本发明涉及交通科学与网络科学交叉技术领域，特别是涉及一种基于蚁群交哺策略的交通网络拥堵调控方法及系统。
背景技术：
在各项事业建设进程飞速发展的过程中，城市交通更是发生了空前未有的改变。虽然城市交通的新规划陆续出台，但是实际城市交通中的新问题也层出不穷，始终是一个前期规划与后期治理不断冲突协调的过程。目前城市交通方面出现的问题已经异常严重，一旦得不到合理有效的解决或治理，将会极度威胁经济稳健持续的发展。其中，由于城市道路容量严重不足、城市汽车保有量增长速度过快等原因，交通拥堵已经上升为城市交通问题中十分严重的问题。
由于科学技术的不断进步，智能交通的可成长性变得更为强大，以智缓堵也是大势所趋。现阶段，交通智能化已经日趋完善，交通信息的采集质量和采集精度也不断提高，准确、实时的从道路交通网络中获取交通数据已成为可能，为交通状况的实时分析及预测研究提供了海量的数据信息的支持。
对城市道路拥堵的判定和预测是管理交通拥堵的焦点。因此，如何针对交通网络中获取的交通流数据，利用科学、合理、有效的方法为其构造仿真模型，进而对城市道路拥堵进行有效的评估和预测，最后采取有效调控方法来对城市道路拥堵进行合理疏散，具有重要的研究意义，也是延缓交通拥堵亟需处理的关键技术之一。目前，相关技术比较少。
技术实现要素：
鉴于此，本发明提供了一种基于蚁群交哺策略的交通网络拥堵调控方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于蚁群交哺策略的交通网络拥堵调控方法，包括：
根据研究城市的交通路网结构拓扑参数，构建所述研究城市对应的路网复杂网络模型；所述路网复杂网络模型包括网络节点和网络连边；
确定所述研究城市对应的路段相关信息，并基于所述路段相关信息、ltm交通流传播模型和所述路网复杂网络模型，搭建所述研究城市对应的交通路网拥堵传播仿真框架；所述路段相关信息包括路段相关参数和路网特性信息；所述路段相关参数包括双向车流传输路段、路段内实时荷载车流、路段上游交通需求量和路段下游交通流量；所述路网特性信息包括研究时间段信息；所述交通路网拥堵传播仿真框架为根据路段上游交通需求量和路段剩余容量的对应关系搭建能够对路段内实时荷载车流进行更新的仿真框架；
确定所述研究城市的调控区域，并根据所述调控区域和所述交通路网拥堵传播仿真框架，构建所述调控区域对应的基于蚁群交哺策略的交通拥堵智能调控模型；所述交通拥堵智能调控模型包括蚂蚁调控单元以及所述蚂蚁调控单元周围的近邻调控单元；所述蚂蚁调控单元是基于所述交通路网拥堵传播仿真框架的网络节点确定的；
运行所述交通路网拥堵传播仿真框架，然后根据所述基于蚁群交哺策略的交通拥堵智能调控模型，对所述调控区域的路网交通流拥堵状态进行调控。
一种基于蚁群交哺策略的交通网络拥堵调控系统，包括：
路网复杂网络模型构建模块，用于根据研究城市的交通路网结构拓扑参数，构建所述研究城市对应的路网复杂网络模型；所述路网复杂网络模型包括网络节点和网络连边；
交通路网拥堵传播仿真框架搭建模块，用于确定所述研究城市对应的路段相关信息，并基于所述路段相关信息、ltm交通流传播模型和所述路网复杂网络模型，搭建所述研究城市对应的交通路网拥堵传播仿真框架；所述路段相关信息包括路段相关参数和路网特性信息；所述路段相关参数包括双向车流传输路段、路段内实时荷载车流、路段上游交通需求量和路段下游交通流量；所述路网特性信息包括研究时间段信息；所述交通路网拥堵传播仿真框架为根据路段上游交通需求量和路段剩余容量的对应关系搭建能够对路段内实时荷载车流进行更新的仿真框架；
交通拥堵智能调控模型构建模块，用于确定所述研究城市的调控区域，并根据所述调控区域和所述交通路网拥堵传播仿真框架，构建所述调控区域对应的基于蚁群交哺策略的交通拥堵智能调控模型；所述交通拥堵智能调控模型包括蚂蚁调控单元以及所述蚂蚁调控单元周围的近邻调控单元；所述蚂蚁调控单元是基于所述交通路网拥堵传播仿真框架的网络节点确定的；
调控模块，用于运行所述交通路网拥堵传播仿真框架，然后根据所述基于蚁群交哺策略的交通拥堵智能调控模型，对所述调控区域的路网交通流拥堵状态进行调控。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
针对现有技术存在的不足，本发明提供了一种基于蚁群交哺策略的交通网络拥堵调控方法及系统，考虑到城市交通路网巨系统的异构性、涌现性、非线性、多重耦合性等多种复杂特性，本发明基于复杂网络，应用经典的ltm交通流模型模拟城市交通路网来搭建出适用于城市交通路网拥堵传播规律的复杂网络交通流传播仿真框架，然后在复杂网络交通流传播仿真框架上，构建基于蚁群交哺行为启发的交通拥堵智能调控模型，使极为复杂的宏观路网整体调控问题分解为成千上万的、微小的节点控制单元的简单局部调控问题，从顶层策略设计层面对城市交通路网拥堵问题进行有效缓解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于蚁群交哺策略的交通网络拥堵调控方法的流程示意图；
