人工智能對交通效率的影響

付書凡 王慧敏 畢婧

（沈陽師范大學軟件學院 遼寧沈陽 110034）

人工智能日趨成熟，自動駕駛系統在提高道路通行能力、改善車輛主動安全性等方面具有巨大潛力。自動駕駛車輛在道路上所占的比例不同，會對道路的交通效率產生不同程度的影響。

在不同的交通網絡中，交通效率各有不同，在自動駕駛汽車登上公路時，會對交通效率產生一定的影響。自動駕駛的比例不同，可能會加快交通效率，也可能會導致交通效率變慢甚至癱瘓。因此，做出以下分析：探究在擁堵系數、汽車行駛速度、道路干擾、汽車種類方面，車流中自動駕駛比例對交通效率的影響；在一個由主干道、次干道、交叉路口、彎道構成的有邊界的簡單交通網絡中，車流中自動駕駛車輛比例對交通效率的影響。

1 理論及方法

將影響因素分為兩大類：即路況指標和性能指標。影響路況的指標因素有道路干擾和擁堵系數；影響性能指標的因素有行駛速度和汽車種類。

采用層次分析法來對4 個影響因素進行判斷，通過建立層次模型并求解，對得出的結果進行一致性判斷。使用模糊綜合評判模型進行求解，通過兩種方式求解最終得出結論：道路干擾和行駛速度分別是決定路況指標和性能指標的重要因素。

設定一個簡單的交通網絡，研究車流中自動駕駛車輛比例對交通效率的影響。據此，需要建立一個元胞自動機模型。

通過選定交通網絡，又細分為十字路口、直行道和轉彎等情況，針對不同的情況，對車流量進行了交通仿真模擬。通過車輛加速、減速、停止3種情況進行速度分析，通過對語句調控來設置道路口的紅綠燈。通過隨機概率來設定汽車直行左轉右轉的概率進行分析建立模型。通過在模型中明確車流量的變化、車速及紅綠燈等因素，建立起比較精準的模型，進而對模型進行驗證。

2 實驗

2.1 建立層次結構模型

2.1.1 層次結構模型

層次結構模型如圖1所示。目標層M是自動駕駛車輛比例對交通效率的影響評價體系；中間的準則層C 路況指標和性能指標；最下面的方案層P 的影響因素為道路干擾、擁堵系數、行駛速度及汽車種類。

圖1 層次結構模型圖

2.1.2 根據建立的模型求解

由此可求得一致性指標=0.0268，一致性比例=0.516。

因為＜0.10，所以該判斷矩陣的一致性可以接受。

權重向量=（0.1000 0.3500 0.5500）。

求解判斷矩陣C2-P 的權重向量=（0.7500 0.2500）。

最后用層次分析法得出如表1所示關系表。

表1 自動駕駛車輛比例對交通效率影響

由表1可分析得出不同交通條件下自動駕駛車輛對交通效率的影響結果。

（1）當自動駕駛車輛在行駛車輛占比為1/10時：

影響比例=0.0504+0.06+0.046+0.0231=0.1795

（2）當自動駕駛車輛在行駛車輛占比為1/2時：

影響比例=0.084× 0.3+0.3× 0.3+0.46× 0.3+0.154× 0.25=0.2917

（3）當自動駕駛車輛在行駛車輛占比為9/10時：

影響比例=0.084× 0.1+0.3× 0.5+0.46× 0.6+0.154× 0.6=0.5268

由計算結果可知，在不同條件因素影響下，自動駕駛汽車比例越高，交通效率就越高。

2.2 建立模糊綜合評判模型

“模糊”（Fuzzy）從字義上理解包含“含糊”“不確定”的概念。模糊理論（Fuzzy Theory）是建立在模糊邏輯（Fuzzy Logic）基礎之上，描述和處理人類語言所特有的模糊信息的理論。它的主要概念包括模糊集合（簡稱模糊集）及其隸屬函數、模糊算子和模糊關系。

模糊綜合評價法是一種基于模糊數學的綜合評價方法。根據模糊數學的隸屬度理論，把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。它具有結果清晰、系統性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。

