CN102505591B - 一种施工作业区上游过渡区长度确定方法 - Google Patents

Abstract

本发明属于道路设计技术领域，涉及一种施工作业区上游过渡区长度确定方法，包括下列步骤：(1)设计驾驶员SOAR智能体工作记忆结构；(2)设计初始长期记忆规则，建立驾驶员SOAR智能体的长期记忆规则库；(3)建立驾驶员SOAR智能体的决策周期(4)建立采用路网均衡度对路网通行能力进行评价的方法，(5)设置不同的上游过渡区长度及不同的道路载荷系数进行仿真，通过仿真得到不同施工作业区上游过渡区长度下路网均衡度数据，选择均衡度高且收敛性好的仿真条件，得到不同交通条件下合适的施工作业区上游过渡区长度。本发明能够较为精确地反映施工作业区上游过渡区长度对道路施工通行能力的影响，从而为施工作业区上游过渡区长度的确定提供方法。

Description

一种施工作业区上游过渡区长度确定方法

技术领域

本发明属于道路设计技术领域，涉及一种施工作业区上游过渡区长度确定方法。

背景技术

城市道路通行能力受道路条件、交通条件和管制条件影响，由于施工作业活动临时改变道路条件和交通条件，如果交通组织及管理措辞不当，将严重降低道路通行能力，造成区域路网大面积拥堵，因此针对施工作业区对道路通行能力影响研究显得非常必要。现有研究技术方法及理论包括路段流量实测发、交通仿真技术、交通冲突理论等。Karim and Adeli在《Radial Basis Function Neural Network for Work ZoneCapacity and Queue Estimation》一文中提出运用雷达装置设置在区域路网施工作业路段关键控制点，采集排队长度、速度等基础数据，从而计算路网通行能力；Kita在《Effects of Merging Lane Length on the MergingBehavior at Expressway onramps》一文中基于交通流分合流区交通行为研究理论基础研究高速公路施工作业区车辆交通行为，并通过交通延误模型来预测施工路段上游过渡区、施工区和下游过渡区的通行能力。陈瑜在论文《高速公路作业区安全分析及交通组织管理方法研究》中运用交通流理论和驾驶员信息处理速度模型研究施工区通行能力；杨庆祥在《施工作业对城市道路通行能力的影响分析》中运用VISSIM建立道路施工作业区交通微观仿真模型，模拟不同施工组织方案下车速、作业区长度、车型比例等因素对道路通行能力的影响，通过施工作业区通行能力模型以及上述因素的折减系数研究，计算施工作业区道路通行能力。周茂松等在论文《高速公路养护维修作业区通行能力影响因素的微观仿真研究》中同样运用VISSIM微观交通仿真模型研究车道封闭型式、大车率、坡度、作业区长度等因素对高速公路施工作业区通行能力，并提出通行能力建议值。

从现有相关研究文献阅读分析可知，针对施工作业区道路通行能力研究的已有技术有以下特点：

(1)以施工作业区车辆之间相互影响机制为基础。已有技术基于车辆施工作业区车辆之间相互影响的基础理论，包括交通流合流区交通行为研究、交通冲突研究、交通流理论等，探究作业区长度、车速、大车率、坡度等因素对道路通行能力的影响，结合交通通行能力计算模型，考虑相关因素的折减系数，从而确定施工作业区道路通行能力；

(2)认为驾驶员行为静态、可预测的。有部分研究文献对施工作业区驾驶行为展开研究，通过分析驾驶员在施工作业区车速来确定路段通行能力，在研究驾驶员交通行为过程中，认为驾驶员行为是静态可预测的。

(3)仅考虑施工作业区单点通行能力。城市道路通行能力受道路条件、交通条件和管制条件影响，根据交通流有机疏散理论，道路施工作业区通行能力与区域路网交通管理措施关系密切。已有技术仅对单点施工作业区对道路通行能力影响，忽略区域路网多点同时施工对路网通行能力的影响。

根据上述对现有研究技术分析可知，针对施工作业对道路通行能力研究存在两方面不足。一是简单处理施工作业区驾驶员行为研究，施工作业区交通环境十分复杂，驾驶员的交通行为也是动态、不可预测的复杂行为，行为研究是作业区车速、长度、通行能力研究的基础；二是区域路网多点同时施工总量研究对于实际城市道路交通施工作业管理更加必要，由于现状我国城市道路养护维修作业需求大，但是道路网交通拥堵状况不一，施工作业总量以及施工路段组织布置不合理将进一步加剧城市交通拥堵。

