论文部分内容阅读
摘要:城市综合交通系统纷繁复杂,建立基于信息融合的智能交通态势评估体系势在必行。本文从态势评估与智能交通管理相关概念、交通网态势本体模型的实现、分布式实时交通仿真系统研究、贝叶斯网络态势评估技术在交通行业实践等方面描述了态势估计方法如何在国内城市综合交通系统中应用。
关键词:城市综合交通系统;本体论;分布式实时交通仿真系统;贝叶斯网络
城市综合交通系统聚集了多种方式,包括了汽车、地铁、轻轨、磁浮、水运,跨越了空、陆、水上、地下等层次,形成了一个复杂的巨型立体网络,复杂的交通网络结构与随机的交通现象的耦合作用使得交通系统的动态性、反馈性和非线性越发显著,面对综合交通这样的复杂系统,单角度的、单层次的数据是无法反映其真实信息的。态势估计方法是信息融合最有效的研究方法之一,其优势就在于它可以将上下文关系中描述实体、被观察事件的关系,结合环境信息、经验知识和实时观察来确定实体集合体的含义,能够反映真实的系统态势,提供事件、活动的预测,并由此提供最优决策的依据。笔者结合城市综合交通态势评估方法研究这一软课题论述态势估计方法如何应用于综合交通系统中,与智能交通其他技术融合,对于管理、改善和优化整个城市区域范围内的、多模式的交通网络系统,提高城市交通网络系统的运营能力和效率,改善与增强交通系统的安全性,具有重要的作用。
1 态势评估与智能交通管理
智能交通已经成为全球解决城市交通问题的主要手段,城市交通网的仿真和评估技术的重要价值使其成为该研究领域的重点和优先发展课题。交通态势评估是在交通数据仿真的基础上建立关于运输活动、事件、时间、位置和物资要素组织形式的多重视图,它将所观测的交通拥堵分布与活动和立体环境有机地联系起来,识别已发生的事件和计划,并结合节假日以及其他商业政治活动的预期影响,做出处理突发事件的应急预案,寻求对当前交通态势的合理解释,并对临近时刻的态势变化做出预测。
2 本体论在智能交通中的应用
本体论Ontology是描述概念及概念之间关系的模型,通过模型来描述概念的语义。交通网态势本体模型主要研究运用Ontology方法建立面向交通网态势知识领域的本体模型,该模型反映了综合交通网态势领域的基本概念和语义模型,运用该模型可以描述综合交通网的态势,支持综合交通网的利用和管理,提高其使用效率。智能交通领域有多种理论及经验求解模型,每种模型有多种算法,本文应用推荐高层合并本体SUMO理论构建交通领域本体,从主要数据源(Gls数据和视频数据)、交通领域知识、组织结构出发,将交通资源本体集定义为五个领域子本体。
2.1 地理本体
它提供与地理信息相关的概念与关系,包括道路、路口、建筑、天气、国家、城市、位置等;此本体提供与Gls数据及地图转换层次一致的本体概念集。地理本体对SUMO中基础概念的引用关系及概念、属性进行了扩充。其中:mainstem表示概念“主干道”,为SUMO相应概念roadway“道路”的子类;maxspeed allowed为增加的道路属性“最高时速”。这些概念及属性的设置提供了必要的Gls信息的语义映射基础。交通资源本体集片段程序如下:
< 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 交通本体
该本体提供与交通信息相关的概念与关系,又分为静态本体和事件本体两类。其中静态本体描述固有的、实物性的概念,如车辆、红绿灯、站台、乘客等;事件本体则描述临时的、动作类的概念,如堵车、交通事故、加油等。
2.3 多媒体本体
交通视频数据是智能交通决策支持系统中,用于交通流量预测、交通事故鉴定、交通路径诱导等高层决策支持的重要数据源。本文利用所定义的多媒体本体对图像、图形、图片等多媒体文件进行符合交通领域信息(如车祸地点、发生时间、发生车辆等)的语义文字描述,为基于语义文本的交通监控多媒体文件查找提供语义基础。
2.4 交通组织本体
实现各部门协同工作,需要定义各个部门的相互关系与数据权限。本文采用中国智能交通系统体系框架建立的交通组织本体,为组织之间的协作提供知识表示,包括交通管理中心、旅客运输部门、交通信息服务提供商、紧急事件管理部门、基础设施管理部门、货物运输服务提供者、政府执法部门。
2.5 应用本体层
应用本体是在领域本体的基础上建立的与具体系统应用相关的概念与关系集合,如车辆诊断维护本体、交通事故处理本体等。单一的应用本体均与一个特定的应用相关联,可以采用事先定义的方式存储于本体库中,也可利用本体编辑工具从领域本体中分离概念进行实时编辑。用户通过对应用本体中概念的选择、组合并输入属性值的描述,完成对特定应用中异构资源的查询与整合,保证跨子系统应用的实现。
3 分布式实时交通仿真系统研究
目前的交通仿真系统大多数是离线的仿真系统,以历史调查数据的统计分析结果为依据,得出一系列的仿真评估指标,不够直观。本文选择HLA作为分布式仿真的计算平台,为以交通仿真为基础的交通流预测、交通态势预测、实时动态路径诱导提供仿真平台的支持。
HLA(高层体系结构)将各类仿真系统集成为一个分布交互式的综合仿真系统,可以形成一个庞大的虚拟作战空间。实现某一特定仿真目的的分布仿真系统称为联邦。联邦由若干交互的仿真应用——联邦成员构成。一个联邦成员由许多对象组成,对象的状态定义为属性值的集合。一组具有同样属性和方法对象的集合称为类。HLA的基本思想就是采用面向对象的方法来设计、开发和实现仿真系统的对象模型,以获得仿真联邦的高层次的互操作和重用。现在以城市综合交通信息平台为基础仿真,实时获取某市的道路交通信息。
根据操作系统的不同,HLA联邦成员的程序框架一般分为单线程结构和双线程结构。分布式实时仿真设计过程如下。
3.1 基于命令行方式的联邦成员
基于命令行方式的联邦成员通常为单线程结构,各步骤的基本操作详细介绍如下:
(1)初始化成员数据;
(2)调用rtiAmb create Federation execution () 创建联邦执行;
(3)加入联邦执行;
(4)声明公布/订购关系;
(5)确定联邦成员的时间推进策略(默认为既非Regulaing也非Constrained);
(6)调用rtiAmb register () bjectinstance () 注册对象实例;
(7)调用rtiAmb time advanceRequest () 请求时间推进;
(8)仿真推进,运行联邦成员的仿真模型;更新对象实例属性值,调用RTI:Attribute Setfactoy:Create () 创建,RTI : Attribute Handle value Pairset,调用rtAmb update attribute values 更新实例属性值;发送交互实例,调用RTI: Parameter setfactory:Create () 创建,RTI : parameter handleValue Pairset,调用rtAmb Send interaction发送交互实例,根据需要创建/删除对象实例,根据需要转移/接收实例属性所有权,根据需要公布/取消公布、订购/取消订购对象类/交互类,根据需要改变联邦成员的时间推进策略;
(9)调用rtAmb resign federation execution () 退出联邦执行;
(10)调用rtAmb destroy Federation Execution () 撤销联邦执行。
对每个联邦成员而言,上述的操作步骤和操作内容都是相似的。因此,可以开发一个通用的HLA成员框架来完成这些工作,目的是将这些基本过程封装起来,以便减少成员代码的工作量,提高联邦开发效率。
3.2 基于Windows方式的联邦成员
基于Windows 方式的联邦成员,其程序设计一般采用双线程结构,一个是窗口界面线程,它主要用于管理员和窗口的交互:另一个是仿真线程,主要用于完成仿真模型的执行和联邦交互。仿真线程是联邦成员仿真的核心部分。
4 贝叶斯网络态势评估技术在交通行业应用
贝叶斯网络BN (Bayesian net) 是目前在人工智能中一种很重要的推理技术,具有描述事件多态性和事件逻辑关系非确定性的能力,因而非常适合于描述复杂系统中事件的表征与态势之间的多对多关系和不确定性关系。贝叶斯网络推理模型是根据先验信息构建的,当叶节点状态概率分布不变时网络保持平衡状态,一旦叶节点的状态根据观测信息改变时,整个网络中的节点都将根据Peal的算法更新其状态概率分布。利用贝叶斯网络进行态势估计,首先必须进行贝叶斯网络的构建:一确定节点内容。贝叶斯网络由节点组成,节点对应着不同的事件,因此,首先必须确定态势估计领域中存在哪些事件。二确定节点关系。确定了节点内容之后,需要按照一定的方法,确定各个节点事件之间的因果关系。三概率分配。概率分配包括两部分内容:对没有父节点的顶层事件指定先验概率,即P(vi);对有父节点的事件指定条件概率,即P(vi/Pa(vi))。以下是贝叶斯网络态势评估技术在交通行业具体应用。
4.1 确定贝叶斯网络节点及其值域
交通突发事件的发生,是多个因素共同作用的结果,包括天气情况、发生时间、车流量情况、车辆型号以及距离救援部门的距离情况,这些影响到事件威胁程序的影响因素,其相应的变量集确定如下:X={W,T,F,M,D,H,C,F,A1,A2,A3};其中,W表示天气情况,T表示发生的时间段,M表示车辆型号,D表示事发现场离救援部门的距离,H表示人员伤亡情况,C表示车辆损坏情况,F为结果,表示车流量情况,A1为结果,表示救援部门的到达时间。A2为结果,表示事故可能的持续时间,A3为结果,表示威胁等级。
接下来,确定每一个因素的值域。这里需要指出的是实际应用时,一定要咨询领域专家进行修正。其中:天气情况W,应该包括{晴,阴,雾,雨,雪｝。
T为时间段,具体可以分为,[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)六个半开半闭区间,这里其实应该根据所在城市的实际路段繁忙情况来进行划分。M为车辆型号,具体包括{非机动车、摩托车、轿车、公共汽车、载重车｝等。
4.2 基于贝叶斯网络的交通突发事件处理总体工作流程
利用贝叶斯网络进行推理分析工作主要有四个步骤,这四个步骤通常是交叉进行,而不是简单地按顺序完成:
(1)构造贝叶斯网络。就是确定想要分析出的结果、决定因素、因素之间的关系。
(2)利用训练数据进行学习。条件概率表是贝叶斯网络进行推理分析的重要参考,但是以上步骤得出的条件概率表都是由专家经验初步生成的,带有一定的主观性,所以需要利用交通突发事件的历史数据进行学习,对条件概率表中的内容进行修正,使得表中的内容更加客观,从而得到更为准确的分析结果。
(3)利用贝叶斯网络进行推理。以上两个步骤都是贝叶斯网络进行推理得到预测结果前的准备工作,有了足够的条件概率表进行参考以后,就可以使用贝叶斯推理算法结合贝叶斯网络结构进行推理。其中推理又包括因果推理和诊断推理,在本系统中主要使用的是前者。
(4)更新贝叶斯网络。虽然从上一步中就可以获得一些我们想要的分析结果,但是突发事件的事是不断发展的、贝叶斯网络中的各个因素也是在不停的发生变化的,很有可能贝叶斯网络中某个或多个以前作为预测结果的节点在某一个时间有了一个确定的结果,比如交通事故的持续时间会决定道路的堵塞状况,但是某一时刻道路的堵塞状况已知,就可以利用消息传播算法修正网络中各个节点的先验概率和条件概率标,从而提高后续推理分析的准确率。从图2可以直观地了解这四个步骤是如何实现的。
5 结论
本文将态势估计的概念引入交通网领域,提出了交通网态势评估的元素提取的方法;运用基于多智能体的分布式网络化制造仿真技术,解决了传统层次性与集中式仿真低效、结构化的特点,通过多智能体的自治与协同功能,为分布式交通网态势仿真提出了一种高效、智能、非结构化的仿真机制;同时,本文在实时的高速路交通采集数据基础上,基于贝叶斯网络技术,在HLA分布式平台上,研究实时交通态势预测的技术和算法。
本文研究成果是为我国城市交通的高效管理提供分析与优化手段,具明显的经济效益和社会效益,能够减少交通事件处理的时间,降低交通事件带来的不良影响,帮助相关的管理部门及时准确科学地处理交通事件。
参考文献
[1]王煌,陈学广.基于SUMO的交通网格决策本体层次模型设计[J].计算机应用研究,2009,26(4).
[2]马云龙.分布式实时微观交通仿真系统研究.计算机应用与软件[J].2008,25(3).
[3]陈昕,杨兆升,王海洋,等.城市交通流有序度分析法[J].交通与计算机,2007(1).
[4]李莉,陈长虹,戴懿,黄成,等.城市交通与环境可持续发展指标体系评估系统研究:上海案例应用[J].安全与环境学报,2006(4).
[5]戢晓峰.刘澜,基于交通信息提取的区域交通状态判别方法[J].三峡大学学报(自然科学版),2009(1).
[6]赵志强,张毅,胡坚明,等.基于PCA和ICA的交通流量数据压缩方法比较研究[J].公路交通科技,2008(11).
[7]戢晓峰.城市道路交通状态分析方法回顾与展望[J].道路交通与安全,2008(3).
[8]邹亮.徐建闽.朱玲湘.基于融合技术的道路交通状态判别模型[J].清华大学学报(自然科学版),2007(z2).
关键词:城市综合交通系统;本体论;分布式实时交通仿真系统;贝叶斯网络
城市综合交通系统聚集了多种方式,包括了汽车、地铁、轻轨、磁浮、水运,跨越了空、陆、水上、地下等层次,形成了一个复杂的巨型立体网络,复杂的交通网络结构与随机的交通现象的耦合作用使得交通系统的动态性、反馈性和非线性越发显著,面对综合交通这样的复杂系统,单角度的、单层次的数据是无法反映其真实信息的。态势估计方法是信息融合最有效的研究方法之一,其优势就在于它可以将上下文关系中描述实体、被观察事件的关系,结合环境信息、经验知识和实时观察来确定实体集合体的含义,能够反映真实的系统态势,提供事件、活动的预测,并由此提供最优决策的依据。笔者结合城市综合交通态势评估方法研究这一软课题论述态势估计方法如何应用于综合交通系统中,与智能交通其他技术融合,对于管理、改善和优化整个城市区域范围内的、多模式的交通网络系统,提高城市交通网络系统的运营能力和效率,改善与增强交通系统的安全性,具有重要的作用。
1 态势评估与智能交通管理
智能交通已经成为全球解决城市交通问题的主要手段,城市交通网的仿真和评估技术的重要价值使其成为该研究领域的重点和优先发展课题。交通态势评估是在交通数据仿真的基础上建立关于运输活动、事件、时间、位置和物资要素组织形式的多重视图,它将所观测的交通拥堵分布与活动和立体环境有机地联系起来,识别已发生的事件和计划,并结合节假日以及其他商业政治活动的预期影响,做出处理突发事件的应急预案,寻求对当前交通态势的合理解释,并对临近时刻的态势变化做出预测。
2 本体论在智能交通中的应用
本体论Ontology是描述概念及概念之间关系的模型,通过模型来描述概念的语义。交通网态势本体模型主要研究运用Ontology方法建立面向交通网态势知识领域的本体模型,该模型反映了综合交通网态势领域的基本概念和语义模型,运用该模型可以描述综合交通网的态势,支持综合交通网的利用和管理,提高其使用效率。智能交通领域有多种理论及经验求解模型,每种模型有多种算法,本文应用推荐高层合并本体SUMO理论构建交通领域本体,从主要数据源(Gls数据和视频数据)、交通领域知识、组织结构出发,将交通资源本体集定义为五个领域子本体。
2.1 地理本体
它提供与地理信息相关的概念与关系,包括道路、路口、建筑、天气、国家、城市、位置等;此本体提供与Gls数据及地图转换层次一致的本体概念集。地理本体对SUMO中基础概念的引用关系及概念、属性进行了扩充。其中:mainstem表示概念“主干道”,为SUMO相应概念roadway“道路”的子类;maxspeed allowed为增加的道路属性“最高时速”。这些概念及属性的设置提供了必要的Gls信息的语义映射基础。交通资源本体集片段程序如下:
< 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 )
< / 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 交通本体
该本体提供与交通信息相关的概念与关系,又分为静态本体和事件本体两类。其中静态本体描述固有的、实物性的概念,如车辆、红绿灯、站台、乘客等;事件本体则描述临时的、动作类的概念,如堵车、交通事故、加油等。
2.3 多媒体本体
交通视频数据是智能交通决策支持系统中,用于交通流量预测、交通事故鉴定、交通路径诱导等高层决策支持的重要数据源。本文利用所定义的多媒体本体对图像、图形、图片等多媒体文件进行符合交通领域信息(如车祸地点、发生时间、发生车辆等)的语义文字描述,为基于语义文本的交通监控多媒体文件查找提供语义基础。
2.4 交通组织本体
实现各部门协同工作,需要定义各个部门的相互关系与数据权限。本文采用中国智能交通系统体系框架建立的交通组织本体,为组织之间的协作提供知识表示,包括交通管理中心、旅客运输部门、交通信息服务提供商、紧急事件管理部门、基础设施管理部门、货物运输服务提供者、政府执法部门。
2.5 应用本体层
应用本体是在领域本体的基础上建立的与具体系统应用相关的概念与关系集合,如车辆诊断维护本体、交通事故处理本体等。单一的应用本体均与一个特定的应用相关联,可以采用事先定义的方式存储于本体库中,也可利用本体编辑工具从领域本体中分离概念进行实时编辑。用户通过对应用本体中概念的选择、组合并输入属性值的描述,完成对特定应用中异构资源的查询与整合,保证跨子系统应用的实现。
3 分布式实时交通仿真系统研究
目前的交通仿真系统大多数是离线的仿真系统,以历史调查数据的统计分析结果为依据,得出一系列的仿真评估指标,不够直观。本文选择HLA作为分布式仿真的计算平台,为以交通仿真为基础的交通流预测、交通态势预测、实时动态路径诱导提供仿真平台的支持。
HLA(高层体系结构)将各类仿真系统集成为一个分布交互式的综合仿真系统,可以形成一个庞大的虚拟作战空间。实现某一特定仿真目的的分布仿真系统称为联邦。联邦由若干交互的仿真应用——联邦成员构成。一个联邦成员由许多对象组成,对象的状态定义为属性值的集合。一组具有同样属性和方法对象的集合称为类。HLA的基本思想就是采用面向对象的方法来设计、开发和实现仿真系统的对象模型,以获得仿真联邦的高层次的互操作和重用。现在以城市综合交通信息平台为基础仿真,实时获取某市的道路交通信息。
根据操作系统的不同,HLA联邦成员的程序框架一般分为单线程结构和双线程结构。分布式实时仿真设计过程如下。
3.1 基于命令行方式的联邦成员
基于命令行方式的联邦成员通常为单线程结构,各步骤的基本操作详细介绍如下:
(1)初始化成员数据;
(2)调用rtiAmb create Federation execution () 创建联邦执行;
(3)加入联邦执行;
(4)声明公布/订购关系;
(5)确定联邦成员的时间推进策略(默认为既非Regulaing也非Constrained);
(6)调用rtiAmb register () bjectinstance () 注册对象实例;
(7)调用rtiAmb time advanceRequest () 请求时间推进;
(8)仿真推进,运行联邦成员的仿真模型;更新对象实例属性值,调用RTI:Attribute Setfactoy:Create () 创建,RTI : Attribute Handle value Pairset,调用rtAmb update attribute values 更新实例属性值;发送交互实例,调用RTI: Parameter setfactory:Create () 创建,RTI : parameter handleValue Pairset,调用rtAmb Send interaction发送交互实例,根据需要创建/删除对象实例,根据需要转移/接收实例属性所有权,根据需要公布/取消公布、订购/取消订购对象类/交互类,根据需要改变联邦成员的时间推进策略;
(9)调用rtAmb resign federation execution () 退出联邦执行;
(10)调用rtAmb destroy Federation Execution () 撤销联邦执行。
对每个联邦成员而言,上述的操作步骤和操作内容都是相似的。因此,可以开发一个通用的HLA成员框架来完成这些工作,目的是将这些基本过程封装起来,以便减少成员代码的工作量,提高联邦开发效率。
3.2 基于Windows方式的联邦成员
基于Windows 方式的联邦成员,其程序设计一般采用双线程结构,一个是窗口界面线程,它主要用于管理员和窗口的交互:另一个是仿真线程,主要用于完成仿真模型的执行和联邦交互。仿真线程是联邦成员仿真的核心部分。
4 贝叶斯网络态势评估技术在交通行业应用
贝叶斯网络BN (Bayesian net) 是目前在人工智能中一种很重要的推理技术,具有描述事件多态性和事件逻辑关系非确定性的能力,因而非常适合于描述复杂系统中事件的表征与态势之间的多对多关系和不确定性关系。贝叶斯网络推理模型是根据先验信息构建的,当叶节点状态概率分布不变时网络保持平衡状态,一旦叶节点的状态根据观测信息改变时,整个网络中的节点都将根据Peal的算法更新其状态概率分布。利用贝叶斯网络进行态势估计,首先必须进行贝叶斯网络的构建:一确定节点内容。贝叶斯网络由节点组成,节点对应着不同的事件,因此,首先必须确定态势估计领域中存在哪些事件。二确定节点关系。确定了节点内容之后,需要按照一定的方法,确定各个节点事件之间的因果关系。三概率分配。概率分配包括两部分内容:对没有父节点的顶层事件指定先验概率,即P(vi);对有父节点的事件指定条件概率,即P(vi/Pa(vi))。以下是贝叶斯网络态势评估技术在交通行业具体应用。
4.1 确定贝叶斯网络节点及其值域
交通突发事件的发生,是多个因素共同作用的结果,包括天气情况、发生时间、车流量情况、车辆型号以及距离救援部门的距离情况,这些影响到事件威胁程序的影响因素,其相应的变量集确定如下:X={W,T,F,M,D,H,C,F,A1,A2,A3};其中,W表示天气情况,T表示发生的时间段,M表示车辆型号,D表示事发现场离救援部门的距离,H表示人员伤亡情况,C表示车辆损坏情况,F为结果,表示车流量情况,A1为结果,表示救援部门的到达时间。A2为结果,表示事故可能的持续时间,A3为结果,表示威胁等级。
接下来,确定每一个因素的值域。这里需要指出的是实际应用时,一定要咨询领域专家进行修正。其中:天气情况W,应该包括{晴,阴,雾,雨,雪｝。
T为时间段,具体可以分为,[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)六个半开半闭区间,这里其实应该根据所在城市的实际路段繁忙情况来进行划分。M为车辆型号,具体包括{非机动车、摩托车、轿车、公共汽车、载重车｝等。
4.2 基于贝叶斯网络的交通突发事件处理总体工作流程
利用贝叶斯网络进行推理分析工作主要有四个步骤,这四个步骤通常是交叉进行,而不是简单地按顺序完成:
(1)构造贝叶斯网络。就是确定想要分析出的结果、决定因素、因素之间的关系。
(2)利用训练数据进行学习。条件概率表是贝叶斯网络进行推理分析的重要参考,但是以上步骤得出的条件概率表都是由专家经验初步生成的,带有一定的主观性,所以需要利用交通突发事件的历史数据进行学习,对条件概率表中的内容进行修正,使得表中的内容更加客观,从而得到更为准确的分析结果。
(3)利用贝叶斯网络进行推理。以上两个步骤都是贝叶斯网络进行推理得到预测结果前的准备工作,有了足够的条件概率表进行参考以后,就可以使用贝叶斯推理算法结合贝叶斯网络结构进行推理。其中推理又包括因果推理和诊断推理,在本系统中主要使用的是前者。
(4)更新贝叶斯网络。虽然从上一步中就可以获得一些我们想要的分析结果,但是突发事件的事是不断发展的、贝叶斯网络中的各个因素也是在不停的发生变化的,很有可能贝叶斯网络中某个或多个以前作为预测结果的节点在某一个时间有了一个确定的结果,比如交通事故的持续时间会决定道路的堵塞状况,但是某一时刻道路的堵塞状况已知,就可以利用消息传播算法修正网络中各个节点的先验概率和条件概率标,从而提高后续推理分析的准确率。从图2可以直观地了解这四个步骤是如何实现的。
5 结论
本文将态势估计的概念引入交通网领域,提出了交通网态势评估的元素提取的方法;运用基于多智能体的分布式网络化制造仿真技术,解决了传统层次性与集中式仿真低效、结构化的特点,通过多智能体的自治与协同功能,为分布式交通网态势仿真提出了一种高效、智能、非结构化的仿真机制;同时,本文在实时的高速路交通采集数据基础上,基于贝叶斯网络技术,在HLA分布式平台上,研究实时交通态势预测的技术和算法。
本文研究成果是为我国城市交通的高效管理提供分析与优化手段,具明显的经济效益和社会效益,能够减少交通事件处理的时间,降低交通事件带来的不良影响,帮助相关的管理部门及时准确科学地处理交通事件。
参考文献
[1]王煌,陈学广.基于SUMO的交通网格决策本体层次模型设计[J].计算机应用研究,2009,26(4).
[2]马云龙.分布式实时微观交通仿真系统研究.计算机应用与软件[J].2008,25(3).
[3]陈昕,杨兆升,王海洋,等.城市交通流有序度分析法[J].交通与计算机,2007(1).
[4]李莉,陈长虹,戴懿,黄成,等.城市交通与环境可持续发展指标体系评估系统研究:上海案例应用[J].安全与环境学报,2006(4).
[5]戢晓峰.刘澜,基于交通信息提取的区域交通状态判别方法[J].三峡大学学报(自然科学版),2009(1).
[6]赵志强,张毅,胡坚明,等.基于PCA和ICA的交通流量数据压缩方法比较研究[J].公路交通科技,2008(11).
[7]戢晓峰.城市道路交通状态分析方法回顾与展望[J].道路交通与安全,2008(3).
[8]邹亮.徐建闽.朱玲湘.基于融合技术的道路交通状态判别模型[J].清华大学学报(自然科学版),2007(z2).