http://www.paper.edu.cn CA 跟驰模型人工智能算法及仿真 山东省计算中心，山东省计算机网络重点实验室，济南（250014） 张立东，王英龙，潘景山 Email：zhangld@keylab.net 摘 要：重点研究了 NaSch CA 模型中车辆变速步长的人工智能推理算法.归纳得到驾驶员 等级是决定跟驰行为的决定性因素,因此以驾驶员等级作为决定跟驰行为变速步长的主要因 素,建立一维模糊推理机,驾驶员等级作为推理机的输入变量,CA 模型中的车辆变速步长作为 推理机的输出变量,从经验中提炼出不同的加减速步长推理逻辑算法成立规则库,从而建立起 由驾驶员等级到变速步长的映射关系.该算法改进了 NaSch 模型中变速步长为固定值 1 的缺 点,丰富了跟驰行为的多样性.仿真结果表明了该模型的可行性. 关键词:元胞自动机，交通流，跟驰模型，人工智能，模糊推理理论 文章标识码:A 中图分类号:U491.25 TP18 1. 前言1 v * * n − dv , n }1 min{ = (3)随机化减速 n ； (3) n = 最 初 的 元 胞 自 动 机 交 通 流 模 型 是 Wolfram 于 1986 年提出的 184 号规则[1],这 个运动的元胞自动机规则可以用下式表示: (1) tn t ( )( )1 + i 0=in )(tni 为车辆占据数(格点 i 空时 式中, nin ), i 代表车辆原来所在 )(t 代表目标元胞的状态. 元胞的状态, 1=in n out i 有车辆时 ntn )( i tn ( i )(t 1)[ out i )] in i + − ( t , vn ∈ ,...,3,2,1,0{ Nagel 和 Schreckberg 于 1992 年提出了 著 名 的 Nagel-Schreckenberg 模 型 [2] （ 即 NaSch 模型）,在确定性模型的基础上加入了 随机项.Nasch 模型在时间和空间上都是离 散的, 其基本思想可以描述为:设车辆 n 的 位置为 nx ,速度为 nv ,且 maxv } 为整数,车辆 n+1 在车辆 n 前方,两车间距 ,单元格长 7.5 米,时间步长1 秒, d 状态更新规则由连续的四步构成: (1)加速过程: vn < maxv v v min{ * = + n * n (2)减速过程 v ,则速度加 1,但不超过 maxv ,1 ,则车辆 n 减速到 ； (2) 如果 如果 ,即 ,即 1−nd d ≤ n max } − = v x x +1 n n n n 1 本 课 题 由 山 东 省 信 息 产 业 专 项 发 展 资 金 资 助 (Shandong Information Industry Special Development Fund of China No.2006R00042) - 1 - 如果车辆 n 速度大于 0,则以概率 p 减 1,否则 不变,即 Pr vob ( * * n = v max{ n − })0,1 = p ； (4) (4)位置更新 车辆以新的速度向前更新移动 x . (5) * * n * * n + = v x n 之后,国内外的众多专家学者针对该模 型进行了不同的改进研究[3-6].直到 20 世纪 90 年代后,AI 理论首次应用于跟驰模型的研 究上[7-9].NaSch 模型的四步规则综合反应 了交通现象的最小化规则集,能再现阻塞的 自发形成.但仔细分析 NaSch 模型,不难发现, 其加速和减速过程的步长均为 1,即不论驾 驶员的熟练程度、心情,车辆状况,道路状况 如何,其车速的改变总是以 1 为单位步长,这 与实际相比有些不尽合理.笔者结合人工智 能理论,运用模糊推理技术,研究了以驾驶员 等级为输入,以 NaSch CA 模型中的速度步 长改变值为输出的逻辑推理算法. 2. 人工智能 CA 模型算法设计 2.1 驾驶行为的闭环控制系统分析 在人-机系统中,驾驶员可近似看作一个 线性闭环控制系统,如下图. 

驾 驶 员 预 测功能 P(t) 驾 驶 员 修 正功能 + CP(t) 手 动 控 制 处 理 + E(t) R(t) C(t) 图 1 常规驾驶行为闭环系统示意图 在该人-车反馈系统中,驾驶员通过分析 两个输入:期望输入力函数 R(t)和系统误差 函数 E(t)(道路走向语车辆运动方向 C(t)的差 别),实现对误差的纠正.驾驶员正是通过将 预测和偏差修正函数结合起来操作车轮来 决定车辆的控制输入,是一个按照自身规律 运行的伺服系统. 分析以上系统及总结实际驾驶经验,可 以看出,车辆驾驶员的因素是决定车辆跟驰 行为的决定性因素,跟车模型本质上描述了 一个驾驶员对另一个驾驶员的动作所作出 的反应[3],理由如下: (1)驾驶员是产生驾驶行为的主体,是位 置变化行为的施动者,没有驾驶员,则车辆无 法产生运动行为,更勿论位置变化； (2)驾驶员是感受周围驾驶环境的主体, 车辆本身并不具备感知能力,而是驾驶员行 为的受动者； (3)总结大量现实现象表明:不管车辆性 能如何,路况如何,驾驶技能高的驾驶员总能 保持较好的驾 驶行为,而新手则在驾驶过程中显得相 对小心翼翼. 因此,笔者认为可以将众多影响因素折 算为驾驶员因素,该文即是基于此进行的研 究,将车辆状况和路况统称为驾驶员等级,由 此决定车辆的跟驰行为特性.同时,考虑到驾 驶员分类是建立在人类经验认识基础上,难 以量化处理,而模糊推理技术不需要精确的 数学模型,具有较强的鲁棒性[10],非常适合 于类似于人类思维的逻辑推理,因此,可以将 人工智能理论应用在 CA 模型的建立上. 2.2 闭环系统的人工智能模型 http://www.paper.edu.cn 2.2.1 AI 逻辑推理的基本原理描述 基于上述分析,建立如下以人工推理机 C(t) 为主的改进的驾驶行为闭环控制系统. + E(t) R(t) C(t) 人 工 智 能 推 理 驾 驶 行 为 规 则 库 P(t) + CP(t) 手 动 控 制 C(t) 处 理 图 2 基于 AI 的驾驶行为闭环系统示意图 在该系统中,将驾驶行为统用驾驶行为 规则库来代替,用语言变量描述即为:通常情 况下,等级高的驾驶员,其驾驶信心越足,加速 过程相对较快,减速相对较慢,停车间距相对 较小；等级低的驾驶员,驾驶过程显得小心翼 翼,加速过程相对较慢,减速相对较快,停车间 距相对较大. 2.2.2 模糊推理机的建立 设计一维模糊推理机,输入变量为驾驶 员等级,输出变量为当前车辆的加(减)速步 长数值,具体如下: (1)输入变量（Driver）:驾驶员等级 论域:[0,2]; 语言变量:{高,中,低},即{H,M,L} 语言值(等级):{0,1,2} H、M、L 采用三角形隶属函数分别如 x x 1 2 1 0 x <≤ ≥ x 1 x 0 1 <≤ x 1 2 <≤ x x 0 ≤ 或 (6) ≥ 2 (7) 2 1 x <≤ < x 1 = Hµ 下(式 6-8) +− ⎧ ⎨ 0 ⎩ x ⎧ ⎪ +− ⎨ ⎪ 0 ⎩ x ⎧ ⎨ 0 ⎩ µ M Lµ = − 1 = (8) (2) 输 出 变 量 (Speed_Increase_Unit or Speed_Decrease_Unit):当前车辆的加(减)速 值 论域:[1,3] 语言变量:{大,中等,小},即{B,M,S} - 2 - 

语言值(量化等级):{3,2,1} B、M、S 的隶属函数(式 9-11) 2 2 x Sµ = +− ⎧ ⎨ 0 ⎩ 1 x <≤ ≥ x 2 µ M = − x x 1 ⎧ ⎪ +− ⎨ ⎪ 0 ⎩ 3 2 x x 1 <≤ x 3 <≤ x 1 ≤ 或 ≥ (9) 2 3 Bµ = − 2 x ⎧ ⎨ 0 ⎩ 3 2 x x <≤ 2 < (3)推理规则的建立 总结经验规律,建立如下的模糊推理规 (10) (11) 则. (3.1)加速推理逻辑规则 采用如下形式的推理规则: “IF is Speed_Increase_Unit is B” Driver A, THEN 根据专家经验,共建立如下 3 条具有代 表性的规则: R1:IF Driver is H THEN Speed_Increase_Unit is B; R2:IF Driver is M THEN Speed_Increase_Unit is M; R3:IF Driver is L THEN Speed_Increase_unit is S; (3.2)减速推理逻辑规则 同样采用形如“IF Driver is A, THEN Speed_Decrease_Unit is B”的逻辑推理规则, 根据专家经验,建立如下具有代表性的 3 条规则: R1:IF is Speed_Decrease_Unit is S; Driver H, THEN R2:IF Driver is M THEN Speed_Decrease_Unit is M; is Speed_Decrease_Unit is B; Driver R3:IF L THEN (4)查询表 采用 Max-Min 推理法,最后计算得到驾 驶员等级与车辆加减速属性的逻辑查询表 (表 1 和表 2). http://www.paper.edu.cn 驾驶员等级 0 1 2 表１ 加速属性的查询表 加速步长 3 2 1 驾驶员等级 0 1 2 表２ 减速属性的查询表 减速步长 1 2 3 2.2.3NaSch 模型的 AI 状态更新算法 由以上讨论,得到新的 CA 状态更新规 则: (1)加速过程: (1.1)如果 vn < 且驾驶员等级为 0,则 maxv 速 度 加 3, 但 不 超 过 maxv v ; (12) v min{ * * n + = } max v ,3 vn < 且驾驶员等级为 1,则 maxv (1.2) 如果 , 即 n n } = + max * * n ,2 , 即 v min{ 速 度 加 2, 但 不 超 过 maxv v ; (13) maxv v vn < 且驾驶员等级为 2,则 速 度 加 1, 但 不 超 过 maxv (1.3) 如果 v min{ ,1 max + = } v v * * n (14) n , (2)减速过程 d ≤ (2.1)如果 n 则 车 辆 v dv , n min{ = v * * n , (2.2)如果 d ≤ n v n 则车辆 n 减速 2−nd , v d ≤ n (2.3)如果 则 车 辆 dv v , n min{ = * * n n }3 − n ,且驾驶员等级为 0, 减 速 到 n }1 − n ; (15) ,且驾驶员等级为 1, − min{ dv , n = v n * * n }2 ; n ,且驾驶员等级为 2, 减 速 到 1−nd (16) 3−nd , 随 机 化 减 速 与 位 置 更 新 规 则 过 程 同 (17) n NaSch 模型的(3)(4)步. - 3 - 

