馬 超,崔建勛

(1.盤(pán)錦市交通建設(shè)有限責(zé)任公司,遼寧盤(pán)錦124010; 2.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院,哈爾濱150001)

基于多智能體的多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制研究

馬 超*1,崔建勛2

(1.盤(pán)錦市交通建設(shè)有限責(zé)任公司,遼寧盤(pán)錦124010; 2.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院,哈爾濱150001)

本文對(duì)不同進(jìn)口方向的多輛應(yīng)急車(chē)輛在同一時(shí)段內(nèi)通過(guò)同一信號(hào)交叉口的協(xié)調(diào)控制問(wèn)題進(jìn)行研究,提出一種基于多智能體的多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng).在該系統(tǒng)中引入了相位智能體和管理智能體,同時(shí)采用模糊推理理論實(shí)現(xiàn)各類(lèi)智能體的內(nèi)在邏輯,以及模塊之間的協(xié)調(diào)機(jī)制.基于Starlogo多智能體仿真軟件,針對(duì)特定十字交叉口的多應(yīng)急車(chē)輛優(yōu)先信號(hào)協(xié)調(diào)控制案例進(jìn)行仿真實(shí)驗(yàn).結(jié)果表明,多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制策略能實(shí)現(xiàn)應(yīng)急車(chē)輛在交叉口時(shí)間通行權(quán)上的優(yōu)先,同時(shí)能夠減少應(yīng)急車(chē)輛對(duì)其他車(chē)輛的干擾,對(duì)于提高城市范圍內(nèi)的緊急救援效率,具有一定的實(shí)用價(jià)值.

智能交通;多應(yīng)急車(chē)輛;信號(hào)優(yōu)先;多智能體;模糊推理

1 引 言

災(zāi)害事件發(fā)生后,普遍采用的一種交通控制措施是在信號(hào)交叉口實(shí)行應(yīng)急信號(hào)優(yōu)先[1].但這種控制措施只對(duì)同一時(shí)段內(nèi)單個(gè)進(jìn)口方向有應(yīng)急車(chē)輛的情況有效.在很多情況下,當(dāng)災(zāi)害較為嚴(yán)重時(shí),應(yīng)急管理部門(mén)會(huì)派出多輛不同優(yōu)先等級(jí)的應(yīng)急車(chē)輛前往現(xiàn)場(chǎng),當(dāng)應(yīng)急車(chē)輛前往應(yīng)急現(xiàn)場(chǎng)或者從應(yīng)急現(xiàn)場(chǎng)返回時(shí),往往會(huì)出現(xiàn)不同進(jìn)口方向的應(yīng)急車(chē)輛需要在同一時(shí)段內(nèi)通過(guò)交叉口的情況.此時(shí),現(xiàn)有的信號(hào)優(yōu)先控制系統(tǒng)就會(huì)陷入混亂,交叉口很容易出現(xiàn)大規(guī)模延誤,甚至?xí)斐山煌ㄊ鹿?為解決上述問(wèn)題,本文提出了基于多智能體的多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng).

2 多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)

根據(jù)應(yīng)急情況下多應(yīng)急車(chē)輛信號(hào)控制的特點(diǎn)并結(jié)合多智能體技術(shù),設(shè)計(jì)出多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)體系結(jié)構(gòu)[2]如圖1所示.

圖1 多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)體系結(jié)構(gòu)Fig.1 The framework of multiple emergency vehicles signal priority control

多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)工作過(guò)程由兩部分組成,第一部分是相位智能體的信號(hào)配時(shí)過(guò)程;第二部分是管理智能體的相位排序過(guò)程.

多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)的工作過(guò)程可以簡(jiǎn)單描述為:相位智能體的車(chē)輛檢測(cè)器對(duì)各個(gè)進(jìn)口道進(jìn)行流量檢測(cè),并對(duì)進(jìn)入交叉口的應(yīng)急車(chē)輛進(jìn)行檢測(cè)和定位.相位智能體對(duì)檢測(cè)結(jié)果進(jìn)行預(yù)處理,并將處理結(jié)果傳送給相鄰相位智能體及管理智能體.

