一種多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺設(shè)計

謝生龍 丁蒼峰 田琴琴

摘 要：本文首先分析了區(qū)域?qū)崟r交通流數(shù)據(jù)源、數(shù)據(jù)匯聚的渠道和方式;其次，對多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)集市邏輯結(jié)構(gòu)進(jìn)行研究，形成了負(fù)載均衡的多層數(shù)據(jù)倉庫設(shè)計結(jié)構(gòu);最后，結(jié)合實際，探討交通流可視化數(shù)據(jù)處理過程，并給出了實時多智能體交通流可視化數(shù)據(jù)處理平臺的設(shè)計方案。

關(guān)鍵詞：交通流;可視化;多智能體;處理平臺

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1003-5168（2019）07-0019-03

Abstract： Firstly， this paper analysed the real-time traffic flow data sources and the channels and ways of data aggregation. Secondly， the logical structure of data mart of multi-agent regional real-time traffic flow visualization data processing platform was studied， and the design structure of load balancing multi-layer data warehouse was formed. Finally， the process of traffic flow visualization data processing was discussed， and the design scheme of real-time multi-agent traffic flow visualization data processing platform was given.

Keywords： traffic flow;visualization;multi-agent;processing platform

傳統(tǒng)交通管理平臺中單一、粗糙的交通信息發(fā)布及固定模型的交通流數(shù)據(jù)預(yù)測已無法滿足智能交通與智慧城市發(fā)展戰(zhàn)略的需要，一種智能的、可靠的、直觀的數(shù)據(jù)可視化發(fā)布與交流平臺越來越受到智能交通領(lǐng)域的追求。智能體（Agent）是一個集推理、進(jìn)化、能動、反應(yīng)等特征于一體的智能單元，在區(qū)域?qū)崟r交通流形成的過程中，存在許多集成、整合、協(xié)同分布式設(shè)備的智能體單元，這些智能體可綜合多源數(shù)據(jù)，尋求目標(biāo)高度一致，為交通平臺協(xié)調(diào)與控制區(qū)域交通流，處理與顯示區(qū)域?qū)崟r交通流的數(shù)據(jù)提供了可能。夏冰[1]等通過多智能體系統(tǒng)建立了可供參考的城市交通誘導(dǎo)系統(tǒng)體系結(jié)構(gòu)，并借助微觀可視化交通模擬軟件PARAMICS完成了對其的仿真，成效可觀;汪磊[2]等人根據(jù)Agent技術(shù)所具有的自治性特點，通過模擬實體的特征，研究了交通系統(tǒng)Agent模型結(jié)構(gòu)和車輛Agent的自由、跟馳、超車等駕駛控制策略，并在Windows 2000/xp環(huán)境下采用Borland Delphi開發(fā)出基于Agent的智能交通可視化仿真原型系統(tǒng)AITSPS。張聞芳等[3]針對城市智能交通系統(tǒng)的應(yīng)用和發(fā)展的需求，將GIS技術(shù)、可視化技術(shù)綜合應(yīng)用在一起，論述了系統(tǒng)的組成結(jié)構(gòu)及各模塊的功能特點，探討了基于不同數(shù)據(jù)源的地形和地物的建模方法，建立了城市道路路線平面優(yōu)化和最短路徑多目標(biāo)優(yōu)化模型以及城市交通可視化數(shù)據(jù)模型，并研究和分析城市道路交通可視化關(guān)鍵技術(shù)。近年來，歐盟在其CAPI TALS Plus項目中選擇了巴黎、羅馬、馬德里等城市作為示范城市，將交通可視化系統(tǒng)的開發(fā)作為重要內(nèi)容。德國Bavarian州政府發(fā)起的Bayern Online項目開發(fā)了Bayern Info網(wǎng)站，其主要功能之一就是采用1個名為/ASDA2FOTOO的交通模型為出行者提供長、中、短期的交通流可視化信息服務(wù)。

總的來講，隨著國內(nèi)城市交通的發(fā)展，交通流可視化已被納入智能交通研究，逐漸進(jìn)入了體系框架、技術(shù)標(biāo)準(zhǔn)和硬件研究階段。近年來，區(qū)域?qū)崟r交通流數(shù)據(jù)的可視化以及區(qū)域?qū)崟r交通流數(shù)據(jù)的分析與挖掘作為智能交通、智慧城市發(fā)展研究重點的趨勢愈加明顯。

1 區(qū)域?qū)崟r交通流數(shù)據(jù)分析

區(qū)域?qū)崟r交通流數(shù)據(jù)是區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺數(shù)據(jù)集市的基礎(chǔ)數(shù)據(jù)，由交通運管單位數(shù)據(jù)中心及相關(guān)外部數(shù)據(jù)源收集，是綜合查詢與分析、決策支撐（DSS）的重要依據(jù)。

1.1 數(shù)據(jù)源分析

數(shù)據(jù)源是數(shù)據(jù)集市的基礎(chǔ)。在區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺中，按照數(shù)據(jù)源的不同，可以把數(shù)據(jù)分為核心交通流數(shù)據(jù)和其他相關(guān)數(shù)據(jù)兩種。其中，核心交通流數(shù)據(jù)主要來源于區(qū)域交通智能體單元中的車輛、交叉口、交通信號燈、關(guān)鍵斷面等，這些智能體負(fù)責(zé)完成對交通信息的采集，如車流量、速度及占有率等;其他相關(guān)數(shù)據(jù)主要來源于歷史周期或手動調(diào)節(jié)方面。核心交通流數(shù)據(jù)和其他相關(guān)數(shù)據(jù)共同組成區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)源[4]。

1.2 數(shù)據(jù)匯聚渠道

一般來講，數(shù)據(jù)源的數(shù)據(jù)主要通過兩種途徑進(jìn)入?yún)^(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺中心的數(shù)據(jù)倉庫。其一，通過智能體預(yù)先設(shè)置的數(shù)據(jù)采集接口。該接口可以自動抽取、清理轉(zhuǎn)換和驗證數(shù)據(jù)，并自動加載到區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的綜合查詢數(shù)據(jù)集市中。由于需要處理的原始數(shù)據(jù)結(jié)構(gòu)基本相同，且范圍和內(nèi)容變化不大，所以這種數(shù)據(jù)采集方法能充分利用區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺數(shù)據(jù)中心的優(yōu)勢[5，6]。具體實現(xiàn)時，只需要事先設(shè)定好相應(yīng)數(shù)據(jù)邏輯表的結(jié)構(gòu)，再確定數(shù)據(jù)抽取、清理轉(zhuǎn)換和驗證的規(guī)則，然后由采集前置服務(wù)器根據(jù)設(shè)置的相應(yīng)調(diào)度指令自動執(zhí)行數(shù)據(jù)采集過程，最后將清洗、轉(zhuǎn)換和驗證無誤的數(shù)據(jù)加載到區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)集市中來。其二，也可以通過管理人員手動調(diào)節(jié)、清理轉(zhuǎn)換和驗證數(shù)據(jù)，最終完成異常數(shù)據(jù)和噪聲信號的處理。

1.3 數(shù)據(jù)集市邏輯結(jié)構(gòu)

區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)集市可采用星型結(jié)構(gòu)或雪花型結(jié)構(gòu)。數(shù)據(jù)集市邏輯結(jié)構(gòu)的設(shè)計要根據(jù)區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的業(yè)務(wù)需求、主題域及數(shù)據(jù)源等方面進(jìn)行合理選擇，從而確保不同業(yè)務(wù)需求、不同用戶、不同環(huán)境下的多維度、多層次數(shù)據(jù)查詢與分析的順利完成[7]。通常，區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)集市邏輯結(jié)構(gòu)設(shè)計主要考慮面向主題、集成、穩(wěn)定、適應(yīng)隨時間不斷變化的需求，同時數(shù)據(jù)集市還可用于建立不同顆粒度的匯總表，滿足對不同顆粒查詢與分析的要求，提高查詢與分析效率。

通過上述分析，筆者建立了如圖1所示的多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺數(shù)據(jù)中心。第一層，主要完成差異對比、異源數(shù)據(jù)同構(gòu)等業(yè)務(wù)邏輯處理;第二層，負(fù)責(zé)協(xié)議協(xié)商與標(biāo)準(zhǔn)共享，按可視化需求設(shè)計主題，完成數(shù)據(jù)整合[8];第三層，主要完成數(shù)據(jù)加工、明細(xì)匯總及應(yīng)用數(shù)據(jù)提煉;第四層，提供與平臺精細(xì)管理和科學(xué)決策有關(guān)的數(shù)據(jù)支持。用這種多層數(shù)據(jù)倉庫思想來構(gòu)建多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)集市，在以區(qū)域交通數(shù)據(jù)中心為數(shù)據(jù)源的前提下，更容易創(chuàng)建分主題的數(shù)據(jù)集市，而且分層數(shù)據(jù)集市的使用可以分散區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺整體性能的工作開銷，同時減輕在單一數(shù)據(jù)倉庫上操作的負(fù)擔(dān)。

中心層次圖

2 交通流可視化數(shù)據(jù)處理

一般的交叉路口或斷面都會布有數(shù)據(jù)采集設(shè)備，如感應(yīng)線圈、脈沖傳感器、高清圖像采集儀等。我們根據(jù)智能體單元前期對這些交通信息采集設(shè)備的數(shù)據(jù)頻域或時域分析、數(shù)字圖像處理，然后形成可量化的交通流信息，最終通過對智能體數(shù)據(jù)采集終端接口的訪問，抓取、查詢各Agent采集的交通特征數(shù)據(jù)，傳送至數(shù)據(jù)中心保存。

數(shù)據(jù)預(yù)處理是多智能體區(qū)域?qū)崟r交通流可視化的關(guān)鍵環(huán)節(jié)，如歸一化基礎(chǔ)數(shù)據(jù)、異常數(shù)據(jù)過濾等[11]，可根據(jù)處理的具體交通流數(shù)據(jù)選用合適的處理方法。數(shù)據(jù)預(yù)處理之后，根據(jù)可視化請求的內(nèi)容，從數(shù)據(jù)中心對請求數(shù)據(jù)進(jìn)行抽取。當(dāng)然，在此過程中，有可能需要對清洗后的數(shù)據(jù)進(jìn)行進(jìn)一步的加工處理，為深度挖掘分析做準(zhǔn)備，最終將挖掘分析的結(jié)果整合后清洗、呈現(xiàn)。對于可視化平臺采集實時的數(shù)據(jù)，一般選擇在線處理;而對實時性要求低的請求，可以通過離線處理達(dá)到減小服務(wù)器壓力的目的[12]，如利用Storm、Spark或Hadoop等數(shù)據(jù)處理框架計算形成不同維度的數(shù)據(jù)或相關(guān)組合[13]，這一過程中形成的多維度交通流數(shù)據(jù)也正是交通數(shù)據(jù)挖掘分析與可視化呈現(xiàn)的基礎(chǔ)[9，10]。一般情況下，平臺的數(shù)據(jù)可視化處理過程應(yīng)包含數(shù)據(jù)源的數(shù)據(jù)加載、原始數(shù)據(jù)的清洗、異源數(shù)據(jù)的轉(zhuǎn)換、合法性驗證和請求時的目標(biāo)數(shù)據(jù)抽取，具體過程如圖2所示。

3 多智能體的區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺設(shè)計

在區(qū)域交通運作的過程中，時間序列交通數(shù)據(jù)實時生成。在設(shè)計平臺時，可將區(qū)域交通參與的車輛、交叉口、交通信號燈、關(guān)鍵斷面等看成是不同的智能體單元，各個智能實體根據(jù)自身單元特點采集不同的數(shù)據(jù)結(jié)構(gòu)，經(jīng)數(shù)據(jù)轉(zhuǎn)發(fā)單元轉(zhuǎn)發(fā)后匯聚至數(shù)據(jù)中心[14]。因此，設(shè)計多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的整體思路如下：首先將區(qū)域交通數(shù)據(jù)中心采集的數(shù)據(jù)傳入統(tǒng)一的數(shù)據(jù)集市基礎(chǔ)數(shù)據(jù)空間中;驗證數(shù)據(jù)完整性和一致性后再進(jìn)入數(shù)據(jù)集市應(yīng)用數(shù)據(jù)空間。數(shù)據(jù)集市將數(shù)據(jù)在邏輯上分為各應(yīng)用系統(tǒng)特有數(shù)據(jù)和應(yīng)用系統(tǒng)公用數(shù)據(jù)[15];這些應(yīng)用數(shù)據(jù)在物理存儲時放在專用的數(shù)據(jù)空間中，在綜合查詢與分析時，可視化平臺將從統(tǒng)一數(shù)據(jù)集市與檢索目標(biāo)一致的專用數(shù)據(jù)空間查找數(shù)據(jù)[16]。數(shù)據(jù)集市獲取數(shù)據(jù)時，以增量方式為主，對無法判斷增量的數(shù)據(jù)以全量方式獲取。具體設(shè)計圖如圖3所示。

4 結(jié)語

在本文提出的多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺設(shè)計方案中，數(shù)據(jù)集市的建立采取數(shù)據(jù)倉庫—數(shù)據(jù)集市的結(jié)構(gòu)。這種以數(shù)據(jù)倉庫為數(shù)據(jù)管理的策略，可供不同主題使用。在這種結(jié)構(gòu)下，多智能體區(qū)域?qū)崟r交通流可視化數(shù)據(jù)處理平臺的數(shù)據(jù)中心不僅滿足了數(shù)據(jù)的規(guī)范性、標(biāo)準(zhǔn)化、一致性、整合性需求，而且滿足了不同主題域、不同角色、不同業(yè)務(wù)環(huán)節(jié)等對交通流可視化數(shù)據(jù)綜合查詢與分析的需要。

參考文獻(xiàn)：

[1]夏冰，胡堅明，張佐，等.基于多智能體的城市交通誘導(dǎo)系統(tǒng)可視化模擬[J].系統(tǒng)工程，2002（5）：72-78.

[2]汪磊，周力，邱萌萌，等.基于Agent的智能交通可視化仿真系統(tǒng)設(shè)計[J].洛陽理工學(xué)院學(xué)報（自然科學(xué)版），2015（2）：51-55.

[3]張聞芳，徐熾.城市道路交通可視化技術(shù)研究與分析[J].科技資訊，2014（24）：48.

[4]曹仲，李付琛，楊皓斐.基于手機(jī)信令數(shù)據(jù)的城市區(qū)域間交通流分析及可視化[J].計算機(jī)與現(xiàn)代化，2018（3）：117-121，126.

[5]張金秋.交通時空數(shù)據(jù)處理與交互式可視化平臺設(shè)計及實現(xiàn)[D].蘭州：蘭州交通大學(xué)，2017.

[6]Wei S， Huang C， Jiang B. Visual methods for time-varying intersection traffic flow data[C]// International Conference on Systems & Informatics. 2018.

[7]劉文杰.城市交通大數(shù)據(jù)可視化框架及實現(xiàn)[J].科技創(chuàng)新導(dǎo)報，2017（36）：121-122.

[8]戴技才，黎夏.基于多智能體的微觀交通流模擬模型[J].科學(xué)通報，2009（21）：3380-3389.

[9]Manley E， Cheng T. Exploring the role of spatial cognition in predicting urban traffic flow through agent-based modelling[J]. Transportation Research Part A Policy & Practice，2018（109）：14-23.

[10]Chu T， Wang J， Codecà L， et al. Multi-Agent Deep Reinforcement Learning for Large-scale Traffic Signal Control[J]. IEEE Transactions on Intelligent Transportation Systems， 2019（3）：99.

[11]魏麗麗，杜長海，徐立松.智慧交通中多維交通流數(shù)據(jù)實時可視化技術(shù)概述[J].警察技術(shù)，2018（2）：86-88.

[12]佚名.基于Hadoop的交通大數(shù)據(jù)的可視化WebGIS平臺的設(shè)計與實現(xiàn)[J].北京建筑大學(xué)學(xué)報，2018（3）：33-41.

[13]干彬，張明遙，吳科旭，等.大數(shù)據(jù)背景下智慧物流可視化管理系統(tǒng)的研究[J].科技風(fēng)，2018（4）：70-71.

[14]Feng C， Hao P. Study of multi-agent area coordination control for urban traffic[C]// World Congress on Intelligent Control & Automation. 2008.

[15]蔡長青.基于多智能體的交通控制與交通誘導(dǎo)協(xié)同理論和方法研究[D].長春：吉林大學(xué)，2008.

[16]Ma S F，He G G， Wang S T. A traffic flow forecast supported system based multi-agent[C]//Intelligent Transportation Systems. 2001.