CN114444922A - 一种群体智能控制下的混合交通效能评估方法 - Google Patents

Abstract

本发明提供了一种群体智能控制下的混合交通效能评估方法。该方法包括：利用BP神经网络路网生成的路网结构来构建实际场景，根据模糊数学的隶属度理论构建一级模糊评价模型，该模型融合动态车辆数据与静态路段参数，将车路群体交通状态的评价指标的定性评价信息转化为定量评价信息；基于综合权衡评价指标影响的算子对、图神经网络和变隶属度函数构建二级模糊评价模型，该模型将与群体智能控制决策有关的因素分解成多个层次多个节点，确立各个评价指标的定量评价信息的权重，得到群体智能控制下所述实际场景中的混合交通效能的动态评估结果。本发明方法可以得到群体智能控制下的混合交通实时路段状态评分，从而更好对交通系统进行诱导与管控。

Description

一种群体智能控制下的混合交通效能评估方法

技术领域

本发明涉及交通信息管理技术领域，尤其涉及一种群体智能控制下的混合交通效能评估方法。

背景技术

智能车路协同是当今国际智能交通领域的前沿技术和必然发展趋势，是提高效率、优化能耗、降低排放的有效手段，将从根本上改变传统道路交通的发展模式，构建新一代智能交通系统。车路协同综合利用运用了先进的电子科学、信号通信、计算机图形学、优化控制等技术，充分发掘道路交通的潜力，改进复杂交通流环境下道路信息多元化提取方式，在多交通主体内部、主体和路侧设施之间进行实时的信息交互，实现智能决策，以有效规避车辆碰撞，缓解道路拥堵，提高交通效率。由于多智能等级自动驾驶车辆的融入和智能路侧设备的升级改造，车路协同系统已发展为群体智能控制下的混合交通车路协同系统，有关于混合交通场景下车路协同系统的效能指标体系研究较少，尤其对于异构交通混合运行特点的挖掘较少，因此研究混合交通场景下异构交通主体群体运行特点，并制定相关评估指标，仍有很大的挖掘空间。

对于在混合交通场景下进行车路协同效能指标体系构建，分析不同时空特性下混合交通场景特点，解析混合交通流特点，提取不同场景下有特点有针对性的评价指标，对混合交通场景下车路协同系统的功能和性能进行评价，形成车路综合评估指标体系，从而进行提高评估结果准确度，在异构交通环境下对车路协同系统进行效能评估，为后续系统进行提高系统效能提出合理对策，为系统构建做出实际指导。

发明内容

本发明的实施例提供了一种群体智能控制下的混合交通效能评估方法，以实现混合交通场景下车路协同效能动态评估。

为了实现上述目的，本发明采取了如下技术方案。

一种群体智能控制下的混合交通效能评估方法，包括：

利用BP神经网络路网生成的路网结构来构建实际场景，形成与路网结构的实际场景有关的混合交通效能的评价指标体系，获取所述实际场景中的静态路段数据和动态车辆数据；

根据模糊数学的隶属度理论构建一级模糊评价模型，将所述静态路段数据和动态车辆数据输入到所述一级模糊评价模型，所述一级模糊交通效能评价模型融合所述动态车辆数据与静态路段参数，将车路群体交通状态的评价指标的定性评价信息转化为定量评价信息；

基于综合权衡评价指标影响的算子对、图神经网络和变隶属度函数构建二级模糊评价模型，将所述评价指标的定量评价信息输入到所述二级模糊评价模型；所述二级模糊评价模型将与群体智能控制决策有关的因素分解成多个层次多个节点，根据层次分析法确立各个评价指标的定量评价信息的权重，得到群体智能控制下所述实际场景中的混合交通效能的动态评估结果。

优选地，所述的利用BP神经网络路网生成的路网结构来构建实际场景，形成与路网结构的实际场景有关的混合交通效能的评价指标体系，包括：

以混合交通复杂场景下路网的节点及其连接关系为基础，利用BP神经网络对多种路网中的节点、路段、道路连接方式元素进行自适应组合，生成所需的混合交通场景路网结构，将路网结构按照单交叉口、多交叉口、匝道等节点和相邻道路性质划分为不同的道路段，构建实际场景；

通过BP神经网络评估指标在路网结构的实际场景下的特点，构建路网结构的实际场景和大规模效能指标的联系，以形成与路网结构的实际场景有关的混合交通效能的评价指标体系。

优选地，所述的一级模糊交通效能评价模型融合所述动态车辆数据与静态路段参数，将车路群体交通状态的评价指标的定性评价信息转化为评价指标的定量评价信息，包括：

所述的一级模糊交通效能评价模型根据路网结构和场景复杂度参数获取客观存在的车路群体交通状态的评价指标的定性评价信息，将所述评价指标的定性评价信息与所述静态路段数据和动态车辆数据相结合，经过细化、量化、综合处理之后转换为车路群体交通状态的一级模糊综合效能评价指标，使用层次分析法将所述一级模糊综合效能评价指标分解成多个层次，确定各个一级模糊综合效能评价指标标的权重，进行定性定量分析，得到车路群体交通状态的各个评价指标的定量评价信息。

优选地，所述的二级模糊评价模型将与群体智能控制决策有关的因素分解成多个层次多个节点，根据层次分析法确立各个评价指标的定量评价信息的权重，得到群体智能控制下所述实际场景中的混合交通效能的动态评估结果，包括：

所述二级模糊评价模型以路网结构中的节点划分道路段，所述节点包括交叉口和匝道，将与群体智能控制决策有关的因素分解成多个层次多个节点，不同节点下的评价指标和不同层次的评价指标相互交叉，基于各个评价指标的定量评价信息根据层次分析法确立各个评价指标的权重，根据考虑效能评估数据的某个评价指标计算出的评价结果与实际交通情况的对照情况，取贴合度最高的一项指标作为该条数据的权威指标，依次统计不同交通状态效能数据的各评价指标中权威指标的占比，占比越高权重越大，说明该评价指标越准确，其得分越高，通过各评估指标的得分得到群体智能控制下所述实际场景中的混合交通效能动态评估结果，该混合交通效能动态评估结果中包括每组效能评估数据的各个评价指标所得到的评估得分，用各评价指标得分反映所述实际场景中的混合交通效能的好坏。

由上述本发明的实施例提供的技术方案可以看出，本发明方法通过一级和二级模糊交通效能评价模型和二级评价模型，在混合交通群体智能控制方法下的动态交通系统进行效能评估，最终得到群体智能控制下的混合交通实时路段状态评分，从而更好对交通系统进行诱导与管控。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1为群体智能控制下的混合交通效能评估模型步骤及结构。

图2为交通效能评估综合评价指标体系。

图3为层次分析法递阶层次建立。

图4为BP神经网络自适应生成的子路网结构图。

图5为BP神经网络评估流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供了一种群体智能控制下的混合交通效能评估方法，该方法包括一级模糊交通效能评价模型构建步骤、使用层次分析法与模糊认知图划分评价指标的权重步骤、BP神经网络路网随机生成步骤、基于综合权衡评价指标影响的算子对选取和图神经网络构建与二级模糊交通效能评价步骤。

上述的一级模糊交通效能评价模型构建步骤包括：根据模糊数学的隶属度理论把车路群体交通状态定性评价转化为具有强对比性的定量评价，用于群体智能控制下实时交通多级模糊综合效能评价。车路群体智能的混合交通一级模糊交通效能评价模型定义一个有限集合Q，Q＝{q₁,q₂,…,q_n}，Q中元素q_i(i＝1,·2,…,n)表示车路群体评价对象，即多智能等级不同时间段内所产生的车辆行驶数据；定义1个有限集合P，P＝{p₁,p₂,…,p_m}，P中元素p_j(j＝1,2,…,m)表示用以评价Q中车辆数据的评价指标，将评价指标作为模糊评价集合，即P＝{p₁,p₂,…,p_m}。

令u_j为第j个评价指标p_j∈P的隶属函数，即：u_j＝u(p_j),u_j∈[0,1]，得到一个有限模糊子集U.，即U＝{·u₁,u₂,…,u_m}。于是根据模糊关系R＝QU，可得到评价矩阵R：

式中r_ij为第i个被评价对象关于第j个评价指标的隶属度，r_ij＝R(q_i,u_j)∈[0,1]。定义评价结果集为一有限集合V＝{v₁,v₂,v₃,v₄}＝{差，中，良，优}，集合中的每个元素对应于隶属度函数的1个可能性分布区间。

考虑到群体智能控制下实时交通评价指标对评价结果的负相关特性，选取降半柯西型的隶属度函数：

式中a_j,b_j,c_j均为隶属函数的待定系数，对于

有p_j→+∝时，u_j→0,·p_j≤c_j时u_j＝0。在p_j-u_j坐标系中，每个隶属度函数分布区间界限0.25i必定存在一个对应的临界值p_ij。根据同一隶属度函数下的一组临界值，可通过回归分析方法求出隶属函数的待定系数a_j,b_j,c_j。

针对所求得的隶属度区间u_j，进一步转化为对应指标的隶属度r_ij，采用梯形隶属度模型，取隶属度函数分布区间界限0.25i为2个相邻评语的中间隶属度r_ij＝0.5，浮动区间为0.25i±0.1。

定义S＝(Q,U,R)为第1级交通状态评价空间，并给定一个模糊向量W：

W＝·(w₁,w₂,...,w_m)^T

式中：W的元素w_j表示各评价指标关于第1级评价的重要性，则第1级交通状态评价模型。其中，

表示模糊算子对。

基于样本数据对比的层次分析法与模糊认知图划分评价指标的权重，用于将与群体智能控制决策有关的因素分解成多个层次多个节点并进行定性定量分析，实现混合交通环境下多智能等级主体效能评价指标动态评估。为了对评价指标的权重进行科学配比，使用层次分析法进行划分，将与决策有关的因素分解成多个层次，从而进行定性定量分析。为增强评价方法的客观性，拟从样本数据中挖掘评价指标的相互强弱关系：分别计算试验数据中，单方面考虑某个评价指标计算出的评价结果与实际交通情况的对照情况，取贴合度最高(最接近隶属区间中值)的一项指标作为该条数据的权威指标，统计不同交通状态下的各评价指标中权威指标的占比，以此评估指标间的强弱关系，从而确定层次分析法过程中各项比值与模糊认知图中的因果关系值。

模糊认知图具有n个概念节点，各概念节点采用状态值来表示其属性。概念间因果关系的强弱用权值w_ij表示，构成一个n×n阶的邻接矩阵：

W＝[w_ij]_n×n

当w_ij＞0，节点C_i随节点C_j的增大而增加，C_i与C_j之间呈正因果关系；w_ij＜0表示节点C_i随节点C_j的增大而减小，C_i与C_j之间呈负因果关系；w_ij＝0，表示节点C_i与节点C_j无因果关系。

为了对群体智能控制下多智能等级主体效能评价指标权重进行科学分配，使用层次分析法与BP神经网络进行划分，将于群体智能控制决策有关的因素分解成多个层次，从而进行定量分析。层次分析法是一种将专家因素考虑至系统的评价方法，因为采用了相对性标度及有效的层次结构，因此比其他的方法更加灵活且具有更强的生命力。层次分析法适用于系统中缺乏相关数据而不能或不方便进行定量分析，或者由于系统评价收到个人因素影响较大有很强的个体差异性，因此该类决策问题必须考虑到不同个体的偏好。方法体系建立流程如下：a.递阶层次建立；b.判别矩阵建立；c.层次单排序；d.判断矩阵一致性检测。

上述权重的计算都是基于判断矩阵A是一致矩阵的条件下。假设矩阵A不是一致矩阵，那么就需要对矩阵A进行一致性检测。因为在实际使用此方法的过程之中，所评价的对象及待解决的问题都具有复杂性，而且不同专家对指标的认可度不同，专家所给出的评价值不可能每一个都满足一致性。那么针对一般的判断矩阵来说，该判断矩阵如果不满足一致性，就应该给出一般的一致性判断标准。如果该判断矩阵满足所给出的一致性标准，那么则认为该权重可信。首先定义一致性指标CI，CI的定义如下：

式中n为判断矩阵阶数，λ_max代表判断矩阵的最大特征值。其代表了判断矩阵A一致性偏离值的大小。对于判断矩阵来说CI值越大那么判断矩阵偏离一致性的程度越大，反之，系统的一致性越好，一般来说系统的一致性指标应小于或等于0.1，如果超出这个范围就应该重新进行两两排序。

根据查询平均随机一致性指标表，引入系统的一致性比率概念，该指标由CR表示。上表中当n取1或者2时，RI的值没有意义，当n大于3时，定义一致性比率指标如下：

当CR<0.1时，判断矩阵A的一致性在容许范围内，此时A的特征向量可以用作权向量。

在评估过程中对车路群体混合交通选取评估指标数据并与静态数据进行融合，需考虑如何选取交通效能评估指标，具体原则如下：

(1)每个方向的评估结果应易于理解；

(2)每个方向都可以被进一步分解或整合；

(3)效能指标能够被预测，可以估计下一步变化；

(4)改进效能指标数值能够对交通效能有所改善；

(5)每个方向的测量应该是完整的；

(6)能够根据指标建立完善的交通评估模型。

评估主要从不同智能车辆的渗透率下宏观路段评估和不同智能车辆的围观参数评估两方面进行展开考虑。展开来讲，在不同智能车辆渗透率下，宏观交通效率建立交叉口平均延误、路段平均速度、路段平均行程时间、路段平均流量组成的综合评价指标；能耗选用车辆总排放量等作为评价指标；交通安全选用路网车辆冲突数作为评判依据。在不同智能等级车辆间，交通效能评估指标选取通信时延、丢包率、连通率、直接信任度、间接信任度、经度准确度、纬度准确度、加速度准确度、姿态准确度、速度准确度等评价指标。

BP神经网络路网随机生成步骤，综合分析异构交通群体智能环境下交通流的时空特性，用于构建单一场景下与大规模场景下效能指标的联系，生成典型场景下路网结构，从而实现对不同时空切片场景进行混合交通效能评估分析。通过神经网络预测，构建单一场景与大规模场景下效能指标的耦合关系，从而研究评估指标在不同场景下的特点，最终确定各路网结构参数生成大规模可调节路网。

基于综合权衡评价指标影响的算子对选取、图神经网络构建与二级模糊交通效能评价步骤，用于构建二级评价模型，并根据层次分析法确立指标权重，从而融合车路协同系统动态车辆数据与静态路段参数，得到群体智能控制下实时路段交通状态评分。综合权衡评价指标影响的算子对选取策略：当同时引进多个算子对时，对于每一个被评价对象均可得到一个新的模糊子集：

U′＝{D₁,D₂,...,D_p},U′∈[0,1]

式中p为采用的模糊算子对的个数；D为二级评价指标，多个算子对关联映射首先需要定义核大小为K×K的卷积算子和通道数c的输入特征映射，定义采样函数，权重函数，将不同的被评价对象看作节点，之间的相互作用关系看作边，构造图卷积神经网络，在时域方面，在连续帧之间连接同一节点来构造图，将空间图CNN扩展到时空域。在单帧情况下，图卷积神经网络可以使用以下公式表示：

为归一化邻接矩阵，W为权重矩阵，算子对与图神经网络结合有助于从多个方面权衡评价指标对于被评价对象的影响。

群体智能控制下的混合交通多级模糊效能评价模型由算子对与图神经网络的计算结果得到第2级交通状态评价空间S'＝(Q，U'，R')，得到二级交通性能评价模型，其最终结果为一个评语的集合：

B＝W′R^T＝{b₁,b₂,...b_p}

式中：b_i为第i个被评价对象对于评价结果集V的评价指数，且

由此得到群体智能控制下实时路段交通状态评分。

本发明的实施例提供了一种群体智能控制下的混合交通效能评估方法的处理流程如图1所示。首先，根据模糊数学的隶属度理论把车路群体交通状态定性评价转化为具有强对比性的定量评价，用于群体智能控制下实时交通多级模糊综合效能评价。其次，使用层次分析法与模糊认知图划分评价指标的权重步骤，用于将与群体智能控制决策有关的因素分解成多个层次多个节点并进行定性定量分析，实现混合交通环境下多智能等级主体效能评价指标动态评估。同时，BP神经网络路网随机生成步骤，综合分析异构交通群体智能环境下交通流的时空特性，用于构建单一场景下与大规模场景下效能指标的联系，生成典型场景下路网结构。最后基于综合权衡评价指标影响的算子对选取、图神经网络构建与二级模糊交通效能评价步骤，用于构建二级评价模型，并根据层次分析法确立指标权重，从而融合车路协同系统动态车辆数据与静态路段参数，得到群体智能控制下实时路段交通状态评分。

图2为交通效能评估综合评价指标体系。在评估过程中对车路群体混合交通选取评估指标数据并与静态数据进行融合，需考虑如何选取交通效能评估指标，具体原则如下：

(1)每个方向的评估结果应易于理解；

(2)每个方向都可以被进一步分解或整合；

(3)效能指标能够被预测，可以估计下一步变化；

(4)改进效能指标数值能够对交通效能有所改善；

(5)每个方向的测量应该是完整的；

(6)能够根据指标建立完善的交通评估模型。

评估主要从不同智能车辆的渗透率下宏观路段评估和不同智能车辆的围观参数评估两方面进行展开考虑。展开来讲，在不同智能车辆渗透率下，宏观交通效率建立交叉口平均延误、路段平均速度、路段平均行程时间、路段平均流量组成的综合评价指标；能耗选用车辆总排放量等作为评价指标；交通安全选用路网车辆冲突数作为评判依据。在不同智能等级车辆间，交通效能评估指标选取通信时延、丢包率、连通率、直接信任度、间接信任度、经度准确度、纬度准确度、加速度准确度、姿态准确度、速度准确度等评价指标。

图3为层次分析法递阶层次建立。使用层次分析法与模糊认知图划分评价指标的权重，用于将与群体智能控制决策有关的因素分解成多个层次多个节点并进行定性定量分析，实现混合交通环境下多智能等级主体效能评价指标动态评估。

图4为BP神经网络随机生成路网结构。随机生成不同混合交通场景下不同场景结构，从而实现对不同时空场景进行切片分析。具体操作如下从网络中选择两点，生成子网络，子网络的形状可能为2*2，1*3等多种形状的交叉口，从而实现了训练集样本容量足够大，保证了训练结果真实。其中黑色的路网为可以运行的子网络，黄色部分为关闭的路网。为了均衡的评价路网性能，在路网中的边缘中，每两个边缘都设置平均的车流。

图5为BP神经网络评估流程图。首先输入群体智能控制下车路群体仿真数据指标，然后通过神经网络预测，调整每个输入变量的权值，输入路网结构模型，构建单一场景下指标与大规模场景下效能指标的联系，从而研究评估指标在不同场景下的特点，输出值与目标值进行误差比对，未达到精度要求则函数重新调整权值，直到输出值满足误差要求，确定各指标权重。

综上所述，本发明实施例方法以车路协同群体智能控制下混合交通车辆数据和静态路段数据为输入，通过一级模糊交通效能评价模型与层次分析法构建车路群体评价指标的模糊认知图，将若干个评价指标融合成为综合性的评价指标，考虑实际交通场景特性建立变隶属度函数规则，并引入算子对与图神经网络构建二级评价模型，在混合交通群体智能控制方法下的动态交通系统进行效能评估，建立完备的评估体系，最终得到群体智能控制下的混合交通实时路段状态评分，为提高车路协同系统效能提出合理对策，有效指导车路协同仿真平台搭建，从而更好地对交通系统进行诱导与管控，在实际测试环境中提高道路交通运行效率、消除安全隐患。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种群体智能控制下的混合交通效能评估方法，其特征在于，包括：

利用BP神经网络路网生成的路网结构来构建实际场景，形成与路网结构的实际场景有关的混合交通效能的评价指标体系，获取所述实际场景中的静态路段数据和动态车辆数据；

根据模糊数学的隶属度理论构建一级模糊评价模型，将所述静态路段数据和动态车辆数据输入到所述一级模糊评价模型，所述一级模糊交通效能评价模型融合所述动态车辆数据与静态路段参数，将车路群体交通状态的评价指标的定性评价信息转化为定量评价信息；

基于综合权衡评价指标影响的算子对、图神经网络和变隶属度函数构建二级模糊评价模型，将所述评价指标的定量评价信息输入到所述二级模糊评价模型；所述二级模糊评价模型将与群体智能控制决策有关的因素分解成多个层次多个节点，根据层次分析法确立各个评价指标的定量评价信息的权重，得到群体智能控制下所述实际场景中的混合交通效能的动态评估结果。

2.根据权利要求1所述的方法，其特征在于，所述的利用BP神经网络路网生成的路网结构来构建实际场景，形成与路网结构的实际场景有关的混合交通效能的评价指标体系，包括：

以混合交通复杂场景下路网的节点及其连接关系为基础，利用BP神经网络对多种路网中的节点、路段、道路连接方式元素进行自适应组合，生成所需的混合交通场景路网结构，将路网结构按照单交叉口、多交叉口、匝道等节点和相邻道路性质划分为不同的道路段，构建实际场景；

通过BP神经网络评估指标在路网结构的实际场景下的特点，构建路网结构的实际场景和大规模效能指标的联系，以形成与路网结构的实际场景有关的混合交通效能的评价指标体系。

3.根据权利要求1所述的方法，其特征在于，所述的一级模糊交通效能评价模型融合所述动态车辆数据与静态路段参数，将车路群体交通状态的评价指标的定性评价信息转化为评价指标的定量评价信息，包括：

所述的一级模糊交通效能评价模型根据路网结构和场景复杂度参数获取客观存在的车路群体交通状态的评价指标的定性评价信息，将所述评价指标的定性评价信息与所述静态路段数据和动态车辆数据相结合，经过细化、量化、综合处理之后转换为车路群体交通状态的一级模糊综合效能评价指标，使用层次分析法将所述一级模糊综合效能评价指标分解成多个层次，确定各个一级模糊综合效能评价指标标的权重，进行定性定量分析，得到车路群体交通状态的各个评价指标的定量评价信息。

4.根据权利要求1所述的方法，其特征在于，所述的二级模糊评价模型将与群体智能控制决策有关的因素分解成多个层次多个节点，根据层次分析法确立各个评价指标的定量评价信息的权重，得到群体智能控制下所述实际场景中的混合交通效能的动态评估结果，包括：

所述二级模糊评价模型以路网结构中的节点划分道路段，所述节点包括交叉口和匝道，将与群体智能控制决策有关的因素分解成多个层次多个节点，不同节点下的评价指标和不同层次的评价指标相互交叉，基于各个评价指标的定量评价信息根据层次分析法确立各个评价指标的权重，根据考虑效能评估数据的某个评价指标计算出的评价结果与实际交通情况的对照情况，取贴合度最高的一项指标作为该条数据的权威指标，依次统计不同交通状态效能数据的各评价指标中权威指标的占比，占比越高权重越大，说明该评价指标越准确，其得分越高，通过各评估指标的得分得到群体智能控制下所述实际场景中的混合交通效能动态评估结果，该混合交通效能动态评估结果中包括每组效能评估数据的各个评价指标所得到的评估得分，用各评价指标得分反映所述实际场景中的混合交通效能的好坏。

Images