基于云模型的组团城市VMS选址方法研究

李 青，卢彦丞

（重庆规划展览馆 规划研究中心，重庆400011）

1 云模型概述

云模型是由李毅德院士提出的用自然语言值表示某个定性概念与其定量表示间的不确定性转换模型，用以反映自然语言中概念的不确定性，尤其是模糊性和随机性。云的数字特征通常用期望值Ex，熵En，超熵He三个数值来表示。这3个数字特征把模糊性和随机性结合在一起，将云的形状形象展示出来，完成了定性与定量间的相互映射（见图1）。

通过逆向云算法，可将定量值变换为定性概念，将一组定量数据转换为一数字特征（Ex，En，He）来表示（见图2）。通过正向云算法，可把定性概念的整体特征变换为定量数值，实现概念空间到数值空间的转换（见图3）。

图1 云数字特征

图2 逆向云发生器原理

图3 正向云发生器原理

在逆向云发生器中，3大数字特征的具体计算方法为

在正向云发生器中，正态云的生成算法如下:

1）生成以Ex为期望值，En为标准差的正态随机数Xi；

2）生成以En为期望值，He为标准差的正态随机数Em′；

3）计 算yi＝e－（－（xi－Ex）2／2（Em′）2），令 （xi，yi）为云滴；

4）重复以上步骤，直到生成n滴云滴。

2 组团城市VMS选址方法研究

本文从信息效用角度出发，完善现有指标体系，并将云模型利用在VMS选址指标权重确定方面，研究了适合于组团城市的组团间和组团内VMS选址模型。

2.1 VMS选址原则

通过文献分析，根据交通状况和道路环境，在道路系统中VMS的选点应该符合以下几项原则:

2.1.1 常发性交通堵塞黑点上游

通过VMS提供的诱导信息，以实现路段中常发性堵塞点的交通分流，通过交通调查可以找出路段中的常发性交通堵塞黑点，同时对路段结构进行分析，将其上游具有分流条件的点位作为VMS设置的需求布设点位。

2.1.2 重大分流点上游

路段的重大分流点主要指交通流流量较大的交叉口，其交通流量大，是各个方向交通流交汇、转向和分流的关键网络节点。确定此种类型的交叉口需要对道路网络和道路路段结构进行调查和分析，确定道路网络路段中的重大分流点，作为VMS设置的需求布设点位。

2.1.3 严重瓶颈路段上游

正常行驶的车辆在道路上遇到事故多发点、临时施工点或合流点，由于行车环境的改变，车辆运行行为将会产生变化以致引起交通流的紊乱，引发交通拥堵现象。因此在事故多发点、临时施工点或合流点上游设置VMS，拥堵时为驾驶员提供前方道路的交通信息，以引导驾驶员调整行车路线，选择合适的替代路径。

2.1.4 下游具备交通分流能力

在VMS显示屏下游须有分流能力，根据VMS显示内容，驾驶员可以有针对性地选择行驶路径。

2.1.5 适应外界环境、市政工程条件

在VMS显示屏前面不得有物体遮挡，以免影响驾驶员识读。另外，安装点须具备基本的市政工程条件，如供电、通信、足够大的安装场地等。

2.2 基于云模型的VMS选址模型

路网交通运行状况具有动态性和实时性，当前所布置的VMS皆属于组团内可变信息板，信息不具备连贯性。而设置组团间VMS一方面可保证出行者对路网信息了解的连贯性，避免信息中断；另一方面可方便跨组团出行或中长距离出行的驾驶员提前改变出行计划。

根据实地调查，组团城市95%的私家车出行者认为有必要在组团内部分别设置组团间和组团内VMS。组团间VMS:用来较大范围显示路网交通运行状况，显示内容丰富，告知行驶到信息板前方的驾驶员有关前方中远程距离（0.5km以下距离称为短程，0.5km～1.5km离称为之间距离称为中程，1.5km以上称为远程，“中短程”和“中远距离”则是相应类型的合成）相关路段及交通节点（立交、大桥、隧道等）的交通状况，提示驾驶员尽早选择或变更出行计划。服务对象涉及当前道路的所有行驶车辆，即包括组团内部出行和跨组团出行的车辆。组团内VMS:用来显示附近中短程距离路网的道路交通运行状况，主要服务对象是组团内部出行的私家车，告知驾驶员前方相关路段和交通节点的交通状况，以尽早选择或变更出行路径。

2.2.1 组团间VMS选址模型

2.2.1.1 选取组团间VMS选址影响指标

文中所建的组团间VMS选址模型，以信息效用最大为目标，根据布点和指标选取原则，通过参考文献分析，基于组团间VMS的服务对象对各类指标关注程度，选取了道路等级、可替代路径优劣、衰减系数。

道路等级（X1）:选取道路功能、车道数、道路行车速度来综合量化道路等级这一定性指标，如表1所示。

表1 道路等级量化表

可替代路径优劣（X2）:选取不同组团间各路径平均延误时间，其路径交通量（qα）可表示为

式中:δαj为从当前点α到周围其他组团j各条行驶路径的延误行程时间两两差之和；θαj为从当前点α的有效影响区域内到周边组团j有无可行驶路径；mαj为从当前位置α到周围其他组团j的主要路径条数；ti为从当前位置到某一组团采用第i条路径的延误行程时间；qα为当前位置α的车流量。

衰减系数（X3）:采用距前方各组团间主要连接通道平均行程距离的倒数，表示为

式中:n为周边组团的个数，mαj为从当前组团到周围其他组团j的主要路径条数，lji为从当前点到组团j采用第i条路径的行程距离。

2.2.1.2 确定指标权重

本文指标权重在主观赋权法的基础上，采用云模型来确定。

1）确定判断矩阵表。判断基准如表2所示，首先令5位专家依据该表填写如下判断矩阵表，具体调查结果如表3、表4、表5所示。

表2 判断基准表

表3 判断矩阵表1

表4 判断矩阵表2

表5 判断矩阵表5

收集判断矩阵表，采用改进的逆向云发生器确定被所有专家认同的判断矩阵表，以道路等级与可替代路径优劣为例，具体步骤如下:

1）统计5位专家对可替代路径优劣相对于道路等级而言的重要程度评定值，分值为X＝｛3，9，5，7，4｝，将X作为样本，运用逆向云发生器得到道路等级相对于可替代路径优劣的逆向云数字特征为C1（5.6，2.406 4，1.842 2）。

2）采用正向云发生器，判断第一轮专家打分中专家对道路等级重要程度与可替代路径优劣相比的分歧程度，如图4（a）所示，信息存在较大分歧，比较分散，每个数值隶属于相应语言值的隶属度随机性变化较大，熵和超熵都较大，需再一次打分。

3）将第一次专家打分的信息整理后反馈给专家并进行必要的沟通，进行下一轮专家打分，第二次打分获得的云的数字特征为 C2（6.4，1.102 9，0.443 9），云图开始凝聚，如图4（b）所示。第三次打分后得到可替代路径优劣与道路等级相比重要程度的云数字特征为 C3（6.4，0.601 6，0.549 2i），专家的认识基本统一，云图凝聚效果明显提高，如图4（c）所示，由此确定道路相对于可替代路径优劣的重要程度为3。

图4 道路等级与可替代路径优劣相比的分歧程度云图

依此进行其他指标两两之间比较，最终确定的判断矩阵如表6所示。

表6 判断矩阵表

根据判断矩阵，采用求和法，得出3个指标的相对重要程度，其中道路等级、可替代路径优劣、衰减系数的权重分别为0.078 6，0.620 6，0.300 9。按一致性比例法计算得到的C.R＝0.016 2，远小于0.1，所以U～X层次单排序具有满意一致性。

2.2.1.3 确定组团间 VMS选址模型

依据前文确定的指标和相应的指标权重，本文建立了基于诱导效用最大化的组团间VMS选址模型为

将式（1）、式（2）带入式（3）得

满足

式中:m为安置组团间VMS备选点的总数，g为安置组团间VMS的路段个数，j0为当前交叉口进口道的总数。

2.2.2 组团内VMS选址模型

2.2.2.1 选取组团内VMS选址影响指标

本文所建立的组团内VMS选址模型，以信息效用最大为目标，通过参考文献分析，结合实际情况，根据布点和指标选取原则，选取道路重要程度、路段信息量、衰减系数作为主要的布点指标。

道路重要程度（Y1）:选取道路等级、道路区位来综合表现道路的重要程度。其中道路等级定性指标的量化如表1所示，道路区位采用距CBD的距离来量化。由于道路等级越高，距离CBD的距离越近，组团内部该道路越重要，因此道路重要程度可以采用下式来确定

式中:R1为道路的等级，R2为距该组团CBD的距离。

路段信息量（Y2）:由于不同路段的交通信息量是不同的，通过对资料的整理统计，可得到各条路段一段时间内发生事件的频率。本文采用影响区域一年内各条路段事件发生的频率来表示路段信息量

式中:n为当前点前方有效影响区域内路段的总数，Pj为j路段发生交通拥堵的概率。

衰减系数（Y3）:采用距离事故发生路段距离的倒数表示为

式中:t为有效影响区域内事故发生路段的个数，lai为从当前位置到附近事故发生地α的距离。

2.2.2.2 确定指标权重

类似组团间VMS选址指标权重确定方法，确定组团内VMS选址指标权重。其中道路重要程度、路段信息量、衰减系数的权重分别为0.071 9，0.589 0，0.339 1。

2.2.2.3 确定组团内 VMS选址模型

类似组团间VMS选址，建立基于诱导效用最大化的组团内VMS选址模型为

将式（5）、式（6）、式（7）代入式（8），得

满足

式中:m为安置短距离VMS备选点的总数，g为安置短距离VMS的路段个数，j0为当前交叉口进口道的总数。

3 南坪组团VMS选址

本文选取重庆南坪组团及其与渝中组团、观音桥－人和组团、大杨石组团、李家沱－鱼洞组团的主要连接通道，作为模拟路网。该路网共有38个交叉口，64条路段，快速路15条，主干道41条，次干道5条，支路10条，在一定程度上承担了一定的车流量，具备了组团城市路网特征，覆盖了跨组团和组团内部出行。

3.1 确定组团间VMS位置

在模拟路网输入各进口道相关流量，合理调整各交叉口路径选择比例，通过仿真，获取VMS选址模型所需参数，计算分析各组团间VMS备选点的布点效益值，从大到小排序，依次为南坪南路、四公里立交、南坪东路，选择在南坪南路处布设组团间VMS（见表7）。

表7 组团间各VMS布点效益值

3.2 确定组团内VMS位置

组团内VMS布点位置的确定同组团间VMS设置相同，通过仿真获取组团内VMS布点模型所需的指标数据，代入基于云模型的组团内VMS布点模型，获取各备选点的布点效益值，从大到小排序，依次为大石路（北）、南坪东路（西）、光电路、江南大道（南）、大石路（南），假设只在该区域内布设4块组团内VMS，因此选择在大石路（北）、南坪东路（西）、光电路、江南大道（南）4处布设组团内VMS，如表8所示。

表8 组团内各VMS布点效益值

3.3 VMS选址效果评价

私家车出行者对VMS的诱导服从率与许多因素有关，本文参考相关文献，按照调查的诱导服从率调整路网中的流量。借助VISSIM仿真平台，充分考虑各路段道路特征，对上述布点方案进行模拟，模拟时间为3 600s，以300s的采样时间间隔记录600～3 600s指标数据。为计算方便按路网中不同路段分别进行整理，求得其各路段的平均数据。区域内各主要路段的平均延误时间（Delay）、停车等待时间（Stopd）、平均排队长度（Avg）大为改善，具体如表9所示。

表9 方案前后路网关键路段基本参数对比表

4 结束语

本文从最大化信息效益值出发，采用云模型，

探索研究了组团城市组团间和组团内VMS的选址模型，并以重庆市南坪组团为例，展开了组团间和组团内VMS选址。最后借助VISSIM仿真平台对比布置VMS前后的交通运行参数，发现本文提出的组团间和组团内VMS选址模型具有一定的现实意义。

［1］ 李俊.路网中可变信息板布设方法分析［J］.民营科技，2011（11）:64－65.

［2］ 李灵芝，胡列格.区域公共停车设施选址优化方法分析［J］.交通科技与经济，2014，16（2）:20－23.

［3］ 孙凤霞.城市区域交通可变信息板布点方法研究［D］.长春:吉林大学，2008.

［4］ 李青.组团城市私家车出行信息服务系统研究［D］.重庆:重庆交通大学，2013.

［5］ 韩冰.基于云模型的指标权重获取方法［J］.软件导刊，2012，11（5）:15－17.

［6］ 张龙忠，李亚楠.基于云理论的铁路危险货物运输风险评价［J］.交通科技与经济，2015，17（1）:64－68.

［7］ 魏婧.可变信息标志的国家标准设计的关键问题研究［D］.北京:北京交通大学，2012.

［8］ 朱翀.城市交通情报板规划及布点研究［D］.西安:长安大学，2005.