CN114038198B - 一种考虑用户疏散行为的交通风险防控决策方法及系统 - Google Patents

一种考虑用户疏散行为的交通风险防控决策方法及系统 Download PDF

Info

Publication number
CN114038198B
CN114038198B CN202111419656.3A CN202111419656A CN114038198B CN 114038198 B CN114038198 B CN 114038198B CN 202111419656 A CN202111419656 A CN 202111419656A CN 114038198 B CN114038198 B CN 114038198B
Authority
CN
China
Prior art keywords
traffic
game
network model
strategy
system network
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
CN202111419656.3A
Other languages
English (en)
Other versions
CN114038198A (zh
Inventor
李大庆
孙志远
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202111419656.3A priority Critical patent/CN114038198B/zh
Publication of CN114038198A publication Critical patent/CN114038198A/zh
Application granted granted Critical
Publication of CN114038198B publication Critical patent/CN114038198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种考虑用户疏散行为的交通风险防控决策方法及系统，方法包括：获取目标区域内的交通地图信息；根据所述交通地图信息构建交通系统网络模型；对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；根据所述博弈纳什均衡策略确定所述交通管理者的防控策略。本发明能够实现适应实际复杂环境并降低交通防控决策的时间成本。

Description

一种考虑用户疏散行为的交通风险防控决策方法及系统
技术领域
本发明涉及交通决策领域，特别是涉及一种考虑用户疏散行为的交通风险防控决策方法及系统。
背景技术
近年来，随着城市化进程的不断加深，城市交通系统作为城市的大“动脉”，承受着越来越沉重的城市运转压力。与此同时，交通系统的规模不断增大，复杂性不断提升，随之而来的，是具有更大不确定性的影响交通系统正常运行的各类风险，例如极端天气、交通事故、恐怖袭击等。这些风险事件往往单独发生的概率极低，但产生的危害极大，即所谓的“黑天鹅”事件。对于交通管理者来说，如果不提前部署相应的风险防控措施，将难以应对各类未知风险事件的发生，造成难以预测的损失。因此，作为城市功能运转核心的交通系统，提高其风险防控决策的能力具有紧迫而重大的现实意义。
现有的针对交通风险进行防控决策的方法有交通仿真方法，该类方法能够模拟特定场景下的交通风险事件，且具有直观性。但是一般的交通仿真模型或不同粒度的交通仿真工具难以针对各类交通风险进行预测模拟，仅能针对较为简单的场景，且能建模的交通规模非常有限，建模过程耗时且成本较高。另外，基于数据挖掘的决策方法依赖大量的历史数据，这类风险事故的数据往往难以采集和获取，在实际决策中的有效利用率很低。
在交通系统面对发生各类风险事件时，作为防控决策主体的交通管理者，其本质上就是与对交通系统发起“攻击”的对手进行相互博弈的过程。博弈论(Game Theory)作为一种决策分析工具，可以对具有合作或竞争等交互关系的决策主体进行建模与分析，被广泛应用于各个领域。但在已有的基于博弈的决策模型中，较少考虑交通中的攻防背景或未考虑在攻防过程中交通用户的疏散行为。用户疏散行为是实际交通系统面临风险事件时难以忽视的因素，并对防控决策的效果产生直接影响。
因此，需要一种考虑用户疏散行为的交通防控决策方法。
发明内容
本发明的目的是提供一种考虑用户疏散行为的交通风险防控决策方法及系统，以实现适应实际复杂环境并降低交通防控决策的时间成本。
为实现上述目的，本发明提供了如下方案：
一种考虑用户疏散行为的交通风险防控决策方法，包括：
获取目标区域内的交通地图信息；
根据所述交通地图信息构建交通系统网络模型；
对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；
根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈；
利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；
根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；
根据所述博弈纳什均衡策略确定所述交通管理者的防控策略。
可选地，所述根据所述交通地图信息构建交通系统网络模型，具体包括：
根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；
将所述点集和所述边集进行连接，得到交通系统网络模型。
可选地，所述对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型，具体包括：
