城市綜合交通態勢評估方法研究

摘要:城市綜合交通系統紛繁復雜，建立基于信息融合的智能交通態勢評估體系勢在必行。本文從態勢評估與智能交通管理相關概念、交通網態勢本體模型的實現、分布式實時交通仿真系統研究、貝葉斯網絡態勢評估技術在交通行業實踐等方面描述了態勢估計方法如何在國內城市綜合交通系統中應用。

關鍵詞:城市綜合交通系統;本體論;分布式實時交通仿真系統;貝葉斯網絡

城市綜合交通系統聚集了多種方式，包括了汽車、地鐵、輕軌、磁浮、水運，跨越了空、陸、水上、地下等層次，形成了一個復雜的巨型立體網絡，復雜的交通網絡結構與隨機的交通現象的耦合作用使得交通系統的動態性、反饋性和非線性越發顯著，面對綜合交通這樣的復雜系統，單角度的、單層次的數據是無法反映其真實信息的。態勢估計方法是信息融合最有效的研究方法之一，其優勢就在于它可以將上下文關系中描述實體、被觀察事件的關系，結合環境信息、經驗知識和實時觀察來確定實體集合體的含義，能夠反映真實的系統態勢，提供事件、活動的預測，并由此提供最優決策的依據。筆者結合城市綜合交通態勢評估方法研究這一軟課題論述態勢估計方法如何應用于綜合交通系統中，與智能交通其他技術融合，對于管理、改善和優化整個城市區域范圍內的、多模式的交通網絡系統，提高城市交通網絡系統的運營能力和效率，改善與增強交通系統的安全性，具有重要的作用。

1 態勢評估與智能交通管理

智能交通已經成為全球解決城市交通問題的主要手段，城市交通網的仿真和評估技術的重要價值使其成為該研究領域的重點和優先發展課題。交通態勢評估是在交通數據仿真的基礎上建立關于運輸活動、事件、時間、位置和物資要素組織形式的多重視圖，它將所觀測的交通擁堵分布與活動和立體環境有機地聯系起來，識別已發生的事件和計劃，并結合節假日以及其他商業政治活動的預期影響，做出處理突發事件的應急預案，尋求對當前交通態勢的合理解釋，并對臨近時刻的態勢變化做出預測。

2 本體論在智能交通中的應用

本體論Ontology是描述概念及概念之間關系的模型，通過模型來描述概念的語義。交通網態勢本體模型主要研究運用Ontology方法建立面向交通網態勢知識領域的本體模型，該模型反映了綜合交通網態勢領域的基本概念和語義模型，運用該模型可以描述綜合交通網的態勢，支持綜合交通網的利用和管理，提高其使用效率。智能交通領域有多種理論及經驗求解模型，每種模型有多種算法，本文應用推薦高層合并本體SUMO理論構建交通領域本體，從主要數據源(Gls數據和視頻數據)、交通領域知識、組織結構出發，將交通資源本體集定義為五個領域子本體。

2.1 地理本體

它提供與地理信息相關的概念與關系，包括道路、路口、建筑、天氣、國家、城市、位置等;此本體提供與Gls數據及地圖轉換層次一致的本體概念集。地理本體對SUMO中基礎概念的引用關系及概念、屬性進行了擴充。其中:mainstem表示概念“主干道”，為SUMO相應概念roadway“道路”的子類;maxspeed allowed為增加的道路屬性“最高時速”。這些概念及屬性的設置提供了必要的Gls信息的語義映射基礎。交通資源本體集片段程序如下:

< owl class rdf about = \" http// www.owl # ontologies.com / Geographyontology ow #Mainstem \" )

< rdfs subClass of rdf resouce = \"http// www.ontologyportal.org/translations / SUMO ow #Roadway \" / )

< / ow 1 Class )

< ow 1 class rdf about = \" http// www.owl - ontol ogies com / Geographyontology ow #latera|Roadway \")

(rdfs subClass of rdf resourcee = \"http//www.ontologyportal. org /translations /SUMO ow# Roadway\"/)

