CN113935109A - 一种多智能体停车系统仿真系统及其构建方法 - Google Patents

一种多智能体停车系统仿真系统及其构建方法 Download PDF

Info

Publication number
CN113935109A
CN113935109A CN202111194208.8A CN202111194208A CN113935109A CN 113935109 A CN113935109 A CN 113935109A CN 202111194208 A CN202111194208 A CN 202111194208A CN 113935109 A CN113935109 A CN 113935109A
Authority
CN
China
Prior art keywords
parking
module
vehicle
simulation
time
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.)
Pending
Application number
CN202111194208.8A
Other languages
English (en)
Inventor
袁昀
李欣
李怀悦
王天奇
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202111194208.8A priority Critical patent/CN113935109A/zh
Publication of CN113935109A publication Critical patent/CN113935109A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多智能体停车系统仿真系统及其构建方法，其特征在于，包括：多智能体仿真模块、随机性仿真模块、系统动力学仿真模块、流程仿真模块、规则仿真模块；多智能体仿真模块用于描述停车系统内部的固定设施、车辆、行人，其中，车辆与行人为主体，是具有主动行为的可移动智能体；固定设施为位置，是具有被动行为的不可移动智能体。本发明能够实现系统内各智能体运动行为和相互影响过程的精准描述，并通过逻辑规则模型完成智能体运动轨迹和选择行为的仿真，借助可视化和结果分析功能提供直观的系统动态过程和潜在问题，为停车系统的设计和运营提供可靠数据支撑，提供基于动态停车需求的停车系统仿真方法。

Description

一种多智能体停车系统仿真系统及其构建方法
技术领域
本发明涉及停车系统微观仿真领域，尤其涉及一种多智能体停车系统仿真系统及其构建方法。
背景技术
目前，现有停车系统已经无法满足日益增长的停车需求，而城市内的停车区域已经占用了很大一部分土地，同时还带来交通拥堵、噪音和交通事故等严重问题。为此，面对不同时间段、不同地域特征的动态停车需求，如何最大化利用有限的土地空间提供高效的停车服务是一个亟待解决的问题。由于停车系统环境封闭且影响要素过多，传统的停车管理系统、停车规则制定和扩建停车位等方法无法考虑各方面因素制定综合最优的停车系统设计与运营方案。停车系统微观仿真方法是一种综合处理方法，能够平衡系统效率与安全为停车系统的设计和运营提供建议。但是，现有技术中，基于多智能体的停车系统微观仿真方法中存在以下不足：
1、即使已有研究中能够考虑车辆与行人的不同运动行为，但缺乏对于多智能体之间相互影响关系的描述和考量，忽略了人车交互过程和固定停车设施对于运动行为的影响；
2、已有研究中缺少全面的停车系统的评价指标体系，难以实时掌握停车系统内的运行效率和可用容量，面对不同时段不同的停车需求往往会造成停车位利用率低和停车需求难以满足等问题；
3、已有研究中多只集中于单一仿真模块的设计，未涉及到系统的停车系统仿真框架，可扩展性和实用性有限，无法根据停车系统实际情况进行模型标定和需求预测并通过可视化方法提供可靠分析依据，难以适用于复杂实际运营中的多种情况。
发明内容
本发明提供一种多智能体停车系统仿真系统及其构建方法，以克服以上问题。
本发明提供了一种多智能体停车系统仿真系统及其构建方法，本发明在采集历史数据并识别停车需求特征的基础上，通过建立停车系统内各智能体运动机制和相互影响机制，融合车辆运动过程中的车辆死锁和行人动态决策等仿真模块，实现停车系统内多过程系统仿真，并通过模型参数校准，完成停车需求分布特征分析和预测，建立历史信息可存储、人机信息可交互的停车系统仿真机制，解决现有的停车系统微观仿真方法无法描述多智能体之间的相互影响关系、缺乏详尽的停车系统评价指标体系、可扩展性和实用性有限等问题。
本发明系统包括：多智能体仿真模块、随机性仿真模块、系统动力学仿真模块、流程仿真模块、规则仿真模块；
多智能体仿真模块用于描述停车系统内部的固定设施、车辆、行人，其中，车辆与行人为主体，是具有主动行为的可移动智能体；固定设施为位置，是具有被动行为的不可移动智能体；
随机性仿真模块用于生成停车系统内各智能体不同运动过程时空分布的随机变量；
系统动力学仿真模块用于建立停车系统的不同运行场景，以及不同场景内各智能体运动过程的特征和时空分布特征；
流程仿真模块用于描述在车辆进入到离开停车系统过程中车辆与车上乘客的运动过程；
规则仿真模块用于建立停车系统内智能体运动规则及运动状态转移的逻辑规则模型；
多智能体仿真模块和所述流程仿真及规则仿真模块连接，发送停车系统内的可移动智能体的运动空间和不可移动智能体内部的连接关系；
随机性仿真模块和所述流程仿真模块连接，发送智能体在不同运动过程中的时空分布随机变量；