根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；
根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；
根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
可选地，所述利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵，具体包括：
所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；
根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；
根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；
根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；
根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵。
可选地，所述根据所述博弈纳什均衡策略确定所述交通管理者的防控策略，具体包括：
分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；
根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
一种考虑用户疏散行为的交通风险防控决策系统，包括：
获取模块，用于获取目标区域内的交通地图信息；
交通系统网络模型构建模块，用于根据所述交通地图信息构建交通系统网络模型；
流量分配初始化模块，用于对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；
双层博弈模型构建模块，用于根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈；
交通攻防博弈模块，用于利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；
博弈纳什均衡策略确定模块，用于根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；
交通管理者的防控策略确定模块，用于根据所述博弈纳什均衡策略确定所述交通管理者的防控策略。
可选地，所述交通系统网络模型构建模块，具体包括：
边集和点集确定单元，用于根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；
连接单元，用于将所述点集和所述边集进行连接，得到交通系统网络模型。
可选地，所述流量分配初始化模块，具体包括：
流量分配单元，用于根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；
平均行驶通过时间确定单元，用于根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；
加权单元，用于根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
可选地，所述交通攻防博弈模块，具体包括：
同时博弈单元，用于所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；
有效攻击道路确定单元，用于根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；
更新单元，用于根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；
交通破坏者收益、交通管理者收益和交通用户收益确定单元，用于根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；
构建单元，用于根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵。
可选地，所述交通管理者的防控策略确定模块，具体包括：
破坏系数和疏散系数改变单元，分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；
交通管理者的防控策略确定单元，用于根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的考虑用户疏散行为的交通风险防控决策方法及系统，获取目标区域内的交通地图信息；根据交通地图信息构建交通系统网络模型；对交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；根据城市交通系统网络模型利用博弈方法构建双层博弈模型；利用双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；根据博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；根据博弈纳什均衡策略确定交通管理者的防控策略。直接通过交通地图信息构建交通系统网络模型的方法省去了对于区域道路微观建模的成本和时间，考虑在风险场景下的用户疏散行为，从交通管理者、交通破坏者和交通用户共同影响交通风险防控决策的多方视角进行建模，计算结果更适合实际复杂场景。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明提供的考虑用户疏散行为的交通风险防控决策方法流程图；
图2为本发明提供的考虑用户疏散行为的交通风险防控决策方法在实际应用中的流程示意图；
