基于模糊層次分析法的機場陸側智慧交通系統感知水平評價

金雷， 王銀銀， 傅惠*， 劉琳

(1.中國民航大學機場綜合交通研究所， 天津 300300; 2.廣東工業大學土木與交通工程學院， 廣州 510006; 3.廣東工業大學機電工程學院， 廣州 510006)

機場陸側的功能是供乘客和貨品轉入或轉出空側。對陸側的航站樓和地面交通設施進行智慧交通建設，有助于加快人流物流的轉換、提升載運工具和交通設施的利用率。機場陸側交通已成為制約機場功能有效發揮的重要因素[1]。機場陸側智能交通系統的建設主要目標是構建智慧交通營運平臺和旅客乘機信息公共系統，則需要以陸側路網智能交通感知體系為基礎。

當前，中外在機場陸側智能交通系統的感知網絡建設方面，仍是為了實現特定監控功能而布設感知設備，實現的業務和功能單一、沒有系統性。受限于缺乏頂層設計理念和體系化的建設思路，對智慧交通系統感知水平的評價難點在于無法從系統服務需求的角度進行指標分解，距離支撐服務于航空旅客交通出行鏈的所需要的智慧化還有很大的差距。

感知水平是智能感知體系的重要基礎[2]，感知水平評價對指導配套機電工程設備選型、設施選址、設計運營具有一定價值。郭崇嶺等[3]從區塊鏈與智能遙感硬件的結合、與空間信息獲取、與空間信息數據的應用3個層面探討空間信息智能感知的技術途徑。錢超等[4]設計開發了一套公路隧道環境感知系統用于獲取隧道環境信息，實驗表明，該系統彌補隧道檢測設備單一，數據質量差等問題。欒翔等[5]利用探針技術，為泰州市的一條高速公路建設國省干道交通信息感知系統，該系統具有實時監控，擁堵判別等多項功能。

在城市道路和自動駕駛方面，許多學者對智能感知展開研究。而在機場陸側智慧交通系統的感知水平方面，較多研究更加關注機場交通設施的優化。鄧其[6]對長沙黃花國際機場航站區陸側道路集散系統進行優化，合理組織進出港交通。辛宇超等[7]從樞紐布局、旅客換乘、信息系統等方面完善機場陸側換乘中心的評價指標體系。王瑋琳[8]分析了某機場陸側區域現狀交通組織的主要矛盾，根據遠景目標旅客的出行量，計算得到機場目標年高峰時段的交通需求，根據客運交通改善原則提出相應的改善方案。

機場陸側智慧交通系統感知水平，對于機場陸側智能交通系統的構建具有基礎評判價值。由于各種交通方式在機場陸側交通網絡中的匯聚，其中絕大部分交通工具的信息不能被機場運行管理方獲知。目前，機場陸側交通智慧交通感知主要是根據需求完成局部的一些優化，如北京大興國際機場的機場陸側智慧交通系統，上海浦東機場的出租車智能調配系統。前人研究多集中在“互聯網+服務”的數據信息挖掘和融合方面。梁瀟[9]以虹橋機場為研究對象，分析了機場陸側交通信息化的問題，認為機場缺乏頂層架構設計，應用系統設計分散，數據利用程度低等問題。過去，許多研究的重點都在于在傳統機場現有基礎上不斷升級完善相關系統，極少關注機場陸側交通系統感知水平建設及其評價體系的構建。

隨著國家經濟發展，航空運輸業得到迅速發展，提高機場陸側的交通系統運載能力尤為重要。為此，選取機場陸側感知設備、感知數據特性以及信息應用水平3個指標為二級評價指標，構建了基于模糊層次分析法的機場陸側智慧交通系統感知水平評價模型，可以用于評價機場陸側交通系統的感知水平，幫助決策者判斷改善方向。

1 感知水平評價指標體系

機場陸側智慧交通系統感知水平的影響因素復雜，既受到硬件設備的影響，又受到軟件性能的影響。在智慧交通系統感知水平評價體系構建過程中，應結合機場陸側的交通需求現狀數據分析，將定量與定性分析相結合。在評價指標選取過程中既要考慮感知設備自身的特征，也要兼顧數據的質量情況，還需要考慮感知層獲取的數據信息的應用水平。

