基于HTN規(guī)劃和SVM的應(yīng)急交通管控決策模型

夏小棠,何 鑫

(1.武漢科技大學(xué) 城市建設(shè)學(xué)院,湖北 武漢 430065;2.武漢科技大學(xué) 城市更新湖北省工程研究中心,湖北 武漢 430065)

應(yīng)急交通管控是指在重大公共衛(wèi)生事件、社會(huì)安全事件、工業(yè)事故和自然災(zāi)害等突發(fā)事件應(yīng)急處置中,對(duì)現(xiàn)場(chǎng)及周邊進(jìn)行道路疏導(dǎo)與交通工具管控等維持現(xiàn)場(chǎng)秩序的應(yīng)急行動(dòng),是保障應(yīng)急救援有序開展和應(yīng)急資源順暢調(diào)度的基礎(chǔ)條件。應(yīng)急交通管控過程中,現(xiàn)場(chǎng)指揮部需要根據(jù)應(yīng)急態(tài)勢(shì)和現(xiàn)場(chǎng)環(huán)境,識(shí)別應(yīng)急管控目標(biāo),確定管控力度和管控措施,分析現(xiàn)場(chǎng)應(yīng)急資源需求和保障措施,制定應(yīng)急交通管控行動(dòng)方案,并根據(jù)突發(fā)事件情景演化動(dòng)態(tài)調(diào)整。例如新冠肺炎(COVID-19)疫情爆發(fā)后的武漢市封城決策中就包括復(fù)雜的應(yīng)急交通管控問題,由于交通工具成為病毒傳播的潛在途徑,武漢全市公交、地鐵、輪渡、長(zhǎng)途客運(yùn)暫停運(yùn)營(yíng),除特殊車輛外,中心城區(qū)實(shí)行機(jī)動(dòng)車禁行管理。疫情期間武漢市關(guān)閉全部離漢通道,共設(shè)置交通管控卡口51個(gè),其中高速公路卡口47個(gè)、國(guó)省道卡口4個(gè),并為全市1 300多個(gè)社區(qū)900多萬居民提供生活保障和醫(yī)療保障。然而,在新冠疫情防控中也出現(xiàn)了部分地區(qū)過度采取封閉道路、中斷交通等禁止性交通管控措施,不僅給當(dāng)?shù)厝罕娬５纳a(chǎn)生活帶來負(fù)面影響,還影響到應(yīng)急資源保障“最后一公里”的順暢配送。為解決應(yīng)急交通管控中暴露出的管控力度不精準(zhǔn)、管控措施不合理和應(yīng)急資源保障不順暢的問題,提出在層次任務(wù)網(wǎng)絡(luò)(HTN)規(guī)劃中集成支持向量機(jī)(SVM)模型,力圖通過智能化選擇交通管控方式生成應(yīng)急交通管控行動(dòng)方案,包括管控力度和管控措施。

韓善劍等[1]分析了新冠疫情防控不同階段的交通管控策略和需求特點(diǎn),總結(jié)出實(shí)施分區(qū)分級(jí)交通管控、完善應(yīng)急交通管控預(yù)案和創(chuàng)新智慧交通技術(shù)的應(yīng)急交通管控策略。劉志謙[2]分析了新冠疫情防控暴露出的應(yīng)急保障不平衡、聯(lián)防聯(lián)控待優(yōu)化等問題,提出了應(yīng)急通道保障、交通管控閉環(huán)等交通應(yīng)急保障與出行管控對(duì)策。代磊磊等[3]就新冠疫情期間交通管控的形式和重點(diǎn)變化問題,對(duì)交通管控分級(jí)影響因素進(jìn)行分析,建立交通管控分級(jí)觸發(fā)機(jī)制,構(gòu)建了分級(jí)管控體系。龔鵬飛等[4]在分析4種不同應(yīng)急交通組織措施基礎(chǔ)上,以道路交通事故為例進(jìn)行模擬仿真實(shí)驗(yàn),發(fā)現(xiàn)綜合采用應(yīng)急交通組織措施的交通疏導(dǎo)效果顯著。賈興利等[5]通過分析市內(nèi)道路封閉、客運(yùn)交通停運(yùn)和小區(qū)人口流動(dòng)控制3種交通管控措施實(shí)施前后的市域疫情傳播趨勢(shì),揭示了不同交通管控措施對(duì)疫情傳播的阻斷效果。蔣瑤等[6]提出公交專用道復(fù)用,通過綠燈延時(shí)、紅燈早斷和速度調(diào)節(jié)3種信號(hào)優(yōu)先控制策略為應(yīng)急物資運(yùn)輸車輛提供路徑選擇。有學(xué)者是在應(yīng)急預(yù)案編制的基礎(chǔ)上針對(duì)疫情防控、交通事故等特定對(duì)象設(shè)計(jì)出優(yōu)選方案,還有學(xué)者是在分別考慮管控分級(jí)、管控措施和資源保障的基礎(chǔ)上進(jìn)行仿真實(shí)驗(yàn)或模型優(yōu)化,得到應(yīng)急交通管控決策方案,但這些決策模型不能同時(shí)解決交通管控力度選擇和應(yīng)急保障最后“一公里”問題,難以適應(yīng)新冠肺炎疫情等重大突發(fā)事件中應(yīng)急交通管控多樣性、復(fù)雜性和動(dòng)態(tài)變化的特征。因此,需設(shè)計(jì)出一種全管控級(jí)別的應(yīng)急交通管控決策模型。

HTN規(guī)劃作為一種人工智能規(guī)劃,其推理過程可以模擬應(yīng)急行動(dòng)方案制定的決策過程[7]能夠大幅縮短應(yīng)急決策時(shí)間,提高應(yīng)急決策效率[8]。HTN規(guī)劃可分解一組高級(jí)復(fù)合任務(wù)目標(biāo),生成可行的行動(dòng)計(jì)劃[9],能夠處理具有因果關(guān)系或時(shí)間關(guān)系的復(fù)雜任務(wù)[10],在突發(fā)事件應(yīng)急處置中應(yīng)用廣泛。王喆等[11]設(shè)計(jì)了戰(zhàn)術(shù)推理和操作優(yōu)化過程將HTN規(guī)劃應(yīng)用于復(fù)合型應(yīng)急物流配送問題。SANTOFIMIA等[12]考慮到公共交通安全的特點(diǎn),對(duì)層次任務(wù)網(wǎng)絡(luò)規(guī)劃進(jìn)行擴(kuò)展,引入自動(dòng)監(jiān)控平臺(tái),將其應(yīng)用于公共交通安全相關(guān)的實(shí)際問題。吳鳳媛等[13]根據(jù)海上應(yīng)急物流的特點(diǎn),結(jié)合智能網(wǎng)絡(luò)規(guī)劃,提出了一種更科學(xué)的應(yīng)急規(guī)劃方法,大幅度提高了海上應(yīng)急規(guī)劃的決策效率。HTN規(guī)劃可以實(shí)現(xiàn)完整的應(yīng)急交通管控決策過程,但在通過各影響因素的取值決定管控力度選擇的過程中,可能存在效率低、方案不夠合理等問題。商麗媛等[14]通過支持向量機(jī)對(duì)地震災(zāi)害進(jìn)行分級(jí)實(shí)驗(yàn),為突發(fā)事件分級(jí)提供了科學(xué)依據(jù)。因此可以考慮引入額外的分類方法,彌補(bǔ)HTN規(guī)劃在分類問題上的不足。

為解決上述問題,提出HTN規(guī)劃和支持向量機(jī)相結(jié)合的方法,建立應(yīng)急交通管控決策框架,包括SVM決策模塊和HTN規(guī)劃模塊。根據(jù)應(yīng)急交通管控的特點(diǎn)、外部環(huán)境、資源需求等,確定管控目標(biāo),形成HTN規(guī)劃的初始任務(wù)網(wǎng)絡(luò);根據(jù)歷史數(shù)據(jù)提取出相應(yīng)的高關(guān)聯(lián)性特征參數(shù),通過SVM模型得到合適的管控力度,并擴(kuò)展HTN規(guī)劃的方法集,進(jìn)一步生成應(yīng)急行動(dòng)方案。

1 基本框架

應(yīng)急決策是在不確定條件下對(duì)意外事態(tài)進(jìn)行精準(zhǔn)研判并制定應(yīng)急行動(dòng)方案以實(shí)現(xiàn)對(duì)突發(fā)事件進(jìn)行有效控制的決策情景。突發(fā)事件的應(yīng)急處置過程中,為了防止突發(fā)事件的持續(xù)擴(kuò)散,使應(yīng)急救援行動(dòng)順利展開,需要對(duì)處置現(xiàn)場(chǎng)及其周邊區(qū)域進(jìn)行交通管控,確保救援車輛的順暢通行。合適的交通管控方式和切實(shí)可行的應(yīng)急行動(dòng)方案,將會(huì)縮短應(yīng)急決策時(shí)間,提高應(yīng)急救援效率。筆者提出基于HTN和SVM的應(yīng)急交通管控決策模型,基本框架如圖1所示。

圖1 應(yīng)急交通管控決策框架

應(yīng)急交通管控的決策過程,主要包括應(yīng)急交通管控目標(biāo)和方式的確定及應(yīng)急行動(dòng)方案的生成。通過信息編碼、拓展方法將SVM決策模塊和HTN規(guī)劃模塊連結(jié)起來,共同組成了應(yīng)急交通管控決策框架。整個(gè)框架包括兩個(gè)部分:①SVM決策模塊。突發(fā)事件發(fā)生后,根據(jù)應(yīng)急交通管控的特點(diǎn)、外部環(huán)境、資源需求等,確定應(yīng)急處置的管控目標(biāo)。將實(shí)際現(xiàn)場(chǎng)數(shù)據(jù)輸入到SVM模型中,根據(jù)輸出結(jié)果即可得到相應(yīng)的應(yīng)急交通管控力度。其中,SVM模型是通過對(duì)歷史數(shù)據(jù)提取關(guān)聯(lián)性較高的特征參數(shù)經(jīng)過訓(xùn)練、測(cè)試得到的。②HTN規(guī)劃模塊。將SVM決策模塊生成的應(yīng)急交通管控目標(biāo)和管控力度輸入到HTN規(guī)劃模塊,再利用SHOP2規(guī)劃器進(jìn)一步生成應(yīng)急行動(dòng)方案。其中,應(yīng)急交通管控目標(biāo)將被編碼為初始任務(wù)網(wǎng)絡(luò),包括應(yīng)急資源的需求任務(wù)和救援車輛的最優(yōu)路徑選擇任務(wù);管控力度將被編碼為任務(wù)分解方法,可以把對(duì)應(yīng)的任務(wù)分解至可以直接執(zhí)行的管控措施。

2 應(yīng)急交通管控SVM模型

2.1 管控力度的響應(yīng)特征

應(yīng)急交通管控涉及諸多因素,包括風(fēng)險(xiǎn)等級(jí)、周邊應(yīng)急通道數(shù)量、應(yīng)急保障優(yōu)先級(jí)、人口密度和道路交通流情況?；谶@些因素,通過分析歷史數(shù)據(jù),將管控力度劃分為4個(gè)等級(jí),分別為紅色、橙色、黃色、藍(lán)色,并設(shè)置各等級(jí)對(duì)應(yīng)的響應(yīng)條件及管控措施,如表1所示。

表1 應(yīng)急交通管控方式

從響應(yīng)條件中提取出4個(gè)特征,分別為道路數(shù)量、人口密度、車流量、風(fēng)險(xiǎn)等級(jí),各個(gè)特征具體內(nèi)容如下:①道路數(shù)量,指突發(fā)事件現(xiàn)場(chǎng)的周邊區(qū)域內(nèi)道路總數(shù)量,包括主干道、輔路和匝道,道路越多數(shù)量,說明現(xiàn)場(chǎng)及周邊越重要;②人口密度,指該區(qū)域內(nèi)常住人口數(shù)量與區(qū)域面積的比值,突發(fā)事件后果的擴(kuò)散與人口密度有一定的關(guān)系,同時(shí)人口密度也影響著現(xiàn)場(chǎng)周邊區(qū)域的管控;③車流量,指現(xiàn)場(chǎng)周邊區(qū)域內(nèi)所有道路的車流量信息,車流量的大小影響著突發(fā)事件后果的擴(kuò)散,車流量大代表著流動(dòng)性大,擴(kuò)散風(fēng)險(xiǎn)就越大,進(jìn)而影響交通管控方式;④風(fēng)險(xiǎn)等級(jí),突發(fā)事件等級(jí)分為低、中、高3級(jí),1代表低風(fēng)險(xiǎn)、2代表中風(fēng)險(xiǎn)、3代表高風(fēng)險(xiǎn),風(fēng)險(xiǎn)等級(jí)由政府部門及相關(guān)組織確定。將4個(gè)特征作為突發(fā)事件現(xiàn)場(chǎng)數(shù)據(jù)的4個(gè)維度來選擇管控力度,則應(yīng)急交通管控決策中的管控力度選擇可以被看作是基于4維數(shù)據(jù)的多分類問題。

2.2 管控力度的多分類問題

多分類問題描述:給定含N個(gè)樣本的訓(xùn)練集X={(x1,y1),(x2,y2),…,(xN,yN)},找到?jīng)Q策函數(shù)y=f(x)用于預(yù)測(cè)新數(shù)據(jù)的類別。其中,xn1為K維特征向量,xn1∈RK,yn1為類標(biāo)簽,yn1∈{1,2,…,M},n1=1,2,…,N。通常解決多分類問題的思路是“拆解法”,即將多分類問題拆分為多個(gè)二分類問題,為每個(gè)二分類問題訓(xùn)練一個(gè)分類器,預(yù)測(cè)時(shí)對(duì)每個(gè)分類器的結(jié)果進(jìn)行集成,即可得到多分類結(jié)果。

根據(jù)以上思路,對(duì)于管控力度選擇的多分類問題只需要找到合適的拆分策略與二分類方法。經(jīng)典的拆分策略有3種:①“一對(duì)一”,是指在任意兩類樣本之間設(shè)計(jì)一個(gè)分類器,則包含K類樣本的訓(xùn)練集需要設(shè)計(jì)K(K-1)/2個(gè)分類器,當(dāng)預(yù)測(cè)一個(gè)未知樣本的類別時(shí),最終的預(yù)測(cè)結(jié)果通過投票產(chǎn)生,即被預(yù)測(cè)的最多的類別為最終分類結(jié)果;②“一對(duì)多”,是指依次將某個(gè)類的樣本作為正樣本,其他類別的樣本作為負(fù)樣本,此時(shí)K個(gè)樣本需訓(xùn)練出K個(gè)分類器,預(yù)測(cè)時(shí)選擇置信度最大的類別作為分類結(jié)果。③“多對(duì)多”,是指每次將若干個(gè)類作為正類,若干個(gè)其他類作為反類,常用的技術(shù)是糾錯(cuò)輸出碼,在預(yù)測(cè)時(shí)將預(yù)測(cè)標(biāo)記與各個(gè)類別的編碼進(jìn)行比較,返回距離最小的類別作為預(yù)測(cè)結(jié)果。其中,“一對(duì)一”策略的訓(xùn)練時(shí)間少,在類別較多時(shí),容易出現(xiàn)分類器個(gè)數(shù)較大進(jìn)而導(dǎo)致存儲(chǔ)開銷和測(cè)試時(shí)間較大,但是本文管控力度的選擇是一個(gè)4分類問題,總分類器的個(gè)數(shù)為6個(gè),代價(jià)較小;“一對(duì)多”策略在類別較少時(shí),存儲(chǔ)開銷和測(cè)試時(shí)間少,但是訓(xùn)練集的正、反類比例存在偏置;“多對(duì)多”策略的正、反類構(gòu)造需要特殊設(shè)計(jì),不同的拆解方式會(huì)導(dǎo)致模型具有不同的效果。經(jīng)對(duì)比分析,“一對(duì)一”拆分策略適合解決本文管控力度選擇的多分類問題。

2.3 管控力度的SVM模型

支持向量機(jī)(support vector machine,SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的數(shù)據(jù)分類、回歸分析模型[15],在機(jī)器學(xué)習(xí)、模式識(shí)別、計(jì)算機(jī)視覺、工業(yè)工程應(yīng)用等領(lǐng)域得到廣泛應(yīng)用[16]。統(tǒng)計(jì)學(xué)習(xí)理論避免了模型受訓(xùn)練集大小的影響,結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則避免了模型的過學(xué)習(xí)問題,同時(shí)SVM學(xué)習(xí)問題可以表示為凸優(yōu)化問題,能保證找到全局最優(yōu)解而非局部最優(yōu)解。SVM作為一種優(yōu)秀的二分類模型,還可以通過拆分策略擴(kuò)展到多分類,其中LibSVM中的多分類方法也包括“一對(duì)一”拆分策略。SVM二分類模型的基本思想是求解能夠正確劃分樣本空間且?guī)缀伍g隔最大的分離超平面[17],如式(1)所示。

(1)

s.t.yi(wTφ(x)+b)≥1-ζi,ζi≥0

(2)

式中:w∈RK,b∈RK;x={xi}為樣本向量,i=1,2,…,n2;y∈{-1,1}n2為類別向量;wTφ(x)+b=0為超平面;函數(shù)φ表示將樣本向量x隱式映射到更高的維空間中;C為控制當(dāng)樣本被錯(cuò)誤分類時(shí)懲罰的強(qiáng)度;ζi為超平面不能使樣本數(shù)據(jù)完全分離時(shí)樣本距離其正確邊界的距離。找到合適的w和b使得sign(wTφ(x)+b)給出的預(yù)測(cè)對(duì)于大多數(shù)樣本是正確的,即找到最好的劃分超平面,同時(shí)將該問題轉(zhuǎn)化為找到樣本空間里的最大間隔。

在約束最優(yōu)化問題中,通常利用拉格朗日對(duì)偶性將原始問題轉(zhuǎn)換成對(duì)偶問題,通過求解對(duì)偶問題得到原始問題的解。SVM原始問題式(1)的對(duì)偶問題可表示為:

L(α)=min(αTQα)/2-eTα

(3)

s.t.yTα=0,0≤αi≤C

(4)

式中:αi為對(duì)偶系數(shù),以C為上界;e為全為1的向量;Q為一個(gè)n3×n3階的正定矩陣,Qjj′≡yjyj′K(xj,xj′),K(xj,xj′)=φ(xj)Tφ(xj′)為核函數(shù),j=1,2,…,n3,j′=1,2,…,n3。

拉格朗日乘子法是一種尋找多元函數(shù)在一組約束下的極值的方法。通過引入拉格朗日乘子,可將有d個(gè)變量與k個(gè)約束條件的最優(yōu)化問題轉(zhuǎn)化為具有d+k個(gè)變量的無約束優(yōu)化問題求解。通過拉格朗日乘子法即可得到以下模型:

(5)

3 應(yīng)急交通管控HTN規(guī)劃

3.1 HTN規(guī)劃問題描述

應(yīng)急交通管控的HTN規(guī)劃問題描述為4元組:P=(S0,T,D),其中S0為問題的初始狀態(tài),T為初始任務(wù)網(wǎng)絡(luò),D=(O,M)為HTN的規(guī)劃領(lǐng)域,O為動(dòng)作集合,M為方法集合。

(1)初始狀態(tài)S0。初始狀態(tài)S0不僅需要描述應(yīng)急交通管控的初始情景,還需要描述初始的應(yīng)急資源分布情況。初始情景由一系列由謂詞邏輯表述的狀態(tài)組成。應(yīng)急資源則包括可重用性資源和消耗性資源?？芍赜眯再Y源是應(yīng)急處置后可以回收的資源,如交通工具,表示為R_1={R_id,R_type,R_loc,R_res},其中R_id表示可重用性資源序號(hào);R_type表示資源類型;R_loc表示資源位置變化;R_res表示該資源與其他資源的關(guān)聯(lián)信息;消耗性資源是應(yīng)急處置中不斷消耗的資源,如食品、藥品,表示為R_2={R_id,R_type,R_loc},其中R_id表示資源序號(hào);R_type表示資源類型;R_loc表示資源位置變化。

(2)初始任務(wù)網(wǎng)絡(luò)T。初始任務(wù)網(wǎng)絡(luò)T=(t1,t2,…,tL),包含若干子任務(wù),如應(yīng)急救援任務(wù),依次將子任務(wù)分解,直至任務(wù)網(wǎng)絡(luò)中不包含非原子任務(wù),即可得到規(guī)劃方案。tl=(tl_id,tl_type,tl_start,tl_end,tl_description),tl_id表示任務(wù)名稱;tl_type表示任務(wù)類型;tl_start和tl_end 表示任務(wù)的起止時(shí)間;tl_description表示任務(wù)的描述信息。

(3)規(guī)劃領(lǐng)域D。規(guī)劃領(lǐng)域D=(O,M),O={o1,o2,…,oJ}為動(dòng)作集合,如o1(transport,r_1,start,end,loc_from,loc_to),transport表示o1是運(yùn)輸動(dòng)作;r_1表示執(zhí)行該動(dòng)作所需要的交通工具;start表示該動(dòng)作的開始時(shí)間;end表示該動(dòng)作的結(jié)束時(shí)間;loc_from表示該動(dòng)作執(zhí)行前交通工具所在地點(diǎn);loc_to表示該動(dòng)作執(zhí)行后交通工具所在地點(diǎn)。M={m1,m2,…,mk}為方法集合,使用方法可將復(fù)雜的任務(wù)分解至原子任務(wù),如m1(rescue,(t_control,r_need,r_handle))表示將應(yīng)急救援任務(wù)rescue分解為t_control、r_need、r_handle 3個(gè)子任務(wù),t_control表示交通管控;r_need表示資源分析;r_handle表示資源處置。

3.2 OTD算法

SHOP2是使用有序任務(wù)分解算法(OTD)求解HTN規(guī)劃的規(guī)劃器[18]。OTD算法的基本原理是按任務(wù)網(wǎng)絡(luò)中子任務(wù)的先后順序依次進(jìn)行分解,分解過程基于當(dāng)前系統(tǒng)的狀態(tài),為后續(xù)任務(wù)分解和規(guī)劃生成提供了準(zhǔn)確的系統(tǒng)狀態(tài)信息,減少了規(guī)劃生成中的不確定信息,提高了求解效率[19]。將SHOP2規(guī)劃器應(yīng)用于應(yīng)急交通管控HTN規(guī)劃,OTD部分算法流程如圖2所示,在將初始任務(wù)應(yīng)急救援分解為交通管控、資源分析、資源處置3個(gè)子任務(wù)后,先分解交通管控子任務(wù)得到管控力度和管控措施兩個(gè)子任務(wù),直至分解為原子任務(wù),再依次分解資源分析、資源處置兩個(gè)子任務(wù),最終通過回溯得到完整的應(yīng)急行動(dòng)方案。

圖2 OTD部分算法流程

3.3 HTN規(guī)劃流程

基于HTN規(guī)劃分解交通管控子任務(wù)得到管控力度的過程中,需要判斷各影響因素是否在紅、橙、黃、藍(lán)4個(gè)管控力度的取值范圍內(nèi)。由于各管控力度的取值范圍很難界定,會(huì)導(dǎo)致管控力度的選擇不準(zhǔn)確,影響應(yīng)急處置效率。因此,在OTD算法的基礎(chǔ)上,利用SVM模型的分類結(jié)果對(duì)HTN規(guī)劃的任務(wù)分解方法進(jìn)行擴(kuò)展,得到應(yīng)急交通管控的HTN規(guī)劃算法。當(dāng)突發(fā)事件應(yīng)急處置需要交通管控時(shí),根據(jù)歷史經(jīng)驗(yàn)和相關(guān)數(shù)據(jù)利用SVM模型識(shí)別出合理的管控力度,規(guī)劃器進(jìn)一步根據(jù)該問題的初始任務(wù)和應(yīng)急資源需求,調(diào)用任務(wù)分解方法,生成應(yīng)急行動(dòng)方案。

基于應(yīng)急交通管控的HTN規(guī)劃算法流程如圖3所示,具體步驟為:①利用交通管控目標(biāo)來確定HTN規(guī)劃的初始任務(wù)網(wǎng)絡(luò)并利用從SVM模塊得到的管控力度擴(kuò)展方法集,然后執(zhí)行OTD(S,T,D),對(duì)任務(wù)列表T進(jìn)行判斷,若為空列表,則生成行動(dòng)方案,同時(shí)跳轉(zhuǎn)到步驟④,否則繼續(xù)執(zhí)行步驟②。②從任務(wù)列表T選擇第一個(gè)任務(wù)t。如果t是原子任務(wù),在領(lǐng)域D中找到適用于當(dāng)前狀態(tài)S的動(dòng)作o,若存在動(dòng)作o,則將當(dāng)前狀態(tài)S替換為執(zhí)行o后的狀態(tài),將任務(wù)列表T替換為刪除任務(wù)t后的新列表,然后將操作o加入到行動(dòng)方案中,同時(shí)返回OTD(S,T,D);若不存在操作o,則返回失敗。如果t不是原子任務(wù),則繼續(xù)執(zhí)行步驟③。③從D=(O,M)中找到方法m分解任務(wù)t,并將產(chǎn)生的新任務(wù)列表設(shè)為T,刪除任務(wù)t后,返回OTD(S,T,D),直至任務(wù)列表T中的任務(wù)全部被分解為原子任務(wù)。④按照算法依次進(jìn)行規(guī)劃,返回行動(dòng)方案,即為所求應(yīng)急行動(dòng)規(guī)劃;若在規(guī)劃過程中,沒有從D=(O,M)找到合適的操作o和方法m,則算法返回失敗結(jié)果。

圖3 HTN規(guī)劃流程

4 算例分析

4.1 算例簡(jiǎn)介

為了驗(yàn)證基于HTN和SVM的應(yīng)急交通管控決策模型的可行性,以新冠肺炎疫情防控為實(shí)驗(yàn)背景,假設(shè)某地區(qū)出現(xiàn)新冠肺炎感染病例,通過該模型實(shí)現(xiàn)應(yīng)急交通管控方式選擇和應(yīng)急物資保障“最后一公里”。某地區(qū)A小區(qū)周邊地理信息如圖4所示,包括各道路、C醫(yī)院和應(yīng)急物資儲(chǔ)備點(diǎn)B1、B2。各路段距離如表2所示。

圖4 A小區(qū)周邊地理信息

4.2 SVM模型訓(xùn)練

在建立完整的應(yīng)急交通管控決策模型之前,需要根據(jù)交通管控歷史數(shù)據(jù)訓(xùn)練出SVM模型,用來解決交通管控多分類問題。根據(jù)各省市新冠肺炎疫情工作指揮部發(fā)出的工作通告,獲取該地區(qū)新冠肺炎疫情的風(fēng)險(xiǎn)等級(jí)和交通管控措施,通過管控措施確定管控力度。同時(shí),根據(jù)各省市政府?dāng)?shù)據(jù)開放平臺(tái)提供的相關(guān)數(shù)據(jù),獲取與通告時(shí)間相對(duì)應(yīng)的該地區(qū)的人口密度、道路數(shù)量、車流量日統(tǒng)計(jì)數(shù)據(jù),共選取樣本數(shù)據(jù)40個(gè),按8∶2的比例分為訓(xùn)練集和驗(yàn)證集。由于4個(gè)特征的性質(zhì)不同,具有不同的量綱和數(shù)量級(jí),人口密度和車流量之間的水平也相差較大,而SVM模型需要計(jì)算距離,如果直接使用原始數(shù)據(jù),可能會(huì)突出數(shù)值較高的特征在分類中的作用,因此需要對(duì)原始數(shù)據(jù)做標(biāo)準(zhǔn)化處理來保證結(jié)果的可靠性。使用Z-Score標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)訓(xùn)練集數(shù)據(jù)標(biāo)準(zhǔn)化,數(shù)據(jù)預(yù)處理之后,需要進(jìn)行SVM核函數(shù)的選擇、懲罰系數(shù)C和核函數(shù)系數(shù)的確定。使用Python并借助sklearn框架進(jìn)行編程,拆分策略選擇“一對(duì)一”,核函數(shù)選擇RBF核函數(shù)。經(jīng)過多次實(shí)驗(yàn),設(shè)置懲罰系數(shù)C為1,核函數(shù)系數(shù)為0.25,最終SVM模型的準(zhǔn)確率為92.5 %,可以使用該模型來確定應(yīng)急交通管控中的管控力度。驗(yàn)證集數(shù)據(jù)如表3所示。

表3 驗(yàn)證集數(shù)據(jù)

4.3 算例結(jié)果及分析

若A小區(qū)內(nèi)新冠肺炎確診病例增加,風(fēng)險(xiǎn)等級(jí)從中風(fēng)險(xiǎn)上調(diào)至高風(fēng)險(xiǎn),該小區(qū)及周邊區(qū)域的道路數(shù)量、人口密度、車流量、風(fēng)險(xiǎn)等級(jí)數(shù)分別為10、1、100、3。經(jīng)相關(guān)部門統(tǒng)計(jì),現(xiàn)需要調(diào)配指定車輛緊急配送應(yīng)急資源,包括口罩、防護(hù)服、食品藥品、醫(yī)護(hù)人員,疫情防控指揮部決定對(duì)該小區(qū)及周邊區(qū)域?qū)嵤┙煌ü芸?保障應(yīng)急資源配送,并制定具體的應(yīng)急行動(dòng)方案。

根據(jù)所提出的應(yīng)急交通管控決策模型,將該管控目標(biāo)輸入到HTN規(guī)劃中,同時(shí)將A小區(qū)樣本數(shù)據(jù)與訓(xùn)練集數(shù)據(jù)的均值、標(biāo)準(zhǔn)差做標(biāo)準(zhǔn)化處理,輸入到訓(xùn)練完畢的SVM模型中,最終得到管控力度為紅色等級(jí),相應(yīng)的應(yīng)急行動(dòng)方案如表4所示。即A小區(qū)風(fēng)險(xiǎn)等級(jí)發(fā)生變化后,為保障應(yīng)急行動(dòng)的順利展開,應(yīng)當(dāng)對(duì)A小區(qū)及周邊區(qū)域進(jìn)行紅色管控,執(zhí)行相應(yīng)的管控措施。具體的管控措施為交通管控期間,應(yīng)急物資調(diào)運(yùn)車輛需在指定道路上“點(diǎn)對(duì)點(diǎn)”通行,各車輛只能從應(yīng)急物資儲(chǔ)備點(diǎn)或醫(yī)院往返A(chǔ)小區(qū);普通車輛在主干道和支路的速度分別為40 km/h、30 km/h,救護(hù)車在主干道和支路的速度分別為50 km/h、40 km/h;每條道路路口設(shè)置交通管控卡口,各卡口的通行證檢查時(shí)間為5 min。應(yīng)急救援物資“最后一公里”配送行動(dòng)按照表4中的應(yīng)急行動(dòng)方案有序進(jìn)行。

表4 應(yīng)急行動(dòng)方案

采用已完成行動(dòng)的個(gè)數(shù)與總行動(dòng)個(gè)數(shù)的比值表征救援任務(wù)完成度,則應(yīng)急行動(dòng)方案的救援時(shí)間和救援任務(wù)完成度如圖5所示。由圖5可知,沒有智能化選擇交通管控方式的行動(dòng)方案需要137.5 min,而執(zhí)行通過應(yīng)急交通管控模型產(chǎn)生的行動(dòng)方案需要124 min,應(yīng)急救援行動(dòng)效率提高10 %。實(shí)驗(yàn)結(jié)果證明選擇合理的交通管控方式,可以有效完成突發(fā)事件中的應(yīng)急處置工作,保證救援行動(dòng)順利進(jìn)行。

圖5 救援時(shí)間和任務(wù)完成度

5 結(jié)論

(1)提出HTN規(guī)劃和SVM相結(jié)合的應(yīng)急交通管控決策模型,用以解決突發(fā)事件應(yīng)急處置過程中交通管控力度選擇和應(yīng)急資源保障“最后一公里”問題。對(duì)于應(yīng)急交通管理問題,通過分析其情景、環(huán)境、資源需求等,建立SVM模型,并集成到HTN規(guī)劃方法中。將SVM模型得出的管控力度擴(kuò)展到HTN方法集中,不僅利用了SVM在分析管控方面的優(yōu)勢(shì),也提高了HTN規(guī)劃在數(shù)據(jù)處理方面的能力。以新冠肺炎疫情防控為背景設(shè)計(jì)出算例,發(fā)現(xiàn)執(zhí)行應(yīng)急交通管控模型后應(yīng)急救援行動(dòng)效率顯著提高,驗(yàn)證了該方法的可行性。

(2)基于HTN規(guī)劃和SVM的應(yīng)急交通管控決策模型充分發(fā)揮了SVM的分類識(shí)別能力和HTN規(guī)劃的邏輯推理能力,可以保證在應(yīng)急處置過程中根據(jù)現(xiàn)場(chǎng)實(shí)際情況選擇出最優(yōu)的交通管控方式和最優(yōu)的道路進(jìn)行應(yīng)急資源配送,縮短應(yīng)急決策時(shí)間,提高應(yīng)急救援效率。