庹昊南，劉 佑，付 強，何明帆，唐進君，熊 宸

（1.中南大學交通運輸工程學院，湖南 長沙 410075；2.中山大學深圳校區(qū)智能工程學院，廣東 深圳 518107)

0 引言

智能交通系統(tǒng)（Intelligent Transportation System,ITS）通過融合人、車、路和技術(shù)，顯著改善了交通出行的安全、效率和環(huán)境問題。但隨著交通出行需求的轉(zhuǎn)變，用戶希望獲得“主動式”的系統(tǒng)服務，因此，自組織運作與主動服務成為交通系統(tǒng)發(fā)展的新方向。在此背景下，智能交通系統(tǒng)過渡到自主式交通系統(tǒng)（Autonomous Transportation System,ATS）[1]，改變了交通系統(tǒng)的傳統(tǒng)模式，面向車輛協(xié)同服務[2]等業(yè)務場景，依托下一代通信、智能計算[3]等新興技術(shù)，基于感知、學習、決策、響應的自主化邏輯，形成了新一代交通系統(tǒng)指導框架。ATS 的構(gòu)建過程參考了2005 年中國智能交通系統(tǒng)體系框架（第二版）[4]，并將服務域由9 個拓展到12 個[5]。相較于ITS，ATS 出現(xiàn)了更多自主性元素，以提供主動式交通服務。

從系統(tǒng)論的角度，系統(tǒng)的結(jié)構(gòu)、狀態(tài)等會在時間維度不斷發(fā)生變化[6]，因而系統(tǒng)具備演化性。ATS 作為系統(tǒng)的一種，同樣存在演化機制，各要素之間的相互作用關系是推動其演化的主要動力[7]，因此，研究ATS 要素之間的關系能夠推斷系統(tǒng)架構(gòu)的變動，從而探索系統(tǒng)演化特性，闡釋自組織演化機制。既有研究多集中于交通方式、交通流、交通子系統(tǒng)能力的演化模型。顏姜慧[8]認為智能汽車是未來核心的出行方式，著重將智能汽車作為智慧交通系統(tǒng)自組織演化的序參量，定性地構(gòu)建了智慧交通系統(tǒng)序參量方程，但對智能汽車以外的要素未做探討。趙學彧等[9]建立了軌道交通和公交的競合機制模型，解析了這兩種出行方式在不同時期的競爭合作關系的演化機制。Biham 等[10]基于動力學模型開展了交通流演化理論的研究。Younes 等[11]提出了一種流量評估和擁堵檢測協(xié)議，可以檢測城市網(wǎng)格布局區(qū)域中交通擁堵嚴重的路段，探究了擁堵隨時間的演變情況。馬慶祿等[12]根據(jù)交通流理論，構(gòu)建擁堵演化模型，并對智能網(wǎng)聯(lián)車輛在不同滲透率下的擁堵情況進行了模擬，分析了不同滲透率對于緩解擁堵的效果。Sun等[13]將全球的機場、航線分別視為節(jié)點、邊，從復雜系統(tǒng)角度衡量了COVID-19對航空運輸系統(tǒng)的影響，分析了全球機場網(wǎng)絡的時空演變特征。邵志國等[14]基于生態(tài)學Logistic 模型，對區(qū)域交通基礎設施的演化動力進行了研究。

總體而言，當前演化機制研究或僅針對交通子系統(tǒng)，或忽視了系統(tǒng)內(nèi)部要素之間的關聯(lián)性。面向整個交通系統(tǒng)架構(gòu)，針對要素作用方式及其對交通系統(tǒng)網(wǎng)絡形態(tài)影響的研究較少。但系統(tǒng)工程強調(diào)整體性，只有全局考量結(jié)構(gòu)、功能之間的關聯(lián)、制約和促進關系，才能準確審視系統(tǒng)的發(fā)展，以利于管理者作出決策。因此，研究交通系統(tǒng)要素的相互聯(lián)系和作用方式的變化，揭示宏觀交通系統(tǒng)架構(gòu)演化機理，具有重要的現(xiàn)實意義。

鑒于此，本文以自主式交通系統(tǒng)為研究對象，基于文本挖掘的方法獲取若干系統(tǒng)要素；基于本體理論，建立多種要素之間的語義關系，構(gòu)建自主式交通系統(tǒng)的知識模型；基于產(chǎn)生式規(guī)則的知識推理方法，推理自主式交通系統(tǒng)知識模型，并計算推理前后的網(wǎng)絡特性，對比分析交通系統(tǒng)要素間相互作用關系對系統(tǒng)演化的影響。

