本發明屬于交通仿真建模，具體地，涉及一種基于宏中微混合仿真模型的城市道路交通狀態預測方法、存儲介質及設備。
背景技術：
1、交通仿真技術作為復現交通流時空演化規律的一種有效手段，可以幫助城市交通管理人員在計算機環境中模擬和分析交通流演變狀態，推演各種規劃和交通管理變化對交通的影響，賦能于日常交通管理。但從多年的實戰管理總結來看，目前傳統的交通仿真還存在以下不足：
2、(1)目前，大部分交通仿真采取“結點-弧段”的建模結構，需要進行“車道與車道的連接”，無法進行自動連接，在構建立交橋、高架橋等立體道路時難度較高；此外，對于具有特殊相位的交叉口建模則需要進行復雜的信號配置，建模難度較高、效率低；
3、(2)傳統交通仿真主要根據不同的需求在不同的層級間單獨的進行仿真，不同交通模型之間相互獨立，沒有關聯性，當交通仿真范圍擴大后，交通模型中的車輛路徑數據需要依靠人工推算，缺少結合交通出行量數據的融合分析，路段間車輛的轉向消散、周期性、突發性行為無法準確干預，影響仿真結果；
4、(3)傳統的交通仿真大多將歷史現狀數據輸入現已搭建好的路網中，利用離線模型輸出的結果數據進行可視化展示，仿真結果滯后性較為明顯，無法構建從過去到現在到未來的全時空閉環仿真體系，導致仿真僅僅作為輔助分析決策手段，而無法實現對未來路網擁堵趨勢的判斷。
技術實現思路
1、針對現有技術中存在的問題，本發明提供了一種基于宏中微混合仿真模型的城市道路交通狀態預測方法、存儲介質及設備，實現微觀、中觀、宏觀仿真模型的統一化，并實現道路流量、通行速度預測，從而劃分道路交通狀態，指導道路交通管理。
2、為實現上述技術目的，本發明采用如下技術方案：一種基于宏中微混合仿真模型的城市道路交通狀態預測方法，包括如下步驟：
3、步驟s1、根據城市交通的gis數據、交通渠化數據、電警數據、規建數據和信控數據構建宏中微一體化多層級混合仿真模型；
4、步驟s2、收集歷史電警數據和交通渠化數據，輸入構建的宏中微一體化多層級混合仿真模型，進行仿真模擬，得到每個時段下的道路交通狀態以及每個時刻下的交通流數據；
5、步驟s3、構建基于mvf-fa-lstm算法的交通流參數預測模型，將交通流數據輸入構建的交通流參數預測模型中，預測出道路的交通流量和通行速度；
6、步驟s4、構建基于模糊c均值聚類算法的交通狀態預測模型，將預測的道路的交通流量和通行速度輸入構建的交通狀態預測模型中，預測出道路的交通狀態。
7、進一步地，步驟s1包括如下子步驟：
8、步驟s1.1、將交通渠化數據利用aimsun仿真軟件中的“線連接”結構搭建路網模型，根據gis數據進行路網模型中的gis數據定義，設置路網模型中各路段的道路參數，包括：道路類型、道路通行能力和道路限速，并根據電警數據在路網模型中添加電警檢測點位；
9、步驟s1.2、根據信控數據在路網模型的交叉口進行交通信號配時；
10、步驟s1.3、根據規建數據進行交通小區劃分，并在交通小區與路網模型中的道路之間形成od出行鏈；
11、步驟s1.4、將交通小區的出行量輸入aimsun仿真軟件中生成od出行矩陣，根據城市交通出行方式的比例對od出行矩陣進行乘法計算或分割，生成不同出行方式的od出行矩陣，實現對仿真交通出行方式劃分，得到初步城市交通仿真模型；
12、步驟s1.5、利用電警檢測點位采集出行流量，輸入初步城市交通仿真模型中，對不同出行方式的od出行矩陣進行調整，并分配到不同的道路上，完成宏中微一體化多層級混合仿真模型的構建。
13、進一步地，步驟s1.5包括如下子步驟：
14、步驟s1.5.1、將不同出行方式的od出行矩陣按時序進行拆分，根據電警檢測點位采集的出行流量調整拆分的od出行矩陣中的交通出行需求，并考慮od出行鏈與電警檢測點位之間的行程時間，更新od出行矩陣；
15、步驟s1.5.2、將交通出行時段進行等距劃分，建立動態用戶均衡模型，將交通出行分配到不同的道路上。
16、進一步地，步驟s3包括如下子步驟：
17、步驟s3.1、將算術平均濾波mvf分別加入lstm中的輸入門和遺忘門，并使用螢火蟲算法fa對加入算術平均濾波mvf的lstm的參數進行優化，構建出基于mvf-fa-lstm算法的交通流參數預測模型；
18、步驟s3.2、將交通流數據輸入構建的交通流參數預測模型中，預測出道路的交通流量和通行速度。
19、進一步地，步驟s3.1包括如下子步驟：
20、步驟s3.1.1、收集城市交通中的歷史交通流數據，將歷史交通流數據中每個時刻下道路的交通流量和通行速度作為lstm的訓練標簽，并計算歷史交通流數據的每個時刻下所有交通流數據的算術平均值；
21、步驟s3.1.2、將lstm的時間窗口大小、批處理量和隱藏層單元數組成螢火蟲個體向量，設置螢火蟲種群規模，并隨機初始化螢火蟲個體向量，設置光強吸收系數、最大吸引度因子和迭代次數；
