[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

摘要

城市公共交通管理，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。本发明主要应用于公共交通管理。

主权项

一种基于多智能体仿真的城市公共交通政策分析平台，其特征是，由大规模自治Agent松散藕合所构成，形成多Agent系统，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；其中，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)刺激计算规则在BM标准模型中，刺激sa的计算方式公式如下：其中ca—策略a相对应的平均通勤A—通勤者对此次通勤成本的期望cmax—该通勤者的历史最高通勤成本cmin—该通勤者的历史最低通勤成本式(1)的分母表示该通勤者历史任意一次成本与期望之差的绝对值的上确界；4)概率更新过程把A取为该通勤者的历史平均通勤成本，在一次通勤中采用策略a之后，其对应概率pa更新规则如下：在式(2)中，pa,t代表t时刻策略a对应的选择概率，l表示学习率0＜l＜1，其体现了通勤者学习的速度，sa,t是在t时刻选择策略a后计算得到的刺激；对于未被选择的策略，其对应的概率更新规则如下：