发明内容

本发明的目的是，克服现有技术的上述不足，提出一种施工作业区上游过渡区长度确定方法，以期减少施工作业过程对城市交通的影响，为道路施工作业区布置方案设计提供更为科学有效的依据。本发明的技术方案如下：

一种施工作业区上游过渡区长度确定方法，包括下列步骤：

(1)设计驾驶员SOAR智能体工作记忆结构

考虑车辆类型、车辆速度、司机类型、输入属性和输出属性，设计驾驶员SOAR智能体工作记忆结构，其中的输入属性细分为感知拥堵程度、相邻位置车辆运行状态、交通信号标志，输出属性包括算子操作类型。

(2)设计初始长期记忆规则，建立驾驶员SOAR智能体的长期记忆规则库

长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值，算子操作类型分为四种类型：类型1为决定转向算子，包括A选择向前、A选择向左、A选择向右三种；类型2为改变路况拥堵算子，即驾驶员根据外界交通信息和自身经验总结出驾驶员认为的各下游路段当时的拥堵状况；类型3为驾驶员改变驾驶目的算子，将驾驶目的分为最省钱和最省时两种，最省钱要求驾驶员选择最短路到达目的地，最省时要求驾驶员选择驾驶时间最短的路径；类型4为驾驶员情绪改变算子，把驾驶员的情绪概括为两种，即舒畅情绪和急躁情绪，驾驶员在舒畅情绪的状态中，决策过程中的匹配精度高，而在急躁情绪中，匹配精度下降。

(3)建立驾驶员SOAR智能体的决策周期

1)输入阶段：通过感知在工作记忆中创造反映外界交通状况变化的元素，完成对各感知信息的赋值，建立感知向量；

2)状态阐述阶段：将工作记忆中感知向量的内容与长期记忆中规则的条件部分进行匹配；

3)建议算子阶段：触发程序性记忆中所有满足匹配条件的产生式规则，产生建议的算子及对应的偏好指标；

4)选择算子阶段，根据建议算子及偏好指标，选择当前状态下的最优算子，如果匹配不上规则或者建议算子不能进行比较，知识不足以支持决策，则产生困境，进入组块学习阶段，具体操作如下：

以步长λ改变匹配精度，从所有长期记忆中搜索匹配算子使问题向目标状态移动，如果连续η_g次决策中驾驶员的实际行驶时间都满足期望要求，即T(s_e)-T_e(s_e)≤η_z时，则将对应算子添加到决策过程中目标状态s_e，组块学习成功，式中，T(s_e)表示驾驶员在目标状态s_e下的实际驾驶时间，T_e(s_e)表示驾驶员在目标状态s_e下的期望驾驶时间，T_e(s_e)＝T_d(t，l)+T_v[v(l)]，其中T_d(t，l)为驾驶员在时刻t路段l上的平均驾驶时间；

表示交通标志对驾驶时间的影响，

表示路段l在交通标志状态为v时的平均行驶时间，T_r(l)表示路段l的参照行驶时间，η_z为规则组块更新阈值；

5)应用算子阶段，如果选择的算子类型为转向算子，则输出动作，否则，应用改变路况拥堵算子，改变驾驶目的算子和情绪改变算子，改变当前状态的一部分分量得到一个中间状态，将应用算子得到的中间状态作为当前状态；

6)强化学习

利用公式p_r(s_e)＝[T(s_e)-T_e(s_e)]^α表示最终状态s_e下的总偏好反馈值，式中，α为小于1的常数，将驾驶员通过施工作业区SOAR决策过程中涉及的算子总偏好进行偏好分配，其偏好分配大小与各状态与目标状态的距离相关，中间状态s_k与目标状态s_e的距离d(s_k，s_e)通过SOAR算子改变的属性进行计算，计算公式为 $d(s_k,s_e)={({|d_s\left(s_e\right)-d_s\left(s_k\right)|}^{f_1}+{|d_e\left(s_e\right)-d_e\left(s_k\right)|}^{f_2}+{|m_o\left(s_e\right)-m_o\left(s_k\right)|}^{f_3})}^{f_4},$ 其中，d_s(s_e)，d_e(s_e)，m_o(s_e)分别表示目标状态s_e下的感知拥堵程度等级，目标区域位置编号和驾驶员情绪级别，d_s(s_k)，d_e(s_k)，m_o(s_k)依此类推，f₁，f₂，f₃，f₄为常数，决策周期t的状态转移路径中第k个状态对应的算子o(s_k)的反馈偏好值λ[d(s_k，s_e)]p_r(s_e)，λ[d(s_k，s_e)，r(s_k)]为p_r(s_e)分配到o(s_k)上的权重，它是d(s_k，s_e)及s_k所在的状态转移路径r(s_k)的函数， $\mathrm{\λ}[d(s_k,s_e),r\left(s_k\right)]=\frac{1}{d(s_k,s_e)}/\underset{i=1}{\overset{\left|r\left(s_k\right)\right|}{\mathrm{\Σ}}}\frac{1}{d(s_i,s_e)},$ 其中|r(s_k)|为s_k所在路径包含的状态数量。

