本发明涉及基于agent仿真的停车泊位预约策略优化方法,属于智能停车技术领域。
背景技术:
基于agent的建模理论和仿真技术是目前进行复杂系统仿真最具活力、最有影响的方法之一,其基本思想是通过模拟现实世界,将复杂系统划分为与之相应的agent,以自底向上的方式,从研究个体微观行为入手,进而获得系统宏观行为。
交通问题本质上是参与交通的每个个体(车辆)在路网上移动和决策的过程。然而,传统的静态交通分配和停车选择模型无法反映车辆间相互作用,是一个整体的停车选择概率。
合理的泊位预约策略可以起到提高泊位利用率、盘活闲置资源、优化周边道路运行等效果;不合理的的泊位预约策略反而会造成车位资源浪费、供需矛盾进一步激化等恶果。因此,有必要对泊位预约策略效果进行分析评价并优化。
技术实现要素:
本发明的目的在于提供一种基于agent仿真的智能停车泊位预约策略优化方法。本发明的基本思想是车辆agent通过对接收到的交通信息进行处理,结合自身静态属性和预设的逻辑规则更新动态属性,根据动态属性实现在路网中的移动和决策等行为。
本发明包括以下步骤:
c1、仿真基础条件设计,具体是:
c11初始化仿真路网
包括起始节点集合o、终止节点集合d、停车场节点集合p、交叉口节点c和路段集合s。初始化各类节点之间的连接属性、距离;初始化路段等级、通行能力cs、自由流速度
其中,αs、βs为路段s的bpr函数参数,ls为路段s的长度。
c12初始化停车场
包括各停车场的容量cp、可预约泊位的比例ηp、初始停车数xp(0)、停车费率fp、停车驶离率dp、最大忍受排队车辆长度mp、排队序列queuep、排队长度lp。则预约部分的可用泊位数
其中,
c13初始化仿真环境
包括仿真间隔、当前迭代次数,最大迭代次数,初始化仿真od和预约用户的比例ηc。
c2、智能停车预约系统agent仿真模型建立,具体是:
c21用户决策过程
c211停车选择
对于非预约用户:当用户到达路网中的交叉口,用户会进行停车选择,然后规划最短时间行驶路径。
用户先筛选距目的地,步行距离在500m范围内的且不在到过的停车场序列的停车场。停车选择模型考虑行程时间、步行距离、预计巡游时间、预计排队时间、停车费用,停车场选择负效用的计算表示如下:
其中,
根据效用最大化原则,非预约用户选择负效用最大的停车场作为目标停车场。
确定目标停车场后,非预约用户根据当前路网的交通状况计算最短时间行驶路径,更新相关车辆属性。
对于预约用户:在进入路网时进行停车选择。停车选择成本的因素包括行程时间、步行距离、预约费用、停车费用,停车场选择负效用的计算表示如下:
其中,
根据效用最大化原则,用户选择负效用最大的停车场作为目标停车场,更新用户的预约费用
c212路径选择
用户根据道路实际运行情况按照最短时间路径行驶,在每个交叉口,用户会依据dijkstra算法进行一次路径优化选择。
c22相关属性更新
c221车辆位置更新
在仿真过程中,每次迭代都需要更新车辆agent的实时位置,从而实现车辆agent在预设仿真环境中的移动,从而进一步获取仿真结果。
在每次仿真中,每条路段上的交通流量可以测出,结合bpr函数可以计算出各个路段的行程速度vs和行程时间ts。如果车辆agent位于路段上,则根据所在路段的行程速度向前行进一步,直到到达交叉口为止;如果车辆agent位于交叉口,则根据当前路网运行状况决策出最短出行时间路径,向规划路径的下一个交叉口行进。
c222路网状态更新
根据车辆属性当前所在位置ac和bc判断每辆车所在的路段,更新当前第m次迭代中所有路段的交通量qs(m),更新路网状态包括各路段行程速度vs(m)和行程时间ts(m)。