系统动力学仿真模块和所述流程仿真模块连接，发送停车系统不同运行场景中的智能体运动特征和时空分布特征；
流程仿真模块和所述规则仿真模块连接，发送从车辆进入停车系统到离开过程中车辆与车上乘客的运动过程。
本发明方法包括：
步骤1、搭建停车系统动态仿真模型框架，明确各模块功能作用及不同模块之间的信息传递内容；
步骤2、基于步骤1所述的智能体运动过程的时空分布特征内建立基于停车系统运行效率和行车安全的仿真效果评价体系；
步骤3、采用逻辑规则仿真方法，基于步骤1中所述的系统动力学、流程仿真及规则仿真模块，面向车辆运动、行人运动、出入口排队、人车交互以及和不可移动智能体的交互多种场景，建立停车系统内多智能体运动行为及交互行为过程仿真模型；
步骤4、通过带假设的时间序列分析进行动态停车需求预测，基于深度学习数据挖掘方法，采集停车系统数据并自动校准步骤3中所述的仿真模型参数。
进一步地，步骤2中的停车系统效果评价体系中的效率评价具体包括：
步骤21、计算平均车辆搜索时间，即车辆从进入停车系统到在停车位中停车的时间：
Figure BDA0003302400570000031
其中，AvgVehArr为平均车辆搜索时间，V为停车系统内所有车辆的集合，|V|为停车系统内所有车辆的数量，vehtoexitv为车辆v搜索停车位的时间，通过统计车辆运动轨迹获得；
步骤22、计算平均行人离开时间，即行人从下车到行人出口的时间：
Figure BDA0003302400570000032
其中，AvgPedExt为平均行人离开时间，通过统计行人运动轨迹获得；P为停车系统内所有行人的集合，vehtoexitp为行人p从车辆移动到行人出口的时间。
步骤23、计算每个时间间隔正在移动/已停车的车辆数：
NumMovVeht＝∑v∈VMovingvt (3)
NumParVeht＝∑v∈VParkedvt (4)
其中，NumMovVeht为t时间间隔正在移动的车辆数；NumParVeht为在t时间间隔已停车的车辆数；Movingvt为0-1变量，当车辆正在移动时取1，否则为0；Parkedvt为0-1变量，当车辆v在t时间间隔已停车时为1，否则为0，通过统计t时间间隔停车系统内车辆运动状态获得；
步骤24、计算每个时间间隔正在移动的行人数：
NumWalPedt＝∑t∈T′numpedt (5)
其中，NumWalPedt为t时间间隔正在移动的行人数；T′为系统非静止状态的时间间隔集合；numpedt为t时间间隔系统内所有的行人数，通过统计t时间间隔停车系统内所有行人的运动轨迹获得；
步骤25、计算每个停车位的利用率：
Figure BDA0003302400570000041
其中，Utis为停车位s的利用率；T为所有时间间隔的集合；occst为0-1变量，当其在t时间间隔正在被使用时取值为1，否则为0，通过统计t时间间隔停车系统内所有停车位使用情况获得；
步骤26、计算每个停车位的周转率：
Figure BDA0003302400570000042
其中，Turnovers为停车位s的周转率；S为系统内所有停车位的集合；T′为系统非静止状态的时间间隔集合；numuses为停车位s被使用的总次数，通过统计t时间间隔停车系统内所有停车位使用情况获；
步骤27、计算每个过道的利用率：
Figure BDA0003302400570000043
其中，Utia为过道a的利用率；T为所有时间间隔的集合，occat为0-1变量，当t时间间隔过道a被使用时为1，否则为0，通过统计t时间间隔停车系统内所有过道使用情况获得；
步骤28、计算车辆对过道的利用率，用以描述车辆的路径：
Figure BDA0003302400570000044
其中，UtiVeha为过道a的车辆利用率；occbyvehat为0-1变量，当在t时间间隔a过道被车辆占用时为1，否则为0，通过统计t时间间隔车辆运动轨迹中车辆位置与过道位置对应关系获得。
进一步地，步骤2中的停车系统效果评价体系中的安全评价，包括：行人-车辆交织时间、车辆-车辆交织时间、车辆掉头盲区处的人车交织时间；所述行人-车辆交织时间为：
Figure BDA0003302400570000045
其中，A为停车系统内所有过道的集合，P为停车系统内所有行人的集合，AggPedWeaa为过道a处车辆与行人交织的时间，PedVehWeaapvt为t时间间隔内车辆v与行人p在过道a处的交织时间，通过统计t时间间隔车辆运动轨迹与行人运动轨迹的交织情况获得；
所述车辆-车辆交织时间为：车辆在交汇和转向时与其他车辆产生的交织区域与交织时间，所述车辆-车辆交织时间为评价系统安全性的重要指标。
所述车辆掉头盲区处的人车交织时间为：车辆从停车位倒车离开时，与视野盲区内的行人产生交织的交织点及交织时间。
进一步地，步骤3中的停车系统仿真集成开发包括：
步骤31、基于Software as a Service框架，搭建停车系统仿真框架；
步骤32、将停车系统内多智能体建立为Actor模型，用于储存智能体的运动状态、运动行为以及通讯队列；并在具有可移动性的智能体响应策略中嵌入具有可扩展性的目的地选择模型，来确定车辆与行人的选择行为；
步骤33、采用长短时记忆神经网络，读取已知的时间间隔内停车需求数量并输出其下一时间间隔内停车需求数量，多次重复上述操作，来预测当前时刻的下一个时间间隔内的停车需求，并根据不同时间间隔内的停车需求数量进行停车需求分布标定；
步骤34、基于Prolog模型，构建系统内多智能体的运动行为与线路仿真系统。