7)继续下一决策周期，使得问题朝目标状态方向移动；

(4)建立采用路网均衡度对路网通行能力进行评价的方法，具体方法为：

1)计算子区在周期p的平均交通需求

其中，L_i，j＝λ_i，jl_i，jN_i，j表示路段(i，j)的有效长度，l_i，j表示路段(i，j)的实际长度；N_i，j表示路段(i，j)的车道数；λ_i，j为路段(i，j)的有效系数；表示路段(i，j)在统计周期p的单车道平均交通流量；N_i表示与交叉口i连通的各下游交叉口的集合；

2)计算子区在周期p的平均交通流量 $V_p=\frac{D_p}{\underset{i}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}{L}_{i,j}},$

3)计算施工作业影响区域在统计周期p的饱和度

和路段(i，j)在统计周期p的饱和度

式中，C_i，j表示路段(i，j)的设计通行能力，C表示施工作业影响区域路段设计通行能力之和；

4)计算周期p路网的均衡度

其中，N为施工作业影响区域的总路段数；

(5)设置不同的上游过渡区长度及不同的道路载荷系数进行仿真，通过仿真得到不同施工作业区上游过渡区长度下路网均衡度数据，选择均衡度高且收敛性好的仿真条件，得到不同交通条件下合适的施工作业区上游过渡区长度。

本发明运用SOAR认知技术细致刻画驾驶员交通行为，提高了施工作业区通行能力的计算准确度，并以路网通行能力为评价准则，通过评价施工作业区上游过渡区不同的设置长度对路网通行能力影响程度，得到合理的上游过渡区长度，从而对施工作业区布置方案的制定起到指导作用。

附图说明

图1-a为一个驾驶员SOAR智能体的工作记忆分层结构。

图2-b为某一个通过道路施工作业区驾驶员智能体工作记忆的图表结构。

图2决策周期流程图。

图3仿真路网。

图4仿真施工作业区示意图。

图5-a Ls＝10m时的路网均衡度曲线图。

图5-b Ls＝20m时的路网均衡度曲线图。

图5-c Ls＝30m时的路网均衡度曲线图。

图5-d Ls＝40m时的路网均衡度曲线图。

图5-e Ls＝50m时的路网均衡度曲线图。

图5-f Ls＝60m时的路网均衡度曲线图。

图5-g Ls＝70m时的路网均衡度曲线图。

图5-h Ls＝80m时的路网均衡度曲线图。

图5-i Ls＝90m时的路网均衡度曲线图。

图5-j Ls＝100m时的路网均衡度曲线图。

具体实施方式

本发明采用SOAR认知框架细致刻画施工作业区行驶车辆驾驶员的交通行为，描述驾驶车辆单体在施工作业区的复杂交通行为，并结合区域路网交通状况以及施工作业分布，评估施工作业区布置方案对路网通行能力的影响，进而提出施工作业区上游过渡区长度的合理取值，以期减少施工作业过程对城市交通的影响。下面对本发明做详细说明。

(1)SOAR认知框架

SOAR的全称为状态、算子和目标(State，Operator and Result)，是由AllenNewell等人于1983年开发的称为“通用智能”的一种框架，主要讨论知识、思考、智力和记忆，是一个应用范围非常广的认知结构。其中，状态是当前要解决问题的情况表征，算子是可以改变状态、产生新的状态的操作，目标是需要解决问题的理想结果。SOAR的运行就是在问题空间持续地应用算子和选择下一个算子直到该问题目标实现的过程。