c223停车排队序列更新
非预约车辆到达停车场时,若到达停车场已无空余泊位但是排队车辆的长度lp可以接受时,该车辆agent进入排队序列等候。当停车场有车辆驶离的时候,对停车场的排队序列queuep更新,其中排队序列queuep记录着该停车场在排队等候的车辆agent的编号。假设各个停车场的车辆驶离是以泊松分布驶离的。每次迭代中,有排队情况的停车场在有车辆驶离后,计算空闲的泊位,按照排队序列的车辆编号顺序依次停车,直到停车场无空余泊位,停车完成的车辆agent完成仿真过程,从仿真环境中剔除,同时将该停车场的排队序列更新。
c23记录路网和停车场状态,判断终止条件
c231仿真状态保存
保存每次迭代的路网各路段交通量、各停车场预约部分和费预约部分的实际停车数。
c232判断终止条件
若当前迭代次数不超过最大迭代次数,继续步骤c2的迭代。
若达到终止条件,批量更新所有车辆的相关时间属性以及出行费用等:
行程时间为从车辆生成时刻到第一次到达一个停车场的时间,即
其中,ttc为行程时间,
搜索时间为从到达第一个停车场的时刻至到达最后一个停车场的时间,即
其中,tsc为搜索时间,
等待时间为从到达最后一个停车场的时刻至停车完成的时间,即
其中,twc为等待时间,
车辆c的总出行时间为行程时间、搜索时间、等待时间和步行时间之和,即
tc=ttc+tsc+twc+tkc
其中,tc为总出行时间,ttc、tsc、twc、tkc分别为行程时间、搜索时间、等待时间和步行时间。
车辆c的总出行费用为预约费用和停车费用之和,即
其中,fc为车辆c的总出行费用,
c3基于优化算法的策略参数优化,具体是:
c31确定优化参数
管理方通过对停车供给和停车需求的调节来影响区域用户停车行为,进而影响系统运行效果。
c32确定目标函数
优化目标根据服务对象分为社会效益优化和停车场效益优化。社会效益指标包括行程时间、等待时间、巡游时间、行驶里程;停车场效益指标包括停车场收益、停车泊位利用时间。
优化目标函数为:
其中,α为权重系数,λ1,λ2为均衡系数,
c33通过优化算法进行参数优化
确定优化参数和优化目标后即选取优化算法。
本发明的有益效果:本发明通过仿真优化手段,对城市中心区域的智能停车泊位预约策略进行优化,通过合理配置优化后区域内各停车场的可预约泊位的比例,调节用户停车需求,缓解城市中心区域停车资源分布不均,局部停车场“一位难求”,局部停车场“无人问津”的现象,进而优化城市交通。
附图说明
图1为停车泊位预约策略优化方法流程图;
图2为agent仿真流程图;
图3为预约用户的出行决策流程图;
图4为非预约用户的出行决策流程图;
图5为实施案例路网示意图;
图6以avkt为优化目标的适应度曲线图;
图7为优化前停车场泊位占有率关于时间的变化曲线;
图8为优化后停车场泊位占有率关于时间的变化曲线。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1和图2所示,本发明的基本步骤如下:
c1、仿真基础条件设计;
c2、智能停车预约系统agent仿真模型建立;
c3、基于优化算法的策略参数优化;
步骤c1的具体过程包括:
c11初始化仿真路网
包括起始节点集合o、终止节点集合d、停车场节点集合p、交叉口节点c和路段集合s。初始化各类节点之间的连接属性、距离;初始化路段等级(主干路/次干路)、通行能力cs、自由流速度
其中,αs、βs为路段s的bpr函数参数,ls为路段s的长度。
c12初始化停车场
包括各停车场的容量cp、可预约泊位的比例ηp、初始停车数xp(0)、停车费率fp、停车驶离率dp、最大忍受排队车辆长度mp、排队序列queuep、排队长度lp。则预约部分的可用泊位数
