吳 晶，徐名海，顧宏博，奚杰杰

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京210003)

基于智能代理的交通分配建模

吳 晶，徐名海，顧宏博，奚杰杰

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京210003)

針對現(xiàn)有交通分配研究對駕駛員有限理性、道路交通動態(tài)隨機性的忽視，提出一種基于智能代理的動態(tài)交通分配模型IATAM，其以駕駛員為代理，依據(jù)駕駛員的路線偏好，綜合駕駛員信息處理的模糊隨機過程，考慮鄰居駕駛員影響，提出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的駕駛員智能路線決策機制。實驗中IATAM模型檢測點車流量與真實車流量的平均相對誤差減小到6.42%，表明IATAM模型實驗精度更高，更符合復(fù)雜多變的交通環(huán)境?；谥悄艽磉M(jìn)行交通分配，更能反映駕駛員的異構(gòu)性和路線決策的模糊隨機性，并有效提高交通分配精度。

智能交通；交通分配；智能代理；駕駛員行為；路線決策

0 引言

交通分配中路網(wǎng)的實際狀況、各路段車流量、駕駛員路徑選擇行為等，是分析交通狀況、評價現(xiàn)狀路網(wǎng)、確定路網(wǎng)規(guī)劃、預(yù)測交通控制效果、進(jìn)行交通誘導(dǎo)等的主要依據(jù)。為了更好規(guī)劃路網(wǎng)，有效分析、控制和誘導(dǎo)交通流，需要構(gòu)建真實合理的交通分配模型。

傳統(tǒng)的交通分配方法主要有宏觀交通分配[1-2]和微觀交通分配，其中，微觀交通分配從駕駛員個體出發(fā)挖掘交通流內(nèi)在特性，能更真實體現(xiàn)駕駛員的路線決策行為。現(xiàn)有文獻(xiàn)基于駕駛員路線決策分析展開了不少研究，形成了不同路線選擇類型[3]、影響因素[4]、環(huán)境改變[5]下的交通分配模型，但對駕駛員的有限理性以及道路交通條件的動態(tài)隨機性等研究還比較有限。

本文提出基于智能代理的動態(tài)交通分配模型(Traffic Assignment Model Based on Intelligent Agent ,IATAM)。IATAM模型以不同偏好的駕駛員為代理，通過對模糊邏輯和隨機阻抗的路線選擇行為的分析，融合駕駛員間的相互影響，考慮路線決策隨環(huán)境的動態(tài)變化，提出了駕駛員的智能路線決策。這種建模方法體現(xiàn)了路網(wǎng)交通的時變性和駕駛員代理的異構(gòu)性、自治性和主動性，并考慮了交通問題的模糊性和隨機性，更符合實際路網(wǎng)。

本文詳細(xì)介紹了駕駛員智能路線決策模型，給出了基于智能代理的動態(tài)交通分配模型，并對模型進(jìn)行了實驗和驗證。

1 駕駛員智能路線決策模型

交通分配需要把OD矩陣所對應(yīng)的交通量分配至路網(wǎng)，決定所有車輛的行駛路線，交通分配的結(jié)果是所有起訖點間駕駛員路線決策行為的整體匯聚。本文采用微觀方法，通過對駕駛員路線決策行為建模，并采用基于代理的實驗方法，嘗試解決交通分配問題。

1.1 應(yīng)用場景及技術(shù)需求

圖1是駕駛員m、n和k從A點去往F點的決策路線，由圖分析3位駕駛員的路線決策行為。

圖1 不同駕駛員的路線決策

圖2 駕駛員智能路線決策模型

A點到F點某一時間段的交通出行為50輛/min，各路段長度和平均行駛時間如圖1所示。駕駛員m的路線偏好是最短路徑，只考慮各路段長度，A-B-F的感知長度大約為1 400 m，駕駛員認(rèn)為A-B-F是最優(yōu)路線，由于其擁塞避免指數(shù)很低，即使感覺周圍車流密度較大，也不會更改行駛路線。駕駛員n的路線偏好也為最短路徑，準(zhǔn)備沿A-B-F行駛，但其擁塞避免指數(shù)很高，綜合本路段和下一路段的擁擠情況，決定避開擁擠選擇車流量相對較少的路徑A-B-E-F，此時路線偏好受周圍環(huán)境的影響變?yōu)闀r間最短。駕駛員k的路線偏好為時間最短，選擇A-D-E-F，其擁塞避免指數(shù)雖然較高，但由于道路通暢，并不改變行駛路線。

