CN108898284B - 一种车联网管理控制策略评估方法及系统 - Google Patents
一种车联网管理控制策略评估方法及系统 Download PDFInfo
- Publication number
- CN108898284B CN108898284B CN201810593423.7A CN201810593423A CN108898284B CN 108898284 B CN108898284 B CN 108898284B CN 201810593423 A CN201810593423 A CN 201810593423A CN 108898284 B CN108898284 B CN 108898284B
- Authority
- CN
- China
- Prior art keywords
- vehicles
- internet
- artificial
- agent
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000011217 control strategy Methods 0.000 title claims abstract description 38
- 238000002474 experimental method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 230000006855 networking Effects 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 73
- 230000003993 interaction Effects 0.000 claims description 16
- 238000007418 data mining Methods 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013401 experimental design Methods 0.000 claims 3
- 239000003795 chemical substances by application Substances 0.000 description 87
- ODKSFYDXXFIFQN-BYPYZUCNSA-N L-arginine Chemical compound OC(=O)[C@@H](N)CCCN=C(N)N ODKSFYDXXFIFQN-BYPYZUCNSA-N 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 206010063659 Aversion Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车联网管理控制策略评估方法及系统。方法包括：对应实际车联网中的每个影响因子分别构造人工智能体；随机运行所述人工智能体以虚拟所述影响因子的实际状态，从而涌现智能体行为特征；基于车联网管理控制策略构造计算实验模块；利用所述计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果；根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果。根据本发明的方法，可以相对独立的、在不依靠实际车联网系统的前提下对车联网管理控制策略进行评估，从而为车联网管理控制策略的优化改进提供有力支持。
Description
技术领域
本发明涉及交通领域，具体涉及一种车联网管理控制策略评估方法及系统。
背景技术
随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使用，大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来，实现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计算、可控、可管理、可引导、可信的开放融合网络系统，为未来综合交通系统的智能管理与控制提供了新的思路与途径。
车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台数据分析、决策支持等多个过程。具体的，一方面驾驶员心理与行为的高突变性、不确定性、动态性，为人与车、车与车、车与外部环境的交互引入了新的复杂因素；另一方面，车内网、车际网与车载移动网络的合成不可避免地引入了社会信号，使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems，CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems,CPS)，由于CPSS将人及其心理和组织的因素纳入系统之中，因此极大地提高了系统的复杂性。而CPSS系统的复杂程度直接决定了针对其的控制管理策略的复杂程度，因此，在现有技术条件下，针对CPSS系统的控制管理策略具有很高的构建难度以及优化难度。尤其的，由于CPSS系统是一套实际系统，其控制管理策略的漏洞往往在实际投入运营后才能被发现，而实时的进行策略优化往往具有很高的难度。
