基于muliagen的道路交通流控制模型

基于muliagen的道路交通流控制模型

0基本交通控制思想传统的交通控制算法产生于70年代。80年代，主要采用中心主电源、多层和分布结构。如图1所示。这种方式的优点是可以进行总体优化,通过区域化的方式(将若干个耦合性较强的交通路口连成一个区域),在该区域内采用统一的控制策略。采用区域化的控制方式的代价是放弃了区域与区域间的耦合度。实际的交通系统是一个大扰动的复杂系统,当特殊情况发生时,区域划分的复杂算法不能迅速生成新的划分策略来加以控制。因此需要研究新的交通控制方式来适应和解决这种大波动复杂交通系统的灵活控制问题。Multi?agent就是多个agent组成的两两交互的智能体集合。其整体的智能性建立在agent之间的交互协商和自我进化之上。根据其特点可以建构自下而上的数据共享、交互协商的分布式智能群体控制模式来实现交通流的控制。本文将通过分析Multi?agent的技术特点,阐述基于Multi?agent的基本交通控制思想并给出模型功能模块的层次划分;第2节介绍单机的agent自主控制方案;第3节给出多个路口Multi?agent协商机制的设想;第4节结合一个例子对本文提出的算法加以分析,阐述本模型的优势以及存在的局限性。最后一节给出了研究工作的结论。1交叉口因子控制模型1.1本方案的执行单元和环境接口路口agent的功能可以由图2所示,路口agent拥有两个功能层次,本能模块和意识模块。本能模块直接作用于路口的控制目标——绿信分配。路口agent依托此模块,时刻监视所在路口的交通流状况并做出反应,直接控制绿信在各个相位间的切换;而意识模块属于agent的“高层思维”,直接作用于本能模块,通过对本能模块运行状况的观察和预测,自行调节自身的控制参数,必要时与其它agent进行协商和联络,互通需求,形成agent之间的协商控制。环境接口用来收集路口交通流信息以及相邻路段的通信信息。可由本地路口信息采集器或数据监测中心统一提供。它是执行单元的执行依据;执行单元根据环境接口提供的环境信息和相对固定的控制策略实时控制本路口各相位的绿信分配;预测单元可以通过Multi?agent内建的交通模型,模拟未来一段时间的交通流运行,获取相应预测数据;评价单元评估一段时间内的路口交通流运行的综合指标;决策单元反复调用预测单元和评价单元来预测和评价路口在不同控制参数下的控制效果,从中决策出未来一段时间内的最优控制参数;通讯单元传递和接受agent间的交通流控制请求和仿真数据请求。考虑到交通网络的耦合性,预测单元必须与附近路口agent的预测单元交互,进行联合预测。1.2基础相位划分及组合方法为了便于agent各项功能的实现,agent分两个层次组织内部数据。底层为基本相位层,主要配合环境接口获取当前交通状况;顶层是agent层,主要配合意识模块的运行以及执行单元的运行。如图3所示。一个路口用于分配绿信时间的相位定义为实际相位,而基本相位是指一个入口一个出口的车流方向,也就是常说的交通流。显然,在同一时间,一个实际相位可放行多个交通流,相应的,一个实际相位可由若干个基本相位组成。采用基本相位的划分和组合方法,有利于相位的负荷监视和运算,而且还可以通过采用不同的基本相位组合方案来优化路口的交通流控制。基本相位中的警戒队长用于判断相位入口路段的等待车队是否进入阻塞状态。下游入口的队尾越接近上游出口就越容易引起上游的放行不畅,从而引发连锁阻塞。闸门开合单位和闸门开合量用于对基本相位上的交通流的抑制或扩张,类似于管道闸门对水流的控制。提出闸门这个概念是为了给模型的优化以及agent协商策略的实施留下接口,提供从外部直接控制交通流的手段。2平衡路口交通流运行的“瘪agent自主控制算法应用于交通网络的常负荷控制状态。常负荷控制状态:路口交通流大大低于路口能承受的最大负荷。此时,路口agent独立运行,通过对考察路口当前车队长度以及连接路径将要到达车辆对路口的影响预测,适当调整路口的红绿灯切换时机以及周期长度,来平衡路口各个相位的车流运行和车队长度。