多智能体在城市交通系统中应用现状综述
从上述几种方法的分析中可以看到,协调过程需要传输大量数据,因此容易造成传输网络的拥塞。目前,很多学者都采用强化学习的方法来优化本地的交通信息。强化学习方法是以环境提供的加强信号作为性能评价的反馈,完成从状态到行为的映射的学习,特别适合处理不断变化的路网环境。Baher、欧海涛等都基于强化学习研究了实时自适应的交通信号控制,减少路口节点间的大量通讯需求,增强了决策的可靠性。
2.5 相关应用研究
Ronald通过将分离独立的交通设施建模成能互相协作的Agent,研究了动态交通管理设备互相协作的可能性。Filippo实现了一种基于多Agent 架构的交通管理系统CARTESIUS,在分析偶发性阻塞和在线制定集成控制方案过程中展示了良好的协作推理和解决冲突的能力,可为交通管理人员协调多区域间的快车道和地面街道的路网阻塞提供实时决策支持。
Bo Chen等人将移动Agent 技术融入到交通管理系统中,增强了处理不确定事件和环境动态变化的能力,提出了一种基于柔性Agent 的实时交通检测和管理系统。
3 多Agent在ATIS中的应用
ATIS 可以影响出行行为,增强路网性能。当前采用Agent 技术研究ATIS 主要是针对不同的出行需求构建各式智能的出行信息系统,为出行者提供高质量的出行信息和导航服务;另外是研究ATIS 条件下的出行者行为以及ATIS 对城市交通的影响。
3.1 基于Agent 的典型出行信息系统框架
为实现路网管理者和出行者之间的有效协调,需要在不严重影响个体出行者的使用偏好(出行类型、路径选择、离开/到达时间等)基础上有效地基于时空二维分配路网。基于此,Adler 和Blue 研究了智能出行信息系统(IT IS),专为出行者提供出行计划和导航辅助信息,提出一种代表出行者的车载智能导航Agent,可以学习、定义并校准路径和出行计划偏好。在此基础上,他们又提出基于多Agent 的交通管理和路径导航协作系统(CTMRGS)的概念框架,使路网管理者、信息提供者和出行者之间能有效的协调和沟通。系统采用原则协商指导出行者Agent 和信息提供者Agent 之间的交互,找到一个时空最优的出行方案,最后指出更多的智能将会被用来捕捉和呈现出行者的真实意图和行为。
3.2 ATIS 影响下的基于多Agent 仿真的出行者行为研究
ATIS 的有效性取决于系统提供信息的能力以及出行者对出行信息的反应。因此,了解出行者的行为及其在出行信息下的决策过程便显得尤为重要,这将有助于设计出高效的ATIS.目前,国内外很多学者都采用Agent 仿真方法研究ATIS 环境下的出行者行为。
Dia首先提出利用多Agent 仿真来研究实时交通信息影响下的驾驶员行为。通过对驾驶员行为(特性、心理、知识、偏好等)的调查采用BDI(信念-渴望-意图)结构建模,配合交通仿真组件评价交通实时信息对驾驶员行为的影响。Rossetti基于BDI 架构提出了基于DRACULA(一种结合用户学习和微观模拟的动态路径分配模型)的多Agent 扩展模型对出行者进行建模,允许出行者对出行路径和离开时间做出理性选择。
驾驶员的行为会影响到ATIS 系统收益和系统的整体性能。Rossetti 基于谓词逻辑表达方式对出行者Agent 建模,使决策过程中呈现了更多的出行者心理因素。仿真结果表明,系统的整体性能会受到出行信息需求和交通网络拓扑结构的影响,当出行信息单独向个体提供的时候,总体影响可以得到很大改善。
Joachim将出行者建模成Agent,基于两条平行路径的路网分析了ATIS 环境中的出行者路径选择行为,研究指出出行信息的特性很大程度上影响了ATIS的潜在收益。赵凛在Joachim 的基础上,通过对系统中的微观行为建立基于Agent 的仿真模型来观察系统涌现出来的宏观特征。仿真结果显示ATIS对通勤者出行前的出行规划有一定影响,随着交通量的增加,交通系统的不确定性也随之增加,ATIS 系统收益会有所提高。
Zargayouna提出了一种基于Agent 的出行者信息服务中心架构,通过实例化大量的交通实体,建立了基于环境的服务、信息资源和出行者主动交互支持模型,允许实体间建立各自感兴趣的交互。
