人工智能在路线线形设计中的应用探讨

张 华，杨 芬

（湖北省城建设计院股份有限公司，湖北 武汉 430051）

0 引言

公路路线线形的设计需要权衡生态、经济和环境等各方面的得失，在选线的过程中，应以交通需求为基础，综合考虑地形、地质、水文、土地使用而做出的选择。因此，在这个过程中，受到多方技术规范的制约，需处理的资料较多，包括数据、图片、影像等资料，还涉及到定性评价的指标，而这些因素受评价人的主观性的影响，使得评价标准不一，难以建立准确的一致性的评价模型。另一方面，相关领域的专家未能整合，设计人员缺乏系统的支持，设计人员只能依据自己的经验完成设计，设计质量取决于设计人员的综合水平[1]。

目前，以交互技术为主要特征的计算机辅助设计方法在道路线形设计中被广泛应用，已经实现勘察设计一体化的基本目标，路线线形设计的质量和速度也大幅提高[2]。然而，设计对比方案缺乏、设计周期较长、评价指标不完善、耗费人力多、无法做到系统的和科学的论证。而这些需要引入人工智能，将相关数据、专家知识整合汇总，构建大数据知识库，然后通过人工智能技术，实现对知识数据的挖掘，建立模型，实现多方案的自动生成，并提供科学评价，进而实现科学决策，真正意义上实现自动化，智能化[3]。

本文首先介绍了人工智能近些年的发展现状，并对人工智能在路线设计中的具体应用加以解释。

1 人工智能在路线线形设计中的应用现状

1980年至今，人工智能得到普遍发展，并且掀起在交通领域应用的热潮，着重体现在智慧交通。但是应用在道路线形上的不多，目前的应用主要体现在优化设计方面，即利用智能算法对线形的平纵断面进行优化设计。

1.1 知识库与知识工程研究现状

1977年E.A.Feigenbaurn教授首次提出知识工程这一概念，具体包括知识系统理论、方法和技术，其核心是知识库的建立。知识库是数据库的一种，是人工智能的基础和平台。国内外对知识库的构建，均取得很大的进展[4]。以逻辑语言为基础开发的IBROW系统（欧洲）和NU—Prolog系统（墨尔本大学）；在系统建模方面，主要有KADS及在此基础上开发的 Common KADS、MIKE、PROTEGE、VITAL等，这之中Common KADS最具代表性。国内，浙江大学研发了ZKBE知识库系统，支持知识操作、查询、管理、存储、获取等；长安大学研发出电喷发动机的诊断知识库，帮助维修人员可以快速便捷地诊断故障并指导维修工作；华侨大学开发出施工方案的知识库，以方便施工知识的表达[5]。

苏格兰的Miine P.H.是最早把知识工程应用到路线线形设计中的，并据此开发出RODEOS系统。这个系统可以根据现场土地和存在物体对线形的限制，并结合设计的具体要求，设计平面曲线和缓和曲线，可以很好地解决曲线重合的问题[6]。2004年，Lawrence Mandow联合西班牙工程公司研发出Sindi系统，即辅助公路初步设计的智能系统，并在工程中得到应用，这一系统可以帮助设计人员快速给出方案并给出具体评价，可以做到快速决策，人机交互较好，而且可以自动生成评价并保存历史记录，但是其只是用小规模线路方案的选择和评估，而且对设计人员的专业知识和经验要求较高。

1.2 智能计算方法的应用

智能计算方法是通过模拟生物特性，进行数据处理分析、计算模型构建，并不需要建立精准的函数关系，利用启发式信息来指导方向，它具有自我学习，自我适应的能力，还可以联系群体与个体。这些方法主要包括：模拟大脑的模糊逻辑思维建立的模糊逻辑，模拟脑神经建立的人工神经网络算法，模拟人类进化建立的遗传算法，模拟免疫系统建立的免疫算法等；还有模拟社会性动物的自组织行为建立的群智能算法，比如蚁群算法，粒子群算法，鱼群算法等[7]。

遗传算法是进化计算的分支，在线形设计时使用较多。它可以模拟生物进化过程和机制，即从简入繁，从低到高的过程，通过优胜劣汰的方式来求解问题。遗传算法包括编码、设置适应度函数及遗传操作三个阶段，遗传操作又分为选择、交叉和变异三个过程。首次使用该方法对路线优化设计的是Jyh-Cherng Jong博士，综合考虑各种因素，并把GIS引入优化系统，而公路路线设计是一个多目标多因素问题，叶丽亚等提出多目标遗传算法的优化设计，通过建立多目标模型和线形模型，反复迭代后给出最优解。此外，蚁群算法、粒子群算法（PSO）也被应用到线形设计中。

2 人工智能在线形设计中的应用思路

2.1 充分利用大数据

传统的资料多以纸质档案为主，部分档案借助数据库进行管理，缺点就是利用率低，不能充分挖掘，筛选困难。而现在是以云计算和大数据分析为基础的信息化时代，如何实现对海量数据的搜索挖掘，如何集中有用数据做出分析，是未来设计的关键。

2.1.1 Hadoop MapReduce技术

HadoopMapReduce是当前主流的大数据并行计算技术，而MapReduce（分布式计算系统）是这一技术的核心，可以处理TB级别的超大型数据集并生成模型，Hadoop的组件结构如图1所示。

图1 Hadoop组建结构示意图

2.1.2 GIS空间数据管理技术

路线设计需要考虑大量的因素，这涉及到大量的数据，不仅包括交通需求，地形地质、政策等，同时还涉及到铁路、水运等，此外线形设计时还需要考虑生态环境、社会、经济人文历史等信息。而GIS系统具有强大的图形图像，以及属性数据的处理能力，能够对相关信息进行采集处理并绘制成图。另一方面，它为勘察设计信息管理提供技术支持和数据融合、智能化设计的平台。将GIS应用到智能设计中，首先就要建立基于GIS的知识库，具体包括：建立GIS属性数据库，采集挖掘信息，将信息汇总分类，并用计算机语言表示。

2.2 充分利用智能算法

在公路路线设计优化过程中，需要从数据库中提出数据，并对其进行分析。数据挖掘方式又分为点、线、面三种挖掘方式，数据的挖掘是目标函数构建的基础。所谓点数据挖掘，就是挖掘一点的高程；线数据挖掘，是指通过GIS系统挖掘拟建公路与原有公路、铁路及河流等线形工程的交叉信息，确定交叉类型；面数据挖掘是获取公路所过之地的面域信息，比如拆迁面积与类型、地质特征与相应的面积等。本文以地质风险评价为例，展示面数据挖掘，如图2所示。

另一方面，公路线形设计需要考虑多个目标，比如安全、经济、地灾风险、舒适和环保，需要构建多目标函数。总体的目标是：工程安全、经济可行、环境破坏少且可恢复、舒适美观。这类问题，有两大特征，一是相互间具有矛盾性，即过度考虑安全，就会增加成本、达不到经济最大化，考虑经济，就会对环境造成巨大的破坏；第二个是没有统一标准，所考虑的目标并不能用同一个标准去衡量，有些可以定量而有些只能定性，所以解决的思路就是使总的目标函数f（x）取最优解即可，如公式（1）所示，其中fi（x）为第i个目标函数。

如何利用挖掘的数据，构建目标函数，如何求总目标函数的最优解，这些则需要智能算法来实现。

而迭代计算的过程也是对路线进行优化的过程，使各目标之间的矛盾不断被协调，实现建设与环境相适应，短期需要与长远目标相适应，造价与工程质量相适应，新建工程与原有工程相适应。另一方面，利用智能算法求解的过程，也是智能决策的过程，每一次迭代，都会给出各目标的“度”，决策者可依据需求，选择具体的方案。

所以，总的思路是利用GIS建立知识库，并结合智能算法，将数据整合，多维挖掘处理数据，统筹选线知识、地理、地质、水文，以及其他相关信息，构建多目标函数，计算目标函数值，反复计算，求得最优解。

图2 地质风险评估流程图

3 人工智能的挑战

人工智能设计，是建立在大数据基础之上的，所以数据的管理清洗、处理、安全，以及接口的标准化，是目前的主要问题。

具体来说，要保证采集到的数据的真实性和科学性，去伪存真，同时还应多方位验证数据的真实全面性，还要注重筛分，减少占用的存储空间，实现低成本高可靠度的目标；对于数据的处理，要做到从异源、异构、多方位的动态或者模糊的数据中，提取到可使用可度量的信息；数据的安全与隐私是各个行业所面临的最大问题，而公路数据具有时空的动态性，加大了数据保护的难度，这需要从技术层面进行突破；现在勘察设计的方式较多，采用的仪器、处理软件也较多，融合转换难度较高，因此需要建立统一的标准，可以使数据被充分应用[8]。

4 结语

本文对国内外知识库与知识工程，智能算法等研究进行分析，从而发现：人工智能在路线设计中虽有一定的发展，但还有许多不足。大数据、云计算等技术的迅猛发展为公路工程设计提供了前所未有的机遇，但公路所面对的复杂环境，对人工智能的应用提出更高的要求，新时期，设计人员应利用人工智能技术，实现道路线形设计的自动化、智能化，妥善处理工程建设与自然环境、人文环境和经济的关系，确保线形设计的最优化。