3. 仿真实验 4. 结论 http://www.paper.edu.cn 文章提出了一种研究 CA 加减速步长的 人工智能推理算法,虽然仅将驾驶员分成了 三类,但这三类基本可以代表所有的驾驶员, 仿真结果也佐证了该模型的可行性.另外,笔 者坚信,AI 理论在交通流理论领域的研究必 将越来越得到重视,因为 AI 理论体现的是类 似于驾驶员驾驶行为的逻辑推理过程,而交 通流跟驰模型的本质实际上是驾驶员的跟 驰本质或刺激-反应本质. 参考文献 [1]Wolfram S . Theory and Applications of Cellular Auto-mata[M].Singapore World Scientific,1986. [2]Nagel K, Schreckenberg M. A Cellular Automaton Model for Freeway Traffic[J].Journal of Physics I France, 1992 , 2:2221-2229 [3]金春霞,王慧. 跟车模型及其稳定性分析综述[J]. 交通运输系统工程与信息,2001,1(3):220-225. [4]张发,宣慧玉.基于元胞自动机的交通模型综述[J]. 系统工程,2004,22(12):77-81 [5]葛红霞,戴世强.改进的元胞自动机交通流模型[J]. 太原理工大学学报,2005,36(6):721-724 [6]雷丽,薛郁,戴世强.交通流的一维元胞自动机敏 感驾驶模型[J].物理学报,2003,52(9):2121-2126 [7]Kikuchi C, Chakroborty P. Car following model based on a fuzzy inference system[J].Transportation Research Record, 1365,82-91. [8]Wu J,Brackstone M, McDonald M. Fuzzy sets and systems for a motorway microscopic simulation model[J]. Fuzzy sets and systems, 2000,116:65-76. [9]Brackstone M, McDonald M, Wu J. Development of a fuzzy logic based microscopic motorway simulation model[C].In Proceedings of the IEEE Conference Transportation Systems,Boston, USA,1997. [10]诸静.模糊控制原理与应用[M].北京:机械工业 出版社,2005. [11] 张 立 东, 贾 磊 , 王 英 龙 等 . 城 市 交 通 仿 真 系 统 (UTSS) 的 实 现 [J]. 系 统 仿 真 学 报,2006,18(7):1870-1874 Intelligent on 仿真所用的系统为 UTSS(文献[11]),分 别就三种等级的驾驶员,采用测试车的方式 进行了跟驰行为仿真,记录其行驶速度变化 情况(图 3-5). 图 3 等级 0 驾驶员车速-车头间距曲线 图 4 等级 1 驾驶员车速-车头间距曲线 图 5 等级 2 驾驶员车速-车头间距曲线 1—车速曲线,2-实时车头间距曲线 分析仿真结果中车辆启动,加速,减速部 分的特征,可以看出等级越高的驾驶员,由于 其驾驶技术熟练,受车头间距影响较小,能保 持较平稳的驾驶行为,而等级低的驾驶员则 相反；结果也表明了引入变速步长的不同变 化趋势后,使跟驰行为更加多样化,贴近实际. - 4 - 

Artificial Intelligent Algorithm and Simulation of CA Car-Following Model http://www.paper.edu.cn Zhang Lidong，Wang Yinglong，Pan Jingshan Shandong Computer Science Center,Key Lab for Computer Network of Shandong Province， Ji’nan，Shandong （250014） Abstract This paper puts emphasis on study of speed changing step of NaSch CA traffic model via artificial intelligence(AI). We concluded from experience that driver’s grade was the deterministic factor of following action, so we took driver’s grade as the main variable to define the speed changing step, and built a 1-D fuzzy inference machine. The input variable was driver’s grade, and car speed changing step of CA model was the output variable. The inference rules were extracted from experience, then the map from driver’s grade to speed changing step was got. This algorithm overcomes the shortcoming of NaSch model that the speed changing step is fixed value 1, and makes the car-following model more diversity. The simulation results indicate its feasibility. Keywords：cellular automaton(CA)，traffic flow，car-following model，artificial intelligence(AI)， fuzzy inference theory 作者简介：张立东，男，1979 年生，山东蒙阴人，副研究员，硕士研究生，现工作于山东 省计算中心，主要研究领域为动态交通网络管理与控制理论和人工智能理论。 - 5 -