Wahle提出了一个基于多Agent 的实时交通流在线仿真和预测框架,通过历史数据的启发结合当前动态数据可提供对路径选择行为和交通走向的短期预测。王健采用数据挖掘中的决策树方法获取出行者信息需求,使用Agent 技术建立了基于移动终端的信息服务网络框架。Chou构建了基于多Agent的停车导航协商网络,将汽车、停车场和导航系统建模成Agent,通过各Agent 的协作为驾驶员选择价格和路线最优的停车场。
4 多Agent在APTS中的应用
4.1 基于多Agent 的公交运行状态检测
公交运行状态检测对于确保公交系统的正点到站、运行具有重要的意义。采用AVM 系统获取公交运行数据进行扰动(延迟和超行)检测缺乏对全局路况的总览而且稳定性差,很难提供基于时空二维的路况进展状态。因此,Flavien提出了采用多Agent 技术诊断公交扰动以及检测定位数据传输的连贯性。公交车和站点被建模成Agent,站点Agent 备有公交运行时间表,负责计算公交到站后的调度;公交车Agent负责向STOP Agent 报告路网实际状态,供STOPAgent 将车辆到达的理论时间和当前实际时间相比较以检测公交扰动。在此基础上,他们又对扰动的整个生命周期进行了动态建模,把扰动模型融合到多Agent 决策支持系统中,研究了扰动对路网活动的影响。模型包括三个信息区域:后继区域(延迟公交车后继站点),关键区域(延迟公交车所在的站点),先前区域(延迟公交车的前驱站点)。如图4 所示,最底层的STOP Agent 接收BUS Agent 传来的信息,中间层的STOPAREA Agent 负责从STOP Agent 中收集信息合成交通评价、客流信息、路况进展系数等,顶层的INCIDENT Agent 形成综合的实时调度决策。
图4 基于分级多Agent 公交扰动检测框架图。
4.2 基于多Agent 的公交系统运行仿真
公交系统的运行仿真可用于调整公交调度、评价公交路网结构以及制定策略。David采用多Agent仿真方法描述了公交系统运行,将公交车和出行者建模成Agent,所有的模型都结合了公交操作、出行者行为和道路交通负载。文中使用了多项logit 模型配备交通需求,评价了步行、汽车、公交模式的效用,并基于效用模型制定了出行者的出行路线和交通行为。仿真主要关注了公交乘客载荷和乘客等待时间。
仿真结果表明,通过将公交车和出行者建模成Agent,可方便地模拟公交车在运行过程中可能出现的各种状况(饱和、不足),为特殊事件(事故、阻塞)的发生制定有效的调度策略。
5 结论与展望
ITS 的将来会被各式智能、自治的Agent 布满整个交通系统中,通过互联网、无线网络或自组织网络连接,不断采集信息做出智能决策,最终使交通系统获得彻底的智能。要使Agent 发挥更大的作用,还需要在实际应用中充分考虑城市交通系统及其内含实体的特点(出行方式特征、交通规则、路网结构、出行心里),缓解通信需求、降低运算量及协调复杂度、优化系统组织结构、增强系统的稳定性和安全性。多Agent 今后在城市交通系统中的研究方向应主要集中在以下几方面:
(1) 多个Agent 系统的信息融合,如在交通管理系统、出行信息系统、导航系统、停车系统间共享信息,通过协调多系统的工作,提高路网运行效率和出行信息服务质量;
(2) 针对城市交通系统存在的问题,研究面向特定应用领域的多Agent 系统结构、协调算法和组织优化技术,形成规范的技术体系,包括通信环境、建模方法、评价方法等;
(3) 将更多Agent 新技术引入到城市交通系统设计当中,如移动Agent、Agent 规范、Agent 体系结构、Agent 通信和语言、Agent 组织与联盟、Agent学习与规划、Agent 协商与协调等方向上的新技术;
(4) Agent 技术理论研究在城市交通中的应用已形成一定的规模,如何更高效地发挥Agent 的特性使之与城市交通更紧密的结合与适应将会成为新的研究热点;
(5) Agent 的广泛应用会把更多的人工智能、系统工程、控制理论、优化算法和分布式计算技术引入到实际的交通问题解决中来,为Agent 的具体应用提供更多的新思路。
评论