CN110363358B - 基于多智能体模拟的公共交通分担率预测方法 - Google Patents
基于多智能体模拟的公共交通分担率预测方法 Download PDFInfo
- Publication number
- CN110363358B CN110363358B CN201910666673.3A CN201910666673A CN110363358B CN 110363358 B CN110363358 B CN 110363358B CN 201910666673 A CN201910666673 A CN 201910666673A CN 110363358 B CN110363358 B CN 110363358B
- Authority
- CN
- China
- Prior art keywords
- public transportation
- agent
- urban
- intelligent agent
- intelligent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004088 simulation Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000011835 investigation Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008846 dynamic interplay Effects 0.000 abstract description 4
- 238000012821 model calculation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于多智能体模拟的公共交通分担率预测方法,包括:1、将数据导入多智能体模型,生成城市居民智能体和公共交通智能体;2、初始化城市居民智能体和公共交通智能体;3、对城市居民智能体的初次出行方式进行选择,判断是否使用公共交通工具,若是,则进入步骤4;否则使用的是私人交通工具;4、城市居民智能体前往公共交通站点,根据公共交通智能体的运行状态对城市居民智能体的二次出行方式进行选择;5、根据城市居民智能体的出行方式选择结果计算公共交通出行总人数和私人交通出行总人数,并统计出公共交通分担率。本发明能体现城市系统的复杂性,增强模型预测精度;还可观察居民和公交车的动态交互过程,增强模型的可解释性。
Description
技术领域
本发明涉及多智能体模拟技术领域,尤其涉及一种基于多智能体模拟的公共交通分担率预测方法。
背景技术
现有技术中的交通分担率预测方法有以下两个特点:(1)大多是基于离散马尔可夫链与空间自相关回归模型,模型结构清晰,易于建模,但难以体现居民出行与公共交通系统之间复杂的交互过程;(2)现有技术中的出行方式模型的模拟对象主要以非机动车(如电动汽车与自行车)为主,同时对居民动态选择过程的关注较弱,且鲜有关注公交车,缺乏针对性。机动车保有量的不断增长诱发了城市的交通拥堵现象,增强公共交通系统的合理配置与结构优化有助于缓解城市拥堵病。
在2015年6月12日申请的申请号为201510325510.0的中国发明,公开了一种基于多智能体仿真的城市公共交通政策分析平台,由大规模自治Agent松散藕合所构成,形成多Agent系统(Multi-Agent System,MAS,),通勤者Agent代表在早高峰有出勤需求的居民,其基本行为模式为在每个仿真天内乘坐公交车至工作区上班,结束通勤后衡量此次通勤的成本,更新经验库和知识。该发明主要应用于公共交通管理,但还是难以体现居民出行与公共交通系统之间复杂的交互过程。
发明内容
本发明要解决的技术问题,在于提供一种基于多智能体模拟的公共交通分担率预测方法,是以多智能体模型为基础,将人与公交车设为基本智能体,通过模拟智能体之间、智能体与环境之间的相互作用过程来实现对公共交通分担率的模拟预测。其一,可以较好地体现城市系统的复杂性,增强模型的预测精度;其二,可通过模型观察到居民和公交车的动态交互过程,增强模型的可解释性。
本发明是这样实现的:
一种基于多智能体模拟的公共交通分担率预测方法,包括:
步骤1、将当地城市居民的统计调查数据、公共交通运营与站点数据以及城市的真实地理空间数据导入到多智能体模型中,并生成城市居民智能体和公共交通智能体;
步骤2、在所述多智能体模型中对所述城市居民智能体和公共交通智能体进行初始化后,运行所述多智能体模型,所述公共交通智能体就开始运行,所述城市居民智能体也准备出行;
步骤3、对所述城市居民智能体的初次出行方式进行选择,判断所述城市居民智能体是否使用公共交通工具,若是,则进入步骤4;若否,则判断该城市居民使用的是私人交通工具;
步骤4、所述城市居民智能体前往公共交通站点,并根据所述公共交通智能体的运行状态对所述城市居民智能体的二次出行方式进行选择;