通過改善機場陸側智慧交通系統感知水平，可以改變“數據重復采集、信息隔絕處理、資源重復建設”的“無序”模式，為構建基于大數據的綜合分析決策體系奠定感知體系基礎。

為了系統分析不同因素對智慧交通系統感知水平的影響，首先建立了以感知設備特性、感知數據特性、信息應用水平為主要評價指標的智慧交通系統感知水平指標評價體系，如圖1所示。

圖1 機場陸側智慧交通系統感知水平指標評價體系Fig.1 Evaluation system of perception level in airport landside intelligent transportation system

1.1 感知設備特性

設備種類數量X11是采用的感知設備的品種，目前較為常見的有地感、視頻卡口、雷達等設備;設備總數量X12即為感知設備的數量多少，感知設備過少會導致數據收集不全面，影響后期的關鍵信息提取;設備故障率X13指設備在過去的一段時間內出現故障的時間與正常工作時間的占比，故障率較高，說明當前的感知水平較差;設備覆蓋面積X14為感知設備采集數據信息的范圍，覆蓋面積越大所能優化管理的區域也越大。

1.2 感知數據特性

數據傳輸時延X21指感知終端在采集數據后發送數據到數據管理中心所需的時間，數據傳輸時延越小，對實時信息發布的負面影響越小[10]；數據傳輸完整性X22即感知終端采集的數據在經過傳輸之后，數據管理中心得到的數據是否有遺漏;數據存儲容量X23：感知數據被采集之后需要進行存儲，存儲容量越大則所獲得的信息也會越多；數據傳輸正確性X24：由于感知設備進行數據采集可能會出現錯誤，正確的數據是搭建精準的感知網絡的關鍵。

1.3 信息應用水平

違法車輛檢測率X31指感知設備采集數據信息判斷的違法車輛與真實通過的違法車輛的比例;交通事故識別率X32即發生交通事故時，感知網絡能夠判斷當前的交通事故情況的次數與真實的交通事故次數的比例；氣象監測正確率X33指通過當前感知網絡正確檢測出氣象情況與真實情況一致的次數與總次數的比例；實時交通誘導信息有效性X34：通過感知網絡獲取的信息能否有效地進行實時誘導也是判斷該感知網絡的感知水平的重要指標。

2 機場陸側智慧交通系統感知水平評價模型

機場陸側智慧交通系統感知水平評價模型融合層次分析法(analytic hierarchy process，AHP)和模糊綜合評價法(fuzzy comprehensive evaluation，FCE)，該評價模型[11]的優勢在于實現總體上的量化，將定性與定量分析相結合，有利于對模糊性和多因素的問題的研究。

2.1 基于AHP的感知水平評價模型

層次分析法是將影響方案的相關因素分解成多個層次，并融合定量與定性分析做出決策[12]。

2.1.1 構建判斷矩陣

依據1～9級標度法，分別對機場陸側智慧交通系統感知水平評價體系指標的重要程度兩兩對比，確定其相對重要程度[13]。通過對相對重要程度進行量化，進而建立評判矩陣Aij，Aij為Ai相對于Aj的重要值。Ai和Aj分別為評判矩陣第i行和第j列的元素。重要性量化表值如表1所示。

表1 因素對比量化值Table 1 Factor comparison quantitative value

2.1.2 矩陣權重計算

對判斷矩陣，先量化一級準則層各因素對總體目標的影響、二級準則層因素對一級準則層因素的影響，后量化二級準則層因素對總目標層的影響。根據所構建的機場陸側智慧交通系統感知水平評價指標，求得評判矩陣Aij，設該層有n個因素，則A為n×n階矩陣。

對矩陣A中的每一行元素進行相乘并開根，并且對其結果歸一化得

(1)

(2)

則w=[w1,w2,…,wn]T即為所求矩陣的權重值。

2.1.3 判斷矩陣一致性檢驗

建立判斷矩陣后，計算其最大特征值λmax，并對矩陣進行一致性檢驗[14]，同時計算λmax，其計算公式為

CI=(λmax-n)/(n-1)

(3)

CR=CI/RI

(4)

式中：n為判斷矩陣階數；判斷矩陣一致性指標CI的主要功能是尋找各個指標的差異，當CI大于0.1時，則表示一致性檢驗不通過，進而調整后權重即為單位化后的特征向量；CR為隨機一致性比率，若計算過程中CR值大于0.1，則認為一致性不可接受，需修正相關矩陣；RI為每個指標之間的平均值，表2為RI值。

