【摘要】針對低速自動駕駛車輛（LSAV）運營過程中的用戶服務(wù)需求，基于行車主動服務(wù)系統(tǒng)（DASS）已有功能，設(shè)計了考慮用戶需求和LSAV服務(wù)范圍相協(xié)調(diào)的LSAV主動服務(wù)平臺（LSAV-ASP），包括感知層、存儲層和應(yīng)用層，感知層用于獲取交通網(wǎng)絡(luò)中實時的車輛、道路、交通環(huán)境等信息，存儲層用于將數(shù)據(jù)分類存儲至LSAV服務(wù)池，應(yīng)用層用于設(shè)計和應(yīng)用服務(wù)匹配方法和服務(wù)評價優(yōu)化算法，并提出了LSAV主動服務(wù)匹配算法和模糊優(yōu)化神經(jīng)網(wǎng)絡(luò)評價模型（FES-GALMBP），仿真驗證結(jié)果表明，所提出的匹配算法和評價模型相較于傳統(tǒng)算法性能更優(yōu)，評價模型對評價集LSAV客車運營質(zhì)量與運營安全性評價的準確率相較反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型準確率分別提高了49百分點和38百分點。

主題詞：低速自動駕駛車輛 主動服務(wù) 車聯(lián)網(wǎng) 服務(wù)平臺

中圖分類號：U467.4；TN928" "文獻標志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20230374

Research on Active Service Method for Low-Speed Automated Vehicles in the Internet of Vehicles Environment

Li Junhu1， Zhang Zhou1， Hua Guodong2， Wang Zhong2， Liang Jun1

（1. Jiangsu University， Zhenjiang 212013; 2. Jiangsu Smart Travel Future Automobile Research Institute Co.， Ltd.，

Nanjing 211111）

【Abstract】To meet the users’ service needs during the operation of Low-Speed Automated Vehicles （LSAV）， a Low-Speed Automated Vehicles Active Service Platform （LSAV-ASP） considering the coordination of user needs and the LSAV service scope has been designed based on the existing functions of the Driving Active Service System （DASS）， which includes the perception layer， storage layer， and application layer. The perception layer is used to obtain real-time information such as vehicles， roads， and traffic environment in the transportation network; the storage layer categorizes and stores data into the LSAV service pool; the application layer is used to design and apply service matching method and service evaluation optimization algorithm. LSAV active service matching algorithm and the Fuzzy Expert System-GALMBP （FES-GALMBP） are proposed. The simulation verification results show that the proposed matching algorithm and evaluation model have better performance compared with traditional algorithms， the accuracy of the evaluation model for evaluating the operational quality and safety of LSAV bus have been improved by 49 percentage point and 38 percentage point， respectively， compared with the Backpropagation （BP） neural network model.

Key words： Low-speed automated vehicles （LSAV）， Active service， Internet of vehicles， Service platform

1 前言

隨著自動駕駛和無線通信技術(shù)的迅速發(fā)展，行車主動服務(wù)系統(tǒng)（Driving Active Service System，DASS）正成為車聯(lián)網(wǎng)環(huán)境下智能車輛的重要組成部分。該系統(tǒng)能夠?qū)τ脩舻姆?wù)需求進行主動、有效感知，再通過網(wǎng)絡(luò)節(jié)點進行數(shù)據(jù)交換，實現(xiàn)從感知到推送全程無需用戶參與的、個性化的、實時的主動推送服務(wù)[1-2]。但低速自動駕駛車輛（Low-Speed Automated Vehicles，LSAV）作為公共交通中的一部分，必然存在零散的、個性化的服務(wù)需求，傳統(tǒng)服務(wù)系統(tǒng)已無法滿足安全駕駛和用戶多樣化的需求，因此有必要建立基于DASS的LSAV主動服務(wù)系統(tǒng)及其評價體系，降低LSAV運營服務(wù)過程中的潛在交通事故風險。

Coyner等在《公共交通中的低速自動駕駛車輛（LSAV）》報告中介紹了LSAV在公共交通中的服務(wù)模式、服務(wù)目的等[3]。Cregger等[4]介紹了低速自動駕駛班車的運營現(xiàn)狀，并分析了其設(shè)計、服務(wù)類型。ISO 22737解讀了低速自動駕駛的功能和性能要求[5]。Tabattanon等[6]提出了低速自動駕駛班車室內(nèi)設(shè)計的最低要求，為老年人和殘疾人的移動需求提供更好的使用性能。Zhu等[7]提出了用于部署低速自動駕駛系統(tǒng)的微觀仿真工具，以評估城市低速自動駕駛車輛的移動性和可持續(xù)性。Shi等[8]對低速自動駕駛班車的運營能力、安全性、可靠性和技術(shù)性進行了初步評估，提出了低速自動駕駛班車的運營特征。Zhou等[9]研究了低速自動駕駛系統(tǒng)的服務(wù)能力，提出了服務(wù)水平的改善方法。Shen[10]針對乘客接受度和信任度，綜合低速自動駕駛公交車運營、行駛狀態(tài)等數(shù)據(jù)，研究了乘客對低速自動駕駛公交車的深層次需求，提出乘客與低速自動駕駛公交車信息交互的認知模型和信息交互界面。但LSAV的運營服務(wù)仍然以傳統(tǒng)服務(wù)方式為主。因此，Huang等[11]提出了基于主動安全服務(wù)的車間通信框架，在不同交通場景下優(yōu)化動態(tài)服務(wù)感知速率和性能。梁軍等[12]提出了DASS模型，并驗證了模型的實時性和主動性。Chang等[13]設(shè)計了一種具備服務(wù)主動推送能力的監(jiān)控平臺，將危險信息實時推送至客戶端。因此，完善LSAV主動服務(wù)系統(tǒng)、提高服務(wù)推送效率、提升用戶滿意度和接納度，有利于彌補LSAV在推廣應(yīng)用過程中的缺陷。

本文構(gòu)建LSAV主動服務(wù)平臺（Low-Speed Automated Vehicles Active Service Platform，LSAV-ASP），對用戶需求進行建模，分別進行服務(wù)類型和服務(wù)能力匹配，設(shè)計服務(wù)評價模型，然后通過DASS服務(wù)推送功能推送適用于LSAV-ASP和用戶需求的個性化主動服務(wù)。

