多Agent在城市交通系統中的應用

1 引言

Agent 是運行于動(dòng)態(tài)環(huán)境中的具有較高自制能力的實(shí)體，具有自主性、分布性、協(xié)調性和一定學(xué)習、推理能力。多智能體系統通過(guò)Agent 間的通訊、合作、協(xié)調和控制表達系統功能及行為特性。城市交通系統是自然的、分布的、復雜的、動(dòng)態(tài)的、規模龐大的系統，采用多Agent 技術(shù)建模城市交通系統可為交通決策者和使用者提供良好的解決方案。從二十世紀80 年代末，就有學(xué)者將多Agent 技術(shù)引入到城市交通系統的建模中，利用其協(xié)作、存儲、智能性和自治性為使用者提供在線(xiàn)決策支持、實(shí)時(shí)交通控制，或利用其對客觀(guān)世界的準確描述進(jìn)行交通系統運行仿真，發(fā)現交通系統中的問(wèn)題、規律或驗證新的理論和算法。本文從ITS 框架中的先進(jìn)的交通管理系統(ATMS)、先進(jìn)的出行者信息系統(ATIS)、先進(jìn)的公交系統(APTS)三個(gè)方面對Agent 技術(shù)在城市交通系統中的應用現狀展開(kāi)論述，最后指出多Agent 技術(shù)在城市交通系統的應用中需解決的問(wèn)題以及發(fā)展趨勢。

2 多Agent在A(yíng)TMS中的應用

在A(yíng)TMS 中，多Agent 技術(shù)主要用于提供實(shí)時(shí)的決策支持并進(jìn)行適當的管理控制。根據Agent 慎思型和反應型兩種模型結構，建構基于A(yíng)gent 的城市交通管理系統也有兩種思路：分層遞階式和完全分布式。

2.1 分層遞階式結構

分層遞階式結構的每一級都由功能、結構類(lèi)似的Agent 組成，同級Agent 間可相互協(xié)調，上級Agent可作為對應下級Agent 的協(xié)調單元，下級Agent 向所屬上級Agent 傳輸局部系統環(huán)境和系統控制的反饋信息，為上級Agent 提供決策依據。最早的分層遞階式系統就是KITS 和TRYS.

KITS 產(chǎn)生于在1992-1994 年間，將交通領(lǐng)域知識分解成與路網(wǎng)拓撲結構相匹配的單元集合，提供專(zhuān)門(mén)的推理機制進(jìn)行交通決策和管理。如圖1 所示，底層的Agent 通過(guò)協(xié)作完成交通監控和管理任務(wù)，Actor 是直接和問(wèn)題區域對應的交通評價(jià)和管理單元，Supervisor 負責全局路況分析、解釋以及合成全局行動(dòng)方案。KITS 的成功表明：基于知識的模型可以和多Agent 技術(shù)相集合來(lái)提高城市交通系統的監控和管理能力。

圖 1 KITS 架構圖

TRYS 是在1991-1994 年間建立的實(shí)時(shí)自適應的交通管理決策系統。如圖2 所示，TRYS 的結構與KITS 相似，通過(guò)Agent 訪(fǎng)問(wèn)實(shí)時(shí)采集的路況數據，并由Agent 內部的知識庫和推理引擎對數據進(jìn)行分析處理，coordinator 負責協(xié)調各Agent的工作以形成全局解決方案。與KITS 不同的是，TRYS 中的問(wèn)題區域由獨立的、功能強大的Agent負責監督。

圖 2 TRYS 架構圖。

翟高壽和Choy根據遞階控制結構理論及城市交通系統的結構特征，提出了四層的分層遞階式結構，分別是：決策層(城市交通控制決策系統)、戰略控制層(若干區域協(xié)調控制系統)、戰術(shù)控制層(若干路口控制系統)、執行層(檢測器、信號控制器和信號燈等)。

該結構的協(xié)調控制策略在TRYS 基礎上進(jìn)一步下放到了路口級，建立了路口A(yíng)gent,每個(gè)路口成了一個(gè)智能的知識系統，可及時(shí)根據路口交通狀況進(jìn)行控制策略的實(shí)時(shí)部署與調整，更好地適應了交通系統動(dòng)態(tài)性、實(shí)時(shí)性強的特點(diǎn)，對突發(fā)性交通流的變化有很好的適應和調節能力。

2.2 完全分布式結構

在完全分布式結構的系統中，Agent 憑借自身的知識和智能與相鄰區域Agent 協(xié)調共同完成路口的管制。最初的應用就是西班牙的TRYSA2 系統，如圖3 所示。TRYSA2 Agent 有一個(gè)控制計劃集，每個(gè)計劃都被賦予了能夠減輕交通壓力的效用值。系統可通過(guò)評估相關(guān)Agent 的計劃效用值合成系統最優(yōu)的解決方案。Oliveira 、承向軍、楊兆升等學(xué)者也先后提出了以路口A(yíng)gent 為基本控制單元的完全分布式控制結構，系統中的Agent 都具備了一定的存儲、匹配和智能計算功能，可依靠良好的協(xié)調算法實(shí)現多Agent 之間的協(xié)調與合作以達到整體優(yōu)化和控制的目的。

圖 3 TRYSA2 架構圖。

2.3 兩種架構的性能比較

分層遞階式充分體現了集中和分散控制的有機結合，考慮到了全局利益，可使協(xié)調有目的地進(jìn)行，但是區域Agent 和主控Agent 的實(shí)現稍顯復雜。完全分布式具有反應快速、靈活性強等特點(diǎn)，可充分發(fā)揮Agent 的自治性、協(xié)調性，但由于A(yíng)gent 自身能力有限、系統的知識又過(guò)于分散，解決全局問(wèn)題的能力略顯不足，Agent 間的協(xié)調機制會(huì )對系統性能產(chǎn)生較大影響。在擴展性上，完全分布式只需把新Agent 注冊到其他Agent 中并修改相應的方案和知識庫即可將新Agent 擴充到當前的Agent 群體中，而分層遞階式需要整合區域控制中心和主控中心，重新賦予各Agent優(yōu)先權關(guān)系。在協(xié)作復雜度上，分層遞階式從每一個(gè)Agent 控制方案中選擇一個(gè)本地最優(yōu)的方案，完全分布式在所有的Agent 中通過(guò)搜索策略來(lái)查找最佳方案，因此后者工作量較大。

2.4 多Agent 的協(xié)調控制與優(yōu)化

多Agent 通過(guò)協(xié)調實(shí)現系統的分布式并行運行，提高任務(wù)的執行效率。在基于多Agent 的ATMS 中，有三種協(xié)調方式：①建立專(zhuān)門(mén)的協(xié)調Agent;②將協(xié)調行為分散至各Agent 中，由Agent 自主地完成;③集中與分布相結合的方法，Agent 自身即可以完成某些協(xié)調行為，又可以接受高層Agent 制定的規劃。當前常用的協(xié)調方法有黑板模型、博弈模型、協(xié)調器、交換意見(jiàn)等。

黑板模型信息傳輸量大，對信息傳輸的穩定性也有一定的要求，適用于簡(jiǎn)單的分布式多路口控制。博弈論模型適用于分層遞階結構的上下級Agent 間和完全分布結構的同級Agent 間的協(xié)調，但由于重復博弈過(guò)程中需要進(jìn)行復雜的均衡點(diǎn)收斂控制，所以基于交通信息博弈的計算量較大。協(xié)調器可基于一定的目標將同級和下級Agent 產(chǎn)生的提案合成全局的提案。協(xié)調器降低了系統的通信量和其他Agent 的實(shí)現復雜度，但卻增加了協(xié)調器Agent 自身的設計復雜度和計算量。交換意見(jiàn)法對系統通信的穩定性有很大的要求，當單個(gè)Agent 節點(diǎn)出現通信故障時(shí)，系統將無(wú)法正常工作。

從上述幾種方法的分析中可以看到，協(xié)調過(guò)程需要傳輸大量數據，因此容易造成傳輸網(wǎng)絡(luò )的擁塞。目前，很多學(xué)者都采用強化學(xué)習的方法來(lái)優(yōu)化本地的交通信息。強化學(xué)習方法是以環(huán)境提供的加強信號作為性能評價(jià)的反饋，完成從狀態(tài)到行為的映射的學(xué)習，特別適合處理不斷變化的路網(wǎng)環(huán)境。Baher、歐海濤等都基于強化學(xué)習研究了實(shí)時(shí)自適應的交通信號控制，減少路口節點(diǎn)間的大量通訊需求，增強了決策的可靠性。

2.5 相關(guān)應用研究

Ronald通過(guò)將分離獨立的交通設施建模成能互相協(xié)作的Agent,研究了動(dòng)態(tài)交通管理設備互相協(xié)作的可能性。Filippo實(shí)現了一種基于多Agent 架構的交通管理系統CARTESIUS,在分析偶發(fā)性阻塞和在線(xiàn)制定集成控制方案過(guò)程中展示了良好的協(xié)作推理和解決沖突的能力，可為交通管理人員協(xié)調多區域間的快車(chē)道和地面街道的路網(wǎng)阻塞提供實(shí)時(shí)決策支持。

Bo Chen等人將移動(dòng)Agent 技術(shù)融入到交通管理系統中，增強了處理不確定事件和環(huán)境動(dòng)態(tài)變化的能力，提出了一種基于柔性Agent 的實(shí)時(shí)交通檢測和管理系統。

3 多Agent在A(yíng)TIS中的應用

ATIS 可以影響出行行為，增強路網(wǎng)性能。當前采用Agent 技術(shù)研究ATIS 主要是針對不同的出行需求構建各式智能的出行信息系統，為出行者提供高質(zhì)量的出行信息和導航服務(wù);另外是研究ATIS 條件下的出行者行為以及ATIS 對城市交通的影響。

3.1 基于A(yíng)gent 的典型出行信息系統框架

為實(shí)現路網(wǎng)管理者和出行者之間的有效協(xié)調，需要在不嚴重影響個(gè)體出行者的使用偏好(出行類(lèi)型、路徑選擇、離開(kāi)/到達時(shí)間等)基礎上有效地基于時(shí)空二維分配路網(wǎng)?；诖?，Adler 和Blue 研究了智能出行信息系統(IT IS)，專(zhuān)為出行者提供出行計劃和導航輔助信息，提出一種代表出行者的車(chē)載智能導航Agent,可以學(xué)習、定義并校準路徑和出行計劃偏好。在此基礎上，他們又提出基于多Agent 的交通管理和路徑導航協(xié)作系統(CTMRGS)的概念框架，使路網(wǎng)管理者、信息提供者和出行者之間能有效的協(xié)調和溝通。系統采用原則協(xié)商指導出行者Agent 和信息提供者Agent 之間的交互，找到一個(gè)時(shí)最優(yōu)的出行方案，最后指出更多的智能將會(huì )被用來(lái)捕捉和呈現出行者的真實(shí)意圖和行為。

3.2 ATIS 影響下的基于多Agent 仿真的出行者行為研究

ATIS 的有效性取決于系統提供信息的能力以及出行者對出行信息的反應。因此，了解出行者的行為及其在出行信息下的決策過(guò)程便顯得尤為重要，這將有助于設計出高效的ATIS.目前，國內外很多學(xué)者都采用Agent 仿真方法研究ATIS 環(huán)境下的出行者行為。

Dia首先提出利用多Agent 仿真來(lái)研究實(shí)時(shí)交通信息影響下的駕駛員行為。通過(guò)對駕駛員行為(特性、心理、知識、偏好等)的調查采用BDI(信念-渴望-意圖)結構建模，配合交通仿真組件評價(jià)交通實(shí)時(shí)信息對駕駛員行為的影響。Rossetti基于BDI 架構提出了基于DRACULA(一種結合用戶(hù)學(xué)習和微觀(guān)模擬的動(dòng)態(tài)路徑分配模型)的多Agent 擴展模型對出行者進(jìn)行建模，允許出行者對出行路徑和離開(kāi)時(shí)間做出理性選擇。

駕駛員的行為會(huì )影響到ATIS 系統收益和系統的整體性能。Rossetti 基于謂詞邏輯表達方式對出行者Agent 建模，使決策過(guò)程中呈現了更多的出行者心理因素。仿真結果表明，系統的整體性能會(huì )受到出行信息需求和交通網(wǎng)絡(luò )拓撲結構的影響，當出行信息單獨向個(gè)體提供的時(shí)候，總體影響可以得到很大改善。

Joachim將出行者建模成Agent,基于兩條平行路徑的路網(wǎng)分析了ATIS 環(huán)境中的出行者路徑選擇行為，研究指出出行信息的特性很大程度上影響了ATIS的潛在收益。趙凜在Joachim 的基礎上，通過(guò)對系統中的微觀(guān)行為建立基于A(yíng)gent 的仿真模型來(lái)觀(guān)察系統涌現出來(lái)的宏觀(guān)特征。仿真結果顯示ATIS對通勤者出行前的出行規劃有一定影響，隨著(zhù)交通量的增加，交通系統的不確定性也隨之增加，ATIS 系統收益會(huì )有所提高。

3.3 相關(guān)應用研究

Zargayouna提出了一種基于A(yíng)gent 的出行者信息服務(wù)中心架構，通過(guò)實(shí)例化大量的交通實(shí)體，建立了基于環(huán)境的服務(wù)、信息資源和出行者主動(dòng)交互支持模型，允許實(shí)體間建立各自感興趣的交互。

Wahle提出了一個(gè)基于多Agent 的實(shí)時(shí)交通流在線(xiàn)仿真和預測框架，通過(guò)歷史數據的啟發(fā)結合當前動(dòng)態(tài)數據可提供對路徑選擇行為和交通走向的短期預測。王健采用數據挖掘中的決策樹(shù)方法獲取出行者信息需求，使用Agent 技術(shù)建立了基于移動(dòng)終端的信息服務(wù)網(wǎng)絡(luò )框架。Chou構建了基于多Agent的停車(chē)導航協(xié)商網(wǎng)絡(luò )，將汽車(chē)、停車(chē)場(chǎng)和導航系統建模成Agent,通過(guò)各Agent 的協(xié)作為駕駛員選擇價(jià)格和路線(xiàn)最優(yōu)的停車(chē)場(chǎng)。

4 多Agent在A(yíng)PTS中的應用

4.1 基于多Agent 的公交運行狀態(tài)檢測

公交運行狀態(tài)檢測對于確保公交系統的正點(diǎn)到站、運行具有重要的意義。采用AVM 系統獲取公交運行數據進(jìn)行擾動(dòng)(延遲和超行)檢測缺乏對全局路況的總覽而且穩定性差，很難提供基于時(shí)空二維的路況進(jìn)展狀態(tài)。因此，Flavien提出了采用多Agent 技術(shù)診斷公交擾動(dòng)以及檢測定位數據傳輸的連貫性。公交車(chē)和站點(diǎn)被建模成Agent,站點(diǎn)Agent 備有公交運行時(shí)間表，負責計算公交到站后的調度;公交車(chē)Agent負責向STOP Agent 報告路網(wǎng)實(shí)際狀態(tài)，供STOPAgent 將車(chē)輛到達的理論時(shí)間和當前實(shí)際時(shí)間相比較以檢測公交擾動(dòng)。在此基礎上，他們又對擾動(dòng)的整個(gè)生命周期進(jìn)行了動(dòng)態(tài)建模，把擾動(dòng)模型融合到多Agent 決策支持系統中，研究了擾動(dòng)對路網(wǎng)活動(dòng)的影響。模型包括三個(gè)信息區域：后繼區域(延遲公交車(chē)后繼站點(diǎn))，關(guān)鍵區域(延遲公交車(chē)所在的站點(diǎn))，先前區域(延遲公交車(chē)的前驅站點(diǎn))。如圖4 所示，最底層的STOP Agent 接收BUS Agent 傳來(lái)的信息，中間層的STOPAREA Agent 負責從STOP Agent 中收集信息合成交通評價(jià)、客流信息、路況進(jìn)展系數等，頂層的INCIDENT Agent 形成綜合的實(shí)時(shí)調度決策。

圖4 基于分級多Agent 公交擾動(dòng)檢測框架圖。

4.2 基于多Agent 的公交系統運行仿真

公交系統的運行仿真可用于調整公交調度、評價(jià)公交路網(wǎng)結構以及制定策略。David采用多Agent仿真方法描述了公交系統運行，將公交車(chē)和出行者建模成Agent,所有的模型都結合了公交操作、出行者行為和道路交通負載。文中使用了多項logit 模型配備交通需求，評價(jià)了步行、汽車(chē)、公交模式的效用，并基于效用模型制定了出行者的出行路線(xiàn)和交通行為。仿真主要關(guān)注了公交乘客載荷和乘客等待時(shí)間。

仿真結果表明，通過(guò)將公交車(chē)和出行者建模成Agent,可方便地模擬公交車(chē)在運行過(guò)程中可能出現的各種狀況(飽和、不足)，為特殊事件(事故、阻塞)的發(fā)生制定有效的調度策略。

5 結論與展望

ITS 的將來(lái)會(huì )被各式智能、自治的Agent 布滿(mǎn)整個(gè)交通系統中，通過(guò)互聯(lián)網(wǎng)、無(wú)線(xiàn)網(wǎng)絡(luò )或自組織網(wǎng)絡(luò )連接，不斷采集信息做出智能決策，最終使交通系統獲得徹底的智能。要使Agent 發(fā)揮更大的作用，還需要在實(shí)際應用中充分考慮城市交通系統及其內含實(shí)體的特點(diǎn)(出行方式特征、交通規則、路網(wǎng)結構、出行心里)，緩解通信需求、降低運算量及協(xié)調復雜度、優(yōu)化系統組織結構、增強系統的穩定性和安全性。多Agent 今后在城市交通系統中的研究方向應主要集中在以下幾方面：

(1) 多個(gè)Agent 系統的信息融合，如在交通管理系統、出行信息系統、導航系統、停車(chē)系統間共享信息，通過(guò)協(xié)調多系統的工作，提高路網(wǎng)運行效率和出行信息服務(wù)質(zhì)量;

(2) 針對城市交通系統存在的問(wèn)題，研究面向特定應用領(lǐng)域的多Agent 系統結構、協(xié)調算法和組織優(yōu)化技術(shù)，形成規范的技術(shù)體系，包括通信環(huán)境、建模方法、評價(jià)方法等;

(3) 將更多Agent 新技術(shù)引入到城市交通系統設計當中，如移動(dòng)Agent、Agent 規范、Agent 體系結構、Agent 通信和語(yǔ)言、Agent 組織與聯(lián)盟、Agent學(xué)習與規劃、Agent 協(xié)商與協(xié)調等方向上的新技術(shù);

(4) Agent 技術(shù)理論研究在城市交通中的應用已形成一定的規模，如何更高效地發(fā)揮Agent 的特性使之與城市交通更緊密的結合與適應將會(huì )成為新的研究熱點(diǎn);

(5) Agent 的廣泛應用會(huì )把更多的人工智能、系統工程、控制理論、優(yōu)化算法和分布式計算技術(shù)引入到實(shí)際的交通問(wèn)題解決中來(lái)，為Agent 的具體應用提供更多的新思路。