1 引言
Agent 是運行于動態環境中的具有較高自制能力的實體，具有自主性、分布性、協調性和一定學習、推理能力。多智能體系統通過Agent 間的通訊、合作、協調和控制表達系統功能及行為特性。城市交通系統是自然的、分布的、復雜的、動態的、規模龐大的系統，采用多Agent 技術建模城市交通系統可為交通決策者和使用者提供良好的解決方案。從二十世紀80 年代末，就有學者將多Agent 技術引入到城市交通系統的建模中，利用其協作、存儲、智能性和自治性為使用者提供在線決策支持、實時交通控制，或利用其對客觀世界的準確描述進行交通系統運行仿真，發現交通系統中的問題、規律或驗證新的理論和算法。本文從ITS 框架中的先進的交通管理系統（ATMS）、先進的出行者信息系統（ATIS）、先進的公交系統（APTS）三個方面對Agent 技術在城市交通系統中的應用現狀展開論述，最后指出多Agent 技術在城市交通系統的應用中需解決的問題以及發展趨勢。
2 多Agent在ATMS中的應用
在ATMS 中，多Agent 技術主要用于提供實時的決策支持并進行適當的管理控制。根據Agent 慎思型和反應型兩種模型結構，建構基于Agent 的城市交通管理系統也有兩種思路：分層遞階式和完全分布式。
2.1 分層遞階式結構
分層遞階式結構的每一級都由功能、結構類似的Agent 組成，同級Agent 間可相互協調，上級Agent可作為對應下級Agent 的協調單元，下級Agent 向所屬上級Agent 傳輸局部系統環境和系統控制的反饋信息，為上級Agent 提供決策依據。最早的分層遞階式系統就是KITS 和TRYS.
KITS 產生于在1992-1994 年間，將交通領域知識分解成與路網拓撲結構相匹配的單元集合，提供專門的推理機制進行交通決策和管理。如圖1 所示，底層的Agent 通過協作完成交通監控和管理任務，Actor 是直接和問題區域對應的交通評價和管理單元，Supervisor 負責全局路況分析、解釋以及合成全局行動方案。KITS 的成功表明：基于知識的模型可以和多Agent 技術相集合來提高城市交通系統的監控和管理能力。
圖 1 KITS 架構圖
TRYS 是在1991-1994 年間建立的實時自適應的交通管理決策系統。如圖2 所示，TRYS 的結構與KITS 相似，通過Agent 訪問實時采集的路況數據，并由Agent 內部的知識庫和推理引擎對數據進行分析處理，coordinator 負責協調各Agent的工作以形成全局解決方案。與KITS 不同的是，TRYS 中的問題區域由獨立的、功能強大的Agent負責監督。
圖 2 TRYS 架構圖。
翟高壽和Choy根據遞階控制結構理論及城市交通系統的結構特征，提出了四層的分層遞階式結構，分別是：決策層（城市交通控制決策系統）、戰略控制層（若干區域協調控制系統）、戰術控制層（若干路口控制系統）、執行層（檢測器、信號控制器和信號燈等）。
該結構的協調控制策略在TRYS 基礎上進一步下放到了路口級，建立了路口Agent,每個路口成了一個智能的知識系統，可及時根據路口交通狀況進行控制策略的實時部署與調整，更好地適應了交通系統動態性、實時性強的特點，對突發性交通流的變化有很好的適應和調節能力。
2.2 完全分布式結構
在完全分布式結構的系統中，Agent 憑借自身的知識和智能與相鄰區域Agent 協調共同完成路口的管制。最初的應用就是西班牙的TRYSA2 系統，如圖3 所示。TRYSA2 Agent 有一個控制計劃集，每個計劃都被賦予了能夠減輕交通壓力的效用值。系統可通過評估相關Agent 的計劃效用值合成系統最優的解決方案。Oliveira 、承向軍、楊兆升等學者也先后提出了以路口Agent 為基本控制單元的完全分布式控制結構，系統中的Agent 都具備了一定的存儲、匹配和智能計算功能，可依靠良好的協調算法實現多Agent 之間的協調與合作以達到整體優化和控制的目的。
圖 3 TRYSA2 架構圖。
2.3 兩種架構的性能比較
分層遞階式充分體現了集中和分散控制的有機結合，考慮到了全局利益，可使協調有目的地進行，但是區域Agent 和主控Agent 的實現稍顯復雜。完全分布式具有反應快速、靈活性強等特點，可充分發揮Agent 的自治性、協調性，但由于Agent 自身能力有限、系統的知識又過于分散，解決全局問題的能力略顯不足，Agent 間的協調機制會對系統性能產生較大影響。在擴展性上，完全分布式只需把新Agent 注冊到其他Agent 中并修改相應的方案和知識庫即可將新Agent 擴充到當前的Agent 群體中，而分層遞階式需要整合區域控制中心和主控中心，重新賦予各Agent優先權關系。在協作復雜度上，分層遞階式從每一個Agent 控制方案中選擇一個本地最優的方案，完全分布式在所有的Agent 中通過搜索策略來查找最佳方案，因此后者工作量較大。
2.4 多Agent 的協調控制與優化
多Agent 通過協調實現系統的分布式并行運行，提高任務的執行效率。在基于多Agent 的ATMS 中，有三種協調方式：①建立專門的協調Agent;②將協調行為分散至各Agent 中，由Agent 自主地完成；③集中與分布相結合的方法，Agent 自身即可以完成某些協調行為，又可以接受高層Agent 制定的規劃。當前常用的協調方法有黑板模型、博弈模型、協調器、交換意見等。
黑板模型信息傳輸量大，對信息傳輸的穩定性也有一定的要求，適用于簡單的分布式多路口控制。博弈論模型適用于分層遞階結構的上下級Agent 間和完全分布結構的同級Agent 間的協調，但由于重復博弈過程中需要進行復雜的均衡點收斂控制，所以基于交通信息博弈的計算量較大。協調器可基于一定的目標將同級和下級Agent 產生的提案合成全局的提案。協調器降低了系統的通信量和其他Agent 的實現復雜度，但卻增加了協調器Agent 自身的設計復雜度和計算量。交換意見法對系統通信的穩定性有很大的要求，當單個Agent 節點出現通信故障時，系統將無法正常工作。
從上述幾種方法的分析中可以看到，協調過程需要傳輸大量數據，因此容易造成傳輸網絡的擁塞。目前，很多學者都采用強化學習的方法來優化本地的交通信息。強化學習方法是以環境提供的加強信號作為性能評價的反饋，完成從狀態到行為的映射的學習，特別適合處理不斷變化的路網環境。Baher、歐海濤等都基于強化學習研究了實時自適應的交通信號控制，減少路口節點間的大量通訊需求，增強了決策的可靠性。
2.5 相關應用研究
Ronald通過將分離獨立的交通設施建模成能互相協作的Agent,研究了動態交通管理設備互相協作的可能性。Filippo實現了一種基于多Agent 架構的交通管理系統CARTESIUS,在分析偶發性阻塞和在線制定集成控制方案過程中展示了良好的協作推理和解決沖突的能力，可為交通管理人員協調多區域間的快車道和地面街道的路網阻塞提供實時決策支持。
Bo Chen等人將移動Agent 技術融入到交通管理系統中，增強了處理不確定事件和環境動態變化的能力，提出了一種基于柔性Agent 的實時交通檢測和管理系統。
3 多Agent在ATIS中的應用
ATIS 可以影響出行行為，增強路網性能。當前采用Agent 技術研究ATIS 主要是針對不同的出行需求構建各式智能的出行信息系統，為出行者提供高質量的出行信息和導航服務；另外是研究ATIS 條件下的出行者行為以及ATIS 對城市交通的影響。
3.1 基于Agent 的典型出行信息系統框架
為實現路網管理者和出行者之間的有效協調，需要在不嚴重影響個體出行者的使用偏好（出行類型、路徑選擇、離開/到達時間等）基礎上有效地基于時空二維分配路網。基于此，Adler 和Blue 研究了智能出行信息系統（IT IS），專為出行者提供出行計劃和導航輔助信息，提出一種代表出行者的車載智能導航Agent,可以學習、定義并校準路徑和出行計劃偏好。在此基礎上，他們又提出基于多Agent 的交通管理和路徑導航協作系統（CTMRGS）的概念框架，使路網管理者、信息提供者和出行者之間能有效的協調和溝通。系統采用原則協商指導出行者Agent 和信息提供者Agent 之間的交互，找到一個時最優的出行方案，最后指出更多的智能將會被用來捕捉和呈現出行者的真實意圖和行為。
3.2 ATIS 影響下的基于多Agent 仿真的出行者行為研究
ATIS 的有效性取決于系統提供信息的能力以及出行者對出行信息的反應。因此，了解出行者的行為及其在出行信息下的決策過程便顯得尤為重要，這將有助于設計出高效的ATIS.目前，國內外很多學者都采用Agent 仿真方法研究ATIS 環境下的出行者行為。
Dia首先提出利用多Agent 仿真來研究實時交通信息影響下的駕駛員行為。通過對駕駛員行為（特性、心理、知識、偏好等）的調查采用BDI（信念-渴望-意圖）結構建模，配合交通仿真組件評價交通實時信息對駕駛員行為的影響。Rossetti基于BDI 架構提出了基于DRACULA（一種結合用戶學習和微觀模擬的動態路徑分配模型）的多Agent 擴展模型對出行者進行建模，允許出行者對出行路徑和離開時間做出理性選擇。
駕駛員的行為會影響到ATIS 系統收益和系統的整體性能。Rossetti 基于謂詞邏輯表達方式對出行者Agent 建模，使決策過程中呈現了更多的出行者心理因素。仿真結果表明，系統的整體性能會受到出行信息需求和交通網絡拓撲結構的影響，當出行信息單獨向個體提供的時候，總體影響可以得到很大改善。
Joachim將出行者建模成Agent,基于兩條平行路徑的路網分析了ATIS 環境中的出行者路徑選擇行為，研究指出出行信息的特性很大程度上影響了ATIS的潛在收益。趙凜在Joachim 的基礎上，通過對系統中的微觀行為建立基于Agent 的仿真模型來觀察系統"涌現"出來的宏觀特征。仿真結果顯示ATIS對通勤者出行前的出行規劃有一定影響，隨著交通量的增加，交通系統的不確定性也隨之增加，ATIS 系統收益會有所提高。
3.3 相關應用研究
Zargayouna提出了一種基于Agent 的出行者信息服務中心架構，通過實例化大量的交通實體，建立了基于環境的服務、信息資源和出行者主動交互支持模型，允許實體間建立各自感興趣的交互。
Wahle提出了一個基于多Agent 的實時交通流在線仿真和預測框架，通過歷史數據的啟發結合當前動態數據可提供對路徑選擇行為和交通走向的短期預測。王健采用數據挖掘中的決策樹方法獲取出行者信息需求，使用Agent 技術建立了基于移動終端的信息服務網絡框架。Chou構建了基于多Agent的停車導航協商網絡，將汽車、停車場和導航系統建模成Agent,通過各Agent 的協作為駕駛員選擇價格和路線最優的停車場。
4 多Agent在APTS中的應用
4.1 基于多Agent 的公交運行狀態檢測
公交運行狀態檢測對于確保公交系統的正點到站、運行具有重要的意義。采用AVM 系統獲取公交運行數據進行擾動（延遲和超行）檢測缺乏對全局路況的總覽而且穩定性差，很難提供基于時空二維的路況進展狀態。因此，Flavien提出了采用多Agent 技術診斷公交擾動以及檢測定位數據傳輸的連貫性。公交車和站點被建模成Agent,站點Agent 備有公交運行時間表，負責計算公交到站后的調度；公交車Agent負責向STOP Agent 報告路網實際狀態，供STOPAgent 將車輛到達的理論時間和當前實際時間相比較以檢測公交擾動。在此基礎上，他們又對擾動的整個生命周期進行了動態建模，把擾動模型融合到多Agent 決策支持系統中，研究了擾動對路網活動的影響。模型包括三個信息區域：后繼區域（延遲公交車后繼站點），關鍵區域（延遲公交車所在的站點），先前區域（延遲公交車的前驅站點）。如圖4 所示，最底層的STOP Agent 接收BUS Agent 傳來的信息，中間層的STOPAREA Agent 負責從STOP Agent 中收集信息合成交通評價、客流信息、路況進展系數等，頂層的INCIDENT Agent 形成綜合的實時調度決策。
圖4 基于分級多Agent 公交擾動檢測框架圖。
4.2 基于多Agent 的公交系統運行仿真
公交系統的運行仿真可用于調整公交調度、評價公交路網結構以及制定策略。David采用多Agent仿真方法描述了公交系統運行，將公交車和出行者建模成Agent,所有的模型都結合了公交操作、出行者行為和道路交通負載。文中使用了多項logit 模型配備交通需求，評價了步行、汽車、公交模式的效用，并基于效用模型制定了出行者的出行路線和交通行為。仿真主要關注了公交乘客載荷和乘客等待時間。
仿真結果表明，通過將公交車和出行者建模成Agent,可方便地模擬公交車在運行過程中可能出現的各種狀況（飽和、不足），為特殊事件（事故、阻塞）的發生制定有效的調度策略。
5 結論與展望
ITS 的將來會被各式智能、自治的Agent 布滿整個交通系統中，通過互聯網、無線網絡或自組織網絡連接，不斷采集信息做出智能決策，最終使交通系統獲得徹底的智能。要使Agent 發揮更大的作用，還需要在實際應用中充分考慮城市交通系統及其內含實體的特點（出行方式特征、交通規則、路網結構、出行心里），緩解通信需求、降低運算量及協調復雜度、優化系統組織結構、增強系統的穩定性和安全性。多Agent 今后在城市交通系統中的研究方向應主要集中在以下幾方面：
（1） 多個Agent 系統的信息融合，如在交通管理系統、出行信息系統、導航系統、停車系統間共享信息，通過協調多系統的工作，提高路網運行效率和出行信息服務質量；
（2） 針對城市交通系統存在的問題，研究面向特定應用領域的多Agent 系統結構、協調算法和組織優化技術，形成規范的技術體系，包括通信環境、建模方法、評價方法等；
（3） 將更多Agent 新技術引入到城市交通系統設計當中，如移動Agent、Agent 規范、Agent 體系結構、Agent 通信和語言、Agent 組織與聯盟、Agent學習與規劃、Agent 協商與協調等方向上的新技術；
（4） Agent 技術理論研究在城市交通中的應用已形成一定的規模，如何更高效地發揮Agent 的特性使之與城市交通更緊密的結合與適應將會成為新的研究熱點；
（5） Agent 的廣泛應用會把更多的人工智能、系統工程、控制理論、優化算法和分布式計算技術引入到實際的交通問題解決中來，為Agent 的具體應用提供更多的新思路。