进一步地，步骤31中描述的Actor模型中的Actor具体包括：lotactor模块、timeActor模块、entityActor模块、locationActor模块、souceActor模块、sinkActor模块、choiceActor模块；
lotactor模块用于确定停车系统内主要节点位置并建立内部道路网络；
timeActor模块用于统一停车系统内各智能体的仿真时间，同步系统内各智能体运动过程；
entityActor模块用于建立系统内各智能体运动规则及其交互关系规则则；
locationActor模块用于描述当前仿真时间系统内各智能体所在的位置；
souceActor模块用于建立停车系统入口处车辆排队模型；
sinkActor模块用于建立停车系统出口处车辆排队模型；
choiceActor模块用于识别停车系统内各停车位当前属性并为车辆目标停车位或目的地做出决策；
lotactor模块和entityActor模块以及choiceActor模块连接，发送停车系统道路网络结构和固定设施所在位置；
timeActor模块和模块entityActor连接，发送当前的仿真时间信息；
entityActor模块和souceActor模块、sinkActor模块、以及choiceActor连接，发送停车系统内智能体在出入口排队和选择停车位时的运动规则；
locationActor模块和souceActor模块、sinkActor模块、choiceActor连接，发送各智能体所在位置的信息。
进一步地，骤4中的停车系统包括：
键盘控制手动模拟模块、网络编辑模块、可视化模块、结果分析模块；
键盘控制手动模拟模块用于让用户输入停车系统基础环境数据；
网络编辑模块用于提供仿真模型的修改接口；
可视化模块用于实现停车系统内各智能体运动轨迹和选择行为的可视化，提供系统仿真过程的直观描述；
结果分析模块用于通过仿真过程中储存的停车系统历史数据进行统计和评价分析，对于系统内的潜在问题分析或停车系统设计提供支撑。
键盘控制手动模拟模块和可视化模块连接，发送停车系统环境和车辆、行人的基础数据；
网络编辑模块和可视化模块连接，发送停车系统环境和仿真模型的修改信息；
可视化模块和结果分析模块连接，发送停车系统各智能体的运动轨迹。
本发明能够考虑动态的停车需求，通过历史数据的采集和分析识别停车需求分布特征和停车行为特征，在不同停车系统环境和规模下，实现系统内各智能体运动行为和相互影响过程的精准描述，并通过逻辑规则模型完成智能体运动轨迹和选择行为的仿真，借助可视化和结果分析功能提供直观的系统动态过程和潜在问题，为停车系统的设计和运营提供可靠数据支撑，提供基于动态停车需求的停车系统仿真方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统的系统框图；
图2为本发明方法的流程图；
图3为本发明系统结构图；
图4为本发明对到达车辆的预测结果；
图5为本发明对离开车辆的预测结果；
图6为本发明对活跃车辆的仿真结果；
图7为本发明对车辆总数的仿真结果；
图8为本发明对车辆周转率。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为本发明停车系统微观仿真的流程图，如图1所示，本实施例的方法可以包括：
步骤1：基于停车系统内实时动态需求和复杂多智能体信息交互过程，考虑人车交互行为及停车系统出入口排队等待过程，搭建停车系统动态仿真模型框架，明确仿真框架各部分功能作用、信息传递过程与仿真实现方法；
步骤2：考虑停车系统内部实际运营过程中多智能体动态信息交互的影响，建立基于停车系统运行效率和行车安全的仿真效果评价体系，实现贴合实际的高效仿真系统；
步骤3：融合深度学习、Logit回归、逻辑编程等多种数据挖掘与仿真方法，考虑仿真过程中车辆死锁、驾驶员停车行为决策、行人动态决策等实际问题的仿真模块，实现基于系统集成的仿真开发，完成车辆、行人、出入口排队等多过程停车系统仿真；
步骤4：采集实际停车系统数据并自动校准模型参数，通过带假设的时间序列分析进行停车需求预测，建立基于上述仿真模型的停车系统仿真软件结构体系，实现历史数据存储与人机信息交互，实现可视化的停车系统多智能体仿真过程，提供手动实验功能并实现多场景实地仿真测试。
图2为步骤1中所述的仿真框架内各功能模块，如图2所示，功能模块具体包括：
(1)模块1：多智能体仿真模块
基于Agent-Based Simulation(ABS)仿真模型，将停车系统内各个主体建模为具有多个过程目标和中间目标的智能体。所述的智能体为停车系统内具有维度的交互物理对象，主要包括两类：主体，具有主动行为的可移动智能体；位置，只具有被动行为的不可移动智能体。
(2)模块2：随机性仿真模块
考虑随机性对于全过程微观仿真的重要意义，在停车系统微观仿真过程中基于参数分布和非参数分布两种方法产生随机变量，其中参数分布基于对数据的强假设，使用固定数量的参数来构建模型并采用Logistic回归检验进行参数分布均值的验证；非参数分布采用无模型的数据驱动方法识别随机变量分布特性。同时采用端到端的机械校准方法和基于假设分布的抽样方法，完成系统随机性变量的生成和标定。
(3)模块3：系统动力学仿真模块
根据停车系统仿真过程中各智能体运动状态和交互状态，可将停车系统动态过程抽象为以下几种情况：1)系统爆炸状态：车辆到达速度远高于离开速度，无法实现每个车辆的有效服务，同时由于车辆进出的排队需求激增，在此状态下无法实现有效量化指标评价；2)串联与并联：在停车系统中串联与并联服务同时存在；3)死锁状态：在并联服务过程中；4)系统动态：贴合实际停车系统内的随机性，保证仿真系统中各智能体行为的动态可变性；5)缓冲区域：为停车系统内双车道提供对向车流的错车的缓冲区域；6)聚合行为：如行人步行到车上的过程可以抽象为两个智能体聚合的过程；7)预热过程：仿真需经过预热准备阶段用以储存停车系统内各智能体状态数据。