表2 RI數據Table 2 RI value

2.2 基于FCE的感知水平評價模型

由于機場陸側智慧交通系統感知水平的影響因素復雜，難以用單一的指標進行總體評價。因此采用模糊綜合評價法，對相應指標進行定性分析后，依據模糊數學理論轉為數學形式表達的定量分析。

2.2.1 評級的確定

為分析每個影響因素，引入5個級別的評價集，即Vi={v1,v2,v3,v4,v5}=[一級、二級、三級、四級、五級]，并且對應[100，90]、[90，80]、[80，60]、[60，40]、[40，0]這5個區間的中值表示。運用基于指標的模糊性，通過專家獨立打分，綜合計算得到隸屬度，形成單因素模糊綜合評判矩陣。

2.2.2 模糊綜合評價

多位專家根據每一個評價因素對感知水平可能產生的影響進行打分，若有n′人，那么對同一準則層某一因子進行評價，根據評價統計準則層每個因子下的指標層具體因素被評為某一等級的次數，計算評價概率，從而確定隸屬度為

rij=k/n′

(5)

式(5)中：k為認定該元素的評價等級為vi的人數；n′為參與打分的專家總人數。

根據專家評價后的結果構建評價矩陣R為

(6)

同理得出感知設備特性、感知數據特性和信息應用水平3個因素層面的評價矩陣。

則有第i級模糊綜合評價模型為

Hi=Wi

°Ri

(7)

式(7)中：

°為模糊合成算子;Wi為第i層矩陣的權重值;Ri為第i級指標的各因素評價矩陣。

2.2.3 綜合評分計算

采用模糊加權平均法將評價的最終結果進行數量化，最終評價分值為

(8)

3 案例分析

廣州白云國際機場是粵港澳大灣區的核心機場，位于廣州市白云區。旅客吞吐量在2004年超過2 000萬人次，此后保持快速增長，在2019年突破7 000萬人次，2020年全年運輸旅客4 376.8萬人次，成為全球疫情后復蘇最快，客流量最大的機場。

隨著白云機場規模的擴大及私家車保有量的逐年上升，進出白云機場的車輛大幅度增加，機場陸側高峰期的擁堵問題也隨之而來，嚴重影響了機場陸側交通服務水平。提高機場陸側感知水平是建設機場陸側智慧交通系統的前提，也是提高機場陸側交通服務水平的基礎。因此，以廣州白云國際機場為例，構建機場陸側智慧交通系統感知水平評價模型，用于評估機場陸側交通系統的感知水平。

3.1 模糊判斷矩陣構建及權重計算

采取專家調查法構建二、三級指標的判斷矩陣M，并由此求得二級指標M1、M2、M3及其對應三級指標因素的權重值。

(9)

(10)

(11)

(12)

以二級指標為例進行計算，則M為3階矩陣，求得M最大特征值λmax=3.135 6，相對權重由λmax的特征向量單位化后的權重向量求得[14]：W=[0.167 7， 0.483 6， 0.348 7]。

由于n=3，查表1可得RI=0.58，代入式(3)、式(4)中可得CI=0.075 33(CI<0.1)，通過一致性檢驗。求得Ai及各因素權重，結果如表3所示。

表3 影響機場陸側智慧交通感知水平的各因素權重Table 3 Weights of factors for airport landside intelligent traffic perception level

3.2 構建評價指標評判矩陣

為驗證構建模型的可行性，各指標相對于不同評價等級的隸屬度由專家打分法獲得。各二級指標的初始單因素評判矩陣Ni為

(13)

(14)

(15)

由表3可知：

(16)

(17)

(18)

根據式(7)可得

H1=[0.286 0 0.296 1 0.197 6 0.096 0 0.124 3]

(19)

H2=[0.091 4 0.173 0 0.230 8 0.202 5 0.302 2]

(20)

H3=[0.385 3 0.299 0 0.165 8 0.098 8 0.074 9]

(21)

由式(19)～式(21)得到一級指標的評判矩陣為

(22)

由于二級向量權重W=[0.167 7，0.483 6，0.348 7]，因此，H=[0.226 5，0.237 6，0.202 6，0.148 5，0.193 1]。由式(8)可得該實驗最終評價分值為E=67.183 1。