22、步驟s3.1.3、使用螢火蟲個體向量配置lstm，將歷史交通流數據輸入lstm中處理時，lstm的輸入門和遺忘門均通過對應時刻下交通流數據的算術平均值進行濾波處理，預測出每個時刻下道路的交通流量和通行速度；
23、步驟s3.1.4、將預測的每個時刻下道路的交通流量和通行速度與對應時刻下的訓練標簽進行均方誤差計算，保留均方誤差最小的螢火蟲個體向量；
24、步驟s3.1.5、在下一次迭代中，對其他螢火蟲個體向量進行位置更新，并將位置更新的螢火蟲個體向量重復步驟s3.1.3-步驟s3.1.4，將當前迭代下最小的均方誤差與上一次迭代下保留的均方誤差進行比較，保留均方誤差最小的螢火蟲個體向量；
25、步驟s3.1.6、重復步驟s3.1.5，直至達到最大迭代次數，得到最優的螢火蟲個體向量，作為lstm的最優參數，完成基于mvf-fa-lstm算法的交通流參數預測模型的構建。
26、進一步地，步驟s3.1.5中對其他螢火蟲向量進行位置更新的過程具體為：
27、xi(t+1)＝xi(t)+βij[xj(t)-xi(t)]+αε
28、其中，xi(t)表示第t次迭代下第i個螢火蟲個體向量的位置，xj(t)表示第t次迭代下保留的螢火蟲個體向量的位置，βij表示第t次迭代下第i個螢火蟲個體向量與保留的螢火蟲個體向量之間的吸引力，β0表示最大吸引度因子，γ表示光強吸收系數，rij表示第t次迭代下第i個螢火蟲個體向量與保留的螢火蟲個體向量之間的距離，d表示螢火蟲個體向量的維度，k表示d的索引，xik表示第t次迭代下第i個螢火蟲個體向量中第k維元素的位置，xjk表示第t次迭代下保留的螢火蟲個體中第k維元素的位置，α表示步長因子，ε表示服從高斯分布生成的隨機數。
29、進一步地，步驟s4包括如下子步驟：
30、步驟s4.1、將歷史道路交通狀態作為初始的聚類，并初始化每個聚類中心；
31、步驟s4.2、將每個時刻道路交通流量和通行速度組成聚類樣本；
32、步驟s4.3、計算每個聚類樣本到每個聚類中心的歐式距離，將聚類樣本分配到歐式距離最小的聚類中；
33、步驟s4.4、根據歐式距離確定每個聚類樣本對每個聚類的隸屬度，并結合每個聚類中所有聚類樣本，更新每個聚類中心；
34、步驟s4.5、重復步驟s4.3-步驟s4.4，直至達到最大迭代次數，得到最優的聚類中心和隸屬度，完成對交通狀態預測模型的構建；
35、步驟s4.6、將預測的每個時刻道路交通流量和通行速度輸入交通狀態預測模型中，預測出對應道路的交通狀態。
36、進一步地，步驟s4.4中每個聚類樣本對每個聚類的隸屬度μab的計算過程為：
37、
38、其中，c表示聚類中心的數量，c表示c的索引，dab表示第a個聚類樣本到第b個聚類中心的歐式距離，dac表示第a個聚類樣本到第c個聚類中心的歐式距離，m表示模糊度；
39、每個聚類中心cc的更新過程為：
40、
41、其中，xa表示第a個聚類樣本，n表示屬于聚類中心c的聚類樣本總量。
42、進一步地，將構建的宏中微一體化多層級混合仿真模型進行可視化。
43、進一步地，本發明還提供了一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序使計算機執行所述的基于宏中微混合仿真模型的城市道路交通狀態預測方法。
44、進一步地，本發明還提供了一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行計算機程序時，實現所述的基于宏中微混合仿真模型的城市道路交通狀態預測方法。
45、與現有技術相比，本發明具有如下有益效果：
46、(1)本發明基于宏中微混合仿真模型的城市道路交通狀態預測方法，通過宏中微一體化多層級混合仿真模型，實現微觀、中觀、宏觀仿真模型的統一化，彌補不同仿真模型的缺點，將不同的仿真模型整合到一起，根據用戶不同的需求選擇對應的仿真模型，實現不同場景下精確的交通仿真，突破不同模型間的信息孤島，加強微觀、中觀以及宏觀仿真模型間的信息關聯，保證關鍵模型信息之間的相關性與一致性，實現不同仿真模型的關聯化；
47、(2)本發明通過基于mvf-fa-lstm算法的交通流參數預測模型實現道路的交通流量和通行速度預測，能夠有效解決傳統lstm算法模型參數設置繁瑣、反饋時間較長等缺點，從而提升交通流參數預測的準確性與可行性，可以有效挖掘城市道路交通管理的時間特征屬性，為后續進行道路交通狀態預測提供準確的數據基礎；
48、(3)本發明通過構建基于模糊c均值聚類算法的交通狀態預測模型預測出道路的交通狀態，由模糊c均值聚類算法構建的交通狀態預測模型具有更好的泛化能力，提升道路交通狀態預測的精度，適用于不同的城市道路交通場景，繼而有效地提供未來時刻路網的擁堵演變規律，幫助交通管理部門更好地制定交通管理策略，提高城市交通系統的整體運行效率。