曾 志，曾 璐，肖 松，李文正

（江西理工大學(xué)電氣工程與自動化學(xué)院，江西 贛州 341000）

在當(dāng)今社會的發(fā)展中，隨著城市規(guī)模的不斷擴(kuò)大，中國城市的交通現(xiàn)狀具有如下特點：軌道交通尚處于起步發(fā)展階段、大多數(shù)地區(qū)的交通管理水平能力較低；隨著公共交通數(shù)量的不斷減少，私家車等機(jī)動車數(shù)量的迅猛增加，導(dǎo)致了城市的交通擁堵現(xiàn)象日益嚴(yán)重。根據(jù)亞當(dāng)斯定律，當(dāng)交通供給量總是小于交通需求量時，只是一味地為道路增加基礎(chǔ)設(shè)施，是難以達(dá)到解決城市中交通道路擁擠現(xiàn)象的目的。道路面積的增加、基礎(chǔ)設(shè)施的完善、道路質(zhì)量的提高，在短時間內(nèi)可以達(dá)到緩解交通擁擠的作用。但是一段時間后，更多的車輛會因此而都選擇這條最優(yōu)路徑，此時的“最優(yōu)路徑”也將不再是最好的選擇，所以交通擁堵的現(xiàn)象難以得到徹底改善。以2019年的上海市為例，由于其經(jīng)濟(jì)的發(fā)展十分迅速，機(jī)動車的數(shù)量也在不斷上升，造成上海市高峰時期的交通堵塞現(xiàn)象十分嚴(yán)重。

既有研究通常以最優(yōu)路徑的選擇來求解交通路徑分配問題。其中Logit模型交通分配問題的路徑選擇上，具有計算簡單的特點，因而被大量研究者采用。王文靜等[1]提出了基于Logit模型和BPR阻抗函數(shù)的容量限制-多路徑交通分配研究，最終得到了包括分配流量、次數(shù)、結(jié)果和Logit模型這4個因素的函數(shù)關(guān)系。周和平等[2]將魯棒成本與多路徑分配相結(jié)合，用算例結(jié)果達(dá)到了驗證其方法有效性的目標(biāo)。馬捷等[3]利用算例模擬了廣義重疊在路徑選擇問題上會產(chǎn)生的影響，并且提出了一個可以對廣義重疊問題進(jìn)行有效解決的模型。林湛等[4]面對乘客在城市軌道交通的出行問題上，提出了改進(jìn)Logit模型，模擬出了有效的客流分配方法。然而Logit模型在解決交通擁堵的問題上，研究者也提出了不同的方法。白靜等[5]研究出用戶在不同情況下面對堵塞問題具有不同體驗，因此提出一種誘導(dǎo)方法來進(jìn)行路徑分配。通過算例的仿真模擬，有效解決突發(fā)的交通擁堵問題。韓直等[6]利用了預(yù)測誘導(dǎo)的方法，構(gòu)建了相關(guān)模型，其方法在緩解交通堵塞的問題上具有顯著效果。兩者均是以誘導(dǎo)為基礎(chǔ)，來解決交通擁堵問題。李蜜等[7]提出了一種交通擁堵下基于可靠度的出行路徑模型，并經(jīng)算例分析，建立了相關(guān)靜態(tài)模型，在解決交通擁堵問題方面具有參考價值。

由于現(xiàn)實中交通網(wǎng)絡(luò)中各路徑的情況是瞬息萬變的，是一種非平衡、動態(tài)的交通網(wǎng)絡(luò)，上述算法在實際的動態(tài)變化交通問題上不能較好地解決實時交通擁擠的現(xiàn)象。學(xué)者關(guān)于動態(tài)交通網(wǎng)絡(luò)下的路徑分配問題有了進(jìn)一步研究。傳統(tǒng)的Dijkstra算法[8-10]是解決最短路問題的有效方法，通過每輪迭代，解決用戶最優(yōu)平衡模型，有效縮短交通出行時間。但在交通路徑分配中，該算法耗時長，所以難以在非平衡模型以及大型交通網(wǎng)絡(luò)中得以運(yùn)用。李軍等[11]提出了一種基于路段間轉(zhuǎn)移概率的最優(yōu)路徑預(yù)測方法，解決了路徑阻抗計算困難的問題，并且方法簡單可靠。宮恩超等[12]在發(fā)現(xiàn)傳統(tǒng)的靜態(tài)算法在解決動態(tài)交通問題上的困難后，提出了一種基于Bellman-Ford算法的路徑分配方法，實現(xiàn)了動態(tài)交通網(wǎng)絡(luò)下的最優(yōu)路徑計算。黃崇超等[13]提出了一種擬Frank-Wolfe算法，在解決非平衡交通的問題上具有高效可靠的特點。但是上述方法都存在著一定的缺陷，不能完全解決交通擁堵的問題。隨著5G時代的到來，使智慧交通[14]有了更好的基礎(chǔ)支持，車聯(lián)網(wǎng)也推動著無人駕駛技術(shù)的發(fā)展。

針對上述問題，本文提出5G背景下的路徑選擇協(xié)同優(yōu)化方法。在5G應(yīng)用環(huán)境下，采集道路狀態(tài)數(shù)據(jù)，構(gòu)建路徑阻抗函數(shù)，基于Logit模型計算出均衡條件下路徑分配概率，從而實現(xiàn)在實時動態(tài)交通網(wǎng)絡(luò)的最優(yōu)路徑選擇。

1 5G環(huán)境下路徑選擇分配方法

1.1 交通擁堵的原因

在人們的日常出行中，堵車現(xiàn)象頻繁出現(xiàn)，交通堵塞不僅使得人們的出行不便利，給人們的生活帶來一定的困擾，而且也會為城市的發(fā)展帶來不利的影響。而基于此類影響，城市目前存在2種解決方案：首先可以通過完善交通設(shè)施，修建更寬的道路等方法來緩解此類問題，但在高峰時間段，車輛較多并且大量涌入的情況下，也只能是治標(biāo)不治本。其次可以通過導(dǎo)航軟件，為出行者分配路徑的方法，從而使出行者可根據(jù)系統(tǒng)所分配的路線行駛。但遇到堵車的情況，導(dǎo)航軟件也只能在地圖上標(biāo)明幾種路徑，不能實時為出行者提供最優(yōu)路線。

堵塞的情況分為以下3種：①當(dāng)前道路此時的車流量過大，加上該路段的路口較多，等待紅綠燈的時間較長，從而出現(xiàn)交通堵塞現(xiàn)象；②在某一條道路上，可能存在著道路堵塞和道路通暢的情況，每條道路的路況不同，出行者便不能準(zhǔn)確了解哪一條道路為最優(yōu)路徑；③出行者在開車途中，由于不能實時了解到道路信息，如前方道路已經(jīng)造成堵塞情況，后來的車輛便可能不斷駛?cè)攵氯牡缆?，從而引起更大的堵塞狀況。

而本文中該算法將為出行者提供完整的路徑阻抗信息，并為其自動分配最優(yōu)路線。在車流量較大的情況下能有效地將每一條路線都利用起來，提高交通的行車效率，合理利用交通資源。

1.2 路徑的阻抗函數(shù)

出行者對路徑的選擇是由多方面因素影響的，其中影響大致分為了2種，分別為外部影響和內(nèi)部影響。外部影響主要是交通道路方面的，即路徑阻抗，其中包括當(dāng)前選擇路徑的堵塞程度、行車時間、路徑的長度和寬度、交通設(shè)施如紅綠燈個數(shù)等。內(nèi)部影響主要是出行者自身方面的，其包括路徑所耗的行車費(fèi)用、出行者的心理變化等。

全文統(tǒng)一路徑阻抗根據(jù)路徑選擇因素進(jìn)行分析，選擇車流量、路徑長度、道路總耗時等因素構(gòu)成任意道路的綜合阻抗。

1.3 Logit模型

在大型城市動態(tài)交通系統(tǒng)中，交通線路錯綜復(fù)雜。在人們選擇路線時，從同一個起點和同一個終點，存在著許多條可以到達(dá)的道路。但人們往往會選擇路程短、耗時少的道路，即有效最優(yōu)路徑。利用路徑導(dǎo)行、DTA以及動態(tài)交通控制一體化的融合[15]，對交通網(wǎng)絡(luò)中的動態(tài)有效路徑進(jìn)行搜索。

Logit模型，又被稱為“邏輯回歸”，是最早的離散選擇法模型。由于Logit模型具有計算簡單、應(yīng)用方便等特點，所以其模型是當(dāng)前應(yīng)用范圍最廣的模型。其應(yīng)用的范圍主要包含了社會學(xué)、生物統(tǒng)計學(xué)、計量經(jīng)濟(jì)學(xué)以及交通領(lǐng)域等方面，并且在此模型的基礎(chǔ)上，衍生出了其他模型，形成了一個完整的體系，如Probit模型、NL模型、Mixed Logit模型等。

在本文中，利用基于Logit模型以及路徑的阻抗函數(shù)，來計算選擇各路徑的概率大小。其公式形式為：

1.4 路徑的分配方法

本文假設(shè)各條道路中已被5G基站所覆蓋，道路上攝像頭分配密集且均勻，覆蓋所有的有效路徑。5G基站為車輛移動通信提供技術(shù)支持，攝像頭對來往車輛進(jìn)行拍攝記錄。將拍攝到的信息，如車流量、紅綠燈數(shù)量等信息，上傳至云端服務(wù)器，在服務(wù)器端進(jìn)行對值的計算。車聯(lián)網(wǎng)概念圖如圖1所示。由于5G平臺具有極低的網(wǎng)絡(luò)延遲、滿足交通的海量車流量、支持高速移動的特點，導(dǎo)致服務(wù)器端能不斷更新值來支持路徑分配。

圖1 車聯(lián)網(wǎng)結(jié)構(gòu)圖

在遇到突發(fā)的堵塞狀況時，當(dāng)車輛即將駛?cè)氲缆非?，?jīng)系統(tǒng)的算法計算后，將車輛自動分配到分配值最小的路徑上。此時值最大，即發(fā)生突發(fā)交通堵塞的路徑，將暫不分配車輛，以此來緩解疏通交通堵塞。直到其他路徑的值不斷增大與這條路徑的值相等時，此時車輛可隨機(jī)進(jìn)行分配。但其仍需要以保持每條路徑的阻抗值相等為核心原則，即保證每條路徑都能作為動態(tài)最優(yōu)路徑。

由于車輛在進(jìn)入到被分配的道路和該道路末端車輛駛出道路后，將會改變該條路徑的總阻抗值。通過前端攝像頭的監(jiān)視以及車聯(lián)網(wǎng)技術(shù)的支持，將所得到的最新信息不斷發(fā)送給服務(wù)器端。每間隔一小段時間發(fā)送一次，服務(wù)器端通過每次更新的情況對路徑總阻抗值進(jìn)行計算，得出最新的每條路徑被分配概率。以此不斷對路網(wǎng)中來往車輛進(jìn)行循環(huán)分配，保證交通網(wǎng)絡(luò)的通暢。其中路徑分配流程如圖2所示。

圖2 路徑分配流程圖

2 實例算法模擬

2.1 實時交通模擬流量

根據(jù)相關(guān)的數(shù)據(jù)資料對參數(shù)進(jìn)行分析，并且利用大量問卷調(diào)查的結(jié)果，以此來建立多元線性回歸模型的方法，對本文中的參數(shù)進(jìn)行估計。對于無實際數(shù)據(jù)支持的參數(shù)，將采用既有的研究城市軌道交通的參數(shù)[16]來代替，從而得出本文算法中的參數(shù)取值。具體參數(shù)的取值如表1所示。

表1 參數(shù)表

2.2 交通低峰期

交通低峰期各路徑的模擬量如表2所示。表2中數(shù)據(jù)為北京市兩地點，在白天正常無明顯交通堵塞情況下的4條路徑的道路情況，其中包含路徑長度、預(yù)計車輛行駛時長、紅綠燈個數(shù)、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表2 交通低峰期模擬量

其中紅綠燈時長為固定值30 s，且在理想行車情況下用本文的算法進(jìn)行計算。由計算可得，有24.91%的概率分到路徑1，有25.20%的概率分到路徑2，有25.41%的概率分到路徑3，有24.48%的概率分到路徑4。

由于此時的交通都較為正常，并無明顯堵塞現(xiàn)象出現(xiàn)，所以經(jīng)過本算法的模擬結(jié)果得出，車輛被分配到每條路徑的概率基本相同，其中得出的最優(yōu)路徑為路徑1。

2.3 交通高峰期

交通高峰期各路徑的模擬量如表3所示。表3中數(shù)據(jù)為北京市兩地點，在晚高峰時期正常存在明顯交通堵塞情況下的4條路徑的道路情況。其中包含路徑長度、預(yù)計車輛行駛時長、紅綠燈個數(shù)、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表3 交通高峰期模擬量

其中紅綠燈時長為固定值30 s，且在理想行車情況下用本文算法進(jìn)行計算，由計算可得，有19.73%的概率分到路徑1，有29.79%的概率分到路徑2，有29.03%的概率分到路徑3，有21.45%的概率分到路徑4。由于此時的路徑1和路徑4車流量都較大，出現(xiàn)明顯的擁堵狀況，經(jīng)過算法的模擬結(jié)果得出，車輛被分配到路徑2和路徑3的概率較高。其中得出的最優(yōu)路徑為路徑2。

2.4 經(jīng)算法改進(jìn)后的交通高峰期

根據(jù)讓每條路徑上的總阻抗值都相等的條件，來對2.3中的19 702輛車進(jìn)行最優(yōu)路徑的重新分配。此時表4中模擬的是經(jīng)算法改進(jìn)后的交通晚高峰期各路徑的道路情況。其中包含路徑長度、預(yù)計車輛行駛時長、紅綠燈個數(shù)、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表4 經(jīng)算法改進(jìn)后的交通高峰期模擬量

其中紅綠燈的時長為固定值30 s，且在理想行車的情況下根據(jù)本文的算法進(jìn)行最優(yōu)路徑分配。此時由算法計算可以得出，有25%的概率分到路徑1，有25%的概率分到路徑2，有25%的概率分到路徑3，有25%的概率分到路徑4。由此可見，經(jīng)過算法的模擬分配最優(yōu)路徑的改進(jìn)后，此時，每條路徑都可以作為最優(yōu)路徑去進(jìn)行選擇。其MATLAB仿真結(jié)果如圖3所示。

圖3 經(jīng)算法改進(jìn)后的交通高峰期仿真結(jié)果

3 結(jié)果分析

通過以上的交通模擬以及算法的計算結(jié)果，可以得出以下分析和結(jié)論：①在交通的低峰時期，車流量較少的情況下時，由于道路上的車輛較少，屬于車輛行駛的理想狀況，所以此時每條路徑的阻抗較為平均，算法得出的結(jié)果所分配動態(tài)最優(yōu)路徑的概率基本相同，因此此時出行者只需選擇自己偏好的路線即可。②在交通的高峰時期，車流量變大的情況下時，未經(jīng)本文方法所分配的車輛，如本文2.3中，出行者沒有提前了解到路況信息，大部分人都選擇路徑較短或者所需時間最少的道路，導(dǎo)致其中一條或兩條路徑的阻抗變得越來越大。但車輛卻還是源源不斷地駛?cè)耄罱K造成的結(jié)果便是交通堵塞，而通常堵塞的道路一時間難以疏通，所以造成更大的交通堵塞。③在交通的高峰時期，交通設(shè)施越好，出行者選擇路徑的概率越大。如本文中2.3所模擬的車流量，道路寬度越寬的路徑，車流量也遠(yuǎn)遠(yuǎn)大于其他路徑，因此會造成交通堵塞情況發(fā)生，此時存在路徑上的阻抗遠(yuǎn)大于其他路徑，這些路徑不適合車輛繼續(xù)駛?cè)?。則需要經(jīng)本文方法來為來往車輛進(jìn)行最優(yōu)路徑分配，如本文2.4中，通過本文的方法分配交通網(wǎng)中的車輛，以每條路徑的總阻抗始終保持相同為核心原則進(jìn)行最優(yōu)路徑協(xié)同優(yōu)化。④由于交通低峰期不經(jīng)本文的最優(yōu)路徑分配方法也能做到路徑阻抗基本一致，所以本文僅對交通高峰期，路徑會造成堵塞的情況來進(jìn)行研究。經(jīng)本文方法調(diào)整后交通高峰時期的路徑，對比未經(jīng)調(diào)整的路徑，經(jīng)計算可以得出以下數(shù)據(jù)結(jié)論。經(jīng)過調(diào)整后的路徑，道路的利用效率提高了50%～64%，道路堵塞程度降低了12%～16%。這樣不僅解決了交通堵塞問題，而且還提高了路徑的最大利用效率。

4 總結(jié)

本文提出的基于5G狀態(tài)下的路徑協(xié)同優(yōu)化，其技術(shù)基于5G、車聯(lián)網(wǎng)、云計算等。交通網(wǎng)絡(luò)通過攝像頭拍攝，識別車輛在指定區(qū)域內(nèi)的駛?cè)牒椭付▍^(qū)域內(nèi)的駛出數(shù)量，來實現(xiàn)車流量地統(tǒng)計和路況信息的傳遞。將這些信息上傳至云端服務(wù)，由于5G網(wǎng)絡(luò)具有低延遲、高流量、高可靠、高移動的特點，為路徑阻抗因素的獲取提供了堅實的保障。本文中的算法根據(jù)實時監(jiān)測的路況信息，來計算路徑的總阻抗函數(shù)，利用基于Logit模型來分配動態(tài)交通網(wǎng)絡(luò)的最優(yōu)路徑。在發(fā)生交通堵塞狀況時，可以將未駛?cè)攵氯缆返能囕v提前分配好最優(yōu)路徑，從而讓堵塞的路徑阻抗不斷減小，最終得以疏通緩解。根據(jù)每條路徑的阻抗都保持相等的原則進(jìn)行分配，這樣既解決交通堵塞等問題，又能讓出行車輛的耗行成本保持基本一致，并且還提高了交通網(wǎng)絡(luò)中的路徑最大利用效率。

本文的研究沒有考慮出行者的心理變化，但是在實際生活中，出行者心中的最優(yōu)路徑會存在差異性。因此，下一步的研究方向?qū)⑹强紤]出行者的心理等情況的路徑協(xié)同優(yōu)化。