綠燈相位智能體根據(jù)實(shí)時(shí)的交通狀態(tài)信息,通過(guò)與相鄰的相位智能體之間進(jìn)行信息交互、協(xié)商,決定是否延長(zhǎng)、縮短或者終止它的綠燈時(shí)間.

當(dāng)相位需要進(jìn)行轉(zhuǎn)換時(shí),管理智能體根據(jù)其所具有的經(jīng)驗(yàn)知識(shí)及接收到的所有相位智能體傳送的信息,從整體的角度對(duì)相位智能體的排序策略進(jìn)行推理,制定最優(yōu)相位排序,并將排序結(jié)果傳送給相位智能體,相位智能體無(wú)條件執(zhí)行管理智能體的指令,控制紅綠燈燈色.

2.1 相位智能體

根據(jù)相位智能體的功能和特點(diǎn),采用結(jié)構(gòu)化協(xié)調(diào)的設(shè)計(jì)方法[3],設(shè)計(jì)的相位智能體結(jié)構(gòu)如圖2所示.

圖2 相位智能體的結(jié)構(gòu)Fig.2 The structure of phase agent

其中,通訊模塊負(fù)責(zé)管理智能體與相位智能體之間、各相位智能體之間及相位智能體與車(chē)輛檢測(cè)器等外界環(huán)境之間的信息交互.

車(chē)輛檢測(cè)器將檢測(cè)到的車(chē)輛信息發(fā)送給相位智能體,相位智能體對(duì)信息進(jìn)行預(yù)處理,得出各個(gè)車(chē)道的車(chē)輛占有率及各個(gè)相位應(yīng)急車(chē)輛的優(yōu)先值,從而得出各個(gè)相位紅燈相位的最大急切度及綠燈相位的轉(zhuǎn)換度[4].紅燈相位的急切度表示紅燈相位下等待綠燈通行的車(chē)輛的急切程度,當(dāng)紅燈相位排隊(duì)車(chē)輛數(shù)很多,或者應(yīng)急車(chē)輛優(yōu)先級(jí)別較高時(shí),其急切度就相對(duì)較高,反之則相對(duì)較低.綠燈相位的轉(zhuǎn)換度表示正在通行的綠燈相位有必要轉(zhuǎn)換成紅燈相位的程度;當(dāng)放行的綠燈相位中車(chē)輛數(shù)很少時(shí),其轉(zhuǎn)換度就相對(duì)要高,反之,當(dāng)還有優(yōu)先級(jí)別高的應(yīng)急車(chē)輛,或者還有很多正在通過(guò)的車(chē)輛時(shí),其轉(zhuǎn)換度就相對(duì)低.詳細(xì)的計(jì)算過(guò)程參考文獻(xiàn)[4].

相位智能體根據(jù)本相位的狀態(tài)信息,就本相位信號(hào)燈色的控制與其他相位智能體進(jìn)行協(xié)調(diào),協(xié)調(diào)過(guò)程運(yùn)用模糊推理技術(shù).經(jīng)過(guò)協(xié)調(diào),可得出綠燈相位的信號(hào)配時(shí)方案,然后傳給信號(hào)燈,如綠燈時(shí)間的延長(zhǎng)、縮短或者不變.

2.2 管理智能體

根據(jù)管理智能體的功能特點(diǎn),設(shè)計(jì)管理智能體的結(jié)構(gòu)[3]如圖3所示.

圖3 管理智能體的結(jié)構(gòu)Fig.3 The structure of management agent

其中,管理智能體中的通訊模塊實(shí)時(shí)接收各相位智能體的相位急切度或轉(zhuǎn)換度信息、各相位的控制狀態(tài)信息,并將各相位的排序信息發(fā)送給各相位智能體,必要時(shí)將交通管制人員的指令傳達(dá)給各相位智能體.

