边界的最小距离；x和y为在x方向和y方向上的缩距，缩距可将agent在仿真计算中简化为正圆形v02。为agent保持通过路段的历史平均速度的力；为其他agent带来的力，包括agent之间的排斥、挤压、摩擦；为行为波动，描述agent运动的随机变化，包括换向动作。
[0109]
根据孪生目标对象特征，孪生仿真路径模型基于贝叶斯网络仿真输出交通事态评估结果；根据孪生目标对象特征，孪生目标对象仿真模型基于修饰的agent模型仿真输出交通事态评估结果，孪生仿真路径模型采用贝叶斯网络模型建立并训练，包括以下步骤：
[0110]
s21：据随机森林模型学习仿真所得的特征样本集{a1，a2……am
}，将其发生概率与对应发生时段与样本标签组合，形成带有发生概率值的特征集样本t，发生概率记为先验概率，并进行特征样本更新，利用贝叶斯公式对所有的先验概率进行修正，求后验概率；
[0111]
s22：取与路段交通态势的相关参数作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度会造成交通，隐藏节点包括路段的交通态势以及路段发生交通事故的历史概率；
[0112]
s23：采用贝叶斯公式计算对应路段发生交通缓滞的概率，贝叶斯公式为：
[0113]
[0114][0115]
其中p(a|b)是在b发生的情况下a发生的可能性a1,
……
，ai为完备事件组，p(a)是a的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何b方面的因素。p(a|b)是已知b发生后a的条件概率，也由于得自b的取值而被称作a的后验概率。p(b|a)是已知a发生后b的条件概率，也由于得自a的取值而被称作b的后验概率。p(b)是b的先验概率或边缘概率，也作标准化常量。
[0116]
s24：形成预估道路交通缓滞情况的贝叶斯网络，并输出结果，如图3为本发明生成的贝叶斯网络图示意图。
[0117]
本实施例的构成的贝叶斯网络中有如下几个节点：高峰时段g1、高峰时段占比g2、天气g3、道路长度g4、道路宽度g6、车辆密度h1、平均车速h2、路况k。
[0118]
将s24的贝叶斯网络输出的结果作为对象供孪生目标对象模型仿真所得的结果进行对抗学习综合评述，建立对抗学习模型，
[0119]
采用最贴近实际情况的孪生仿真路径模型输出的结果对孪生目标对象模型输出的结果进行评述，根据综合评估方法对结果进行评价，综合评估方法包括以下步骤：
[0120]
s41：生成损失函数gloss，公式为:
[0121]
loss＝ganweight
×
ganloss modelweight
×
modelloss；
[0122]
其中，ganweight为对抗损失函数ganloss的权重，取值为0～30；modelweight为由孪生目标对象模型输出结果与孪生仿真路径模型输出结果差值的损失函数modelloss的权重，取值为0～50；
[0123]
modelloss表示孪生目标对象模型输出结果与孪生仿真路径模型输出结果的差值，计算公式如下：
[0124][0125]
其中，rp
ij
表示的是孪生目标对象模型输出结果，qp
ij
表示孪生仿真路径模型输出结果，这两种结果采用二维矩阵方式表示；
[0126]
s42：生成ganloss为对抗损失函数，公式为：
[0127][0128]
其中，p
model
为对抗学习时，对抗学习模型认为孪生目标对象模型输出的结果与孪生仿真路径模型输出的结果完全一致的概率矩阵，该矩阵为二维矩阵，收纳了不同时间段不同道路的p
model
值；epcg为梯度下降时的维度稳定因子，在模拟中epcg采用伪随机函数在[10-4
,10-11
]区间中通过伪随机方式取一值。
[0129]
s43：采用判别公式对随时函数进行判别，损失函数越小，仿真结果越准确，其中判别公式为：
[0130][0131]
其中，为期望概率，即实际情况与孪生目标对象模型输出的结果一致的概率矩阵。
[0132]
上述各模型的建立的全部过程可概括为以下几个阶段：
[0133]
第一阶段：通过随机森林方法获得孪生目标对象特征模型。
[0134]
第二阶段：根据孪生目标对象特征模型，基于贝叶斯网络建立孪生仿真路径模型仿真输出交通事态评估结果；根据孪生目标对象特征模型，基于修饰的agent模型建立孪生目标对象仿真模型仿真输出交通事态评估结果。
[0135]
第三阶段：基于实际交通态势，孪生仿真路径模型与孪生目标对象仿真模型进行对抗学习，修正孪生目标对象特征模型的重要性，使仿真更贴近实际交通态势，核心评述损失函数的建立为：
[0136]
