英语原文共 22 页，剩余内容已隐藏，支付完成后下载完整资料

阿姆斯特丹的一种汽车租赁系统

Leon Rothkrantz¹，Joost Boehle²，Michiel van Wezel¹

(1. Delft University of Technology, Mekelweg 4 2628 CD Delft ,The Netherlands;

2. Erasmus University Rotterdam, 3000 DR Rotterdam ,The Netherlands)

摘要：本文介绍了阿姆斯特丹市的电动汽车租赁系统。这些汽车可以作为公共交通或出租车的替代品，供想要到达火车站、公园或市中心的游客使用。旅行结束后，汽车将被停放在靠近旅客目的地的城市的停车场内。电动汽车将被用来减少城市内部的污染。为方便司机，我们设计了专用的导航系统，其中包括私家车无法进入的车道。该动态路线系统使用了基于蚁群的路由算法。它已在路灯电力线路基础设施上实施。汽车通过智能手机与灯柱进行无线连接。安装在灯柱上的摄像头将用于定位、识别和跟踪车辆，并更新导航系统中的路线表。分布式路灯/摄像头网络是停车和路线系统的主要组成部分。系统的软件原型已经实现，我们将在本文中论述模拟系统和测试结果。

关键词：电动车、租车系统、动态路线、基于蚁群的控制算法、视频监控系统

1.导言

阿姆斯特丹是第一个拥有自行车共享系统的城市。许多自行车可供共享使用，用户可以从城市的一个点骑行到另一个点。为了防止自行车被盗或损坏，用户可以通过小额现金存款从锁住的终端取车。把自行车停在到达的地方可以取回押金。不幸的是，荷兰的天气状况有时不适合骑自行车。我们的想法是引入一个电动汽车租赁系统(Pamp;R)。汽车将停在分布在城市各处的停车场。旅客乘自己的车或火车到达时，改乘电动汽车而不是公共交通工具。电动汽车的优势在于，它们可以进入市中心的许多区域，这些区域是不为私家车开放的。它将使游客能够使用电动汽车穿越城市。该计划符合市议会的拨款计划，到2040年在阿姆斯特丹公路上将拥有20万辆电动车辆。

Pamp;R是一个分布式系统，包含两个补充服务：停车和路线。停车服务允许Pamp;R参与者租用电动汽车。接下来，司机可以规划行程。然后，停车服务根据计划的行程、目的地和中间停车点、驾驶员和当前请求停车位的其他驾驶员的偏好选择停车位。为了有效使用车辆，Pamp;R系统还将提供一个路线系统，引导车辆从起始位置到停止/结束位置。

由于电动汽车可以行驶在不适合常规交通的专用道路上，因此必须开发专用的路线系统。因为在当前的商业导航系统中，这些特殊道路是不可以使用的。有三种不同类型的车辆。第一类是私家车，被限制进入市中心的部分地区。第二类由出租车、公共交通和有轨电车组成，它们可以进入专用车道。最后一类是可以进入市中心所有道路的电动汽车。

请求路线的系统必须是一个使用交通堵塞和事故的最新信息的动态系统。一种可能的方法是基于Dijkstra算法的集中式静态系统，参见Dijkstra(1959)。但是，一个集中的系统是脆弱的，如果ICT系统崩溃，或没有收到GPS信号，那么路线服务就不可用。可以预料，在交通高峰期会有很多交通堵塞。在这种情况下，最短的距离路线通常不是最短的时间路线。在阿姆斯特丹市中心，交通路线必须是动态的。有许多狭窄的街道，许多事故和有限的停车位，许多停着的车，都会造成或短或长的交通阻塞。大多数延迟可以在本地解决，而不是在全球。因此，我们开发了一个分散的系统来处理道路上不同的交通负荷。该系统使用了基于蚁群的控制算法(ABC)。由于引入了ABC算法，参照Dorigo(2006)和Di Cari O(1998)的研究，我们进行了基于蚁群算法的研究。我们将ABC算法与其他路线算法进行了比较，并证明ABC具有类似的性能，见Schoonderw Oerd。(1996)。自2000年以来，我们将ABC应用于交通问题，见Tatomir(2004),(2005),(2006)。我们在应用中必须解决的一些研究问题是：

(1)动态分散ABC路由算法何时优于静态集中的Dijkstra路由系统？

(2)在需要更新可靠路线的人群中，和其他汽车驾驶员相比，电动汽车用户的最小百分比是多少？

ABC路由系统是需要本地数据的一个分散的系统。使用电话网络更新系统是最常用的，见Radu(2012)，Tatomir(2004)。汽车驾驶者定期通过他们的(智能)电话使用通讯服务发送他们当前的位置。此数据使系统能够动态更新路线表。这种选择所带来的问题是，需要电话供应商的服务，这种服务不是免费的。最受欢迎的解决方案是使用市政府的现有网络。首先，将使用路灯的电力线基础设施。其次，将涉及密集的摄像机监控网络。出于安全考虑，摄像机监控系统将首先被使用，并在出现机械故障时协助电动汽车驾驶员。