（1）建立評判對象因素集，表示由影響判斷對象的因素組成的合集。=［，，，］，其中，為擁堵系數，為汽車種類，為道路干擾，為行駛速度。

（3）建立權重集，=［0.084，0.46，0.3，0.154］（此數值由以上層次分析法求得）。

（4）確定模糊判斷矩陣。調查單因素評價隸屬度向量，并形成隸屬度矩陣（模糊判斷矩陣），對本題假設取4組評判。

（5）進行模糊綜合模式識別，得到評判指標，=×。

（6）取中數值的最大值代表綜合評判的最終結果。

2.3 基于元胞自動機模型對交通網絡進行分析

元胞自動機的特點是時間、空間、狀態都離散，每個變量只取有限多個狀態，且其狀態改變的規則在時間和空間上都是局部的。在探究自動駕駛技術所占比例對交通效率的影響中，設定了一個擁有主干道、轉彎、十字交叉路口的簡單交通網絡，將其分為三部分，對其進行道路交通流的分析。交通流是指在道路交通系統中有關交通流參數的定性和定量特征，以及它們在不同的時空條件下的變換規律和相互關系。交通流的參數：有一些描述和反映一些交通流特性的物理量，包括行車速度、交通密度、交通量、交通延誤、時間占有率等參數。由題意可知，主要選取交通密度和行車速度作為參數。

首先設置了道路上車的最初數量為200 輛，最大速度為Vmax，并記錄了車的實時速度velocityv 和車輛位置（i，j），并通過判斷當前位置是否為空來決定車輛是加速、減速，還是隨即慢化，然后更新車輛速度，并記錄更新后的車輛位置，得出了一個流量密度圖和時空圖。

加速過程：velocity（i-j+1）=min（velocity（i-j+1）+1，Vmax）。

減速過程：velocity（i-j+1）=min（velocity（ij+1），d）。

隨機慢化：velocity（i-j+1）=randslow（v（i-j+1））；new_velocity=velocity（i-j+1）。

更新位置：z（i-j+1）=0；z（i-j+1+new_velocity）=1。

更新速度：velocity（i-j+1）=0；velocity（i-j+1+new_velocity）=new_velocity。

通過相關代碼運行，得到如圖2 所示的流量密度圖。

圖2 流量密度圖

通過基于元胞自動機的車流模型，可以看出不同速度下車輛的密度和流量。

在最初通過元胞自動機原理和直行單行道代碼模擬，建立了一個直行單行道道路交通模擬模型。設直行進入研究區域的車輛的駛入概率為pp，道路長度為length，執行的步長為n。設置pp=20，long=500，n=1000，然后用flaggg判斷是否有車輛在等待區即將離開區域。

設置編號為1、2、3、4的4條道路，依次為十字交叉路口之前的直行道路、左轉道路、十字交叉路口之后的直行道路及右轉道路。通過相關if語句調控來設置道路口的紅綠燈，并通過隨機概率來設定汽車直行左轉右轉的概率。

建立一個在特定車流密度下的雙車道T型仿真模型。設定車道數目num 值為2，車道長度len 通過后期運行代碼輸入參數，設車輛的平均速度av、車流密度w數值、仿真步長時間ft、仿真步長數目fnum、車道入口處新進入車輛的概率向量fp、交叉口處車輛行為的概率向量q 等值，均在運行代碼時輸入相應的參數。據此構造元胞矩陣，設置不可行車道，并把仿真元胞狀態初始化，設值為1時表示無車，為0時表示有車，然后顯示初始交通流圖，給變量初始化，確定車輛的狀態，最終得到交通流圖。

3 實驗結果及分析

通過構造出表2 中的比較矩陣，為了確保權重的值更加準確，采用了算術平均法、幾何平均法、特征值求法3種方式求解權重，發現3種方法求出權重的值誤差很小，并對取得的權重的值進行一致性檢驗，將求得的一致性指標與隨機一致性指標進行對照，發現符合一致性可以接受，由此得出結論：當自動駕駛車輛在行駛車輛占比分別為1/10、1/2、9/10 時，對交通效率的影響比率分別為0.1795、0.2917、0.5268。

表2 3 種方法下的權重值比較

設定車輛最初數量為200 輛，并通過元胞自動機建立了車輛流量密度和超時圖。

直行單行道道路和直行交叉口道路及雙車道T型雙車道交通，最后得到了交通流圖。通過對單行道路和直行道路以雙車道道路的交通流圖的分析，得出結論：自動駕駛車輛比例越多，交通效率就越高。

4 改進方向

（1）本文求解問題中所用到的數據皆是通過查閱有關資料進行和分析得出的數據，具有較高的精確性，根據該數據，最后得出自動駕駛比例對交通效率的影響。

（2）在所用到的層次分析法計算權值時，采用了3種不同的計算方法求得，最后取平均值，得出權值數據更為準確。

（3）由于層次分析法定性成分過多，可能不夠精準，于是還建了模糊綜合評判法，能對蘊藏信息呈現模糊性的資料作出比較科學、合理、貼近實際的量化評價。

（4）在對交通網絡進行模擬時，建立了離散動力學系統的元胞自動機模型，該模型具有較高的仿真能力，更真實地模擬現實交通網絡。