管理智能體接收到各相位的急切度和轉(zhuǎn)換度后,根據(jù)各相位的控制狀態(tài)信息,運(yùn)用決策推理模塊對(duì)各相位的最優(yōu)排序進(jìn)行決策.決策推理過(guò)程運(yùn)用模糊推理,其模糊輸入量分別是紅燈相位的最大急切度、下一相位的急切度及最大急切度相位的等待時(shí)間,模糊推理系統(tǒng)根據(jù)事先建立的模糊規(guī)則進(jìn)行模糊推理,得出一個(gè)模糊輸出,經(jīng)過(guò)反模糊化后,得出是否下一個(gè)相位是綠燈相位.如下一相位不合適綠燈相位,則跳至其他相位.

3 模糊推理

模糊推理是本文實(shí)現(xiàn)智能體智能化的一個(gè)重要途徑,是多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)中的核心部分.模糊推理過(guò)程不需要建立被控制對(duì)象的精確數(shù)學(xué)模型,其吸收了人工控制時(shí)的經(jīng)驗(yàn),能模仿人腦的邏輯推理和決策過(guò)程,不但使控制過(guò)程簡(jiǎn)化,而且能滿(mǎn)足實(shí)時(shí)性和控制精度的要求[5-7].

3.1 車(chē)輛優(yōu)先級(jí)

信號(hào)交叉口實(shí)行應(yīng)急車(chē)輛信號(hào)優(yōu)先時(shí),應(yīng)針對(duì)應(yīng)急車(chē)輛的情況給予不同的優(yōu)先級(jí)別.計(jì)算應(yīng)急車(chē)輛的優(yōu)先級(jí)別主要考慮以下兩個(gè)影響因素:應(yīng)急車(chē)輛的類(lèi)型和應(yīng)急車(chē)輛所處的位置.單輛應(yīng)急車(chē)輛的優(yōu)先級(jí)別程度可表示為

式中 F表示不同類(lèi)型應(yīng)急車(chē)輛的緊急指數(shù),應(yīng)急車(chē)輛緊急程度越大,值越大;T表示應(yīng)急車(chē)輛通過(guò)交叉口的估計(jì)時(shí)間,如果當(dāng)前是綠燈相位,上述時(shí)間就是應(yīng)急車(chē)輛以當(dāng)前車(chē)速通過(guò)交叉口的估計(jì)時(shí)間,如果當(dāng)前是紅燈相位且應(yīng)急車(chē)輛已經(jīng)停車(chē),那么上述時(shí)間是應(yīng)急車(chē)輛啟動(dòng)和通過(guò)交叉口的估計(jì)時(shí)間;Xi表示其它應(yīng)該考慮的因素,如車(chē)道的交通情況、應(yīng)急車(chē)輛的利用情況(如應(yīng)急車(chē)輛是否為空車(chē))等;a,bi表示不同因素的權(quán)重;δ表示為避免T很小情況而引進(jìn)的參數(shù).

為計(jì)算方便,有必要將應(yīng)急車(chē)輛優(yōu)先程度進(jìn)行歸一化處理,即將優(yōu)先程度轉(zhuǎn)化為優(yōu)先值.優(yōu)先值在0～1之間,1代表優(yōu)先級(jí)別最高,0代表優(yōu)先級(jí)別最低,亦即無(wú)優(yōu)先的應(yīng)急車(chē)輛.應(yīng)急車(chē)輛優(yōu)先值為

式中 Ei表示單個(gè)車(chē)輛的優(yōu)先值;Pi表示信號(hào)交叉口單個(gè)應(yīng)急車(chē)輛的優(yōu)先程度.

得到每輛應(yīng)急車(chē)輛的優(yōu)先值后,即可得到每股車(chē)流的應(yīng)急車(chē)輛優(yōu)先值.在計(jì)算車(chē)流的總優(yōu)先值時(shí),當(dāng)車(chē)流中只有一輛應(yīng)急車(chē)輛,總優(yōu)先值就是該應(yīng)急車(chē)輛的優(yōu)先值;當(dāng)車(chē)流中的應(yīng)急車(chē)輛多于一輛時(shí),則只需要對(duì)該車(chē)流的應(yīng)急車(chē)輛進(jìn)行簡(jiǎn)單相加即可.

3.2 相位智能體中的模糊推理

在相位智能體中,模糊推理模塊的輸入量為紅燈相位的最大急切度、綠燈相位的轉(zhuǎn)換度,以及綠燈信號(hào)時(shí)間的剩余率,輸出為綠燈相位的信號(hào)配時(shí),如相對(duì)先前綠燈時(shí)間的延長(zhǎng)時(shí)間、縮短時(shí)間或保持綠燈時(shí)間不變.

紅燈相位的急切度與每股車(chē)流的總應(yīng)急車(chē)輛優(yōu)先值和擁擠度有關(guān),為兩者的加權(quán)求和,權(quán)值的大小根據(jù)實(shí)際需要確定,當(dāng)考慮應(yīng)急車(chē)輛優(yōu)先更為重要時(shí),可以賦予車(chē)流的總應(yīng)急車(chē)輛優(yōu)先值一個(gè)較大權(quán)值,相應(yīng)地賦予車(chē)流的擁擠度一個(gè)較小的權(quán)值,但兩者之和必須等于1.當(dāng)計(jì)算出相位中各個(gè)車(chē)流的急切度后,對(duì)這些值進(jìn)行比較,取其中較大者作為整個(gè)相位的急切度.

綠燈相位的轉(zhuǎn)換度的計(jì)算與急切度的計(jì)算相似.用1減去各個(gè)車(chē)流的急切度即可得到各個(gè)車(chē)流的轉(zhuǎn)化度,然后取其中較小者作為整個(gè)相位的轉(zhuǎn)換度[4].

紅燈相位的最大急切度的論域?yàn)閇0,1],模糊語(yǔ)言項(xiàng)為{很小,小,中等,大};綠燈相位的轉(zhuǎn)換度的論域及模糊語(yǔ)言項(xiàng)與紅燈相位的最大急切度的情況相同;綠燈信號(hào)時(shí)間的剩余率的論域?yàn)閇0,1],模糊語(yǔ)言項(xiàng)為{很小,小,中等,大};綠燈相位信號(hào)配時(shí)的論域?yàn)閇-11,11],模糊語(yǔ)言項(xiàng)為{很大縮短,縮短,不變,延長(zhǎng),很大延長(zhǎng)}.根據(jù)專(zhuān)家經(jīng)驗(yàn)及模糊集合規(guī)定,各變量的隸屬函數(shù)如圖4所示.

圖4 相位智能體模糊推理模塊中各變量的隸屬函數(shù)Fig.4 Membership functions of fuzzy inference module in phase agent

根據(jù)應(yīng)急情況下交通控制的特點(diǎn)及交通專(zhuān)家經(jīng)驗(yàn),得到相位智能體模糊推理過(guò)程中的64條模糊規(guī)則庫(kù),如表1所示.

表1 相位智能體模糊推理規(guī)則表Table 1 Rule table of fuzzy inference in phase agent

3.3 管理智能體中的模糊推理

在管理智能體中,模糊推理過(guò)程與相位智能體中模糊推理過(guò)程相似,只是模糊推理模塊的輸入量為紅燈相位的最大急切度、下一相位的急切度,以及最大急切度相位的等待時(shí)間,輸出量為下一個(gè)相位次序的變更,即下一相位是否為最佳相位.各個(gè)變量的隸屬函數(shù)如圖5所示,推理過(guò)程中的模糊規(guī)則庫(kù)如表2所示.

表2 管理智能體模糊推理規(guī)則表Table 2 Ruletable of fuzzy inference in management agent

圖5 管理智能體模糊推理模塊中各變量的隸屬函數(shù)Fig.5 Membership function of fuzzy inference module in management agent

4 仿真實(shí)驗(yàn)

為檢驗(yàn)所提出的多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)的有效性,對(duì)現(xiàn)實(shí)中某一普通四路交叉口進(jìn)行仿真分析,如圖6所示.

通過(guò)設(shè)置不同的信號(hào)配時(shí)(定時(shí)信號(hào)控制策略配時(shí)、先到先服務(wù)策略配時(shí)和多應(yīng)急車(chē)輛信號(hào)優(yōu)先策略配時(shí)),模擬相同車(chē)流量、不同信號(hào)配時(shí)策略的交通狀況;并根據(jù)仿真的運(yùn)行過(guò)程,計(jì)算出交叉口的普通車(chē)輛平均通過(guò)時(shí)間、應(yīng)急車(chē)輛平均通過(guò)時(shí)間及平均停車(chē)次數(shù),以此來(lái)評(píng)價(jià)不同信號(hào)配時(shí)策略的優(yōu)劣,并判斷多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)是否能實(shí)現(xiàn)真正意義上的應(yīng)急車(chē)輛優(yōu)先.仿真模型運(yùn)用如下假設(shè):

(1)各個(gè)進(jìn)口方向應(yīng)急車(chē)輛的到達(dá)服從泊松分布;

(2)在仿真系統(tǒng)中,為簡(jiǎn)化模擬過(guò)程,省略了對(duì)應(yīng)急車(chē)輛類(lèi)型的識(shí)別及定位,假設(shè)應(yīng)急車(chē)輛的優(yōu)先級(jí)系數(shù)已經(jīng)計(jì)算完成,即檢測(cè)到應(yīng)急車(chē)輛的同時(shí),也得到該應(yīng)急車(chē)輛的優(yōu)先值.

運(yùn)用仿真軟件Starlogo,并結(jié)合Matlab編寫(xiě)了仿真程序.通過(guò)5次仿真,得出其平均仿真結(jié)果如表3所示.

仿真結(jié)果表明,與定時(shí)信號(hào)控制策略相比較,雖然普通車(chē)輛的平均通過(guò)時(shí)間增加了3.39%,但應(yīng)急車(chē)輛平均通過(guò)時(shí)間減少了16.40%,同時(shí)停車(chē)次數(shù)減少了8.21%.這意味著應(yīng)急車(chē)輛在時(shí)間通行權(quán)上的優(yōu)先是以其他普通車(chē)輛延誤的增加為代價(jià)的,但是在應(yīng)急情況下這種代價(jià)是值得考慮的.

與先到先服務(wù)信號(hào)控制策略比較,采用多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制后,各項(xiàng)評(píng)價(jià)指標(biāo)均有較大的改善.采用多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制時(shí),應(yīng)急車(chē)輛平均通過(guò)時(shí)間比先到先服務(wù)信號(hào)控制減少10.38%,普通車(chē)輛平均通過(guò)時(shí)間減少18.40%,平均停車(chē)次數(shù)減少21.66%.這說(shuō)明多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制策略是有效的,同時(shí)也說(shuō)明了先到先服務(wù)控制策略在多應(yīng)急車(chē)輛到達(dá)時(shí)的控制效果并不理想.此外,先到先服務(wù)控制下車(chē)輛過(guò)多的啟動(dòng)、停車(chē)行為容易造成交通事故.

由此可知,采用多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制策略能實(shí)現(xiàn)應(yīng)急車(chē)輛在交叉口時(shí)間通行權(quán)上的優(yōu)先,同時(shí)也減少了應(yīng)急車(chē)輛對(duì)其他車(chē)輛的干擾.

表3 仿真結(jié)果分析Table 3 Analysis of simulation results

5 研究結(jié)論

本文以多智能體技術(shù)為支撐,從信號(hào)優(yōu)先的角度研究信號(hào)交叉口多應(yīng)急車(chē)輛優(yōu)先控制問(wèn)題.通過(guò)對(duì)多應(yīng)急車(chē)輛信號(hào)控制問(wèn)題特點(diǎn)的分析,提出了基于多智能體的多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制系統(tǒng)結(jié)構(gòu).在該系統(tǒng)中引入相位智能體和管理智能體,兩種智能體分別負(fù)責(zé)信號(hào)配時(shí)和相位排序,從整體上實(shí)現(xiàn)多應(yīng)急車(chē)輛的信號(hào)優(yōu)先.通過(guò)與相同條件下的定時(shí)信號(hào)控制策略及先到先服務(wù)信號(hào)控制策略的仿真對(duì)比,驗(yàn)證了所提出系統(tǒng)是有效的,為實(shí)現(xiàn)緊急狀態(tài)下多應(yīng)急車(chē)輛信號(hào)優(yōu)先控制提供了參考.

[1]Qin X L.Real-time control and optimization of traffic signal timing transition for emergency vehicle preemption[D].Carleton University,2005.

[2]俞崢,李建勇.多智能體在交通控制系統(tǒng)中的應(yīng)用[J].交通運(yùn)輸工程學(xué)報(bào),2001,1(1):55-57.[YU Z,LI J Y.The application of the multi-agent technology on the traffic system control[J].Journal of Traffic and Transportation Engineering,2001,1(1):55-57.]

[3]安實(shí),崔娜,王健,等.基于多智能體協(xié)商的路徑選擇行為仿真研究[J].系統(tǒng)仿真學(xué)報(bào),2010,22(8): 1890-1894.[AN S,CUI N,WANG J,et al.Multiagent negotiation approach to simulate and analyze route choice behavior[J].Journal of System Simulation, 2010,22(8):1890-1894.]

[4]柳祖鵬.交叉口公交優(yōu)先智能信號(hào)控制系統(tǒng)研究[D].武漢:武漢科技大學(xué),2005.[LIU Z P. Research on bus priority intelligent signal control system at an intersection[D].Wuhan:Wuhan University of Science and Technology,2005.]

[5]Chou C H,Teng J C.A fuzzy logic controller for traffic junction signals[J].Information Sciences,2006 (143):73-97.

[6]Bingham E.Reinforcement learning in neurofuzzy traffic control[J].European Journal of Operational Research, 2001,131(2):232-241.

[7]Khan S G,Hermann G,Lewis F L,et al.Reinforcement learning and optimal adaptive control:An overview and implementation examples[J].Annual Reviews in Control,2012,36(1):42-59.

Multiple Emergency Vehicles Signal Priority Control Based on Multi-Agent Approach

MA Chao1,CUI Jian-xun2
(1.PanJin Communications Construction Co.,Ltd.,Panjin 124010,Liaoning,China; 2.School of Transportation of Science and Engineering,Harbin Institute of Technology,Harbin 150001,China)

Aiming at the signal priority problem that emergency vehicles from different directions have to pass the same intersections in the certain time period,this paper presents a signal priority control system for multiple emergency vehicles based on multi-agent.It considers the phrase agent and management agent and coordinates the modules of various agents by the fuzzy inference technique.Based on the multi-agent software,Starlogo,a case study of emergency signal control at a typical intersection are conducted.The results show that the emergency control policy presented in this paper can ensure the priority of emergency vehicles and minimize the interferences from other vehicles.The result is helpful to improve the efficiency of emergency rescue in urban areas.

intelligent transportation;multiple emergency vehicles;signal priority;multi-agent; fuzzy inference

U491.4

A

U491.4

A

1009-6744(2013)01-0057-06

2012-06-11

2012-11-23錄用日期:2012-12-07

馬超(1982-),男,遼寧盤(pán)錦人,工程師.

*通訊作者:hitmachao2012@163.com