(4)模块4：流程仿真模块
综合考虑行人与车辆的交互行为及出入口车辆排队行为，基于离散时间停车仿真模型完成系统内智能体决策行为与信息交互行为的描述与建模，包括到达与离开行为、行人行为、车辆行为三个阶段。
(5)模块5：规则仿真模块
为应对仿真过程中可能出现的车辆死锁问题，基于各智能体行为选择及交通动态制定具体规则，建立一阶逻辑规则停车系统仿真模型。
进一步地，所述的步骤2中的停车系统效果评价体系中的效率评价具体包括：
(1)平均车辆搜索时间，即车辆从进入停车系统到在停车位中停车的时间：
Figure BDA0003302400570000091
式中，AvgVehArr为平均车辆搜索时间，V为停车系统内所有车辆的集合，|V|为停车系统内所有车辆的数量，vehtoexitv为车辆v的搜索时间。
(2)平均行人离开时间，即行人从下车到行人出口的时间：
Figure BDA0003302400570000092
式中，AvgPedExt为平均行人离开时间，P为停车系统内所有行人的集合，vehtoexitp为行人p从车辆移动到行人出口的时间。
(3)每个时间间隔正在移动/已停车的车辆数：
NumMovVeht＝∑v∈VMovingvt (3)
NumParVeht＝∑v∈VParkedvt (4)
式中，NumMovVeht为t时间间隔正在移动的车辆数；NumParVeht为在t时间间隔已停车的车辆数；Movingvt为0-1变量，当车辆正在移动时取1，否则为0；Parkedvt为0-1变量，当车辆v在t时间间隔已停车时为1，否则为0。
(4)每个时间间隔正在移动的行人数：
NumWalPedt＝∑t∈T′numpedt (5)
式中，NumWalPedt为t时间间隔正在移动的行人数；T′为系统非静止状态的时间间隔集合；numpedt为t时间间隔系统内所有的行人数。
(5)每个停车位的利用率：
Figure BDA0003302400570000093
式中，Utis为停车位s的利用率；T为所有时间间隔的集合；occst为0-1变量，当其在t时间间隔正在被使用时取值为1，否则为0。
(6)每个停车位的周转率：
Figure BDA0003302400570000101
式中，Turnovers为停车位s的周转率；S为系统内所有停车位的集合；T′为系统非静止状态的时间间隔集合；numuses为停车位s被使用的总次数。
(7)每个过道的利用率：
Figure BDA0003302400570000102
式中，Utia为过道a的利用率；T为所有时间间隔的集合，occat为0-1变量，当t时间间隔过道a被使用时为1，否则为0。
(8)车辆对过道的利用率，用以描述车辆的路径：
Figure BDA0003302400570000103
式中，UtiVeha为过道a的车辆利用率；occbyvehat为0-1变量，当在t时间间隔a过道被车辆占用时为1，否则为0。
进一步地，所述的步骤2中的停车系统效果评价体系中的安全评价具体包括：
(1)行人-车辆交织时间：当车辆与行人在同一方向上平行移动时，由于过道下闸将产生潜在安全问题：
Figure BDA0003302400570000104
式中，A为停车系统内所有过道的集合，P为停车系统内所有行人的集合，AggPedWeaa为过道a处车辆与行人交织的时间，PedVehWeaapvt为t时间间隔内
车辆v与行人p在过道a处的交织时间。
(2)车辆-车辆交织时间：车辆在交汇和转向时与其他车辆产生的交织区域与交织时间为评价系统安全性的重要指标。
(3)车辆掉头盲区处的人车交织：车辆从停车位倒车离开时，会与视野盲区内的行人产生交织，为保证行人与车辆安全需探测潜在交织点及交织时间。
进一步地，所述的步骤3中的停车系统仿真集成开发具体包括以下步骤：
步骤3.1：从软件工程的角度出发，基于Software as a Service(SaaS)框架搭建具备GUI用户接口的停车系统仿真软件，提供实时更新、跨平台、用户友好的仿真测试服务；
步骤3.2：面向大型停车系统导致的仿真复杂和耗时，采用Java语言下的并行编程方法，提升系统处理能力和运行效率。借助AKKA(Actor模型)软件包，将步骤1中所述的仿真模型中各智能体抽象为不同类型的Actor；
步骤3.3：为实现随时间变化的动态需求预测，采用基于Keras/Tensorflow库的长短时记忆神经网络进行停车系统动态到达与离开需求预测和分布标定；采用能够匹配不同停车场规模、不同停车偏好、不同时间范围的停车位选择模型来描述车辆与行人的选择行为，同时选择Weka数据挖掘软件完成数据处理、相关变量标定及不同选择行为的分类；
步骤3.4：面向基于规则的停车系统状态转移和交通状态，借助Prolog逻辑编程器，借助逻辑求解机制处理传统仿真建模中无法解决的停车系统车辆死锁状态下的车辆运动路线。
进一步地，所述的步骤3.1中描述的Actor模型中的Actor具体包括：
(1)lotactor：停车系统内构成道路网络的主要节点；
(2)timeActor：统一停车系统仿真过程时间，同步系统内各智能体行为；
(3)entityActor：系统内各智能体及其交互关系原则；
(4)locationActor：系统内各智能体位置；