上述情景，不同駕駛員的路線決策行為不同。對駕駛員路線決策行為建模需要考慮以下技術(shù)需求：

(1)駕駛員建模應(yīng)考慮駕駛員的異構(gòu)行；

(2)駕駛員路線決策應(yīng)考慮駕駛員主觀信息的模糊性和信息處理的非完全理性；

(3)駕駛員路線行駛中應(yīng)考慮交通環(huán)境因素的動態(tài)隨機性和駕駛員之間的相互影響。

1.2 駕駛員智能路線決策算法

根據(jù)上述應(yīng)用場景和技術(shù)需求描述，本文以駕駛員為代理，考察駕駛員的路線決策行為。

駕駛員路線決策時，會對個人信息和環(huán)境信息同時進(jìn)行處理，協(xié)調(diào)完成路線的決策，且經(jīng)歷信息接收、分析、判斷和決策，輸出的行為又會對下一時刻的環(huán)境和個人思維產(chǎn)生影響。由于駕駛員路線決策的分布式并行信息處理、層次關(guān)系、反饋機制和人工神經(jīng)網(wǎng)絡(luò)[6]信息處理過程類似，本文采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)描述路線決策機制；又因為駕駛員主觀信息的模糊性和路網(wǎng)客觀信息的隨機性，本文采用模糊邏輯[7]和隨機變量描述路線決策的相關(guān)變量。駕駛員智能路線決策模型如圖2所示，駕駛員對信息的處理經(jīng)過了輸入層、感知層、決策層和輸出層，駕駛員行為和主觀思維又對下一時刻產(chǎn)生影響。

輸入層主要包括個人信息和環(huán)境信息。感知層是駕駛員對輸入信息的提取過程，駕駛員在對輸入信息分類整理后進(jìn)行預(yù)處理。決策層是駕駛員對感知信息處理后進(jìn)行的路線決策，決定下一時刻的路線偏好、行駛路段、車道和車速。輸出層是駕駛員依照決策層進(jìn)行的行為表現(xiàn)和主觀思維改變。

對于輸入層，本文將駕駛員路線決策過程需要的信息分為4類：個人信息、阻抗信息、當(dāng)前路段信息和鄰居代理信息。個人信息即駕駛員本身的特性。阻抗信息即駕駛員對路網(wǎng)阻抗的整體了解。當(dāng)前路段信息即駕駛員此刻所處路段客觀信息。鄰居代理信息即駕駛員鄰居車輛信息。各類信息所包含的具體內(nèi)容以及對應(yīng)變量如表1所示。

表1 輸入層各類信息及對應(yīng)變量

感知層對輸入層的4類信息進(jìn)行分類，預(yù)處理后交給決策層進(jìn)行路線選擇。分類后的信息主要為5種：主觀確定信息(Sub_cert)、主觀模糊信息(Sub_fuzzy)、客觀確定信息(Obj_cert)、客觀隨機信息(Obj_rand)、客觀模糊信息(Obj_fuzzy)。主觀確定信息指駕駛員的主觀想法，這里主要指路線偏好。主觀模糊信息指駕駛員本身無法用具體數(shù)值表示的特性，需要進(jìn)行模糊化處理，這里主要指駕駛員的擁塞避免指數(shù)?？陀^確定信息指駕駛員所處環(huán)境的確定信息，不需要進(jìn)行處理就能得到?？陀^隨機信息指由于駕駛員不同認(rèn)知能力，存在隨機偏差的感知信息，這里主要指駕駛員對路網(wǎng)熟悉程度不同導(dǎo)致的不同感知阻抗?？陀^模糊信息指所處環(huán)境中駕駛員無法定量表示的模糊變量，這里主要指道路車流量密度。

