道路交通網(wǎng)絡(luò)節(jié)點(diǎn)分配優(yōu)化策略研究進(jìn)展

盧東祥

(鹽城師范學(xué)院，江蘇 鹽城 224002)

隨著計(jì)算機(jī)和物聯(lián)網(wǎng)等多種技術(shù)的發(fā)展及應(yīng)用，城市交通網(wǎng)絡(luò)也逐漸實(shí)現(xiàn)了網(wǎng)絡(luò)化與數(shù)字化。利用各類技術(shù)對道路交通網(wǎng)絡(luò)的節(jié)點(diǎn)調(diào)度水平進(jìn)行優(yōu)化，可大幅提升相關(guān)網(wǎng)絡(luò)的通行效率。在實(shí)際應(yīng)用過程中，城市機(jī)動(dòng)車保有量與城市道路的拓?fù)浣Y(jié)構(gòu)得到了大幅度提升。這直接導(dǎo)致節(jié)點(diǎn)的分配策略或算法難以滿足城市發(fā)展的實(shí)際需求，加劇了城市擁堵及能源浪費(fèi)的情況。針對交通網(wǎng)絡(luò)日益復(fù)雜的現(xiàn)狀，研究人員逐漸引入復(fù)雜網(wǎng)絡(luò)的概念，并對具有較高復(fù)雜度的城市交通拓?fù)溥M(jìn)行了全面的模擬和分析。其基本步驟為：首先設(shè)定交通網(wǎng)絡(luò)中的節(jié)點(diǎn)權(quán)重值，完成復(fù)雜網(wǎng)絡(luò)的建模與分析；然后計(jì)算不同的網(wǎng)絡(luò)拓?fù)渲笜?biāo)，并分析交通網(wǎng)絡(luò)的多項(xiàng)復(fù)雜度，即中心度、最短路徑長度以及K系數(shù)中心度等核心指標(biāo)；最后基于已知的復(fù)雜度計(jì)算結(jié)果，利用變異系數(shù)和屬性決策等方法，對交通網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行分配與優(yōu)化，從而制定有效且實(shí)用的節(jié)點(diǎn)分配方案，緩解日益嚴(yán)重的城市交通擁堵現(xiàn)狀。

為了提高復(fù)雜交通網(wǎng)絡(luò)的通行效率，研究人員曾提出一系列具有較高指導(dǎo)價(jià)值與參考意義的研究方法。文獻(xiàn)[1]從實(shí)際的道路規(guī)劃出發(fā)，總結(jié)了道路交通所面臨的各類問題，并逐漸引入道路交通網(wǎng)絡(luò)的節(jié)點(diǎn)概念，具有一定的前瞻性和參考價(jià)值。文獻(xiàn)[2]在道路交通規(guī)劃中，首次利用IBM公司的計(jì)算設(shè)備進(jìn)行了必要的道路交通仿真，減少了繁瑣的人工操作與人為失誤，提升了道路交通網(wǎng)絡(luò)規(guī)劃的速度及精度，且該研究在理論和實(shí)踐層面均給出了具有較高借鑒價(jià)值的解決方法。通過闡述交通網(wǎng)絡(luò)節(jié)點(diǎn)的理論研究過程，本文分析了相關(guān)節(jié)點(diǎn)分配的研究現(xiàn)狀，深入探討了道路交通規(guī)劃實(shí)踐所面臨的關(guān)鍵問題，并對復(fù)雜交通網(wǎng)絡(luò)的未來研究方向進(jìn)行了展望和預(yù)測。

1 節(jié)點(diǎn)分配策略

在復(fù)雜的交通網(wǎng)絡(luò)中，節(jié)點(diǎn)分配策略需要以較小的代價(jià)實(shí)現(xiàn)流量的均衡，從而緩解實(shí)際城市交通應(yīng)用環(huán)境中的擁堵現(xiàn)象。而在具體研究中，復(fù)雜的交通網(wǎng)絡(luò)通常被建模為一個(gè)由多節(jié)點(diǎn)和多條邊組成的加權(quán)有向圖。其中所有節(jié)點(diǎn)均對應(yīng)于實(shí)際交通中的道路交叉點(diǎn)，并具有不同的關(guān)鍵程度，而所有有向邊則對應(yīng)于交通中的實(shí)際道路，也具有不同的權(quán)值。