图3为本发明提供的考虑用户疏散行为的交通风险防控决策系统示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种考虑用户疏散行为的交通风险防控决策方法及系统，以实现适应实际复杂环境并降低交通防控决策的时间成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种考虑用户疏散行为的交通风险防控决策方法，包括：
步骤101：获取目标区域内的交通地图信息。
步骤102：根据所述交通地图信息构建交通系统网络模型。其中，步骤102，具体包括：根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；将所述点集和所述边集进行连接，得到交通系统网络模型。
步骤103：对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型。其中步骤103，具体包括：根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
步骤104：根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈。
步骤105：利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵。其中，步骤105，具体包括：所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵。
步骤106：根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略。
步骤107：根据所述博弈纳什均衡策略确定所述交通管理者的防控策略。步骤107，具体包括：分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
如图2所示，本发明还提供一种考虑用户疏散行为的交通风险防控决策方法在实际应用的工作流程，具体如下：
步骤1：构建交通系统网络模型，并进行初始化流量分配。
步骤2：构建双层博弈模型，并进行交通攻防同时博弈。
步骤3：计算用户参与博弈后的各方收益并构建博弈收益矩阵。
步骤4：求解博弈均衡策略，设计交通风险最优决策。
其中，步骤1，具体包括：
(1)构建交通系统网络模型：获取目标区域内的交通地图信息，根据地图信息建立交通系统网络拓扑模型。交通系统网络模型的构建方法为：首先，将目标区域内交通系统的道路视作边(edge)，将道路与道路之间的连接视作节点(node)，分别获得该交通系统内的边集E与点集V；进一步，根据地图信息中道路之间的拓扑连接关系，将连边与节点对应连接，建立交通系统网络模型G，有G＝(E,V)。
(2)初始化流量分配，并计算道路通行时间进行赋权：基于(1)中建立的交通系统网络模型，将目标区域内的交通需求流量根据交通网络的地理拓扑关系与道路长度进行流量分配。流量分配后获得各条道路的流量，根据交通领域常用的BPR函数计算各条道路的平均行驶通过时间，具体计算公式为：
Figure BDA0003376797530000081
式中，ti表示通过该道路的平均行驶通过时间，v0表示该道路行驶的自由流速度，Q表示通过该道路的流量，单位为pcu/h，C表示道路的通行能力，单位为pcu/h，α、β为设定参数。以上参数中Q由本步骤中流量分配结果确定，其他参数均由道路实际情况予以确定。
将计算得到的道路通行时间作为(1)构造得到的交通系统网络模型中所有连边的边权，即通行时间边权集T。建立具有通行时间赋权的城市交通系统网络模型，即G＝(V,E,T)。
其中，流量分配采用的方法为交通工程领域常用的流量分配方法，不同的经典流量分配方法在计算时间、计算精度存在差异，但对本发明的应用效果不产生显著影响，可根据实际算力选择不同的流量分配方法。
其中，步骤2具体容包括：
(1)构建双层博弈模型：在博弈模型中，通常包含三个要素：参与者、策略、收益。本发明提出的双层博弈模型分为上、下两层。上层博弈为交通管理者与虚拟的交通破坏者(分别为攻防博弈中的防护方和攻击方)同时采取策略的同时博弈，下层博弈为有用户参与的主从博弈，即用户根据上层博弈的决策状态采取行动。对于博弈参与者的策略，交通管理者有目标防护策略与随机防护策略。其中，目标防护策略指以一定评价标准选取特定范围内的道路采取防护措施，被采取防护措施的道路不会被破坏；随机防护策略指随机选取一定数量的道路采取防护措施，被采取防护措施的道路不会被破坏。交通破坏者有蓄意攻击策略与随机攻击策略。其中，蓄意攻击策略指以一定评价标准选取特定范围内的道路进行攻击，若被攻击的道路未被交通管理者采取防护措施，则道路被破坏；随机攻击策略指随机选取一定数量的道路进行攻击，若被攻击的道路未被交通管理者采取防护措施，则道路被破坏。交通用户的策略为疏散、不疏散。其中，疏散指的是交通网络中的交通流量下降到初始流量的ε倍(ε为0到1之间的常数)，并在当前路网中进行重新的流量分配；不疏散指的是交通网络中的交通流量不变，并在当前路网中进行重新的流量分配。对于参与方的收益，交通破坏者的收益为用户疏散后交通网络的畅通损失；由于上层博弈属于零和博弈，交通管理者的收益为交通破坏者收益的相反数；交通用户的收益为道路平均通行时间的变化比例。
其中，一定评价标准指的是通过计算交通网络中道路的某项特征指标，并依此对道路进行评价和排序。道路被破坏指的是道路的通行能力由于破坏产生一定程度的下降，即表示道路被攻击的后果。畅通损失指的是博弈决策后路网的畅通性水平下降的程度，具体计算公式在步骤3中给出。
(2)确定交通攻防双方策略：基于(1)中配置的双层博弈模型，首先进行上层攻防同时博弈，确定交通攻防双方策略。对于交通管理者与交通破坏者，分别有目标防护与蓄意攻击的策略，均根据一定标准选择特定范围内的道路作为目标。在本发明中，计算所有道路的边介数中心性，并依此将道路进行从大到小排序，选取前q％的道路分别作为目标防护和蓄意攻击采取防护和攻击的目标，分别得到防护者的目标防护道路集合
Figure BDA0003376797530000101
攻击者的蓄意攻击道路集合
Figure BDA0003376797530000102
对于交通管理者与交通破坏者，分别有随机防护与随机攻击的策略，均随机选取一定数量的道路作为目标，得到防护者的随机防护道路集合
Figure BDA0003376797530000103
攻击者的随机攻击道路集合
Figure BDA0003376797530000104
由此，可以将博弈攻防双方的策略组合为以下四种：
Figure BDA0003376797530000105
Figure BDA0003376797530000106
其中，边介数中心性指的是一种衡量道路在整个网络中关键程度的指标，计算方法为：对于每条边，计算网络中经过该条边的最短路径数量占所有最短路径数量的比例。
(3)更新攻防决策后的损失路网：首先，基于(2)中确定的交通攻防双方策略与四种策略组合，分别针对每一种策略组合，判定攻防决策后的有效攻击道路。有效攻击道路指该道路被攻击但未被采取防护措施。然后，针对有效攻击道路，将其通行能力C乘以一个破坏系数α(α为0到1之间的常数)，通过步骤1(2)中的BPR函数更新道路的平均行驶通过时间，作为道路的更新边权。由此，更新攻防决策后的损失路网。
其中，步骤3具体包括：
(1)计算用户采取不同措施后的交通路网状况：基于步骤2得到的交通攻防四种决策组合后的更新路网，对于每一种决策组合，均采取两种不同的用户疏散行为，对用户采取不同措施后的交通路网边权进行更新。用户疏散行为有两种，首先对于疏散策略，将交通网络中的整体交通流量乘以疏散系数ε(ε为0到1之间的常数)。将此总体交通流量根据攻防决策后的所有道路平均通行时间权重，在当前路网中进行重新的流量分配(流量分配方法与步骤2中的流量分配相同)。根据重新分配后的流量，根据BPR函数计算道路在疏散条件下的平均行驶通过时间，作为道路的更新边权，更新攻防决策后的损失路网。然后，对于不疏散策略，交通网络中的整体交通流量不变。将此总体交通流量根据攻防决策后的所有道路平均通行时间权重，在当前路网中进行重新的流量分配。根据重新分配后的流量，根据BPR函数计算道路在不疏散条件下的平均行驶通过时间，作为道路的更新边权，更新攻防决策后的损失路网。
(2)计算各方收益，构建博弈收益矩阵：基于(1)中得到的更新攻防决策后的损失路网，计算博弈参与方的收益。对于交通破坏者，其收益为交通网络的畅通损失。畅通损失ξ的计算公式为：
Figure BDA0003376797530000111
式中，Γ(G)表示原路网的最大连通子团规模，
Figure BDA0003376797530000112
表示更新攻防决策后损失路网的最大连通子团规模。
由于攻防同时博弈为零和博弈，交通管理者与交通破坏者的收益和为0。因此，交通管理者的收益为交通破坏者收益的相反数。
交通用户的收益为路网中道路平均通行时间的变化比例ψ，计算公式为：
Figure BDA0003376797530000113
式中，i——1,2,…,n；n为路网中的道路数量，ti表示原路网中道路的平均通行时间，ti'表示更新攻防决策后损失路网中道路的平均通行时间。
重复进行N次步骤2与步骤3，计算N次收益平均值，根据收益平均值构建博弈收益矩阵，收益矩阵如表1所示。
表1收益矩阵
Figure BDA0003376797530000121
Figure BDA0003376797530000122
(目标防护，蓄意攻击)策略选择下的交通管理者平均收益、交通破坏者平均收益，
Figure BDA0003376797530000123
以上攻防策略下，用户分别采取不疏散、疏散的平均收益；
Figure BDA0003376797530000124
(目标防护，随机攻击)策略选择下的交通管理者平均收益、交通破坏者平均收益，
Figure BDA0003376797530000125
以上攻防策略下，用户分别采取不疏散、疏散的平均收益；
Figure BDA0003376797530000126
(随机防护，蓄意攻击)策略选择下的交通管理者平均收益、交通破坏者平均收益，
Figure BDA0003376797530000127
以上攻防策略下，用户分别采取不疏散、疏散的平均收益；
Figure BDA0003376797530000128
(随机防护，随机攻击)策略选择下的交通管理者平均收益、交通破坏者平均收益，
Figure BDA0003376797530000129
以上攻防策略下，用户分别采取不疏散、疏散的平均收益。
其中，连通子团指的是在路网中存在一个道路集合，该集合中任意两条道路存在路径相互连通。最大连通子团指包含道路数量最多的连通子团。规模指包含的道路数量。计算交通网络中最大连通子团尺寸，可以用来衡量路网的运行的畅通水平。重复试验的目的是减小博弈模型中交通管理者与交通破坏者随机策略带来的不确定性，稳定博弈收益矩阵结果。
其中，步骤4具体包括：
(1)求解博弈均衡策略：基于上一步骤构建的博弈收益矩阵，利用博弈论求解方法计算博弈纳什均衡策略。在该均衡条件下，博弈参与方的任何一方改变其策略均不会获得比均衡状态下更大的收益。即在该均衡条件下，交通管理者采用的防护策略为在交通破坏者要求攻击收益最大与交通用户要求出行时间最短的情况下收益最大的防护策略，交通用户采取的疏散行为是在交通攻防收益最大情况下最佳的疏散策略。其中，根据博弈收益矩阵计算纳什均衡的方法为现有技术。
(2)设计交通风险最优决策：当给定一组破坏系数α与疏散系数ε，根据博弈收益矩阵计算得到的博弈均衡策略，由于博弈均衡条件下，没有任何参与方能够通过改变自己的策略得到更大的收益，因此对于交通管理者来说，考虑交通攻击者和交通用户的情况下，采取当前博弈均衡的防护策略为此时的推荐防护策略。当改变破坏系数α与疏散系数ε时，每一组系数的设置是一个决策环境，交通管理者根据环境(攻击强度、用户行为)和博弈均衡结果来决定自己的防护策略，该博弈模型的均衡结果为交通管理者采取何种交通防护策略，以及如何引导用户采取疏散行为提供决策的数学模型支持和决策依据。
如图3所示，本发明提供的一种考虑用户疏散行为的交通风险防控决策系统，包括：
获取模块301，用于获取目标区域内的交通地图信息。
交通系统网络模型构建模块302，用于根据所述交通地图信息构建交通系统网络模型。所述交通系统网络模型构建模块302，具体包括：边集和点集确定单元，用于根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；连接单元，用于将所述点集和所述边集进行连接，得到交通系统网络模型。
流量分配初始化模块303，用于对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型。所述流量分配初始化模块303，具体包括：流量分配单元，用于根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；平均行驶通过时间确定单元，用于根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；加权单元，用于根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
双层博弈模型构建模块304，用于根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈。
交通攻防博弈模块305，用于利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵。所述交通攻防博弈模块305，具体包括：同时博弈单元，用于所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；有效攻击道路确定单元，用于根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；更新单元，用于根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；交通破坏者收益、交通管理者收益和交通用户收益确定单元，用于根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；构建单元，用于根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵。
博弈纳什均衡策略确定模块306，用于根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略。
交通管理者的防控策略确定模块307，用于根据所述博弈纳什均衡策略确定所述交通管理者的防控策略。所述交通管理者的防控策略确定模块307，具体包括：破坏系数和疏散系数改变单元，分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；交通管理者的防控策略确定单元，用于根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
本发明构建考虑用户疏散行为的双层攻防博弈模型，旨在为交通系统的风险防控提供可用于决策的数学模型支持和依据，从而为智慧交通建设、韧性城市等内容提供支持。本发明的优势在于：
基于攻防博弈模型的方法对交通系统在不同风险场景中的攻防交互行为进行建模，体现风险防控的博弈核心，能够对各类风险场景的模拟和决策提供依据，具有普适性。且相较于已有的交通仿真模型，通过交通系统网络建模的方法省去了对于区域道路微观建模的成本和时间，通过蓄意或随机的攻防策略设置，降低了计算维度，具有分析速度快、时间短、成本低的优势。已有的交通风险决策中主要关注交通管理者如何保障道路通行能力保持正常水平，忽视复杂场景下的道路用户行为。本发明考虑在风险场景下的用户疏散行为，从交通管理者、虚拟的交通破坏者、交通用户等共同影响交通风险防控决策的多方视角进行建模，计算结果对实际复杂场景的更具参考性。
在本方法中构建有交通管理者、虚拟的交通破坏者以及交通用户共同参与的双层博弈模型，上层通过攻防双方同时博弈计算优化的攻防均衡策略，下层针对上层的博弈决策采取相应的用户疏散策略，与上层参与者共同构成主从博弈模型。贴近交通风险防控场景，从交通管理者、虚拟的交通破坏者、交通用户等共同影响交通风险防控决策的多方视角进行建模，能够对面对风险时的交通系统防控决策作出优化设计。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种考虑用户疏散行为的交通风险防控决策方法，其特征在于，包括：
获取目标区域内的交通地图信息；
根据所述交通地图信息构建交通系统网络模型；
对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；
根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈；
利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；
所述利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵，具体包括：
所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；
根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；
根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；
根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；
根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵；
根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；
根据所述博弈纳什均衡策略确定所述交通管理者的防控策略；
所述根据所述博弈纳什均衡策略确定所述交通管理者的防控策略，具体包括：
分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；
根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
2.根据权利要求1所述的考虑用户疏散行为的交通风险防控决策方法，其特征在于，所述根据所述交通地图信息构建交通系统网络模型，具体包括：
根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；
将所述点集和所述边集进行连接，得到交通系统网络模型。
3.根据权利要求1所述的考虑用户疏散行为的交通风险防控决策方法，其特征在于，所述对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型，具体包括：
根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；
根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；
根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
4.一种考虑用户疏散行为的交通风险防控决策系统，其特征在于，包括：
获取模块，用于获取目标区域内的交通地图信息；
交通系统网络模型构建模块，用于根据所述交通地图信息构建交通系统网络模型；
流量分配初始化模块，用于对所述交通系统网络模型进行初始化流量分配，得到具有通行时间赋值的城市交通系统网络模型；
双层博弈模型构建模块，用于根据所述城市交通系统网络模型利用博弈方法构建双层博弈模型；所述双层博弈模型的参与者为交通管理者、交通用户和交通破坏者；所述双层博弈模型包括上层博弈和下层博弈；所述上层博弈为所述交通管理者与所述交通破坏者同时采用策略进行的博弈；所述下层博弈为所述交通用户根据所述交通管理者的策略参与的主从博弈；
交通攻防博弈模块，用于利用所述双层博弈模型进行交通攻防博弈，得到博弈收益矩阵；
所述交通攻防博弈模块，具体包括：
同时博弈单元，用于所述交通管理者和所述交通破坏者利用所述上层博弈进行同时博弈，得到攻击方策略、防护方策略和攻防双方策略组合；
有效攻击道路确定单元，用于根据所述攻击方策略、所述防护方策略和所述攻防双方策略组合确定攻防决策后的有效攻击道路；
更新单元，用于根据破坏系数和所述有效攻击道路利用BPR函数对所述城市交通系统网络模型进行更新，得到更新后的城市交通系统网络模型；
交通破坏者收益、交通管理者收益和交通用户收益确定单元，用于根据疏散系数、所述更新后的城市交通系统网络模型和所述下层博弈，得到交通破坏者收益、交通管理者收益和交通用户收益；
构建单元，用于根据所述交通破坏者收益、所述交通管理者收益和所述交通用户收益构建博弈收益矩阵；
博弈纳什均衡策略确定模块，用于根据所述博弈收益矩阵利用博弈论求解法确定博弈纳什均衡策略；
交通管理者的防控策略确定模块，用于根据所述博弈纳什均衡策略确定所述交通管理者的防控策略；
所述交通管理者的防控策略确定模块，具体包括：
破坏系数和疏散系数改变单元，分别改变所述破坏系数和所述疏散系数，得到多个博弈纳什均衡策略；
交通管理者的防控策略确定单元，用于根据多个所述博弈纳什均衡策略确定所述交通管理者的防控策略。
5.根据权利要求4所述的考虑用户疏散行为的交通风险防控决策系统，其特征在于，所述交通系统网络模型构建模块，具体包括：
边集和点集确定单元，用于根据所述交通地图信息确定交通系统的边集和点集；所述边集为所述目标区域内交通系统的道路的集合；所述点集为所述目标区域内交通系统的道路之间连接关系的集合；
连接单元，用于将所述点集和所述边集进行连接，得到交通系统网络模型。
6.根据权利要求4所述的考虑用户疏散行为的交通风险防控决策系统，其特征在于，所述流量分配初始化模块，具体包括：
流量分配单元，用于根据所述交通系统网络模型按照所述目标区域内的交通需求流量进行流量分配，得到每条道路的流量；
平均行驶通过时间确定单元，用于根据每条所述道路的流量利用BPR函数确定每条道路的平均行驶通过时间；
加权单元，用于根据所述平均行驶通过时间对所述交通系统网络模型进行加权，得到具有通行时间赋值的城市交通系统网络模型。
CN202111419656.3A 2021-11-26 2021-11-26 一种考虑用户疏散行为的交通风险防控决策方法及系统 Active CN114038198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111419656.3A CN114038198B (zh) 2021-11-26 2021-11-26 一种考虑用户疏散行为的交通风险防控决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111419656.3A CN114038198B (zh) 2021-11-26 2021-11-26 一种考虑用户疏散行为的交通风险防控决策方法及系统

Publications (2)

Publication Number Publication Date
CN114038198A CN114038198A (zh) 2022-02-11
CN114038198B true CN114038198B (zh) 2022-09-02

Family

ID=80138830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111419656.3A Active CN114038198B (zh) 2021-11-26 2021-11-26 一种考虑用户疏散行为的交通风险防控决策方法及系统

Country Status (1)

Country Link
CN (1) CN114038198B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107706921B (zh) * 2017-10-20 2020-02-18 山东建筑大学 基于纳什博弈的微电网电压调节方法和装置
CN109214568A (zh) * 2018-09-03 2019-01-15 四川大学 基于斯坦伯格-纳什-古诺均衡的水资源优化分配方法
CN110210744B (zh) * 2019-05-24 2022-02-11 河海大学 一种基于两阶段非对称纳什-主从博弈模型的跨区域水资源分配方法
CN110599003B (zh) * 2019-08-22 2022-03-04 武汉大学 一种基于完全信息动态非合作主从博弈的蓄滞洪区分洪量分配方法
CN112437501B (zh) * 2020-10-19 2022-11-18 江苏大学 一种基于交通语义和博弈论的多传感器超视距自组网方法
CN112598224A (zh) * 2020-12-04 2021-04-02 国网辽宁省电力有限公司经济技术研究院 一种园区综合能源系统群与电网的互动博弈调度方法
CN112487560B (zh) * 2020-12-11 2022-08-19 国网江苏省电力有限公司南通供电分公司 基于ev车主意愿的电力交通耦合系统协调博弈调度方法
CN112819300B (zh) * 2021-01-21 2024-04-30 南京邮电大学 网络攻击下基于随机博弈网的配电网风险评估方法
CN112907274A (zh) * 2021-01-21 2021-06-04 长沙理工大学 一种基于Stackelberg双层博弈模型的园区综合能源交易价量确定方法

Also Published As

Publication number Publication date
CN114038198A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
US7537523B2 (en) Dynamic player groups for interest management in multi-character virtual environments
CN111966698A (zh) 一种基于区块链的可信联邦学习方法、系统、装置及介质
Banks et al. Adversarial risk analysis
CN110119773B (zh) 战略博弈系统的全局态势评估方法、系统和装置
CN107566387B (zh) 基于攻防演化博弈分析的网络防御行动决策方法
CN112329348A (zh) 一种面向非完全信息条件下军事对抗博弈的智能决策方法
CN108463273A (zh) 基于游戏者的移动历史来进行非游戏者角色的路径寻找的游戏系统等
CN109361534A (zh) 一种网络安全模拟系统
CN112819300A (zh) 网络攻击下基于随机博弈网的配电网风险评估方法
CN108764453B (zh) 面向多智能体同步博弈的建模方法及动作预测系统
CN110099045B (zh) 基于定性微分博弈和演化博弈的网络安全威胁预警方法及装置
CN108696534B (zh) 实时网络安全威胁预警分析方法及其装置
CN106469317A (zh) 一种基于非完备信息博弈中进行对手建模的方法
CN108182536B (zh) 一种基于有限理性的配电网cps安全防御方法
CN105894372A (zh) 预测群体信用的方法和装置
CN112580217A (zh) 基于复杂网络的通信体系结构参数化建模方法
CN111437603A (zh) 一种电子游戏的地图的生成方法和系统
CN112865085B (zh) 一种用于电力信息物理系统的攻击模拟方法及系统
CN114492749A (zh) 面向限时红蓝对抗问题动作空间解耦的博弈决策方法
US8425324B2 (en) Balancing tool
CN114038198B (zh) 一种考虑用户疏散行为的交通风险防控决策方法及系统
CN114666107B (zh) 移动雾计算中一种高级持续性威胁防御方法
CN115983389A (zh) 一种基于强化学习的攻防博弈决策方法
CN110401650A (zh) 一种博弈攻防图的网络安全决策方法、装置及存储介质
Koutiva et al. An Agent-Based Modelling approach to assess risk in Cyber-Physical Systems (CPS)

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