CN110085027B - 一种大规模路网群体车流诱导任务的分解方法 - Google Patents

Abstract

一种大规模路网群体车流诱导任务的分解方法属于智能交通范畴，具体说是能够动态改变信号配时的一种大规模路网群体车流诱导任务的分解方法。传统路径诱导中，单个函数很难描述多个变量之间的相互关系。本发明建立多个目标函数进行优化处理。采用免疫遗传算法解决问题，免疫遗传算法结合了免疫理论和遗传算法的一种优化启发式搜索算法，保留两种算法各自的优点。解决遗传算法过快陷入局部最优解的问题，免疫遗传算法既有搜索特性，又能利用目标函数求解最优解的自适应特性，避免过快的局部收敛。通过将大规模路网分解为多个诱导小区，采用基于树形结构图的诱导策略，将诱导任务逐层分解，构建路网作为具体算例，验证该方法的有效性及优越性。

Description

一种大规模路网群体车流诱导任务的分解方法

技术领域

本发明设计一种实用性模型，属于智能交通范畴，具体说是能够动态改变信号配时的一种大规模路网群体车流诱导任务的分解方法。

背景技术

随着城市发展进程加快，人民生活水平日益提高，机动车保有量也在逐年增加。据公安部统计，截至2017年底，中国机动车保有量达3.10亿辆。从分布情况看，全国有24个城市机动车超过200万辆，7个城市超过300万辆。城市路网负荷逐年增加，交通拥堵情况越来越严重，路网车流诱导的智能化进程落后于当下的需求，因此有效的路网群体车流诱导是缓解、解决交通拥堵问题的重要环节。

传统路径诱导中，通常只对单一变量进行优化。然而，现实中往往有多个相互约束的变量，单个函数很难描述多个变量之间的相互关系。在这种情况下，建立多个目标函数，同时进行优化处理，称为多目标路径诱导。解决多目标路径诱导，启发式搜索方法是一种受到广泛关注的方法。

发明内容

鉴于此，将免疫遗传算法应用于大规模路网群体车流诱导任务的分解研究中，免疫遗传算法结合了免疫理论和遗传算法的一种优化启发式搜素算法，并且保留两种算法各自的优点。解决遗传算法过快的陷入局部最优解的问题，免疫遗传算法既有搜索特性，又能够利用目标函数求解最优解的自适应特性，避免了过快的局部收敛。通过将大规模路网分解为多个诱导小区，采用基于树形结构图的诱导策略，将诱导任务逐层分解，最后，构建路网作为具体算例，用免疫遗传算法进行诱导方案的确定，并通过结果分析给出树形结构中影响因素的权重范围。

为了实现本发明目的，所采用的技术方案为：

交通道路信息包含道路信息(即道路名称、道路位置、道路等级、设计速度、通行能力、车道数等)、道路管理信息(特殊车型的限行、车牌号限行等)、通行车辆的种类、路况信息(车流量、车速、拥堵情况等)、交通事故发生概率以及交通管制信息等。

通过获取各种道路信息，建立路网模型，再将大路网分割为多个诱导小区，根据诱导小区的分割以及路网当前的道路、路况信息等进行诱导。诱导小区共包含大约7 段路(具体路段数要根据实际情况确定)，诱导小区如图1所示。

简单的大路网图如图2所示，如图2将大规模路网分解为多个小路网。假设一个简单情况：有数辆社会车辆要从A点驶向M点和N点，基本路线为A不变向直接驶向M，或在倒数第二个小路网区域变向驶向N，若这时经过检测，发现A点至M点、N点的这一路线发生拥堵则需要进行诱导。

在诱导时，根据拥堵情况的不同，在提前1至2个诱导小区域之前将车流诱导疏散，一个诱导小区域即一个小路网区域。拥堵情况较轻只需提前一个诱导小区域，拥堵情况严重则提前两个诱导小区域，如图中点画线区域所示，也就是要将A点至M点的车辆在点画线区域之前分散至不同的路径，缓解最后两个小区域内的拥堵情况，并减少输入拥堵路段的车流量。分散出去的车流路径应控制在上下各一个小路网区域内，避免诱导路径过长，费用过高。复杂情况即从P点至Q点，假设初始路径先向左至0点前的交叉口，再向下走至Q点，则在诱导时可选择的路径方案就比上一个假设多了许多，可操作性也就更强。在最后合并小路网的诱导结果时，可能需要多次反馈计算，利用路径拐弯数和距离等参数，判定集合路径是否优化，小于阅值(阀值设为100)时该方案即为可取方案。