第四阶段：选取损失函数最小的模型，进行交通事态仿真，并输出结果。
[0137]
数据输出子模块，用于将公路交通态势评估结果发送至所述通信模块和所述可视化模块。
[0138]
在本发明中计算分析模块的核心模型子模块这部分为小型计算单元(微型计算机或其他具有类似功能的计算单元)该部分存储了基于数字孪生的公路交通态势评估仿真模型，读取数据、执行预处理后，调用基于数字孪生的公路交通态势评估仿真模型，实时仿真交通态势情况，十分准确、高效。经过数据读取子模块读取目标对象及目标对象所处环境的数据传输至数据预处理子模块，数据预处理子模块将数据的格式进行预处理并传输至核心模型子模块，经核心模型子模块根据预处理后的数据进行修正后，进行孪生仿真路径模型与孪生目标对象仿真模型的建立，并基于对抗学习方法进行自优化，选取最优模型进行仿真评估，产生评估结果，最后将结果传输至数据输出子模块，由数据输出子模块将数据转换为适应可视化模块进行数据可视化的格式，最终向数据可视化模块进行数据传输，完成计算分析模块的工作闭环。
[0139]
计算分析模块具有普适性，针对不同目标对象(包括各种类型的车辆)，可以采用相同的策略调用基于数字孪生的公路交通态势评估仿真模型模型，从而保证本仿真方法适用于完成多种多样的任务。
[0140]
计算分析模块中的基于数字孪生的公路交通态势评估仿真模型是基于广泛认可的智能体建模平台anylogic搭建先进的agent框架，并进行详细的数值(例如模型层数、单元数等)调整，得到的具有良好效能的目标对象仿真模型，与基于tensorflow平台搭建的孪生仿真路径模型，进行对抗学习，优选而成。
[0141]
计算分析模块的软件部分包括：数据读取程序从信息提取模块读取所述目标对象的相关数据，以及述目标对象所在路段的相关数据；数据预处理程序进行必要的截取、格式转换等预处理后，传输数据给核心模型单元；数据输出程序将核心模型单元的仿真结果传输给可视化模块和通信模块。
[0142]
作为一种实现方式，通信模块的信号传输方式可选为常见的wifi或蓝牙传输方式，这两种方式传输信息量大、速度快。
[0143]
作为一种规则，将计算分析模块发送来的交通态势评估仿真结果进行数据转化，成为可以在电子屏上显示的信息，通过颜色、数字、曲线或者图形的等方式实时展示交通态势评估仿真结果，这些结果会以视频数据或图片数据的形式进行展示。
[0144]
通过数据提取模块、计算分析模块、通信模块与可视化模块及附加模块，为交通态势评估仿真提供硬件载体与能力支持，进行实时数据摄取及存储仿真。
[0145]
一种具体的评估模型，如图5所示，目标对象是某路段中的行驶车辆，目标对象所处环境如图所示。本发明的实例中信息提取模块将提取目标对象的长度、宽度、平均车速、等一系列数据，以及述目标对象所在路段的长度、宽度、天气、高峰时段、高峰时段占比等一系列数据，生成数据包，作为后续建模的基础。
[0146]
在信息提取模块提取数据的同时，计算分析模块将被激活，并通过anylogic平台程序持续读取传感信息提取模块的数据，开展必要的预处理并提供给计算分析模块中的核心预测模型。如图5，核心预测模型，首先通过随机森林模型进行重要特征属性的筛选，并形成重要特征数据集，同时建立孪生仿真路径模型与孪生目标对象仿真模型图中w01为可行路段、e01为行驶车辆，经过孪生仿真路径模型与孪生目标对象仿真模型进行对抗学习，修正孪生目标对象特征的重要性后，不断优选得出的。经过多次模拟对抗后，选取最优模型进行仿真评估，得到预测的动态交通态势图。车辆的数量，车辆存在的位置，车辆的流向同步反应交通态势。
[0147]
在计算分析模块开展预测并实时给出结果的同时，内置java程序会将结果同时传递给通信模块和可视化模块，通信模块将按照预定指令，将疏散仿真结果直接传输至指定服务器。
[0148]
信息提取模块用于获取目标对象的信息，计算分析模块用于为分析提供资源(算力)支持，通信模块提供结果传输能力，可视化模块提供结果展示平台。本装置能够准确、实时的预测目标路段交通态势评估情况，并随着情景的演化持续更新结果，对交通态势预测和控制等工作具有重要意义。
[0149]
通过提取模块所提取的所述目标对象及目标对象所在空间的数据信息，利用计算分析模块对目标对象及目标对象所在空间的数据信息进行读取和预处理，通过数字孪生模型对预处理后的目标对象及目标对象所在空间的数据信息进行模拟分析，生成公路路况评估结果，通过通信模块将公路路况评估结果发送至预接收端，可视化模块将公路路况评估结果进行可视化。本方法准确、高效，并能随着情景的演化持续更新结果，显著优于传统交通态势评估方法，对交通事件的预测、控制和调度，以及交通路网的规划意义重大。