一种考虑网络资源的多维度智能交通导引方法

本发明属于智能车联网领域，具体涉及一种考虑网络资源的多维度智能交通导引方法。

背景技术：

1、有效的交通导引对于缓解交通拥堵起到关键性作用。智能交通系统(its)场景中存在v2v、v2i等通信连接，且以极高速度产生大量数据。智能网联车通过与周围车辆及路边基础设施实时交互，获取通信和计算等网络资源，实现多种应用。除了满足基本底层业务，智能网联车需要满足更丰富的智能出行服务，例如自动驾驶、交通规划及各种娱乐业务。在自动驾驶场景中，为保障更高的出行效率和道路安全性，车辆对时延异常敏感，且要求强大算力对海量数据快速响应。但当路网内车流量分布不均时，易出现局部资源紧张而其余路段资源利用不足现象。资源受限会导致时延、安全距离增大，加剧拥堵。所以为保障出行安全性和交通效率，在对交通导引时不仅要考虑车流量，也需顾及路段网络资源的使用情况，防止交通拥塞，提高路网吞吐量。此外，当前交通网各级道路限速设置为静态，无法对实时的路网状况做出反应，缺乏灵活性。传统交通导引大多仅考虑控制交通灯提高路口车辆通行率，但单一维度的交通导引方法对路网承载力改善有限，忽视了优化行驶速度对增大路口吞吐量带来的效益。因此设计同时考虑交通路况和网络资源的多维度交通导引方法对优化车辆出行效率和路网运输效率至关重要。

2、实际路网中以多路口情况居多，故相较于单路口交通导引，多路口协作导引更具实际意义。强化学习基本原理是智能体与复杂环境进行交互，选择更优动作，从而获得最大收益。基于协作的多智能体强化学习方法，智能体考虑自身和其他智能体状态信息，通过相互合作实现全局优化，最大化整个路网的吞吐量，解决了单一智能体带来的局部优化的缺陷。但基于中心化的协作方式，其状态和动作空间呈指数型增长，系统会因维度空间爆炸而失效，且基于全局信息建模难以考虑个体特点；基于去中心化的协作方式，每个智能体根据局部观测环境实现独立控制，易导致环境不平稳。如何解决多智能体维度爆炸问题，以及多智能体之间如何协作实现全局最优，是当前多智能体强化学习亟需解决的问题。

3、强化学习可以更好地与环境交互，学习最优策略，深度学习在交通特征提取等方面表现出色，因此将强化学习与深度学习结合，对交通导引进行智能控制具有良好的发展前景。图神经网络克服了传统深度学习方法不适应于交通流非欧空间数据的处理的缺点，其中，图注意机制可用于求解交通路口之间的影响关系。但目前，该模型仅考虑传统的交通情况，未考虑its场景下资源约束，仍待改进。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种考虑网络资源的多维度智能交通导引方法，建模时考虑车流量与通信、计算两种网络资源之间的影响关系，利用多智能体强化学习求解，智能体状态和奖励函数中引入安全距离、吞吐量等与网络资源相关变量，动作空间不仅包括交通灯相位控制，还规定各车道车辆行驶速度，利用多智能体对整个路网各路口交通进行导引，借助图注意机制实现邻域智能体信息融合，目标智能体基于自身和邻域融合信息进行分布式决策，通过马尔科夫博弈达到纳什均衡，优化路网吞吐量。

2、本发明的目的是通过以下技术方案来实现的：一种考虑网络资源的多维度智能交通导引方法，包括以下步骤：

3、s1、构建考虑通信和计算资源的交通模型；

4、s2、构建基于交通属性图的特征信息融合模型：建立考虑路网异构性的交通属性图，提取交通流特征信息，利用长短期记忆单元和图注意机实现邻域信息时空融合；

5、s3、建立深度强化学习的分布式决策多智能体交通导引模型。

6、本发明与其他的交通导引方法相比，具有以下优点：

7、(1)本发明考虑到智能车联网交通环境中通信和计算两种网络资源约束，根据车流量与网络资源使用情况之间的关系，对车辆进行导引，避免出现局部资源紧张而其余路段资源利用不足现象。同时，通过引入与通信计算资源相关的变量和评价指标——安全距离和吞吐量，在避免拥塞的同时考虑网络资源约束，保障智能交通系统中较高的服务质量。

8、(2)本发明将图注意机制和长短期记忆单元与深度强化学习相结合，通过图注意机制和长短期记忆单元实现邻域信息融合，智能体分布式决策时兼顾邻接智能体，避免了整体优化时牺牲单路口出行效率，出现局部拥塞；通过邻域智能体信息融合，实现整个路网协同优化。

9、(3)本发明中多维度智能交通导引系统根据实时环境不仅对交通灯相位进行控制，同时规定各车道车辆行驶速度，克服了传统导引方式单一的局限性，更大限度增加路口吞吐量。

技术特征：

1.一种考虑网络资源的多维度智能交通导引方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种考虑网络资源的多维度智能交通导引方法，其特征在于，所述步骤s1的具体步骤为：

3.根据权利要求1所述的一种考虑网络资源的多维度智能交通导引方法，其特征在于，所述步骤s2的具体步骤为：

4.根据权利要求1所述的一种考虑网络资源的多维度智能交通导引方法，其特征在于，所述步骤s3的具体步骤为：

技术总结
本发明公开了一种考虑网络资源的多维度智能交通导引方法，包括以下步骤：S1、构建考虑通信和计算资源的交通模型；S2、构建基于交通属性图的特征信息融合模型：建立考虑路网异构性的交通属性图，提取交通流特征信息，再利用图注意机实现邻域信息融合；S3、建立深度强化学习的分布式决策多智能体交通导引模型。本发明以网络资源为约束，通过控制交通灯相位和行驶速度实现多维度交通导引，在缓解交通拥塞、提高出行效率的同时满足较高的服务质量需求。

技术研发人员：张科,李想,廖熙雯,冷甦鹏
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/9/9