SOAR框架主要包括输入/输出界面、长期记忆区、工作记忆区三大部分，还有其他一些潜在的机制如决策周期、学习过程等。SOAR必须通过感知/动作界面与外界发生交互，由感知将外部世界映射到工作记忆中，通过动作将工作记忆内部的表征返回外部环境并产生行动。SOAR内部具有不同表征形式的工作记忆区和长期记忆区，分别用来描述问题求解的当前状态和长期记忆。工作记忆用具有等级结构的状态/目标图表来表示与当前状态相关的感知数据、中间推理的结果、活动目标和活动算子等。长期记忆包括程序性记忆、语义性记忆和情节性记忆。SOAR通过一个固定的处理机制——决策周期，完成SOAR的选择和应用算子等功能。伴随着决策周期SOAR有四种不同的学习机制，分别是强化学习、组块、情节性学习和语义性学习(本发明采用了前两种学习机制)。

(2)驾驶员智能体工作记忆设计

工作记忆区是短期记忆单元存放的地方，用来反映当前情景相关的知识，如当前状态和算子等，它由包括一系列的属性和属性值的对象组成，本发明采用分层结构来对驾驶员智能体工作记忆进行表示，主要考虑车辆类型、车辆速度、司机类型、输入输出属性。司机类型包括各个司机的性格类型、对路网的熟悉程度、匹配精度和当前位置。输入属性表示智能体从外界感知到的与路段以及周边环境相关的信息，又可细分为感知拥堵程度、相邻位置车辆运行状态、交通信号标志；输出属性表示输出选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果，主要是算子操作类型。除输出属性外，所有工作记忆中可变的属性即为状态，包括车辆速度、感知拥堵程度、相邻位置车辆运行状态、交通信号标志。

图1-a为一个驾驶员SOAR智能体的工作记忆分层结构，表示了驾驶员通过施工作业区场景例子中，智能体“driver-car-unit”的初始状态S1，在初始状态时，智能体在2车道，目标区域为zone3，子状态为S0；Io属性为S1的输入输出，分别通过input-link和output-link接口实现，其中input-link的标识符I3有一个属性road，表示智能体从外界感知到的与路段相关信息，包括属性sign和density，C-sign表示信号灯显示的下游各路段拥堵情况，density表示当前路各车道的感知拥堵状态，neighbor-pos表示当前智能体相邻位置的车辆状态，以满足换道规则进行表示。输出接口output-link的标识符I2表示该状态下可能的输出，当前状态下选择的算子为改变目的地。

图1-b为某一个通过道路施工作业区驾驶员智能体工作记忆的图表结构。工作记忆里的状态S1包含五个属性，其中车辆、司机、输入输出属性的值为对象V1、D1和IO1，其余两个属性分别表示该状态的名称为s1，且其没有父状态。状态S1的V1属性表示智能体组成单元车辆的相关信息，包括表示车辆的尺寸为小，车辆的用途为私家车，当前速度很快。S1的D1属性表示驾驶员的相关信息，包括驾驶员的性别为男，年龄为45，驾龄为20年，月收入为8000，性格为稳重型，对路网非常熟悉，当前驾驶员的匹配精度为1，当前位置为初始位置。IO属性为S1的输入输出，分别通过输入输出接口实现，其中输入接口的标识符I2有四个属性，分别表示智能体从外界感知到的与路段以及周边环境相关的信息，包括属性限速标志、警示标志、当前路段拥堵程度和预测下游拥堵程度，上图中对应属性值分别表示各路段上的限速标志信号为低于当前车速差距为10-20km、警告标志类型为导向型、当前道路的感知拥堵情况2(很拥堵)，根据感知预测到的下游路段的拥堵情况为220(左，前方路段均拥堵，右转路段通畅)。输出接口的标识符O3表示该状态下的输出，比如选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果通过O3下的属性输出。

(3)长期记忆

长期记忆是成果记忆区，它包括所有的成果，用户可以创造成果来完成具体的功能，本发明驾驶员通过施工作业区驾驶行为SOAR智能体主要是程序性记忆，采用产生式表示。

本发明产生式用“如果-那么”规则表示“条件-行动”。如果部分指明了规则运动的条件，那么部分说明了导致个体的动作或行为。下式为本发明设置的一个初始长期记忆规则，采用Soar程式化和精确书写规则表示。

Sp  {r1

(type＝C)

(lane＝2)

(C-sign＝RGG)

