基于多智能體的城市道路短時交通流預(yù)測與仿真研究

朱 湧，徐建川，陳曉利，李遠哲

(1.招商局重慶交通科研設(shè)計院有限公司， 重慶 400067； 2.重慶市公安局渝北區(qū)分局交通巡邏警察支隊， 重慶 401120)

基于多智能體的城市道路短時交通流預(yù)測與仿真研究

朱 湧1，徐建川2，陳曉利1，李遠哲1

(1.招商局重慶交通科研設(shè)計院有限公司， 重慶 400067； 2.重慶市公安局渝北區(qū)分局交通巡邏警察支隊， 重慶 401120)

針對目前短時交通流預(yù)測模型中城市道路交叉口群交通流預(yù)測結(jié)果波動性大的問題，基于多智能體理論，提出一種新的城市道路短時交通流預(yù)測方法。該方法包括建模、預(yù)測算法和仿真等，首先對城市道路交通要素進行多智能體建模，建立多智能體交通流預(yù)測體系結(jié)構(gòu)；然后基于非線性時間序列預(yù)測法提出多智能體模型下的改進算法；最后在NETLOGO環(huán)境下進行仿真試驗。試驗結(jié)果表明：該方法預(yù)測結(jié)果較傳統(tǒng)方法的預(yù)測結(jié)果有一定改善，預(yù)測誤差變化更為平穩(wěn)。

多智能體；交通流預(yù)測；城市交通；智能交通；交通仿真

隨著社會經(jīng)濟的發(fā)展和汽車保有量的迅速增加，城市道路交通擁堵、交通事故等問題日益嚴重，交通問題已成為制約城市發(fā)展的瓶頸。因此，如何更好地減少交通擁堵，提高交通效率，降低環(huán)境污染，便成為目前研究的熱點。要想解決城市道路交通問題，一方面需要通過新建道路資源、改造交通設(shè)施、優(yōu)化路網(wǎng)結(jié)構(gòu)等方式來實現(xiàn)；另一方面，需要通過智能化的交通管理與控制手段來提高現(xiàn)有道路交通的運行效率。通常，交通誘導(dǎo)和控制是提高交通運行效率的重要手段之一，而交通流預(yù)測則是交通誘導(dǎo)與控制手段中必不可少的條件[1]。

目前，雖然道路交通數(shù)據(jù)采集設(shè)備不斷完善使得交通流狀態(tài)的快速處理成為可能，但相對于城市規(guī)模的迅速擴展、車輛的急劇增多而言，傳統(tǒng)交通流預(yù)測方法已逐漸難以滿足海量數(shù)據(jù)分析、處理等實際應(yīng)用需求[2]。隨著國內(nèi)外研究者對多智能體(Multi-agent)技術(shù)研究的深入，分布式多智能體的模塊性、易于擴展性和靈活性等特點為解決城市道路交通管理與交通流預(yù)測問題提供了新的思路[3]，如Burmeister[4]基于多智能體研究交通設(shè)施間的協(xié)作關(guān)系，提出了多智能體在交通運輸中應(yīng)用的方法；Roozemond[5]分析了多智能體、神經(jīng)網(wǎng)絡(luò)和分布式人工智能在城市交通控制中的應(yīng)用前景和價值；張晉[6]對城域混合交通仿真系統(tǒng)的體系結(jié)構(gòu)等進行了研究。本文針對目前城市道路交通流預(yù)測的問題，研究基于多智能體的城市道路短時交通流預(yù)測算法，為城市交通控制與誘導(dǎo)策略提供數(shù)據(jù)支持。

1 城市道路交通要素多智能體建模

1.1 路網(wǎng)智能體模型

路網(wǎng)模型由2種基本的Agent(智能體)組成，即路口Agent和路段Agent。路口Agent是交通信號控制機、路口交通流檢測設(shè)備和路口交通流情況的抽象表述；路段Agent是路段交通流檢測設(shè)備和路段交通流情況的抽象表述。對路口、路段Agent的監(jiān)控是分析路網(wǎng)交通流量,實施交通誘導(dǎo)與控制的重要途徑。

路口Agent具有本路口及其所連接路段的交通信息，各個方向的交通流在此匯聚，并形成車輛分流沖突等交通現(xiàn)象，交通擁擠主要發(fā)生在路口。因此，路口Agent是整個城市道路交通控制系統(tǒng)中最基本、最主要的部分，是實現(xiàn)交通控制任務(wù)的主要承擔者。路口Agent可從檢測設(shè)備得到實時交通狀態(tài)信息，其可作為推理決策的數(shù)據(jù)；也可將本路口的交通信息實時通知給其相鄰路口或區(qū)域控制中心，并可根據(jù)需要完成控制中心下達的控制工作，即通過對本路口的交通信號燈以及來往車輛的屬性、行為特性進行路口交通流量的優(yōu)化控制。路口Agent的特性如表1所示。