其中,
c13初始化仿真环境
包括仿真间隔、当前迭代次数,最大迭代次数,初始化仿真od和预约用户的比例ηc。
步骤c2的具体过程包括:
路网上的用户在每一次迭代中沿既定路径前进,并进行决策,所有用户执行后,系统更新相关属性,并判断是否终止迭代。
c21用户决策过程
c211停车选择
对于非预约用户:当用户到达路网中的交叉口,用户会进行停车选择,然后规划最短时间行驶路径,见图4。
用户先筛选距目的地步行距离在500m范围内的且不在到过的停车场序列的停车场。停车选择模型考虑行程时间、步行距离、预计巡游时间、预计排队时间、停车费用等因素,停车场选择负效用的计算表示如下:
其中,
预估巡游时间的计算如下:
其中
预计排队时间
其中ap为停车场p的最大累计停车数,
根据效用最大化原则,非预约用户选择负效用最大的停车场作为目标停车场。
确定目标停车场后,非预约用户根据当前路网的交通状况计算最短时间行驶路径,更新相关车辆属性。
对于预约用户:在进入路网时进行停车选择,见图3。停车选择成本的因素包括行程时间、步行距离、预约费用、停车费用等,停车场选择负效用的计算表示如下:
其中,
预约费用
根据效用最大化原则,用户选择负效用最大的停车场作为目标停车场,更新用户的预约费用
c212路径选择
用户会根据道路实际运行情况按照最短时间路径行驶,在每个交叉口,用户会依据dijkstra算法进行一次路径优化选择。
c22相关属性更新
c221车辆位置更新
在仿真过程中,每次迭代都需要更新车辆agent的实时位置,从而实现车辆agent在预设仿真环境中的移动,从而进一步获取仿真结果。
在每次仿真中,每条路段上的交通流量可以测出,结合bpr函数可以计算出各个路段的行程速度vs和行程时间ts。如果车辆agent位于路段上,则根据所在路段的行程速度向前行进一步,直到到达交叉口为止;如果车辆agent位于交叉口,则根据当前路网运行状况决策出最短出行时间路径,向规划路径的下一个交叉口行进。
c222路网状态更新
根据车辆属性当前所在位置ac和bc判断每辆车所在的路段,更新当前第m次迭代中所有路段的交通量qs(m),更新路网状态包括各路段行程速度vs(m)和行程时间ts(m)。
式中有通行能力cs、自由流速度
c223停车排队序列更新
非预约车辆到达停车场时,若到达停车场已无空余泊位但是排队车辆的长度lp可以接受时,该车辆agent进入排队序列等候。当停车场有车辆驶离的时候,需要对停车场的排队序列queuep更新,其中排队序列queuep记录着该停车场在排队等候的车辆agent的编号。假设各个停车场的车辆驶离是以泊松分布驶离的。每次迭代中,有排队情况的停车场在有车辆驶离后,计算空闲的泊位,按照排队序列的车辆编号顺序依次停车,直到停车场无空余泊位,停车完成的车辆agent完成仿真过程,从仿真环境中剔除,同时将该停车场的排队序列更新。
c23记录路网和停车场状态,判断终止条件
c231仿真状态保存
保存每次迭代的路网各路段交通量、各停车场预约部分和费预约部分的实际停车数。
c232判断终止条件
若当前迭代次数不超过最大迭代次数,继续步骤c2的迭代。
若达到终止条件,批量更新所有车辆的相关时间属性以及出行费用等:
行程时间为从车辆生成时刻到第一次到达一个停车场的时间,即
其中,ttc为行程时间,
搜索时间为从到达第一个停车场的时刻至到达最后一个停车场的时间,即
其中,tsc为搜索时间,
等待时间为从到达最后一个停车场的时刻至停车完成的时间,即
其中,twc为等待时间,
车辆c的总出行时间为行程时间、搜索时间、等待时间和步行时间之和,即
tc=ttc+tsc+twc+tkc
其中,tc为总出行时间,ttc、tsc、twc、tkc分别为行程时间、搜索时间、等待时间和步行时间。
车辆c的总出行费用为预约费用和停车费用之和,即
其中,fc为车辆c的总出行费用,
c3基于优化算法的策略参数优化
c31确定优化参数
对于停车管理方,其充当的角色应该是调节停车供给(如建设停车场)和影响停车需求(如价格机制、预约泊位设置)。管理方可以通过对这些参数的调节来影响区域用户停车行为,进而影响系统运行效果。
c32确定目标函数
优化目标根据服务对象可以分为社会效益优化和停车场效益优化。社会效益指标包括行程时间、等待时间、巡游时间、行驶里程等;停车场效益指标包括停车场收益、停车泊位利用时间等。
也可以给各个目标相应的权重以综合考虑,如:对出行总耗时和停车场收益两个目标进行组合,优化目标函数为:
其中,α为权重系数,λ1,λ2为均衡系数,
c33通过优化算法进行参数优化
确定优化参数和优化目标后即选取优化算法,如:遗传算法等寻找优化解。
为获取优化效果,可对优化前后系统效果进行比较评价。
评价内容包括:
(1)仿真结束停车失败的车辆比例。
(2)巡游车辆所占比例。
(3)排队等待车辆所占比例。
(4)所有车辆的平均巡游时间。
(5)所有车辆的平均等待时间。
(6)平均行车公里数(avkt,averagevehiclekilometersoftravel,一种能够有效评价车辆行驶里程的指标,对于降低燃油消耗、减少出行距离有重要意义)。
(7)平均出行总耗时(包括行程时间、巡游时间、等待时间、步行时间)。
(8)平均停车费用(包括预约费和停车费)。
(9)停车场泊位总利用时间。
实施例:以图5所示的路网和停车场布局示意图为例,实施本停车场实时泊位预约策略。
1、仿真基础条件设计
设置仿真步长1s,仿真时长为2h,即7200s。总od量为2600,泊位容量分别为180,300,160,310,190,210,230,240和280个,总泊位数为2100个,车辆驶离率期望为60辆/3600s,停车场最大忍受排队长度为该停车场非预约部分泊位容量的1/10。由于本实施例的仿真环境为需求大于供给的情况,因此设置冷却时间为200s,即前7000s有车辆按既定概率生成,后200s无车辆生成,供车辆巡游泊位。
路阻bpr函数的参数αs、βs根据实际道路交通流标定,对于主干路,α主=1,β主=5;对于次干路,α次=0.8,β次=4。
停车巡游(搜索)时间模型参数αp、βp情况分别取αp=2、βp=4.03。
2、智能停车预约系统agent仿真模型建立
2.1用户决策过程
(1)停车选择
对于非预约用户,当用户到达路网中的交叉口,用户会进行停车选择,然后规划最短时间行驶路径。
用户先筛选距目的地,步行距离在500m范围内的且不在到过的停车场序列的停车场。停车选择模型考虑行程时间、步行距离、预计巡游时间、预计排队时间、停车费用等因素,停车场选择负效用的计算表示如下:
其中,
预估巡游时间的计算如下:
其中
预计排队时间
其中ap为停车场p的最大累计停车数,
根据效用最大化原则,非预约用户选择负效用最大的停车场作为目标停车场。
确定目标停车场后,非预约用户根据当前路网的交通状况计算最短时间行驶路径,更新相关车辆属性。
对于预约用户:停车选择成本的因素包括行程时间、步行距离、预约费用、停车费用等,停车场选择负效用的计算表示如下:
其中,
预约费用
根据效用最大化原则,用户选择负效用最大的停车场作为目标停车场,更新用户的预约费用
(2)路径选择
用户会根据道路实际运行情况按照最短时间路径行驶,在每个交叉口,用户会依据dijkstra算法进行一次路径优化选择。
2.2相关属性更新
(1)更新车辆位置
若车辆位于一般道路路段上或停车场前的最后一小段路段上,则根据路网交通状况沿着该路段行驶一定距离,更新车辆c距下一交叉口(或节点)的距离fc。
fc(m)=max{[fc(m-1)-vs(m-1)],0}
同时,更新车辆c的实际行驶里程kc=min{vs(m-1),fc(m-1)}。
(2)更新路网状态
根据车辆属性当前所在位置ac和bc判断每辆车所在的路段,更新当前第m次迭代中所有路段的交通量qs(m),更新路网状态包括各路段行程速度vs(m)和行程时间ts(m)。
式中有通行能力cs、自由流速度
(3)更新排队序列
判断停车场是否有排队,若lp>0,说明停车场p有车辆排队等候,判断该停车场是否有空余泊位,若有空余泊位x个,则排队序列queuep的前y辆车完成停车,从仿真环境中剔除,其中y取min(x,lp)。
2.3记录路网和停车场状态,判断终止条件
(1)仿真状态保存
保存每次迭代的路网各路段交通量、各停车场预约部分和费预约部分的实际停车数。
(2)判断终止条件
若当前迭代次数不超过最大迭代次数,则继续下一次更新。
若达到终止条件,批量更新所有需要的车辆属性。
3、基于优化算法的策略参数优化
3.1确定优化参数
本例在固定预约用户比例ηc=0.5前提下,研究区域停车场可预约泊位设置比例γp的优化组合问题,各停车场初始可预约泊位比例皆为0.5。
3.2确定目标函数
平均行车公里数avkt是衡量车辆群体在某区域内行驶里程情况的一项指标,在相同的条件下,avkt越小,说明车辆到达目的地所需的总行驶里程越少,对于减少巡游、降低区域交通压力有重要意义。
本实施例以avkt最小为优化目标。
3.3通过优化算法进行参数优化
由于9个停车场可预约泊位比例γp对系统性能的影响不是独立的,而是相互影响的,由于计算量庞大,无法直接通过枚举法比较寻找优化解,本例采用常用的启发式算法——遗传算法进行优化目标求解。
种群初值设置为:[0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5],即各个停车场的可预约泊位比例初始均为0.5;交叉率为0.85,变异率为0.15,种群数量为20,迭代代数为50代,对avkt进行仿真优化,以avkt为优化目标的适应度曲线如图6所示,可见优化目标avkt随着遗传代数增加得到优化并逐渐趋于平稳。
初始avkt为1695m,仿真优化的适应度值为1569m,减少7.4%。各停车场的可预约泊位比例分别为:0.4,0.3,0.2,0.8,0.2,0.5,0.1,0.5,0.8,综合各停车场的容量,区域内可预约的泊位占区域内总泊位容量的48%。
4、优化前后比较
优化前后停车场泊位率变化曲线图如图7和图8所示,可见,优化前,“热门停车场”3、5、7在仿真开始后泊位占有率迅速上升,而“冷门停车场”如9则利用率不足。
而优化后的停车场泊位率变化曲线图则显示“热门停车场”占有率上升速度减缓,而“冷门停车场”利用率明显增加。
对比优化前停车场泊位率变化曲线与优化后的可预约泊位比例,可以知道:
在avkt这一项优化目标下,“热门停车场”3、5、7的可预约泊位比例很小,而“冷门停车场”4、9的可预约泊位比例很高。这就说明,在注重avkt的目标下,需要降低热门停车场的可预约泊位比例,引导更多的预约车辆利用附近其他停车场,从而达到了avkt最优化。
具体到仿真数值,所有车辆的平均车辆里程数从1697m下降到1583m,下降了6.69%,总平均出行耗时从653s下降到620s;下降5.13%;平均停车费用从8.78元下降到8.24元,停车场收益降低了6.2%。