诱导的总任务是将大规模路网群体车流中存在的交通拥堵现象进行缓解，将拥堵路段的车流合理的分散至附近其他非拥堵的路段，从而改善交通拥堵状况，有利于提高行车效率，均衡路网的使用情况，改善交通出行环境。

研究诱导任务进行分解，采用树形结构图来表明大规模路网群体车流诱导任务的步骤分解，以及影响诱导方案的因素。

第一层为诱导总任务，即路网总流量，设置路网中持续监测交通流量，每5分钟为周期，将需要运算5分钟内的总流量作为输入。

第二层划分车辆类型，分为：社会车辆；警车、救护车、消防车两类，在诱导时，警车、救护车、消防车等需要优先诱导的车辆类型直接选择费用最短的路径出行。

第三层将社会车辆根据0D不同分类，分出车型和0D都相同的车辆集合(0D为车辆行驶的起点和终点所构成的路径)。0D分类时，分类的标准可以精确到具体的起点和终点，也可以根据大致方向分类，具体的分类标准要根据实际的路网情况和实际的诱导需求确定。

第四层是影响诱导路径方案分配的因素，影响因素分别为：道路信息(道路等级、车道数等)、道路环境及事故发生概率。其中道路环境指是否临近学校、地铁等人流量大区域，或住宅区、办公区等车流量周期变化区域等。w是因素对于不同车辆集的影响。

免疫遗传算法是由生物学引申而来的算法，结合了免疫理论和遗传算法的一种优化的启发式搜索算法，并且保留了这两种算法各自的优点。基本的遗传算法容易出现“早熟”的问题，过快的陷入局部最优解免疫遗传算法既有搜索特性，又能够利用目标函数求解最优解的自适应特性，避免了过快的局部收敛。

遗传算法是结合了达尔文进化论和遗传学的原理而产生的一种启发式算法，在求解一个问题时，问题的解集就是一个种群，通过模拟自然界的优胜劣汰的原则，对种群进行多代的遗传，最终求出最优解，种群中的每一个个体可以叫做一条染色体，染色体上有着许多的基因，这些基因经过编码后就能够形成染色体，基因型决定了一个个体的外部的表现，从外部的表现转化为内在的基因的过程就是基因的编码，但由于真正的基因编码过程十分的复杂，因此在运用遗传算法时，经常使用二进制编码进行简化。在每一代的淘汰过程中，对存在一个适应度，能够更好地适应的个体中的基因就能够被留下来，而比较不能适应的个体和基因，就会在逐代的进化中被淘汰掉。在进化的过程中还存在基因的交叉行为和变异行为，这些行为都是为了给种群创造新的染色体，增加种群中个体的丰富度，就能够使得种群更容易进化。

结合了免疫学原理和遗传算法的免疫遗传算法，具有双方的共同有点，免疫遗传算法与遗传算法相同，是一种启发式搜索算法，并且根据免疫系统的工作原理，能够通过自身适应不断进化，结合遗传学原理中优胜劣汰、适者生存的理念，更加能够筛选出更好的结果，淘汰不优秀的结果。同时免疫遗传算法的自我适应的原理，也能够很有效的避免陷入局部解的极值，而忽略了全局最优解的情况。

算法中的概念和算子如下：

抗体编码方式：抗体采用矩阵编码，且形式保持一致，即矩阵的维数不变。

亲和度：目标函数作为抗原，亲和度表示抗原和抗体的匹配程度，根据计算的函数值进行抗体的淘汰。

克隆：在种群中选择优势抗体，其比例设为m，克隆扩增系数为m-，经过两抗体之间算术交叉进行多次克隆，产生下一代抗体种群。算术交叉是利用公式c＝mat+(1-m) az，使a、ac两数交叉产生c，交叉参数m是0至1之间的随机数。

