Software Engineering and Applications
Vol.3 No.03(2014), Article ID:13709,7 pages
DOI:10.12677/SEA.2014.33010

Personalized Mechanism of Randomization Based on Multi-Agent Technology

Liming Yu, Huan Qiao

School of Economics and Management, Beijing Jiaotong University, Beijing

Email: 11243022@bjtu.edu.cn, 13120630@bjtu.edu.cn

Received: Apr. 8th, 2014; revised: May 11th, 2014; accepted: May 20th, 2014

ABSTRACT

Due to the homogeneity of cellular and the simplicity of algorithm, traditional CA modeling use common randomization probability to describe behaviors of velocity randomization, which is difficult to reflect the factors on velocity randomization completely. In this paper, we decompose factors of velocity randomization in “ideal model” and “participant characteristic model”, integrate those factors and create the mechanism of personalized randomization in “Multi-Agent interaction model”. Integrity of the simulation on behaviors of velocity randomization is enhanced effectively by introducing the mechanism we create. For individual traffic participants, behaviors of velocity randomization are no longer explained by a simple, abstract randomization probability, but decided by its unique personalized velocity randomization mechanism. While for the entire transportation system, differences between the individual participants lead to different personalized velocity randomization mechanism.

Keywords:Multi-Agent, Velocity Randomization, Personalization, Factor Decomposition, Factor Integration

1. 引言

Barlovic等人提出的VDR模型[1] 是NaSch模型的一个简单扩展模型，模型中车辆在随机慢化过程中的减速概率不再是区间[0,1]内的恒定常数，而是车辆速度的函数，也即p = p(v)。李晓白等人提出了一个能近似考虑前车速度效应(VE)的模型[2] ，加入前车速度的影响，在NaSch模型基础上对减速条件做了改进，模拟效果比NaSch模型更接近于实际情况。姜锐等人提出了由车辆停留时间确定随机慢化概率的交通流模型[3] ，李启朗等人则提出了基于车间距的交通流模型[4] 。而在近期的研究中，驾驶员特性的影响也引起了越来越多的关注。例如考虑驾驶员安全驾驶需求的影响[5] ，考虑混合车辆之间的速度差异及驾驶员敏感程度的不同的影响[6] ，考虑驾驶员不确定性敏感预期行为的影响[7] ，考虑安全距离的影响[8] ，考虑驾驶员不同特性的影响[9] ，考虑司机的记忆效应和当前环境的影响[10] ，考虑驾驶员不同驾驶水平的影响[11] 等。

2. 基于多层次Agent模型的随机慢化影响因素分解

2.1. 基于理想模型的交通工程因素分解

2.1.1. 道路元胞Agent属性

cell.location(x,y)，表示道路元胞Agent在整个元胞空间内所处的位置，(x,y)是道路元胞Agent的坐标序号。

cell.ownership，表示道路元胞Agent的路权归属，0表示路权归行人所有，1归机动车所有。

cell.occupy.state，表示道路元胞Agent被占据的状态，0表示未被占据，1表示被正常占据，2表示冲突下的占据(如某一路块发生车辆追尾事故追尾或者车辆、行人相撞事故等)。

Figure 1. Cellular space of intersection

cell.direction，表示道路元胞Agent上的通行方向。0表示禁行，1表示直行，2表示左转向，3表示右转向。该属性允许存在不同数值组合。例如，cell.direction = 1，2表示此区域的车辆既可以直行又可以左转向。

2.1.2. 参与者Agent属性

participant.type，表示参与者类型，0表示参与者是行人，1表示参与者是机动车。

participant.location(x,y)，表示参与者Agent在整个元胞空间内所处的位置，(x,y)是道路元胞Agent的坐标序号。

participant.speed，表示参与者Agent的瞬时速度。

2.1.3. 交通控制Agent属性

control.type，表示交通控制者类型，0表示交通控制者是信号灯，1表示交通控制者是交警。

control.signal，表示信号灯给出的交通信号组合。

control.order，表示交警发出的交通指令。

2.2. 基于参与者特征模型的社会心理因素分解

3. 基于多Agent协同模型的随机慢化影响因素集成

3.1. 多Agent协同模型中的主体参与者Agent

3.2. 随机慢化行为影响因素集成过程

1) 获取其他Agent特征

Figure 2.Theory of planned behavior

Figure 3. The knowledge base system of traffic participant

Figure 4. The structure of main traffic participant

2) 因素处理

3) 结合自身特征形成个性化随机慢化机制

4. 引入个性化随机慢化机制的黄灯困境模拟

4.1. 黄灯困境简述

“黄灯困境”是指黄灯闪烁时，司机在刹车决策上遇到的两难境地。在“通过决策区域”内，司机将会直接通过交叉口；在“制动决策区域”内，司机将会采取刹车制动；在“困境区域内”，司机将会面临两难选择——如果不采取刹车减速，则有可能因为“闯黄灯”而受罚；如果采取刹车减速，则有可能造成追尾事故，这种窘境使得驾驶员不知道何时使用何种决策才能保证不违法又能保证安全通行。

4.2. 随机慢化行为影响因素分解

4.3. 随机慢化行为影响因素集成

1) 机动车Agent(司机)感知自身所在道路元胞以及停车线所在道路元胞，分别获取二者位置坐标participant.location(x,y)，cell.location(x,y)。

2) 知识库系统根据(1)中所得坐标结合路块长宽换算得到机动车Agent当前位置与停车线之间的距离。

3) 知识库系统结合机动车距离停车线的距离、驾驶员类型(社会心理因素的集合)，形成最终的个性化随机慢化机制。

4.4. 模拟结果

5. 结论

Figure 5. The result of system operation

1. [1]   Barlovic, R., Santen, L. and Schadschneider, A. (1998) Metastable states in cellular automata for traffic flow. European Physical Journal B, 5,793-800.

2. [2]   Li, X.B., Wu, Q.S. and Jiang, R. (2001) Cellular automaton model considering the velocity effect of Acar on the successive car. Physical Review E, 64, 066128.

3. [3]   Jiang, R. and Wu, Q.S. (2006) A stopped time dependent randomization cellular automata Model for traffic flow controlled by traffic light. Physica A, 364, 493-496.

4. [4]   Li, Q.L., Wang, B.H. and Liu, M.R. (2011) An improved cellular automaton traffic model considering gap-dependent delay probability. Physica A, 390, 1356-1362.

5. [5]   Mou, Y.B. and Zhong, C.W. (2005) Cellular automaton model of traffic flow based on safety driving. Acta Physica Sinica, 54, 5597-5601. (in Chinese)

6. [6]   Kuang, H., Kong, L.J. and Liu, M.R. (2004) The study of a cellular automaton traffic flow model with mixed different-maximum-speed vehicles on single lane. Acta Physica Sinica, 53, 2894-2898. (in Chinese)

7. [7]   Lei, L., Xue, Y. and Dai, S.Q. (2003) One-dimensional sensitive driving cellular automaton model for traffic flow. Acta Physica Sinica, 52, 2121-2126. (in Chinese)

8. [8]   Bai, K.Z., Tan, H.L., Liu, M.R. and Kong, L.J. (2003) A study on an improved Nagel-Schreckenberg traffic flow model with open boundary conditions. Acta Physica Sinica, 52, 2421-2426. (in Chinese)

9. [9]   Chen, S.D., Zhu, L.H., Kong, L.J. and Liu, M.R. (2007) The effect of noise-first and anticipation headway on traffic flow. Acta Physica Sinica, 56, 2517-2522. (in Chinese)

10. [10]   Huang, H.J., Ding, J.X. and Tang, T.Q. (2009) A cellular automaton model of traffic considering the dynamic evolution of velocity randomization probability. Acta Physica Sinica, 58, 7591-7595. (in Chinese)

11. [11]   花伟, 许良 (2007)考虑驾驶水平的元胞自动机交通流模型. 交通运输系统工程与信息, 4, 111-114.

12. [12]   Gou, J.Q. and Guo, S.Y. (2013) Simulation of humanism design of road intersections based on behavior-intensive ca model. Advances in Information Sciences and Service Sciences, 5, 520-528.