(sense_density＝2)

(neighbor-pos＝00001111)

(destination＝zone3)

——＞

(operator＝select_R)

}

上述产生式规则名称为r1，表示如果驾驶员性格为保守型，控制信号为红、绿、绿，感知的拥堵为严重拥堵，且满足右转条件，驾驶员目的地为zone3，则选择下游右转路段。值得注意的是，SOAR智能体只设置了一部分初始长期记忆规则，它会在决策和反馈过程中进行学习，规则逐渐更新和增加。实际上，无论初始规则设置的如何完善，也不可能包含或者正确包含所有的决策思维和偏好，因此要使智能体能较好地仿真驾驶员通过施工作业区驾驶行为，智能体需要经过一段时间的训练，使得记忆规则更加完善，偏好更接近实际，在这个过程中，学习机制的影响至关重要。

(4)决策周期

SOAR智能体的决策周期实际就是产生、比较、选择和应用算子，以使当前状态朝目标状态转移的过程。长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值。本发明算子分为四种类型：类型1为决定转向算子，包括A选择向前、A选择向左、A选择向右三种；类型2为改变路况拥堵算子，即驾驶员根据外界交通信息和自身经验总结出驾驶员认为的各下游路段当时的拥堵状况；类型3为驾驶员改变驾驶目的算子，将驾驶目的分为最省钱和最省时两种，最省钱要求驾驶员选择最短路到达目的地，最省时要求驾驶员选择驾驶时间最短的路径；类型4为驾驶员情绪改变算子，本发明把驾驶员的情绪概括为两种，即舒畅情绪和急躁情绪，驾驶员在舒畅情绪的状态中，决策过程中的匹配精度高，而在急躁情绪中，匹配精度下降。算子将初始状态过渡到中间状态，并经过多个中间状态的转移最终到达目标状态。本发明SOAR智能体决策周期如图2所示。

图2中，输入阶段通过感知在工作记忆中创造反映外界交通状况变化的元素，完成对各感知信息的赋值；状态阐述阶段将工作记忆中感知向量的内容与长期记忆中规则的条件部分进行匹配；建议算子阶段触发所有满足匹配条件的产生式规则(在程序性记忆中)，产生建议的算子及对应的偏好指标；选择算子阶段，根据建议算子及偏好指标，选择当前状态下的最优算子。如果知识不足以支持决策(如匹配不上规则或者建议算子不能进行比较等)，则产生困境，进入组块学习阶段；应用算子阶段，如果选择的算子类型为转向算子，则输出动作，否则改变当前状态的一部分分量得到一个中间状态(应用改变路况拥堵算子，改变驾驶目的算子和情绪改变算子等)，这种情况下将应用算子得到的中间状态作为当前状态，继续下一决策周期，使得问题朝目标状态方向移动。

(5)学习机制

1)组块学习

组块学习是使扩充soar智能体规则的基本手段，在当前规则体系下不能支持智能体作出决策时，将智能体的这种状态称为“困境”，当一个困境产生时意味着当期系统的长期记忆中没有可以利用的算子使得问题求解过程在问题空间中向前移动，需要自动创建一个新的规则来解决当前困境，组块规则的建立需要分析长期记忆中与达到结果相关的产生式规则

本发明采用的组块学习机制主要包括困境产生条件，困境解决方法和组块规则形成机制。在算子集合特征中，如果算子集合为空或者集合中偏好最优算子与次优算子之差小于状态s对应的算子直接选择阈值τ(s)，那么则满足困境产生条件。当困境产生时，困境解决方法的步骤是：首先搜索状态中substate属性，利用子状态触发的规则产生算子使得当前状态(子状态的父状态)移动，如果子状态也产生困境或者substate属性值为nil(空)，则以步长λ改变s匹配精度，从所有长期记忆中搜索匹配算子使问题向目标状态移动。如果连续η_g次采用的组块规则中，驾驶员的实际行驶时间都满足期望要求，即T(s_e)-T_e(s_e)≤η_z时，则将对应算子添加到决策过程中遇到困境状态，组块成功。其中T(s_e)表示驾驶员在目标状态s_e下的实际驾驶时间，T_e(s_e)表示驾驶员在目标状态s_e下的期望驾驶时间，T_e(s_e)＝T_d(t，l)+T_v[v(l)]，其中T_d为驾驶员在时刻t路段l上的平均驾驶时间(表示驾驶经验)；

表示交通标志(如限速标志等)对驾驶时间的影响，

表示路段l在交通标志状态为v时的平均行驶时间，T_r(l)表示路段l的参照行驶时间，本发明采用路段占有率为0.5时的行驶时间作为参照值。η_z为规则组块更新阈值，则将对应算子添加到决策过程中遇到困境状态，组块成功。

2)强化学习

强化学习知识的来源是外部环境的反馈，它可以调整对未来奖励的预期，这些奖励然后被用于选择能够在未来获得最大期望奖励的行动上。SOAR智能体中，将驾驶时间与算子总反馈值联系起来。采用公式p_r(s_e)＝[T(s_e)-T_e(s_e)]^α表示最终状态s_e下的总偏好反馈值，α为小于1的常数，本发明实施例中参数α取0.5。驾驶员通过施工作业区行为SOAR决策过程涉及多个状态和算子，需要将算子总偏好进行偏好分配，其偏好分配大小与各状态与目标状态的距离相关。中间状态s_k与目标状态s_e的距离d(s_k，s_e)通过SOAR算子改变的属性进行计算， $d(s_k,s_e)={({|d_s\left(s_e\right)-d_s\left(s_k\right)|}^{f_1}+{|d_e\left(s_e\right)-d_e\left(s_k\right)|}^{f_2}+{|m_o\left(s_e\right)-m_o\left(s_k\right)|}^{f_3})}^{f_4},$ 其中，d_s(s_e)，d_e(s_e)，m_o(s_e)分别表示目标状态s_e下的感知拥堵程度等级，目标区域位置编号和驾驶员情绪级别，d_s(s_k)，d_e(s_k)，m_o(s_k)依此类推，f₁，f₂，f₃，f₄为常数。决策周期t的状态转移路径中第k个状态对应的算子o(s_k)的反馈偏好值λ[d(s_k，s_e)]p_r(s_e)，λ[d(s_k，s_e)，r(s_k)]为p_r(s_e)分配到o(s_k)上的权重，它是d(s_k，s_e)及s_k所在的状态转移路径r(s_k)的函数，本发明 $\mathrm{\λ}[d(s_k,s_e),r\left(s_k\right)]=\frac{1}{d(s_k,s_e)}/\underset{i=1}{\overset{\left|r\left(s_k\right)\right|}{\mathrm{\Σ}}}\frac{1}{d(s_i,s_e)},$ 其中|r(s_k)|为s_k所在路径包含的状态数量。

(6)路网通行能力评价

采用路网均衡度对路网通行能力进行评价，具体计算方法为：

2)计算子区在周期p的平均交通需求D_p

$D_p=\underset{i}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}{L}_{i,j}\·V_{i,j}^p$

L_i，j＝λ_i，jl_i，jN_i，j表示路段(i，j)的有效长度。其中l_i，j表示路段(i，j)的实际长度；N_i，j表示路段(i，j)的车道数；λ_i，j为路段(i，j)的有效系数，λ_i，j与施工干扰度、交叉口利用率、行人干扰系数等有关。

表示路段(i，j)在统计周期p的单车道平均交通流量；

N_i表示与交叉口i连通的各下游交叉口的集合；

2)计算子区在周期p的平均交通流量V_p

$V_p=\frac{D_p}{\underset{i}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}{L}_{i,j}}$

3)计算施工作业影响区域及各路段在周期p的饱和度S_p，

$S_p=\frac{V_p}{C}$

$S_{i,j}^p=\frac{V_{i,j}^p}{C}$

4)周期p路网的均衡度

N为施工作业影响区域的总路段数。

(7)仿真实验

1)仿真条件

采用如图3所示路网进行仿真，路网包含84条道路，28个路口。路段7和17上双向六车道快速路，设计车速为60km/小时，车道宽度为3.75米。如下图所示，在离路口400m处进行施工作业，封闭自南向北方向非机动车道和两个车道，并将道路其它四个车道改造成双向四车道，小汽车的自由流速度为60km/h。限于篇幅，本发明不便列出路网中所有路段参数，现仅提取图3中诱导单元相关的主要路段长度及通行能力，见表1。

表1主要路段长度及通行能力

2)仿真实验及结果

道路施工养护作业是在局部封闭的施工作业路段中进行的，施工作业路段附近车流量大、交通环境差。施工路段一般设置了标志、标线、渠化设施、障碍物，并配备了施工作业车辆。如图4所示，典型的双向六车道公路在养护施工时，一般施工路段具体可分为以下几个部分：