图2为本发明一种基于蚁群交哺策略的交通网络拥堵调控系统的结构示意图；
图3为本发明一种基于蚁群交哺策略的交通网络拥堵调控方法的整体流程图；
图4为本发明步骤e3的流程示意图；
图5为本发明步骤e4的流程示意图；
图6为本发明步骤e5的流程示意图。
在图4中：β：分流比例系数，通过随机数产生。满足β1 β2 β3＝1。qinput：是此条(相对于图中中心节点)向外输出道路上游积累的一次交通需求分量，要完整计算一条道路本轮累积的上游交通需求，需要遍历全部4轮(相对于此中心节点)的流入道路下游输出流量。qoutput ：是此条 向道路根据fd计算得的本轮应向外输出的流量大小。
在图5中：qmiddle：中央路口的总上游交通需求量。qnorth：北向近邻节点的上游交通需求量。qsouth：南向近邻节点的上游交通需求量。qwest：西向近邻节点的上游交通需求量。qeast：东向近邻节点的上游交通需求量。trophacity：交哺总量。δqm-n：北向近邻节点的上游交通需求量与中央节点上游交通需求量的差值。δqm-s：南向近邻节点的上游交通需求量与中央节点上游交通需求量的差值。δqm-w：西向近邻节点的上游交通需求量与中央节点上游交通需求量的差值。δqm-e：东向近邻节点的上游交通需求量与中央节点上游交通需求量的差值。ratiom-n：中央节点的北向交哺系数。ratiom-s：中央节点的南向交哺系数。ratiom-w：中央节点的西向交哺系数。ratiom-e：中央节点的东向交哺系数。qn-input ：中央节点北向输出道路的调控后上游交通需求。qs-input-：中央节点南向输出道路的调控后上游交通需求。qw-input ：中央节点西向输出道路的调控后上游交通需求。qe-input ：中央节点东向输出道路的调控后上游交通需求。
在图6中：capacity：路段最大车流容量。qinput：路段上游交通需求量。cleft：路段剩余容量。qinput1-：西向路段更新前上游交通需求。cleft1-：西向路段更新前剩余容量。qinput1-new：西向路段更新后上游交通需求。cleft1-new：西向路段更新后剩余容量。qinput3 ：东向路段更新前上游交通需求。cleft3 ：东向路段更新前剩余容量。qinput3 new：东向路段更新后上游交通需求。cleft3 new：东向路段更新后剩余容量。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
由于城市道路容量严重不足、城市汽车保有量增长速度过快等原因，交通拥堵已经上升为城市交通问题中十分严重的问题。例如，2016年荷兰导航技术公司发布全球最拥堵城市中，前10个城市中，中国上榜4个，分别为重庆，成都，台南与北京。该报告中，北京的拥堵指数为42％，这表示着在拥堵发生期间，平均每辆车比正常的行驶情况要多花费42％的时间，而在高峰期每辆车平均要花费接近2倍的时间。而且，北京高速公路的拥堵状况要比普通公路更加严重，高速公路拥堵率全球排名第六。根据高德地图发布的《2016年第二季度中国主要城市交通分析报告》中可知，北京位于全国最拥堵的城市。从数据中得出，北京高峰期的拥堵延时指数高达2.16，全天拥堵延时达到1.79，即北京居民驾车上下班花费的时间比通畅时花费的时间要多一倍，拥有全国最高的拥堵时间成本。
复杂网络作为复杂系统理论的重要组成部分，为研究城市交通系统及城市交通拥堵传播动力学行为特征提供了一个新的视角。网络系统的基本特征主要来自于网络的拓扑结构，而现实世界中存在着许多这样的复杂网络巨系统，如神经网络、internet网络、社会网络等。为了从整体上研究这些复杂网络巨系统的网络结构特征，可以通过引入复杂网络原理来进行深入地分析和研究。具体而言，可以将一个复杂网络巨系统分解为多个具有关联关系的子系统(元素)，当把这些分解出的子系统(元素)抽象为节点，把子系统(元素)之间的关联关系抽象为边时，就可以将复杂网络巨系统抽象为一个由节点和边构成的网络，然后引入复杂网络的相关原理和相关技术，用以模拟和解决复杂网络巨系统所出现的一系列现象和问题。
对于复杂的城市交通系统，由于其本身是一个典型的复杂网络巨系统，因此针对被抽象为复杂网络的城市交通系统，可以基于复杂网络原理，结合经典的交通流传播模型，构建出适用于城市交通拥堵传播规律的交通拥堵传播仿真模型，并分析、研究城市交通拥堵传播过程中的影响因素以及作用规律，进而尝试设计城市交通路网的交通管控智能策略，从而在一定程度上及时预防和有效缓解城市道路交通拥堵的现状。
在自然界普遍存在的社群行为，例如鱼群、鸟群、蜂群、蚁群等，均蕴含着一个个简单低智能个体大量聚集并产生相互作用后“涌现”出的群体智能。“涌现”指的是系统中个体虽然遵守简单的规则，但通过局部的互相作用构成一个整体时，在系统层面突然出现一些新的特性或者规律的现象。因此，涌现属性或者规律并不打破个体规则，然而它却又不能简单地用低层次的个体进行解释，因此涌现可简单理解为“系统的整体大于部分之和”。