发明内容
本发明提供了一种车联网管理控制策略评估方法，所述方法包括：
对应实际车联网中的每个影响因子分别构造人工智能体，所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述影响因子的特征属性匹配；
以所述初始状态参数为基础在所述行为规则范围内随机运行所述人工智能体以虚拟所述影响因子的实际状态，从而涌现智能体行为特征；
基于车联网管理控制策略构造计算实验模块；
利用所述计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果；
根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果。
在一实施例中，利用所述计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果，包括：
基于实验需求确定实验场景限定；
将所述实验场景限定加载到所述计算实验模块。
在一实施例中，根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果，其中，对所述实验结果进行数据挖掘、模式发现和/或可视化数据分析。
在一实施例中，所述方法还包括：
基于所述测试与评估结果对所述车联网管理控制策略进行训练优化。
本发明还提出了一种存储介质，所述存储介质上存储有可实现如本发明所述方法的程序代码。
本发明还提出了一种基于本发明所述的方法的系统，其特征在于，所述系统包括：
智能体行为特征生成器，其包含对应车联网中影响因子的人工智能体，所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述人工智能体对应的影响因子的特征属性匹配，所述智能体行为特征生成器配置为以初始状态参数为基础在行为规则范围内随机运行的人工智能体以虚拟所述影响因子的实际状态，从而涌现智能体行为特征；
计算实验模块，其配置为加载了车联网管理控制策略后以所述智能体行为特征为基础进行计算以获取实验结果；
评估模块，其配置为根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果。
在一实施例中，所述系统还包括：
数据支持中心，其配置为为所述智能体行为特征生成器以及所述计算实验模块提供数据支持。
在一实施例中，所述系统还包括：
实验设计模块，其配置为基于实验需求确定实验场景限定，将所述实验场景限定加载到所述计算实验模块。。
在一实施例中，所述评估模块配置为：
对所述实验结果进行数据挖掘、模式发现和/或可视化数据分析。
在一实施例中，所述系统还包括：
策略生成模块，其配置为基于所述测试与评估结果对所述车联网管理控制策略进行训练优化。
根据本发明的方法，可以相对独立的、在不依靠实际车联网系统的前提下对车联网管理控制策略进行评估，从而为车联网管理控制策略的优化改进提供有力支持。
本发明的其它特征或优点将在随后的说明书中阐述。并且，本发明的部分特征或优点将通过说明书而变得显而易见，或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明一实施例的方法流程图；
图2是根据本发明一实施例的人工车联网系统结构简图；
图3是根据本发明一实施例的人工车联网系统构造流程图；
图4是根据本发明一实施例的实验场景限定示意图；
图5～图8是根据本发明不同实施例的系统结构简图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使用，大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来，实现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计算、可控、可管理、可引导、可信的开放融合网络系统，为未来综合交通系统的智能管理与控制提供了新的思路与途径。
车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台数据分析、决策支持等多个过程。具体的，一方面驾驶员心理与行为的高突变性、不确定性、动态性，为人与车、车与车、车与外部环境的交互引入了新的复杂因素；另一方面，车内网、车际网与车载移动网络的合成不可避免地引入了社会信号，使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems，CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems，CPS)，由于CPSS将人及其心理和组织的因素纳入系统之中，因此极大地提高了系统的复杂性。而CPSS系统的复杂程度直接决定了针对其的控制管理策略的复杂程度，因此，在现有技术条件下，针对CPSS系统的控制管理策略具有很高的构建难度以及优化难度。尤其的，由于CPSS系统是一套实际系统，其控制管理策略的漏洞往往在实际投入运营后才能被发现，而实时的进行策略优化往往具有很高的难度。
针对上述问题，本发明提出了一种基于计算实验的车联网管理控制策略评估方法。根据本发明的方法，可以相对独立的、在不依靠实际车联网系统的前提下对车联网管理控制策略进行评估，从而为车联网管理控制策略的优化改进提供有力支持。