2 LSAV主動服務(wù)平臺

2.1 LSAV服務(wù)模塊

圖1所示為LSAV模型和LSAV服務(wù)模型，LSAV通過自動駕駛域控制器實現(xiàn)車輛的服務(wù)功能，LSAV服務(wù)模塊包括用戶服務(wù)模塊和自動駕駛服務(wù)模塊，用戶服務(wù)是指LSAV提供給用戶的遠程接管服務(wù)、業(yè)務(wù)運營服務(wù)，自動駕駛服務(wù)是指LSAV與路側(cè)設(shè)施之間的車路協(xié)同服務(wù)、與道路交通參與者之間的單車智能服務(wù)。

業(yè)務(wù)運營服務(wù)是LSAV提供的符合自身應(yīng)用場景并創(chuàng)造價值的服務(wù)，需保證所提供服務(wù)的運營效率、運營質(zhì)量等。

單車智能服務(wù)是LSAV通過自動駕駛系統(tǒng)和自身感知單元實現(xiàn)自動運營的服務(wù)，對車輛周圍環(huán)境具有識別、響應(yīng)和決策的能力。

車路協(xié)同服務(wù)是LSAV通過車聯(lián)網(wǎng)（Vehicle to Everything，V2X）通信感知道路交通狀態(tài)，獲取道路交通、環(huán)境等信息，并向交通網(wǎng)絡(luò)中其他用戶推送信息，同時輔助單車智能服務(wù)實現(xiàn)自動駕駛的功能，服務(wù)具有準確性和實時性的特點。

遠程接管服務(wù)是指LSAV在遇到自身不能處理的工況時，由車輛發(fā)出請求，遠程端為用戶提供遠程接管LSAV的服務(wù)，服務(wù)下行傳輸控制指令、上行傳輸LSAV車輛數(shù)據(jù)信息的過程具有低延時、快速響應(yīng)、傳輸精確等特性。

LSAV的服務(wù)過程貫穿于其運營過程，過程中涉及的服務(wù)序列主要包括業(yè)務(wù)運營服務(wù)序列、運營安全服務(wù)序列和主動服務(wù)序列。

業(yè)務(wù)運營服務(wù)序列Cb是指LSAV所提供的業(yè)務(wù)的服務(wù)序列，服務(wù)要素為執(zhí)行一次服務(wù)的起點pstart、終點pend、行駛路線的全局路徑段sglobal={s1，s2，s3，…，sn}、服務(wù)時間trefer={t1，t2，t3，…，tn}、服務(wù)速度vrefer={v1，v2，v3，…，vn}、運營服務(wù)類型ct：

Cb={pstart，pend，sglobal，trefer，vrefer，ct} （1）

運營安全服務(wù)序列Cs是指LSAV所提供的用于保障運營安全的功能的服務(wù)序列，所提供的服務(wù)類型主要包括單車智能服務(wù)、車路協(xié)同服務(wù)和遠程接管服務(wù)，服務(wù)要素包括危險源類型stype、危險源位置psafe={p1，p2，p3，…，pn}、持續(xù)時間tsust={ts1，ts2，ts3，…，tsn}：

Cs={stype，psafe，tsust} （2）

主動服務(wù)序列Cact是指提供給所有用戶（包括LSAV運營商和道路交通參與者）的服務(wù)功能的服務(wù)序列，所提供的主動服務(wù)類型主要包括業(yè)務(wù)運營服務(wù)、單車智能服務(wù)、車路協(xié)同服務(wù)和遠程接管服務(wù)，向每位用戶提供一次主動服務(wù)的服務(wù)要素包括服務(wù)需求感知Dperc={d1，d2，d3，…，dn}、數(shù)據(jù)感知dperc={da1，da2，da3，…，dan}、服務(wù)匹配cverify、服務(wù)評價ceva、服務(wù)主動推送cpush：

Cact={Dperc，dperc，cverify，ceva，cpush} （3）

2.2 LSAV-ASP架構(gòu)

圖2所示為LSAV-ASP架構(gòu)，平臺包括感知層、存儲層和應(yīng)用層。感知層作為LSAV-ASP與道路交通環(huán)境交互的接口和數(shù)據(jù)輸入的主體部分，感知LSAV運營過程中交通網(wǎng)絡(luò)實時的車輛、道路、交通環(huán)境等信息；存儲層存儲實時感知的環(huán)境數(shù)據(jù)，并將數(shù)據(jù)分類提取至LSAV服務(wù)池；應(yīng)用層利用LSAV服務(wù)池緩存的服務(wù)數(shù)據(jù)進行個性化服務(wù)定制，首先通過DASS“主動感知”流程的服務(wù)發(fā)現(xiàn)功能獲取用戶的服務(wù)需求[14]，并對服務(wù)需求進行建模，依據(jù)特定規(guī)則進行服務(wù)類型匹配、服務(wù)能力匹配，然后通過服務(wù)評價和優(yōu)化生成服務(wù)，最后通過DASS“主動推送”流程的服務(wù)推送功能實時推送服務(wù)，并將完成的服務(wù)數(shù)據(jù)反饋至服務(wù)數(shù)據(jù)庫優(yōu)化服務(wù)規(guī)則。應(yīng)用層還包括車載顯示器、安卓應(yīng)用程序（Android App）、智能交通應(yīng)用等推送媒介。

3 主動服務(wù)關(guān)鍵算法

依照LSAV-ASP的主動服務(wù)流程，在主動服務(wù)匹配、主動服務(wù)評價流程中設(shè)計匹配算法和評價算法。

3.1 主動服務(wù)需求建模

全面、準確地感知用戶的服務(wù)需求是保證有效服務(wù)的關(guān)鍵，因此LSAV主動服務(wù)需求可表述為RS={Res，P0，Pm，Pi，F(xiàn)u，F(xiàn)n，M，Σ}。其中，Res為資源集合，P0、Pm、Pi分別為資源的初始、中間和目標狀態(tài)集合，F(xiàn)u為初始狀態(tài)到資源的映射函數(shù)，F(xiàn)n為目標狀態(tài)滿足組合需求的函數(shù)，M為任務(wù)集合，Σ為規(guī)則集合。