突变：对克隆所产生的抗体种群中的抗体实现突变，抗体突变概率为m。

选择：对于克隆所产生的抗体种群，利用目标函数，通过消除亲和度低的抗体，保留种群中优秀抗体。

免疫记忆：保存选择出的优秀抗体。

当算法达到设定的条件，即迭代次数m。时，停止算法搜索。

本文所用的算法步骤如表1所示

结合了免疫学原理和遗传算法的免疫遗传算法，表1免疫遗传算法的运算步骤。

附图说明

图1简单的诱导小区

图2诱导总路网及分区示意图

图3诱导任务的树形结构分解示意图

图4免疫遗传算法的步骤流程图

图5算例简单小路网示意图

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明还提供一种大规模路网群体车流诱导任务分解方法的流程图，如图4所示，方法包括：

取简单诱导小区，如图5所示，假设路网存在车流，且没有拥堵。其中ABC、ADC、AFGC为双车道，BE、DF为单车道，设双车道的通行能力为240，单车道的通行能力为180，若超过道路的通行能力，路段就会产生拥堵。道路方向为A→B→C， A→D→E→C，A→F→G→C，B→C，F→D。

路网的影响因素有三个：道路信息、道路环境、事故发生概率。其中，道路信息中道路的等级简单设置为1级和2级。

车道数与道路等级相对应。道路环境信息设定为天气晴，路网间行车无影响。设路段DF附近有一所学校，路段BC临近地铁站，人流大，需小心驾驶。交通事故发生概率根据统计资料确定，车流量大时每小时通过的车辆数以千为单位，一天中可能发生多起交通事故，设EC路段发生交通事故概率为千分之一。

初始状态下，路网流量和道路通行能力如表2、表3所示，其中行表示出发点，列表示到达点，如表中113表示从A到B的路段上有113辆车。

表1现状路网中己存在的车流量

表2各路段的饱和通行能力

采用免疫遗传算法，矩阵为种群的初始抗体，初始参数值如表3所示。

表3免疫遗传算法初始化参数值

在初始化矩阵和参数设置都完成后，对初始的路网流量矩阵进行克隆扩增。交叉算子计算利用公式c＝ma₁+(1-m)a₂。

进行第一次克隆扩增。克隆扩增选择系数为0.25，每一个抗体有0.25的概率被选择进行克隆扩增，克隆扩增系数为2，表示每一对抗体都要选择两个不同的m，进行两次计算，得到两个抗体。

在克隆扩增的步骤完成后，对所得到的抗体种群中的抗体进行高频突变，突变的计算是要包含抗体种群中的每一个抗体，但不一定所有的抗体都会进行突变，每一个抗体的高频突变概率为0.5。

具体过程：高频突变的具体过程首先是选取一个点，将这一点所在的列中所有的车辆数求和，求和之后得出的总车辆数再重新分配给以这一点为起点的路段，得到的新车流量矩阵作为突变后的抗体矩阵。分配的原则按照当前路网中路段的数量确定，根据给定的概率分配到相邻的路段中。

阴性选择。突变是随机的，突变之后的抗体不一定比突变前优秀，因此新的抗体种群需要进行阴性选择。每一个抗体矩阵计算亲和度，通过如下计算方法计算出目标函数的值，目标函数值越小，亲和度越高，以此为标准选出优秀抗体。利用目标函数对抗体种群进行选择，抗体种群的大小是40，因此最后要选择出40个抗体作为优秀抗体保留。具体的目标函数如公式所示：

其中，q为亲和度，A_ij为当前路网矩阵，B_ij为路网通行能力矩阵，w_i为影响因素权重等级对应的权重值；包括w₁＝1、w₂＝1.5、w₃＝1.8 3个等级，权重等级根据三个影响因素来确定；具体计算方法如下：

其中O_i为总权重，P为影响因素，C为三个影响因素自身权重比例，K为三个影响因素权重取值范围。

影响因素三个参数的取值范围：

影响因素自身权重在总权重中所占权重比例c需根据自身影响因素情况进行综合计算，具体计算方法如下：

其中，n表示第i个影响因素中，有n种不同情况；c_ij表示所有情况权重乘积，v_ij表示第i个影响因素，v_ij取值范围为[1,1.8]；三个不同等级权重计算，比较三组诱导方案效果，确定一组最优诱导方案，这一组最优诱导方案所对应权重等级就是所求权重等级；