4 敏感度分析

利用控制變量的原理，使某項指標隸屬度發生變化時，其余指標隸屬度不發生改變，可用以研究指標的變化對評價結果的影響。以X11為例，當因素X11設備水平提高時，隸屬度由[0，0.1，…，0.4]變為[0.4，0.2，…，0]，二級評價矩陣只有N1發生變化，N2和N3保持不變。

(23)

(24)

(25)

則有一級指標評價矩陣為

(26)

(27)

由式(8)可得最終評價分值為E*=67.627 7。

4.1 指標隸屬度隨機變化對評價分值的影響

令Ls表示該指標隸屬度上升，Lx表示該指標隸屬度下降;Ljh表示交換Ls隸屬度一級和二級兩個因素后的評價分值，以X11為例，初始隸屬度為N=[0，0.1，0.3，0.2，0.4]，將其隸屬度進行下降處理得到Ns=[0.4，0.2，0.3，0.1，0]，將Ns的一級和二級元素進行交換得到Njh=[0.2，0.4，0.3，0.1，0]。 不改變其他因素的隸屬度，改變指標隸屬度可對評價分值造成影響，詳情如表4所示。

表4 指標隸屬度隨機變化Table 4 Random variation of indicator membership

由圖2可知，評價分值會隨指標變化與隸屬度元素的改變引起的變化。①根據Ls、Lx及Ljh可知，Ls與Ljh的變化程度十分相近，因為兩者的隸屬度變化值極小，Lx的分值曲線最低，說明低等級隸屬度數值變大，評分價值會變小；②Lx中X22隸屬度N22由[0.3，0.4，0.2，0.1，0]變為[0，0.2，0.2，0.3，0.3]隸屬度變化值最小，評分值最高;X32隸屬度由[0.5，0.4，0.1，0，0]變為[0，0.2，0.1，0.3，0.4]，隸屬度變化值最大，評價分值最低；③Ls、Lx及Ljh具有相同的變化規律。

圖2 指標隸屬度隨機變化Fig.2 Random variation of indicator membership

4.2 指標隸屬度有序變化對評價分值的影響

為比較評價結果的變化，對于評價集的后3個元素均為0，保持不變，對于前兩個因素的隸屬度取值有11種情況，如表5所示。

由圖3(a)可知，隸屬度發生改變時，所有指標的變化趨勢是相同的。均隨著一級評價元素數值變小，評價分值變小；X11、X12、X13、X14的變化趨勢相同，

表5 各元素隸屬度取值Table 5 Membership value of each element

變化率并不相同，X11

由圖4可知，不同的二級指標的三級指標隸屬度有序變化時，其變化速率仍然符合與對應指標的權重大小成正比的關系。

由圖3、圖4可知，由各因素間的相對重要性比值構建的判斷矩陣是影響評價分值的關鍵環節。由判斷矩陣所得到的各指標權重大小影響各指標在評價價值計算中的“貢獻力度”。指標變優時評價分值增大，評價指標變差時，評價分值減小，即評價分值變化趨勢與指標變化趨勢相同，由此證明構建的模型正確，具有可用性，能夠對機場陸側智慧交通系統感知水平進行準確評價。

5 結論

為研究機場陸側智慧交通感知體系設施設備的配置需求，提出用模糊層次分析法評價感知水平，從機場陸側感知設備、感知數據特性、信息應用水平三方面提出了16個三級指標進行計算分析，得出如下結論。

圖3 X1～X3的三級指標隸屬度有序變化Fig.3 The third level indicator membership degree of X1～X3 changes in an orderly manner

圖4 不同二級指標的三級指標隸屬度有序變化Fig.4 The third level indicator membership change evaluation scores for different secondary indicator

(1)通過各指標的敏感性分析，發現評價分值變化趨勢與指標變化趨勢相同，可以用于對機場陸側智慧交通系統感知水平進行準確評價，同時，各個維度和綜合評價結果客觀體現了感知水平的差異，因此評價結果具有可比性。

(2)所提出的基于模糊層次分析法的機場陸側智慧交通系統感知水平評價模型，不僅關注了機場陸側的智慧交通建設需求，且對其他道路領域智慧交通系統感知水平評價具有一般性定量工具價值。從機場陸側智能交通管理和服務的需求出發，構建感知網絡、布設邊緣計算設備的感知水平評價體系，可解決在原來的監測體系上修修補補的設計瓶頸，將為構建基于大數據的綜合分析決策體系奠定感知體系基礎。