步骤5、根据所述城市居民智能体的出行方式选择结果计算公共交通出行总人数和私人交通出行总人数;并根据所述公共交通出行总人数和私人交通出行总人数统计出公共交通分担率。
进一步地,所述步骤1具体为:
将当地城市居民的统计调查数据导入到多智能体模型中,并根据所述当地城市居民的统计调查数据生成城市居民智能体;
将公共交通运营与站点数据导入到多智能体模型中,并根据所述公共交通运营与站点数据生成公共交通智能体;
在多智能体模型中加载城市的真实地理空间数据,为所述公共交通智能体提供行驶路线。
进一步地,所述步骤2具体为:
根据预设的城市居民智能体的数量和导入的当地城市居民的统计调查数据分布初始化城市居民智能体的数量,此时,不同的城市居民智能体位于多智能体模型空间中的不同位置并具有不同的个体属性;同时,根据预设的公共交通智能体的数量和导入的公共交通运营与站点数据分布初始化公共交通智能体的数量,所述公共交通智能体根据城市的真实地理空间数据在真实道路空间中开始行驶。
进一步地,所述步骤3具体为:
在多智能体模型的运行过程中,所述城市居民智能体根据自身的属性进行初始偏好的评估,根据城市居民的初始偏好,所述城市居民智能体将初步决定是否使用公共交通工具,若是,则进入步骤4,若否,则判定该城市居民使用私人交通工具;
其数学表达式如下所示:
Sio=mi*pm+di*pd+ai*pa
if G(Sio)>Sthresh
Then Decision-1=True
Otherwise Decision-1=False
式子(1)中:Sio代表的是城市居民的初始偏好,在Sio的计算过程中,mi和pm分别代表的是居民收入水平以及其对出行方式影响的权重,di和pd分别代表的是城市居民智能体距离目标公交站点的距离和权重,其距离值由城市居民智能体的初始位置和目标位置计算而来,ai和pa分别代表的是居民年龄与权重;G(Sio)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sio)>Sthresh时,则Decision-1为True,Decision-1为布尔类型变量,它有两个值,True或者False,值为True代表城市居民在初次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行。
进一步地,所述步骤4具体为:
所述城市居民智能体到达公共交通站点之后,所述城市居民智能体与公共交通智能体发生相互作用,具体表现为判断公共交通站点的舒适度、根据城市居民智能体的到站时间计算已经等车时间以及根据公共交通智能体的载客情况判断搭乘舒适度,这些因素将综合影响城市居民智能体的第二次选择,将相互作用影响后得到的出行偏好定义为修正偏好,所述城市居民智能体根据最后的修正偏好决定是否使用公共交通工具出行;
其数学表达式如下所示:
ifDecision-1=True
Then Sit=ti*pt+cb*pc+cs*pcs
if G(Sit)>Sthresh
ThenDecision-2=True
OtherwiseDecision-2=False
式子(2)中,Sit代表二次选取的偏好偏好,在Sit的计算过程中,ti和pt分别代表的是城市居民等车时间的打分及其权重,cb和pc分别代表的是公共交通工具的舒适度打分和权重,cs和pcs代表的是公共交通站点的舒适度打分和权重;G(Sit)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sit)>Sthresh时,则Decision-2为True,Decision-2同样为布尔类型变量,代表的是第二次出行方式选择的结果,它有两个值,True或者False,值为True代表城市居民在二次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行。
进一步地,所述步骤4中公共交通智能体的运行状态的判定具体包括:
步骤41、所述公共交通智能体开始运行;
步骤42、判断所述公共交通智能体是否到达发车时间,若否,则不启动,若是,则进入步骤43;
步骤43、所述公共交通智能体开始正常行驶;
步骤44、判断当前所述公共交通智能体是否靠近前车,若是,则减速行驶;若否,则进入步骤45;
步骤45、判断当前所述公共交通智能体是否靠近红绿灯,若是,则减速行驶,并等待红绿灯后,进入步骤46;若否,则直接进入步骤46;
步骤46、判断当前所述公共交通智能体是否靠近公共交通站点,若是,则减速行驶,并在站点停靠,根据站点停靠情况判定公共交通智能体的载客情况;若否,则返回步骤43;
步骤47、判断站点是否为终点站,若否,则返回步骤43;若是,则在终点站停靠,并进入步骤48;
步骤48、判断当前所述公共交通智能体是否为末班车,若否,则返回步骤42;若是,则结束循环。
进一步地,所述步骤5具体为:
初始化的城市居民智能体将完成出行方式选择,当每个城市居民智能体行动完毕之后,该多智能体模型将统计选择公共交通工具出行和选择私人交通工具出行的人数,统计使用私人交通工具与使用公共交通工具的城市居民智能体数量并计算公共交通分担率;
其数学表达式如下:
公共交通分担率=公共交通工具出行总人数/(私人交通工具出行总人数+公共交通工具出行总人数)*100%。
进一步地,所述当地城市居民的统计调查数据的参数包括年龄、性别、出发位置、目标位置、家庭收入水平、通勤出行候车忍耐度、娱乐出行候车忍耐度、去公交站点时间和去公交站点方式。
进一步地,所述公共交通运营与站点数据的参数包括车次号、发车间隔、首末车时间、上次所在公交站点、下个公交站点、距离下个公交站点距离、运行速度、公交舒适度和载客情况。
进一步地,所述步骤5之后还包括:
步骤6、将所述多智能体模型的输出结果在可视化界面上实时地动态显示出来。
本发明具有如下优点:
1)以多智能体模型为基础,基于城市的居民个体属性与公共交通运行规则进行建模,导入当地城市居民的统计调查数据、公共交通运营与站点数据以及城市的真实地理空间数据到多之智能体模型中并生成城市居民智能体和公共交通智能体,根据城市居民智能体和公共交通智能体的相互作用模拟真实的居民和公交车的动态交互过程,可以预测城市居民的出行行为选择,进而得到当前公共交通系统配置下的公共交通分担率,真实模拟城市居民的出行选择行为逻辑,增加了城市居民与公共交通在空间上的动态交互过程,使得模型更加稳定可靠,保证了更加友好的用户体验;
2)采用可视化界面进行显示,能实时地动态显示交互过程,该多智能体模型将动态展示城市居民生成、选择和移动的过程,多智能体模型的输出结果将以“可视”的效果一步步演化得出,可更好地管理决策。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明中多智能体模型各阶段的运行示意图。
图2为本发明中城市居民智能体和公共交通智能体的运行规则示意图。
具体实施方式
为使得本发明更明显易懂,现以一优选实施例,并配合附图作详细说明如下。
本发明主要分为三个阶段:模型初始化阶段、模型演算阶段和模型结算阶段,通过三个阶段的衔接配合,保证了更加友好的用户体验和模型内部的独立稳定性。
如图1所示,本发明的一种基于多智能体模拟的公共交通分担率预测方法,包括:
步骤1、将当地城市居民的统计调查数据、公共交通运营与站点数据以及城市的真实地理空间数据导入到多智能体模型中,并生成城市居民智能体和公共交通智能体;
步骤2、在所述多智能体模型中对所述城市居民智能体和公共交通智能体进行初始化后,运行所述多智能体模型,所述公共交通智能体就开始运行,所述城市居民智能体也准备出行;
步骤3、对所述城市居民智能体的初次出行方式进行选择,判断所述城市居民智能体是否使用公共交通工具,若是,则进入步骤4;若否,则判断该城市居民使用的是私人交通工具;
步骤4、所述城市居民智能体前往公共交通站点,并根据所述公共交通智能体的运行状态对所述城市居民智能体的二次出行方式进行选择;
步骤5、根据所述城市居民智能体的出行方式选择结果计算公共交通出行总人数和私人交通出行总人数;并根据所述公共交通出行总人数和私人交通出行总人数统计出公共交通分担率。
其中,步骤1-2属于模型初始化阶段,步骤3-4属于模型演算阶段,步骤5属于模型结算阶段。
一较佳实施例为:
A:模型初始化阶段
步骤1、将当地城市居民的统计调查数据、公共交通运营与站点数据以及城市的真实地理空间数据导入到多智能体模型中,并生成城市居民智能体和公共交通智能体;城市公共交通的模拟应该是公共交通系统运行和城市居民出行结合的一个动态过程,模拟过程中的模型空间是基于GIS数据地图的真实城市空间,也就是多智能体进行不同活动的空间载体。本发明主要分析两类智能体的行为活动和它们之间的相互作用机制,两类智能体分别是公共交通智能体(public transit agent)和城市居民智能体(citizen agent)。每类智能体都有自己的属性和行为特征,在模拟环境中产生相互作用(Agent Interaction)。模型初始化阶段的主要任务是将外部数据导入到多智能体模型(Anylogic模拟软件平台),并依此生成城市居民智能体与公共交通智能体。
该步骤1具体为:
1)将当地城市居民的统计调查数据导入到多智能体模型中,并根据所述当地城市居民的统计调查数据生成城市居民智能体;
公共交通分担率直接反映的是城市居民出行方式的选择,作为城市居民智能体,其智能体拥有的基本属性有年龄、收入水平、初始位置、目标位置等。这些属性需要当地城市的真实统计调查数据作为支撑并导入,即所述当地城市居民的统计调查数据的参数包括年龄、性别、出发位置、目标位置、家庭收入水平、通勤出行候车忍耐度、娱乐出行候车忍耐度、去公交站点时间和去公交站点方式。城市居民智能体的出行偏好首先受到自身的基本属性影响,城市居民出行选择公共交通的偏好程度会随着年龄的增长而提高,随着收入水平的提高而减少,随着初始位置与目标位置的距离提高而提高。通过收集统计调查数据则可按照概率分布生成各个居民智能体的基本属性,其属性列表展示如下:
2)将公共交通运营与站点数据导入到多智能体模型中,并根据所述公共交通运营与站点数据生成公共交通智能体;
由于多智能体模型主要是针对公共交通系统的变化来改变城市居民出行方式的选择偏好,所以在多智能体模型中需要导入公共交通运营与站点数据来建立公共交通智能体来模拟城市公共交通的运行。在多智能体模型中公共交通智能体是一个完整的单元,可以表示公交车、地铁、快速公交等公共交通工具。公共交通智能体具有运行速度、发车时间、发车间隔、运行线路、首末车时间、票价等基本属性,即所述公共交通运营与站点数据的参数包括车次号、发车间隔、首末车时间、上次所在公交站点、下个公交站点、距离下个公交站点距离、运行速度、公交舒适度和载客情况。其属性列表展示如下:
3)在多智能体模型中加载城市的真实地理空间数据,为所述公共交通智能体提供行驶路线。
在导入公交运营与站点数据之后,为使公共交通智能体按照真实的道路进行运行,需在多智能体模型(Anylogic模拟软件平台)上加载了OSM(OpenStreeMap)在线地图数据,使得公共交通智能体可以在真实的道路上行驶。
步骤2、在所述多智能体模型中对所述城市居民智能体和公共交通智能体进行初始化后,运行所述多智能体模型,所述公共交通智能体就开始运行,所述城市居民智能体也准备出行;具体为:
根据预设的城市居民智能体的数量和导入的当地城市居民的统计调查数据分布初始化城市居民智能体的数量,此时,不同的城市居民智能体位于多智能体模型空间中的不同位置并具有不同的个体属性;同时,根据预设的公共交通智能体的数量和导入的公共交通运营与站点数据分布初始化公共交通智能体的数量,所述公共交通智能体根据城市的真实地理空间数据在真实道路空间中开始行驶。
B:模型演算阶段(如图2所示)
步骤3、对所述城市居民智能体的初次出行方式进行选择,判断所述城市居民智能体是否使用公共交通工具,若是,则进入步骤4;若否,则判断该城市居民使用的是私人交通工具;具体为:
在多智能体模型的运行过程中,所述城市居民智能体根据自身的属性(如:年龄、收入水平、初始位置、目标位置等)进行初始偏好的评估,根据城市居民的初始偏好,所述城市居民智能体将初步决定是否使用公共交通工具,若是,则进入步骤4,若否,则判定该城市居民使用私人交通工具;
其数学表达式如下所示:
Sio=mi*pm+di*pd+ai*pa
if G(Sio)>Sthresh
Then Decision-1=True
Otherwise Decision-1=False
式子(1)中:Sio代表的是城市居民的初始偏好,在Sio的计算过程中,mi和pm分别代表的是居民收入水平以及其对出行方式影响的权重,di和pd分别代表的是城市居民智能体距离目标公交站点的距离和权重,其距离值由城市居民智能体的初始位置和目标位置计算而来,ai和pa分别代表的是居民年龄与权重;G(Sio)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sio)>Sthresh时,则Decision-1为True,Decision-1为布尔类型变量,它有两个值,True或者False,值为True代表城市居民在初次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行。
步骤4、所述城市居民智能体前往公共交通站点,并根据所述公共交通智能体的运行状态对所述城市居民智能体的二次出行方式进行选择;具体为:
所述城市居民智能体到达公共交通站点之后,所述城市居民智能体与公共交通智能体发生相互作用,具体表现为判断公共交通站点的舒适度、根据城市居民智能体的到站时间计算已经等车时间以及根据公共交通智能体的载客情况判断搭乘舒适度,这些因素将综合影响城市居民智能体的第二次选择,将相互作用影响后得到的出行偏好定义为修正偏好,所述城市居民智能体根据最后的修正偏好决定是否使用公共交通工具出行;
其数学表达式如下所示:
ifDecision-1=True
Then Sit=ti*pt+cb*pc+cs*pcs
if G(Sit)>Sthresh
ThenDecision-2=True
OtherwiseDecision-2=False
式子(2)中,Sit代表二次选取的偏好偏好,在Sit的计算过程中,ti和pt分别代表的是城市居民等车时间的打分及其权重,cb和pc分别代表的是公共交通工具的舒适度打分和权重,cs和pcs代表的是公共交通站点的舒适度打分和权重;G(Sit)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sit)>Sthresh时,则Decision-2为True,Decision-2同样为布尔类型变量,代表的是第二次出行方式选择的结果,它有两个值,True或者False,值为True代表城市居民在二次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行。