(5)souceActor：描述停车系统入口处车辆排队模型；
(6)sinkActor：描述停车系统出口处车辆排队模型；
(7)choiceActor：识别系统内停车位属性并做出决策。
步骤4中所述的仿真系统功能结构功能结构模块具体包括：
(1)键盘控制手动模拟功能：用户通过手动输入停车系统环境数据，借助物理引擎Box2D实现实际停车系统仿真，并显示车辆驾驶行为和轨迹预测；
(2)网络编辑功能：提供仿真模型的修改接口，例如加入或者移除固定设施，或者改变行人或车辆的类型、分布形态等；
(3)可视化功能：实现停车系统内各智能体轨迹、选择行为、潜在行为等运动状态的可视化，提供系统动态的直观描述；
(4)结果分析功能：通过储存的停车系统内历史数据，进行数据可视化，对于当前系统内的潜在问题分析和解决提供数据支撑。
实施例2
选定某停车场作为对象，建立如图3所示的具备网页端用户编辑功能的停车系统微观仿真平台。根据已有历史数据，采用时间序列分析方法进行短期内系统可变性的停车需求预测，如图4为停车系统内到达车辆的预测结果，图5为停车系统内离开车辆的预测结果，对停车系统运行关键要素进行解析，仿真结果如图6-图8所示。
有益效果：
1、本发明建立了一种由于时变需求产生的停车系统内各智能体时间与空间动态交互关系的描述方法，考虑车辆与行人的不同运动状态和相互影响关系，为停车系统的设计和运营提供基础；
2、本发明完成了考虑动态停车需求的停车系统仿真方法，通过数据收集和整理提取停车需求的时空分布和驾驶行为特征，并提供个性化手动模拟和网络编辑功能充分适用于复杂实际运营环境；
3、本发明建立了全面的停车系统全面的性能量化指标，能够实时掌握停车系统运行效率与可用容量，为停车系统的运行效率和安全性的评估提供可靠依据，为停车系统设计和运营的决策提供数据支撑。
4、本发明能够考虑动态的停车需求，通过历史数据的采集和分析识别停车需求分布特征和停车行为特征，在不同停车系统环境和规模下，实现系统内各智能体运动行为和相互影响过程的精准描述，并通过逻辑规则模型完成智能体运动轨迹和选择行为的仿真，借助可视化和结果分析功能提供直观的系统动态过程和潜在问题，为停车系统的设计和运营提供可靠数据支撑，提供基于动态停车需求的停车系统仿真方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种多智能体停车系统仿真系统，其特征在于，包括：多智能体仿真模块、随机性仿真模块、系统动力学仿真模块；
所述多智能体仿真模块用于通过建立多智能体模型，描述停车系统内部的固定设施的位置信息、车辆与行人之间的所属关系；其中，车辆与行人是具有主动行为的可移动智能体；固定设施是具有被动行为的不可移动智能体；
所述系统动力学仿真模块用于建立停车系统的不同运行场景，以及不同运行场景对应的各智能体运动过程的特征和时空分布情况，所述时空分布情况为：车辆在时间与空间上的运动特征，所述运动特征包括：车辆运动轨迹、平均速度、以及高峰时段停车需求数量；
所述随机性仿真模块用于生成停车系统内各智能体不同运动过程时空分布的随机变量，所述时空分布的随机变量为：在建立系统运动过程的时空分布函数时加入的随机变量；通过历史数据分析获得随机变量的概率分布。
2.根据权利要求1所述的一种多智能体停车系统仿真系统，其特征在于，还包括：流程仿真模块、规则仿真模块；
所述流程仿真模块用于描述在车辆进入到离开停车系统过程中车辆与车上乘客的运动过程；
所述规则仿真模块用于建立停车系统内智能体运动规则及运动状态转移的逻辑规则模型；
所述多智能体仿真模块和所述流程仿真及规则仿真模块连接，发送停车系统内的可移动智能体的运动空间和不可移动智能体内部的连接关系；
所述随机性仿真模块和所述流程仿真模块连接，发送智能体在不同运动过程中的时空分布随机变量；
所述系统动力学仿真模块和所述流程仿真模块连接，发送停车系统不同运行场景中的智能体的运动特征和时空分布特征；
所述流程仿真模块和所述规则仿真模块连接，发送从车辆进入停车系统到离开过程中车辆与车上乘客的运动过程。
3.根据权利要求1所述的一种多智能体停车系统仿真系统，其特征在于，还包括：键盘控制手动模拟模块、网络编辑模块、可视化模块、结果分析模块；
所述键盘控制手动模拟模块用于为用户输入停车系统基础环境数据；
所述网络编辑模块用于提供仿真模型的修改接口；
所述可视化模块用于实现停车系统内各智能体运动轨迹和选择行为的可视化；
所述结果分析模块用于通过仿真过程中储存的停车系统历史数据进行统计和评价分析。
所述键盘控制手动模拟模块和可视化模块连接，发送停车系统物理环境信息、车辆构成信息、行人构成信息的数据；
所述网络编辑模块和可视化模块连接，发送根据不同停车系统环境调整仿真模型规则和不同规则优先级的修改信息；
所述可视化模块和结果分析模块连接，发送停车系统各智能体的运动轨迹。
4.根据权利要求1中所述的一种多智能体停车系统仿真系统及其构建方法，其特征在于，所述多智能体仿真模块，包括：lotactor模块、timeActor模块、entityActor模块、locationActor模块、souceActor模块、sinkActor模块、choiceActor模块；
所述lotactor模块用于确定停车系统内节点位置并建立内部道路网络，所述节点位置根据实地考察、设计需求设定；
所述timeActor模块用于统一停车系统内各智能体的仿真时间，同步系统内各智能体运动过程；
所述entityActor模块用于建立系统内各智能体运动规则及其交互关系规则；
所述locationActor模块用于描述当前仿真时间系统内各智能体所在的位置；