接下来基于附图详细描述根据本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示，在一实施例中，方法包括以下步骤。
对应实际车联网中的每个影响因子分别构造人工智能体(S110)。具体的，人工智能体的属性包括初始状态参数以及行为规则，人工智能体的初始状态参数以及行为规则与其对应的影响因子的特征属性匹配。
以人工智能体的初始状态参数为基础在人工智能体的行为规则范围内随机运行人工智能体以虚拟实际车联网中的每个影响因子的实际状态，从而涌现智能体行为特征(S120)。
基于车联网管理控制策略(待评估的)构造计算实验模块(S130)，并且在构造计算实验模块时令计算实验模块与实际车联网系统的运行体系匹配；
利用计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果(S140)；
根据步骤S140获取的实验结果获取针对车联网管理控制策略(待评估的)的测试与评估结果(S150)。
进一步的，本发明所提出的车联网管理控制策略的评估，首先是利用人工智能体模拟实际的车联网系统的运行方式。
在现有技术中，实际车联网系统的仿真出发点是通过将研究对象分解为子系统，利用计算机和数值技术建模集成，仿真并“回演”实际车联网系统中的各种状态和发展特性，讨论和解决实际交通面临的各种问题，是一种自上而下的被动还原型研究方法。其主要存在两个问题：
(1)实际车联网系统中，由于实际车联网数据不足，尤其是极端环境与异常场景数据不足，车辆行为的产生、交互、和演化过程并不能在车联网仿真系统里完备地展现。
(2)由于其是一种被动型的自上而下还原型研究方法，故其不能实播实际车联网系统中各个部分的动态特征与发展趋势，缺乏灵活性与实时性。
为解决上述问题，在本发明的方法中，在利用人工智能体模拟实际的车联网系统的运行方式时，是利用计算机和代理技术“培育生长”人工车联网系统，探讨代理与代理、代理与环境、环境与环境之间相互作用所“涌现(Emergence)”出的特性，模拟并“实播”人工车联网系统的各种状态和发展特性，是一种自下而上的主动综合型研究方法，可以弥补现有车联网系统仿真的不足。
具体的，在一实施例中，在构造人工智能体的过程中：
每个人工智能体对应实际车联网系统中的一个影响因子；
人工智能体的属性包括初始状态参数以及行为规则，人工智能体的初始状态参数以及行为规则与影响因子的特征属性匹配；
人工智能体配置为以人工智能体的初始状态参数为基础在人工智能体的行为规则范围内随机运行从而涌现仿真行为特征；
计算实验模块与实际车联网系统的运行体系匹配，其配置为以所有人工智能体所涌现出的仿真行为特征为基础进行计算从而获取实验结果。
具体的，在一实施例中，人工车联网系统的人工智能体包括人、车、道路、路边单元、基站、建筑、时间以及天气。如图2所示，外圈即是人工车联网系统的8个人工智能体(人、车、道路、路边单元、基站、建筑、时间以及天气)。人工智能体所涌现仿真行为特征输出到人工车联网子系统(计算实验模块)。
进一步的，人工智能体的初始状态参数以及行为规则与影响因子的特征属性匹配。具体的，在一实施例中，不同类型的人工智能体具有其特有属性。以人工人、人工车辆、人工天气、道路类型为例：
人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、浮尘、扬沙；
人工车包括类型与配置两种属性，类型中又分为乘用车与商用车；配置分为高、中、低、默认。
人工人包括行人与驾驶员，其中，驾驶员包括类型与状态两种属性，类型分为攻击型、温和型、理智型；状态包括：喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。
人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。
进一步的，人工智能体配置为以人工智能体的初始状态参数为基础在人工智能体的行为规则范围内随机运行从而涌现仿真行为特征。具体的，在一实施例中人工智能体具有简单的计算与交互能力，并且，多个所述人工智能体并行运行。
进一步的，在一实施例中，人工智能体的行为规则包括人工智能体之间的交互规则、人工智能体之间的组织规则、人工智能体之间的协同行为规则和/或人工智能体与计算实验模块间的仿真结果反馈规则。基于上述规则，在人工智能体运行过程中，智能体与智能体、智能体与环境、环境与环境之间相互作用从而“涌现(Emergence)”出行为特性。
进一步的，在一实施例中，采用自下而上的构造人工智能体的方法。具体的，在一实施例中，根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数以及其行为规则。
具体的，在一实施例中，对实际的车联网系统的历史数据进行数据挖掘以确定人工智能体的初始状态参数。
具体的，在一实施例中，基于规则学习方法从实际车联网系统的历史数据中提取人工智能体的行为规则。
以一具体的应用场景为例，在一实施例中，首先，定义人工车联网系统中的8类智能体：人工人、人工车、人工道路、人工路边单元、人工基站、人工建筑、人工时间、人工天气，如图2所示，每类智能体具有简单的计算与交互能力。
每类智能体均包括其特有属性与分类。以人工人、人工车辆、人工天气、道路类型为例：