所述步骤4中公共交通智能体的运行状态的判定具体包括:
步骤41、所述公共交通智能体开始运行;
步骤42、判断所述公共交通智能体是否到达发车时间,若否,则不启动,若是,则进入步骤43;
步骤43、所述公共交通智能体开始正常行驶;
步骤44、判断当前所述公共交通智能体是否靠近前车,若是,则减速行驶;若否,则进入步骤45;
步骤45、判断当前所述公共交通智能体是否靠近红绿灯,若是,则减速行驶,并等待红绿灯后,进入步骤46;若否,则直接进入步骤46;
步骤46、判断当前所述公共交通智能体是否靠近公共交通站点,若是,则减速行驶,并在站点停靠,根据站点停靠情况判定公共交通智能体的载客情况;若否,则返回步骤43;
步骤47、判断站点是否为终点站,若否,则返回步骤43;若是,则在终点站停靠,并进入步骤48;
步骤48、判断当前所述公共交通智能体是否为末班车,若否,则返回步骤42;若是,则结束循环。
C:模型结算阶段:
步骤5、根据所述城市居民智能体的出行方式选择结果计算公共交通出行总人数和私人交通出行总人数;并根据所述公共交通出行总人数和私人交通出行总人数统计出公共交通分担率;具体为:
初始化的城市居民智能体将完成出行方式选择,当每个城市居民智能体行动完毕之后,该多智能体模型将统计选择公共交通工具出行和选择私人交通工具出行的人数,统计使用私人交通工具与使用公共交通工具的城市居民智能体数量并计算公共交通分担率;
其数学表达式如下:
公共交通分担率=公共交通工具出行总人数/(私人交通工具出行总人数+公共交通工具出行总人数)*100%。
另外有,步骤6、将所述多智能体模型的输出结果在可视化界面上实时地动态显示出来。采用可视化界面进行显示,能实时地动态显示交互过程,该多智能体模型将动态展示城市居民生成、选择和移动的过程,多智能体模型的输出结果将以“可视”的效果一步步演化得出,可更好地管理决策。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (8)
1.一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:包括:
步骤1、将当地城市居民的统计调查数据、公共交通运营与站点数据以及城市的真实地理空间数据导入到多智能体模型中,并生成城市居民智能体和公共交通智能体;
步骤2、在所述多智能体模型中对所述城市居民智能体和公共交通智能体进行初始化后,运行所述多智能体模型,所述公共交通智能体就开始运行,所述城市居民智能体也准备出行;
步骤3、对所述城市居民智能体的初次出行方式进行选择,判断所述城市居民智能体是否使用公共交通工具,若是,则进入步骤4;若否,则判断该城市居民使用的是私人交通工具;所述步骤3具体为:
在多智能体模型的运行过程中,所述城市居民智能体根据自身的属性进行初始偏好的评估,根据城市居民的初始偏好,所述城市居民智能体将初步决定是否使用公共交通工具,若是,则进入步骤4,若否,则判定该城市居民使用私人交通工具;
其数学表达式如下所示:
式子(1)中:Sio代表的是城市居民的初始偏好,在Sio的计算过程中,mi和pm分别代表的是居民收入水平以及其对出行方式影响的权重,di和pd分别代表的是城市居民智能体距离目标公交站点的距离和权重,其距离值由城市居民智能体的初始位置和目标位置计算而来,ai和pa分别代表的是居民年龄与权重;G(Sio)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sio)>Sthresh时,则Decision-1为True,Decision-1为布尔类型变量,它有两个值,True或者False,值为True代表城市居民在初次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行;
步骤4、所述城市居民智能体前往公共交通站点,并根据所述公共交通智能体的运行状态对所述城市居民智能体的二次出行方式进行选择;所述步骤4具体为:
所述城市居民智能体到达公共交通站点之后,所述城市居民智能体与公共交通智能体发生相互作用,具体表现为判断公共交通站点的舒适度、根据城市居民智能体的到站时间计算已经等车时间以及根据公共交通智能体的载客情况判断搭乘舒适度,这些因素将综合影响城市居民智能体的第二次选择,将相互作用影响后得到的出行偏好定义为修正偏好,所述城市居民智能体根据最后的修正偏好决定是否使用公共交通工具出行;
其数学表达式如下所示:
式子(2)中,Sit代表二次选取的修正偏好,在Sit的计算过程中,ti和pt分别代表的是城市居民等车时间的打分及其权重,cb和pc分别代表的是公共交通工具的舒适度打分和权重,cs和pcs代表的是公共交通站点的舒适度打分和权重;G(Sit)为通过Sigmoid函数计算而来的公交出行概率,Sthresh代表阈值,一般设为0.5,当G(Sit)>Sthresh时,则Decision-2为True,Decision-2同样为布尔类型变量,代表的是第二次出行方式选择的结果,它有两个值,True或者False,值为True代表城市居民在二次出行选择时决定使用公共交通工具,值为False代表城市居民选择私人交通工具出行;
步骤5、根据所述城市居民智能体的出行方式选择结果计算公共交通出行总人数和私人交通出行总人数;并根据所述公共交通出行总人数和私人交通出行总人数统计出公共交通分担率。
2.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述步骤1具体为:
将当地城市居民的统计调查数据导入到多智能体模型中,并根据所述当地城市居民的统计调查数据生成城市居民智能体;
将公共交通运营与站点数据导入到多智能体模型中,并根据所述公共交通运营与站点数据生成公共交通智能体;
在多智能体模型中加载城市的真实地理空间数据,为所述公共交通智能体提供行驶路线。
3.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述步骤2具体为:
根据预设的城市居民智能体的数量和导入的当地城市居民的统计调查数据分布初始化城市居民智能体的数量,此时,不同的城市居民智能体位于多智能体模型空间中的不同位置并具有不同的个体属性;同时,根据预设的公共交通智能体的数量和导入的公共交通运营与站点数据分布初始化公共交通智能体的数量,所述公共交通智能体根据城市的真实地理空间数据在真实道路空间中开始行驶。
4.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述步骤4中公共交通智能体的运行状态的判定具体包括:
步骤41、所述公共交通智能体开始运行;
步骤42、判断所述公共交通智能体是否到达发车时间,若否,则不启动,若是,则进入步骤43;
步骤43、所述公共交通智能体开始正常行驶;
步骤44、判断当前所述公共交通智能体是否靠近前车,若是,则减速行驶;若否,则进入步骤45;
步骤45、判断当前所述公共交通智能体是否靠近红绿灯,若是,则减速行驶,并等待红绿灯后,进入步骤46;若否,则直接进入步骤46;
步骤46、判断当前所述公共交通智能体是否靠近公共交通站点,若是,则减速行驶,并在站点停靠,根据站点停靠情况判定公共交通智能体的载客情况;若否,则返回步骤43;
步骤47、判断站点是否为终点站,若否,则返回步骤43;若是,则在终点站停靠,并进入步骤48;
步骤48、判断当前所述公共交通智能体是否为末班车,若否,则返回步骤42;若是,则结束循环。
5.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述步骤5具体为:
初始化的城市居民智能体将完成出行方式选择,当每个城市居民智能体行动完毕之后,该多智能体模型将统计选择公共交通工具出行和选择私人交通工具出行的人数,统计使用私人交通工具与使用公共交通工具的城市居民智能体数量并计算公共交通分担率;
其数学表达式如下:
公共交通分担率=公共交通工具出行总人数/(私人交通工具出行总人数+公共交通工具出行总人数)*100%。
6.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述当地城市居民的统计调查数据的参数包括年龄、性别、出发位置、目标位置、家庭收入水平、通勤出行候车忍耐度、娱乐出行候车忍耐度、去公交站点时间和去公交站点方式。
7.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述公共交通运营与站点数据的参数包括车次号、发车间隔、首末车时间、上次所在公交站点、下个公交站点、距离下个公交站点距离、运行速度、公交舒适度和载客情况。
8.根据权利要求1所述的一种基于多智能体模拟的公共交通分担率预测方法,其特征在于:所述步骤5之后还包括:
步骤6、将所述多智能体模型的输出结果在可视化界面上实时地动态显示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666673.3A CN110363358B (zh) | 2019-07-23 | 2019-07-23 | 基于多智能体模拟的公共交通分担率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666673.3A CN110363358B (zh) | 2019-07-23 | 2019-07-23 | 基于多智能体模拟的公共交通分担率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363358A CN110363358A (zh) | 2019-10-22 |
CN110363358B true CN110363358B (zh) | 2023-08-01 |
