CN112381470B - 基于智能体的交通流量分配方法、设备及存储介质 - Google Patents

基于智能体的交通流量分配方法、设备及存储介质 Download PDF

Info

Publication number
CN112381470B
CN112381470B CN202110037097.3A CN202110037097A CN112381470B CN 112381470 B CN112381470 B CN 112381470B CN 202110037097 A CN202110037097 A CN 202110037097A CN 112381470 B CN112381470 B CN 112381470B
Authority
CN
China
Prior art keywords
traffic
resident
result
flow distribution
agent
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
Application number
CN202110037097.3A
Other languages
English (en)
Other versions
CN112381470A (zh
Inventor
张晓春
陈振武
梁晨
周勇
张稷
吴若乾
邢锦江
张阳刚
罗佳晨
邹莉
曾贤镜
黄金瓯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202110037097.3A priority Critical patent/CN112381470B/zh
Publication of CN112381470A publication Critical patent/CN112381470A/zh
Application granted granted Critical
Publication of CN112381470B publication Critical patent/CN112381470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于智能体的交通流量分配方法、设备及存储介质，方法包括：对居民进行分类，基于分类后的各居民群体构建智能体；根据居民个体的交通行为以及各路段流量，分析相应智能体使用各路径的概率，获得流量分配结果，计算获得相应的总效用值；以预设方式调整居民个体的交通行为，获得新的流量分配结果；计算相应的总效用值；获取新的总效用值与上一次计算的总效用值的差值，若大于第一预设值，则返回执行调整流量分配结果，根据新的结果计算相应的总效用值的步骤；若小于，则将新的流量分配结果作为最终的流量分配结果。本发明对居民个体出行直接进行分析，而非以宏观分析对应微观出行，其形成的流量分配方式更符合居民个体出行逻辑。

Description

基于智能体的交通流量分配方法、设备及存储介质
技术领域
本发明涉及交通规划技术领域，具体而言，涉及一种基于智能体的交通流量分配方法、设备及存储介质。
背景技术
随着城市的发展，城市内的公共交通越发冗杂，交通工具数量每年都有较高的增幅，交通需求分析越发越重要，而交通流量分配技术是交通需求分析的重要一环。现有的交通流量分配技术不符合居民个体出行的逻辑，注重宏观上最短路径的分配，未考虑居民个体的出行视角，导致结果的可靠性较低，无法对居民个体的出行态势进行准确评估。
发明内容
本发明解决的问题是如何从居民个体角度合理分配交通流量。
为解决上述问题，本发明提供一种基于智能体的交通流量分配方法、设备及存储介质。
一种基于智能体的交通流量分配方法，包括：
提取居民个体特征，根据所述居民个体特征对居民进行分类，基于分类后的各居民群体构建智能体，其中，每个所述智能体对应各自的智能体决策模型；获取居民个体的交通行为和各路段流量；根据所述居民个体的交通行为以及所述各路段流量，使用所述智能体决策模型分析相应智能体使用各路径的概率，将所述相应智能体包含的居民个体分配到各条路径上，获得流量分配结果；根据所述流量分配结果计算获得相应的总效用值；以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果；根据所述新的流量分配结果计算相应的总效用值；获取所述新的流量分配结果相应的总效用值与上一次计算的总效用值的差值，判断所述差值是否大于第一预设值；若是，则返回执行所述以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果，根据所述新的流量分配结果计算相应的总效用值的步骤；若否，则将所述新的流量分配结果作为最终的流量分配结果。
相对于现有技术，本发明提出的基于智能体的交通流量分配方法对目标居民个体进行特征提取并基于提取的特征进行分类，为每类居民群体构建一个智能体，以居民个体为视角分配交通流量，考虑到了居民个体的喜好、居民个体对交通路线选择的随机性，也更符合了居民个体的出行逻辑，使交通流量分配的结果更加人性化，同时，将基数较大的居民个体基于特征分类，将具有相同特征的居民个体划分为一个智能体，以智能体为单元进行计算，极大地减少了计算量；基于智能体决策模型将相应智能体的居民个体分配至路径，得到一次迭代的交通流量分配结果，然后经多次迭代，直至到达效用值稳定的均衡态，得到最终的流量分配结果。
