交通诱导信息对路网中车辆行为的影响

Impact of traffic guidance information on vehicle behavior in network
WEI Yun1 , F AN Bing quan2 , H AN Yin2 , GAN H o ng cheng 2
( 1. Scho ol of O ptical Electr ical and Computer Engineer ing , U niversit y of Shanghai fo r Science and T echnolog y, Shang hai 200093, China; 2. Scho ol o f Business, U niversity o f Shanghai fo r Science and T echnolo gy , Shanghai 200093, China)
1
基于智能体的交通诱导模型
在交通系统中存在着大量交通实体, 如车辆、 出
行者、 交通管理者等, 各种实体能够不断调整自己的 行为反应来适应环境的变化, 同时实体之间也不断 相互作用 , 从而使得交通系统变得异常复杂。在交 通系统中引入智能体可以较好地解决交通系统的相 关问题, Agent 具有自治性、 协作性、 主动性等特点, 能够更好地适应交通系统复杂性、 实时性的特点 , 对 交通流的波动 , 特别是对突发性交通的变化 , 有很好 的适应和调节能力, 是真正符合交通系统特点的体 系结构 ( 图 1) 。
交通诱导信息作为交通信息的一部分 , 是利用 信息对车辆进行诱导 , 在时间和空间上均衡路网上 的交通流 , 提高路网的使用效率。目前交通诱导信 息发布模型较多 , 包括基于博弈论的诱导模型
[ 3] [ 1 2]
、
基于模糊聚类的诱导模型 、 基于智能算法的诱导 模型[ 4 5] 等。基于博弈论的模型算法综合考虑管理 者和驾驶员的利益, 通过诱导信息的发布来实现两 者之间的均衡 , 因而是一种较合理的诱导信息发布 模型, 但模型算法复杂, 公式众多, 个别参数的计算 与实际情况不符可能引起整个模型失效。基于模糊 聚类的诱导模型对交通流参数进行分析 , 使用模糊 聚类技术对路网交通状况进行识别, 发布交通信息, 该模型简单、 高效 , 但只能发布拥塞、 畅通等定性的 信息, 不支持行驶时间、 速度等定量信息。诱导模型 的效果与出行者对诱导信息的反应密切相关 , 所以 诱导模型必须考虑出行者行为。诱导模型是针对复 杂多变的交通流, 因此 , 智能控制模型较适合。本文 研究了出行者对不同诱导信息的反应 , 分析了影响 诱导效果的主要因素、 受诱导率和诱导信息 , 提出一 种基于智能体的交通诱导模型, 利用模型的自学习 能力发布建议性诱导信息, 以优化交通流分配, 减少 出行者平均行程时间。
2
2. 1
微观交通流模型
基于元胞自动机的模拟路网 本文考虑图 2 的简单路网 , 其入口为 O 点 , 出
口为 D 点 , 有 2 条路径 A 和 B 可供选择 , 路径长度 相等。入口 O 点由 VMS 向驾驶 员提供 路径交通 状况 , 仿真 模型使 用元胞 自动 机技术 来模拟 车辆 在路网中的行为 , 路径被离散成元胞 , 采用开放性 边界条件
第 9卷 第 6 期 2009 年 12 月
交 通 运 输 工 程 学 报
Journal of T raffic and T ransportation Engineering
Vol 9 No 6 Dec. 2009
文章编号 : 1671 1637( 2009) 06 0114 07
交通诱导信息对路网中车辆行为的影响
[ 6]
。
图2 Fig. 2
路网
Traf fic net work
2. 2
车辆产生模块
车辆产生模块为路网提供输入, 按指定概率生 成不同属性的车辆进入路网, 向系统提供初值。车 辆产生模块负责产生车辆, 并对车辆的静态属性赋 初值。本模型中 , 车辆分成不接受诱导型和接受诱 导型。不接受诱导型车辆是指驾驶员忽略 VM S 发 布的信息 , 选择路径时仅根据基本经验 ( 路径长度 ) , 对于相同长度的路径 , 则以概率 P AB 选择一条路径。 接受诱导信息型车辆指驾驶员按照 VM S 提供的诱 导信息选择路径。另外本模型假设每辆车都是浮动 车, 在退出路网时会将行驶过程中的信息反馈到系 统, 系统将信息显示在 VM S 上, 向进入路网的车辆提 供诱导信息。对于交通流的产生, 本模型采用随机方 法生成车辆, 每仿真时步中以 1 或 0 的概率生成车 辆, 车辆以 P acc 的概率成为接受诱导型车辆, 1- P acc 的概率成为不接受诱导型车辆。 2. 3 车辆行驶规则 仿真系统采用元胞自动机 ( CA) 模型来模拟车
Abstract: T o st udy t he ef fect o f t raff ic g uidance m odel, cel lular auto mata( CA) model w as applied t o sim ulat e vehicles behaviors in t raf fic net w ork, and t he im pacts of dif ferent g uidance infor matio ns on t raf fic f low w ere st udied in diff er ent t raf fic vo lum es and dif ferent accepting g uidance ratios. A traf fic guidance model based on agent t echnolog y w as built. In w hich Q learning algor it hm w as used t o optim ize t raff ic g uidance inf orm at ion, proposit ional info rmat io n could be provided acco rding t o real t im e netw o rk t raf fic, t raff ic f low dist ribut ion w as adjust ed. Simulation result show s t hat t he fact or s t hat impact guidance ef f ect in net w ork are accepting g uidance r at io and g uidance inf orm at ion, tr af f ic guidance mo del based on agent can ef fect ively balance netw o rk t raf fic f low , w hich is bet t er to heavy t raf fic f low . In light t raf fic f low , t he m odel has a lit t le advantag e com pared wit h norm al mo del, but in heavy t raff ic f low , pr opo sit ional g uidance info rmat ion can decr ease 12% averag e t ravel t ime compared w it h descriptive g uidance infor matio n. 3 tabs, 6 fig s, 8 r ef s. Key words: tr af fic g uidance; agent ; micr oscopic t raf fic sim ulat ion; cel lular aut omat a; Q learning algo rithm Author resumes: WEI Yun( 1976 ) , female, lect urer, doct oral student, sohu. com; FAN Bing quan( 1942 ) , male, professor,
St ru ct ure of t raff ic guidance agent
116
交
通
运
输
ห้องสมุดไป่ตู้
工
程
学
报
2009 年
公路交通一维交通流 CA 模型( NS 模型) [ 7 8] 能较好 地模拟微观交通流行为。NS 模型模拟单车道不考 虑超车的情况 , 假定车辆在不相撞的情况下始终加 速 , 直至最大速度。 NS 模型的 基本思想是 : 每个元胞 只能被一辆 车占用, 元胞的状态分为有车或没车。车辆的速度 取整数 , 在[ 0 , v max ] 之间。每一时刻 , 系统按下列规 则更新每辆车状态。 ( 1 ) 加速。如果车辆速度小于 v max , 并与前车的 间距小于 v + 1 , 则速度加 1 , 即 v i = m in{ v i + 1, v max } ( 2) 减速。如果与前车的车间距 d i 减速到 d i - 1, 即 v i = m in{ v i , d i - 1} ( 3 ) 随机慢化。以概率 P dec 将速度大于 0 的车 辆速度减 1, 即 v i = max { v i - 1, 0} ( 4 ) 车辆移动。车辆以新速度向前移动 , 即 x i = x i + vi 式中: v i 、 xi、 d i 分别为第 i 辆车的速度、 位置以及与 前方紧邻车辆的格点数 ( 间距) 。规则 3 描述了车辆 运行的动力学特点, 由于人的因素或变化的外界环 境条件会引起车辆速度的波动, 使得交通流不会很 快达到稳态。 v, 则车辆
第6期
魏
赟, 等: 交通诱导信息对路网中车辆行为的影响
115
0
引
言
交通诱导 Agent 与 VMS 对应 , 每个 VM S 配置 一个 Ag ent 。交通诱导 Agent 负责采集所辖路网的 交通信息 , 实时生成交通诱导策略 , 发布建议性诱导 信息, 对交通流分布进行优化。诱导的目的是将系 统当前的交通流量合理地分配 到路网内各条 路段 上, 使路网整体性能最优。
+ +
86 21 55275835, yun_w ei@
86 21 55275273, bqfan@ usst . edu. cn.
收稿日期 : 2009 08 01 基金项目 : 上海市重点学科建设项目 ( S30504) ; 上海市科委科技人才计划项目 ( 09Q T1400400) 作者简介 : 魏 赟 ( 1976 ) , 女 , 安徽铜陵人 , 上海理工大学讲师 , 管理学博士研究生 , 从事智能交通研究 。 导师简介 : 范炳全 ( 1942 ) , 男 , 江苏丹阳人 , 上海理工大学教授。
辆在路网中的行为。元胞自动机模型不必建立复杂 的函数运动过程 , 由一系列简单规则构成, 虽然对车
图1 Fig. 1 交通诱导 A gen t 的结构
辆的运动过程描述得比较粗略 , 但是却可以精确地 反映出 交通 流的 特性。 交通流 CA 模型比 较多 , Nag el和 Schreckenberg 于 1992 年提出的模拟高速
魏 赟1 , 范炳全2 , 韩
( 1 上海理工大学 光电信息与计算机工程学院 , 上海
印2 , 干宏程2
200093)
200093; 2 上海理工大学 管理学院 , 上海
摘 要: 为研究诱导模型的诱导效果, 用元胞自动机模型模拟车辆在路网中的行为, 仿真了不同诱 导信息在不同交通量、 不同受诱导率情况下对交通流的影响, 提出基于 Ag ent 的交通诱导模型, 模 型采用 Q 学习算法优化诱导信息 , 可根据路网中交通流情况发布建议性诱导信息 , 调节交通流分 布 。仿真结果表明 : 影响诱导效果的主要因素为受诱导率和诱导信息 , 基于 Agent 的交通诱导模 型能有效均衡路网交通流, 且随着交通流的增加 , 优势逐渐明显 。在轻交通量情况下, 该模型较出 行者自由选择路径模型略优 ; 但在重交通量情况下, 发布建议性的诱导信息比描述性诱导信息能减 少 12% 平均行程时间 。 关键词: 交通诱导 ; 智能体; 微观交通仿真; 元胞自动机; Q 学习算法 中图分类号: U491 文献标志码 : A