3.2 主動服務(wù)類型匹配

首先判斷LSAV主動服務(wù)的類型，篩選相關(guān)服務(wù)，提高匹配效率。類型匹配有3種關(guān)系：相等、包含、無關(guān)。

定義1：Dis（ci，cj）表示ci、cj的語義距離；Sub（ci，cj）表示ci是cj的子集；Pro（ci，cj）表示ci具有cj屬性；dep（cn）為深度，dep（cn）=0。

定義2：關(guān)系R包含Sub和Pro；2個節(jié)點的路徑為Pat（c1，c2，…，cn），cn為根節(jié)點。

定義3：若c1、c2在路徑表中相鄰則稱作直接路徑關(guān)系；若c1、c2路徑相連但不相鄰，稱作間接路徑關(guān)系。

LSAV主動服務(wù)類型匹配算法偽代碼如下：

Input：參數(shù)c1，c2

1" "W[Sub（c1，c2）]←1+1/f （dep（c2））

2" "W[Pro（c1，c2）]←m[1/f （dep（c2））]，mgt;1

//f （dep（c2）是dep（c2）的增函數(shù)，W為距離函數(shù)

//m為控制概念屬性關(guān)系的權(quán)重

3" "If c1和c2是同一概念

Then Dis（c1，c2）←0

4" "If c1和c2存在直接路徑

Then Dis（c1，c2）←min{W[R（c1，c2）]，W[R（c2，c1）]}

5" "If c1和c2存在間接路徑

Then←sum{W[R（c1，cj）]+…+W[R（cj+i，c2）]}

6" "If c1和c2存在多條相對路徑

Then Dis（c1，c2）//相對路徑中的最小值

7" "else Dis（c1，c2）←min{Dis{c1，cn}}+min{Dis{c2，cn}}

8" "SF←1/[Dis（c1，c2）+1]//SF表示概念間的相似度

9" "End If

10 Output： SF

3.3 主動服務(wù)能力匹配

定義4：服務(wù)需求RSi={Sio1，Sim1，Sit1，Oi1}，其中Sio1、Sim1、Sit1分別為RSi的初始、中間和目標狀態(tài)，Oi1為RSi的輸出集合。

定義5：服務(wù)能力SAi={Sio，Sim，Sit，Oi，Reli}，其中Sio、Sim、Sit分別為SAi的初始、中間和目標狀態(tài)，Oi為SAi的輸出集合，Reli為SAi的依賴關(guān)系集。

LSAV主動服務(wù)能力匹配算法偽代碼如下：

Input： RSi∈RS←{RS1，RS2，…，RSn}

SA←{SA1，SA2，…，SAn}

Output： TRUE（匹配）， FALSE（不匹配）

1" "For each RSi in DF //DF表示需求注冊表

2" "If ORS=OSA //ORS表示服務(wù)需求輸出，OSA表示服務(wù)能力輸出

Then IsMatch←FALSE//定義一個變量確定當前的RSi是否匹配

3" "For each SAi in SA

If Complete（SAi，Reli） AND RSi.Sio=SAi.Sio AND RSi.Sim=SAi.Sim AND RSi.Sit=SAi.Sit AND RSi.Oi=SAi.Oi

//Complete（SAi，Reli）表示SAi依賴的其他服務(wù)是否全實現(xiàn)

Then IsMatch←TRUE//如果一個服務(wù)能力能滿足子模塊的需求，返回真

4" "End If

5" "End For

6" "Return IsMatch//結(jié)束

3.4 主動服務(wù)評價優(yōu)化算法

3.4.1 基于服務(wù)序列的評價系統(tǒng)

LSAV主動服務(wù)評價系統(tǒng)根據(jù)服務(wù)序列模型，利用評價模型計算實現(xiàn)有效的評價，服務(wù)評價系統(tǒng)如圖3所示。

3.4.2 基于服務(wù)序列的FES-GALMBP評價模型

3.4.2.1 業(yè)務(wù)運營服務(wù)模型

業(yè)務(wù)運營服務(wù)模型s={s1，s2，s3，s4}綜合了服務(wù)平穩(wěn)性s1、服務(wù)準時性s2、服務(wù)效率s3和服務(wù)效果s4。

服務(wù)平穩(wěn)性s1表示LSAV在運營過程中的平穩(wěn)性，通過縱向沖擊度lg和橫向沖擊度la表達：

[lg=（ax（t）-ax）2dt/t0] （4）

[la=（ay（t）-ay）2dt/t0] （5）

式中：ax（t）、ay（t）分別為LSAV在t時刻的縱向、橫向加速度，ax、ay分別為LSAV在測試過程中的縱向、橫向平均加速度，t0為測試的時間。

服務(wù)準時性s2表示LSAV運營過程中服務(wù)時間偏離時刻表的時間：

[s2=i=1n1tsi-ti/n1] （6）

式中：tsi為第i個節(jié)點的實際服務(wù)時間，ti為時刻表中第i個節(jié)點的服務(wù)時間，n1為節(jié)點的數(shù)量。

服務(wù)效率s3表示LSAV單位業(yè)務(wù)量服務(wù)的時間：

s3=（tend-tstart）/n2 （7）

式中：tend為服務(wù)結(jié)束時間，tstart為服務(wù)開始時間，n2為服務(wù)業(yè)務(wù)總量。

服務(wù)效果s4是指服務(wù)完成的業(yè)務(wù)量比例：

s4=n3/n4 （8）

式中：n3為服務(wù)完成的業(yè)務(wù)量，n4為服務(wù)的總業(yè)務(wù)量。

3.4.2.2 單車智能服務(wù)模型

單車智能服務(wù)模型a={a1，a2，a3}綜合了感知能力a1、決策能力a2、執(zhí)行能力a3。

感知能力a1是指LSAV感知和識別對象的能力，通過類型感知能力ty和狀態(tài)感知能力st表達。類型感知能力是指類型感知正確的比例，狀態(tài)感知能力是指對感知對象速度、位置、時間的感知誤差：

ty=ty1/ty2 （9）

st=|st1-st2| （10）

式中：ty1為類型感知正確的數(shù)量，ty2為類型感知總數(shù)量，st1為感知的狀態(tài)值，st2為實際狀態(tài)值。

決策能力a2通過規(guī)劃誤差pl、任務(wù)決策誤差dm表達：

pl=|pl1-pl2| （11）

dm=|dm1-dm2| （12）

式中：pl1為LSAV規(guī)劃值，pl2為最優(yōu)規(guī)劃值，dm1為LSAV決策值，dm2為最優(yōu)決策值。

執(zhí)行能力a3是指LSAV通過自動駕駛系統(tǒng)控制車輛的能力，通過橫向控制、縱向控制、安全控制等控制誤差表達：

a3=ac1-ac2 （13）

式中：ac1為自動駕駛系統(tǒng)控制幅度；ac2為實際控制幅度。

3.4.2.3 車路協(xié)同服務(wù)模型

車路協(xié)同服務(wù)模型c={c1，c2，c3，c4}綜合了預警準確率c1、數(shù)據(jù)丟包率c2、通信延時c3、通信安全性c4。

預警準確率c1表示服務(wù)推送預警信息的準確率：

c1=c11/c12 （14）

式中：c11為服務(wù)推送預警信息正確預警的數(shù)量，c12為服務(wù)推送預警信息的數(shù)量。

數(shù)據(jù)丟包率c2表示數(shù)據(jù)傳輸過程中的數(shù)據(jù)丟失率：

c2=（PS-PR）/PS （15）

式中：PS為發(fā)送的數(shù)據(jù)包數(shù)量，PR為接收的數(shù)據(jù)包數(shù)量[15]。

通信延時c3表示數(shù)據(jù)包接收時間戳tR與數(shù)據(jù)包發(fā)送時間戳tS之差：

c3=tR-tS （16）

通信安全性c4分為4個等級：一級為基本安全級，即車路協(xié)同通信具備最基本的通信安全要求，包括身份驗證、數(shù)據(jù)完整性和通信鏈路加密等基本安全功能；二級為加強安全級，即在一級基礎(chǔ)上增加強化安全功能，包括加密算法、抗干擾能力以及通信鏈路的監(jiān)測和控制；三級為完整級，通過密碼方案構(gòu)建完備的安全體系，實現(xiàn)多方面安全目標；四級為高級安全級，可加強安全技術(shù)的有效性，使各種安全措施能夠充分發(fā)揮作用。

3.4.2.4 遠程接管服務(wù)模型

遠程接管服務(wù)模型r={r1，r2}綜合了接管時間預設(shè)r1、接管質(zhì)量特性r2。

接管時間預設(shè)r1為請求延時時間t1、接管反應(yīng)時間t2、觀察路況時間t3、控制延時時間t4之和：

r1=t1+t2+t3+t4 （17）

接管質(zhì)量特性r2是指遠程接管的性能，通過橫向控制、縱向控制等控制誤差rc、控制延時rt表達：

rc=|rc1-rc2| （18）

rt=rt1-rt2 （19）

式中：rc1為遠程控制幅度，rc2為實際車輛控制幅度，rt1為遠程開始控制時間戳，rt2為實際車輛開始響應(yīng)時間戳。

綜上，通過業(yè)務(wù)運營服務(wù)、單車智能服務(wù)、車路協(xié)同服務(wù)、遠程接管服務(wù)模型構(gòu)建服務(wù)序列，基于此，設(shè)計基于FES-GALMBP的主動服務(wù)評價方法，流程如圖4所示。

所提出的FES-GALMBP模型的構(gòu)建如下：

a. 層次分析（Analytic Hierarchy Process，AHP）-標準間相關(guān)性（CRiteria Importance Though Intercrieria Correlation，CRITIC）服務(wù)序列指標組合權(quán)重計算[16]。

首先，利用AHP法計算權(quán)重：通過LSAV服務(wù)指標兩兩對比，建立n×n階判斷矩陣B，并采用標度法賦值；計算權(quán)重Wi；計算最大特征值λmax；一致性檢驗。

當一致性指標CRlt;0.1時，不一致程度在合理范圍內(nèi)，通過一致性檢驗，評價指標權(quán)重向量合理；當CR≥0.1時，未通過一致性檢驗，需重新賦值判斷矩陣，并計算CR，直至CRlt;0.1。

然后，利用CRITIC賦權(quán)法計算權(quán)重。

采用標準差來表示LSAV服務(wù)評價指標的變異性，采集的數(shù)據(jù)計算得到的標準差越大，表示數(shù)據(jù)差異越大，評價指標評價效果就越好，客觀權(quán)重也越大。變異性計算公式為：

[xi=1Mj=1Mxij] （20）

[δi=j=1M（xij-xi）2M-1] （21）

式中：xij為第i個LSAV服務(wù)評價指標的第j個樣本的原始數(shù)據(jù)；M為第i個指標的樣本總數(shù)量；[xi]為第i個指標數(shù)據(jù)的均值；δi為第i個指標數(shù)據(jù)的標準差，體現(xiàn)第i個指標的變異性。

采用相關(guān)系數(shù)表示服務(wù)評價指標間的沖突性，LSAV服務(wù)評價指標數(shù)據(jù)的相關(guān)系數(shù)越大，評價指標間的沖突性越大，指標的客觀權(quán)重越小。計算公式為：

[rxy=j=1m（xj-x）（yj-y）j=1m（xj-x）2j=1m（yj-y）2] （22）

式中：rxy為服務(wù)評價指標x、y間的相關(guān)系數(shù)，[x]、[y]為服務(wù)評價指標數(shù)據(jù)的均值，xj、yj為服務(wù)評價指標第j個樣本的數(shù)值。

依次計算LSAV服務(wù)評價指標x與其他服務(wù)評價指標之間的相關(guān)系數(shù)，從而得到服務(wù)評價指標x的指標沖突性：

[Rx=i=1n（1-rxi）] （23）

式中：Rx為服務(wù)評價指標x的指標沖突性，即服務(wù)評價指標x與其他服務(wù)評價指標的相關(guān)系數(shù)之和；rxi為服務(wù)評價指標x與第i個服務(wù)指標間的相關(guān)系數(shù)；n為LSAV服務(wù)指標數(shù)量。

計算信息量Ci：

Ci=δiRi （24）

式中：Ri為第i個服務(wù)評價指標的指標沖突性。

計算指標權(quán)重：

[wi=Cii=1nCi] （25）

式中：wi為第i個服務(wù)評價指標的CRITIC權(quán)重。

最后，LSAV服務(wù)指標權(quán)重組合優(yōu)化。

設(shè)第i個服務(wù)指標的組合權(quán)重為wi、主觀權(quán)重為[w'i]、客觀權(quán)重為[w″i]，構(gòu)建組合權(quán)重優(yōu)化的目標函數(shù)：

[minH（wi）=αi=1m（wi-w'i）2+βi=1m（wi-w″i）2]" " "（26）

式中：α、β分別為主、客觀權(quán)重重要系數(shù)。

計算各服務(wù)指標的主、客觀權(quán)重重要系數(shù)αi和βi：

[αi=w'i/（w'i+w″i）βi=w''i/（w'i+w″i）] （27）

計算主、客觀權(quán)重重要系數(shù)α和β：

[α=i=1mαi/（i=1mαi+i=1mβi）β=i=1mβi/（i=1mαi+i=1mβi）] （28）

根據(jù)上述方法求解式（26），即可得到優(yōu)化后的組合權(quán)重wi（1≤i≤m）。

b. 基于服務(wù)序列的模糊專家系統(tǒng)構(gòu)建[17]。

采用三級模糊綜合評判：第1層的服務(wù)指標因素表示為U={u1，u2，u3，…，un}；第2層的服務(wù)指標因素表示為u1={u11，u12，…}，u2={u21，u22，…}，u3={u31，u32，…}，…，un={un1，un2，…}；第3層服務(wù)指標因素表示為u11={u111，u112，…}，u12={u121，u122，…}，…，u21={u211，u212，…}，u22={u221，u222，…}，…，u31={u311，u312，…}，u32={u321，u322，…}，…，un1={un11，un12，…}，un2={un21，un22，…}，…。建立評價集服務(wù)指標V={V1，V2，V3，V4，V5}，其中V1～V5分別表示很好、好、一般、差、很差，評判過程中關(guān)系合成算子同樣選用廣義模糊算子中的M（·，+）算子。

從第3層進行一級綜合評判，采用高斯型隸屬度函數(shù)，對各因素從屬評價集V的程度進行計算，得到對各因素的模糊評判構(gòu)成的單因素評判矩陣Rij（nij×5階），其中nij為uij子層因素的數(shù)量。

用第3層的因素對應(yīng)的權(quán)重向量Wij與對應(yīng)的評判矩陣Rij進行運算，得到對應(yīng)的1×5階綜合評判向量：

Bij=WijRij （29）

將第3層的評價結(jié)果Bij作為第2層相應(yīng)因素的評判矩陣Ri：

[R1=B11B12?，R2=B21B22?，...，Rn=Bn1Bn2?] （30）

將Ri與第2層的因素對應(yīng)的權(quán)重向量Wi進行運算，得到評判向量：

Bi=WiRi （31）

將第2層的評價結(jié)果Bi作為第1層相應(yīng)因素的評判矩陣R：

R=（B1，B2，…）T （32）

將R與第1層的因素對應(yīng)的權(quán)重向量W進行運算，得到評判向量B：

B=WR （33）

經(jīng)過三級模糊綜合評價后，得到的B={b1，b2，b3，b4，b5}為最終的評判結(jié)果，其中bi為評價結(jié)果隸屬評價集的概率。

c. FES-BP模型構(gòu)建。

本文采用模糊評價系統(tǒng)（Fuzzy Evaluation System，F(xiàn)ES）與反向傳播（Backward Propagation，BP）神經(jīng)網(wǎng)絡(luò)進行組合優(yōu)化，網(wǎng)絡(luò)由輸入層、模糊化層、推理層、歸一化層和輸出層組成。

FES-BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下：

第1層為輸入層。輸入向量X=（x1，x2，…，xg），各分量與該層節(jié)點相匹配，[O1i]、[u1i]為輸入層的輸出：

[O1i=u1i=xi，" i=1，2，…，g] （34）

式中：g為輸入層節(jié)點數(shù)量。

第2層為模糊化層。該層將輸入向量模糊化，每個節(jié)點均表示一個隸屬度函數(shù)：

[O2ij=uji=exp[-（xi-cij）2bij]] （35）

式中：bij、cij分別為高斯函數(shù)的寬度和中心；i=1，2，…，n；j=1，2，…，mi；mi為模糊分割數(shù)量。

第3層為推理層。每個節(jié)點均表示一條模糊規(guī)則，該層主要計算各模糊規(guī)則的適應(yīng)度，[O3k]為推理層的輸出：

[O3k=ui11?ui22?...?uinn] （36）

式中：ij=1，2，…，mj。

第4層為歸一化層。該層節(jié)點數(shù)與推理層節(jié)點數(shù)相同，主要是對輸出進行歸一化：

[O4h=O3hh=1mO3h] （37）

式中：[h=1，2，…，o；o=j=1noj]為推理層節(jié)點數(shù)量，也是模糊化層、歸一化層節(jié)點數(shù)量。

第5層為輸出層。該層實現(xiàn)清晰化和去模糊化運算：

[O5k=h=1mwkhO4k=h=1mwkhO3hh=1mO3h] （38）

式中：k=1，2，…，r，r為輸出層節(jié)點數(shù)量，wkh為歸一化層第h個輸出層第k個節(jié)點權(quán)重。

d. 遺傳算法和龍伯格-馬夸特（Levenberg-Marquardt，L-M）算法。

編碼、適應(yīng)度函數(shù)、遺傳操作和參數(shù)調(diào)節(jié)是遺傳算法運算中最為主要的部分[18]。

適應(yīng)度函數(shù)為：

f（i）=1/E（i） （39）

[E=12k=1Ap=1B（dp（k）-yp（k））2] （40）

式中：dp（k）、yp（k）分別為第k個學習訓練樣本輸出層第p個神經(jīng)元的目標輸出值和實際輸出值，A為整個網(wǎng)絡(luò)模型訓練樣本的總數(shù)，B為輸出層神經(jīng)元的總數(shù)，i=1，2，…，O，O為種群規(guī)模。

遺傳操作作為遺傳算法最重要的部分，分為選擇、交叉、變異3個部分。

隨機從初代個體中選2個，設(shè)為x1，x2，進行隨機交叉操作，得到子個體[x'1]、[x'2]，其中φ為[0，1]范圍內(nèi)的均質(zhì)隨機數(shù)：

[x'1=φx1+（1-φ）x2x'2=（1-φ）x1+φx2] （41）

對新個體進行變異操作，得到[x″1]和[x″2]：

[x″1=x'1+φx″2=x'2+φ] （42）

參數(shù)調(diào)節(jié)：通常，種群規(guī)模取值在（100，200）范圍內(nèi)，交叉概率在（0.4，0.99）范圍內(nèi)，變異概率在（0.000 1，0.2）范圍內(nèi)。

L-M算法組合了梯度下降法、高斯-牛頓法，能快速進行數(shù)值優(yōu)化，自適應(yīng)調(diào)整性能優(yōu)化網(wǎng)絡(luò)模型的連接權(quán)值，提高BP網(wǎng)絡(luò)模型的收斂速度、泛化魯棒能力[19]。

設(shè)誤差指標函數(shù)為：

[E（w）=12i=1PYi-Y'i2=12i=1Pe2i（w）] （43）

式中：Yi為期望的網(wǎng)絡(luò)輸出向量，Yi′為實際的網(wǎng)絡(luò)輸出向量，P為樣本數(shù)量，w為權(quán)值、閾值組成的向量，ei（w）為BP模型綜合輸出的誤差向量。

設(shè)wk為第k次迭代的權(quán)值、閾值所組成的向量，新的權(quán)值、閾值所組成的向量為wk+1=wk+Δw。在L-M算法中，權(quán)值增量Δw的計算公式為：

[Δw=-[JT（w）J（w）+μI]-1JT（w）ei（w）] （44）

式中：I為單位矩陣，μ為用戶定義的學習率，J（w）為誤差對權(quán)值導數(shù)的雅可比（Jacobian）矩陣。

J（w）的計算公式為：

[J（w）=?e1（w）?w1?e1（w）?w2...?e1（w）?wn?e2（w）?w1?e2（w）?w2...?e2（w）?wn????eN（w）?w1?eN（w）?w2...?eN（w）?wn] （45）

L-M算法步驟如下：

a. 輸入訓練誤差允許值ε，常數(shù)μ0、β（0lt;βlt;1），初始化權(quán)值、閾值，令k=0，μ=μ0。

b. 計算網(wǎng)絡(luò)輸出、誤差指標E（wk）。

c. 計算J（wk）。

d. 計算Δw。

e. 若E（wk）lt;ε，轉(zhuǎn)到步驟g。

f. 以wk+1=wk+Δw為權(quán)值、閾值向量，計算E（wk+1），若E（wk+1）lt;E（wk），則令k=k+1、μ=μβ，轉(zhuǎn)到步驟b，否則μ=μ/β，轉(zhuǎn)到步驟d。

g. 結(jié)束運算。

本文首先通過AHP-CRITIC主、客觀組合優(yōu)化賦權(quán)，得到LSAV主動服務(wù)評價的模糊專家系統(tǒng)。然后構(gòu)建FES-BP神經(jīng)網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)模型訓練之前和神經(jīng)網(wǎng)絡(luò)誤差反向傳播時采用遺傳算法和L-M算法針對權(quán)值與閾值進行優(yōu)化。

3.4.3 主動服務(wù)改進方法

根據(jù)評價結(jié)果計算服務(wù)質(zhì)量值f，假設(shè)評價集V={V1，V2，V3，V4，V5}，對應(yīng)的權(quán)重為K1、K2、K3、K4、K5，定義服務(wù)質(zhì)量值越大，對應(yīng)評價結(jié)果越好，因此，對K1～K5采用主觀賦權(quán)，取值依次為10、8、6、4、2。則f的計算公式為：

[f=i=15Kibi] （46）

針對所提供的主動服務(wù)，設(shè)Gx為上述計算得到的實際服務(wù)值，Gy為最佳理論服務(wù)值，由于該問題屬于分類問題，定義損失函數(shù)G為：

[G=GxlogGxGy+（1-Gx）log1-Gx1-Gy，" " Gxgt;Gy0，" " " " " " Gx=GyGxlogGyGx+（1-Gy）log1-Gy1-Gx，" " Gxlt;Gy]" " "（47）

通過最小化損失函數(shù)對服務(wù)參數(shù)進行調(diào)整，改進主動服務(wù)。

4 試驗驗證

本文通過LSAV客車對LSAV-ASP主動服務(wù)進行試驗驗證，首先構(gòu)建LSAV客車主動服務(wù)信息內(nèi)容如表1所示，并將主動服務(wù)劃分為安全類服務(wù)和信息類服務(wù)。

4.1 LSAV-ASP主動服務(wù)安全性驗證

在PreScan中搭建如圖5所示的目標車輛減速和加速的跟車場景，車輛配置理想傳感器（AIR Sensor）和射頻車載單元（Radio Frequency On Board Unit，RF OBU），在路側(cè)配置射頻信標（RF Beacon），并設(shè)置通信距離（Range）為300 m，角度（Cone angle）為360°。在Simulink中搭建車輛主動服務(wù)數(shù)據(jù)中心模塊，獲取主動服務(wù)推送信息。自車以10 m/s的速度跟車，目標車速度為10 m/s、減速度和加速度分別為-5 m/s2和5 m/s2、分別持續(xù)減速和加速2 s。圖6所示為車輛橫向控制模型，模塊輸入為LSAV客車的x、y坐標和期望角度（sita_fwd），根據(jù)速度計算得到x、y向車速vx、vy，通過轉(zhuǎn)角控制器模塊得到轉(zhuǎn)角的差值θ，最后計算出轉(zhuǎn)向盤轉(zhuǎn)角；如圖7所示為車輛縱向控制模型，模塊輸入為LSAV客車當前車速和期望車速，通過簡易PI控制，解決了PID控制下速度易振蕩的問題，能夠使車輛的速度控制更為精確，模塊輸出節(jié)氣門開度、制動強度。

LSAV主動服務(wù)匹配算法能夠快速獲取前車狀態(tài)，并對主動服務(wù)進行分類，在極短時間內(nèi)進行預警和響應(yīng)。圖8、圖9所示分別為前車減速場景、前車加速場景下車輛主動服務(wù)匹配算法和傳統(tǒng)跟車算法速度變化情況對比?？梢钥闯觯贒ASS服務(wù)的LSAV主動服務(wù)匹配算法在第3.2 s時即感知到前車速度變化并立即進行減速和加速，速度曲線與傳統(tǒng)跟車算法相比也更加平緩。而傳統(tǒng)跟車算法在第4.3 s時才開始減速和加速，體現(xiàn)出LSAV主動服務(wù)方面的巨大優(yōu)勢。

4.2 LSAV-ASP主動服務(wù)評價驗證

采取LSAV客車在環(huán)并行測試方法進行道路試驗，如圖10所示。該方法由仿真場景、真實LSAV組成，在仿真場景中設(shè)計復雜的車輛流、行人等交通環(huán)境，并通過虛擬傳感器采集場景中的數(shù)據(jù)，將仿真場景生成數(shù)據(jù)傳輸給真實道路上行駛的LSAV客車，LSAV客車通過實車執(zhí)行器作出反饋，并將自身車輛位置坐標及車輛狀態(tài)（如速度、加速度、航向角等）返回到虛擬場景進行場景更新[20]。LSAV客車車路協(xié)同服務(wù)的通信采用直連（PC5）和蜂窩（Uu）的通信方式。

在PreScan仿真場景中設(shè)置LSAV客車分別以5 km/h、10 km/h、15 km/h、20 km/h、25 km/h的行駛速度各完成200組測試，共完成1 000組測試。測試完成后輸出各指標值，1 000組測試用例用于訓練FES-GALMBP、GALMBP、FES-BP和BP模型，然后設(shè)計實車場景如圖11所示，獲取100組并行測試用例用于測試驗證。

圖12所示分別為4種模型評價LSAV客車運營質(zhì)量、運營安全的服務(wù)質(zhì)量值f，包含評價結(jié)果為V1、V2、V3、V4、V5的數(shù)據(jù)分別為15組、10組、10組、10組、5組。圖12中分別輸出了FES-GALMBP、GALMBP、FES-BP及BP評價LSAV客車運營質(zhì)量和運營安全的服務(wù)質(zhì)量值f，以及服務(wù)質(zhì)量值的最佳理論值?？梢钥闯觯谠u價結(jié)果V1～V5的數(shù)據(jù)中，本文所提出的FES-GALMBP模型評價LSAV客車運營質(zhì)量和運營安全所得服務(wù)質(zhì)量值f相較于其他模型均最接近最佳理論值，且GALMBP模型和FES-BP模型所得服務(wù)質(zhì)量值f均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

圖13所示為不同模型對LSAV客車運營質(zhì)量和運營安全評價結(jié)果的準確率，由圖13可知，本文提出的FES-GALMBP對V1～V5評價的準確率均高于GALMBP、FES-BP和BP評價的準確率，且GALMBP、FES-BP的評價準確率均高于BP的評價準確率。將本文構(gòu)建的模型與GALMBP、FES-BP和BP進行比較，結(jié)果如表2所示，F(xiàn)ES-GALMBP模型對評價集評價的準確率相較于GALMBP、FES-BP和BP模型分別提高20百分點、10.6百分點，36.2百分點、19.6百分點，49百分點、38百分點，GALMBP、FES-BP模型相較于BP模型分別提高29百分點、27.4百分點，12.8百分點、18.4百分點。

采用受試者操作特征（Receiver Operating Characteristic，ROC）曲線進行模型的對比分析，LSAV客車運營質(zhì)量ROC曲線和運營安全ROC曲線分別如圖14、圖15所示，圖中分別輸出了每個模型對運營質(zhì)量和運營安全的5個評價集類別的ROC曲線。對比各模型的ROC曲線可以看出，本文所提出的模型的ROC曲線下面積（Area Under Curve，AUC）大于GALMBP、FES-BP和BP的ROC曲線下面積，即FES-GALMBP預測的評價集每一類別的AUC均大于GALMBP、FES-BP和BP的預測結(jié)果，且GALMBP、FES-BP模型的ROC曲線下面積大于BP的ROC曲線下面積，即GALMBP、FES-BP預測的評價集每一類別的AUC值均大于BP的預測結(jié)果，因此本文所提出的模型分類器預測效果更優(yōu)。

采用混淆矩陣進行模型的對比分析，LSAV客車運營質(zhì)量和運營安全混淆矩陣分別如圖16、圖17所示。對比輸出結(jié)果中4種模型的混淆矩陣可以看出，本文所提出的模型相較于GALMBP、FES-BP和BP，具有更高的評價正確率，GALMBP、FES-BP相較BP，具有更高的評價正確率。通過以上消融試驗對比分析可知，采用本文提出的FES-GALMBP評價LSAV客車服務(wù)質(zhì)量可行、有效，且FES-GALMBP的性能優(yōu)于BP。

5 結(jié)束語

本文建立了考慮用戶需求和LSAV服務(wù)范圍協(xié)調(diào)的LSAV主動服務(wù)平臺（LSAV-ASP），通過用戶服務(wù)需求建模、服務(wù)類型和服務(wù)能力匹配、服務(wù)質(zhì)量保障流程生成LSAV主動服務(wù)，在流程中設(shè)計了FES-GALMBP算法用于LSAV-ASP主動服務(wù)評價，并提出了LSAV-ASP服務(wù)優(yōu)化方法，實現(xiàn)了推送適用于LSAV-ASP和用戶需求的個性化主動服務(wù)，提高了LSAV-ASP主動服務(wù)用戶接受度。

以LSAV客車為應(yīng)用場景的驗證結(jié)果表明：LSAV主動服務(wù)匹配算法相較于傳統(tǒng)算法感知速度快、主動性更優(yōu)；FES-GALMBP模型評價服務(wù)質(zhì)量值f相較于BP模型更接近最佳理論值，F(xiàn)ES-GALMBP模型對評價集評價LSAV客車運營質(zhì)量與運營安全性的準確率和AUC相較BP模型均更優(yōu)，且準確率分別提高了49百分點與38百分點。

本文僅針對LSAV客車場景進行了試驗驗證，且未考慮樹陰、隧道和高架橋等對衛(wèi)星信號干擾的情況，針對這些問題有待進一步研究。

參 考 文 獻

[1] 梁軍. 基于Multi-Agent和駕駛行為的汽車追尾預警系統(tǒng)關(guān)鍵理論與技術(shù)研究[D]. 鎮(zhèn)江： 江蘇大學， 2015.

