吳晶，徐名海，顧宏博，奚杰杰

　　(南京郵電大學 通信與信息工程學院，江蘇 南京210003)

　　摘要：針對現(xiàn)有交通分配研究對駕駛員有限理性、道路交通動態(tài)隨機性的忽視，提出一種基于智能代理的動態(tài)交通分配模型IATAM，其以駕駛員為代理，依據駕駛員的路線偏好，綜合駕駛員信息處理的模糊隨機過程，考慮鄰居駕駛員影響，提出神經網絡結構的駕駛員智能路線決策機制。實驗中IATAM模型檢測點車流量與真實車流量的平均相對誤差減小到6.42%，表明IATAM模型實驗精度更高，更符合復雜多變的交通環(huán)境。基于智能代理進行交通分配，更能反映駕駛員的異構性和路線決策的模糊隨機性，并有效提高交通分配精度。

　　關鍵詞：智能交通；交通分配；智能代理；駕駛員行為；路線決策

0引言

　　交通分配中路網的實際狀況、各路段車流量、駕駛員路徑選擇行為等，是分析交通狀況、評價現(xiàn)狀路網、確定路網規(guī)劃、預測交通控制效果、進行交通誘導等的主要依據。為了更好規(guī)劃路網，有效分析、控制和誘導交通流，需要構建真實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體出發(fā)挖掘交通流內在特性，能更真實體現(xiàn)駕駛員的路線決策行為。現(xiàn)有文獻基于駕駛員路線決策分析展開了不少研究，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，但對駕駛員的有限理性以及道路交通條件的動態(tài)隨機性等研究還比較有限。

　　本文提出基于智能代理的動態(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，通過對模糊邏輯和隨機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)了路網交通的時變性和駕駛員代理的異構性、自治性和主動性，并考慮了交通問題的模糊性和隨機性，更符合實際路網。

　　本文詳細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態(tài)交通分配模型，并對模型進行了實驗和驗證。

1駕駛員智能路線決策模型

　　交通分配需要把OD矩陣所對應的交通量分配至路網，決定所有車輛的行駛路線，交通分配的結果是所有起訖點間駕駛員路線決策行為的整體匯聚。本文采用微觀方法，通過對駕駛員路線決策行為建模，并采用基于代理的實驗方法，嘗試解決交通分配問題。

　　1.1應用場景及技術需求

　　圖1是駕駛員m、n和k從A點去往F點的決策路線，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點到F點某一時間段的交通出行為50輛/min，各路段長度和平均行駛時間如圖1所示。駕駛員m的路線偏好是最短路徑，只考慮各路段長度，ABF的感知長度大約為1 400 m，駕駛員認為ABF是最優(yōu)路線，由于其擁塞避免指數(shù)很低，即使感覺周圍車流密度較大，也不會更改行駛路線。駕駛員n的路線偏好也為最短路徑，準備沿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，決定避開擁擠選擇車流量相對較少的路徑ABEF，此時路線偏好受周圍環(huán)境的影響變?yōu)闀r間最短。駕駛員k的路線偏好為時間最短，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。對駕駛員路線決策行為建模需要考慮以下技術需求：

　　（1）駕駛員建模應考慮駕駛員的異構行；

　　（2）駕駛員路線決策應考慮駕駛員主觀信息的模糊性和信息處理的非完全理性；

　　（3）駕駛員路線行駛中應考慮交通環(huán)境因素的動態(tài)隨機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

　　根據上述應用場景和技術需求描述，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，會對個人信息和環(huán)境信息同時進行處理，協(xié)調完成路線的決策，且經歷信息接收、分析、判斷和決策，輸出的行為又會對下一時刻的環(huán)境和個人思維產生影響。由于駕駛員路線決策的分布式并行信息處理、層次關系、反饋機制和人工神經網絡［6］信息處理過程類似，本文采用神經網絡結構描述路線決策機制；又因為駕駛員主觀信息的模糊性和路網客觀信息的隨機性，本文采用模糊邏輯［7］和隨機變量描述路線決策的相關變量。駕駛員智能路線決策模型如圖2所示，駕駛員對信息的處理經過了輸入層、感知層、決策層和輸出層，駕駛員行為和主觀思維又對下一時刻產生影響。

　　輸入層主要包括個人信息和環(huán)境信息。感知層是駕駛員對輸入信息的提取過程，駕駛員在對輸入信息分類整理后進行預處理。決策層是駕駛員對感知信息處理后進行的路線決策，決定下一時刻的路線偏好、行駛路段、車道和車速。輸出層是駕駛員依照決策層進行的行為表現(xiàn)和主觀思維改變。

　　對于輸入層，本文將駕駛員路線決策過程需要的信息分為4類：個人信息、阻抗信息、當前路段信息和鄰居代理信息。個人信息即駕駛員本身的特性。阻抗信息即駕駛員對路網阻抗的整體了解。當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容以及對應變量如表1所示。 

　　感知層對輸入層的4類信息進行分類，預處理后交給決策層進行路線選擇。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法用具體數(shù)值表示的特性，需要進行模糊化處理，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，不需要進行處理就能得到。客觀隨機信息指由于駕駛員不同認知能力，存在隨機偏差的感知信息，這里主要指駕駛員對路網熟悉程度不同導致的不同感知阻抗。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。

　　感知層對分類信息的預處理函數(shù)假設如下：

　　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由于無需對信息進行處理，結果等于輸入信息，f_sc和f_oc為：

　　f_sc=x(6)

　　f_oc=x(7)

　　客觀隨機信息處理函數(shù)f_or需要考慮駕駛員本身的認知能力，駕駛員對路網熟悉程度不同，對路段的感知阻抗也不同，會選擇不同的感知最優(yōu)路徑。路網熟悉程度Fami∈(0,1)，F(xiàn)ami值越大，感知阻抗R越接近真實阻抗，則f_or為：

　　f_or=R=x［1±(random(1-Fami))］(8)

　　其中，+或-由駕駛員特性決定。當駕駛員路線偏好為路徑最短(Prefer = Shortest_path)時，阻抗考慮路段長度，R=L［1±(random(1-Fami))］。當駕駛員路線偏好為時間最短(Prefer =Shortest_time)時，阻抗考慮路段行駛時間，R= T［1±(random(1-Fami))］。其中T=T_free［1+α(Volumn/C)β］，路段行駛時間隨交通量的變化而改變。

　　對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。駕駛員根據自身的感知對內在因素和周圍環(huán)境信息做出判斷。主觀模糊信息和客觀模糊信息預處理后，相應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)。

　　決策層是駕駛員對預處理信息的思維決策過程。不同路線偏好的駕駛員依據對路網的整體了解，選擇感知阻抗最小的路線為最優(yōu)路線，行駛過程中，周圍環(huán)境和鄰居代理可能對駕駛員路線偏好產生影響，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擁塞避免指數(shù)和長時間路網擁塞的影響。

2基于智能代理的動態(tài)交通分配

　　確定駕駛員智能路線決策機制后，OD矩陣所對應的駕駛員便根據決策路線行駛，由此匯聚成整體的交通分配狀態(tài)。按圖3所示流程圖實現(xiàn)智能代理的動態(tài)交通分配IATAM。

　　圖3中，首先根據OD矩陣獲得對應駕駛員的起訖點、駕駛員綜合個人信息和環(huán)境信息后進行智能路線決策，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目的地。

3實驗與分析

　　3.1實驗目的與方法

　　本文的實驗目的是對所構建的動態(tài)交通分配模型IATAM進行仿真和分析。主要分為以下兩點：一是通過對IATAM模型與其他模型交通分配后的路段流量與路網采集真實數(shù)據的對比，表明IATAM模型結果精度更高；二是對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性。

　　圖4抽象地圖本文采用Netlogo仿真平臺進行模型驗證。對南京市鼓樓區(qū)部分路網抽象簡化，構建圖4所示的交通路網。圖中圓點表示交通小區(qū)中心，三角形表示按OD覆蓋和最大流量比原則［8］設置的檢測點，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態(tài)交通分配流程進行仿真，相關數(shù)據通過地圖和訪問調查獲取。

　　3.2實驗結果與分析

　　(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模型檢測點車流量與道路實測檢測點車流量以及其他分配模型(平衡分配法、比例配流法)進行比較，部分檢測點如圖5所示，并根據式(9)計算不同模型檢測點車流量與道路實測檢測點車流量的平均相對誤差(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法達到非常小，但IATAM模型相比其他模型精度更高，能更好地模擬真實路網。

　　(2)駕駛員路線選擇隨機性分析

　　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)。對兩地距離進行劃分，并對在劃分距離內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，并與路網實測數(shù)據作對比，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)波動增長趨勢，當兩地直線距離小于10 000 m時，增長速度較快；當兩地直線距離大于10 000 m后，增長速度減緩。圖6表明，行駛距離越長，駕駛員路線選擇隨機性越大。4結論

　　本文對交通分配中的駕駛員路線決策行為進行建模。在建模過程中，依據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性，結合駕駛員行駛過程中的擁塞避免，提出神經網絡結構的路線決策機制。本文提出的IATAM模型很好地體現(xiàn)了交通分配過程中的主觀性、不精確性和隨機性。然而，IATAM模型仍然存在局限性。在本文基礎上，進一步的研究工作可以從以下兩方面展開：一是路段阻抗的計算，IATAM模型考慮路線偏好為時間最短時路段阻抗采用美國BPR路阻函數(shù)，但實際路網中，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；二是交通分配模型的精細化，IATAM模型考慮了道路密度、駕駛員路線偏好、路網熟悉程度、擁塞避免指數(shù)等模糊隨機變量對路線決策的影響，實際交通分配更為復雜，需要有更多的考慮。

參考文獻

　　［1］ 陳彥如,蒲云.用遺傳算法解決固定需求交通平衡分配問題［J］.西南交通大學學報(自然科學版),2000,35（1）:4447.

　　［2］ 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. 駕駛員實時動態(tài)路徑選擇行為組合模型［J］. 上海理工大學學報, 2002, 24(2):109112.

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

　　［5］ 李強, 繆立新, 段進宇. 基于駕駛員路徑選擇的動態(tài)交通仿真模型［J］. 公路交通科技, 2001, 18(6):6569.

　　［6］ 朱大奇.人工神經網絡研究現(xiàn)狀及其展望［J］.江南大學學報（自然科學版）, 2004, 3(1):103110.

　　［7］ 昌霞, 孫瑜, 冉婕,等. 基于時態(tài)的模糊描述邏輯初探［J］. 微型機與應用, 2010,29(6):7577.

　　［8］ 伍建國, 王峰. 城市道路交通數(shù)據采集系統(tǒng)檢測器優(yōu)化布點研究［J］. 公路交通科技, 2004, 21(2):8891.