人工智能在路線線形設計中的應用探討

張 華，楊 芬

（湖北省城建設計院股份有限公司，湖北 武漢 430051）

0 引言

公路路線線形的設計需要權衡生態、經濟和環境等各方面的得失，在選線的過程中，應以交通需求為基礎，綜合考慮地形、地質、水文、土地使用而做出的選擇。因此，在這個過程中，受到多方技術規范的制約，需處理的資料較多，包括數據、圖片、影像等資料，還涉及到定性評價的指標，而這些因素受評價人的主觀性的影響，使得評價標準不一，難以建立準確的一致性的評價模型。另一方面，相關領域的專家未能整合，設計人員缺乏系統的支持，設計人員只能依據自己的經驗完成設計，設計質量取決于設計人員的綜合水平[1]。

目前，以交互技術為主要特征的計算機輔助設計方法在道路線形設計中被廣泛應用，已經實現勘察設計一體化的基本目標，路線線形設計的質量和速度也大幅提高[2]。然而，設計對比方案缺乏、設計周期較長、評價指標不完善、耗費人力多、無法做到系統的和科學的論證。而這些需要引入人工智能，將相關數據、專家知識整合匯總，構建大數據知識庫，然后通過人工智能技術，實現對知識數據的挖掘，建立模型，實現多方案的自動生成，并提供科學評價，進而實現科學決策，真正意義上實現自動化，智能化[3]。

本文首先介紹了人工智能近些年的發展現狀，并對人工智能在路線設計中的具體應用加以解釋。

1 人工智能在路線線形設計中的應用現狀

1980年至今，人工智能得到普遍發展，并且掀起在交通領域應用的熱潮，著重體現在智慧交通。但是應用在道路線形上的不多，目前的應用主要體現在優化設計方面，即利用智能算法對線形的平縱斷面進行優化設計。

1.1 知識庫與知識工程研究現狀

1977年E.A.Feigenbaurn教授首次提出知識工程這一概念，具體包括知識系統理論、方法和技術，其核心是知識庫的建立。知識庫是數據庫的一種，是人工智能的基礎和平臺。國內外對知識庫的構建，均取得很大的進展[4]。以邏輯語言為基礎開發的IBROW系統（歐洲）和NU—Prolog系統（墨爾本大學）；在系統建模方面，主要有KADS及在此基礎上開發的 Common KADS、MIKE、PROTEGE、VITAL等，這之中Common KADS最具代表性。國內，浙江大學研發了ZKBE知識庫系統，支持知識操作、查詢、管理、存儲、獲取等；長安大學研發出電噴發動機的診斷知識庫，幫助維修人員可以快速便捷地診斷故障并指導維修工作；華僑大學開發出施工方案的知識庫，以方便施工知識的表達[5]。

蘇格蘭的Miine P.H.是最早把知識工程應用到路線線形設計中的，并據此開發出RODEOS系統。這個系統可以根據現場土地和存在物體對線形的限制，并結合設計的具體要求，設計平面曲線和緩和曲線，可以很好地解決曲線重合的問題[6]。2004年，Lawrence Mandow聯合西班牙工程公司研發出Sindi系統，即輔助公路初步設計的智能系統，并在工程中得到應用，這一系統可以幫助設計人員快速給出方案并給出具體評價，可以做到快速決策，人機交互較好，而且可以自動生成評價并保存歷史記錄，但是其只是用小規模線路方案的選擇和評估，而且對設計人員的專業知識和經驗要求較高。

1.2 智能計算方法的應用

智能計算方法是通過模擬生物特性，進行數據處理分析、計算模型構建，并不需要建立精準的函數關系，利用啟發式信息來指導方向，它具有自我學習，自我適應的能力，還可以聯系群體與個體。這些方法主要包括：模擬大腦的模糊邏輯思維建立的模糊邏輯，模擬腦神經建立的人工神經網絡算法，模擬人類進化建立的遺傳算法，模擬免疫系統建立的免疫算法等；還有模擬社會性動物的自組織行為建立的群智能算法，比如蟻群算法，粒子群算法，魚群算法等[7]。

遺傳算法是進化計算的分支，在線形設計時使用較多。它可以模擬生物進化過程和機制，即從簡入繁，從低到高的過程，通過優勝劣汰的方式來求解問題。遺傳算法包括編碼、設置適應度函數及遺傳操作三個階段，遺傳操作又分為選擇、交叉和變異三個過程。首次使用該方法對路線優化設計的是Jyh-Cherng Jong博士，綜合考慮各種因素，并把GIS引入優化系統，而公路路線設計是一個多目標多因素問題，葉麗亞等提出多目標遺傳算法的優化設計，通過建立多目標模型和線形模型，反復迭代后給出最優解。此外，蟻群算法、粒子群算法（PSO）也被應用到線形設計中。

2 人工智能在線形設計中的應用思路

2.1 充分利用大數據

傳統的資料多以紙質檔案為主，部分檔案借助數據庫進行管理，缺點就是利用率低，不能充分挖掘，篩選困難。而現在是以云計算和大數據分析為基礎的信息化時代，如何實現對海量數據的搜索挖掘，如何集中有用數據做出分析，是未來設計的關鍵。

2.1.1 Hadoop MapReduce技術

HadoopMapReduce是當前主流的大數據并行計算技術，而MapReduce（分布式計算系統）是這一技術的核心，可以處理TB級別的超大型數據集并生成模型，Hadoop的組件結構如圖1所示。

圖1 Hadoop組建結構示意圖

2.1.2 GIS空間數據管理技術

路線設計需要考慮大量的因素，這涉及到大量的數據，不僅包括交通需求，地形地質、政策等，同時還涉及到鐵路、水運等，此外線形設計時還需要考慮生態環境、社會、經濟人文歷史等信息。而GIS系統具有強大的圖形圖像，以及屬性數據的處理能力，能夠對相關信息進行采集處理并繪制成圖。另一方面，它為勘察設計信息管理提供技術支持和數據融合、智能化設計的平臺。將GIS應用到智能設計中，首先就要建立基于GIS的知識庫，具體包括：建立GIS屬性數據庫，采集挖掘信息，將信息匯總分類，并用計算機語言表示。

2.2 充分利用智能算法

在公路路線設計優化過程中，需要從數據庫中提出數據，并對其進行分析。數據挖掘方式又分為點、線、面三種挖掘方式，數據的挖掘是目標函數構建的基礎。所謂點數據挖掘，就是挖掘一點的高程；線數據挖掘，是指通過GIS系統挖掘擬建公路與原有公路、鐵路及河流等線形工程的交叉信息，確定交叉類型；面數據挖掘是獲取公路所過之地的面域信息，比如拆遷面積與類型、地質特征與相應的面積等。本文以地質風險評價為例，展示面數據挖掘，如圖2所示。

另一方面，公路線形設計需要考慮多個目標，比如安全、經濟、地災風險、舒適和環保，需要構建多目標函數。總體的目標是：工程安全、經濟可行、環境破壞少且可恢復、舒適美觀。這類問題，有兩大特征，一是相互間具有矛盾性，即過度考慮安全，就會增加成本、達不到經濟最大化，考慮經濟，就會對環境造成巨大的破壞；第二個是沒有統一標準，所考慮的目標并不能用同一個標準去衡量，有些可以定量而有些只能定性，所以解決的思路就是使總的目標函數f（x）取最優解即可，如公式（1）所示，其中fi（x）為第i個目標函數。

如何利用挖掘的數據，構建目標函數，如何求總目標函數的最優解，這些則需要智能算法來實現。

而迭代計算的過程也是對路線進行優化的過程，使各目標之間的矛盾不斷被協調，實現建設與環境相適應，短期需要與長遠目標相適應，造價與工程質量相適應，新建工程與原有工程相適應。另一方面，利用智能算法求解的過程，也是智能決策的過程，每一次迭代，都會給出各目標的“度”，決策者可依據需求，選擇具體的方案。

所以，總的思路是利用GIS建立知識庫，并結合智能算法，將數據整合，多維挖掘處理數據，統籌選線知識、地理、地質、水文，以及其他相關信息，構建多目標函數，計算目標函數值，反復計算，求得最優解。

圖2 地質風險評估流程圖

3 人工智能的挑戰

人工智能設計，是建立在大數據基礎之上的，所以數據的管理清洗、處理、安全，以及接口的標準化，是目前的主要問題。

具體來說，要保證采集到的數據的真實性和科學性，去偽存真，同時還應多方位驗證數據的真實全面性，還要注重篩分，減少占用的存儲空間，實現低成本高可靠度的目標；對于數據的處理，要做到從異源、異構、多方位的動態或者模糊的數據中，提取到可使用可度量的信息；數據的安全與隱私是各個行業所面臨的最大問題，而公路數據具有時空的動態性，加大了數據保護的難度，這需要從技術層面進行突破；現在勘察設計的方式較多，采用的儀器、處理軟件也較多，融合轉換難度較高，因此需要建立統一的標準，可以使數據被充分應用[8]。

4 結語

本文對國內外知識庫與知識工程，智能算法等研究進行分析，從而發現：人工智能在路線設計中雖有一定的發展，但還有許多不足。大數據、云計算等技術的迅猛發展為公路工程設計提供了前所未有的機遇，但公路所面對的復雜環境，對人工智能的應用提出更高的要求，新時期，設計人員應利用人工智能技術，實現道路線形設計的自動化、智能化，妥善處理工程建設與自然環境、人文環境和經濟的關系，確保線形設計的最優化。