可选地，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建。
由此，通过离散选择模型能预测每个居民个体的出行行为概率，基于回归模型控制智能体选择的整体结果，离散选择模型由回归模型制约，回归模型考虑到具有固定基础属性的居民个体对不同出行方式选择的实际概率，使结果更加符合实际，更加人性化。
可选地，所述根据所述居民个体的交通行为以及所述各路段流量，使用所述智能体决策模型分析相应智能体使用各路径的概率，将所述相应智能体包含的居民个体分配到各条路径上，获得流量分配结果包括：
根据所述居民个体的交通行为以及所述各路段流量，使用各个所述智能体的所述离散选择模型分析相应智能体使用各路径的概率，得到各个所述智能体初步的交通行为选择结果；使用各个所述智能体的所述回归模型计算各个所述智能体初步的交通行为选择结果与预设结果的偏离，根据各个所述智能体初步的交通行为选择结果与预设结果的偏离确定总偏离；基于所述总偏离调整至少一个智能体的交通行为选择结果，获得全部智能体最终的交通行为选择结果；基于所述全部智能体最终的交通行为选择结果确定所述流量分配结果。
由此，基于回归模型调整分配结果，回归模型用于制约离散选择模型的结果，将不符合居民个体基础属性特征的选择结果进行修改，使分配结果更加符合居民个体的选择逻辑；智能体之间相互制约，通过计算出预设结果与初步的交通行为选择结果的偏离而从整体调整所有智能体的交通行为选择结果，保证减少计算复杂度。
可选地，所述提取居民个体特征，根据所述居民个体特征对居民进行分类，基于分类后的各居民群体构建智能体具体包括：
提取所述居民个体的出行类型、出行时间、出行空间及出行方式；根据所述出行类型、出行时间、出行空间及出行方式对所述居民个体进行分类，获得分类后的多个居民群体；基于各所述居民群体构建对应的所述智能体，其中，每个所述居民个体只存在于一个所述智能体中。
由此，通过多种特征分类，保证每个智能体中的居民个体具有较为一致的出行特征，对居民个体进行分类建立智能体可以有效减小计算量，每个居民个体仅存在于一个智能体中，可以使流量分配结果更加准确。
可选地，所述基于所述总偏离调整至少一个智能体的交通行为选择结果，获得全部智能体最终的交通行为选择结果包括：
基于所述总偏离确定调整程度，根据所述调整程度调整至少一个智能体的交通行为选择结果，其中，若所述偏离程度大于第一预设偏离程度且小于或等于第二预设偏离程度，则所述调整程度大于所述第一预设偏离程度且小于所述第二预设偏离程度，所述调整程度小于所述偏离程度；获得全部智能体最终的交通行为选择结果。
由此，调整数值的大小受偏离程度的限制，可以保证调整后的分配结果不会因为智能体间的相互影响而变得较为剧烈，保证最终的流量分配结果更加准确。
可选地，所述获取居民个体的交通行为和各路段流量包括：
获取每个所述居民个体的交通行为；从交通指数系统中获取各路段流量，和/或建立交通运行仿真模型，基于所述交通运行仿真模型获取各路段流量。
由此，通过交通指数系统和/或交通运行仿真模型获取各路段流量作为数据基础，可以更准确地获取到相应的路段流量数据。
本发明还提出一种基于均衡交通态势的交通态势短时预测方法，包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如上任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果；
基于所述均衡交通态势结果及智能体决策模型，对居民个体的交通行为选择进行预测，实现交通态势的短时推演，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；
根据所述短时推演的结果分析未来预设时间段所述居民个体的交通行为选择情况，获得预测的交通态势。
由此，可以基于智能体的运行而得出未来短时间内的交通运行信息。
本发明还提出一种基于均衡交通态势的公共交通资源供给方案评估方法，包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如上任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果；
基于所述均衡交通态势结果，布设新的公交资源或去除部分公交资源，得到新的公共交通资源供给方案；
基于智能体决策模型，分析智能体的交通行为，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；
基于交通运行仿真获取评估参数，根据所述评估参数对所述新的公共交通资源供给方案进行评估，其中，评估参数包含交通指数的变化、居民个体的出行效用变化以及出行成本变化。
基于上述流量分配方法获得的流量分配结果，获得均衡交通态势，基于此均衡交通态势对公共交通资源供给方案进行评估，因均衡交通态势贴近实际情况，因而基于此对公共交通资源供给方案的评估结果也更贴近居民实际需求，结果愈加准确。
本发明还提出一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权上所述的基于智能体的交通流量分配方法。
所述计算机设备相对于现有技术与所述基于智能体的交通流量分配方法所具有的优势相同，在此不再赘述。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于智能体的交通流量分配方法。
所述计算机可读存储介质相对于现有技术与所述基于智能体的交通流量分配方法所具有的优势相同，在此不再赘述。