以蚁群为例，每只蚂蚁都是一套几乎没有个体思维的感知机 反应器的组合，只有简单的行为规则，根据环境事件作出反应并释放信息素，同时又根据环境和接收到的信息素类型与浓度来决定自己的行为，就像是成千上万个分布式节点构成的区块链系统，没有中心，每个节点都在参与，但是每个节点又都遵循区块链系统的整体运算结果，蚁群中的个体不存在“智能”，真正的群体智能由蚁群的信息素网络激发、传导，形成一种控制整个蚁群行为、无形却又似乎处处可见的、超越个体的“脑”，在此情境下，仿佛每只蚂蚁都是蚁群“超个体”的一个细胞，千万只蚂蚁共同组成了蚁群的五脏六腑、四肢百骸，组成整个蚁群完整的躯体，这个躯体没有肌肉韧带形状却像水一样灵活，没有任何攻击器官却可猎杀比任何一只蚂蚁大得多的猎物，没有发达的大脑却可建造出复杂程度堪比人类城市的地下巢穴，与其说是这种生存方式像是生命，不如说它们更像是一个机器，一段程序，或者一种信息处理的机制，缺乏感情的色彩，但却蕴含着数学之美、自然之美。就像图灵方程一样，简单的规则描述却可迸发出复杂而迷人的图案。
在发现猎物时，巡逻工蚁会释放大量信息素吸引其他工蚁前来，直到猎物被完全制服，然后出动的所有工蚁会逐渐将猎物分食殆尽。此外，蚁群普遍存在“交哺”现象，真正直接与食物接触的蚂蚁可能只占整个蚁群个体的10％，而绝大部分蚂蚁的食物依靠其他工蚁的交哺行为，即通过蚂蚁间触角交流，腹中食物较多的蚂蚁将半消化的流质食物通过蚁间口器对接后形成的通道传输给腹中食物较少的蚂蚁。在广泛存在的“交哺”现象下，仅需有部分蚂蚁进行捕猎-交哺行为，而蚁群的剩余劳动力可将更多精力用于守卫巢穴、饲喂幼虫等对于种群延续重要度更高的任务，极大地提高了整个蚁群“超个体”的运行效率、生存能力和适应能力。
本发明基于以上的问题及现象启发，提出了一种仿真城市交通路网并进行智能调控的有效解决方案，即基于蚁群交哺策略的交通网络拥堵调控方法及系统。本发明首先将经典的ltm(linktransmissionmodel，路段传输模型)交通流传播模型应用于复杂网络，搭建出适用于城市交通路网拥堵传播规律的复杂网络交通流传播仿真框架，即ltm交通网络仿真框架；然后在ltm交通网络仿真框架上，构建基于蚁群交哺策略的交通拥堵智能调控模型，使极为复杂的宏观路网整体调控问题分解为成千上万的、微小的节点控制单元的简单局部调控问题。本发明提供的基于蚁群交哺策略的交通网络拥堵调控方法及系统，大大降低了宏观复杂路网的整体管控问题求解复杂度，计算简便，方案实用，结果可靠，工程应用前景良好。
实施例一
由于城市交通路网本质上复杂度就极高，为具有异构性、涌现性、非线性的复杂网络巨系统，而十字平面交叉、环形平面交叉、y形平面交叉和错位平面交叉等众多城市道路类别耦合，加上城市道路极为庞大的数量，使得城市交通网络拥堵调控问题的求解极为困难。对于城市交通网络的拥堵调控，现有研究主要围绕交通调控的新型指示灯、流量监测设备、新的合理化配时方案，或是提出某种拥堵识别方法，鲜有涉及城市交通网络拥堵调控的顶层智能策略设计。于是本实施例提供了一种可智能、高效地进行城市交通网络拥堵疏散的调控方法，即一种基于蚁群交哺策略的交通网络拥堵调控方法，请参见图1，步骤如下：
步骤100：根据研究城市的交通路网结构拓扑参数，构建所述研究城市对应的路网复杂网络模型；所述路网复杂网络模型包括网络节点和网络连边。
步骤100的具体做法为：根据研究城市的交通路网结构拓扑参数，包括相应的节点、边(即为节点与节点之间的交联关系)、位置坐标、容量、权重等，建立真实物理空间下交通路网到虚拟时空域下复杂路网网络模型的准确映射，以作为ltm交通流传播模型搭建适用于城市交通路网拥堵传播规律的复杂网络交通流传播仿真框架(即交通路网拥堵传播仿真框架)的合理基础。
在本实施例中，步骤100包括以下步骤：
步骤a1：分析抽取研究城市的交通路网的交叉路口、缓冲区等节点分布情况，以确定路网复杂网络模型的点集v以及各节点对应的拓扑结构参数。
其具体做法为：对研究城市交通路网的各交叉路口、缓冲区等节点及其拓扑参数进行遍历统计，并将节点确定为网络节点。在此基础上，将各网络节点存入列表以构建点集v，将各网络节点对应的拓扑结构参数直接存入列表。
步骤a2：分析抽取研究城市交通路网的各节点间的交联关系的分布情况，以确定路网复杂网络模型的边集e以及各交联关系对应的拓扑结构参数。
其具体做法为：对研究城市交通路网的各道路的连通路径(即各节点间的交联关系)及其拓扑参数进行遍历统计，并将连通路径作为网络连边，在此基础上，将各网络连边存入列表以构建边集e，将各网络连边对应的拓扑结构参数直接存入列表。
步骤a3：构建路网复杂网络模型g。
其具体做法为：通过点集v、边集e以及各网络节点对应的拓扑结构参数、各网络连边对应的拓扑结构参数，精准构建路网复杂网络模型g。