面對日益復(fù)雜的實(shí)際道路交通網(wǎng)絡(luò)，為了提升城市通行效率且減少社會(huì)的能源消耗，按照復(fù)雜交通網(wǎng)絡(luò)的建模方法，已有研究工作大致可分為節(jié)點(diǎn)重要度和規(guī)劃算法等類型，主要成果有：

(1)在復(fù)雜交通網(wǎng)絡(luò)中，節(jié)點(diǎn)具有不同的重要程度，按照該重要程度實(shí)現(xiàn)對交通網(wǎng)絡(luò)中所有節(jié)點(diǎn)的識(shí)別與劃分，是復(fù)雜交通網(wǎng)絡(luò)的主要研究內(nèi)容之一。依據(jù)不同的研究內(nèi)容，節(jié)點(diǎn)重要度可以有不同的評(píng)價(jià)方式，其重要度數(shù)據(jù)既可以是一維的，也可以是多維的。通常而言，節(jié)點(diǎn)重要度的數(shù)值越大，則節(jié)點(diǎn)在交通網(wǎng)絡(luò)中的地位越高；

(2)利用節(jié)點(diǎn)重要度對交通流量進(jìn)行合理的分配也是復(fù)雜交通網(wǎng)絡(luò)中的關(guān)鍵研究內(nèi)容。通常，傳統(tǒng)交通分配方法主要有Dijkstra算法、Floyd算法以及Frank-Wolf算法等，能夠?qū)崿F(xiàn)多項(xiàng)特殊的交通規(guī)劃功能。然而隨著交通狀況的持續(xù)惡化，傳統(tǒng)算法已無法滿足當(dāng)前交通規(guī)劃與分配的多項(xiàng)需求。因此在交通網(wǎng)絡(luò)的研究過程中，除了節(jié)點(diǎn)和邊的識(shí)別及分類，新型交通分配算法的設(shè)計(jì)與分析也是復(fù)雜交通網(wǎng)絡(luò)的重要研究內(nèi)容之一，其可大幅提升城市交通網(wǎng)絡(luò)的規(guī)劃水平和通行效率。

2 節(jié)點(diǎn)識(shí)別

在復(fù)雜交通網(wǎng)絡(luò)中，節(jié)點(diǎn)是具有重要地位的基礎(chǔ)和單元，而對關(guān)鍵節(jié)點(diǎn)的識(shí)別與控制研究則屬于交通領(lǐng)域中的基礎(chǔ)研究。該研究的進(jìn)展對城市交通擁堵的緩解具有重要影響。針對關(guān)鍵節(jié)點(diǎn)的識(shí)別研究主要可分為3個(gè)階段：

(1)在研究早期，研究人員在簡易交通數(shù)據(jù)的基礎(chǔ)上，總結(jié)了若干關(guān)鍵節(jié)點(diǎn)的識(shí)別算法，但其計(jì)算效率與準(zhǔn)確程度通常較低。文獻(xiàn)[3]首次設(shè)計(jì)并實(shí)現(xiàn)通用的城市交通網(wǎng)絡(luò)模擬系統(tǒng)，通過對關(guān)鍵交通節(jié)點(diǎn)進(jìn)行基本的識(shí)別和分類，輔助相關(guān)人員提出可行的交通規(guī)劃方案，進(jìn)而為后續(xù)研究提供一定的參考。但受限于時(shí)代與科技的發(fā)展，該研究結(jié)果已不適用于當(dāng)前交通的狀況。文獻(xiàn)[4]通過統(tǒng)計(jì)實(shí)際交通的速度、流量等時(shí)間變量，提出關(guān)鍵節(jié)點(diǎn)的辨識(shí)方法，并設(shè)計(jì)了宏觀網(wǎng)絡(luò)級(jí)的交通流模型，初步奠定了現(xiàn)代交通網(wǎng)絡(luò)的研究基礎(chǔ)。文獻(xiàn)[5]提出了一種結(jié)合交通仿真與路徑分配能力的模型，首次實(shí)現(xiàn)了車載實(shí)時(shí)信息對擁擠交通網(wǎng)絡(luò)性能的分析在交通領(lǐng)域的研究中，該研究工作具有較高的創(chuàng)新性及一定的參考價(jià)值。文獻(xiàn)[6]從交通網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)出發(fā)，將節(jié)點(diǎn)識(shí)別問題轉(zhuǎn)化為經(jīng)典的組合優(yōu)化問題，從而得到了性質(zhì)優(yōu)良的局部極小值，該方法具有較好的創(chuàng)新性及參考價(jià)值。文獻(xiàn)[7]分別從全局與局部的角度引入中央及局部調(diào)度單元，提出了一種適用于在線控制的交通控制遞進(jìn)結(jié)構(gòu)，其對實(shí)用的交通控制操作具有一定的指導(dǎo)意義。文獻(xiàn)[8]進(jìn)一步劃分交通網(wǎng)絡(luò)的層次，提出了一種全新的節(jié)點(diǎn)層次劃分規(guī)則，從而避免節(jié)點(diǎn)識(shí)別的不可靠解，并充分考慮大規(guī)模交通網(wǎng)絡(luò)的未來應(yīng)用場景；

(2)在研究中期，較多研究人員從神經(jīng)網(wǎng)絡(luò)(Neural Networks)算法、圖論(Graph Theory)和數(shù)據(jù)統(tǒng)計(jì)等理論角度出發(fā)，提出大量具備較高精確度和計(jì)算效率的關(guān)鍵節(jié)點(diǎn)識(shí)別算法。但其中部分研究工作的復(fù)雜度較高，難以應(yīng)用于交通網(wǎng)絡(luò)的日常管理、規(guī)劃。文獻(xiàn)[9]基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)與模糊專家系統(tǒng)(Fuzzy Expert System，F(xiàn)ES)提出了實(shí)時(shí)的節(jié)點(diǎn)識(shí)別方法，其交通控制的理論及實(shí)踐性能均較為優(yōu)異。文獻(xiàn)[10]通過引入立體視覺、運(yùn)動(dòng)分析等方法，提出了適用于市區(qū)交通的駕駛員實(shí)時(shí)輔助算法，且為智能交通的節(jié)點(diǎn)識(shí)別提供必要的實(shí)時(shí)數(shù)據(jù)，此方法具有一定的前瞻性和創(chuàng)新性。文獻(xiàn)[11]基于車載激光掃描儀，提出了一種具有實(shí)時(shí)數(shù)據(jù)處理能力的高速目標(biāo)檢測及跟蹤算法，其可精準(zhǔn)地實(shí)現(xiàn)道路節(jié)點(diǎn)的識(shí)別和分類，并進(jìn)一步明確動(dòng)態(tài)交通場景檢測和建模的系統(tǒng)架構(gòu)，且該方法首次引入了由傳感器組成的智能交通系統(tǒng)概念。文獻(xiàn)[12]通過引入傳統(tǒng)的Kashani模型，設(shè)計(jì)了綜合日常交通和高速公路的宏觀控制模型。該模型能將節(jié)點(diǎn)識(shí)別的范圍擴(kuò)展到高速公路的范圍，故具有較優(yōu)的交通預(yù)測功能。文獻(xiàn)[13]綜合使用GPS接收器和神經(jīng)網(wǎng)絡(luò)算法，提出具有極高實(shí)用價(jià)值的節(jié)點(diǎn)辨識(shí)算法，分別從宏觀及微觀角度來實(shí)現(xiàn)多種交通路況的預(yù)測、分析，從而以較高的精度實(shí)現(xiàn)對交通堵塞情況的預(yù)測和分析。文獻(xiàn)[14]通過引入加權(quán)拓?fù)渚W(wǎng)絡(luò)，將復(fù)雜交通網(wǎng)絡(luò)中的節(jié)點(diǎn)識(shí)別上升到定量研究，詳細(xì)證明了大規(guī)模城市交通通勤過程的高度異質(zhì)性，同時(shí)還考慮了社會(huì)人口增量與交通網(wǎng)絡(luò)之間的關(guān)系，進(jìn)而為交通評(píng)估、決策和規(guī)劃提供切實(shí)的分析工具。文獻(xiàn)[17]在小區(qū)傳播模型的基礎(chǔ)上，提出一種具有預(yù)測和節(jié)點(diǎn)識(shí)別功能的交通擁塞傳播模型，該模型通過精確地估計(jì)交通鏈路及網(wǎng)絡(luò)的平均行程速度，有效地防止了交通網(wǎng)絡(luò)的擁堵情況。文獻(xiàn)[18]通過引入GIS技術(shù)和復(fù)雜網(wǎng)絡(luò)理論，深度分析了城市街道網(wǎng)絡(luò)的基本拓?fù)湫再|(zhì)，進(jìn)而實(shí)現(xiàn)更加精確的關(guān)鍵節(jié)點(diǎn)識(shí)別算法，其對城市應(yīng)急管理、應(yīng)急交通調(diào)度與導(dǎo)航均具有較高的借鑒價(jià)值。文獻(xiàn)[19]在加權(quán)復(fù)雜交通網(wǎng)絡(luò)的基礎(chǔ)上，以網(wǎng)絡(luò)內(nèi)聚度為指標(biāo)，采用加權(quán)節(jié)點(diǎn)收縮法對節(jié)點(diǎn)的重要性進(jìn)行評(píng)價(jià)，從而提出了具有較高精確度的節(jié)點(diǎn)識(shí)別分析算法，并為后續(xù)的節(jié)點(diǎn)識(shí)別研究提供重要的參考；

(3)在研究后期，通過引入深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，DNN)算法和經(jīng)典數(shù)理統(tǒng)計(jì)方法，研究人員陸續(xù)提出了具有理論高度及實(shí)用價(jià)值的識(shí)別算法。這類方法充分考慮了復(fù)雜交通網(wǎng)絡(luò)的實(shí)時(shí)狀態(tài)，提高了識(shí)別算法的實(shí)用價(jià)值與適用范圍。文獻(xiàn)[20]提出了一種基于模型預(yù)測控制(Model Predictive Control，MPC)理論的結(jié)構(gòu)化全網(wǎng)絡(luò)交通控制器，以實(shí)現(xiàn)MPC控制器的研究與開發(fā)，其在犧牲精度的前提下，進(jìn)一步提升了節(jié)點(diǎn)識(shí)別算法的計(jì)算效率，并降低了復(fù)雜交通網(wǎng)絡(luò)下節(jié)點(diǎn)識(shí)別的計(jì)算負(fù)擔(dān)，深入考慮了實(shí)際應(yīng)用環(huán)境下的交通擁堵控制，具有良好的實(shí)用價(jià)值。文獻(xiàn)[21]將MPC理論應(yīng)用于城市交通網(wǎng)絡(luò)控制，以減少出行延誤和不同氣體的交通排放，進(jìn)而從理論及實(shí)用角度上改善交通的流動(dòng)性與生活環(huán)境。文獻(xiàn)[22]在交叉口安全攝像頭的硬件基礎(chǔ)上，利用圖論中的最大覆蓋理論，提出了具有交通事故控制功能的多周期優(yōu)化模型，該模型進(jìn)一步提高了城市交通網(wǎng)絡(luò)中的事故預(yù)防率。文獻(xiàn)[23]綜合使用人工神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)統(tǒng)計(jì)理論，提出具有短期城市交通流量預(yù)測的混合建模算法，并在實(shí)際的城市街道完成實(shí)驗(yàn)及仿真，具有較高的實(shí)踐指導(dǎo)意義。文獻(xiàn)[24]基于傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)方法，通過引入契比雪夫不等式，建立了基于時(shí)空監(jiān)測數(shù)據(jù)的路徑交叉口關(guān)聯(lián)度模型，實(shí)現(xiàn)了對城市交通網(wǎng)絡(luò)節(jié)點(diǎn)的有效識(shí)別、分類和分析。文獻(xiàn)[25]建立了復(fù)雜交通網(wǎng)絡(luò)的空間鄰接矩陣，并使用時(shí)空相關(guān)函數(shù)描述各個(gè)交通節(jié)點(diǎn)之間的影響程度，且提出了逼近理想點(diǎn)的節(jié)點(diǎn)重要度計(jì)算模型，再利用排序完成關(guān)鍵節(jié)點(diǎn)的識(shí)別及分類，具有高度的實(shí)用性、可行性。文獻(xiàn)[26]在有向加權(quán)復(fù)雜交通網(wǎng)絡(luò)的環(huán)境下，利用實(shí)際的出租車定位數(shù)據(jù)，提出基于DWNodeRank的關(guān)鍵節(jié)點(diǎn)識(shí)別方法，進(jìn)而為交通網(wǎng)絡(luò)的規(guī)劃、設(shè)計(jì)與管理提供了切實(shí)可行的指導(dǎo)方案，其借鑒意義和參考價(jià)值均較大。文獻(xiàn)[27]以蘇州的交通事故數(shù)據(jù)為基礎(chǔ)，利用最大分類區(qū)間的支持向量機(jī)(Support Vector Machine，SVM)方法，提出基于深度神經(jīng)網(wǎng)絡(luò)的黑點(diǎn)識(shí)別算法，進(jìn)而建立具有動(dòng)態(tài)自適應(yīng)的機(jī)器學(xué)習(xí)結(jié)構(gòu)，并對城市交通網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)進(jìn)行精確的識(shí)別與分類。文獻(xiàn)[28]將自行車添加到復(fù)雜的交通網(wǎng)絡(luò)環(huán)境中，提出了一種基于聚類分析的關(guān)鍵節(jié)點(diǎn)識(shí)別算法，其可為騎行者提供精確的危險(xiǎn)預(yù)測，且在充分考慮交通網(wǎng)絡(luò)的實(shí)際環(huán)境前提下，拓展了關(guān)鍵節(jié)點(diǎn)識(shí)別研究的使用范疇，具有較高的實(shí)用參考價(jià)值。文獻(xiàn)[29]在城市交通移動(dòng)人群感知的基礎(chǔ)上，重新定義了城市交通移動(dòng)人群感知的效用函數(shù)，并提出了一種基于道路網(wǎng)絡(luò)時(shí)空特性的關(guān)鍵節(jié)點(diǎn)優(yōu)化模型，且深入分析交通流與交通網(wǎng)絡(luò)拓?fù)渲g的動(dòng)態(tài)關(guān)系，有效提升了交通監(jiān)控系統(tǒng)的實(shí)用性，其對于未來的研究具有較高的指導(dǎo)意義。文獻(xiàn)[30]利用注意力機(jī)制(Attention Mechanism)將交通網(wǎng)絡(luò)構(gòu)造為動(dòng)態(tài)權(quán)值圖，同時(shí)尋找空間及語義鄰域，并提出一種新型時(shí)空自適應(yīng)門控圖卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)能精確地預(yù)測未來多個(gè)時(shí)間步長的交通狀況，從而提高關(guān)鍵節(jié)點(diǎn)識(shí)別的計(jì)算效率與精確程度。

3 分配算法

現(xiàn)階段在復(fù)雜交通網(wǎng)絡(luò)研究中，除了對關(guān)鍵節(jié)點(diǎn)的識(shí)別之外，針對該節(jié)點(diǎn)的分配算法也是重要的研究方向之一。鑒于交通網(wǎng)絡(luò)節(jié)點(diǎn)研究的性質(zhì)和屬性，其分配算法的研究大多集中于啟發(fā)式的智能算法。

為了優(yōu)化城市交通的擁堵及安全現(xiàn)狀，基于精準(zhǔn)的關(guān)鍵節(jié)點(diǎn)識(shí)別，研究人員也提出了一些具有較高優(yōu)化能力的智能分配算法。文獻(xiàn)[31]以交通排隊(duì)長度為輸入，將遺傳算法(Genetic Algorithm，GA)融入至交通關(guān)鍵節(jié)點(diǎn)的控制優(yōu)化中，確保了交通流量的流暢程度。文獻(xiàn)[32]利用經(jīng)典的模糊集理論(Fuzzy Set Theor)，在關(guān)鍵節(jié)點(diǎn)識(shí)別的基礎(chǔ)上提出了預(yù)測交通流量的模糊增量交通分配算法，該算法可為交通出行流量提供科學(xué)的導(dǎo)引及分配，從而緩解日益嚴(yán)重的交通擁堵。文獻(xiàn)[33]在關(guān)鍵節(jié)點(diǎn)分類的基礎(chǔ)上，提出了基于迭代學(xué)習(xí)控制(Iterative Learning Control，ILC)的非線性交通分配模型，其能較好地適應(yīng)交通出行流量的非線性增加。文獻(xiàn)[34]使用Petri網(wǎng)分析作為適應(yīng)度函數(shù)，提出適應(yīng)于大規(guī)模交通網(wǎng)絡(luò)的遺傳算法，從而降低了復(fù)雜交通網(wǎng)絡(luò)中關(guān)鍵節(jié)點(diǎn)所承擔(dān)的交通流量，具有良好的實(shí)用性。文獻(xiàn)[35]通過改進(jìn)傳統(tǒng)的遺傳算法，利用運(yùn)動(dòng)波理論分析了城市交通關(guān)鍵節(jié)點(diǎn)發(fā)生的擁堵狀態(tài)，并提出兩種適用于大型交通網(wǎng)絡(luò)的動(dòng)態(tài)用戶平衡模型，大幅提升了分配算法的收斂速度。文獻(xiàn)[36]基于粒子群的優(yōu)化(Particle Swarm Optimization，PSO)方法，提出了一種內(nèi)外元胞自動(dòng)機(jī)(Cellular Automata)機(jī)制，從而實(shí)現(xiàn)了對大規(guī)模交通網(wǎng)絡(luò)中關(guān)鍵節(jié)點(diǎn)的實(shí)時(shí)調(diào)度，并有效提高了調(diào)度效率，具有廣泛的適用范圍。文獻(xiàn)[37]在城市交通信息系統(tǒng)與監(jiān)控網(wǎng)絡(luò)信息的基礎(chǔ)上，利用信息過濾算法準(zhǔn)確地評(píng)估海量交通參與者的實(shí)時(shí)行進(jìn)速度，從而實(shí)現(xiàn)對關(guān)鍵節(jié)點(diǎn)的精確控制及調(diào)度。文獻(xiàn)[38]重點(diǎn)研究了單向交通在交通微循環(huán)系統(tǒng)中的應(yīng)用，提出了以遺傳算法為基礎(chǔ)、融合多目標(biāo)規(guī)劃問題與容量受限的交通流量分配模型，進(jìn)一步提高了復(fù)雜交通網(wǎng)絡(luò)的通信效率及組織效果。文獻(xiàn)[39]在高速公路數(shù)據(jù)的基礎(chǔ)上，通過分析交通網(wǎng)絡(luò)的脆弱程度，構(gòu)建了基于拓?fù)溥z傳算法的指標(biāo)權(quán)重計(jì)算框架，并為交通網(wǎng)絡(luò)的關(guān)鍵節(jié)點(diǎn)安全性提供科學(xué)的衡量方法。文獻(xiàn)[40]使用原始單元法、Ulchis重力模型以及Dijkstra算法，設(shè)計(jì)了具有較高精確度的復(fù)合交通分配模型，實(shí)現(xiàn)了復(fù)雜交通出行的生成、統(tǒng)計(jì)與分析，并為后續(xù)理論研究提供一定的參考和借鑒。然而需要說明的是，在當(dāng)前研究條件下，針對交通網(wǎng)絡(luò)的節(jié)點(diǎn)分配算法研究，并未能完全解決復(fù)雜交通網(wǎng)絡(luò)條件下海量交通參與者的規(guī)劃與分配問題，因此仍需引入更加精確的分配算法。

4 結(jié)束語

針對復(fù)雜交通網(wǎng)絡(luò)中的節(jié)點(diǎn)分配問題，文中分別從識(shí)別與分配的角度出發(fā)，深入探討及分析了節(jié)點(diǎn)分配問題的研究歷史與發(fā)展方向。根據(jù)節(jié)點(diǎn)分配問題的研究現(xiàn)狀可知：(1)在節(jié)點(diǎn)識(shí)別的相關(guān)研究中，利用神經(jīng)網(wǎng)絡(luò)和數(shù)理統(tǒng)計(jì)的研究結(jié)果較多，其識(shí)別與分類效果也較優(yōu)，但現(xiàn)階段識(shí)別計(jì)算結(jié)果的提升空間已逐步減小并受到了限制，因此突破傳統(tǒng)識(shí)別算法的限制已成為當(dāng)前該研究方向所共同面臨的重要問題之一；(2)在分配算法方面，大量的啟發(fā)式智能算法被應(yīng)用于交通網(wǎng)絡(luò)流量的預(yù)測和管理中，并獲得了令人滿意的結(jié)果，然而隨著當(dāng)前交通網(wǎng)絡(luò)的復(fù)雜度持續(xù)增加，實(shí)現(xiàn)實(shí)時(shí)自適應(yīng)的關(guān)鍵節(jié)點(diǎn)分配及控制也是這一研究方向所面臨的另一個(gè)重要問題。隨著傳感器、無線網(wǎng)絡(luò)及大數(shù)據(jù)技術(shù)的發(fā)展，復(fù)雜交通網(wǎng)絡(luò)的硬件設(shè)施、調(diào)度與控制策略均面臨著進(jìn)一步的優(yōu)化和更新，其研究水平直接關(guān)系到居民生活、經(jīng)濟(jì)規(guī)模、軍事安全等關(guān)鍵領(lǐng)域的發(fā)展。