进行反向计算；推算影响因素权重乘积范围，根据乘积范围，进行反向计算，推算出每个影响因素自身权重占总权重比例和每一个影响因素自身权重各自取值的较优取值；

通过免疫记忆机制进行抗体种群记忆，判断迭代次数是否达到所设定阈值，若达到阈值，则将抗体种群输出，否则返回克隆扩增步骤继续计算。

结果分析：

设A点初始输入车辆数为215辆，按上述步骤计算不同权重等级的计算结果，首先计算最优权重等级，进行多次计算后，得到三个权重等级的三组诱导方案。经过比较三组诱导方案，选出每组方案具有代表性优秀抗体矩阵，三个不同权重等级的优秀抗体矩阵如表所示：

权重等级为2级的诱导结果矩阵：

权重等级为3 级的诱导结果矩阵：

比较分析可得：权重等级在2级时，分配后的路网中无路网流量与路网通行能力的比值为1的路段，说明每个路段都有能力容纳更多不在计划之内的车辆，且每条路段的分配都较均匀，约分布在0.8至0.9之间，诱导方案最合理。

权重等级为1级时，分配后的路网中有两条路径比值为1，说明所分配的车流量己经达到通行能力所容许最大值，因此诱导方案不合理：对于没有环境因素影响路段，几条路段均在0.9以上，而环境对道路有影响路段，比值低至0.62，结合整个路网，诱导方案分配不均匀。

权重等级为3级时，分配后的路网中有两条路径比值为1，为把车流量分配给没有交通事故发生的路段，而减少事故发生路段的车流量。过度强调道路信息因素或环境因素对诱导方案优异的重要性，因此不够合理。

当道路信息和环境影响因素所占比重较大，事故发生概率较小时，该方法得出的诱导方案效果是优于其他占比分配的，且能够适当假设适中值，当道路等级为1级时，其影响因素权重设为1；当道路等级为2级时，其影响因素权重设为1.2，以此类推，每当道路等级增加一级时，权重增加0.2。算例中临近学校的影响因素权值设为1.2，临近道路的影响因素权值设为1.1；交通事故发生概率影响因素权值设为0.5。经过多次改变影响因素所占比例之后，发现设置的权值比较合理，计算结果都在可接受范围内。从而推测出道路信息影响因素所占比例范围应在68％～55％之间，道路环境影响因素所占的比例范围应该在46％～33％之间，交通事故发生概率的影响因素所占的比例范围应该在10％～3％之间。

引入遗传免疫算法进行车流诱导分配，发现不论权重等级为多少，其分配结果都能保证路网中每条路段上车流量不超过该路段通行能力，并且每条路段所分配的车流量都在可容许范围之内，通过计算不同权重等级所得出结果，发现其分配后流量和路段通行能力比值的平均值均在0.8左右，说明分配可以说是比较平均。以此说明，基于树形结构及遗传免疫算法的大规模路网群体车流诱导任务的分解方法得到的计算的结果能够保证在容许范围之内，且偏差较小，并且诱导方案较为合理。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (1)

1.一种大规模路网群体车流诱导任务的分解方法，其特征在于：

通过获取各种道路信息，建立路网模型，再将大路网分割为多个诱导小区；研究诱导任务进行分解，采用树形结构图来表明大规模路网群体车流诱导任务的步骤分解，以及影响诱导方案的因素；

第一层为诱导总任务，即路网总流量，设置路网中持续监测交通流量，每5分钟为周期，将需要运算5分钟内的总流量作为输入；

第二层划分车辆类型，分为：社会车辆；警车、救护车、消防车这些专用车辆两类，在诱导时，专用车辆类型直接选择费用最短的路径出行；

第三层将社会车辆根据OD不同分类，分出车型和OD都相同的车辆集合，OD为车辆行驶的起点和终点所构成的路径；

第四层是影响诱导路径方案分配的因素，影响因素分别为：道路信息、道路环境及事故发生概率；其中道路环境指是否临近学校、地铁这些人流量大区域，或住宅区、办公区这些车流量周期变化区域；