路段Agent具有本路段及其所連接路段的交通信息。路段建模目的是為了獲得路段交通流的實時信息，并通過控制手段使路段上的流量保持在一定范圍內(nèi)。路段Agent的特性如表2所示。

由多個路口Agent、路段Agent構(gòu)成了路網(wǎng)Agent，其模型如圖1所示。

1.2 車輛智能體模型

為了便于分析研究，本文將車輛Agent視為車輛和駕駛員實體的統(tǒng)一模型。作為反映城市道路系統(tǒng)的主要交通元素，機動車輛是交通系統(tǒng)中活動頻繁且最重要的，是高度自治的主體。它可自動獲取外界環(huán)境的信息，擁有自己的知識和復(fù)雜的決策判斷能力，并可根據(jù)周圍的交通情況實時調(diào)整車輛Agent自身的駕駛行為。車輛Agent的特性如表3所示。

表1 路口Agent特性

表2 路段Agent特性

圖1 路網(wǎng)Agent結(jié)構(gòu)模型

表3 車輛Agent特性

為了合理反映表3中車輛Agent的特點，本文基于理性智能體的BDI模型[7]來構(gòu)建車輛智能體模型，其結(jié)構(gòu)如圖2所示。用信念(Belief)、愿望(Desire)、意向(Intention)這3個心智狀態(tài)(BDI)分別表示車輛Agent的信息特性、動機特性和決策特性。信息特性反映Agent屬性、當前的狀態(tài)。動機特性指Agent受外部、內(nèi)部的激發(fā)而想要達到的狀態(tài)，分為當前期望狀態(tài)和長遠期望狀態(tài)，當前期望狀態(tài)包括超車、換道等，長遠期望狀態(tài)包括行車計劃等。決策特性指Agent根據(jù)自己的意圖以及從外界獲得的信息智能地決策下一步的行動，決策過程即駕駛員的決策機制，決策結(jié)果即駕駛行為。通信機制確保Agent能感知環(huán)境及其他智能體的狀態(tài)，并把自身對環(huán)境和其他智能體的影響傳達給環(huán)境和相應(yīng)的Agent，是車輛Agent必不可少的組成部分。

圖2 車輛Agent結(jié)構(gòu)模型

2 多智能體交通流預(yù)測體系結(jié)構(gòu)

根據(jù)交通流預(yù)測和判別系統(tǒng)的特點，建立了多智能體交通流預(yù)測體系結(jié)構(gòu)，如圖3所示。該結(jié)構(gòu)包含支持層、應(yīng)用層和接口層的層次結(jié)構(gòu)。其中，支持層主要包含各類信息資源，如自然資源、人工信息、流量信息以及專家知識等。應(yīng)用層包括各個路段Agent和交通區(qū)域預(yù)測Agent，在交通流預(yù)測系統(tǒng)中路段Agent的相關(guān)功能被分解為信息Agent、分析Agent和集成Agent，交通區(qū)域預(yù)測Agent包含交通流預(yù)測Agent、管理Agent以及交互Agent，相關(guān)的預(yù)測與判別信息經(jīng)過交互Agent供車輛Agent查詢和學(xué)習(xí)使用，以輔助實現(xiàn)對車輛的誘導(dǎo)功能。接口層在系統(tǒng)中充當人機交互界面的角色，應(yīng)用層是整個系統(tǒng)的核心，支持層為整個系統(tǒng)提供信息來源。

基于多智能體的交通流預(yù)測系統(tǒng)是一個典型的分層遞階控制系統(tǒng)，同一區(qū)域的各路段Agent在組織形式上是相互平等的，且受交通區(qū)域預(yù)測Agent的統(tǒng)一管理；各交通區(qū)域預(yù)測Agent在整個系統(tǒng)結(jié)構(gòu)中的作用也是平等的，同時受交通流預(yù)測系統(tǒng)全局規(guī)劃Agent的管理，且不同區(qū)域預(yù)測的數(shù)據(jù)結(jié)構(gòu)與組織形式可以接受全局規(guī)劃Agent的不同交通流預(yù)測策略，即實現(xiàn)分布式預(yù)測，從而可使整個系統(tǒng)結(jié)構(gòu)具有集中式與分布式的協(xié)調(diào)效果。

3 基于多參數(shù)時間序列的短時交通流預(yù)測改進算法

根據(jù)交通流預(yù)測原理的不同，短時交通流預(yù)測方法研究主要可分為基于統(tǒng)計的方法、神經(jīng)網(wǎng)絡(luò)法、非線性系統(tǒng)時間序列法、動態(tài)交通分配以及組合預(yù)測法等[8-12]。在基于多智能體的城市交通系統(tǒng)研究中，為使路網(wǎng)智能體具備短時交通流預(yù)測功能，根據(jù)交通系統(tǒng)功能Agent的劃分，應(yīng)使相關(guān)交通區(qū)域中路段預(yù)測Agent對相關(guān)路段交通流量具備短時預(yù)測功能，同時，由交通流預(yù)測Agent得到的交通流量預(yù)測信息可供本路段以及其他路網(wǎng)Agent和車輛Agent使用，以便及時合理地進行交通狀態(tài)判別。為了兼顧系統(tǒng)的實時性及有效性，本文基于時間序列預(yù)測模型，提出多參數(shù)時間序列指數(shù)平滑改進方法，其用于預(yù)測下一時刻目標區(qū)域路段交通流量。本文預(yù)測時間間隔為5 min。

圖3 多智能體交通流預(yù)測體系結(jié)構(gòu)

設(shè)路段Agent測得的歷史交通流數(shù)據(jù)序列由x1，x2…，xt…，xn組成，3次指數(shù)改進平滑法公式為：

(1)

(2)

(3)

故預(yù)測Agent的多參數(shù)時間序列改進模型可以描述為：

(4)

在NETLOGO平臺下，利用各交通智能體的交互行為對改進模型進行預(yù)測，其仿真步驟如下：

步驟1：初始化1、2和3次指數(shù)平滑法的平滑系數(shù)以及平滑初始值；

步驟2：路段Agent與車輛Agent交互獲取當前時刻道路上的車輛編號、位置和行駛方向信息；

步驟3：路段Agent統(tǒng)計車輛信息并獲取當前時刻道路的交通流量xt；

步驟7：更新時間，重復(fù)步驟2進行下次時刻的交通流預(yù)測。

4 仿真試驗

交通系統(tǒng)是一種開放性、隨機性和自適應(yīng)性的復(fù)雜動態(tài)系統(tǒng)，而多智能體模型是一種研究社會、生態(tài)等復(fù)雜系統(tǒng)的動態(tài)研究方法，因此，通過多智能體仿真能夠有效推演出整體交通系統(tǒng)的一些復(fù)雜行為[13]。本文在NETLOGO環(huán)境下，利用Traffic Grid模塊編寫了基于多智能體的城市道路交通流預(yù)測仿真平臺，并以此為基礎(chǔ)建立了一個典型多交叉口城市交通路網(wǎng)進行仿真試驗。試驗時，數(shù)據(jù)輸入為現(xiàn)實環(huán)境交通流調(diào)查數(shù)據(jù)，仿真假設(shè)車輛到達服從泊松分布，交叉口為四相位控制，短時預(yù)測時間間隔設(shè)定為5 min。為便于分析不同預(yù)測算法模型的交通流預(yù)測效果，仿真系統(tǒng)提供了數(shù)據(jù)觀察分析窗口以用于綜合比較一個路段智能體在不同預(yù)測算法下的預(yù)測水平。本文試驗比較了神經(jīng)網(wǎng)絡(luò)預(yù)測法、移動平均法、指數(shù)平滑法和本文算法的交通流預(yù)測效果。仿真環(huán)境中某一節(jié)點不同預(yù)測算法的預(yù)測結(jié)果如圖4所示，不同預(yù)測方法的誤差分析對比如表4所示。

圖4 仿真環(huán)境中某一節(jié)點24 h的短時交通流預(yù)測結(jié)果(5 min)

方法類型平均絕對誤差/(pcu/5min)平均百分比誤差/%誤差變化率/%神經(jīng)網(wǎng)絡(luò)法17.111.523.8移動平均法14.810.916.8指數(shù)平滑法15.911.215.9本文方法14.510.715.8

從圖4和表4可以看出，神經(jīng)網(wǎng)絡(luò)基本能夠預(yù)測交通流狀態(tài)的變化，但由于神經(jīng)網(wǎng)絡(luò)預(yù)測規(guī)律是基于數(shù)據(jù)驅(qū)動的黑箱模型，故其預(yù)測效果水平跳躍性較大，預(yù)測誤差較其他方法有時相對較大，預(yù)測不夠平穩(wěn)；移動平均預(yù)測方法預(yù)測的滯后性相對較大，在交通流量平穩(wěn)變化時預(yù)測效果較好；指數(shù)平滑法效果介于神經(jīng)網(wǎng)絡(luò)法和移動平均法之間；而相較于移動平均法，本文算法預(yù)測誤差變化相對平穩(wěn)，預(yù)測滯后性有所改善，預(yù)測變化曲線響應(yīng)實時交通流的效果相對較好。

