基于多智能體的停車選擇行為仿真研究

暢芬葉 謝秉磊 王志利

（山西省城鄉(xiāng)規(guī)劃設(shè)計研究院1） 太原 030001） （哈爾濱工業(yè)大學(xué)深圳研究生院2） 深圳 518000）

0 引 言

在靜態(tài)交通系統(tǒng)中，駕駛員個體的選擇特性勢必影響到停車系統(tǒng)的運行，分析駕駛員的停車選擇行為并對停車管理手段進行評價是靜態(tài)交通系統(tǒng)的重要研究方面．

考慮到期望效用理論的局限性及前景理論在描述不確定條件下選擇行為的優(yōu)點，本文建立了基于前景理論的駕駛員停車選擇模型：首先對深圳市某中心區(qū)域駕駛員進行停車選擇問卷調(diào)查，對各影響因素的參照點進行回歸分析，通過價值函數(shù)及決策權(quán)重函數(shù)，得到各影響因素的前景值，利用模糊偏好下多目標(biāo)決策的權(quán)重賦值方法，得到各影響因素的權(quán)重，建立停車選擇模型．

在所建立的模型基礎(chǔ)上，構(gòu)造了兩類智能體：戰(zhàn)略層智能體及戰(zhàn)術(shù)層智能體．利用多智能體仿真軟件Starlogo對停車選擇行為進行仿真實驗，通過設(shè)定不同的情景評價停車管理政策和措施的效果．

1 基于前景理論的停車選擇行為模型

1.1 停車影響因素及參照點

為了分析駕駛員停車選擇行為的影響因素，于2011年3月28日至29日在深圳市羅湖區(qū)萬象城周邊進行了停車問卷調(diào)查，發(fā)放問卷260份，收回有效問卷213份．調(diào)查得知影響駕駛員停車選擇的因素主要有行程時間（指駕駛員從出發(fā)點至完成停車所用時間，包括路徑時間及停車搜索時間）、步行時間及停車費用．

本文利用調(diào)查數(shù)據(jù)確定各影響因素的參照點，選取的變量及回歸結(jié)果見表1．

通過對停車費率的回歸分析，優(yōu)度比小于0．2，而調(diào)查數(shù)據(jù)顯示，有92%的駕駛員認為理想的停車費率是5元／h．造成這一現(xiàn)象的主要原因是調(diào)查區(qū)域?qū)儆谏钲谑姓?guī)定的停車收費一類地區(qū)，停車費率較高，故將停車費率的參照點設(shè)置為5元／h．

另外，通過在研究區(qū)域內(nèi)的調(diào)查可知該區(qū)域靜態(tài)交通系統(tǒng)資源利用不合理，停車場飽和度不均衡．

1.2 影響因素的編輯和評價

本文以行程時間為例介紹價值函數(shù)及概率權(quán)重函數(shù)的建立過程．

在前景理論中，決策者依據(jù)自己的價值參照點確定每個影響因素的價值函數(shù)．駕駛員在停車選擇時，根據(jù)參照點判斷備選方案各影響因素的

表1 駕駛員行程時間及步行時間參照點檢驗

利用Kahneman的價值函數(shù)形式，得到關(guān)于行程時間的價值函數(shù)為

Kahneman經(jīng)過試驗標(biāo)定，在獲得收益時γ＝0．61，在受到損失時γ＝0．69．

關(guān)于主觀概率，依據(jù)Kahneman 1992年提出的概率權(quán)重函數(shù)的形式，概率權(quán)重計算公式為［1］

在調(diào)查區(qū)域內(nèi)，駕駛員一般熟悉停車場至目的地的步行時間及停車場的停車費用，用這兩個影響因素的價值函數(shù)表達其前景值．

1.3 綜合屬性值的確定

本文采用模糊偏好下多目標(biāo)決策的方法確定目標(biāo)權(quán)重［2］．選擇該方法的依據(jù)是：如果所有備選停車方案在單一影響因素下的屬性值差異越大，則說明該因素對駕駛員起到較重要的影響作用．設(shè)模糊偏好下多目標(biāo)的權(quán)重向量W＝［w1，w2，w3］T．

各方案的綜合屬性值分別為

在求得各目標(biāo)的前景值極其權(quán)重后，建立基于前景理論及多目標(biāo)決策的停車選擇模型，駕駛員根據(jù)各停車場的綜合屬性值做出最優(yōu)選擇完成停車．

表2 模型計算誤差表

1.4 模型檢驗

根據(jù)調(diào)查得到的停車需求，利用模型計算該區(qū)域的駕駛員停車選擇結(jié)果，通過對比檢驗?zāi)Ｐ偷挠行?，模型計算誤差見表2．由表2可見平均誤差為4．4%，說明前景理論適合用于描述駕駛員的停車選擇行為，所建立的駕駛員停車選擇模型是有效的．

2 基于多智能體的停車選擇行為仿真

2.1 多智能體系統(tǒng)簡介

一般認為，Agent指一個硬件或軟件系統(tǒng)或稱之為自包含程序，即“soft software”［3］，多智能體系統(tǒng)中包含一個以上的Agent，它們?yōu)橥瓿赡骋惶囟ㄈ蝿?wù)而相互協(xié)商合作．多智能體系統(tǒng)研究的主要內(nèi)容有Agent之間的通信、合作協(xié)調(diào)以及交互作用等，其中通信是其它研究內(nèi)容的基礎(chǔ)．

動態(tài)交通系統(tǒng)及靜態(tài)交通系統(tǒng)都具有復(fù)雜性、開放性以及隨機性等特點，智能體技術(shù)的優(yōu)點決定了其在交通系統(tǒng)研究中的適用性．目前，智能體技術(shù)在交通領(lǐng)域主要應(yīng)用于交通控制與管理、交通行為仿真及空中交通管理等［4］．

2.2 停車選擇中的智能體模型

本文基于J．Wahle等［5］最早提出的雙層智能體模型，建立停車選擇的智能體模型，見圖1，每一層智能體都有各自的角色和功能，而且有相互獨立的目標(biāo)和策略．

圖1 雙層智能體模型

戰(zhàn)術(shù)層（tactical layer）描述了車輛的感知及反應(yīng)，它的作用是描述車輛的運動，包括車輛的路徑選擇、變換車道及跟馳，同時，車輛能夠被追蹤而形成戰(zhàn)略層需要的信息．戰(zhàn)術(shù)層的行為主要包括停車路徑選擇及跟馳行為．停車路徑選擇主要是指車輛在戰(zhàn)略層制定了停車決策后，根據(jù)其決策選擇完成停車行走的路徑，涉及到車道的選擇行為．一般來講，在目標(biāo)停車場選定后，駕駛員會選擇能最快到達停車場的路徑完成停車，在此過程中的車道變換就是為了滿足這一目的．同時，當(dāng)車輛的停車選擇改變時，車輛進行新一次的路徑選擇而完成停車選擇．本實驗采用正比于速度的間距倒數(shù)跟馳模型對停車智能體進行跟馳行為描述：車輛的加減速根據(jù)兩車間的相對速度及跟馳距離決定，而且有最大速度及最小速度的限定．

戰(zhàn)略層智能體負責(zé)決策的制定，即求出每個備選停車場的綜合屬性值，判斷最優(yōu)停車場，指導(dǎo)戰(zhàn)術(shù)層智能體完成停車．同時，戰(zhàn)略層智能體追蹤戰(zhàn)術(shù)層中智能體的信息，獲得完備的信息，在決策制定過程中及時地更新信息，從而做出新的決策來影響戰(zhàn)術(shù)層智能體的活動．

在停車活動中，戰(zhàn)略層的決策制定過程同時還要考慮到以下方面的規(guī)則：（1）Agent會根據(jù)能夠容忍的最大步行時間來篩選停車場；（2）目標(biāo)停車場已滿或飽和度較高時，Agent將該停車場從備選方案中剔除并重新決策．

2.3 駕駛員停車選擇行為仿真

2．3．1 Starlogo及其與智能體之間的聯(lián)系Starlogo的功能主要是研究分散系統(tǒng)的運行機制，即自組織系統(tǒng)的自身組織及協(xié)調(diào)機制．Starlogo的主要功能就是實現(xiàn)分散系統(tǒng)的自組織，完成這種自組織的角色在Starlogo中有三類，分別是Patches，Turtles及Observer．Starlogo的建模環(huán)境允許任何個體有自身特定的行動規(guī)則及知識庫，正是這一特點體現(xiàn)了智能體的自主性．

2．3．2 停車選擇行為仿真流程 為了進行后續(xù)的仿真分析，有必要建立一個通用的仿真流程，在每種仿真情景中，采用相同的流程，主要包括：

1）路網(wǎng)及停車系統(tǒng)設(shè)定．

2）初始化．本實驗的初始化涉及到車輛初始化及停車場初始化．車輛初始化包括車輛參數(shù)初始化、車輛位置初始化及車輛性質(zhì)的初始化；停車場的初始化主要是指停車場參數(shù)的影響，例如停車費率及停車場飽和度等．

3）車輛的停車選擇及行走規(guī)則．車輛完成停車選擇涉及到停車路徑的選擇以及在路徑上的行走規(guī)則，實際上就是戰(zhàn)略層及戰(zhàn)術(shù)層對車輛運行的規(guī)定．

4）信息生成及發(fā)布．駕駛員能否獲得實時信息是影響其停車選擇結(jié)果及整個停車系統(tǒng)狀態(tài)的重要因素．實驗中，通過累積停車場內(nèi)車輛數(shù)來獲得停車場飽和度的信息．

5）仿真情景設(shè)定及仿真結(jié)果分析．本文主要設(shè)置了2個仿真情景：（1）調(diào)節(jié)停車費率，分析費率調(diào)節(jié)措施對于調(diào)節(jié)停車需求的有效性；（2）在研究區(qū)域內(nèi)設(shè)置咪表收費的路內(nèi)停車泊位，分析該停車管理措施的效果．

仿真界面見圖2．

仿真窗口中，左側(cè)主要包括了仿真按鈕組、停車場飽和度監(jiān)視窗、車輛數(shù)量監(jiān)視窗、停車場飽和度柱狀圖，窗口右側(cè)為仿真演示區(qū)域．

圖2 仿真界面

2．3．3 基于智能體仿真的停車管理措施分析

1）費率調(diào)節(jié)手段．從本文的停車行為研究中可知現(xiàn)狀研究區(qū)域內(nèi)停車資源并未達到較均衡的狀態(tài)，利用費率調(diào)節(jié)措施可以發(fā)揮經(jīng)濟杠桿調(diào)節(jié)作用，使區(qū)域內(nèi)停車需求更合理的分布，從而使靜態(tài)交通系統(tǒng)中的資源得以合理分配．

通過分析可知：停車場一的費率較高，但利用率較低；停車場二及停車場四的飽和度較高，特別是停車場二，由于處于萬象城周邊，企業(yè)為了吸引顧客，停車費率設(shè)置得較低．根據(jù)調(diào)查區(qū)域停車場的利用水平及收費標(biāo)準(zhǔn)，本實驗擬定了六種費率調(diào)節(jié)方案，各方案的收費標(biāo)準(zhǔn)見表3．

表3 各方案的停車收費標(biāo)準(zhǔn) 元

各方案的仿真結(jié)果見表4．

表4 停車費率調(diào)節(jié)方案仿真結(jié)果

仿真結(jié)果顯示，停車費率調(diào)節(jié)措施能夠優(yōu)化停車系統(tǒng)的利用水平，是改善該地區(qū)靜態(tài)交通系統(tǒng)設(shè)施利用水平的有效措施：調(diào)查區(qū)內(nèi)停車場現(xiàn)狀飽和度的標(biāo)準(zhǔn)偏差為0．219，各方案的仿真結(jié)果均優(yōu)于停車場現(xiàn)狀利用水平．其中，方案3中停車場飽和度的標(biāo)準(zhǔn)差最小，為0．114，從停車系統(tǒng)資源利用更均衡的角度看，方案3是所有方案中的最佳方案．

2）設(shè)置路內(nèi)停車場．在城市道路上設(shè)置咪表收費的路內(nèi)停車場可以加強靜態(tài)交通的管理，在實現(xiàn)市民方便停車的同時還可以增加政府收入并改善市容．

根據(jù)調(diào)查區(qū)域的實際路網(wǎng)及相關(guān)規(guī)范，在研究區(qū)域設(shè)置一定數(shù)量路內(nèi)泊位．考慮到當(dāng)?shù)亟?jīng)濟發(fā)展水平，參照深圳市政府關(guān)于路內(nèi)停車咪表收費制度的初步方案，仿真試驗中咪表收費采用10元／h的標(biāo)準(zhǔn)，路段的咪表設(shè)置情況見表5．

表5 調(diào)查區(qū)域路內(nèi)停車場設(shè)置情況

仿真的界面見圖3，在仿真環(huán)境中增加了路內(nèi)停車場，增加了停車數(shù)量時變圖及路內(nèi)停車飽和度監(jiān)視窗這2個功能塊．

圖3 設(shè)置路內(nèi)停車場后的仿真界面

仿真結(jié)果見圖4和表6．

圖4 路內(nèi)停車數(shù)量時變圖

表6 兩種情景下的仿真結(jié)果對比

仿真結(jié)果顯示調(diào)查區(qū)域內(nèi)停車場的平均飽和度由0．776下降到0．713，路內(nèi)停車數(shù)量為89輛，停車供需矛盾得到進一步緩解．同時，仿真結(jié)果顯示，選擇路內(nèi)停車的車輛在在高峰小時的前半段時間增加較快，隨著各停車場附近道路內(nèi)停車場的占用，駕駛員不再選擇路內(nèi)停車的方式．

3 結(jié)束語

建立了基于前景理論的駕駛員停車選擇模型，在此基礎(chǔ)上建立停車選擇的智能體模型，利用Starlogo對停車選擇行為進行仿真實驗，通過設(shè)定不同的情景來達到實驗?zāi)康?，研究可為制定停車管理政策和措施提供理論依?jù)及檢驗手段．然而由于停車問題的重要性及復(fù)雜性，很多研究內(nèi)容有待于更深入的拓展和完善，特別是停車影響因素的選取以及ATIS技術(shù)對停車選擇行為的影響．

［1］趙 凜．基于“前景理論”的先驗信息下出行者路徑選擇模型研究［J］．交通運輸系統(tǒng)工程與信息，2006，6（2）：42－46．

［2］周文坤．模糊偏好下多目標(biāo)決策的一種客觀賦權(quán)方法［J］．上海大學(xué)學(xué)報：自然科學(xué)版，2004，10（4）：410－412，419．

［3］李 英．多Agent系統(tǒng)及其在預(yù)測與智能交通系統(tǒng)中的應(yīng)用［M］．上海：華東理工大學(xué)出版社，2004．

［4］劉金琨．多智能體技術(shù)應(yīng)用綜述［J］．控制與決策，2001，16（2）：133－140，180．

［5］WAHLE J．The impact of real－time information in a two－route scenario using agent－based simulation［J］．Transportation，2001，10（1）：399－417．