1 基于文本挖掘方法抽取ATS 本體要素

1.1 本體簡述及ATS本體要素抽取流程

本體（Ontology）作為描述事物的概念化規(guī)范[15]，能夠使用明確的語言描述有限范圍內(nèi)事物，并厘清研究對象的知識結(jié)構(gòu)。本體擁有6 項基本要素：概念（Concept）、屬性（Property）、關系（Relationship）、實例（Instance）、規(guī)則（Rule）和公理（Axiom），通過搭建交通要素的層級結(jié)構(gòu)和關聯(lián)關系，能夠形成交通本體，從而結(jié)構(gòu)化表達交通領域知識，將交通領域的靜態(tài)知識與動態(tài)操作知識獨立開[16]。本體應用包括語義檢索、知識推理等[17]。

諸多研究[18-20]構(gòu)建了交通系統(tǒng)或子系統(tǒng)的本體，但其構(gòu)建過程依賴大量人工，主要原因在于提煉概念和發(fā)現(xiàn)實例的過程成本較高。為在一定程度上減輕人工干預，基于文本挖掘方法抽取概念和實例。本體的屬性、關系、規(guī)則通常由人工直接確定。抽取流程如圖1所示。第1.2節(jié)數(shù)據(jù)集成與預處理，作用是對原始語料進行數(shù)據(jù)整合和數(shù)據(jù)預處理，從而形成質(zhì)量語料庫。第1.3 節(jié)、1.4 節(jié)分別構(gòu)建LDA 模型和BERT-BiLSTM-CRF模型，從語料庫中抽取ATS 概念和實例。需要說明的是，由于ATS 是復雜的巨系統(tǒng)，對概念和實例存在一定約束，故而在概念抽取和實例抽取階段，會根據(jù)前向課題的輸出和ATS 構(gòu)建需要，有針對性地進行人工校正。

1.2 數(shù)據(jù)集成與預處理

從政府部門網(wǎng)站、書籍報刊等數(shù)據(jù)源收集文本語料，滿足構(gòu)建自主式交通本體的數(shù)據(jù)基礎。本文數(shù)據(jù)源主要包括交通系統(tǒng)框架方面的權(quán)威著作《智能交通系統(tǒng)體系框架原理與應用》[21]、國家相關管理規(guī)定如《道路危險貨物運輸管理規(guī)定》及其他文獻。形成的文檔庫包含了部分無關文本，對最終的語料庫而言是一種信息干擾，因此需要對數(shù)據(jù)進行預處理，提升語料的質(zhì)量，同時也是為詞嵌入和特征研究作必要準備。

首先，經(jīng)過文本分類，過濾資料文件，判別其是否屬于交通領域，剔除與交通無關的內(nèi)容，例如交通應用程序接口設計文檔、數(shù)據(jù)傳輸協(xié)議文檔等不屬于研究范疇。其次，中文文本不同于英文文本，不以空格作為分隔符，無法直接清洗數(shù)據(jù)。因此，在數(shù)據(jù)清洗前必須對中文句子進行分詞處理，正確的分詞有利于提升概念抽取的準確度。分詞利用了Jieba分詞工具，并引入了用戶詞典，詞典中增加了交通領域詞匯以進一步提升分詞效果。分詞后的語料含有大量的數(shù)字字符、英文字符、標點符號等非常規(guī)字符，這些字符對于概念的表示沒有任何意義。同時包含了對建模意義不大的停用詞如連詞（“因為”）、常見詞（“章”）、虛詞、語氣詞等，以上出現(xiàn)頻率較高的詞語會影響整個語料的詞匯分布，因而有必要進行數(shù)據(jù)清洗。清洗無關字符和常用中文詞語的手段包括正則匹配后刪除、導入停用詞詞表后刪除。最后，詞性標注是為每個詞標注正確的詞類，包括名詞、形容詞、介詞等。詞性標注可輔助概念抽取，使模型僅輸出名詞類的結(jié)果。

1.3 概念抽取

狄利克雷分布[22]（Latent Dirichlet Allocation,LDA），是基于三層貝葉斯概率模型的主題生成模型，該模型假設了“由文檔確定主題服從多項式分布、由主題確定詞服從多項式分布”的過程，其模型表示如圖2 所示。其中，M,K分別代表文檔數(shù)量、主題數(shù)；θm,φk分別代表文檔m的主題分布矩陣與主題k的詞分布矩陣，大小分別為M×K,K×V；α是文檔-主題先驗分布的Dirichlet 分布參數(shù)，β是主題-詞先驗分布的Dirichlet 分布參數(shù)；W,Z分別為可觀測詞及其潛在的主題。方框表示重復抽樣。首先，由Dirichlet 分布生成文檔di的主題分布從θm中抽取出主題Zm,n；其次，生成主題對應的詞分布抽取詞Wm,n?；赑ython第三方庫gensim.ldamodel[23]訓練LDA 語言模型，其關鍵參數(shù)包括：主題數(shù)num_topics=1,主題詞個數(shù)num_words=3，整個語料的訓練輪次passes=20，迭代次數(shù)iterations=1000，ID 映射字典采用BoW詞袋模型，α,β通過自動學習得到。