(1)施工预告段：提示前方道路施工，使驾驶员注意交通变化情况，以便及时采取措施；在施工封锁施工作业路段前方，应设立施工警告标志，用于通告道路的交通阻断、绕行情况，使司机有时间调整其行车速度。

(2)上游过渡区：起导流作用，引导车辆改变行驶方向，致使车辆变换车道由行车道汇合于超车道。也可以形象称之为汇流渐变段。

(3)上游缓冲区：为行车者和施工人员提供缓冲保护，缓冲路段内不准停放器具、车辆、材料，禁止工作人员停留，以避免由于车辆失控出现的事故。

(4)施工工作区：是养护施工人员活动和工作的地方，车道与作业路段之间必须设置隔离装置，作业路段还应为工程车辆提供安全的进出口，施工作业段全程用带有方向指示的路拦或锥形交通标志与通行车道进行隔离。驶入该路段的车辆不能超车，只能跟驰行驶。

(5)下游过渡区：是解除断面压缩，恢复正常行驶的过渡路段，起导流作用，引导车辆改变行驶方向，变换车道，进入正常的行驶车道。也可以形象称之为分流渐变段。

(6)施工终止区：表示施工路段的结束和施工限速的解除，位于施工路段的末端。交通流逐渐恢复正常运行状态。

改变图4中上游过渡区的长度Ls，分别设置为20m、30m、40m、50m、60m、70m、80m、90m，100m，发车频率设为道路载荷系数为0.7，在9种不同施工作业区上游过渡区长度下，对路网的通行能力影响进行仿真。仿真12个小时，统计周期设为5分钟，评价区域采用上图圆圈中包含路段。得到不同施工作业区上游过渡区长度下，路网均衡度如图5所示。

3)仿真结果分析

(1)由图5a-5c可知，当Ls距离较小时(＜40m)，路网均衡度较小且不稳定，这是因为施工作业区上游过渡段太短，司机需要紧急刹车或者紧急改变方向，加大了该交织区域的冲突，使得通行能力降低很快，造成该路段的拥堵的同时，影响区域路网的均衡度，各路段通行能力利用不充分，降低了路网总体通行能力。

(2)由图5d-5f可知，当Ls距离适中时(40m到60m)，随着仿真时间的推移，路网均衡度由第逐渐变高且趋于稳定，这表明Ls设置在此范围内，驾驶员通过此区域的适应能力较强，通过转移部分交通流量到邻近路段后，路网整体均衡度较高，各路段通行能力利用较为充分。

(3))由图5g-5j可知，当Ls距离较大时(70m到100m)，随着仿真时间的推移，均衡度有上升的趋势，但是波动较大，这是因为施工区域设置的过长，驾驶员很早就要进行换道，影响区域扩大，导致了路网利用能力降低。

综上所述，本发明实验条件下的施工作业区上游过渡段的推荐长度为50m左右。

Claims (1)

1.一种施工作业区上游过渡区长度确定方法，包括下列步骤：

（1）设计驾驶员SOAR智能体工作记忆结构

考虑车辆类型、车辆速度、司机类型、输入属性和输出属性，设计驾驶员SOAR智能体工作记忆结构，其中的输入属性细分为感知拥堵程度、相邻位置车辆运行状态、交通信号标志，输出属性包括算子操作类型；

（2）设计初始长期记忆规则，建立驾驶员SOAR智能体的长期记忆规则库

长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值，算子操作类型分为四种类型：类型1为决定转向算子，包括A选择向前、A选择向左、A选择向右三种；类型2为改变路况拥堵算子，即驾驶员根据外界交通信息和自身经验总结出驾驶员认为的各下游路段当时的拥堵状况；类型3为驾驶员改变驾驶目的算子，将驾驶目的分为最省钱和最省时两种，最省钱要求驾驶员选择最短路到达目的地，最省时要求驾驶员选择驾驶时间最短的路径；类型4为驾驶员情绪改变算子，把驾驶员的情绪概括为两种，即舒畅情绪和急躁情绪，驾驶员在舒畅情绪的状态中，决策过程中的匹配精度高，而在急躁情绪中，匹配精度下降；