附图说明
图1为本发明基于智能体的交通流量分配方法一实施例的流程图；
图2为本发明基于智能体的交通流量分配方法步骤S300细化后一实施例的示意图；
图3为本发明计算机设备及可读存储介质一实施例示意图；
图4为本发明基于智能体的交通流量分配方法一实施例的流程图；
图5为本发明基于智能体的交通流量分配方法另一实施例的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明提出一种基于智能体的交通流量分配方法。其中，交通流量是指在选定时间段内通过道路某一地点、某一断面或某一车道的交通实体数。
在本发明基于智能体的交通流量分配方法一实施例中，如图1和图4所示，包括：
步骤S100，提取居民个体特征，根据所述居民个体特征对居民进行分类，基于分类后的各居民群体构建智能体，其中，每个所述智能体对应各自的智能体决策模型。
基于居民个体特征对居民进行分类，得到多个居民群体，例如，以出行时间、薪资水平及年龄这三个特征对居民进行分类，出行时间包含两种：A、7:00-8:00；B、8:00-9:00；薪资水平包含两种：M、1000-10000；N、10000-20000；年龄包含两种：X、20-30；Y、30-40。基于出行时间、薪资水平及年龄可将居民分类分成8类：AMX、AMY、ANX、ANY、BMX、BMY、BNX、BNY，即8个特征组。将具有相同特征的居民个体划分为一类，例如相同出发点和相同目的地的居民个体划分为一类。每个居民群体构建一个智能体，构建的智能体的数量为至少一个。在构建完智能体后，记录每个智能体中居民个体的数量。
在本发明中，具体用于分类的特征和特征数量可以根据交通流量分配方法的需求灵活设定。用于分类的特征包括但不限于出行类型、出行时间、出行空间及出行方式，每次出行的出发和到达时间、平均速度、路径路况、公共交通共乘人数以及有座位的概率、步行时间以及出行总成本中的一个或多个。
可选地，步骤S100具体包括：
提取所述居民个体的出行类型、出行时间、出行空间及出行方式；根据所述出行类型、出行时间、出行空间及出行方式对所述居民个体进行分类，获得分类后的多个居民群体；基于各所述居民群体构建对应的所述智能体，其中，每个所述居民个体只存在于一个所述智能体中。
一实施方式中，首先基于出行类型将居民分为通勤、商务、休闲和其他等多类居民群体，对每类居民群体，再基于出行时间、出行空间及出行方式等特征对居民个体进行分类，得到最终分类的多个居民群体。每个居民群体构建对应的智能体，其中，每个居民个体只存在于一个智能体中。
每个居民个体仅存在于一个智能体中，不同智能体间没有重叠的居民个体，将最能表示居民个体行为习惯的居民个体特征作为居民个体的分类依据，构建出的智能体可准确表示出此类居民个体的特点，在配流基础数据较大时可以节约计算量，减少优化交通流量分配方法时的计算成本。
可选地，步骤S200，获取居民个体的交通行为和各路段流量。
交通行为包括出行目的地、出行时间、出行方式等。
可选地，步骤S200还包括：
获取每个居民个体的交通行为数据；从交通指数系统中获取各路段流量，和/或建立交通运行仿真模型，基于所述交通运行仿真模型获取各路段流量。
通过道路交通仿真获取流量具体包括：获取交通数据，建立交通仿真运行模型，根据仿真模型基于OD分析所有车辆运行路径，基于车辆运行路径实现车辆运行，以运行结果获取道路交通流量。此处的各路段流量为配流的基础。
以每个智能体为单位获取周围空间及其他智能体的位置信息，是流量分配的基础，将流量分配到道路上，需要以OD为前提，分析各智能体中居民个体的出行出发点和目的地的信息。其中OD即为OD交通量，指起终点间的交通出行量。
步骤S300，根据所述居民个体的交通行为以及所述各路段流量，使用所述智能体决策模型分析相应智能体使用各路径的概率，将所述相应智能体包含的居民个体分配到各条路径上，获得流量分配结果。
根据出行目的地及各路段流量，通过智能体决策模型分析相应智能体使用各路径的概率，其中，智能体决策模型通过分析智能体中的居民个体的选择情况，控制智能体选择的整体结果，将智能体包含的居民个体分配到各路径上，从而获得该智能体的交通行为，进一步获取所有智能体的所有交通行为。
可选地，除居民个体的交通行为以及各路段流量，还可基于路况信息进行流量分配，如道路最大承载车流量、车行道数量、十字路口车行道交通规则、修路情况等。其中，最大承载车流量和车行道数量利于确定实际流量分配的数量，十字路口车行道交通规则如果过于复杂，将影响车流通过速度，若仅按照道路最大承载量分配车辆，反而会发生更严重的交通拥堵。
可选地，以单个智能体为单位，基于智能体决策模型判断智能体中每个居民个体出行的交通行为选择结果，将居民个体分配到路径上，形成单个智能体的配流结果；再以相同方式获取所有智能体的配流结果，形成步骤S300中的流量分配结果。
可选地，智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建。
其中，交通行为包括每个居民个体的出发、到达时间，平均速度，选择的出行方式，步行时间，出行目的等，对于某一智能体而言，基于交通行为构建离散选择模型，可基于每次出行决策，以其它智能体的出行行为决策为因子建立离散选择模型。居民个体基础属性包括性别、年龄段、收入区间等，可基于智能体内居民性别、年龄段、收入区间等居民个体基础属性的比例构建回归模型，具体可基于智能体内整体出行行为选择概率/选择比例构建回归模型。最终选择结果受到回归模型制约，确保结果更符合实际。