其中，步骤100所述的“路网复杂网络模型”，是通过一个具体的城市交通路网抽象出的，并通过一个点集v和一个边集e组成的路网复杂网络模型g，即：g＝(v,e)；路网复杂网络模型可以清晰体现各个路口之间由路段组成的交互链接关系，且易于对城市交通体系进行拥堵传播仿真分析。由于城市路段的往返双向性，故所构建的路网复杂网络模型均为无向网络模型。
步骤101：确定所述研究城市对应的路段相关信息，并基于所述路段相关信息、ltm交通流传播模型和所述路网复杂网络模型，搭建所述研究城市对应的交通路网拥堵传播仿真框架。
步骤101的具体含义为：在路网复杂网络模型上，建立周转路口节点、双向车流传输路段、路段内实时荷载车流等路段相关参数，并能够按照ltm交通流传播模型的规则，输出路段下游交通流量，产生路段上游交通需求量，最后根据路段上游交通需求量和路段剩余容量的对应关系搭建能够对路段内实时荷载车流进行更新的仿真框架。
在本实施例中，步骤101包括以下步骤：
步骤b1：确定所述研究城市对应的路段相关信息。所述路段相关信息包括路段相关参数和路网特性信息；所述路段相关参数包括周转路口节点、双向车流传输路段、路段内实时荷载车流、路段上游交通需求量和路段下游交通流量；所述路网特性信息包括研究时间段信息。
步骤b2：在所述路网复杂网络模型上添加路段相关参数。
其具体做法为：在路网复杂网络模型的网络连边上添加周转路口节点、双向车流传输路段、路段内实时荷载车流、路段上游交通需求和路段下游交通流量等路段相关参数，并根据城市交通网络的实际常用参数值给予其合理的初值。
步骤b3：根据所述路网特性信息确定三角形fd参数。
其具体做法为：一般三角形fd参数由路段下游最大输出流量qmax、临界密度kcrit、拥堵密度kjam确定的，因此给定的三角形fd即可以等效为提供路段下游最大输出流量qmax、临界密度kcrit、拥堵密度kjam三个确定的参数，需要注意的是三角形fd参数需要与待分析的路网特性信息相匹配，否则很难分析出正确结果。
其中，所述“fd”是指：基本图，fundamentaldiagram，在流量密度平面上，路网交通流的稳定状态对应于一条经过原点并且至少有一个最大值的流量密度曲线，这条曲线称为基本图。对于三角形fd，其实际上是由(0,0)、(kcrit,qmax)、(kjam,0)三个笛卡尔二维坐标点确定的连续折线，因与x轴围成了一个三角形而得名“三角形基本图”。
步骤b4：基于添加路段相关参数后的路网复杂网络模型、所述三角形fd参数和时域驱动引擎，按照ltm交通流传播模型限定的规则对路网交通流状态进行实时更新，并当更新结束时建立所述研究城市对应的交通路网拥堵传播仿真框架。
其具体做法为：在添加路段相关参数后的路网复杂网络模型和三角形fd参数基础上，按照时间逐个步长迭代方式，以ltm交通流传播模型限定的规则更新路网交通流状态，直至完成整个时域的路网状态迭代，进而搭建出所述研究城市对应的交通路网拥堵传播仿真框架，包括以下步骤：
步骤b41：开始第n次迭代。
步骤b42：遍历每个路段，计算当前路段对应的路段下游交通流量qoutput，并通过随机方式分配，转化为下游路段对应的路段上游交通需求量qinput。所述下游路段为所述当前路段关联的下游的路段。
步骤b43：遍历每个路段，根据每个路段对应的路段上游交通需求量qinput和其对应的当前剩余容量cleft更新路段交通流状态。
步骤b44：结束第n次迭代，准备进行第n 1次迭代，直至迭代全部完成。
其中，步骤b42中所述的“遍历每个路段，计算当前路段对应的路段下游交通流量qoutput，并通过随机方式分配，转化为下游路段对应的路段上游交通需求量qinput”，其具体做法如为：在遍历某路段时，首先根据当前路段已有的交通流量cald和路段长度l，通过公式
其中，步骤b43中所述的“遍历每个路段，根据每个路段对应的路段上游交通需求量qinput和其对应的当前剩余容量cleft更新路段交通流状态”，其具体做法为：在遍历某路段时，读取其上游累积的总交通需求量qinput和该路段的当前剩余容量cleft，若qinput＜0，保持qinput和cleft原状不变(事实上qinput＜0，一般只会出现在蚁群交哺策略调控后的情况)。若0＜qinput≤cleft，则将qinput＜0置为0，更新后的cleft满足cleftnew＝cleft-qinput。若qinput＞cleft，则将cleft置为0，更新后的qinput满足qinputnew＝qinput-cleft。
步骤102：确定所述研究城市的调控区域，并根据所述调控区域和所述交通路网拥堵传播仿真框架，构建所述调控区域对应的基于蚁群交哺策略的交通拥堵智能调控模型；所述交通拥堵智能调控模型包括蚂蚁调控单元以及所述蚂蚁调控单元周围的近邻调控单元；所述蚂蚁调控单元是基于所述交通路网拥堵传播仿真框架的网络节点确定的。
其具体做法为：将城市交通路网拥堵传播仿真框架的每个网络节点视为“蚂蚁”调控单元，即节点调控单元；并基于所述调控区域对应的网络节点，构建对应的基于蚁群交哺策略的交通拥堵智能调控模型。
