基于模糊层次分析法的机场陆侧智慧交通系统感知水平评价

金雷， 王银银， 傅惠*， 刘琳

(1.中国民航大学机场综合交通研究所， 天津 300300; 2.广东工业大学土木与交通工程学院， 广州 510006; 3.广东工业大学机电工程学院， 广州 510006)

机场陆侧的功能是供乘客和货品转入或转出空侧。对陆侧的航站楼和地面交通设施进行智慧交通建设，有助于加快人流物流的转换、提升载运工具和交通设施的利用率。机场陆侧交通已成为制约机场功能有效发挥的重要因素[1]。机场陆侧智能交通系统的建设主要目标是构建智慧交通营运平台和旅客乘机信息公共系统，则需要以陆侧路网智能交通感知体系为基础。

当前，中外在机场陆侧智能交通系统的感知网络建设方面，仍是为了实现特定监控功能而布设感知设备，实现的业务和功能单一、没有系统性。受限于缺乏顶层设计理念和体系化的建设思路，对智慧交通系统感知水平的评价难点在于无法从系统服务需求的角度进行指标分解，距离支撑服务于航空旅客交通出行链的所需要的智慧化还有很大的差距。

感知水平是智能感知体系的重要基础[2]，感知水平评价对指导配套机电工程设备选型、设施选址、设计运营具有一定价值。郭崇岭等[3]从区块链与智能遥感硬件的结合、与空间信息获取、与空间信息数据的应用3个层面探讨空间信息智能感知的技术途径。钱超等[4]设计开发了一套公路隧道环境感知系统用于获取隧道环境信息，实验表明，该系统弥补隧道检测设备单一，数据质量差等问题。栾翔等[5]利用探针技术，为泰州市的一条高速公路建设国省干道交通信息感知系统，该系统具有实时监控，拥堵判别等多项功能。

在城市道路和自动驾驶方面，许多学者对智能感知展开研究。而在机场陆侧智慧交通系统的感知水平方面，较多研究更加关注机场交通设施的优化。邓其[6]对长沙黄花国际机场航站区陆侧道路集散系统进行优化，合理组织进出港交通。辛宇超等[7]从枢纽布局、旅客换乘、信息系统等方面完善机场陆侧换乘中心的评价指标体系。王玮琳[8]分析了某机场陆侧区域现状交通组织的主要矛盾，根据远景目标旅客的出行量，计算得到机场目标年高峰时段的交通需求，根据客运交通改善原则提出相应的改善方案。

机场陆侧智慧交通系统感知水平，对于机场陆侧智能交通系统的构建具有基础评判价值。由于各种交通方式在机场陆侧交通网络中的汇聚，其中绝大部分交通工具的信息不能被机场运行管理方获知。目前，机场陆侧交通智慧交通感知主要是根据需求完成局部的一些优化，如北京大兴国际机场的机场陆侧智慧交通系统，上海浦东机场的出租车智能调配系统。前人研究多集中在“互联网+服务”的数据信息挖掘和融合方面。梁潇[9]以虹桥机场为研究对象，分析了机场陆侧交通信息化的问题，认为机场缺乏顶层架构设计，应用系统设计分散，数据利用程度低等问题。过去，许多研究的重点都在于在传统机场现有基础上不断升级完善相关系统，极少关注机场陆侧交通系统感知水平建设及其评价体系的构建。

随着国家经济发展，航空运输业得到迅速发展，提高机场陆侧的交通系统运载能力尤为重要。为此，选取机场陆侧感知设备、感知数据特性以及信息应用水平3个指标为二级评价指标，构建了基于模糊层次分析法的机场陆侧智慧交通系统感知水平评价模型，可以用于评价机场陆侧交通系统的感知水平，帮助决策者判断改善方向。

1 感知水平评价指标体系

机场陆侧智慧交通系统感知水平的影响因素复杂，既受到硬件设备的影响，又受到软件性能的影响。在智慧交通系统感知水平评价体系构建过程中，应结合机场陆侧的交通需求现状数据分析，将定量与定性分析相结合。在评价指标选取过程中既要考虑感知设备自身的特征，也要兼顾数据的质量情况，还需要考虑感知层获取的数据信息的应用水平。

通过改善机场陆侧智慧交通系统感知水平，可以改变“数据重复采集、信息隔绝处理、资源重复建设”的“无序”模式，为构建基于大数据的综合分析决策体系奠定感知体系基础。

为了系统分析不同因素对智慧交通系统感知水平的影响，首先建立了以感知设备特性、感知数据特性、信息应用水平为主要评价指标的智慧交通系统感知水平指标评价体系，如图1所示。

图1 机场陆侧智慧交通系统感知水平指标评价体系Fig.1 Evaluation system of perception level in airport landside intelligent transportation system

1.1 感知设备特性

设备种类数量X11是采用的感知设备的品种，目前较为常见的有地感、视频卡口、雷达等设备;设备总数量X12即为感知设备的数量多少，感知设备过少会导致数据收集不全面，影响后期的关键信息提取;设备故障率X13指设备在过去的一段时间内出现故障的时间与正常工作时间的占比，故障率较高，说明当前的感知水平较差;设备覆盖面积X14为感知设备采集数据信息的范围，覆盖面积越大所能优化管理的区域也越大。

1.2 感知数据特性

数据传输时延X21指感知终端在采集数据后发送数据到数据管理中心所需的时间，数据传输时延越小，对实时信息发布的负面影响越小[10]；数据传输完整性X22即感知终端采集的数据在经过传输之后，数据管理中心得到的数据是否有遗漏;数据存储容量X23：感知数据被采集之后需要进行存储，存储容量越大则所获得的信息也会越多；数据传输正确性X24：由于感知设备进行数据采集可能会出现错误，正确的数据是搭建精准的感知网络的关键。

1.3 信息应用水平

违法车辆检测率X31指感知设备采集数据信息判断的违法车辆与真实通过的违法车辆的比例;交通事故识别率X32即发生交通事故时，感知网络能够判断当前的交通事故情况的次数与真实的交通事故次数的比例；气象监测正确率X33指通过当前感知网络正确检测出气象情况与真实情况一致的次数与总次数的比例；实时交通诱导信息有效性X34：通过感知网络获取的信息能否有效地进行实时诱导也是判断该感知网络的感知水平的重要指标。

2 机场陆侧智慧交通系统感知水平评价模型

机场陆侧智慧交通系统感知水平评价模型融合层次分析法(analytic hierarchy process，AHP)和模糊综合评价法(fuzzy comprehensive evaluation，FCE)，该评价模型[11]的优势在于实现总体上的量化，将定性与定量分析相结合，有利于对模糊性和多因素的问题的研究。

2.1 基于AHP的感知水平评价模型

层次分析法是将影响方案的相关因素分解成多个层次，并融合定量与定性分析做出决策[12]。

2.1.1 构建判断矩阵

依据1～9级标度法，分别对机场陆侧智慧交通系统感知水平评价体系指标的重要程度两两对比，确定其相对重要程度[13]。通过对相对重要程度进行量化，进而建立评判矩阵Aij，Aij为Ai相对于Aj的重要值。Ai和Aj分别为评判矩阵第i行和第j列的元素。重要性量化表值如表1所示。

表1 因素对比量化值Table 1 Factor comparison quantitative value

2.1.2 矩阵权重计算

对判断矩阵，先量化一级准则层各因素对总体目标的影响、二级准则层因素对一级准则层因素的影响，后量化二级准则层因素对总目标层的影响。根据所构建的机场陆侧智慧交通系统感知水平评价指标，求得评判矩阵Aij，设该层有n个因素，则A为n×n阶矩阵。

对矩阵A中的每一行元素进行相乘并开根，并且对其结果归一化得

(1)

(2)

则w=[w1,w2,…,wn]T即为所求矩阵的权重值。

2.1.3 判断矩阵一致性检验

建立判断矩阵后，计算其最大特征值λmax，并对矩阵进行一致性检验[14]，同时计算λmax，其计算公式为

CI=(λmax-n)/(n-1)

(3)

CR=CI/RI

(4)

式中：n为判断矩阵阶数；判断矩阵一致性指标CI的主要功能是寻找各个指标的差异，当CI大于0.1时，则表示一致性检验不通过，进而调整后权重即为单位化后的特征向量；CR为随机一致性比率，若计算过程中CR值大于0.1，则认为一致性不可接受，需修正相关矩阵；RI为每个指标之间的平均值，表2为RI值。

表2 RI数据Table 2 RI value

2.2 基于FCE的感知水平评价模型

由于机场陆侧智慧交通系统感知水平的影响因素复杂，难以用单一的指标进行总体评价。因此采用模糊综合评价法，对相应指标进行定性分析后，依据模糊数学理论转为数学形式表达的定量分析。

2.2.1 评级的确定

为分析每个影响因素，引入5个级别的评价集，即Vi={v1,v2,v3,v4,v5}=[一级、二级、三级、四级、五级]，并且对应[100，90]、[90，80]、[80，60]、[60，40]、[40，0]这5个区间的中值表示。运用基于指标的模糊性，通过专家独立打分，综合计算得到隶属度，形成单因素模糊综合评判矩阵。

2.2.2 模糊综合评价

多位专家根据每一个评价因素对感知水平可能产生的影响进行打分，若有n′人，那么对同一准则层某一因子进行评价，根据评价统计准则层每个因子下的指标层具体因素被评为某一等级的次数，计算评价概率，从而确定隶属度为

rij=k/n′

(5)

式(5)中：k为认定该元素的评价等级为vi的人数；n′为参与打分的专家总人数。

根据专家评价后的结果构建评价矩阵R为

(6)

同理得出感知设备特性、感知数据特性和信息应用水平3个因素层面的评价矩阵。

则有第i级模糊综合评价模型为

Hi=Wi

°Ri

(7)

式(7)中：

°为模糊合成算子;Wi为第i层矩阵的权重值;Ri为第i级指标的各因素评价矩阵。

2.2.3 综合评分计算

采用模糊加权平均法将评价的最终结果进行数量化，最终评价分值为

(8)

3 案例分析

广州白云国际机场是粤港澳大湾区的核心机场，位于广州市白云区。旅客吞吐量在2004年超过2 000万人次，此后保持快速增长，在2019年突破7 000万人次，2020年全年运输旅客4 376.8万人次，成为全球疫情后复苏最快，客流量最大的机场。

随着白云机场规模的扩大及私家车保有量的逐年上升，进出白云机场的车辆大幅度增加，机场陆侧高峰期的拥堵问题也随之而来，严重影响了机场陆侧交通服务水平。提高机场陆侧感知水平是建设机场陆侧智慧交通系统的前提，也是提高机场陆侧交通服务水平的基础。因此，以广州白云国际机场为例，构建机场陆侧智慧交通系统感知水平评价模型，用于评估机场陆侧交通系统的感知水平。

3.1 模糊判断矩阵构建及权重计算

采取专家调查法构建二、三级指标的判断矩阵M，并由此求得二级指标M1、M2、M3及其对应三级指标因素的权重值。

(9)

(10)

(11)

(12)

以二级指标为例进行计算，则M为3阶矩阵，求得M最大特征值λmax=3.135 6，相对权重由λmax的特征向量单位化后的权重向量求得[14]：W=[0.167 7， 0.483 6， 0.348 7]。

由于n=3，查表1可得RI=0.58，代入式(3)、式(4)中可得CI=0.075 33(CI<0.1)，通过一致性检验。求得Ai及各因素权重，结果如表3所示。

表3 影响机场陆侧智慧交通感知水平的各因素权重Table 3 Weights of factors for airport landside intelligent traffic perception level

3.2 构建评价指标评判矩阵

为验证构建模型的可行性，各指标相对于不同评价等级的隶属度由专家打分法获得。各二级指标的初始单因素评判矩阵Ni为

(13)

(14)

(15)

由表3可知：

(16)

(17)

(18)

根据式(7)可得

H1=[0.286 0 0.296 1 0.197 6 0.096 0 0.124 3]

(19)

H2=[0.091 4 0.173 0 0.230 8 0.202 5 0.302 2]

(20)

H3=[0.385 3 0.299 0 0.165 8 0.098 8 0.074 9]

(21)

由式(19)～式(21)得到一级指标的评判矩阵为

(22)

由于二级向量权重W=[0.167 7，0.483 6，0.348 7]，因此，H=[0.226 5，0.237 6，0.202 6，0.148 5，0.193 1]。由式(8)可得该实验最终评价分值为E=67.183 1。

4 敏感度分析

利用控制变量的原理，使某项指标隶属度发生变化时，其余指标隶属度不发生改变，可用以研究指标的变化对评价结果的影响。以X11为例，当因素X11设备水平提高时，隶属度由[0，0.1，…，0.4]变为[0.4，0.2，…，0]，二级评价矩阵只有N1发生变化，N2和N3保持不变。

(23)

(24)

(25)

则有一级指标评价矩阵为

(26)

(27)

由式(8)可得最终评价分值为E*=67.627 7。

4.1 指标隶属度随机变化对评价分值的影响

令Ls表示该指标隶属度上升，Lx表示该指标隶属度下降;Ljh表示交换Ls隶属度一级和二级两个因素后的评价分值，以X11为例，初始隶属度为N=[0，0.1，0.3，0.2，0.4]，将其隶属度进行下降处理得到Ns=[0.4，0.2，0.3，0.1，0]，将Ns的一级和二级元素进行交换得到Njh=[0.2，0.4，0.3，0.1，0]。 不改变其他因素的隶属度，改变指标隶属度可对评价分值造成影响，详情如表4所示。

表4 指标隶属度随机变化Table 4 Random variation of indicator membership

由图2可知，评价分值会随指标变化与隶属度元素的改变引起的变化。①根据Ls、Lx及Ljh可知，Ls与Ljh的变化程度十分相近，因为两者的隶属度变化值极小，Lx的分值曲线最低，说明低等级隶属度数值变大，评分价值会变小；②Lx中X22隶属度N22由[0.3，0.4，0.2，0.1，0]变为[0，0.2，0.2，0.3，0.3]隶属度变化值最小，评分值最高;X32隶属度由[0.5，0.4，0.1，0，0]变为[0，0.2，0.1，0.3，0.4]，隶属度变化值最大，评价分值最低；③Ls、Lx及Ljh具有相同的变化规律。

图2 指标隶属度随机变化Fig.2 Random variation of indicator membership

4.2 指标隶属度有序变化对评价分值的影响

为比较评价结果的变化，对于评价集的后3个元素均为0，保持不变，对于前两个因素的隶属度取值有11种情况，如表5所示。

由图3(a)可知，隶属度发生改变时，所有指标的变化趋势是相同的。均随着一级评价元素数值变小，评价分值变小；X11、X12、X13、X14的变化趋势相同，

表5 各元素隶属度取值Table 5 Membership value of each element

变化率并不相同，X11

由图4可知，不同的二级指标的三级指标隶属度有序变化时，其变化速率仍然符合与对应指标的权重大小成正比的关系。

由图3、图4可知，由各因素间的相对重要性比值构建的判断矩阵是影响评价分值的关键环节。由判断矩阵所得到的各指标权重大小影响各指标在评价价值计算中的“贡献力度”。指标变优时评价分值增大，评价指标变差时，评价分值减小，即评价分值变化趋势与指标变化趋势相同，由此证明构建的模型正确，具有可用性，能够对机场陆侧智慧交通系统感知水平进行准确评价。

5 结论

为研究机场陆侧智慧交通感知体系设施设备的配置需求，提出用模糊层次分析法评价感知水平，从机场陆侧感知设备、感知数据特性、信息应用水平三方面提出了16个三级指标进行计算分析，得出如下结论。

图3 X1～X3的三级指标隶属度有序变化Fig.3 The third level indicator membership degree of X1～X3 changes in an orderly manner

图4 不同二级指标的三级指标隶属度有序变化Fig.4 The third level indicator membership change evaluation scores for different secondary indicator

(1)通过各指标的敏感性分析，发现评价分值变化趋势与指标变化趋势相同，可以用于对机场陆侧智慧交通系统感知水平进行准确评价，同时，各个维度和综合评价结果客观体现了感知水平的差异，因此评价结果具有可比性。

(2)所提出的基于模糊层次分析法的机场陆侧智慧交通系统感知水平评价模型，不仅关注了机场陆侧的智慧交通建设需求，且对其他道路领域智慧交通系统感知水平评价具有一般性定量工具价值。从机场陆侧智能交通管理和服务的需求出发，构建感知网络、布设边缘计算设备的感知水平评价体系，可解决在原来的监测体系上修修补补的设计瓶颈，将为构建基于大数据的综合分析决策体系奠定感知体系基础。