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(chē)流量與真實(shí)車(chē)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(chē)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(lèi)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(chē)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?chē)?chē)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(chē)流量相對(duì)較少的路徑ABEF，此時(shí)路線偏好受周?chē)h(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；

　?。?）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(lèi)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(lèi)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(chē)道和車(chē)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(lèi)：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(chē)輛信息。各類(lèi)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(lèi)信息進(jìn)行分類(lèi)，預(yù)處理后交給決策層進(jìn)行路線選擇。分類(lèi)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)。客觀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?？陀^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(chē)流量密度。

　　感知層對(duì)分類(lèi)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?chē)h(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(chē)道密度(Self_densi)、相鄰車(chē)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?chē)h(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(chē)道和車(chē)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(chē)道、車(chē)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(chē)流量與道路實(shí)測(cè)檢測(cè)點(diǎn)車(chē)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(chē)流量與道路實(shí)測(cè)檢測(cè)點(diǎn)車(chē)流量的平均相對(duì)誤差(Average Relative Error,ARE)?！　?/p>

　　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(chē)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(huà)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(chē)道車(chē)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.

　　［8］ 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.