感知層對分類信息的預(yù)處理函數(shù)假設(shè)如下：

Sub_cert=f_sc(Prefer)

(1)

Sub_fuzzy=f_sb(Fami,Wred)

(2)

Obj_cert=

f_oc(Sum_lane,N_lane,T_green,V_max,V_self,Loc)

(3)

Obj_rand =f_or(Fami,Li,Ci,T_freei, Volume)

(4)

Obj_fuzzy=

f_of(Self_densi,Neib_densi,V_fro,V_neib,D_fro,D_neib)

(5)

主觀確定信息處理函數(shù)f_sc和客觀確定信息處理函數(shù)f_oc由于無需對信息進(jìn)行處理，結(jié)果等于輸入信息，f_sc和f_oc為：

f_sc=x

(6)

f_oc=x

(7)

客觀隨機信息處理函數(shù)f_or需要考慮駕駛員本身的認(rèn)知能力，駕駛員對路網(wǎng)熟悉程度不同，對路段的感知阻抗也不同，會選擇不同的感知最優(yōu)路徑。路網(wǎng)熟悉程度Fami∈(0,1)，F(xiàn)ami值越大，感知阻抗R越接近真實阻抗，則f_or為：

f_or=R=x[1±(random(1-Fami))]

(8)

其中，+或-由駕駛員特性決定。當(dāng)駕駛員路線偏好為路徑最短(Prefer = Shortest_path)時，阻抗考慮路段長度，R=L[1±(random(1-Fami))]。當(dāng)駕駛員路線偏好為時間最短(Prefer =Shortest_time)時，阻抗考慮路段行駛時間，R=T[1±(random(1-Fami))]。其中T=T_free[1+α(Volumn/C)β]，路段行駛時間隨交通量的變化而改變。

對主觀模糊信息處理函數(shù)f_sb和客觀模糊信息處理函數(shù)f_of采用模糊判斷的方法。駕駛員根據(jù)自身的感知對內(nèi)在因素和周圍環(huán)境信息做出判斷。主觀模糊信息和客觀模糊信息預(yù)處理后，相應(yīng)變量如擁塞避免指數(shù)(Wred)、本車道密度(Self_densi)、相鄰車道密度(Neib_densi)、變道條件(Lane_changing)可取值為高(High)、中(Mid)、低(Low)。

決策層是駕駛員對預(yù)處理信息的思維決策過程。不同路線偏好的駕駛員依據(jù)對路網(wǎng)的整體了解，選擇感知阻抗最小的路線為最優(yōu)路線，行駛過程中，周圍環(huán)境和鄰居代理可能對駕駛員路線偏好產(chǎn)生影響，不同擁塞避免指數(shù)的駕駛員可能改變路線、變更車道和車速。

變更路線的模糊規(guī)則如下：

規(guī)則1:ifWred=High&[Self_densi=High&(Neib_densi=Mid||Neib_densi=Low)]||(Self_densi=Mid&Neib_densi=Low)&(Lane_chan-ging=Sati||Lane_changing=Just_sati)&[random(1)

p1、p2、p3分別是擁塞避免指數(shù)為高、中、低駕駛員在滿足變更路線條件下變更路線的概率，可由調(diào)查獲得。

輸出層主要是駕駛員決策后的行為表現(xiàn)和偏好影響，行為表現(xiàn)體現(xiàn)在下一行駛路段、車道、車速的變化，路線偏好受駕駛員本身擁塞避免指數(shù)和長時間路網(wǎng)擁塞的影響。

2 基于智能代理的動態(tài)交通分配

確定駕駛員智能路線決策機制后，OD矩陣所對應(yīng)的駕駛員便根據(jù)決策路線行駛，由此匯聚成整體的交通分配狀態(tài)。按圖3所示流程圖實現(xiàn)智能代理的動態(tài)交通分配IATAM。