LIANG J. Research on Key Theory and Technology of Automotive Rear End Warning System Based on Multi Agent and Driving Behavior[D]. Zhenjiang： Jiangsu University， 2015.

[2] 趙振超. 車聯(lián)網(wǎng)環(huán)境下行車主動服務(wù)需求感知模型及關(guān)鍵算法研究[D]. 鎮(zhèn)江： 江蘇大學， 2017.

ZHAO Z C. Research on the Perception Model and Key Algorithms of Driving Active Service Demand in the Connected Vehicle Environment[D]. Zhenjiang： Jiangsu University， 2017.

[3] National Academies of Sciences， Engineering， and Medicine. Low-Speed Automated Vehicles （LSAVs） in Public Transportation[R]. Washington， DC： The National Academies Press， 2021.

[4] CREGGER J， DAWES M， FISCHER S， et al. Low-Speed Automated Shuttles： State of the Practice： Final Report： FHWA-JPO-18-692[R]. United States： Joint Program Office for Intelligent Transportation Systems， 2018.

[5] ISO. Intelligent Transport Systems-Low-Speed Automated Driving （LSAD） Systems for Predefined Routes-Performance Requirements， System Requirements and Performance Test Procedures： ISO 22737： 2021[S]. Switzerland： ISO， 2021.

[6] TABATTANON K， SANDHU N， D’SOUZA C. Accessible Design of Low-Speed Automated Shuttles： A Brief Review of Lessons Learned from Public Transit[J]. Proceedings of the Human Factors and Ergonomics Society Annual Meeting， 2019， 63（1）： 526-530.

[7] ZHU L， WANG J H， GARIKAPATI V， et al. Decision Support Tool for Planning Neighborhood-Scale Deployment of Low-Speed Shared Automated Shuttles[J]. Transportation Research Record， 2020， 2674（9）： 1-14.

[8] SHI Y F， BARTLETT A P， DMOWSKI R， et al. Preliminary Safety Evaluation of Self-Driving， Low-Speed Shuttle[J]. Journal of Transportation Engineering， Part A： Systems， 2021， 147（8）.

[9] ZHOU Y F， SATO H， YAMAMOTO T. Shared Low-Speed Autonomous Vehicle System for Suburban Residential Areas[J]. Sustainability， 2021， 13（15）.

[10] 沈千惠. 面向信任度提升的無人駕駛公交車乘客界面設(shè)計研究[D]. 成都： 西南交通大學， 2021.

SHEN Q H. Research on the Passenger Interface Design of Autonomous Bus for Trust Enhancement[D]. Chengdu： Southwest Jiaotong University， 2021.

[11] HUANG C L， FALLAH Y P， SENGUPTA R， et al. Intervehicle Transmission Rate Control for Cooperative Active Safety System[J]. IEEE Transactions on Intelligent Transportation Systems， 2010， 12（3）： 645-658.

[12] 梁軍， 趙振超， 陳龍， 等. 車聯(lián)網(wǎng)環(huán)境下基于MAS的行車主動服務(wù)模型[J]. 中國科學： 技術(shù)科學， 2016， 46（12）： 1303-1314.

LIANG J， ZHAO Z C， CHEN L， et al. A MAS Based Active Driving Service Model in the Context of Connected Vehicles[J]. Chinese Science： Technical Science， 2016， 46（12）： 1303-1314.

[13] CHANG A Y， LI Y Y， HUNG M H， et al. Mobile Monitoring and Control Framework with Active-Push and Plug-and-Play Capabilities[J]. Assembly Automation， 2013， 33（4）： 317-333.

[14] 梁軍， 叢森森， 王軍， 等. 行車服務(wù)推送平臺及其關(guān)鍵算法的設(shè)計與測試[J]. 汽車工程， 2020， 42（6）： 709-717.

LIANG J， CONG S S， WANG J， et al. Design and Testing of Driving Service Push Platform and Its Key Algorithms[J]. Automotive Engineering， 2020， 42（6）： 709-717.

[15] 孫博倫. LTE-V2X車聯(lián)網(wǎng)PC5模式碰撞避免機制研究[D]. 北京： 北京交通大學， 2020.

SUN B L. Research on Collision Avoidance Mechanism of LTE-V2X Connected Vehicle PC5 Mode[D]. Beijing： Beijing Jiaotong University， 2020.

[16] ZHANG F， HU H Y， YANG J. Research on the Upward Path and Index Weight of Automobile Brands Based on AHP and CRITIC Models[C]// 2022 IEEE 2nd International Conference on Electronic Technology， Communication and Information （ICETCI）. Changchun， China： IEEE， 2022： 895-902.

[17] LI L X， LIN H， WAN J X， et al. MF-TCPV： A Machine Learning and Fuzzy Comprehensive Evaluation-Based Framework for Traffic Congestion Prediction and Visualization[J]. IEEE Access， 2020， 8： 227113-227125.

[18] KATOCH S， CHAUHAN S S， KUMAR V. A Review on Genetic Algorithm： Past， Present， and Future[J]. Multimedia Tools and Applications， 2021， 80： 8091-8126.

[19] SMITH J S， WU B， WILAMOWSKI B M. Neural Network Training with Levenberg-Marquardt and Adaptable Weight Compression[J]. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（2）： 580-587.

[20] LI L， WANG X， WANG K F， et al. Parallel Testing of Vehicle Intelligence via Virtual-Real Interaction[J]. Science Robotics， 2019， 4（28）.

（責任編輯 斛 畔）

修改稿收到日期為2024年10月7日。