所述souceActor模块用于建立停车系统入口处车辆排队模型；
所述sinkActor模块用于建立停车系统出口处车辆排队模型；
所述choiceActor模块用于识别停车系统内各停车位当前属性并为车辆目标停车位或目的地做出决策；
所述lotactor模块和entityActor模块以及choiceActor模块连接，发送停车系统道路网络结构和固定设施所在位置；
所述timeActor模块和模块entityActor连接，发送当前的仿真时间信息；
所述entityActor模块和souceActor模块、sinkActor模块、以及choiceActor连接，发送停车系统内智能体在出入口排队和选择停车位时的运动规则；
所述locationActor模块和souceActor模块、sinkActor模块、choiceActor连接，发送各智能体所在位置的信息。
5.基于权利要求1至权利要求4中任意一项中所述的一种多智能体停车系统仿真系统的构建方法，其特征在于，包括：
步骤1、搭建停车系统动态仿真模型框架，由多智能体仿真模块建立系统内的固定停车设施模型、车辆模型和行人模型，用随机性仿真模块和系统动力学模块描述停车系统内不同运行场景下运动过程的时空分布特征和随机变量，用流程仿真和规则仿真模块建立多智能体的运动过程和运动规则；
步骤2、基于步骤1中所述的随机性仿真模块和系统动力学仿真模块中智能体运动过程的时空分布特征和随机变量，建立停车系统运行效率和行车安全的仿真效果评价体系；
步骤3、基于步骤1中所述的系统动力学仿真模块、流程仿真模块及规则仿真模块，根据车辆运动、行人运动、出入口排队、人车交互以及和不可移动智能体的交互的情况，建立停车系统内多智能体运动行为及交互行为的过程仿真模型；
步骤4、通过假设的时间序列分析方法，进行动态停车需求预测，基于深度学习数据挖掘方法，采集停车系统数据并基于多元线性回归方法自动校准步骤3中所述的仿真模型参数；
步骤5、建立具有人机交互功能和数据分析功能的停车仿真系统。
6.根据权利要求5所述的一种多智能体停车系统仿真系统的构建方法，其特征在于，所述的步骤2中的停车系统效果评价体系中的效率评价具体包括下述参数：
(1)、计算平均车辆搜索时间，即车辆从进入停车系统到在停车位中停车的时间：
Figure FDA0003302400560000031
其中，AvgVehArr为平均车辆搜索时间，V为停车系统内所有车辆的集合，|V|为停车系统内所有车辆的数量，vehtoexitv为车辆v搜索停车位的时间，通过统计车辆运动轨迹获得；
(2)、计算平均行人离开时间，即行人从下车到行人出口的时间：
Figure FDA0003302400560000041
其中，AvgPedExt为平均行人离开时间，通过统计行人运动轨迹获得；P为停车系统内所有行人的集合，vehtoexitp为行人p从车辆移动到行人出口的时间。
(3)、计算每个时间间隔正在移动的车辆数：
NumMovVeht＝∑v∈VMovingvt (3)
计算每个时间间隔已停车的车辆数：
NumMovVeht＝∑v∈VParkedvt (4)
其中，NumMovVeht为t时间间隔正在移动的车辆数；NumParVeht为在t时间间隔已停车的车辆数；Movingvt为0-1变量，当车辆正在移动时取1，否则为0；Parkedvt为0-1变量，当车辆v在t时间间隔已停车时为1，否则为0，通过统计t时间间隔停车系统内车辆运动状态获得；
(4)、计算每个时间间隔正在移动的行人数：
NumWalPedt＝∑t∈T′numpedt (5)
其中，NumWalPedt为t时间间隔正在移动的行人数；T′为系统非静止状态的时间间隔集合；numpedt为t时间间隔系统内所有的行人数，通过统计t时间间隔停车系统内所有行人的运动轨迹获得；
(5)、计算每个停车位的利用率：
Figure FDA0003302400560000042
其中，Utis为停车位s的利用率；T为所有时间间隔的集合；occst为0-1变量，当其在t时间间隔正在被使用时取值为1，否则为0，通过统计t时间间隔停车系统内所有停车位使用情况获得；
(6)、计算每个停车位的周转率：
Figure FDA0003302400560000043
其中，Turnovers为停车位s的周转率；S为系统内所有停车位的集合；T′为系统非静止状态的时间间隔集合；numuses为停车位s被使用的总次数，通过统计t时间间隔停车系统内所有停车位使用情况获；
(7)、计算每个过道的利用率：
Figure FDA0003302400560000051
其中，Utia为过道a的利用率；T为所有时间间隔的集合，occat为0-1变量，当t时间间隔过道a被使用时为1，否则为0，通过统计t时间间隔停车系统内所有过道使用情况获得；
(8)、计算车辆对过道的利用率，用以描述车辆的路径：
Figure FDA0003302400560000052
其中，UtiVeha为过道a的车辆利用率；occbycehat为0-1变量，当在t时间间隔a过道被车辆占用时为1，否则为0，通过统计t时间间隔车辆运动轨迹中车辆位置与过道位置对应关系获得。
7.根据权利要求5所述的一种多智能体停车系统仿真系统的构建方法，其特征在于，所述的步骤2中的停车系统效果评价体系中的安全评价，包括：行人-车辆交织时间、车辆-车辆交织时间、车辆掉头盲区处的人车交织时间；所述行人-车辆交织时间为：
Figure FDA0003302400560000053