此处的离散选择模型可选为Logit模型，也可为probit模型，也可为其他离散选择模型，此处具体使用的模型不做限定。
此处的回归模型可选为线性回归模型，还可为其他回归模型，此处具体使用的模型不做限定。
可选地，将预测的每个居民个体选择概率超过预设概率阈值的行为均作为行为选择。
由此，可以增加可选路径的数量，通过交通流量分配方法分配后的结果更加多样化，满足居民个体多样化的出行需要。
可选地，回归模型可以控制智能体选择的整体结果，将智能体内同种出行目的的居民个体选择概率最高的行为决策作为最终的行为决策。
由此，可以概括性地预测相同特征的人群的出行决策，在进行交通流量分配时符合多数群体的出行需求，同时减小计算量。
可选地，将每个智能体中的居民个体行为概括为一种或多种行为决策，对出行决策进行普适性的概括，有助于进一步减少分配时的计算量。
可选地，步骤S300还包括：
步骤S301，根据所述居民个体的交通行为以及所述各路段流量，使用各个所述智能体的所述离散选择模型分析相应智能体使用各路径的概率，得到各个所述智能体初步的交通行为选择结果。
通过离散选择模型，获得每个智能体的交通行为选择概率，进而得到全部智能体的交通行为选择结果，此时的交通行为选择结果未考虑居民个体本身的基础属性，所以需要经过回归模型的修正。
步骤S302，使用各个所述智能体的所述回归模型计算各个所述智能体初步的交通行为选择结果与预设结果的偏离，根据各个所述智能体初步的交通行为选择结果与预设结果的偏离确定总偏离。
步骤S303，基于所述总偏离调整至少一个智能体的交通行为选择结果，获得全部智能体最终的交通行为选择结果。
其中，预设结果由回归模型设定，所述相应智能体使用各路径的概率基于离散选择模型而确定，通过回归模型中居民个体的基础属性，修改部分不符合居民个体基础属性的交通行为选择，例如某些居民个体几乎不会乘坐公交车，则降低此居民个体的公交选择概率。如此，将部分居民个体的选择行为修正后，获得全部智能体的初步交通行为选择结果。
步骤S304，基于所述全部智能体最终的交通行为选择结果确定所述流量分配结果。
步骤S400，根据所述流量分配结果计算获得相应的总效用值。
以每个居民个体为单位计算效用值，将隶属于同一个智能体中的所有居民个体的效用值累加为本智能体的效用值。其中，效用值可以以不同交通方式的舒适度的效用值；出行效率的效用值；符合居民个体出行习惯的效用值；路况太差，导致堵车等影响出行体验的惩罚效用值作为变量累加。
基于分配结果计算每个智能体的效用值，将所有智能体的效用值累加，作为总效用值。
步骤S500，以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果。
在一实施例中，可以以其中一个智能体为视角，基于本智能体中的所有居民个体每次的出行喜好为依据，基于出行喜好构成每个居民个体的出行行为，结合其他智能体的出行行为建立离散选择模型。作为视角的智能体可以是以最普遍特征为依据建立的智能体，此智能体在一定程度上代表了最难以分配的群体或数量最多的群体，如此，以此智能体为视角，可以优先分配此智能体中的居民个体，降低了道路分配时的复杂程度，利于减少分配时的计算量。
步骤S600，根据所述新的流量分配结果计算相应的总效用值。
基于新的流量分配结果计算相应的新的总效用值。
步骤S700，获取所述新的流量分配结果相应的总效用值与上一次计算的总效用值的差值，判断所述差值是否大于第一预设值。
将步骤S500中所有智能体的效用值累加，作为新的总效用值，将新的总效用值与步骤S400中的总效用值对比，判断此次总效用值与上一次的总效用值的变化是否大于第一预设值，以判断差值是否大于第一预设值来判断配流结果是否达成了均衡态。
其中，均衡态表示交通流量分配结果已经有一个稳定均衡的状态，如果配流前后的总效用值变化小于或等于第一预设值，即代表此次的分配结果在满足每个居民个体的出行的要求和喜好的基础上，也比较符合道路路况的承载能力。进行修改优化后的配流结果变化差距不大，就表示配流结果较为成熟，不需要再次改进。
若配流前后的总效用值变化大于第一预设值，则表示配流前后分配结果差距过大，居民个体体验变化剧烈，此次配流的结果未能分配出一个均衡稳定的态势，需要再次改进分配方式。
步骤S800，若是，则返回执行所述以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果，根据所述新的流量分配结果计算相应的总效用值的步骤。
若总效用值的变化大于第一预设值，则代表分配方式需要改进，则需要以预设方式调整不符合用户需要、不符合道路承载能力的分配。其中，以智能体为单位调整分配方式，因为每个智能体以相同特征的居民个体为依据建立的，调整不符合分配要求的智能体，即调整不符合要求的所有相同特征的居民个体的集合，如此，可以极大地减少计算量，使分配结果的优化变得简单。
步骤S900，若否，则将所述新的流量分配结果作为最终的流量分配结果。
由此，将已达成均衡态的分配结果作为最终结果，既能满足对居民个体的需求，也能最大限度地利用道路的承载能力。
如图5所示，可选地，步骤S303还包括：
基于所述总偏离确定调整程度，根据所述调整程度调整至少一个智能体的交通行为选择结果，其中，若所述偏离程度大于第一预设偏离程度且小于或等于第二预设偏离程度，则所述调整程度大于所述第一预设偏离程度且小于所述第二预设偏离程度，所述调整程度小于所述偏离程度；获得全部智能体最终的交通行为选择结果。