人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、浮尘、扬沙；
人工车包括类型与配置两种属性，类型中又分为乘用车与商用车；配置分为高、中、低、默认。
人工人包括行人与驾驶员，其中，驾驶员包括类型与状态两种属性，类型分为攻击型、温和型、理智型；状态包括：喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。
人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。
其次，基于以上8类智能体，通过不同的排列组合，定义智能体之间的交互规则、组织规则与协同行为规则，进一步生成智能体与智能体、智能体与环境、环境与环境之间相互作用所“涌现(Emergence)”出的行为特性。
具体的，在一实施例中，以构造针对驾驶行为分析的人工智能体为例，利用机器学习与数据挖掘方法确定人工车联网系统的状态：
(1)输入：基于实际车联网的驾驶行为数据，涵盖8辆车在754段路上的182008条驾驶记录，经过数据清洗，整理成包含14个指标、5个维度下的754个样本。
(2)方法：
因子分析：首先针对14个指标进行筛选，利用因子分析，将筛选后的12个指标化简为3个因子来表示。
聚类分析：利用K-Means聚类方法对754段行程在3个因子维度上进行聚类，分析驾驶行为的特点。
(3)输出：所研究区域、时间段内的驾驶行为分布，作为人工车联网系统的初始状态。
根据本发明的系统以及方法，基于人工智能体所“涌现”的多智能体行为特性，借助统计机器学习、数据挖掘、深度学习等方法对实际车联网数据的参数学习确定人工车联网系统的初始状态参数，进行计算实验分析，形象且参数化地解释源起于微观的复杂宏观现象，从而更好地解释复杂车联网系统不同层次的结构、功能及其动力学特性。
相较于现有技术，本发明的人工智能体+计算实验模块的模型构成方式可以更加准确的模拟特定控制管理策略下实际车联网系统的运行状态，从而提前预测实际车联网系统的运行结果，为优化车联网控制管理策略提供更为准确的数据支持。
进一步的，在一实施例中，对比计算实验模块生成的实验结果与实际车联网系统的运行结果，根据对比结果调整初始状态参数、行为规则和/或计算实验模块的仿真算法。这样，就可以实现对人工车联网系统的不断改进，使其更加准确的匹配实际车联网系统。
具体的，以计算实验所分析得到的车联网系统特性，反馈、引导智能体的行为规则的学习与设计，从而通过在环“涌现”的方式，模拟并“实播”实际车联网系统的各种状态和发展特性，从而自下而上的“生长培育”出人工车联网系统。具体的流程如图3所示。首先构造人工智能体(S310)(获取运行规则以及初始状态参数)。之后，运行人工智能体(S320)，从而“涌现”智能体行为特征(S330)。基于“涌现”行为的计算实验分析，获取实验结果(S340)。根据实验结果获取引导与反馈，优化人工智能体(优化运行规则和/或初始状态参数)(S350)。
进一步的，考虑到在某些应用场景下需要针对特定运行场景进行专项评测。因此，在一实施例中，在利用计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果的过程中：
基于实验需求确定实验场景限定；
将实验场景限定加载到计算实验模块。
具体的，在一实施例中，围绕特定的场景与目标进行实验设计，包括针对社会模式、行为模式、以及物理模式的计算实验。以驾驶员、车辆、天气、道路模式为例，基于其不同类型与配置的排列组合，进行实验场景限定的构建。
如图4所示，在一具体应用场景中，针对驾驶员、车辆、天气以及道路进行实验场景限定。
进一步的，在一实施例中，在根据实验结果获取针对车联网管理控制策略的测试与评估结果的过程中，对实验结果进行数据挖掘、模式发现和/或可视化数据分析。
进一步的，在一实施例中，方法还包括：
基于测试与评估结果对所述车联网管理控制策略进行训练优化。
具体的，在一实施例中，基于数据挖掘、机器学习与统计分析技术，进行交通预测、交通评估，从而进行信息与引导生成、继而将引导与服务信息分发到物理车联网中，引导其运营，为交通参与者与交通管理者提供决策支持。
进一步的，本发明还提出了一种存储介质。具体的，在一实施例中，存储介质上存储有可实现如本发明所述方法的程序代码。
进一步的，基于本发明提出的方法，本发明还提出了一种评估系统。具体的，如图5所示，在一实施例中，系统包括智能体行为特征生成器510、计算实验模块520以及评估模块530。
智能体行为特征生成器510包含对应车联网中影响因子的人工智能体，该人工智能体的属性包括初始状态参数以及行为规则，人工智能体的初始状态参数以及行为规则与人工智能体对应的影响因子的特征属性匹配；
智能体行为特征生成器510配置为以人工智能体的初始状态参数为基础在人工智能体的行为规则范围内随机运行人工智能体以虚拟对应的影响因子的实际状态，从而涌现智能体行为特征；
计算实验模块520具备车联网管理控制策略的加载接口，其配置为加载了车联网管理控制策略后以智能体行为特征生成器510输出的智能体行为特征为基础进行计算以获取实验结果；
评估模块530配置为根据计算实验模块520输出的实验结果获取针对计算实验模块520所加载的车联网管理控制策略的测试与评估结果。
进一步的，在一实施例中，评估模块配置为：