Family
ID=68219678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910666673.3A Active CN110363358B (zh) | 2019-07-23 | 2019-07-23 | 基于多智能体模拟的公共交通分担率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363358B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380398B (zh) * | 2020-11-12 | 2024-01-26 | 北京交通大学 | 一种空港旅客多交通方式换乘出行链构建装置 |
CN115203982B (zh) * | 2022-09-14 | 2022-11-29 | 环球数科集团有限公司 | 一种用于公交车辆智能运行的并行计算方法和仿真系统 |
CN116468143A (zh) * | 2023-02-17 | 2023-07-21 | 广东省城乡规划设计研究院有限责任公司 | 基于多智能体建模的城市交通碳排放预测方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102376073A (zh) * | 2010-08-13 | 2012-03-14 | 冯建卿 | 无定向公共交通互联网络系统 |
SG11201407487QA (en) * | 2012-05-14 | 2014-12-30 | Hitachi Ltd | Transportation route distribution ratio control system and transportation route distribution control method |
CN103268518A (zh) * | 2013-05-22 | 2013-08-28 | 南京财经大学 | 一种投入导向型的城市公共交通绩效评价方法 |
CN106127328A (zh) * | 2016-06-14 | 2016-11-16 | 哈尔滨工业大学 | 寒区冰雪期居民出行方式优化配置方法 |
CN106682812B (zh) * | 2016-11-24 | 2018-06-08 | 西安建筑科技大学 | 综合运输体系客运方式分担率-距离转移曲线确定方法 |
CN107123260A (zh) * | 2017-06-26 | 2017-09-01 | 上海交通大学 | 基于出行者预算限制的交通分配方法 |
CN108831182A (zh) * | 2018-05-07 | 2018-11-16 | 佛山科学技术学院 | 一种城市公交网络od矩阵构建方法 |
CN109214577A (zh) * | 2018-09-18 | 2019-01-15 | 交通运输部科学研究院 | 一种综合运输通道客运分担率预测方法 |
-
2019
- 2019-07-23 CN CN201910666673.3A patent/CN110363358B/zh active Active
Non-Patent Citations (4)
Title |
---|
北京都市圈居民出行特征分析及交通资源配置优化设计;王晟由;《工程科技Ⅱ辑》;正文 * |
基于知识的神经网络在出行方式选择中的应用研究;鲜于建川;隽志才;;计算机应用研究(第09期);正文 * |
大城市居民出行轨道交通选择意向研究;温旭丽;杨悦;叶欣;;公路交通科技(应用技术版)(第08期);正文 * |
居民轨道选择意向建模与应用研究;温旭丽;杨悦;陈玮;;交通标准化(第20期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363358A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koh et al. | Real-time deep reinforcement learning based vehicle navigation | |
US20210334420A1 (en) | Driving simulation method and apparatus, electronic device, and computer storage medium | |
Martinez et al. | Assessing the impacts of deploying a shared self-driving urban mobility system: An agent-based model applied to the city of Lisbon, Portugal | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