圖2 LDA主題模型結(jié)構(gòu)

針對不同數(shù)據(jù)源，LDA 給出的結(jié)果及實際確立概念如表1所示。模型輸出結(jié)果的描述形式為："主題詞"（概率）[24]。概率越大表明該主題詞越能代表數(shù)據(jù)源的中心詞。同時根據(jù)ATS 架構(gòu)的需要，有針對性地對概念進行人工刪減和改動，從而確立出實際概念。

表1 基于LDA模型挖掘的概念示例

1.4 實例抽取

抽取若干核心詞語作為自主式交通本體的實例，盡管已經(jīng)有成熟的關鍵詞抽取算法，如TFIDF、TextRank[28]等，但較為依賴詞頻，傾向于頻繁出現(xiàn)的詞，而上下文信息對于關鍵詞而言尤為重要。鑒于此，利用神經(jīng)網(wǎng)絡BiLSTM 模型提取雙向文本信息，加上CRF 層最大概率確保臨近字符的依賴關系[29]。將BERT 作為預訓練模型，其作為一種自監(jiān)督學習的端到端（End-to-End）模型[30]，充分融合語境特征和語義信息，優(yōu)化BiLSTM-CRF預測標簽的性能，從而增強實例抽取的效果。本文基于預先訓練好的BERT-BiLSTMCRF 實體抽取模型（模型結(jié)構(gòu)如圖3所示，其中，X是簡略表示的實例標簽，O表示非實例），得到若干實例。同時參照自主式交通體系架構(gòu)前向課題輸出的規(guī)范要素，確認了實例的命名。

圖3 BERT-BiLSTM-CRF模型

2 自主式交通知識建模及可視化

第1章獲取了自主式交通領域的概念和實例，第2 章則是將概念和實例通過一定的邏輯方式組織起來，形成自主式交通系統(tǒng)本體，即實現(xiàn)對自主式交通系統(tǒng)的知識建模。利用圖數(shù)據(jù)庫作為本體存儲的載體，并實現(xiàn)自主式交通系統(tǒng)本體的可視化。

2.1 自主式交通本體構(gòu)建

自主式交通本體構(gòu)建是定義概念及實例的組織方式，從而形成語義網(wǎng)絡。其過程包括4 個主要步驟[31]（見圖4）。

圖4 自主式交通系統(tǒng)本體構(gòu)建流程

步驟1：定義概念間的上下位關系。通過定義概念的包含與被包含關系，形成上下位概念的層級結(jié)構(gòu)。如服務包含子服務，功能包含子功能等。關系用＜概念A，關系，概念B＞簡要表示，服務包含子服務可表示為＜服務，包含，子服務＞。

步驟2：定義概念間的非上下位關系。通過定義非上下位概念間的動作、過程等關系，形成概念間的實體鏈接，進一步形成概念網(wǎng)。非上下位關系包括＜功能，應用，技術(shù)＞，＜子功能，應用，設備＞等。

步驟3：定義概念的屬性。屬性是描述該概念特征、特性、參數(shù)的信息，可用來區(qū)分不同的概念，以屬性值對表示。

步驟4：填充概念的實例。實例是概念在數(shù)據(jù)層面的映射，是本體的底層對象。填充實例后，自主式交通本體構(gòu)建完成。

經(jīng)過上述步驟，形成自主式交通系統(tǒng)本體。圖5中展示的局部概念網(wǎng)絡主要圍繞ATS的服務，概念以有向線段連接，表示關系的方向。圖5 列舉了數(shù)據(jù)流的屬性作為屬性的說明示例。

圖5 自主式交通系統(tǒng)概念網(wǎng)絡

2.2 基于圖數(shù)據(jù)庫的自主式交通本體存儲

圖數(shù)據(jù)庫（Graph Database）是以節(jié)點和邊組成的數(shù)據(jù)庫管理系統(tǒng)。能夠可視化數(shù)據(jù)及其關系，能夠處理知識的語義關系是圖數(shù)據(jù)庫的優(yōu)勢，應用包括本體存儲、知識檢索和知識推理等。ATS 本體存儲選擇圖數(shù)據(jù)庫TypeDB，相較于其他數(shù)據(jù)庫如Neo4J 而言，實現(xiàn)知識推理的成本更低。TypeDB 采用E-R 模型（實體-關系模型）作為存儲數(shù)據(jù)的策略，除關系用菱形表示外，其他與圖5 中的ATS 概念網(wǎng)絡表達方式基本吻合，因此是實施ATS 本體存儲及后續(xù)知識推理的理想工具。

基于圖數(shù)據(jù)庫TypeDB 的數(shù)據(jù)庫關鍵字組成操作語句，創(chuàng)建ATS 概念，指定概念間的關系，聲明概念具有的屬性，通過批量導入ATS 實例實現(xiàn)本體存儲。

2.3 本體可視化

數(shù)據(jù)庫的直接作用是查詢數(shù)據(jù)，圖數(shù)據(jù)庫不僅可以直接查詢某個ATS 目標要素，還可以根據(jù)語義關聯(lián)查詢鏈接的要素，并以圖的形式返回查詢結(jié)果。如查詢“車載視覺感知”子服務包含哪些功能，且要求功能的名稱包含“視頻”。

執(zhí)行查詢語句，最終返回“車載視覺感知”子服務包含的“存儲導入與分析環(huán)境視頻數(shù)據(jù)”和“采集環(huán)境視頻數(shù)據(jù)”兩項功能及語義關系（見圖6）。其中，矩形表示實例，菱形表示關系，橢圓形表示屬性。

圖6 語義查詢結(jié)果

3 基于產(chǎn)生式規(guī)則推理的自主式交通系統(tǒng)演化

第2 章實現(xiàn)了自主式交通系統(tǒng)知識模型的構(gòu)建，接下來對本體開展應用研究，即知識推理，其目的是挖掘要素間隱含關系[32]，探究自主式交通系統(tǒng)演化機制。推理的方法為基于產(chǎn)生式規(guī)則的知識推理方法。

3.1 產(chǎn)生式規(guī)則

形成自主式交通本體后，能夠進一步實現(xiàn)知識推理。推理是為探究交通系統(tǒng)架構(gòu)的演化機理，同時可以驗證自主式交通本體語義功能。知識推理的方法基于產(chǎn)生式規(guī)則，產(chǎn)生式規(guī)則由條件和結(jié)論組成。例如，存在條件為“A與B、B與C分別是朋友關系”。此時若假定規(guī)則為“朋友的朋友仍具有朋友關系”，則可以推導出結(jié)論為“A與C 是朋友關系”。產(chǎn)生式規(guī)則是動作函數(shù)的表達，能夠清晰地表達邏輯推理過程，適合解決在直觀性、可讀性方面有需求的規(guī)則表述問題。產(chǎn)生式規(guī)則有如下定義。

規(guī)則庫由眾多規(guī)則組成，表示為式（1）：

式（1）中：R為規(guī)則庫；Ri為規(guī)則庫中的1 條具體規(guī)則。

規(guī)則Ri的書寫格式遵循語義網(wǎng)規(guī)則語言[33]（Semantic Web Rule Language,SWRL）。其組成為條件體和執(zhí)行體，規(guī)則定義如式（2）所示：

式（2）中：Pi為條件體，代表推理的前提；Qi為執(zhí)行體，代表推理的推論。

條件體P通常由多個條件構(gòu)成，如式（3）所示。

當所有條件為真（即條件滿足）的情況下，才能得到Q為真的推論。如式（4）所示，條件之間為“∧”（且）關系。

基于上述產(chǎn)生式規(guī)則，設定本體概念及語義關系為條件，推斷出的新關系為推論。因為實例是概念的個體數(shù)據(jù)，所以本體概念間的產(chǎn)生式規(guī)則可以指導實例的推理。因此，考慮基于產(chǎn)生式規(guī)則的知識推理方法，通過為自主式交通本體概念設立規(guī)則庫，推理實例層的關系變化。

3.2 實證分析

選取ATS 交叉口自動駕駛場景作為知識推理的示例。該場景由若干子服務組成，定義為車聯(lián)網(wǎng)環(huán)境下自動駕駛車輛通過交叉口。首先，依據(jù)知識模型，創(chuàng)建面向交叉口的自動駕駛場景要素網(wǎng)絡。其次，設立系統(tǒng)演化規(guī)則，輸入要素網(wǎng)絡中進行推理。最后，計算推理前后的網(wǎng)絡特征，分析要素網(wǎng)絡的演化機理。

3.2.1 系統(tǒng)演化規(guī)則定義

依據(jù)自主式交通本體，有針對性地設置演化規(guī)則。例如，子功能是對功能的拆解，子功能應用的技術(shù)和實現(xiàn)邏輯都與功能同步，通過功能與子功能的關系、功能與技術(shù)的關系、功能與邏輯的關系等設定演化規(guī)則。表2 展現(xiàn)了考慮概念相互作用所設定的自定義規(guī)則式。知識推理的特點在于不僅能夠?qū)崿F(xiàn)如規(guī)則1 和規(guī)則2 的一次推理級別，還實現(xiàn)了如規(guī)則3的二次推理。二次推理是在一次推理的基礎上展開再次推理，其實質(zhì)是利用一次推理的結(jié)論（＜子功能，依靠，邏輯＞），將其作為該條推理規(guī)則的條件，進而得到新的推論。

表2 系統(tǒng)架構(gòu)演化的推理規(guī)則與推理級別

3.2.2 系統(tǒng)演化結(jié)果及分析

從局部觀察，ATS 系統(tǒng)演化的結(jié)果為要素之間產(chǎn)生了新的連線（虛線為加入推理規(guī)則后，推理得到的連線），“子功能應用技術(shù)”的關系在實例間被挖掘出來，該子功能“生成通信協(xié)議與轉(zhuǎn)化格式”與技術(shù)“計算技術(shù)”間建立“子功能應用技術(shù)”的直接關系。推理后的局部自主式交通本體見圖7。

圖7 推理后的局部自主式交通本體

從全局統(tǒng)計，推理前自動駕駛場景要素網(wǎng)絡共有706 條關系（見表3），網(wǎng)絡呈樹狀結(jié)構(gòu)，如圖8（a）所示。推理后為1 169 條關系，呈多中心結(jié)構(gòu)，如圖8（b）所示。借助推理方法，共推理出463 條新關系，實現(xiàn)了要素間隱含語義關系的挖掘，促使自主式交通系統(tǒng)的要素網(wǎng)絡演化，使得ATS要素網(wǎng)絡更加健壯。

表3 推理前后網(wǎng)絡性質(zhì)對比

圖8 交叉口場景下ATS要素網(wǎng)絡推理對比圖

計算ATS 網(wǎng)絡性質(zhì)指標，對比分析推理前后網(wǎng)絡發(fā)生的變化。計算指標包括平均度、平均路徑長度和圖密度，計算結(jié)果見表3。平均度是平均每個節(jié)點擁有的邊數(shù)量，由推理前的1.418 增加至推理后的2.347，印證了該方法推理出463 條關系的結(jié)果。平均路徑長度反映任意兩個節(jié)點之間距離的平均值，由推理前的1.940 降至推理后的1.745，表明連通任意兩節(jié)點所需中轉(zhuǎn)的次數(shù)越少，網(wǎng)絡效率越高。圖密度衡量網(wǎng)絡完整性，ATS要素網(wǎng)絡的圖密度增加了0.002，表明網(wǎng)絡由稀疏演化為稠密。本質(zhì)上，ATS 的演化是一個從簡單到復雜、從非完備到逐漸完備的過程，系統(tǒng)通過不斷地挖掘要素之間的潛在通路，釋放系統(tǒng)架構(gòu)的能力，滿足交通出行的需求。

4 結(jié)束語

本文首先基于本體理論建立了自主式交通知識模型，接著依據(jù)知識模型構(gòu)建了交叉口自動駕駛要素網(wǎng)絡，利用產(chǎn)生式規(guī)則推理該要素網(wǎng)絡，研究了自主式交通要素的相互作用關系，通過計算網(wǎng)絡平均度等指標，對比分析了推理前后的網(wǎng)絡特征，從而得出結(jié)論：自主式交通系統(tǒng)的演化是其網(wǎng)絡形態(tài)從稀疏發(fā)展為稠密，網(wǎng)絡效率逐步提升的過程?；诒倔w的知識建模方法與基于產(chǎn)生式規(guī)則的知識推理方法探索了自主式交通系統(tǒng)架構(gòu)的發(fā)展規(guī)律，能夠為交通系統(tǒng)演化機制研究提供思路。

本研究尚有不足之處：首先，LDA 主題模型和BERT-BiLSTM-CRF 提升了抽取要素的效率，減輕了人工干預程度，但為精確地響應自主式交通系統(tǒng)框架的定義，包括要素增刪與修正等工作仍需人工介入；其次，要素間的關系依靠人工定義，原因在于本體對關系的明確化程度要求較高，而關系自動化抽取的穩(wěn)定性難以保證。在后續(xù)研究中將優(yōu)化面向交通文本抽取關系的方法。