因为智能体与智能体之间是相互影响，相互制约的，将某个智能体之中的某个出行方式调整过于剧烈，则会导致连锁效应，导致矫枉过正的情况产生，所以在实际分配结果与预设结果出现了偏差时，调整程度小于第一预设偏离程度。
为避免调整程度不固定而造成每次的分配结果震荡情况，本发明采用基于偏离程度而设定的固定调整程度来调整每次的流量分配方式。其中，震荡情况是指，每次调整分配方式后，交通流量会随着调整而出现剧烈地起伏的情况。
在实际交通流量分配的过程中，可能会出现“假”均衡态的情况，具体表现为，调整的分配比例过小而导致重新分配的结果与上一次分配的结果的总效用值差距小于5%，然而此时并没有真正地达到均衡态，其差距过小的原因是调整比例过小，此时可确定一固定调整比例或调整比例下限，以防止“假”均衡态的情况发生。
若数值差距过大，又需要将调整分配的比例小于对应的预设偏离程度，则此时限制调整的比例在差距百分比上下的两个预设偏离程度之间，以保证调整的比例不会过大而使总体的分配过于失衡，也保证调整的比例不会过小而使新的分配结果为“假”均衡态。
本发明还提出一种基于均衡交通态势的交通态势短时预测方法。一实施例中，基于均衡交通态势的交通态势短时预测方法包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如上任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果；基于所述均衡交通态势结果及智能体决策模型，对居民个体的交通行为选择进行预测，实现交通态势的短时推演，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；根据所述短时推演的结果分析未来预设时间段所述居民个体的交通行为选择情况，获得预测的交通态势。
基于上述流量分配方法获得最终的流量分配结果，基于流量分配结果得到均衡交通态势，基于均衡交通态势实现交通态势短时推演，根据推演的结果分析短期未来道路交通流密速等指数，获得预测的交通流量状态。
其中，可将未来预设时间段设置为：居民个体平均发生一至两次选择的时间段。举例说明，若居民个体平均三十分钟发生一次出行的选择决策（也就是说，平均半个小时乘坐一次交通工具），则未来预设时间段为半个小时。
在一实施例中，在晚高峰之前对智能体决策模型输入相应智能体中所有居民个体的信息，智能体决策模型根据相应智能体的个体特征预测该智能体的居民个体在晚高峰时间段选择各个交通方式的概率、对不同路径的选择概率，结合智能体决策模型包含的回归模型修正居民的选择情况，从而获得晚高峰居民个体对交通方式的选择，实现对未来一段时间的交通流量状态的预测。
本发明还提出一种基于均衡交通态势的公共交通资源供给方案评估方法。一实施例中，基于均衡交通态势的公共交通资源供给方案评估方法包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如上任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果。
基于所述均衡交通态势结果，布设新的公交资源或去除部分公交资源，得到新的公共交通资源供给方案（如线网方案、公交线路运行图方案等）。
基于智能体决策模型，分析智能体的交通行为，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；其中，在智能体决策模型分析智能体的交通行为之前，基于均衡交通态势获取每个居民个体选择的出行方式、OD、路线等信息，由智能体决策模型基于这些信息分析智能体的交通行为。
基于交通运行仿真获取评估参数，根据所述评估参数对所述新的公共交通资源供给方案进行评估，其中，评估参数包含交通指数的变化、居民个体的出行效用变化以及出行成本变化。
其中，评估结果可作为新公共交通资源布局的分析依据，用于指导分析公交方案可行性。
此外，在上述均衡交通态势下，可对多个公共交通资源供给方案并行分析，进行成效对比，最终得到最佳方案。
本发明基于均衡交通态势的公共交通资源供给方案评估方法，使用了上述基于智能体的交通流量分配方法得到的交通流量分配结果，进而得到均衡交通态势，在此基础上对公共交通资源供给方案进行评估，可实现基于居民实际出行对公交方案的评价，相比传统方案，更贴近居民实际需求，具有更高的准确性；此外，还支持在上述均衡交通态势下对多个公共交通资源供给方案并行分析，具有较高的评价效率。
本发明还提出一种计算机设备，如图3，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于智能体的交通流量分配方法。
所述计算机设备相对于现有技术与所述基于智能体的交通流量分配方法所具有的优势相同，在此不再赘述。
本发明还提出一种计算机可读存储介质，如图3，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于智能体的交通流量分配方法。
所述计算机可读存储介质相对于现有技术与所述基于智能体的交通流量分配方法所具有的优势相同，在此不再赘述。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (9)

1.一种基于智能体的交通流量分配方法，其特征在于，包括：
提取居民个体特征，根据所述居民个体特征对居民进行分类，基于分类后的各居民群体构建智能体，其中，每个所述智能体对应各自的智能体决策模型；