< /ow 1 disjoin twith)

< ow 1 Class rdfID = \" MajnStem \" /)

< / ow 1 disjoin twith )

< / ow 1 Class )

( ow 1 object property rdfID = \" maxspeedAllowed \" )

< rdfs domain rdf resource = \"http// www.ontologyportal .org/translations / SUMO ow# Roadway\"/)

< rdfs range rdf resource = \" http// www.ontologyportal.org/translations / SUMO ow#Measure”/ )

( / ow 1 object property )

< ow 1 class rdf about = \" http// www.owl - ontol ogies com / Geographyontology ow # Hospital，)

< rdfs comment > A building which provides medical care to patients

< /rdfs comment )

< / ow 1 Class )

< ow 1 Object property rdf ID = \" near “ )

( rdfs domain rdf resource = \"http// www.ontologyportal.org/translations / SUMO.ow# Building\"/ )

( rdfs range rdf resource = \" www.ontologyportal org/translations / SUMO ow# Roadway \" /》

< / ow 1 objectproperty 》

2.2 交通本體

該本體提供與交通信息相關的概念與關系，又分為靜態本體和事件本體兩類。其中靜態本體描述固有的、實物性的概念，如車輛、紅綠燈、站臺、乘客等;事件本體則描述臨時的、動作類的概念，如堵車、交通事故、加油等。

2.3 多媒體本體

交通視頻數據是智能交通決策支持系統中，用于交通流量預測、交通事故鑒定、交通路徑誘導等高層決策支持的重要數據源。本文利用所定義的多媒體本體對圖像、圖形、圖片等多媒體文件進行符合交通領域信息(如車禍地點、發生時間、發生車輛等)的語義文字描述，為基于語義文本的交通監控多媒體文件查找提供語義基礎。

2.4 交通組織本體

實現各部門協同工作，需要定義各個部門的相互關系與數據權限。本文采用中國智能交通系統體系框架建立的交通組織本體，為組織之間的協作提供知識表示，包括交通管理中心、旅客運輸部門、交通信息服務提供商、緊急事件管理部門、基礎設施管理部門、貨物運輸服務提供者、政府執法部門。

2.5 應用本體層

應用本體是在領域本體的基礎上建立的與具體系統應用相關的概念與關系集合，如車輛診斷維護本體、交通事故處理本體等。單一的應用本體均與一個特定的應用相關聯，可以采用事先定義的方式存儲于本體庫中，也可利用本體編輯工具從領域本體中分離概念進行實時編輯。用戶通過對應用本體中概念的選擇、組合并輸入屬性值的描述，完成對特定應用中異構資源的查詢與整合，保證跨子系統應用的實現。

3 分布式實時交通仿真系統研究

目前的交通仿真系統大多數是離線的仿真系統，以歷史調查數據的統計分析結果為依據，得出一系列的仿真評估指標，不夠直觀。本文選擇HLA作為分布式仿真的計算平臺，為以交通仿真為基礎的交通流預測、交通態勢預測、實時動態路徑誘導提供仿真平臺的支持。

HLA(高層體系結構)將各類仿真系統集成為一個分布交互式的綜合仿真系統，可以形成一個龐大的虛擬作戰空間。實現某一特定仿真目的的分布仿真系統稱為聯邦。聯邦由若干交互的仿真應用——聯邦成員構成。一個聯邦成員由許多對象組成，對象的狀態定義為屬性值的集合。一組具有同樣屬性和方法對象的集合稱為類。HLA的基本思想就是采用面向對象的方法來設計、開發和實現仿真系統的對象模型，以獲得仿真聯邦的高層次的互操作和重用。現在以城市綜合交通信息平臺為基礎仿真，實時獲取某市的道路交通信息。

根據操作系統的不同，HLA聯邦成員的程序框架一般分為單線程結構和雙線程結構。分布式實時仿真設計過程如下。

3.1 基于命令行方式的聯邦成員

基于命令行方式的聯邦成員通常為單線程結構，各步驟的基本操作詳細介紹如下:

(1)初始化成員數據;

(2)調用rtiAmb create Federation execution () 創建聯邦執行;

(3)加入聯邦執行;

(4)聲明公布/訂購關系;

(5)確定聯邦成員的時間推進策略(默認為既非Regulaing也非Constrained);

(6)調用rtiAmb register () bjectinstance () 注冊對象實例;

(7)調用rtiAmb time advanceRequest () 請求時間推進;

(8)仿真推進，運行聯邦成員的仿真模型;更新對象實例屬性值，調用RTI:Attribute Setfactoy:Create () 創建，RTI : Attribute Handle value Pairset，調用rtAmb update attribute values 更新實例屬性值;發送交互實例，調用RTI: Parameter setfactory:Create () 創建，RTI : parameter handleValue Pairset，調用rtAmb Send interaction發送交互實例，根據需要創建/刪除對象實例，根據需要轉移/接收實例屬性所有權，根據需要公布/取消公布、訂購/取消訂購對象類/交互類，根據需要改變聯邦成員的時間推進策略;

(9)調用rtAmb resign federation execution () 退出聯邦執行;

(10)調用rtAmb destroy Federation Execution () 撤銷聯邦執行。

對每個聯邦成員而言，上述的操作步驟和操作內容都是相似的。因此，可以開發一個通用的HLA成員框架來完成這些工作，目的是將這些基本過程封裝起來，以便減少成員代碼的工作量，提高聯邦開發效率。

3.2 基于Windows方式的聯邦成員

基于Windows 方式的聯邦成員，其程序設計一般采用雙線程結構，一個是窗口界面線程，它主要用于管理員和窗口的交互:另一個是仿真線程，主要用于完成仿真模型的執行和聯邦交互。仿真線程是聯邦成員仿真的核心部分。

4 貝葉斯網絡態勢評估技術在交通行業應用

貝葉斯網絡BN (Bayesian net) 是目前在人工智能中一種很重要的推理技術，具有描述事件多態性和事件邏輯關系非確定性的能力，因而非常適合于描述復雜系統中事件的表征與態勢之間的多對多關系和不確定性關系。貝葉斯網絡推理模型是根據先驗信息構建的，當葉節點狀態概率分布不變時網絡保持平衡狀態，一旦葉節點的狀態根據觀測信息改變時，整個網絡中的節點都將根據Peal的算法更新其狀態概率分布。利用貝葉斯網絡進行態勢估計，首先必須進行貝葉斯網絡的構建:一確定節點內容。貝葉斯網絡由節點組成，節點對應著不同的事件，因此，首先必須確定態勢估計領域中存在哪些事件。二確定節點關系。確定了節點內容之后，需要按照一定的方法，確定各個節點事件之間的因果關系。三概率分配。概率分配包括兩部分內容:對沒有父節點的頂層事件指定先驗概率，即P(vi);對有父節點的事件指定條件概率，即P(vi/Pa(vi))。以下是貝葉斯網絡態勢評估技術在交通行業具體應用。

4.1 確定貝葉斯網絡節點及其值域

交通突發事件的發生，是多個因素共同作用的結果，包括天氣情況、發生時間、車流量情況、車輛型號以及距離救援部門的距離情況，這些影響到事件威脅程序的影響因素，其相應的變量集確定如下:X={W，T，F，M，D，H，C，F，A1，A2，A3};其中，W表示天氣情況，T表示發生的時間段，M表示車輛型號，D表示事發現場離救援部門的距離，H表示人員傷亡情況，C表示車輛損壞情況，F為結果，表示車流量情況，A1為結果，表示救援部門的到達時間。A2為結果，表示事故可能的持續時間，A3為結果，表示威脅等級。

接下來，確定每一個因素的值域。這里需要指出的是實際應用時，一定要咨詢領域專家進行修正。其中:天氣情況W，應該包括{晴，陰，霧，雨，雪｝。

T為時間段，具體可以分為，[0:00一4:00)、[4:00一8:00)、[8:00一12:00)、[12:00一16:00)、[16:00一20:00)、[20:00一24:00)六個半開半閉區間，這里其實應該根據所在城市的實際路段繁忙情況來進行劃分。M為車輛型號，具體包括{非機動車、摩托車、轎車、公共汽車、載重車｝等。

4.2 基于貝葉斯網絡的交通突發事件處理總體工作流程

利用貝葉斯網絡進行推理分析工作主要有四個步驟，這四個步驟通常是交叉進行，而不是簡單地按順序完成:

(1)構造貝葉斯網絡。就是確定想要分析出的結果、決定因素、因素之間的關系。

(2)利用訓練數據進行學習。條件概率表是貝葉斯網絡進行推理分析的重要參考，但是以上步驟得出的條件概率表都是由專家經驗初步生成的，帶有一定的主觀性，所以需要利用交通突發事件的歷史數據進行學習，對條件概率表中的內容進行修正，使得表中的內容更加客觀，從而得到更為準確的分析結果。

(3)利用貝葉斯網絡進行推理。以上兩個步驟都是貝葉斯網絡進行推理得到預測結果前的準備工作，有了足夠的條件概率表進行參考以后，就可以使用貝葉斯推理算法結合貝葉斯網絡結構進行推理。其中推理又包括因果推理和診斷推理，在本系統中主要使用的是前者。

(4)更新貝葉斯網絡。雖然從上一步中就可以獲得一些我們想要的分析結果，但是突發事件的事是不斷發展的、貝葉斯網絡中的各個因素也是在不停的發生變化的，很有可能貝葉斯網絡中某個或多個以前作為預測結果的節點在某一個時間有了一個確定的結果，比如交通事故的持續時間會決定道路的堵塞狀況，但是某一時刻道路的堵塞狀況已知，就可以利用消息傳播算法修正網絡中各個節點的先驗概率和條件概率標，從而提高后續推理分析的準確率。從圖2可以直觀地了解這四個步驟是如何實現的。

5 結論

本文將態勢估計的概念引入交通網領域，提出了交通網態勢評估的元素提取的方法;運用基于多智能體的分布式網絡化制造仿真技術，解決了傳統層次性與集中式仿真低效、結構化的特點，通過多智能體的自治與協同功能，為分布式交通網態勢仿真提出了一種高效、智能、非結構化的仿真機制;同時，本文在實時的高速路交通采集數據基礎上，基于貝葉斯網絡技術，在HLA分布式平臺上，研究實時交通態勢預測的技術和算法。

本文研究成果是為我國城市交通的高效管理提供分析與優化手段，具明顯的經濟效益和社會效益，能夠減少交通事件處理的時間，降低交通事件帶來的不良影響，幫助相關的管理部門及時準確科學地處理交通事件。

參考文獻

[1]王煌，陳學廣.基于SUMO的交通網格決策本體層次模型設計[J].計算機應用研究，2009，26(4).

[2]馬云龍.分布式實時微觀交通仿真系統研究.計算機應用與軟件[J].2008，25(3).

[3]陳昕，楊兆升，王海洋，等.城市交通流有序度分析法[J].交通與計算機，2007(1).

[4]李莉，陳長虹，戴懿，黃成，等.城市交通與環境可持續發展指標體系評估系統研究:上海案例應用[J].安全與環境學報，2006(4).

[5]戢曉峰.劉瀾，基于交通信息提取的區域交通狀態判別方法[J].三峽大學學報(自然科學版)，2009(1).

[6]趙志強，張毅，胡堅明，等.基于PCA和ICA的交通流量數據壓縮方法比較研究[J].公路交通科技，2008(11).

[7]戢曉峰.城市道路交通狀態分析方法回顧與展望[J].道路交通與安全，2008(3).

[8]鄒亮.徐建閩.朱玲湘.基于融合技術的道路交通狀態判別模型[J].清華大學學報(自然科學版)，2007(z2).