对计算实验模块输出的实验结果进行数据挖掘、模式发现和/或可视化数据分析。
进一步的，如图6所示，在一实施例中，系统还包括：
数据支持中心640，其配置为为智能体行为特征生成器610以及计算实验模块520提供数据支持。
具体的，在一实施例中，基于城市信息交通系统与历史交通数据集，对运行于物理世界中车联网的网络拓扑、网络GIS、以及知识库进行特征与规则提取，从而构建数据支持中心640。
进一步的，如图7所示，在一实施例中，系统还包括：
实验设计模块750，其配置为基于实验需求确定实验场景限定，将实验场景限定加载到计算实验模块720。
具体的，在一实施例中，实验设计模块750围绕特定的场景与目标进行实验设计，包括针对社会模式、行为模式、以及物理模式的计算实验。以驾驶员、车辆、天气、道路模式为例，基于其不同类型与配置的排列组合，进行实验场景限定的构建。
进一步的，如图8所示，在一实施例中，系统还包括：
策略生成模块860，其配置为基于评估模块830输出测试与评估结果对加载到计算实验模块820的车联网管理控制策略进行训练优化。
具体的，在一实施例中，策略生成模块860基于数据挖掘、机器学习与统计分析技术，进行交通预测、交通评估，从而进行信息与引导生成、继而将引导与服务信息分发到物理车联网中，引导其运营，为交通参与者与交通管理者提供决策支持。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变或变形，但这些相应的改变或变形都应属于本发明的权利要求的保护范围。
Claims (8)
1.一种车联网管理控制策略评估方法，其特征在于，所述方法包括：
对应实际车联网中的每个影响因子分别构造人工智能体，所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述影响因子的特征属性匹配；
以所述初始状态参数为基础在所述行为规则范围内随机运行所述人工智能体以虚拟所述影响因子的实际状态，从而涌现智能体行为特征； 采用自下而上的方式构造人工智能体，根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数和行为规则，包括：
对实际的车联网系统的历史数据进行数据挖掘以确定人工智能体的初始状态参数；
基于规则学习方法从实际车联网系统的历史数据中提取人工智能体的行为规则；
其中，基于设定应用场景中的多类人工智能体，通过不同的排列组合，定义智能体之间的交互规则、组织规则与协同行为规则，进一步生成智能体与智能体、智能体与环境、环境与环境之间相互作用所涌现出的行为特性；
基于车联网管理控制策略构造计算实验模块；
利用所述计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果；其中，围绕特定的场景与目标进行实验设计，包括针对社会模式、行为模式、以及物理模式的计算实验；
根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果；
根据实验结果获取针对车联网管理控制策略的测试与评估结果的过程中包括：
根据实验结果获取针对所述车联网管理控制策略的测试与评估结果的过程中，包括对所述实验结果进行数据挖掘、模式发现和/或可视化数据分析，根据计算实验模块实验结果与实际车联网系统运行结果的对比情况调整初始状态参数、行为规则和/或计算实验模块的仿真算法，实现对人工车联网系统的改进，使其更加准确的匹配实际车联网系统；
所述方法还包括：基于测试与评估结果对所述车联网管理控制策略进行训练优化；其中，基于数据挖掘、机器学习与统计分析技术进行交通预测、交通评估，从而生成信息与引导，继而将引导与信息分发到物理车联网中，引导其运营，为交通参与者与交通管理者提供决策支持。
2.根据权利要求1所述的方法，其特征在于，利用所述计算实验模块以所有人工智能体所涌现出的智能体行为特征为基础计算获取实验结果，包括：
基于实验需求确定实验场景限定；
将所述实验场景限定加载到所述计算实验模块。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
基于所述测试与评估结果对所述车联网管理控制策略进行训练优化。
4.一种存储介质，其特征在于，所述存储介质上存储有可实现如权利要求1~3中任一项所述方法的程序代码。
5.一种车联网管理控制策略评估系统，其特征在于，所述系统包括：
智能体行为特征生成器，其包含对应车联网中影响因子的人工智能体，所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述人工智能体对应的影响因子的特征属性匹配，所述智能体行为特征生成器配置为以初始状态参数为基础在行为规则范围内随机运行的人工智能体以虚拟所述影响因子的实际状态，从而涌现智能体行为特征；
所述智能体行为特征生成器配置为：采用自下而上的方式构造人工智能体，根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数和行为规则，对实际的车联网系统的历史数据进行数据挖掘以确定人工智能体的初始状态参数；基于规则学习方法从实际车联网系统的历史数据中提取人工智能体的行为规则；