该项目的研究挑战之一是使用监控网络来确定车辆的路线。在我们第一次开发的原型中，包括时间和位置在内的本地数据是由安装在灯柱上的摄像头提供的。另一种选择是在灯柱周围使用无线网络，它可以从过往车辆传递信息，包括身份、位置和时间戳。在目前的系统中，视频监控系统的数据已经被使用。使用安装在摄像头上的专用软件，摄像头系统能够定位、识别和跟踪汽车。路由系统不断地从车辆收集时间和延迟数据。所有车辆的组合信息用于确定从车辆当前位置到目的地停车场的时间最优路线，以及规划电动车辆的路线。车辆与路由系统之间的信息交换通过位于城市每个交叉口和系统控制下的停车场群附近的智能灯柱实现。智能灯柱是路由系统的主干，支持数据采集、转换成信息并分发到路由系统各个组件。智能灯杆是对普通灯杆的改进。通过它们在城市电力线基础设施上的共同连接，形成一个分布式互联网络，通过电力线通信技术进行信息交换。每个智能灯柱还包含一个无线通信设备，允许它与用户的车辆和一个小型处理单元通信，以处理路由信息和维护路由表(通常是智能电话)。通过收集和交换城市道路交通现状数据，利用基于蚁群的路线算法，智能灯柱能够发现到达城市内每个目的地的时间最优路径。然后，这些信息通过无线通信与路由系统的用户共享。

图1-监控员工在控制室内

阿姆斯特丹被一个密集的摄像机网络所覆盖。这些摄像头用于视频监控，以检测特殊事件。这些摄像头安装在监控屏幕上，由安全人员监控，以检测异常行为或事件。要想每天24小时和每周7天监控所有电动车辆，需要耗费太多资源，所以需要自动监视。Pasula研究了用许多传感器跟踪许多物体(1999)。他们描述了使用多个摄像头跟踪公路交通的可能性。不幸的是，软件不稳定，丢失了太多车的数据。关于追踪任务，我们使用了一种叫做“捕食者”的工具，见Kalal(2010年)。这个系统也被称为OpenTLD，以锁定车辆并同时跟踪这些车辆。根据记录的轨迹，我们可以算出用于计算路线所需的数据。

为了识别汽车，图像处理软件被用来识别车门上的唯一编号。我们使用了一种新认知神经网络的改进版本，它被用来识别车牌，见Cornet(2003)。需要这些数据来更新ABC算法中的概率表，如下一节所述。通过对汽车行驶轨迹的计算，可以得出汽车行驶行为和特殊事故的结论。如果一辆车在同一位置停留的时间较长，可以向监控操作员发出警报，以调查停车是否由机械故障、车祸或其他原因引起。如果预计道路阻塞时间较长，则可以禁用路网中的相应路线。这将导致系统的快速更新。

在我们的模拟实验中，我们使用了特定位置的监控摄像机来更新路由系统的路由表。我们研究了以下问题：

(1)使用现有的安全摄像头网络更新ABC算法的路由表的可能性有多大？

(2)使用位于市区的现有静态安全摄像头系统协助安全人员观察电动汽车的可能性有多大？

本文概述如下：在下一节中，我们将介绍路由系统的相关工作，然后我们将更详细地讨论ABC路由系统。在第3节中，我们将介绍我们的模拟环境，而第4节是我们的实验结果。在第5节结束本文，并在第6节列出我们的参考文献。

2.相关工作

2.1静态和动态的比较

交通分配是被定义为在给定始发地-目的地行程和设置成本的情况下查找交通流的问题。这个问题的一个解决方案是，司机根据自己的偏好选择最优路径，称为用户均衡(UE)分配，或者是最小化整个网络的运行时间的路径，称为系统最优(SO)分配。Wardrop(1952)是第一个区分这两种方法的。一个轰动一时的例子表明，UE分配通常不同于SO解决方案即Braess网络。Braes(2005)得出了一个矛盾的结果，即在网络中添加一个弧导致增加始发地到目的地的成本。Fisk(1979)更详细地研究了Braess悖论。她提出了旅行成本对输入流量变化的敏感性，而它们处于Wardropian平衡状态。实例表明，增加输入流的容量可以缩短行程时间。

非平衡方法将交通分配给两个区域之间的一条最小路径。最小路径推断最小行程时间。例如，最小路径算法包括dantzig(1957)和dijkstra(1959)开发的模型。其他非平衡方法包括转移模型、多径分配和最终组合方法。

当时间维度添加到前面描述的模型中时，将获得动态交通分配(DTA)。通过包含时间维度，我们可以更真实地表示交通状况和计算出行时间。这一领域的文献调查通常提到了DTA的两种主要方法：基于分析的模型和仿真。

基于分析的模型考虑了两个时间指标：路径流离开起点的时间和在连接线上观察到的时间。换句话说，这种方法假定整个时间都是按间隔划分的。假设一个时间间隔足够长，驾驶员可以在该时间间隔内完成行程，则将静态数学分析控制模型应用于每个时间间隔。

基于仿真的模型模拟驾驶员在不同交通设置下的行为。由于他们能够更好地代表现实世界，所以受欢迎程度提高了。模拟通常试图复制复杂的交通动态。虽然这被认为是一种不同的方法，但问题的数学抽象是一种典型的分析公式。

基于分析的方法

在这方面的研究文献是广泛的。自Merchant考虑了单个目的地动态交通分配的离散时间模型以来，DTA已经取得了很大发展。他们假设的模型是非线性和非凸的。 Ziliaskopoulos将分析模型分为四大方法论组，第一组是数学规划公式。在该方法中，推导了流量方程，并求解了非线性数学规划问题。Merchant(1978)和Ho(1980)研究了这些模型。由于非线性问题的复杂性，利用单纯形算法可以建立一个带有附加约束的线性模型，并求解其全局最优解。线性规划具有阶梯结构，可以通过分解技术求解。

在最优控制理论中，路径被假定为已知的时间函数，连接流被认为是连续的时间函数。约束类似于数学规划公式，但在连续时间设置中定义。这导致一个连续的控制公式，而不是在离散时间的数学程序。Friesz(1989)考虑到单一目的地情况，讨论SO和UE目标的两个基于链路的DTA连续时间公式。该模型假定当网络条件发生变化时，系统可能会从一种状态调整到另一种状态。路径是根据网络的当前状况来完成的，但它是随着条件的变化而不断建模的。SO模型是静态SO模型的时间扩展，证明了对于最优解，O-D使用路径的成本与未使用路径的成本相同。他们还建立了贝克曼等效优化问题的动态推广。

基于仿真的方法

仿真环境解决了交通分配的关键问题，如交通流在时间上的传播和时空交互。现代的DTA模型是使用不同的模拟器开发的，例如Contram、Dynasmart或Saturn。Saturn是早期使用平衡技术的DTA模拟工具。相反，Taylor(1980)，模拟环境比之前的环境更为动态，因为它允许在交通状况恶化时重新选择车辆路线。但是，它不考虑道路的最大存储容量，只根据Wardropian原则分配车辆。Dynasmart是一个现代DTA模型，它使用了基本的Contram概念。Abdelfatah(2001)展示了Dynasmart方法开发的DTA模型的示例。LUM(1998)表明，平均速度d取决于道路的几何结构、交通流特征和交通信号协调。以交叉口最小延误和交叉口频率为参数，建立了一种新的行程时间密度模型。

行驶时间和交通量是沿主干道进行速度流研究时必须考虑的两个主要现场项目。文献中引用的主要影响因素是特殊事件和节假日、信号延迟、天气状况和拥挤程度。预测误差也可能与预测周期的长度成正比，见Kisky Hobeik(1994)。结合当前交通量、平均历史数据和上游交通量，构建了三个短期交通预测模型。Li使用装有GPS的探测车并确定平均速度值，以建立模糊数学行程时间估计模型。时间序列分析由于具有很强的在线实现潜力，是一种常用的推断行程时间预测的方法。Ishak(2002)描述了采用非线性时间序列方法并使用单个变量的速度短期预测模型。在文献中，研究人员使用参数模型来预测时间，如回归模型或时间序列，以及包括人工神经网络模型的非参数模型，参见Lint，Yu(2008)。研究表明，神经网络(包括模块化神经网络模型和状态空间神经网络模型)是预测公路行驶时间的有力工具。Lint，Yu(2008)提出了一个由两部分组成的行程时间预测模型：基本行程时间和行程时间变化。

2.2基于蚁群的路由控制

基于蚁群的路由算法的基础是模仿阿根廷蚂蚁的食物搜索行为。从食物来源返回蚁群的蚂蚁会沉积一种天然的信息素，这是一种用来在蚂蚁之间交换信息的化学物质，它标志着它们的足迹。在返回蚁群的路线上遇到的每一个障碍处，蚂蚁都会决定下一个要走哪条路。因为蚂蚁不依赖视觉信息来寻找路径，所以蚂蚁在转移障碍物时做出的每一个选择都是随机选择的。因此，大约百分之五十的蚂蚁会选择向左绕过障碍物而转向，另外百分之五十选择向右。例如，如果右路线比左路线短，沿着这条路线飞行的蚂蚁比通过左边路线飞行的蚂蚁形成更密集的信息素踪

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20743]，资料为PDF文档或Word文档，PDF文档可免费转换为Word