由于常负荷控制主要应付路口普通状态下各相位交通流之间的平衡,不会有阻塞的危险,也无需其它agent的协助,可以放置到agent本能模块中的执行单元中,形成agent平衡路口交通流的“条件反射”。该“条件反射”可以通过意识模块的决策单元不断地加以调节和改进。2.1相位组合sagent自主控制算法的核心是引入了竞争机制,形成路口内部的相位竞争。一个路口分配一个agent,控制若干个实际相位。各相位拥有的绿信时间由竞争取得,当一个相位的交通负荷度Traffic?Load超出其他相位交通负荷度一定数值时,该相位获得通行权。实际相位的Traffic?Load计算分为两步。第一步:基本相位自行计算本相位的交通负荷度LD如果相位处于红灯状态LD(t)=pW×Tl×s(t)+pQQl(t)+pU×O(t)如果相位处于绿灯状态LD(t)=pW×Τl×s(t)+pQQl(t)+m+pU×Ο(t)Ο(t)=n(1+Οa(t))×(1+Οd(t))Οa(t)=∑i∈φSi(t)/n(t)LD(t)=pW×Tl×s(t)+pQQl(t)+m+pU×O(t)O(t)=n(1+Oa(t))×(1+Od(t))Oa(t)=∑i∈φSi(t)/n(t)Od(t)=√∑i∈φ(Si(t)-Οa(t))2n(t)∑i∈φ(Si(t)−Oa(t))2n(t)−−−−−−−−−−−√其中,相位等待时间参数pW、相位车队长度参数pQ和路口间相位差数pU——可调节参数;s(t)——t时刻的相位的状态,红灯时为1,绿灯时为-1;Tl——相位当前状态的持续时间;Ql(t)——t时刻的基本相位的入口车队长度;O(t)——t时刻的相位差指标;Si(t)——车辆i在t时刻到本路口入口处的距离;φ(t)——t时刻入口上游路段的车辆集合;n(t)——t时刻上游路段当前的车辆数量;Oa(t)——t时刻入口上游路段的车队重心;Od(t)——t时刻上游路段车队的集散度。在绿灯状态下Ql(t)+m是为了在竞争过程中,使绿信相位在队长竞争中占有一定的延时优势。在不考虑负荷度计算的其他因素时,只有当红灯相位的车队超出绿信相位车队一定长度时,才能夺取路权,当然这里的m就是指定的超出长度,是一个经验值。O(t)值反映的是上游下放车队在下游路口入口处产生的影响,当车队越逼近下游入口且车队密度越大,O值越大,相应相位的竞争力越强,就可以在车队即将到达入口时获得路权,在车队还没有在入口堆积起来的时候敞开放行(抑或延长绿信时间),使车队尽量无阻碍的通过路口。第二步:根据agent实际相位的组合配置,计算实际相位的交通负荷度cLcL(t)=(1-∂)¯L(t)+∂δLoad(t)¯L(t)=∑i∈CLDi(t)mcL(t)=(1−∂)L(t)¯¯¯¯¯¯+∂δLoad(t)L(t)¯¯¯¯¯¯=∑i∈CLDi(t)mδLoad(t)=√∑i∈C(LDi(t)-¯L(t))2m∑i∈C(LDi(t)−L(t)¯¯¯¯¯¯¯)2m−−−−−−−−−−−√式中,C——实际相位包含的基本相位的子集;m——实际相位包含的基本相位的个数;∂——负荷平衡系统,系数值越大,对实际相位所包含基本相位的队长平衡指标要求就越高。实际相位由基本相位构成,其交通负荷度cL是多个基本相位的综合指标,既要使所有基本相位的平均车队长度最短,又要使基本相位间的交通负荷基本平衡,这两个因素在cL中所占比例由∂确定。在路口agent中有着实际相位的配置信息,可以根据需要改变基本相位的组合方式。获得绿信的相位其负荷度必然呈递减趋势,其他处于红信状态的相位则处于递增趋势,当增长最快的红信相位负荷度超过不断衰减的绿信相位时,该相位竞争得到下一个路权。在交通负荷度的计算公式中:pW所在一项考虑的是司机的等待心理,等待的时间越长司机的心理负荷越重;pQ所在一项考虑的是各相位车队长度的平衡;而PU所在一项考虑的是使上游下放车队尽可能在下游路口无阻碍通过。这3个因素考虑了交通流的基本动态特性,包含了以往系统对绿信比和相位差的控制。而且这种竞争机制能够实时监视路口通行状况并加以控制判断,比起以往系统中根据历史纪录或预测数据来提前分配绿信比的控制方法,实时性更强,控制更灵活,抗干扰能力更强,更接近交警指挥交通的智能性。