采用以下结合了免疫学原理和遗传算法的免疫遗传算法，进行计算，其步骤为：

第一步：生成初始化矩阵、各算法中所需的参数值；

第二步：初始化抗体库，种群规模为m_p；

第三步：克隆初始抗体或选择后的优秀抗体；

第四步：对克隆后的抗体种群进行突变；

第五步：利用目标函数，通过选择消除部分抗体，保留优秀抗体，实现种群稳定；

第六步：利用免疫记忆保存优秀抗体；

第七步：如果达到设置的迭代次数，停止算法，将优势抗体作为结果输出，否则转至第三步，重复步骤第三步-第七步；

免疫遗传算法的概念和算子具体分析过程为：

抗体编码方式：抗体采用矩阵编码，且形式保持一致，即矩阵的维数不变；

亲和度：确定一个目标函数作为抗原，亲和度表示抗原和抗体之间的匹配程度，根据计算的函数值进行对抗体的淘汰；

克隆：首先在种群中选择优势抗体，选择抗体的比例设为m_s，克隆扩增系数为m_c，经过两抗体之间算术交叉进行多次克隆，产生下一代的抗体种群；算术交叉是利用公式c＝ma₁+(1-m)a₂，使a₁、a₂两数交叉产生c，其中交叉参数m是0至1之间的随机数；

突变：对克隆所产生的抗体种群中的抗体实现突变，抗体突变的概率为m_h；

选择：对于克隆所产生的抗体种群，利用目标函数，通过选择消除亲和度低的函数，保留种群中的优秀抗体；

免疫记忆：保存选择中选择出的优秀抗体；

进行初始参数值的设置，其中抗体种群m_p＝40，克隆系数m_s＝0.25，突变概率m_h＝0.5，迭代次数m_g＝100，克隆扩增系数m_c＝2

在初始化矩阵和参数设置都完成后，对初始的路网流量矩阵进行克隆扩增；交叉算子计算公式如下：

c＝ma₁+(1-m)a₂

其中，

进行第一次克隆扩增；克隆扩增选择系数为0.25，每一个抗体有0.25的概率被选择进行克隆扩增，克隆扩增系数为2，表示每一对抗体都要选择两个不同的m，进行两次计算，得到两个抗体；

在克隆扩增的步骤完成后，对所得到的抗体种群中的抗体进行高频突变，突变的计算是要包含抗体种群中的每一个抗体，但不一定所有的抗体都会进行突变，每一个抗体的高频突变概率为0.5；

高频突变的具体过程首先是选取一个点，将这一点所在的列中所有的车辆数求和，求和之后得出的总车辆数再重新分配给以这一点为起点的路段，得到的新车流量矩阵作为突变后的抗体矩阵；分配的原则按照当前路网中路段的数量确定，根据给定的概率分配到相邻的路段中；

由于突变是随机的，突变之后的抗体不一定比突变前的抗体优秀，因此新的抗体种群需要进行阴性选择；每一个抗体矩阵计算亲和度，通过如下计算方法计算目标函数的值，目标函数值越小，亲和度越高，以此为标准选出优秀抗体；利用目标函数对抗体种群进行选择，抗体种群的大小是40，因此最后要选择出40个抗体作为优秀抗体保留；具体的目标函数如公式所示：

其中，q为亲和度，A_ij为当前路网矩阵，B_ij为路网通行能力矩阵，w_i为影响因素权重等级对应的权重值；包括w₁＝1、w₂＝1.5、w₃＝1.8三个等级，权重等级根据三个影响因素来确定；具体计算方法如下：

其中o_i为总权重，p为影响因素，c为三个影响因素自身权重比例，K为三个影响因素权重取值范围；

影响因素三个参数的取值范围如下：

当影响因素p＝1时，影响因素自身权重比例c₁∈(0,1)，影响因素权重取值范围K₁∈[1,1.8]；

当影响因素p＝2时，影响因素自身权重比例c₂∈(0,1)，影响因素权重取值范围K₂∈[1,1.8]；

当影响因素p＝3时，影响因素自身权重比例c₃∈(0,1)，影响因素权重取值范围K₃∈[1,1.8]；

影响因素自身权重在总权重中所占权重比例c具体计算方法如下：

其中，n表示第i个影响因素中，有n种不同情况；c_ij表示所有情况权重乘积，v_ij表示第i个影响因素，v_ij取值范围为[1,1.8]；三个不同等级权重计算，比较三组诱导方案效果，确定一组最优诱导方案，这一组最优诱导方案所对应权重等级就是所求权重等级；

进行反向计算；推算影响因素权重乘积范围，根据乘积范围，进行反向计算，推算出每个影响因素自身权重占总权重比例和每一个影响因素自身权重各自取值的较优取值；

通过免疫记忆机制进行抗体种群记忆，判断迭代次数是否达到所设定阈值，若达到阈值，则将抗体种群输出，否则返回克隆扩增步骤继续计算。

Images