其中，A为停车系统内所有过道的集合，P为停车系统内所有行人的集合，AggPedWeaa为过道a处车辆与行人交织的时间，PedVehWeaapvt为t时间间隔内车辆v与行人p在过道a处的交织时间，通过统计t时间间隔车辆运动轨迹与行人运动轨迹的交织情况获得；
所述车辆-车辆交织时间为：车辆在交汇和转向时与其他车辆产生的交织区域与交织时间；
所述车辆掉头盲区处的人车交织时间为：车辆从停车位倒车离开时，与视野盲区内的行人产生交织的交织点及交织时间。
8.根据权利要求1所述的一种多智能体停车系统仿真系统及其构建方法，其特征在于，所述的步骤4中的动态停车需求预测包括：
步骤41、建立多智能体模型，用于描述智能体的运动状态、运动行为、通讯队列；并在多智能体模型中嵌入具有目的地选择模型，来确定车辆与行人的选择行为；
步骤42、通过对已知的时间间隔内从入口进入停车系统的车辆进行计数，读取停车需求数量；并根据时间序列分析对其下一时间间隔内停车需求数量进行预测；
步骤43、基于已知时间间隔内的停车需求数量和停车需求预测数量进行停车需求分布标定，获得高峰时段和非高峰时段的停车需求分布函数。
CN202111194208.8A 2021-10-13 2021-10-13 一种多智能体停车系统仿真系统及其构建方法 Pending CN113935109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194208.8A CN113935109A (zh) 2021-10-13 2021-10-13 一种多智能体停车系统仿真系统及其构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194208.8A CN113935109A (zh) 2021-10-13 2021-10-13 一种多智能体停车系统仿真系统及其构建方法

Publications (1)

Publication Number Publication Date
CN113935109A true CN113935109A (zh) 2022-01-14

Family

ID=79278943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194208.8A Pending CN113935109A (zh) 2021-10-13 2021-10-13 一种多智能体停车系统仿真系统及其构建方法

Country Status (1)

Country Link
CN (1) CN113935109A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170019A (zh) * 2022-06-20 2022-10-11 深圳大学 基于物流建模和物联网的自动化立体车库仿真评价系统
CN115359568A (zh) * 2022-08-24 2022-11-18 深圳职业技术学院 行人智能体运动与应急疏散的仿真方法及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208180A (zh) * 2013-03-26 2013-07-17 河海大学常州校区 基于多智能体交互技术的智能交通调度系统及方法
CN109472522A (zh) * 2019-01-13 2019-03-15 大连理工大学 生态型客货滚装码头系统多智能体微观仿真建模方法
US20200090074A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. System and method for multi-agent reinforcement learning in a multi-agent environment
CN111915923A (zh) * 2020-07-14 2020-11-10 宝胜系统集成科技股份有限公司 一种多模态高密度的智能停车场系统及存取车方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208180A (zh) * 2013-03-26 2013-07-17 河海大学常州校区 基于多智能体交互技术的智能交通调度系统及方法
US20200090074A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. System and method for multi-agent reinforcement learning in a multi-agent environment
CN109472522A (zh) * 2019-01-13 2019-03-15 大连理工大学 生态型客货滚装码头系统多智能体微观仿真建模方法
CN111915923A (zh) * 2020-07-14 2020-11-10 宝胜系统集成科技股份有限公司 一种多模态高密度的智能停车场系统及存取车方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUN YUAN: ""A Microscopic Simulation Laboratory for Evaluation of Off-street Parking Systems"", 《UNIVERSITY OF WISCONSIN MILWAUKEE UWM DIGITAL COMMONS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170019A (zh) * 2022-06-20 2022-10-11 深圳大学 基于物流建模和物联网的自动化立体车库仿真评价系统
CN115170019B (zh) * 2022-06-20 2023-04-04 深圳大学 基于物流建模和物联网的自动化立体车库仿真评价系统
CN115359568A (zh) * 2022-08-24 2022-11-18 深圳职业技术学院 行人智能体运动与应急疏散的仿真方法及计算机设备
CN115359568B (zh) * 2022-08-24 2023-06-02 深圳职业技术学院 行人智能体运动与应急疏散的仿真方法及计算机设备

Similar Documents

Publication Publication Date Title
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
Guo et al. Urban traffic signal control with connected and automated vehicles: A survey
Wei et al. Autonomous driving strategies at intersections: Scenarios, state-of-the-art, and future outlooks
CN113935109A (zh) 一种多智能体停车系统仿真系统及其构建方法
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
Wang et al. An effective dynamic spatiotemporal framework with external features information for traffic prediction
Louati et al. Multi-agent deep neural networks coupled with LQF-MWM algorithm for traffic control and emergency vehicles guidance
Miletić et al. A review of reinforcement learning applications in adaptive traffic signal control
CN112766597A (zh) 公交客流预测方法及系统
Xing et al. A data fusion powered bi-directional long short term memory model for predicting multi-lane short term traffic flow
Utku et al. Multi-layer perceptron based transfer passenger flow prediction in Istanbul transportation system
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN113362637A (zh) 一种区域性多场点空余停车位预测方法及系统
Panovski et al. Long and short-term bus arrival time prediction with traffic density matrix
Rasouli Pedestrian simulation: A review
Xiao et al. Parking prediction in smart cities: A survey
CN115269758A (zh) 面向乘客诱导的路网客流状态推演方法及系统
Hua et al. Modeling and simulation of approaching behaviors to signalized intersections based on risk quantification
Jácome et al. A survey on intelligent traffic lights
Chen et al. Pedestrian behavior prediction based on motion patterns for vehicle-to-pedestrian collision avoidance
Liao et al. Modeling passenger behavior in nonpayment areas at rail transit stations
Xing et al. GRU‐CNN Neural Network Method for Regional Traffic Congestion Prediction Serving Traffic Diversion Demand
Kareem et al. Integrated tripartite modules for intelligent traffic light system
Sutarto et al. Developing a stochastic model of queue length at a signalized intersection

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220114