2.2大绿信时间的调节绿信时间必须有个范围限制,绿信时间的下限保证该相位能通过一定数量的车辆,而不至于放行的第一辆车还在路口中心时,路权就被其他相位夺去了;绿信时间的上限保证一个相位不能过长时间占有路权,否则其他相位上等待的司机心理难以忍受。通过调整最小、最大绿信时间,可以调节整个绿信周期。相位的最小、最大绿信时间在其刚获得路权的同时刷新,设该相位刚获得路权的时刻为tminGreen=max({mti|i∈C})+∑i∈CQli(t)/rim∑i∈CQli(t)/rimmaxGreen=MT+∑i∈CpSim式中,mti——基本相位i通行方向一辆车完全通过最少需要的时间;Qli(t)——t时刻基本相位i入口的等待车队队长;C——当前相位的基本相位集合;r——基本相位的饱和通行能力;m——当前相位的基本相位的个数;MT——根据人的等待心理得出的经验值;pS——基本相位的闸门开合量。当各个相位上堆积的车队长度均衡增大时,最小绿信时间增大,整个信号周期增大;当相位进入警戒处理状态时,附加闸门控制,通过pS控制最大绿信时间增大或缩小,从而使整个信号周期增大或缩小。2.3局部时段的控制策略agent自主控制算法控制效率的关键在于参数向量(pW,pQ,pU)T的选取,可以通过仿真实验获取较好的经验值来达到时间维度的总体最优控制效果。但是交通网络是动态大系统,该全局经验值显然无法满足局部时间段的最优控制要求。所以我们需要一种实时动态的修正算法来优化路口在局部时间段的控制效率。可为被控制路口建立一个通行效率的综合指标,即我们常说的优化目标函数,参数向量的优化方向为目标函数的下降方向。协同预测单元和评价单元,决策单元迅速有效的运算,可以动态的调整某局部时间段的(pW,pQ,pU)T值,进一步提高agent自主控制算法的自适应性。3阻塞疏导控制在交通流的控制过程中可能出现两种控制状态,除了前面提到的常负荷控制状态,还有阻塞疏导控制状态。阻塞疏导控制状态:路口满负荷或超负荷运行,交通流处于或将处于阻塞状态。此时,路口agent独立运行已无法获取好的控制效果,需要通过通讯单元和其他agent协商,进行联合控制。当预测单元预测到路口某个相位的车队长度在下一个周期将到达警戒队长时,这时就说明路口已经满负荷运行,路口agent从常负荷控制状态切换入阻塞疏导控制状态。此时agent将对路口内部超负荷相位和上游放行路口附加闸门控制,以期解除队长警报。阻塞疏导控制是要应付路口的突发事件或超负荷运行,需要agent的高层思维来进行预报和预防,必要时还要通过协同其它agent进行联合疏导。显然,此时需要调动意识模块:通讯单元来保持agent间的信息联络,预测单元和评价单元来评价各种可行方案,而决策单元则在各种方案中做出取舍,最终达成本路口的可行控制方案和agent间的执行协议。4单次进出量和相位特征如图4,仿真模型是一个四入口的典型交叉路口,路径长度均为500m。设有一个路口agent,路口通行能力2veh/s。流入车流随机产生,车流1平均每6s流入3veh,车流2、3和4平均每10s流入2veh。车速随机产生,6～8m/s。道路单向可并行行驶2veh。agent的相位划分为:东南西北4个直通基本相位,东西合为一实际相位,南北合为另一实际相位。仿真模型把车流1的流入量设置较大,目的打破路口交通流平衡,观察不同控制策略下路口机的控制效果。4.1入口全车权波动风险如图5(a),东西相位和南北相位各10s放行时间。可以看出,东、南和北3个入口的车队已经出现有路权而无车放行的时间段,而西入口却出现队长波动上升的危险势态。显然,死板的定时控制将会导致所在路口车流失控。4.2相位有路权却无车投放如图6(a)所示,采用本文所述的agent自主控制策略,东西相位获得了较大的放行时间,基本排除了定时控制策略下相位有路权却无车放行的状况,但是从西入口车队的图6(c)上发现,车队仍然过长,说明(pW,pQ,pU)T需要进一步的优化。5路口间的相位差采用Multi?agent思想建构的交通流分布式控制体系