获取居民个体的交通行为和各路段流量；
根据所述居民个体的交通行为以及所述各路段流量，使用所述智能体决策模型分析相应智能体使用各路径的概率，将所述相应智能体包含的居民个体分配到各条路径上，获得流量分配结果，其中，所述智能体决策模型包括离散选择模型和回归模型，具体包括根据所述居民个体的交通行为以及所述各路段流量，使用各个所述智能体的所述离散选择模型分析相应智能体使用各路径的概率，得到各个所述智能体初步的交通行为选择结果；使用各个所述智能体的所述回归模型计算各个所述智能体初步的交通行为选择结果与预设结果的偏离，根据各个所述智能体初步的交通行为选择结果与预设结果的偏离确定总偏离；基于所述总偏离调整至少一个智能体的交通行为选择结果，获得全部智能体最终的交通行为选择结果；基于所述全部智能体最终的交通行为选择结果确定所述流量分配结果；
根据所述流量分配结果计算获得相应的总效用值；
以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果；
根据所述新的流量分配结果计算相应的总效用值；
获取所述新的流量分配结果相应的总效用值与上一次计算的总效用值的差值，判断所述差值是否大于第一预设值；
若是，则返回执行所述以预设方式调整至少一个智能体中的居民个体的交通行为，获得调整后的新的流量分配结果，根据所述新的流量分配结果计算相应的总效用值的步骤；
若否，则将所述新的流量分配结果作为最终的流量分配结果。
2.根据权利要求1所述的基于智能体的交通流量分配方法，其特征在于，所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建。
3.根据权利要求1或2所述的基于智能体的交通流量分配方法，其特征在于，所述提取居民个体特征，根据所述居民个体特征对居民进行分类，基于分类后的各居民群体构建智能体具体包括：
提取所述居民个体的出行类型、出行时间、出行空间及出行方式；
根据所述出行类型、出行时间、出行空间及出行方式对所述居民个体进行分类，获得分类后的多个居民群体；
基于各所述居民群体构建对应的所述智能体，其中，每个所述居民个体只存在于一个所述智能体中。
4.根据权利要求2所述的基于智能体的交通流量分配方法，其特征在于，所述基于所述总偏离调整至少一个智能体的交通行为选择结果，获得全部智能体最终的交通行为选择结果包括：
基于所述总偏离确定调整程度，根据所述调整程度调整至少一个智能体的交通行为选择结果，其中，若所述偏离程度大于第一预设偏离程度且小于或等于第二预设偏离程度，则所述调整程度大于所述第一预设偏离程度且小于所述第二预设偏离程度，所述调整程度小于所述偏离程度；
获得全部智能体最终的交通行为选择结果。
5.根据权利要求1或2所述的基于智能体的交通流量分配方法，其特征在于，所述获取居民个体的交通行为和各路段流量包括：
获取每个所述居民个体的交通行为；
从交通指数系统中获取所述各路段流量，和/或建立交通运行仿真模型，基于所述交通运行仿真模型获取所述各路段流量。
6.一种基于均衡交通态势的交通态势短时预测方法，其特征在于，包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如权利要求1至5中任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果；
基于所述均衡交通态势结果及智能体决策模型，对居民个体的交通行为选择进行预测，实现交通态势的短时推演，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；
根据所述短时推演的结果分析未来预设时间段所述居民个体的交通行为选择情况，获得预测的交通态势。
7.一种基于均衡交通态势的公共交通资源供给方案评估方法，其特征在于，包括：
获取流量分配结果，基于所述流量分配结果得到均衡交通态势结果，其中，所述流量分配结果为如权利要求1至5中任一项所述的基于智能体的交通流量分配方法生成的最终的流量分配结果；
基于所述均衡交通态势结果，布设新的公交资源或去除部分公交资源，得到新的公共交通资源供给方案；
基于智能体决策模型，分析智能体的交通行为，其中，所述智能体决策模型包括离散选择模型和回归模型；所述离散选择模型基于每个所述智能体包含的居民个体的交通行为构建；所述回归模型基于每个所述智能体包含的居民个体基础属性构建；
基于交通运行仿真获取评估参数，根据所述评估参数对所述新的公共交通资源供给方案进行评估，其中，评估参数包含交通指数的变化、居民个体的出行效用变化以及出行成本变化。
8.一种计算机设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-5任一项所述的基于智能体的交通流量分配方法，或者如权利要求6所述的基于均衡交通态势的交通态势短时预测方法，或者如权利要求7所述基于均衡交通态势的公共交通资源供给方案评估方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-5任一项所述的基于智能体的交通流量分配方法，或者如权利要求6所述的基于均衡交通态势的交通态势短时预测方法，或者如权利要求7所述基于均衡交通态势的公共交通资源供给方案评估方法。