5 結(jié)束語

智能交通管理與控制系統(tǒng)目前已成為應(yīng)對城市道路交通問題的有效手段，城市道路交通流的短時精確預(yù)測是城市交通控制與誘導(dǎo)的關(guān)鍵。本文研究了多智能體與交通要素間的關(guān)系，針對交通系統(tǒng)中的重要組成部分(路段、路口、車輛等)建立了智能體模型，構(gòu)建了多智能體交通流預(yù)測體系結(jié)構(gòu)，提出了基于多參數(shù)時間序列的多智能體交通流預(yù)測算法，并通過仿真試驗驗證了算法的有效性。

由于交通系統(tǒng)存在時滯性、非線性、隨機性、離散型等復(fù)雜性的特點，交通流數(shù)據(jù)采集難免會出現(xiàn)各種偏差或缺失，故對原始交通數(shù)據(jù)預(yù)處理方法還有待進一步研究，以提高交通流預(yù)測的準確性。

[1]陸海亭，張 寧，黃 衛(wèi)，等.短時交通流預(yù)測方法研究進展[J].交通運輸工程與信息學(xué)報，2009(4)：84-91.

[2]吳 波，徐志廣，王 峰，等.基于傳感器網(wǎng)絡(luò)的智能交通系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)[J].公路交通技術(shù)，2014(3)：126-130.

[3]俞 崢，李建勇.多智能體在交通控制系統(tǒng)中的應(yīng)用[J].交通運輸工程學(xué)報，2001(1)：55-57.

[4]張 晉，李 平，王 慧.基于多智能體的城域混合交通仿真系統(tǒng)的體系結(jié)構(gòu)[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2004(3)：82-88.

[5]BURMEISTER B，HADDADI A，MATYLIS G. Application of multi-agent systems in traffic and transportation[J]. IEE Proceedings - Software Engineering，1997，144(1)：51-60.

[6]DA ROOZEMOND，P VEER.Usability of intelligent agent systems in urban traffic control[J].Application of Artificial Intelligence in Engineering，1998 (4)：15-18.

[7]AS RAO，MP GEORGEFF.Modeling Rational Agents within a BDI-Architecture[J]. International Journal of Environmental Studies，1970，59(1)：171-172.

[8]張 揚.城市路網(wǎng)交通預(yù)測模型研究及應(yīng)用[D].上海：上海交通大學(xué)，2009.

[9]HONGFEI J，MING T，ZHONGXIANG H，et al.An improved method of short-term traffic Prediction[C]//11th Intemational Conference on Urban Transport and the Environrnent in the 21st Century. Algarve：WIT Press，2005：649-658.

[10]ABDULHAI B，PORWAL H，REEKER. Short-term traffic flow prediction using neural gnetic Algorithrns[J].ITS Joumal，2002，7(1)：3-41.

[11]韓 超.基于時間序列分析的短時交通流量實時自適應(yīng)預(yù)測[D].北京：北京工業(yè)大學(xué)，2004.

[12]宮曉燕，湯淑明.基于非參數(shù)回歸的短時交通流量預(yù)測與事件檢測綜合算法[J].中國公路學(xué)報，2003，16(l)：52-56.

[13]尹全軍，杜湘瑜，張 琦，等.基于HLA的智能Agent仿真環(huán)境研究[J].系統(tǒng)仿真學(xué)報，2005(4)：875-878.

Study on Short-Term Traffic Flow Forecast and Simulation of Urban Road Based on Multi-Agent Theory

ZHU Yong1,XU Jianchuan2,CHEN Xiaoli1,LI Yuanzhe1

Due to large fluctuation of urban road cross traffic flow forecast in short term traffic flow forecast model,a new short-term traffic flow forecasting method for urban road is proposed in this paper based on multi-agent theory. This method includes modeling,forecast algorithm and simulation,etc. Firstly,this paper carries out multi-agent modeling for urban road traffic factors,so to set up a multi-agent traffic flow forecasting system; Then,an improved algorithm upon multi-agent model is proposed based on nonlinear time series forecasting method. Finally,the simulation is carried out in NETLOGO environment. The results show that the forecast results of this method are better than those of the traditional method,and the forecast error variation is more stable.

multi-agent; traffic flow forecast; urban communications; intelligent traffic; traffic simulation

10.13607/j.cnki.gljt.2016.06.029

科技部轉(zhuǎn)制科研院所創(chuàng)新能力專項(2014EG124042)；重慶市社會事業(yè)與民生保障科技創(chuàng)新專項(cstc2015shms-ztzx30014)

2016-08-26

朱 湧(1989-)，男，江西省贛州市人，碩士，工程師。

1009-6477(2016)06-0135-06

U491.1+12

A