圖3 基于智能代理的動態(tài)交通分配流程圖

圖3中，首先根據(jù)OD矩陣獲得對應(yīng)駕駛員的起訖點、駕駛員綜合個人信息和環(huán)境信息后進(jìn)行智能路線決策，然后依照決策路線行駛，下一刻的路線決策隨個人想法和交通環(huán)境的變化而不斷更新，直到所有駕駛員到達(dá)目的地。

3 實驗與分析

3.1 實驗?zāi)康呐c方法

本文的實驗?zāi)康氖菍λ鶚?gòu)建的動態(tài)交通分配模型IATAM進(jìn)行仿真和分析。主要分為以下兩點：一是通過對IATAM模型與其他模型交通分配后的路段流量與路網(wǎng)采集真實數(shù)據(jù)的對比，表明IATAM模型結(jié)果精度更高；二是對相同目的地駕駛員行駛路線總數(shù)的分析，表明駕駛員路線選擇的隨機性。

圖4 抽象地圖

本文采用Netlogo仿真平臺進(jìn)行模型驗證。對南京市鼓樓區(qū)部分路網(wǎng)抽象簡化，構(gòu)建圖4所示的交通路網(wǎng)。圖中圓點表示交通小區(qū)中心，三角形表示按OD覆蓋和最大流量比原則[8]設(shè)置的檢測點，線條顏色越深通行能力越大。按圖3所示基于智能代理的動態(tài)交通分配流程進(jìn)行仿真，相關(guān)數(shù)據(jù)通過地圖和訪問調(diào)查獲取。

3.2 實驗結(jié)果與分析

(1)模型誤差分析

仿真中，將15 min的OD需求分配至交通小區(qū)中心，各駕駛員按照IATAM模型行駛向目的地，把IATAM模型檢測點車流量與道路實測檢測點車流量以及其他分配模型(平衡分配法、比例配流法)進(jìn)行比較，部分檢測點如圖5所示，并根據(jù)式(9)計算不同模型檢測點車流量與道路實測檢測點車流量的平均相對誤差(Average Relative Error,ARE)。

圖5 不同模型檢測點車流量與道路實測車流量對比

(9)

IATAM模型ARE=6.42%，比例配流法ARE=9.95%，平衡配流法ARE=11.93%。由于OD矩陣本身的誤差，交通分配后的車流量誤差無法達(dá)到非常小，但I(xiàn)ATAM模型相比其他模型精度更高，能更好地模擬真實路網(wǎng)。

(2)駕駛員路線選擇隨機性分析

記錄仿真中兩地間的距離以及兩地間所有駕駛員的行駛路線總數(shù)。對兩地距離進(jìn)行劃分，并對在劃分距離內(nèi)的不同行駛路線總數(shù)取平均值。畫出IATAM模型平均行駛路線數(shù)與兩地距離的圖像，并與路網(wǎng)實測數(shù)據(jù)作對比，如圖6所示。

圖6 駕駛員路線總數(shù)與兩地直線距離關(guān)系

圖6中，隨著兩地距離的增加，駕駛員的行駛路線總數(shù)呈現(xiàn)波動增長趨勢，當(dāng)兩地直線距離小于10 000 m時，增長速度較快；當(dāng)兩地直線距離大于10 000 m后，增長速度減緩。圖6表明，行駛距離越長，駕駛員路線選擇隨機性越大。

4 結(jié)論

本文對交通分配中的駕駛員路線決策行為進(jìn)行建模。在建模過程中，依據(jù)駕駛員的不同路線偏好，考慮主觀信息模糊性和客觀信息隨機性，結(jié)合駕駛員行駛過程中的擁塞避免，提出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的路線決策機制。本文提出的IATAM模型很好地體現(xiàn)了交通分配過程中的主觀性、不精確性和隨機性。然而，IATAM模型仍然存在局限性。在本文基礎(chǔ)上，進(jìn)一步的研究工作可以從以下兩方面展開：一是路段阻抗的計算，IATAM模型考慮路線偏好為時間最短時路段阻抗采用美國BPR路阻函數(shù)，但實際路網(wǎng)中，影響路段阻抗的因素很多，比如相鄰車道車流量、紅綠燈情況等，需要修正阻抗函數(shù)，從而更加貼近現(xiàn)實；二是交通分配模型的精細(xì)化，IATAM模型考慮了道路密度、駕駛員路線偏好、路網(wǎng)熟悉程度、擁塞避免指數(shù)等模糊隨機變量對路線決策的影響，實際交通分配更為復(fù)雜，需要有更多的考慮。

[1] 陳彥如,蒲云.用遺傳算法解決固定需求交通平衡分配問題[J].西南交通大學(xué)學(xué)報(自然科學(xué)版),2000,35(1):44-47.

[2] Lu Shiqiang, Dai Shoufeng, Liu Ximin. A discrete traffic kinetic model-integrating the lagged cell transmission and continuous traffic kinetic models[J]. Transportation Research Part C Emerging Technologies, 2011, 19(2):196-205.

[3] 周溪召. 駕駛員實時動態(tài)路徑選擇行為組合模型[J]. 上海理工大學(xué)學(xué)報, 2002, 24(2):109-112.

[4] 王衛(wèi)衛(wèi),趙小梅,李新剛,等.VMS對駕駛員路徑選擇影響的實證研究與建模[J].交通運輸系統(tǒng)工程與信息,2013,13(3):60-64.

[5] 李強, 繆立新, 段進(jìn)宇. 基于駕駛員路徑選擇的動態(tài)交通仿真模型[J]. 公路交通科技, 2001, 18(6):65-69.

[6] 朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J].江南大學(xué)學(xué)報(自然科學(xué)版), 2004, 3(1):103-110.

[7] 昌霞, 孫瑜, 冉婕,等. 基于時態(tài)的模糊描述邏輯初探[J]. 微型機與應(yīng)用, 2010,29(6):75-77.

[8] 伍建國, 王峰. 城市道路交通數(shù)據(jù)采集系統(tǒng)檢測器優(yōu)化布點研究[J]. 公路交通科技, 2004, 21(2):88-91.

Traffic assignment model based on intelligent agent

Wu Jing, Xu Minghai, Gu Hongbo, Xi Jiejie

(School of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China)

On account of the neglect of drivers’ bounded rationality and traffic dynamic and random in the existing traffic assignment study, the paper proposes the traffic assignment model based on intelligent agent (IATAM). Each driver is defined as an agent and has different route preference. Based on the composition of fuzzy stochastic information processes of all drivers, as well as the effect of neighbor drivers, the agent route decision-making mechanism is constructed which is like neural network. Average Relative Error (ARE) of IATAM model and actual road network in checkpoint volume is reduced to 6.42%, indicating that the IATAM model has higher prediction precision and conforms more to the complex traffic environment. Traffic assignment based on intelligent agent reflects the isomerism of drivers and the vagueness and randomness of route decision-making, which improves the accuracy of traffic volume significantly.

intelligent transportation; traffic assignment; intelligent agent; drivers’ behavior; route decision

U495

A

1674-7720(2016)04-0057-04

吳晶，徐名海，顧宏博，等.基于智能代理的交通分配建模[J].微型機與應(yīng)用，2016,35(4):57-60，64.

2015-09-21)

吳晶(1990-)，通信作者，女，碩士研究生，主要研究方向：基于代理的交通流建模研究與實現(xiàn)。E-mail：1158669263@qq.com。

徐名海(1976-)，男，博士，副教授，主要研究方向：下一代網(wǎng)絡(luò)。

顧宏博(1990-)，女，碩士研究生，主要研究方向：基于復(fù)雜網(wǎng)絡(luò)的交通力學(xué)。