基于蚁群交哺策略的交通拥堵智能调控模型，具体为：每个“蚂蚁”调控单元在每个时间步长下，对周围的近邻调控单元拥堵情况进行感知，然后通过与自身拥堵情况对比，对步骤b42产生的下游路段对应的路段上游交通需求量qinput进行合理重分配，进而抑制车流进一步涌向拥堵程度较严重的点，将其向拥堵程度较轻的区域引导，缓解城市交通路网的交通拥堵。
基于蚁群交哺策略的交通拥堵智能调控模型包括以下执行步骤：
步骤c1：基于所述调控区域内的网络节点，遍历所述调控区域的“蚂蚁”调控单元。
步骤c2：对每个“蚂蚁”调控单元，读取其自身积累的总上游交通需求量
步骤c3：对每个“蚂蚁”调控单元，读取其近邻调控单元各自积累的上游交通需求量qneighbour。
步骤c4：按交哺规则，计算各下游路段重分配应得的上游交通需求量qnew并交哺分配。
其中，步骤c2中所述的“对每个“蚂蚁”调控单元，读取其自身积累的总上游交通需求量
其中，步骤c2中所述的“管控服从系数ratioobey”，其具体含义为：真实城市交通路网下，不可能做到100％的车辆都完全服从管控，管控只能是一种调节性的、用于缓解拥堵的手段，而决不可能完全杜绝。因此设置ratioobey这一参数，意指服从管控的车流比例，在路网仿真运行中，只有此比例大小的车流是完全服从路网调控手段管控的，剩余车流保持原状运行。
其中，步骤c2中所述的“交哺总量trophacity”，其具体含义为：由于管控服从系数ratioobey的存在，仅有qtotal*ratioobey大小的车流参与交哺调控，因此这部分车流定义为待进行的交通调控总流量，即交哺总量trophacity。
其中，步骤c3中所述的“对每个“蚂蚁”调控单元，读取其近邻调控单元各自积累的上游交通需求量qneighbour”，其具体做法为：假设中心调控单元为十字路口节点，则qneighbour分为4个，即北向近邻节点noden、南向近邻节点nodes、东向近邻节点nodee、西向近邻节点nodew，则所需读取的即为近邻调控单元积累的北向近邻节点上游交通需求量
其中，步骤c4中所述的“按交哺规则计算各下游路段重分配应得的上游交通需求量qnew并进行交哺分配”，其具体做法为：假设中心调控单元为十字路口节点，分别求出中心调控单元自身积累的总上游交通需求量qtotal与北向近邻节点上游交通需求量
以北向为例，按照qnnew＝(1-ratioobey)*qnold ratioobey*ration*qnold计算出北向输出路段上游的调控后交通需求量。
步骤103：运行所述交通路网拥堵传播仿真框架，然后根据所述基于蚁群交哺策略的交通拥堵智能调控模型，对所述调控区域的路网交通流拥堵状态进行调控。
在本实施例中，步骤103包括以下步骤：
步骤d1：设定仿真模型扰动参数。
其具体做法如下：采用随机方式选择路网复杂网络模型中的k个网络节点，对这k个网络节点的每条下游路段统一增加设定大小为load的上游交通需求量，即视为扰动参数设定完成。此处的所谓扰动可以视为交通路网某处突然出现的流量，在仿真运行时，交通路网拥堵传播仿真框架会自动根据扰动参数向路网复杂网络模型注入扰动。
步骤d2：根据所述仿真模型扰动参数，更新所述交通路网拥堵传播仿真框架。
步骤d3：开始运行更新后的交通路网拥堵传播仿真框架。
步骤d2：开始第n次迭代。
步骤d3：遍历每个路段，计算当前路段对应的路段下游交通流量qoutput，并通过随机方式分配，转化为下游路段对应的路段上游交通需求量qinput。所述下游路段为所述当前路段关联的下游的路段。
步骤d4：根据基于蚁群交哺策略的交通拥堵智能调控模型，对调控区域的路段上游交通需求量qinput进行重新分配。
步骤d5：当重新分配结束后，遍历每个路段，根据当前路段对应的路段上游交通需求量qinput和所述当前路段对应的当前剩余容量cleft更新路网交通流拥堵状态。
步骤d6：结束第n次迭代。
步骤d7：运行结束。
其中，当前路段为所有路段中的某一个路段，每个路段均按照当前路段进行处理。
通过以上步骤，本发明提出了一种基于蚁群交哺策略的交通网络拥堵调控方法，使极为复杂的宏观路网整体调控问题分解为成千上万的、微小的节点控制单元的简单局部调控问题，从顶层策略设计层面对城市交通路网拥堵问题进行有效缓解，便捷有效，易于计算，实际应用价值和前景良好。
实施例二
为实现上述目的，本实施例还提供了一种基于蚁群交哺策略的交通网络拥堵调控系统，请参见图2，包括：
路网复杂网络模型构建模块200，用于根据研究城市的交通路网结构拓扑参数，构建所述研究城市对应的路网复杂网络模型；所述路网复杂网络模型包括网络节点和网络连边。
交通路网拥堵传播仿真框架搭建模块201，用于确定所述研究城市对应的路段相关信息，并基于所述路段相关信息、ltm交通流传播模型和所述路网复杂网络模型，搭建所述研究城市对应的交通路网拥堵传播仿真框架；所述路段相关信息包括路段相关参数和路网特性信息；所述路段相关参数包括双向车流传输路段、路段内实时荷载车流、路段上游交通需求量和路段下游交通流量；所述路网特性信息包括研究时间段信息；所述交通路网拥堵传播仿真框架为根据路段上游交通需求量和路段剩余容量的对应关系搭建能够对路段内实时荷载车流进行更新的仿真框架。
交通拥堵智能调控模型构建模块202，用于确定所述研究城市的调控区域，并根据所述调控区域和所述交通路网拥堵传播仿真框架，构建所述调控区域对应的基于蚁群交哺策略的交通拥堵智能调控模型；所述交通拥堵智能调控模型包括蚂蚁调控单元以及所述蚂蚁调控单元周围的近邻调控单元；所述蚂蚁调控单元是基于所述交通路网拥堵传播仿真框架的网络节点确定的。
调控模块203，用于运行所述交通路网拥堵传播仿真框架，然后根据所述基于蚁群交哺策略的交通拥堵智能调控模型，对所述调控区域的路网交通流拥堵状态进行调控。
所述路网复杂网络模型构建模块200，具体包括：
节点信息确定单元，用于分析抽取所述研究城市的交通路网的节点以及所述节点对应的拓扑结构参数。
交联关系确定单元，用于分析抽取所述研究城市的交通路网的各节点间的交联关系以及所述交联关系对应的拓扑结构参数。
点集构建单元，用于将所述节点确定为网络节点，并根据所述网络节点构建点集。
边集构建单元，用于将所述交联关系确定为网络连边，并根据所述网络连边构建边集。
路网复杂网络模型构建单元，用于基于所述点集、所述边集、所述节点对应的拓扑结构参数以及所述交联关系对应的拓扑结构参数，构建所述研究城市对应的路网复杂网络模型。
所述交通路网拥堵传播仿真框架搭建模块201，具体包括：
路段相关信息确定单元，用于确定所述研究城市对应的路段相关信息；所述路段相关信息包括路段相关参数和路网特性信息。
添加单元，用于在所述路网复杂网络模型上添加所述路段相关参数，并赋予所述路段相关参数的初始值。
三角形基本图参数确定单元，用于根据所述路网特性信息确定三角形基本图参数；所述三角形基本图参数包括路段下游最大输出流量、临界密度和拥堵密度。
交通路网拥堵传播仿真框架搭建单元，用于基于添加路段相关参数后的路网复杂网络模型、所述三角形fd参数和时域驱动引擎，按照ltm交通流传播模型限定的规则对路网交通流状态进行实时更新，并当更新结束时建立所述研究城市对应的交通路网拥堵传播仿真框架。
所述调控模块203，具体包括：
运行单元，用于运行更新后的交通路网拥堵传播仿真框架；所述更新后的交通路网拥堵传播仿真框架是根据仿真模型扰动参数，对所述交通路网拥堵传播仿真框架进行更新得到的；所述仿真模型扰动参数为在k个网络节点对应的每条下游路段统一增加的路段上游交通需求量。
第一遍历单元，用于遍历每个路段，确定每个路段对应的路段上游交通需求量；具体为：计算当前路段对应的路段下游交通流量，并通过随机方式分配，转化为下游路段对应的路段上游交通需求量；所述下游路段为所述当前路段关联的下游的路段。
重新分配单元，用于根据所述基于蚁群交哺策略的交通拥堵智能调控模型，对所述调控区域的路段上游交通需求量进行重新分配。
第二遍历单元，用于当重新分配结束后，遍历每个路段，更新路网交通流拥堵状态；具体为：根据当前路段对应的路段上游交通需求量和当前路段对应的当前剩余容量更新路网交通流拥堵状态。
其中，所述重新分配单元，具体包括：
第一读取子单元，用于对每个蚂蚁调控单元，读取所述蚂蚁调控单元自身积累的总上游交通需求量；计算子单元，用于根据管控服从系数和所述蚂蚁调控单元自身积累的总上游交通需求量，计算每个蚂蚁调控单元的交哺总量；第二读取子单元，用于对每个蚂蚁调控单元，读取所述蚂蚁调控单元对应的近邻调控单元各自积累的上游交通需求量；重新分配子单元，用于基于每个所述蚂蚁调控单元的交哺总量和每个所述近邻调控单元的上游交通需求量，按交哺规则，计算各下游路段重分配后得到的上游交通需求量。
实施例三
本实施例以某拓扑结构为正方形网格组成的lattice虚拟城市复杂路网为例，阐述本发明提供的技术方案方法。具体地说，该城市复杂路网包含10000个节点，除边缘节点外，每个节点均与4条路段相连，由于该路网结构的复杂性和涌现性以及路网中交通需求的不确定性，需要对已出现的拥堵进行疏散，并尽力防范可能出现的新拥堵节点，以减少拥堵、提升城市路网运行效率、维持城市交通体系稳定、健康运行。
本实施例提供的一种基于蚁群交哺策略的交通网络拥堵调控方法，包括：
步骤a：根据城市交通路网拓扑参数构建路网复杂网络模型。
该步骤构建了整个仿真框架的底层拓扑，网络拓扑极大地影响了该城市路网交通流的底层传播特性，精准地构建好路网的复杂网络模型，是有效模拟路网拥堵传播规律和调控效果的前提。路网的复杂网络模型是整个拥堵调控方法得以实现的最底层模块，此步骤通过解析城市路网各节点、路段的空间分布，构建路网复杂网络模型的点集v和边集e，进而构建虚拟时空域下的路网复杂网络模型。
步骤b：基于ltm交通流传播模型搭建城市交通路网拥堵传播仿真框架。
该步骤首先在路网复杂网络模型上建立路段相关参数。之后，根据ltm路段传输模型这一交通流传播的经典模型搭建具有如下功能的仿真框架：按照三角形fd图计算各路段下游输出流量qoutput，并通过随机方式分配，转化为其下游路段的上游交通需求量qinput，再遍历每个路段，根据其上游累积的qinput和其当前剩余容量cleft更新路段状态参数。
步骤c：构建基于蚁群交哺策略的交通拥堵智能调控模型。
该步骤遍历待调控区域的“蚂蚁”调控单元，对每个“蚂蚁”调控单元，读取其自身积累的总上游交通需求量
步骤d：设定仿真模型扰动参数；
该步骤使用随机方式选择路网复杂网络模型中的k个节点，对这k个节点的每条下游路段统一设定待增加的大小为load＝150的上游交通需求量，即视为扰动参数设定完成。此处的所谓扰动可以视为路网某处突然出现的流量，在仿真运行时，仿真框架会自动根据扰动参数向路网模型注入扰动。
步骤e：根据扰动参数以及嵌入蚁群交哺策略的城市路网拥堵传播运行仿真，运用蚁群交哺策略对路网交通流拥堵进行调控。
该步骤运行仿真框架进行迭代，遍历每个路段，计算其下游输出流量qoutput，并通过随机方式分配，转化为其下游路段的上游交通需求量qinput；基于蚁群交哺策略对待调控区域的上游交通需求量qinput进行合理重分配；遍历每个路段，根据其上游累积的qinput和其当前剩余容量cleft更新路段状态参数。
步骤a具体为：根据待分析的特定城市路网结构拓扑参数，包括相应节点、连边及其交联关系、位置坐标、容量、权重等，建立真实物理空间下路网到虚拟时空域下路网复杂网络模型的准确映射，以作为ltm交通流传播构建的合理基础；步骤a包括以下步骤：
步骤a1：分析抽取城市路网的交叉路口、缓冲区等节点分布情况，构建路网复杂网络模型的点集v。其具体做法为：对待分析的城市交通路网各交叉路口、缓冲区等节点及其拓扑参数进行遍历统计，并同时进行网络节点基本统计特征分析。在此基础上，将各节点及其参数存入列表构建点集v。
步骤a2：分析抽取各节点间的交联关系，构建路网复杂网络模型的边集e；其具体做法为：对待分析的城市交通路网各道路进行连通路径遍历统计，并同时进行网络连边基本统计特征分析，在此分析以及步骤a1基础上将各连边存入列表构建边集e。
步骤a3：构建路网复杂网络模型g；其具体做法为：通过点集v、边集e以及步骤a1和步骤a2中分析所得网络特征参数以及拓扑结构参数，精准构建路网复杂网络模型g。
步骤b具体为：在步骤a构建的城市交通路网复杂网络模型上，建立周转路口节点、双向车流传输路段、路段内实时荷载车流等参数，并能够按照ltm路段传输模型规则，输出路段下游交通流量，产生路段上游交通需求，并根据上游交通需求和路段剩余容量的关系对路段实时荷载车流进行更新的仿真框架；步骤b包括以下步骤：
步骤b1：在路网复杂网络模型上建立路段相关参数；其具体做法为：在路网复杂网络模型的连边上添加双向车流传输路段、路段内实时荷载车流、路段上游交通需求、路段下游交通流量等参数，并根据城市交通网络的实际常用参数值给予其合理的初值。
步骤b2：根据待分析路网特性给定三角形fd(fundamentaldiagram，基本图)；其具体做法为：一般三角形fd参数由路段下游最大输出流量qmax、临界密度kcrit、拥堵密度kjam确定的，因此给定的三角形fd即可以等效为提供路段下游最大输出流量qmax、临界密度kcrit、拥堵密度kjam三个确定的参数，需要注意的是三角形fd参数需要与待分析的路网特性信息相匹配，否则很难分析出正确结果。
以某拓扑结构为正方形网格组成的lattice虚拟城市复杂路网为例，取下游最大输出流量qmax＝1600辆/h、临界密度kcrit＝40辆/km、拥堵密度kjam＝100辆/km。
步骤b3：建立时域驱动引擎，使路网参数按ltm路段传输模型规则进行实时更新；其具体做法为：在步骤b1建立的路段相关参数和步骤b2给定的三角形fd参数基础上，通过按时间逐个步长迭代的方式，以ltm模型限定的规则更新路网交通流状态，直至完成整个时域的路网状态迭代，包括以下步骤：
步骤b31：开始第n次迭代。
步骤b32：遍历每个路段，计算其下游输出流量qoutput，并通过随机方式分配，转化为其下游路段的上游交通需求量qinput。
步骤b33：遍历每个路段，根据其上游累积的qinput和其当前剩余容量cleft更新路段状态参数。
步骤b34：结束第n次迭代，准备进行第n 1次迭代，直至迭代全部完成。
其中，步骤b32具体做法为：以某拓扑结构为正方形网格组成的lattice虚拟城市复杂路网的某路段为例，在遍历某路段时，首先根据当前路段已有交通流量假设cald＝90辆和路段长度l＝3km通过公式
步骤b33具体为：以某拓扑结构为正方形网格组成的lattice虚拟城市复杂路网的某路段为例，若qinput＜0，保持qinput和cleft原状不变(事实上qinput＜0一般只会出现在蚁群交哺策略调控后的情况)。若qinput和cleft分别为30和50，则0＜qinput≤cleft，将qinput置为0，更新后的cleft满足cleftnew＝cleft-qinput＝20。若qinput和cleft分别为60和30，则qinput＞cleft，将cleft置为0，更新后的qinput满足qinputnew＝qinput-cleft＝30。
步骤c具体为：将城市交通路网拥堵传播仿真框架的每个节点视为“蚂蚁”调控单元，每个“蚂蚁”调控单元在每个时间步长下，对周围的近邻调控单元拥堵情况进行感知，然后通过与自身拥堵情况对比，对步骤b32产生的下游路段的上游交通需求量qinput进行合理重分配，进而抑制车流进一步涌向拥堵程度较严重的点，将其向拥堵程度较轻的区域引导，缓解城市路网的交通拥堵，包括以下步骤：
步骤c1：遍历待调控区域的“蚂蚁”调控单元。
步骤c2：对每个“蚂蚁”调控单元，读取其自身积累的总上游交通需求量
步骤c3：对每个“蚂蚁”调控单元，读取其近邻调控单元各自积累的上游交通需求量qneighbour。
步骤c4：按交哺规则，计算各下游路段重分配应得的上游交通需求量qnew并交哺分配。
假设中心调控单元为十字路口节点，对于调控节点连接的nroad＝4条下游路段，对其上游交通需求量qnold、qsold、qeold、qwold，假设分别为10、30、15、40进行依次累加，辆得到该调控单元对应积累的总上游交通需求量qtotal＝95辆。
假设ratioobey＝0.6、qtotal＝100辆，则可得：
trophacity＝qtotal*ratioobey＝100*0.6＝60辆。
假设中心调控单元为十字路口节点，则qneighbour分为4个，即北向近邻节点noden、南向近邻节点nodes、东向近邻节点nodee、西向近邻节点nodew，则所需读取的即为近邻调控单元积累的北向近邻节点上游交通需求量
假设中心调控单元为十字路口节点，分别求出中心调控单元自身积累的总上游交通需求量qtotal＝200辆与北向近邻节点上游交通需求量
δq0＝δqn δqs δqe δqw＝200辆，再计算差值δqn、δqs、δqe、δqe在差值之和δq0中的各自占比ration＝0.75、ratios＝0.5、ratioe＝-0.5、ratiow＝0.25δqs＝100
以北向为例，按照qnnew＝(1-ratioobey)*qnold ratioobey*ration*qnold＝42.5计算出北向输出路段上游的调控后交通需求量。
步骤d具体为：使用随机方式选择路网复杂网络模型中的k＝720个节点，对这k个节点的每条下游路段统一设定待增加的大小为load＝150的上游交通需求量，即视为扰动参数设定完成。此处的所谓扰动可以视为路网某处突然出现的流量，在仿真运行时，仿真框架会自动根据扰动参数向路网模型注入扰动；
步骤e具体为：根据步骤a、b、c、d中搭建的城市交通路网拥堵传播仿真框架、基于蚁群交哺策略的交通拥堵调控模型以及扰动参数依次运行仿真子模块，包括以下步骤：
步骤e1：仿真框架运行开始。
步骤e2：开始第n次迭代。
请参见图4，步骤e3：遍历每个路段，计算其下游输出流量qoutput，并通过随机方式分配，转化为其下游路段的上游交通需求量qinput。
请参见图,5，步骤e4：基于蚁群交哺策略对待调控区域的上游交通需求量qinput进行重新分配。
请参见图6，步骤e5：遍历每个路段，根据其上游累积的qinput和其当前剩余容量cleft更新路段状态参数。
步骤e6：结束第n次迭代。
步骤e7：仿真框架运行结束。
本发明具有如下的创新点：
计算简明：本发明采用的基于ltm交通流传播模型的城市交通路网拥堵传播仿真框架每一步骤均具有明确的量化计算公式，模型科学、简单、易计算，数值易于获取和监测，易于使用各类遍历搜索策略实现路网参数统计分析，对硬软件系统要求门槛较低，易于进行工程实践；
策略先进：本发明所提出的蚁群交哺拥堵调控策略系本发明首创，基于自然界蚁群部落捕猎-交哺行为启发，使极为复杂的宏观路网整体调控问题分解为成千上万的微小的节点控制单元的简单局部调控问题，尝试从顶层策略设计层面对城市交通路网拥堵问题进行有效缓解；
通用性强：本发明所构建的基于蚁群交哺策略的交通网络拥堵调控方法适用于绝大多数交通网络的拥堵调控，在进行不同拓扑结构路网的拥堵调控时，仅需更改初始的路网复杂网络模型而无需其他更改，迁移性强，可移植性较好，通用性强；
精确性好：采用基于蚁群交哺策略的交通网络拥堵调控方法来进行城市复杂路网拥堵微观调控的仿真，可以更好地模拟复杂交通路网的涌现性、非线性、自组织自适应性，可真实精确地反映复杂交通网络在调控下的演化过程；
综上，这种基于蚁群交哺策略的交通网络拥堵调控方法为工程应用中的交通网络微观拥堵调控提供一种很好的解决方案，本发明所述方法科学，原理易于理解，算力需求较小，具有广阔推广应用价值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
