[发明专利]基于多智能体仿真的城市公共交通政策分析平台

说明书

技术领域

城市公共交通管理。具体讲，涉及基于多智能体仿真的城市公共交通政策分析平台。

背景技术

Agent技术是人工智能研究领域的热点，由面向对象技术发展而来。由异构、分布、动态、大规模自治Agent松散藕合所构成的系统，称之为多Agent系统(Multi-Agent System，MAS)，也可泛指所有由多个自治或半自治模块组成的系统。在交通领域，利用多Agent技术解决复杂交通问题的研究也正在日益增多。多Agent仿真技术为解决早高峰通勤现有研究的局限性提供了新的方法。多Agent系统中的每个Agent都有其不同的行为动机和行为机制，并具有在不完全信息下求解问题的能力，Agent所具备的知识和获取的数据是相互独立的，系统不具备全局控制机制。每个Agent的行为都将对环境造成影响，而环境所包含的信息又通过反馈机制传递给Agent，从而影响其行为。

多Agent技术在交通相关领域得到了广泛的运用。在交通控制和管理领域，Fei-Yue Wang设计了将Agent技术运用于现实城市交通控制的硬件及系统实现。Van Katwijk等提供了一个能在动态交通管理中实验不同策略的多Agent系统，以研究不同策略的适用性。在交通信号灯控制领域，Choy等建立一个具有在线学习能力的分层式多Agent构架，运用模糊神经决策控制交通信号灯。Chen等设计了带适应和合作的信号灯Agent用于分散式的交通灯控制。Kosonen设计一个基于多Agent的信号灯控制系统，其利用实时检测器数据对路网情况进行在线仿真。

值得一提的是，多Agent系统所具备的Agent的异构性、自治性等特点，使其尤为适合在交通仿真领域中使用，不论是行人流的仿真、驾驶行为的仿真，甚至在道路交叉口仿真或者空中交通流量仿真方面也都得到了较好的应用。Burmeister等利用多Agent技术实现了一个微观交通仿真模型，在其模型中将驾驶员及其所驾驶车辆视为一个智能Agent，由传感器、效应器、通讯机制、动机、认知等模块组成，结果表明新模型更为契合实际，并且克服了传统仿真模型中的诸多不足。Joachim Wahle等利用基于Agent的方法对两路径情况进行仿真，研究了实时信息影响下的驾驶员行为。Salim等提出了一个基于Agent的模型用于仿真道路交叉口的安全状况，在其模型中，Agent利用数据流挖掘的方法用于侦测交叉口路况、碰撞提示和回避等方面。Rossetti等利用带有信念(beliefs)、愿望(desires)、意图(intentions)的BDI Agent研究驾驶员的决策行为。在Li等的工作中，多Agent的协同机制和网格计算方法结合起来被用于空中交通流的仿真，提高了传统空中交通流仿真中的计算效率。Da Silva等开发了能够仿真驾驶员行为、交通灯、交通拥堵预测的多Agent仿真平台。Kukla建立了一个基于多Agent的行人仿真模型。

发明内容

为克服技术的不足，为政策的制定、交通管理效率的提高提供技术支持。为此，本发明采取的技术方案是，基于多智能体仿真的城市公共交通政策分析平台，由大规模自治Agent松散藕合所构成，形成多Agent系统(Multi-Agent System，MAS，)，通勤者Agent代表在早高峰有出勤需求的居民，其基本行为模式为在每个仿真天内乘坐公交车至工作区上班，结束通勤后衡量此次通勤的成本，更新经验库和知识；系统包括如下几个主要模块：

环境感知模块：用于感知环境中的拥挤、早到或迟到的延误惩罚等因素；

记忆存储模块：用于保存和提取历史通勤信息；

成本衡量模块：结合环境感知模块计算通勤成本；

经验库：随着系统的演化Agent会不断更新自己的经验，其内容体现了Agent对记忆中整个高峰通勤状况的感受和评价；

学习机制：采用基于Agent的Bush-Mosteller算法；

决策控制模块：结合经验库和通勤者记忆的信息，对下一个仿真天选乘的班次进行决策。基于Bush-Mosteller的通勤者学习机制包括：

1)采用Bush-Mosteller强化学习模型；

2)策略学习机制；

将BM模型应用到早高峰通勤情境下，通勤者的可选策略集即为早高峰所有班车集合，记为T，每一辆公交车代表一个选择策略，每个策略对应一个选择概率从而整个策略集对应了一个概率向量，由随机决策准则决定每仿真天内通勤者所选策略。通勤者单次通勤效用由成本衡量模块计算；

3)刺激计算规则