CN202110037097.3A 2021-01-12 2021-01-12 基于智能体的交通流量分配方法、设备及存储介质 Active CN112381470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110037097.3A CN112381470B (zh) 2021-01-12 2021-01-12 基于智能体的交通流量分配方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110037097.3A CN112381470B (zh) 2021-01-12 2021-01-12 基于智能体的交通流量分配方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112381470A CN112381470A (zh) 2021-02-19
CN112381470B true CN112381470B (zh) 2021-06-15

Family

ID=74591069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110037097.3A Active CN112381470B (zh) 2021-01-12 2021-01-12 基于智能体的交通流量分配方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112381470B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598338B (zh) * 2021-03-03 2021-06-29 深圳市城市交通规划设计研究中心股份有限公司 路径选择模型的构建方法及客流分配方法
CN113398593B (zh) * 2021-07-16 2024-07-26 网易（杭州）网络有限公司 多智能体分层控制方法、装置、存储介质及电子设备
CN116071912A (zh) * 2021-10-22 2023-05-05 交通运输部规划研究院 一种道路交通量分配的确定方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226801A (zh) * 2013-03-19 2013-07-31 天津市市政工程设计研究院 基于多用户配流模型的空港集疏运交通量确定方法
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
CN107679653A (zh) * 2017-09-21 2018-02-09 东南大学 一种基于优势出行距离的od分配方法
CN110379161A (zh) * 2019-07-18 2019-10-25 中南大学 一种城市路网交通流量分配方法
CN111143769A (zh) * 2019-12-09 2020-05-12 深圳市市政设计研究院有限公司 一种基于大数据的出行方式分担率的预测方法和预测装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080262710A1 (en) * 2007-04-23 2008-10-23 Jing Li Method and system for a traffic management system based on multiple classes
CN110853375B (zh) * 2019-11-21 2020-12-01 东南大学 考虑重叠路径的随机用户均衡逐日动态交通流预测方法
CN111401614B (zh) * 2020-03-09 2022-09-02 西南交通大学 一种城市轨道交通动态客流分配方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226801A (zh) * 2013-03-19 2013-07-31 天津市市政工程设计研究院 基于多用户配流模型的空港集疏运交通量确定方法
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
CN107679653A (zh) * 2017-09-21 2018-02-09 东南大学 一种基于优势出行距离的od分配方法
CN110379161A (zh) * 2019-07-18 2019-10-25 中南大学 一种城市路网交通流量分配方法
CN111143769A (zh) * 2019-12-09 2020-05-12 深圳市市政设计研究院有限公司 一种基于大数据的出行方式分担率的预测方法和预测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"城市道路交通实时在线仿真平台优化与提升";陈振武等;《交通与运输》;20191231;第160-165页 *

Also Published As

Publication number Publication date
CN112381470A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112381470B (zh) 基于智能体的交通流量分配方法、设备及存储介质
CN109191896B (zh) 个性化停车位推荐方法和系统
Zhu et al. A bi-level model for single-line rail timetable design with consideration of demand and capacity