基于设定应用场景中的多类人工智能体，通过不同的排列组合，定义智能体之间的交互规则、组织规则与协同行为规则，进一步生成智能体与智能体、智能体与环境、环境与环境之间相互作用所涌现出的行为特性；
计算实验模块，其配置为加载了车联网管理控制策略后以所述智能体行为特征为基础进行计算以获取实验结果；
所述计算实验模块配置为：围绕特定的场景与目标进行实验设计，包括针对社会模式、行为模式、以及物理模式的计算实验；
评估模块，其配置为根据所述实验结果获取针对所述车联网管理控制策略的测试与评估结果；
所述评估模块配置为：
根据实验结果获取针对所述车联网管理控制策略的测试与评估结果的过程中，包括对所述实验结果进行数据挖掘、模式发现和/或可视化数据分析，根据计算实验模块实验结果与实际车联网系统运行结果的对比情况调整初始状态参数、行为规则和/或计算实验模块的仿真算法，实现对人工车联网系统的改进，使其更加准确的匹配实际车联网系统；
所述评估模块还配置按照以下操作基于测试与评估结果对所述车联网管理控制策略进行训练优化：
基于数据挖掘、机器学习与统计分析技术进行交通预测、交通评估，从而生成信息与引导，继而将引导与信息分发到物理车联网中，引导其运营，为交通参与者与交通管理者提供决策支持。
6.根据权利要求5所述的系统，其特征在于，所述系统还包括：
数据支持中心，其配置为为所述智能体行为特征生成器以及所述计算实验模块提供数据支持。
7.根据权利要求5所述的系统，其特征在于，所述系统还包括：
实验设计模块，其配置为基于实验需求确定实验场景限定，将所述实验场景限定加载到所述计算实验模块。
8.根据权利要求5~7中任一项所述的系统，其特征在于，所述系统还包括：
策略生成模块，其配置为基于所述测试与评估结果对所述车联网管理控制策略进行训练优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810593423.7A CN108898284B (zh) | 2018-06-11 | 2018-06-11 | 一种车联网管理控制策略评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810593423.7A CN108898284B (zh) | 2018-06-11 | 2018-06-11 | 一种车联网管理控制策略评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898284A CN108898284A (zh) | 2018-11-27 |
| CN108898284B true CN108898284B (zh) | 2023-07-04 |
Family
ID=64344843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810593423.7A Active CN108898284B (zh) | 2018-06-11 | 2018-06-11 | 一种车联网管理控制策略评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898284B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110072193B (zh) * | 2019-04-29 | 2019-12-17 | 清华大学 | 一种用于智能网联车测试的通信拓扑结构 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146025A (zh) * | 2017-05-09 | 2017-09-08 | 江苏道润工程技术有限公司 | 一种道路管理决策系统 |
| CN107395757A (zh) * | 2017-08-28 | 2017-11-24 | 青岛慧拓智能机器有限公司 | 基于acp方法和社会物理信息系统的平行车联网系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150142527A1 (en) * | 2013-11-18 | 2015-05-21 | Avaya Inc. | Architecture for a contact center with emulator driven self control loop |
| CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
| US20150186819A1 (en) * | 2013-12-31 | 2015-07-02 | Cox Communications, Inc. | Organizational insights and management of same |
| CN104333596B (zh) * | 2014-11-11 | 2017-06-16 | 安徽大学 | 一种车联网环境下的信息可靠性评估方法 |
| CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
-
2018
- 2018-06-11 CN CN201810593423.7A patent/CN108898284B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146025A (zh) * | 2017-05-09 | 2017-09-08 | 江苏道润工程技术有限公司 | 一种道路管理决策系统 |
| CN107395757A (zh) * | 2017-08-28 | 2017-11-24 | 青岛慧拓智能机器有限公司 | 基于acp方法和社会物理信息系统的平行车联网系统 |
Non-Patent Citations (1)
| Title |
|---|
| "平行机器人与平行无人系统: 框架、结构、过程、平台及其应用";白天翔 等;《自动化学报》;第43卷(第2期);第161-175页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898284A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487954B (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
| CN107016464B (zh) | 基于动态贝叶斯网络的威胁估计方法 | |
| CN112163446B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
| CN117057656B (zh) | 基于数字孪生的智慧城市管理方法及系统 | |
| CN108897926B (zh) | 一种人工车联网系统及其建立方法 | |
| Fernández-Isabel et al. | Modeling multi-agent systems to simulate sensor-based Smart Roads | |
| CN114613159B (zh) | 基于深度强化学习的交通信号灯控制方法、装置及设备 | |
| CN115601954B (zh) | 一种智能网联车队的换道判断方法、装置、设备及介质 | |
| Erz et al. | Towards an ontology that reconciles the operational design domain, scenario-based testing, and automated vehicle architectures | |
| CN108898284B (zh) | 一种车联网管理控制策略评估方法及系统 | |
| Cui et al. | An interpretation framework for autonomous vehicles decision-making via SHAP and RF | |
| CN116685955A (zh) | 用于自动驾驶系统的方法、装置、电子设备和介质 | |
| Ucar et al. | Vehicular knowledge networking and application to risk reasoning | |
| Xiao et al. | [Retracted] Accident Liability Determination of Autonomous Driving Systems Based on Artificial Intelligence Technology and Its Impact on Public Mental Health | |
| CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
| Zhu et al. | Computer application in game map path-finding based on fuzzy logic dynamic hierarchical ant colony algorithm | |
| Wang et al. | Driver’s Lane Selection Model Based on Phase‐Field Coupling and Multiplayer Dynamic Game with Incomplete Information | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
| CN108900577B (zh) | 一种基于人工车联网系统的车联网管理方法及系统 | |
| CN116468994A (zh) | 一种基于街景数据的村镇收缩模拟方法、系统和装置 | |
| CN110968101A (zh) | 基于本体和贝叶斯网络的无人驾驶车辆行为决策方法 | |
| CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
| CN114490061A (zh) | 基于语义威胁模型的无人机通信干扰任务生成方法 | |
| Harrison | Enhancing Autonomous Driving: Evaluations Of AI And ML Algorithms | |
| CN114493206A (zh) | 基于bim的全局机场管理系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |