基于5G的路徑選擇協同優化研究＊

曾 志，曾 璐，肖 松，李文正

（江西理工大學電氣工程與自動化學院，江西 贛州 341000）

在當今社會的發展中，隨著城市規模的不斷擴大，中國城市的交通現狀具有如下特點：軌道交通尚處于起步發展階段、大多數地區的交通管理水平能力較低；隨著公共交通數量的不斷減少，私家車等機動車數量的迅猛增加，導致了城市的交通擁堵現象日益嚴重。根據亞當斯定律，當交通供給量總是小于交通需求量時，只是一味地為道路增加基礎設施，是難以達到解決城市中交通道路擁擠現象的目的。道路面積的增加、基礎設施的完善、道路質量的提高，在短時間內可以達到緩解交通擁擠的作用。但是一段時間后，更多的車輛會因此而都選擇這條最優路徑，此時的“最優路徑”也將不再是最好的選擇，所以交通擁堵的現象難以得到徹底改善。以2019年的上海市為例，由于其經濟的發展十分迅速，機動車的數量也在不斷上升，造成上海市高峰時期的交通堵塞現象十分嚴重。

既有研究通常以最優路徑的選擇來求解交通路徑分配問題。其中Logit模型交通分配問題的路徑選擇上，具有計算簡單的特點，因而被大量研究者采用。王文靜等[1]提出了基于Logit模型和BPR阻抗函數的容量限制-多路徑交通分配研究，最終得到了包括分配流量、次數、結果和Logit模型這4個因素的函數關系。周和平等[2]將魯棒成本與多路徑分配相結合，用算例結果達到了驗證其方法有效性的目標。馬捷等[3]利用算例模擬了廣義重疊在路徑選擇問題上會產生的影響，并且提出了一個可以對廣義重疊問題進行有效解決的模型。林湛等[4]面對乘客在城市軌道交通的出行問題上，提出了改進Logit模型，模擬出了有效的客流分配方法。然而Logit模型在解決交通擁堵的問題上，研究者也提出了不同的方法。白靜等[5]研究出用戶在不同情況下面對堵塞問題具有不同體驗，因此提出一種誘導方法來進行路徑分配。通過算例的仿真模擬，有效解決突發的交通擁堵問題。韓直等[6]利用了預測誘導的方法，構建了相關模型，其方法在緩解交通堵塞的問題上具有顯著效果。兩者均是以誘導為基礎，來解決交通擁堵問題。李蜜等[7]提出了一種交通擁堵下基于可靠度的出行路徑模型，并經算例分析，建立了相關靜態模型，在解決交通擁堵問題方面具有參考價值。

由于現實中交通網絡中各路徑的情況是瞬息萬變的，是一種非平衡、動態的交通網絡，上述算法在實際的動態變化交通問題上不能較好地解決實時交通擁擠的現象。學者關于動態交通網絡下的路徑分配問題有了進一步研究。傳統的Dijkstra算法[8-10]是解決最短路問題的有效方法，通過每輪迭代，解決用戶最優平衡模型，有效縮短交通出行時間。但在交通路徑分配中，該算法耗時長，所以難以在非平衡模型以及大型交通網絡中得以運用。李軍等[11]提出了一種基于路段間轉移概率的最優路徑預測方法，解決了路徑阻抗計算困難的問題，并且方法簡單可靠。宮恩超等[12]在發現傳統的靜態算法在解決動態交通問題上的困難后，提出了一種基于Bellman-Ford算法的路徑分配方法，實現了動態交通網絡下的最優路徑計算。黃崇超等[13]提出了一種擬Frank-Wolfe算法，在解決非平衡交通的問題上具有高效可靠的特點。但是上述方法都存在著一定的缺陷，不能完全解決交通擁堵的問題。隨著5G時代的到來，使智慧交通[14]有了更好的基礎支持，車聯網也推動著無人駕駛技術的發展。

針對上述問題，本文提出5G背景下的路徑選擇協同優化方法。在5G應用環境下，采集道路狀態數據，構建路徑阻抗函數，基于Logit模型計算出均衡條件下路徑分配概率，從而實現在實時動態交通網絡的最優路徑選擇。

1 5G環境下路徑選擇分配方法

1.1 交通擁堵的原因

在人們的日常出行中，堵車現象頻繁出現，交通堵塞不僅使得人們的出行不便利，給人們的生活帶來一定的困擾，而且也會為城市的發展帶來不利的影響。而基于此類影響，城市目前存在2種解決方案：首先可以通過完善交通設施，修建更寬的道路等方法來緩解此類問題，但在高峰時間段，車輛較多并且大量涌入的情況下，也只能是治標不治本。其次可以通過導航軟件，為出行者分配路徑的方法，從而使出行者可根據系統所分配的路線行駛。但遇到堵車的情況，導航軟件也只能在地圖上標明幾種路徑，不能實時為出行者提供最優路線。

堵塞的情況分為以下3種：①當前道路此時的車流量過大，加上該路段的路口較多，等待紅綠燈的時間較長，從而出現交通堵塞現象；②在某一條道路上，可能存在著道路堵塞和道路通暢的情況，每條道路的路況不同，出行者便不能準確了解哪一條道路為最優路徑；③出行者在開車途中，由于不能實時了解到道路信息，如前方道路已經造成堵塞情況，后來的車輛便可能不斷駛入堵塞的道路，從而引起更大的堵塞狀況。

而本文中該算法將為出行者提供完整的路徑阻抗信息，并為其自動分配最優路線。在車流量較大的情況下能有效地將每一條路線都利用起來，提高交通的行車效率，合理利用交通資源。

1.2 路徑的阻抗函數

出行者對路徑的選擇是由多方面因素影響的，其中影響大致分為了2種，分別為外部影響和內部影響。外部影響主要是交通道路方面的，即路徑阻抗，其中包括當前選擇路徑的堵塞程度、行車時間、路徑的長度和寬度、交通設施如紅綠燈個數等。內部影響主要是出行者自身方面的，其包括路徑所耗的行車費用、出行者的心理變化等。

全文統一路徑阻抗根據路徑選擇因素進行分析，選擇車流量、路徑長度、道路總耗時等因素構成任意道路的綜合阻抗。

1.3 Logit模型

在大型城市動態交通系統中，交通線路錯綜復雜。在人們選擇路線時，從同一個起點和同一個終點，存在著許多條可以到達的道路。但人們往往會選擇路程短、耗時少的道路，即有效最優路徑。利用路徑導行、DTA以及動態交通控制一體化的融合[15]，對交通網絡中的動態有效路徑進行搜索。

Logit模型，又被稱為“邏輯回歸”，是最早的離散選擇法模型。由于Logit模型具有計算簡單、應用方便等特點，所以其模型是當前應用范圍最廣的模型。其應用的范圍主要包含了社會學、生物統計學、計量經濟學以及交通領域等方面，并且在此模型的基礎上，衍生出了其他模型，形成了一個完整的體系，如Probit模型、NL模型、Mixed Logit模型等。

在本文中，利用基于Logit模型以及路徑的阻抗函數，來計算選擇各路徑的概率大小。其公式形式為：

1.4 路徑的分配方法

本文假設各條道路中已被5G基站所覆蓋，道路上攝像頭分配密集且均勻，覆蓋所有的有效路徑。5G基站為車輛移動通信提供技術支持，攝像頭對來往車輛進行拍攝記錄。將拍攝到的信息，如車流量、紅綠燈數量等信息，上傳至云端服務器，在服務器端進行對值的計算。車聯網概念圖如圖1所示。由于5G平臺具有極低的網絡延遲、滿足交通的海量車流量、支持高速移動的特點，導致服務器端能不斷更新值來支持路徑分配。

圖1 車聯網結構圖

在遇到突發的堵塞狀況時，當車輛即將駛入道路前，經系統的算法計算后，將車輛自動分配到分配值最小的路徑上。此時值最大，即發生突發交通堵塞的路徑，將暫不分配車輛，以此來緩解疏通交通堵塞。直到其他路徑的值不斷增大與這條路徑的值相等時，此時車輛可隨機進行分配。但其仍需要以保持每條路徑的阻抗值相等為核心原則，即保證每條路徑都能作為動態最優路徑。

由于車輛在進入到被分配的道路和該道路末端車輛駛出道路后，將會改變該條路徑的總阻抗值。通過前端攝像頭的監視以及車聯網技術的支持，將所得到的最新信息不斷發送給服務器端。每間隔一小段時間發送一次，服務器端通過每次更新的情況對路徑總阻抗值進行計算，得出最新的每條路徑被分配概率。以此不斷對路網中來往車輛進行循環分配，保證交通網絡的通暢。其中路徑分配流程如圖2所示。

圖2 路徑分配流程圖

2 實例算法模擬

2.1 實時交通模擬流量

根據相關的數據資料對參數進行分析，并且利用大量問卷調查的結果，以此來建立多元線性回歸模型的方法，對本文中的參數進行估計。對于無實際數據支持的參數，將采用既有的研究城市軌道交通的參數[16]來代替，從而得出本文算法中的參數取值。具體參數的取值如表1所示。

表1 參數表

2.2 交通低峰期

交通低峰期各路徑的模擬量如表2所示。表2中數據為北京市兩地點，在白天正常無明顯交通堵塞情況下的4條路徑的道路情況，其中包含路徑長度、預計車輛行駛時長、紅綠燈個數、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表2 交通低峰期模擬量

其中紅綠燈時長為固定值30 s，且在理想行車情況下用本文的算法進行計算。由計算可得，有24.91%的概率分到路徑1，有25.20%的概率分到路徑2，有25.41%的概率分到路徑3，有24.48%的概率分到路徑4。

由于此時的交通都較為正常，并無明顯堵塞現象出現，所以經過本算法的模擬結果得出，車輛被分配到每條路徑的概率基本相同，其中得出的最優路徑為路徑1。

2.3 交通高峰期

交通高峰期各路徑的模擬量如表3所示。表3中數據為北京市兩地點，在晚高峰時期正常存在明顯交通堵塞情況下的4條路徑的道路情況。其中包含路徑長度、預計車輛行駛時長、紅綠燈個數、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表3 交通高峰期模擬量

其中紅綠燈時長為固定值30 s，且在理想行車情況下用本文算法進行計算，由計算可得，有19.73%的概率分到路徑1，有29.79%的概率分到路徑2，有29.03%的概率分到路徑3，有21.45%的概率分到路徑4。由于此時的路徑1和路徑4車流量都較大，出現明顯的擁堵狀況，經過算法的模擬結果得出，車輛被分配到路徑2和路徑3的概率較高。其中得出的最優路徑為路徑2。

2.4 經算法改進后的交通高峰期

根據讓每條路徑上的總阻抗值都相等的條件，來對2.3中的19 702輛車進行最優路徑的重新分配。此時表4中模擬的是經算法改進后的交通晚高峰期各路徑的道路情況。其中包含路徑長度、預計車輛行駛時長、紅綠燈個數、道路的路寬以及車流量和最大車流量所模擬出的實時交通流量。

表4 經算法改進后的交通高峰期模擬量

其中紅綠燈的時長為固定值30 s，且在理想行車的情況下根據本文的算法進行最優路徑分配。此時由算法計算可以得出，有25%的概率分到路徑1，有25%的概率分到路徑2，有25%的概率分到路徑3，有25%的概率分到路徑4。由此可見，經過算法的模擬分配最優路徑的改進后，此時，每條路徑都可以作為最優路徑去進行選擇。其MATLAB仿真結果如圖3所示。

圖3 經算法改進后的交通高峰期仿真結果

3 結果分析

通過以上的交通模擬以及算法的計算結果，可以得出以下分析和結論：①在交通的低峰時期，車流量較少的情況下時，由于道路上的車輛較少，屬于車輛行駛的理想狀況，所以此時每條路徑的阻抗較為平均，算法得出的結果所分配動態最優路徑的概率基本相同，因此此時出行者只需選擇自己偏好的路線即可。②在交通的高峰時期，車流量變大的情況下時，未經本文方法所分配的車輛，如本文2.3中，出行者沒有提前了解到路況信息，大部分人都選擇路徑較短或者所需時間最少的道路，導致其中一條或兩條路徑的阻抗變得越來越大。但車輛卻還是源源不斷地駛入，最終造成的結果便是交通堵塞，而通常堵塞的道路一時間難以疏通，所以造成更大的交通堵塞。③在交通的高峰時期，交通設施越好，出行者選擇路徑的概率越大。如本文中2.3所模擬的車流量，道路寬度越寬的路徑，車流量也遠遠大于其他路徑，因此會造成交通堵塞情況發生，此時存在路徑上的阻抗遠大于其他路徑，這些路徑不適合車輛繼續駛入。則需要經本文方法來為來往車輛進行最優路徑分配，如本文2.4中，通過本文的方法分配交通網中的車輛，以每條路徑的總阻抗始終保持相同為核心原則進行最優路徑協同優化。④由于交通低峰期不經本文的最優路徑分配方法也能做到路徑阻抗基本一致，所以本文僅對交通高峰期，路徑會造成堵塞的情況來進行研究。經本文方法調整后交通高峰時期的路徑，對比未經調整的路徑，經計算可以得出以下數據結論。經過調整后的路徑，道路的利用效率提高了50%～64%，道路堵塞程度降低了12%～16%。這樣不僅解決了交通堵塞問題，而且還提高了路徑的最大利用效率。

4 總結

本文提出的基于5G狀態下的路徑協同優化，其技術基于5G、車聯網、云計算等。交通網絡通過攝像頭拍攝，識別車輛在指定區域內的駛入和指定區域內的駛出數量，來實現車流量地統計和路況信息的傳遞。將這些信息上傳至云端服務，由于5G網絡具有低延遲、高流量、高可靠、高移動的特點，為路徑阻抗因素的獲取提供了堅實的保障。本文中的算法根據實時監測的路況信息，來計算路徑的總阻抗函數，利用基于Logit模型來分配動態交通網絡的最優路徑。在發生交通堵塞狀況時，可以將未駛入堵塞道路的車輛提前分配好最優路徑，從而讓堵塞的路徑阻抗不斷減小，最終得以疏通緩解。根據每條路徑的阻抗都保持相等的原則進行分配，這樣既解決交通堵塞等問題，又能讓出行車輛的耗行成本保持基本一致，并且還提高了交通網絡中的路徑最大利用效率。

本文的研究沒有考慮出行者的心理變化，但是在實際生活中，出行者心中的最優路徑會存在差異性。因此，下一步的研究方向將是考慮出行者的心理等情況的路徑協同優化。