CN110363358B (zh) | 基于多智能体模拟的公共交通分担率预测方法 | |
CN108805348A (zh) | 一种交叉口信号配时控制优化的方法和装置 | |
Dandl et al. | Microsimulation of an autonomous taxi-system in Munich | |
Hao et al. | Shared autonomous vehicles: A review considering car sharing and autonomous vehicles | |
Fernández et al. | A probabilistic approach for determining the influence of urban traffic management policies on energy consumption and greenhouse gas emissions from a battery electric vehicle | |
CN114076606A (zh) | 用于提供从出发地点到目标地点的旅程路线或旅程路线所需时间的方法与计算机系统 | |
CN112767683B (zh) | 一种基于反馈机制的路径诱导方法 | |
Tzouras et al. | Agent-based models for simulating e-scooter sharing services: A review and a qualitative assessment | |
CN101639871A (zh) | 面向行为研究的车载动态交通信息诱导系统模拟设计方法 | |
CN102750427A (zh) | 基于多智能体活动模型的城市交通规划仿真方法及系统 | |
US11955000B2 (en) | Methods, systems, and media for generating and evaluating street grids | |
Orfanou et al. | Humanizing autonomous vehicle driving: Understanding, modeling and impact assessment | |
CN113191028B (zh) | 交通仿真方法、系统、程序及介质 | |
Li et al. | A bibliometric analysis and review on reinforcement learning for transportation applications | |
Hamadneh et al. | Evaluation of the impacts of autonomous vehicles on the mobility of user groups by using agent-based simulation | |
CN113160600A (zh) | 一种用于城市微循环公交系统的车辆调度方法 | |
Ayed et al. | Using MATSim to simulate carpooling and car-sharing trips | |
Ma | Effects of vehicles with different degrees of automation on traffic flow in urban areas | |
Hariz et al. | Mobility traffic model based on combination of multiple transportation forms in the smart city | |
Chai et al. | The impacts of automated vehicles on Center city parking | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230703 Address after: No. 2, North Wulongjiang Avenue, Fuzhou University City, Fujian Province 350100 Applicant after: FUZHOU University Address before: 100000 Geography Office, No. 3 Datun Road, Chaoyang District, Beijing Applicant before: Ma Yan Applicant before: Shen Zhenjiang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |