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)

　　摘要：針對(duì)現(xiàn)有交通分配研究對(duì)駕駛員有限理性,、道路交通動(dòng)態(tài)隨機(jī)性的忽視,，提出一種基于智能代理的動(dòng)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(jī)過(guò)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(jī)制,。實(shí)驗(yàn)中IATAM模型檢測(cè)點(diǎn)車流量與真實(shí)車流量的平均相對(duì)誤差減小到6.42%，表明IATAM模型實(shí)驗(yàn)精度更高,，更符合復(fù)雜多變的交通環(huán)境,。基于智能代理進(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(jī)性,，并有效提高交通分配精度,。

　　關(guān)鍵詞：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(shí)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(píng)價(jià)現(xiàn)狀路網(wǎng),、確定路網(wǎng)規(guī)劃、預(yù)測(cè)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(shí)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(gè)體出發(fā)挖掘交通流內(nèi)在特性，能更真實(shí)體現(xiàn)駕駛員的路線決策行為?，F(xiàn)有文獻(xiàn)基于駕駛員路線決策分析展開(kāi)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(duì)駕駛員的有限理性以及道路交通條件的動(dòng)態(tài)隨機(jī)性等研究還比較有限,。

　　本文提出基于智能代理的動(dòng)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(guò)對(duì)模糊邏輯和隨機(jī)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(dòng)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(shí)變性和駕駛員代理的異構(gòu)性,、自治性和主動(dòng)性，并考慮了交通問(wèn)題的模糊性和隨機(jī)性,，更符合實(shí)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(dòng)態(tài)交通分配模型，并對(duì)模型進(jìn)行了實(shí)驗(yàn)和驗(yàn)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(duì)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(diǎn)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(guò)對(duì)駕駛員路線決策行為建模，并采用基于代理的實(shí)驗(yàn)方法,，嘗試解決交通分配問(wèn)題,。

　　1.1應(yīng)用場(chǎng)景及技術(shù)需求

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

　　圖2駕駛員智能路線決策模型A點(diǎn)到F點(diǎn)某一時(shí)間段的交通出行為50輛/min，各路段長(zhǎng)度和平均行駛時(shí)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(zhǎng)度，ABF的感知長(zhǎng)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(jué)周圍車流密度較大,，也不會(huì)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(kāi)擁擠選擇車流量相對(duì)較少的路徑ABEF,，此時(shí)路線偏好受周圍環(huán)境的影響變?yōu)闀r(shí)間最短,。駕駛員k的路線偏好為時(shí)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(duì)駕駛員路線決策行為建模需要考慮以下技術(shù)需求：

　?。?）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,；

　?。?）駕駛員路線行駛中應(yīng)考慮交通環(huán)境因素的動(dòng)態(tài)隨機(jī)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(chǎng)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(shí)，會(huì)對(duì)個(gè)人信息和環(huán)境信息同時(shí)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(huì)對(duì)下一時(shí)刻的環(huán)境和個(gè)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(jī)制和人工神經(jīng)網(wǎng)絡(luò)［6］信息處理過(guò)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(jī)制,；又因?yàn)轳{駛員主觀信息的模糊性和路網(wǎng)客觀信息的隨機(jī)性,，本文采用模糊邏輯［7］和隨機(jī)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(duì)信息的處理經(jīng)過(guò)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(duì)下一時(shí)刻產(chǎn)生影響,。

　　輸入層主要包括個(gè)人信息和環(huán)境信息。感知層是駕駛員對(duì)輸入信息的提取過(guò)程,，駕駛員在對(duì)輸入信息分類整理后進(jìn)行預(yù)處理,。決策層是駕駛員對(duì)感知信息處理后進(jìn)行的路線決策，決定下一時(shí)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(duì)于輸入層,，本文將駕駛員路線決策過(guò)程需要的信息分為4類：個(gè)人信息、阻抗信息,、當(dāng)前路段信息和鄰居代理信息。個(gè)人信息即駕駛員本身的特性,。阻抗信息即駕駛員對(duì)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(duì)應(yīng)變量如表1所示,。 

　　感知層對(duì)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(jī)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(wú)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(jī)信息指由于駕駛員不同認(rèn)知能力，存在隨機(jī)偏差的感知信息,，這里主要指駕駛員對(duì)路網(wǎng)熟悉程度不同導(dǎo)致的不同感知阻抗,。客觀模糊信息指所處環(huán)境中駕駛員無(wú)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(duì)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(wú)需對(duì)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(jī)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(duì)路網(wǎng)熟悉程度不同，對(duì)路段的感知阻抗也不同,，會(huì)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(shí)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(shí),，阻抗考慮路段長(zhǎng)度，R=L［1±(random(1-Fami))］,。當(dāng)駕駛員路線偏好為時(shí)間最短(Prefer =Shortest_time)時(shí),，阻抗考慮路段行駛時(shí)間，R= T［1±(random(1-Fami))］,。其中T=T_free［1+α(Volumn/C)β］,，路段行駛時(shí)間隨交通量的變化而改變,。

　　對(duì)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(duì)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(duì)預(yù)處理信息的思維決策過(guò)程。不同路線偏好的駕駛員依據(jù)對(duì)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(guò)程中，周圍環(huán)境和鄰居代理可能對(duì)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：if  Wred=High &［ Self_densi=High &(Neib_densi=Mid || Neib_densi=Low)］ || (Self_densi=Mid &Neib_densi=Low) & (Lane_changing=Sati ||Lane_changing=Just_sati) &［ random(1)<p1 ］, then change path

　　規(guī)則2：if  Wred=Mid &Self_densi=High &Neib_densi=Low &Lane_changing=Sati&［ random(1)<p2 ］ , then change path

　　規(guī)則3：if  Wred=Low &Self_densi=High &Neib_densi=Low &Lane_changing=Sati &［ random(1)<p3 ］, then change path

　　規(guī)則4：others ,then continue driving

　　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?yè)砣苊庵笖?shù)和長(zhǎng)時(shí)間路網(wǎng)擁塞的影響,。

2基于智能代理的動(dòng)態(tài)交通分配

　　確定駕駛員智能路線決策機(jī)制后，OD矩陣所對(duì)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(shí)現(xiàn)智能代理的動(dòng)態(tài)交通分配IATAM。

　　圖3中,，首先根據(jù)OD矩陣獲得對(duì)應(yīng)駕駛員的起訖點(diǎn),、駕駛員綜合個(gè)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(gè)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(shí)驗(yàn)與分析

　　3.1實(shí)驗(yàn)?zāi)康呐c方法

　　本文的實(shí)驗(yàn)?zāi)康氖菍?duì)所構(gòu)建的動(dòng)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(diǎn)：一是通過(guò)對(duì)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(shí)數(shù)據(jù)的對(duì)比,，表明IATAM模型結(jié)果精度更高；二是對(duì)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(jī)性,。

　　圖4抽象地圖本文采用Netlogo仿真平臺(tái)進(jìn)行模型驗(yàn)證。對(duì)南京市鼓樓區(qū)部分路網(wǎng)抽象簡(jiǎn)化,，構(gòu)建圖4所示的交通路網(wǎng),。圖中圓點(diǎn)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(cè)點(diǎn),，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(dòng)態(tài)交通分配流程進(jìn)行仿真，相關(guān)數(shù)據(jù)通過(guò)地圖和訪問(wèn)調(diào)查獲取,。

　　3.2實(shí)驗(yàn)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(cè)點(diǎn)車流量與道路實(shí)測(cè)檢測(cè)點(diǎn)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(cè)點(diǎn)如圖5所示,，并根據(jù)式(9)計(jì)算不同模型檢測(cè)點(diǎn)車流量與道路實(shí)測(cè)檢測(cè)點(diǎn)車流量的平均相對(duì)誤差(Average Relative Error,ARE),。　　

　　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(wú)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(shí)路網(wǎng),。

　　(2)駕駛員路線選擇隨機(jī)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(duì)兩地距離進(jìn)行劃分，并對(duì)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(shí)測(cè)數(shù)據(jù)作對(duì)比，如圖6所示,。

　　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(dòng)增長(zhǎng)趨勢(shì),，當(dāng)兩地直線距離小于10 000 m時(shí),，增長(zhǎng)速度較快；當(dāng)兩地直線距離大于10 000 m后,，增長(zhǎng)速度減緩,。圖6表明,，行駛距離越長(zhǎng)，駕駛員路線選擇隨機(jī)性越大,。4結(jié)論

　　本文對(duì)交通分配中的駕駛員路線決策行為進(jìn)行建模,。在建模過(guò)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(jī)性,，結(jié)合駕駛員行駛過(guò)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(jī)制,。本文提出的IATAM模型很好地體現(xiàn)了交通分配過(guò)程中的主觀性,、不精確性和隨機(jī)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(kāi)：一是路段阻抗的計(jì)算,，IATAM模型考慮路線偏好為時(shí)間最短時(shí)路段阻抗采用美國(guó)BPR路阻函數(shù),，但實(shí)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(shí),；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(jī)變量對(duì)路線決策的影響,，實(shí)際交通分配更為復(fù)雜,，需要有更多的考慮。

參考文獻(xiàn)

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

　?。?］ 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(shí)時(shí)動(dòng)態(tài)路徑選擇行為組合模型［J］. 上海理工大學(xué)學(xué)報(bào), 2002, 24(2):109112.

　?。?］ 王衛(wèi)衛(wèi),趙小梅,李新剛,等.VMS對(duì)駕駛員路徑選擇影響的實(shí)證研究與建模［J］.交通運(yùn)輸系統(tǒng)工程與信息,2013,13(3):6064.

　?。?］ 李強(qiáng), 繆立新, 段進(jìn)宇. 基于駕駛員路徑選擇的動(dòng)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(bào)（自然科學(xué)版）, 2004, 3(1):103110.

　?。?］ 昌霞, 孫瑜, 冉婕,等. 基于時(shí)態(tài)的模糊描述邏輯初探［J］. 微型機(jī)與應(yīng)用, 2010,29(6):7577.

　?。?］ 伍建國(guó), 王峰. 城市道路交通數(shù)據(jù)采集系統(tǒng)檢測(cè)器優(yōu)化布點(diǎn)研究［J］. 公路交通科技, 2004, 21(2):8891.