（3）建立驾驶员SOAR智能体的决策周期

1）输入阶段：通过感知在工作记忆中创造反映外界交通状况变化的元素，完成对各感知信息的赋值，建立感知向量；

2）状态阐述阶段：将工作记忆中感知向量的内容与长期记忆中规则的条件部分进行匹配；

3）建议算子阶段：触发程序性记忆中所有满足匹配条件的产生式规则，产生建议的算子及对应的偏好指标；

4）选择算子阶段，根据建议算子及偏好指标，选择当前状态下的最优算子，如果匹配不上规则或者建议算子不能进行比较，知识不足以支持决策，则产生困境，进入组块学习阶段，具体操作如下：

以步长λ改变匹配精度，从所有长期记忆中搜索匹配算子使问题向目标状态移动，如果连续η_g次决策中驾驶员的实际行驶时间都满足期望要求，即T(s_e)-T_e(s_e)≤η_z时，则将对应算子添加到决策过程中目标状态s_e，组块学习成功，式中，T(s_e)表示驾驶员在目标状态s_e下的实际驾驶时间，T_e(s_e)表示驾驶员在目标状态s_e下的期望驾驶时间，T_e(s_e)＝T_d(t,l)+T_v[v(l)]，其中T_d(t,l)为驾驶员在时刻t路段l上的平均驾驶时间；T_v[v(l)]=T(v,l)-T_r(l)表示交通标志对驾驶时间的影响，T(v,l)表示路段l在交通标志状态为v时的平均行驶时间，T_r(l)表示路段l的参照行驶时间，η_z为规则组块更新阈值；

5）应用算子阶段，如果选择的算子类型为转向算子，则输出动作，否则，应用改变路况拥堵算子，改变驾驶目的算子和情绪改变算子，改变当前状态的一部分分量得到一个中间状态，将应用算子得到的中间状态作为当前状态；

6）强化学习

利用公式p_r(s_e)=[T(s_e)-T_e(s_e)]^α表示最终状态s_e下的总偏好反馈值，式中，α为小于1的常数，将驾驶员通过施工作业区SOAR决策过程中涉及的算子总偏好进行偏好分配，其偏好分配大小与各状态与目标状态的距离相关，中间状态s_k与目标状态s_e的距离d(s_k,s_e)通过SOAR算子改变的属性进行计算，计算公式为d(s_k,s_e)＝(|d_s(s_e)-d_s(s_k)|^f1+|d_e(s_e)-d_e(s_k)|^f2+|m_o(s_e)-m_o(s_k)|^f3)^f4，其中，d_s(s_e)，d_e(s_e)，m_o(s_e)分别表示目标状态s_e下的感知拥堵程度等级，目标区域位置编号和驾驶员情绪级别，d_s(s_k)，d_e(s_k)，m_o(s_k)依此类推，f₁,f₂,f₃,f₄为常数，决策周期t的状态转移路径中第k个状态对应的算子o(s_k)的反馈偏好值λ[d(s_k,s_e)]p_r(s_e)，λ[d(s_k,s_e),r(s_k)]为p_r(s_e)分配到o(s_k)上的权重，它是d(s_k,s_e)及s_k所在的状态转移路径r(s_k)的函数，

，其中|r(s_k)|为s_k所在路径包含的状态数量；

7）继续下一决策周期，使得问题朝目标状态方向移动；

（4）建立采用路网均衡度对路网通行能力进行评价的方法，具体方法为：

1）计算子区在周期p的平均交通需求

其中，L_i,j＝λ_i,jl_i,jN_i,j表示路段(i,j)的有效长度，l_i,j表示路段(i,j)的实际长度；N_i,j表示路段(i,j)的车道数；λ_i,j为路段(i,j)的有效系数；表示路段(i,j)在统计周期p的单车道平均交通流量；N_i表示与交叉口i连通的各下游交叉口的集合；

2)计算子区在周期p的平均交通流量

3)计算施工作业影响区域在统计周期p的饱和度

和路段(i,j)在统计周期p的饱和度

，式中，C_i,j表示路段(i,j)的设计通行能力，C表示施工作业影响区域路段设计通行能力之和；

4)计算周期p路网的均衡度

，其中，N为施工作业影响区域的总路段数；

（5）设置不同的上游过渡区长度及不同的道路载荷系数进行仿真，通过仿真得到不同施工作业区上游过渡区长度下路网均衡度数据，选择均衡度高且收敛性好的仿真条件，得到不同交通条件下合适的施工作业区上游过渡区长度。

Images