Groot et al. Toward system-optimal routing in traffic networks: A reverse stackelberg game approach
De Palma et al. Risk aversion, the value of information, and traffic equilibrium
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
Gonzales Coordinated pricing for cars and transit in cities with hypercongestion
Fielbaum et al. Economies and diseconomies of scale in on-demand ridepooling systems
Wang et al. Providing real-time bus crowding information for passengers: A novel policy to promote high-frequency transit performance
Yang et al. Modeling user adoption of advanced traveler information systems: a control theoretic approach for optimal endogenous growth
CN110930696B (zh) 一种基于ai导航的智慧城市交通管理运行方法及其系统
Chen et al. Passenger-oriented traffic management integrating perimeter control and regional bus service frequency setting using 3D-pMFD
Ning et al. Robust and resilient equilibrium routing mechanism for traffic congestion mitigation built upon correlated equilibrium and distributed optimization
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN114882720B (zh) 智能路网的推送方法、推送装置及车辆
Alatawneh et al. Analysis of the emergence of autonomous vehicles using simulation-based dynamic traffic assignment–The case of Budapest
Kagho et al. Identifying and planning for group travellers in on-demand mobility models
CN116194935B (zh) 用于确定地理区域中的车辆的导航简档的方法和设备
Kponyo et al. A distributed intelligent traffic system using ant colony optimization: a NetLogo modeling approach
Yu et al. Experimental analysis of a hybrid route choice model to capture dynamic behavioral phenomena under advanced information systems
Zhong et al. Deep Q‐Learning Network Model for Optimizing Transit Bus Priority at Multiphase Traffic Signal Controlled Intersection
Ozbay et al. Application of stochastic learning automata for modeling departure time and route choice behavior
Fielbaum et al. New sources of economies and diseconomies of scale in on-demand ridepooling systems and comparison with public transport
Tsitsokas et al. Critical node selection method for efficient max-pressure traffic signal control in large-scale congested networks
Cingel et al. Modal split analysis by best-worst method and multinominal logit model

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