人工智能在智能交通系统中的应用术
严新平＂，吴超仲１’，刘清∞，马晓风１’
１）武汉理工大学水路公路交通安全控制与装备教育部工程研究中心武汉，
２）武汉理工大学自动化学院，武汉，湖北，４３００６３湖北，４３００６３
’‘摘要ｓ智能交通系统是最近十多年发展起来的一个新兴领域，它的核心是智能，需要大量智能化技术的支撑。人工智能作为当前科学技术发展的前沿，已经在很多领域得到广泛应用，但还需要进一步扩展其应用空间，而智能交通正好可以为人工智能提供大量的应用对象，因此人工智能与智能交通的交叉融合具有重要意义。本文分别分析了智能交通和人工智能的特点及包含的范围，提出了两者进行交叉融合的结合点。对人工智能技术在智能交通系统中的应用进行了综述，并对未来开展深入研究进行了展望。
关键词；智能交通人工智能学科交叉
１．引言
智能交通系统（ＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，简称ＩＴＳ）是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。具体地说，该系统将采集到的各种交通及服务信息经交通管理中心集中处理后，传输到运输系统的各个用户（驾驶员、居民、警察局、港站、运输公司、医院、救护排障等部门），出行者可实时选择交通方式和交通路线；交通管理部门可自动进行合理的交通疏导、控制和事故处理；运输部门可随时掌握载运工具的运行情况，进行合理调度。从而使运网上的交通流运行处于最佳状态，改善交通拥挤和阻塞，最大限度地提高运网的通行能力，提高整个运输系统的机动性、安全性和生产效率。
，智能交通的提出虽然只有十多年的历史，但由于其引入人工智能、信息技术、计算机技术等融入到交通中，从本质上改变了传统的交通理论。美国联邦运输咨询小组在《美国综合运输系统２０５０年发展构想》的报告中明确指出２ｌ世纪发展思路将不同于“（２０世纪）５０年代规划修建州际公路系统以增加供给和物理设施能力”的做法，“需要创新的解决方案”，“着眼于新技术和新概念，如人工智能、信息技术、纳米技术、再生燃料以及高效清洁能源技术等”。美国联邦运输咨询小组的报告特别指出，智能交通系统是交通运输发展中最典型、最活跃和最具潜力的全面应用人工智能与信息技术的一个技术领域。
与此同时，人工智能的研究异常活跃，它既是当前科学技术发展的前沿，也在各领域得到广泛应用。现已逐步形成了诸如人工神经网络、遗传算法、蚁群算法、粒子群算法、专家系统、模式识别、机器学习、机器人学、博奕等多个研究分支。智能交通系统中存在很多复杂的模型建立与求解问题，在这过程中，人工智能起到了举足轻重的作用。通过结合神经网络、遗传算法、免疫算法、粒子群算法等，解决了许多以往的棘手问题，推动了智能交通的快速发展。虽然人工智能技术已经在智能交通领域得到应用，但总体上来说，它们的结合还处于初步阶段。随着智能交通与人工智能的发展，还有很多值得深入研究的地方。
２．智能运输系统与人工智能的结合点
智能运输系统的基础是信息，核心是智能。智能是指事物能认识、辨析、判断处理和发明创造的能力。智能这个词的使用越来越广泛，研究智能的人越来越多，智能技术的应用也越来越多。智１０４９
能机器人、智能仪器仪表、智能微波炉、智能楼宇等名词频繁出现。工程中的很多系统或产品都具有某种智能，可以称为人工智能系统。人工智能系统就是用传感器、处理器和执行机构来分别模拟人的五官、大脑和四肢。智能交通系统广义上说也是一种人工的智能系统，是用交通类的传感器、带有交通知识的处理器和能执行交通功能的执行机构模拟人的五官、大脑和四肢，达到交通智能化的目的。智能运输系统中的很多子系统正是因为实现了智能化，才体现出与传统交通系统的差别。不停车收费系统就是一个典型的例子。传统的道路收费系统设立收费站，车辆经过收费站停车、手工交现金，车辆要排队，而且不利于统计。而不停车收费系统使用电子结算、车辆自动识别技术、微波通信技术等，可以做到不停车的自动收费，既节约了时间，又提高了准确性，还能提供交通流量统计数据等信息，体现出了智能性。再比如自动公路系统，实现车辆全自动驾驶，驾驶员一旦进入到系统，只要输入目的地，就可以安全快捷地到达，体现出了较高的智能性。
根据国家ＩＴＳ体系框架，我国智能运输系统分为八大服务领域：交通管理与规划、电子收费、出行者信息、车辆安全与辅助驾驶、紧急事件和安全运营管理综合运输和自动公路。其中很多内容都与人工智能相关。在交通管理与规划中，自适应交通控制是重要内容，而自适应交通控制又与人工智能领域中的搜索推理、计算智能、机器学习、智能控制等密切相关。在电子收费系统中，车辆模式识别是重要内容，而模式识别涉及计算智能、机器学习和智能体等多项技术。出行者信息系统包括信息采集与融合，涉及人工智能中的知识表示方法、搜索推理技术、计算智能、专家系统、自然语言理解等。车辆安全辅助驾驶的主要内容是车辆的自动控制，因此，人工智能中的计算智能、机器学习、智能控制等技术都大有用处的。紧急救援与安全领域涉及搜索推理技术、智能计算等。货运管理和综合运输领域中应用到知识表示方法，计算智能和专家系统等。自动公路系统包括识表示方法、搜索推理技术、计算智能、机器学习、智能体、智能控制等。另一方面，人工智能的范围也很广泛，包括知识表示方法、搜索推理技术、计算智能、专家系统、机器学习、智能体、智能控制、自然语言理解等。智能交通系统与人工智能的结合见图ｌ所示。
图１智能交通系统与人工智能的结合１０５０
３．人工智能在智能交通中的应用
３．１神经网络在智能交通中的应用
神经网络在交通中的应用主要集中于交通系统某些参数的预测和优化中。在预测方面，比较早期的方法主要是回归滑动平均模型、自回归模型、滑动平均模型和历史平均模型等。这些线性模型考虑的因素比较简单，参数一般都用最ｄｘ－－乘法在线估计，具有简便易懂、实时更新数据的优点。但是这些模型忽视了真实交通环境中的不确定性以及非线性，无法克服随机干扰因素对交通流量的影响，所以随着预测时间间隔的缩短，这些模型的预测精度便不能满足要求。利用人工神经网络建立的预测模型就能显示出独特的优越性。因此在一段研究时间内，许多学者将神经网络预测的优势引入到交通系统中，并且取得了一系列的成果【ｌ翻。
随着对神经网络研究的日益透彻以及其他智能算法的涌现，许多学者将其他算法的优点与神经网络相结合，提出了一系列的改进以及结合模型，使得该算法在建模以及计算效率方面有了很大的提高。杨立才，贾磊【３Ｊ把粗集理论引入神经网络的构造，应用粗神经元取代部分常规神经元，介绍了粗神经网络的结构以及学习算法，给出了一种交通流量的粗神经网络预测模型。模型采用３层ＢＰ网络结构。网络输入层由常规神经元构成，神经元的个数对应于输入变量的维数，经交通数据的相关性分析决定；输出层为一个常规神经元，对应于预测的交通流量；隐含层由粗神经元构成，粗神经元的个数经网络优化分析确定。网络输入层与隐含层之间、隐含层与输出层之间均为全联接。实验结果表明，该模型在交通流量预测的精度和对交通路网的适应性方面明显优于常规神经网络，具有较高的实用价值。粗神经网络具有极强的鲁棒性，预测模型也可方便地处理季节、天气等随机因素对交通流量预测结果的影响。谷远利和余惠华针对ＢＰ神经网络的缺陷提出了提高预测精度的措施，引进高阶神经网络。将交叉口得到的实测数据与模型数据进行比对，表明可以在常规的一些交通预测中进行应用。但是未考虑特殊天气以及突发事件对预测结果的影响。还有学者将遗传算法等结合到神经网络中，得到了比单纯神经网络预测更为精确的结果。，
在另一方面，神经网络在交通参数优化方面也得到了一定的应用。董超俊，刘智勇【４】等开发了双层反馈神经网络，将其应用于城市交通控制信号配时优化，并开发了应用于优化计算的能量函数和车辆平均延误计算公式。以广东江门市某平面交叉路口为对象进行了仿真计算，结果表明：与传统的配时方法相比，采用所开发的双层反馈神经网络进行智能优化配时，交叉路口车辆的平均延误可以平均减少１８．２％，可以大大提高路口的通行效率。开发的双层反馈神经网络也可以应用于其他交通对象的优化，具有较强的推广应用价值。在车辆定位方面也有很多神经网络的应用【５】。
３．２Ｍｕｌｉｔ－Ａｇｅｎｔ在交通中的应用７’一
多智能主体系统（ＭＡＳ，Ｍｕｌｔｉ．ＡｇｅｎｔＳｙｓｔｅｍ）是目前人工智能领域里的一个热点＇胄皂够有效地解决复杂非线性系统问题，已经在软件工程、智能决策以及智能控制领域得到广泛的应用研究。将此项技术应用到交通领域，将能在一定程度上克服传统交通控制方法在实际应用中的局限性。王震宇，高更君【６】等描述了基于ＭＡＳ的高速公路交通控制系统结构以及Ａｇｅｎｔ的内部模块的功能，最后对Ａｇｅｎｔ之间的协作进行了简要的分析。基于多智能主体的高速公路交通控制系统拥有一种全新的智能交通控制结构，它能够较好地克服传统交通控制系统所存在的缺陷，适应高速公路交通系统的复杂性和随机性。朱茵，唐祯敏【７１等提出了基于多智能体技术的交通管理系统，将交通管理系统与目前人工智能领域的研究热点问题——多智能体技术相结合，即通过多个智能体有机构成多智能体系统，利用各个智能体之间的协商与合作来辅助实现智能化的交通管理系统，从而提高交通管理部门的管理效率，降低由于交通带来的环境污染，论述了多智能体系统的原理、基于多智能体技术的交通管理系统的结构框架及其优势。马寿峰，李英【８】等将Ａｇｅｎｔ与经验知识和加强学习方法中Ｑ．学习算法相结合，应用到城市交通信号控制领域中，解决单个路口的动态实时问题．通过在仿真环境下的对比，证明该方法具有较好的控制效果。蔡朝辉，宋靖【９】等将Ａｇｅｎｔ技术，用于城市道路交通流
控制模型中，通过灵活的ａｇｅｎｔ自主控制算法和Ｍｕｌｔｉ．ａｇｅｎｔ协商策略，构造交通流的优化模型，从而解决车辆阻塞和交通疏导问题。
３．３智能交通中的混沌研究
蒋海峰，魏学业【ｌ０１基于非线性跟驰模型建立了由五辆机动车组成的动态仿真模型，利用Ｍａｔｌａｂ软件产生了五辆机动车的仿真交通流，给出了在一定参数组合下前后车辆之间的车头间距、速度差随时间变化的过程曲线。并结合实际交通系统的特点，对仿真结果做了理论分析。基于混沌时间序列分析方法，提出了证明非线性跟驰模型产生的仿真交通流具有混沌特性的一种方法，并分析了模型参数对仿真交通流动态特性的影响。该研究结果有助于进一步理解实际交通流系统的动态特性，并为短时交通流预测、诱导方法和智能交通控制提供理论依据。祈小卿，贺国光【¨】应用一维元胞自动机多车道模型研究了交通流系统中出现的混沌现象。模型中用爱尔朗分布形成换到频率、加减速概率，使其能够更逼真地再现实际交通流的不确定性。同时使用了Ｍａｔｌａｂ进行了仿真试验，进而论证了交通流中混沌现象的存在性。李松，贺国光【１２】等提出了一种快速判别交通流混沌的最大李雅普诺夫指数改进算法，并用此改进算法和功率谱法研究了高速公路实测交通流的混沌问题，绘制了实测交通流的功率谱曲线。通过分析功率谱曲线，可以明显地观察到交通流频谱出现了噪声和宽峰的变化；用最大李雅普诺夫指数改进算法计算实测交通流的最大李雅普诺夫指数。得出：高速公路实测交通流中存在混沌现象，并且车头间距的变化是交通流混沌现象产生的根本原因。
３．４粒子群在智能交通中的应用
粒子群算法目前多应用于交通信号控制方面。我国大中城市先后引进了国际上先进的区域交通信号控制系统，如ＴＲＡＮＳＹＴ、ＳＣＯＯＴ、ＳＣＡＴ系统等，来进行城市交通控制，但这些系统都不能很好的与我国城市交通的特点相适应，。为此，许多研究人员纷纷尝试用智能算法，如遗传算法（ＧＡ）等，来进行城市交通协调控制的信号匹配时，取得了一定的效果。但遗传算法存在着有可能陷入局部最优、早熟收敛和收敛速度慢的缺点，这是实时交通控制所不能接受的，而粒子群算法虽然收敛速度快，但也存在着易陷入局部最优解、易发散的缺点。因此，钱勇生，王春雷ｎ３】采用三群协同策略改进粒子群算法，并将其应用于城市区域交通控制。采用两层递阶分布式结构，分阶段优化控制参数（周期、相位差和绿信比），每个阶段长１０—３０分钟，周期、相位差由区域控制级每阶段优化一次，绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标，周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。董超俊，刘智勇【ｌ训在粒子群优化算法中引入灾变策略和模型，开发了灾变粒子群优化算法。解决了基本粒子群算法易陷入局部极小点的缺陷，并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明：与基本粒子群算法、固定周期法和遗传算法等配时方法相比，采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时，被控区域的车辆平均延误可以分别有一定的减少，并可以大大提高路口的通行效率。
３．４模拟退火算法在智能交通中的应用
模拟退火算法最主要的特征是具有跳出局部极值点区域的能力，故能寻找到全局最优活近似最优而与初始点的选择无关，这也是模拟退火算法和局部搜索算法的本质区别所在。目前，在智能交通中，模拟退火算法一般用于优化效率方面。张波，叶家玮，胡郁裂ｂ１针对城市道路行走不同的目标条件进行优化，选择最佳行走路径；并将用该算法优化得到的计算结果与树形算法进行比较，显示该算法能够克服传统优化算法易陷入局部极值的缺点，同时表明该算法在解交通路径方面问题时有较高的精确性。黄亚飞，刘涛【Ｉ６】提出用双层规划模型描述路网管理者、收费道路经营者和车辆用户三者在费率决策中的博弈关系，其中上层以路网用户盈余最大化为目标，下层是弹性需求下的多车型随机用户均衡模型，设计了遗传一模拟退火混合优化的求解算法。计算发现路网收费收入目标的高低将直接影响测算所得费率的高低，进而影响各车型ＯＤ出行量，且时间价值低的车型用户比时间价值高的车型用户受费率变化的影响要更为显著，表明双层模型在费率决策过程中能兼顾相关各１０５２
方的利益，建模时考虑车型分类能更合理地反映现实情况：与遗传算法、模拟退火算法相比，遗传．模拟退火算法计算结果最优。焦朋朋，陆化普，王建伟ＩＩ７】引入交通效率的概念，提出了基于交通效率的城市道路网络优化思路。与传统的四阶段交通规划模型相结合，将多车种用户平衡问题作为下层模型，考虑建设费用、污染物排放和能源消耗的约束，建立了使广义交通费用最小化的城市道路网络双层优化模型，分析了关键参数，并应用遗传算法和模拟退火混合算法进行了求解。实例研究表明，该模型既能满足交通需求，又能满足交通系统的环境保护目标。
３．５人工免疫系统对智能交通的影响
以生物免疫机理为基础的人工免疫系统（ａｒｔｉｆｉｃｉａｌｉｍｍｕｎｅｓｙｓｔｅｍ，ＡＩＳ）已成为目前国内外计算智能领域一个新的研究热点。近年来，研究者们不断从生物免疫系统中抽取隐喻机制，用于ＡＩＳ的模型设计、算法实现和工程应用。ＡＩＳ在信息安全、模式识别、智能优化、机器学习、数据挖掘、自动控制和机器人学等诸多工程领域的初步应用，显示出其强大的信息处理和问题求解能力以及广阔的应用前景。林洁，杨立才等【ｌ８】在一般免疫优化的基础上，建立了一种求解最短Ｋ路问题的人工免疫优化搜索算法，结合应用扩展节点法建立的城市交通路网模型，实现了城市交通诱导系统的最优Ｋ路搜索。人工免疫优化算法具有良好的全局并行搜索能力，基于生物免疫系统的免疫记忆功能，在Ｋ路最短问题求解时，能同时给出Ｋ条最短路径而不用重复计算，这种特性使之不仅明显优于传统方法，而且不存在遗传算法的早熟现象并具有更好的并行性，更加符合交通诱导系统实时性的客观要求。杨立才，贾磊【１９】等提取生物免疫系统的隐喻机制，基于免疫网络理论和克隆选择原理，建立了一种人工免疫数据聚类分析算法，并详细阐述了聚类算法在城市交通时段自动划分中的具体应用。实例分析表明，该算法可以有效减少聚类数据的冗余信息，特别适合于解决分级聚类等传统方法不适应的大数据量聚类问题，对解决城市交通时段的自动划分等数据聚类问题是可行的和有效的。‘‘
３．６支持向量机在智能交通中的应用
支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ。ＳＶＭ）方法运用结构风险最小化原贝ＩＪ（ＳＲＭ）可解决神经网络所具有的一些缺陷，而且在训练样本很少的情况下具有很好的推广能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。作者根据支持向量机的以上特点，在前人研究的基础上，提出了一种基于支持向量机的短时交通流量预测方法。杨兆升，王媛１２０］等提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于ＢＰ神经网络的预测模型的对比结果表明，该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于ＢＰ神经网络的预测模型。覃频频【２１】针对交通领域中的事件检测（无事件模式和事件模式）模式识别问题，描述了支持向量机（ＳＶＭ）支持的基本方法，建立了基于线性（１ｉｎｅａｒｆｕｎｃｔｉｏｎ）、多项式（ｐｏｌｙｎｏｍｉａｌｆｕｎｃｔｉｏｎ）和径向基（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ）３种核函数的事件检测ＳＶＭ模型。采用高速公路路段１－８８０线圈数据集和事件数据集验证模型，结果发现：无论对于向北、向南或混合方向的事件检测，在３个ＳＶＭ模型中，ＳＶＭ（Ｐ）检测效果最好，ＳＶＭ（Ｌ）最差。ＳＶＭ算法具有避免局部最小，实现全局最优化，更好的泛化效果的优点。是高速公路事件检测的一种很有潜力的算法。
４．发展展望
虽然人工智能已经在智能交通领域得到了广泛的应用，但还有很多地方值得深入研究。主要体现在以下几方面。
（１）交通信息系统中数据挖掘技术
随着交通信息采集的日益完善与普及，很多城市开始采集大量的交通数据，长时间的交通数据积累起来是巨大的。如何从这些海量交通数据中获取有用信息，需要人工智能中的数据挖掘方法。
（２）信号控制系统中的优化技术
在交通规划与管理领域，信号控制占有很重要的比例，而信号控制中的自适应信号控制又是智能交通的典型系统。因为自适应信号控制需要根据实时的交通信息动态调整信号相位，人工智能１０５３
中的智能体、模糊、神经网络，机器学习等可以发挥重要作用。
（３）智能车辆中的智能控制技术
车辆安全辅助驾驶与自动公路系统中的核心是控制技术，而终极目标是实现智能车辆。智能车辆涉及到多传感器信息融合、智能控制等关键技术，人工智能中的模糊控制、神经网络控制、自适应控制等能得到很好的应用。
（４）电子收费系统中模式识别技术
电子收费系统中除了道路设施与车辆要进行通信外，还需要利用视频等对车辆进行摄像与识别，包括识别车型、车牌等，以防止车辆逃脱收费。这是一个典型的模式识别问题。因此人工智能中的模式识别技术可以在收费系统进行应用。
由于智能交通与人工智能包含的领域都很广泛，由于篇幅有限，在这里不能一一展开论述。总的来说，由于两个领域都涉及到智能，具有天然的结合点，在此方面开展深入研究不仅能促进智能交通系统理论体系的建立，而且能扩展人工智能的应用范围，具有重要的学术价值和实际应用意义。
致谢ｌ本文研究得到国家基础研究计划（９７３计划）（项目编号２００５ＣＢ７２０５）资助。
参考文献
ｆ１］ＬｏｎｇＣｈｅｒｔ，Ｆｅｉ—ｙｕｅＷａｎｇ．ＡＮｅｏｒｏ・ｆｕｚｚｙＳｙｓｔｅｍＡｐｐｒｏａｃｈｆｏｒＦｏｒｅｃａｓｔｉｎｇＳｈｏｒｔＴｅｒｍＦｒｅｅｗａｙＴｒａｆｆｉｃＦｌｏｗｓ【Ｃ】．ＰｒｏｃｏｆｔｈｅＩＥＥＥ５血ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２００２：４５１－－４７１．
【２】朱中，杨兆升．实时交通量人工神经网络预测模型【Ｊ】．中国公路学报，１９９８，１１（４）：８９—９２
【３】杨立才，贾磊．粗神经网络及其在交通流预测中的应用【Ｊ】．公路交通科技，２００４，１０：９５—９８
【４】董超俊，刘智勇．多层反馈混沌神经网络及其在交叉口优化控制中的应用．公路交通科技，２００６．６（６）：１２２—１２６
【５】胡郁葱，徐建闽，吴一民．基于ＢＰ神经网络的车辆定位融合模型．２００４，２（２）：４Ｄ４９
【６】王震宇，高更君，黄卫．基于多智能主题的高速公路控制系统结构．交通运输工程学报，２００３，３（１）：７６－９２
【７】朱茵，唐祯敏，钱大琳．基于多智能体技术的交通管理系统的研究．中国公路学报，２００２，７（３）：８０—８３
【８】马寿峰，李英，刘豹．一种基于Ａｇｏｎｔ的单路１２１交通信号学习控制方法．２００２，１２（６）：５２６－－５３０
【９】蔡朝辉，宋靖雁，张毅等．基于Ｍｕｌｔｉ．ａｇｅｎｔ的交通流优化模型公路交通科技，２００３，２（１）：９７—１０４
【１０】蒋海峰，魏学业，张屹等．仿真交通流混沌特性研究．系统仿真学报，２００７，６（１２）：２８０９—２８１２
【１１】祈小卿，贺国光．应用元胞自动机模型对交通流混沌的研究．计算机仿真，２００６，１０（１０）：２６６－－２７６
【１２】李松，贺国光，张杰．车头间距与高速公路交通流混沌．西南交通大学学报，２００７，６（３）：３０５—３０９
【１３】钱勇生，王春雷．基于三群协同粒子群优化算法的区域交通控制．计算机工程与应用，２００７，４３（１４）：１８７—１８９
【１４］董超俊，刘智勇，邱祖廉．灾变粒子群优化算法及其在交通控制中的应用．计算机工程与应用，２００５，２９：１９：２３
【１５】张波，叶家玮，胡郁葱．模拟退火算法在路径优化问题中的应用．中国公路学报，２００４，１（１）：７９～８１
【１６］黄亚飞，刘涛．路网最优费率的双层规划模型及算法．交通运输工程学报，２００６，１２（４）：１０５—１１ｌ
【１７］焦朋朋，陆化普，王建伟．基于交通效率的城市道路网络优化．清华大学学报（自然科学版），２００５，３：２９７—３００
【１８］林洁，杨立才，吴晓晴，等．求解动态路径诱导Ｋ路最短问题的人工免疫优化方法．山东大学学报（工学版），２００７，４（２）：１０３－１０７
【１９］杨立才，贾磊，孔庆杰，等．基于人工免疫算法的交通时段自动划分方法．控制理论与应用，２００６，４（２）：１９３。１９８
【２０】杨兆升，王嫒，管青．基于支持向量机方法的短时交通流量预测方法．吉林大学学报（工学版），２００６，１１（６）：８８１．８８４【２１】覃频频．基于支持向量机的高速公路事件检测．中国安全科学学报，２００７，１（１）：１７２—１７６
人工智能在智能交通系统中的应用术
严新平＂，吴超仲１’，刘清∞，马晓风１’
１）武汉理工大学水路公路交通安全控制与装备教育部工程研究中心武汉，
２）武汉理工大学自动化学院，武汉，湖北，４３００６３湖北，４３００６３
’‘摘要ｓ智能交通系统是最近十多年发展起来的一个新兴领域，它的核心是智能，需要大量智能化技术的支撑。人工智能作为当前科学技术发展的前沿，已经在很多领域得到广泛应用，但还需要进一步扩展其应用空间，而智能交通正好可以为人工智能提供大量的应用对象，因此人工智能与智能交通的交叉融合具有重要意义。本文分别分析了智能交通和人工智能的特点及包含的范围，提出了两者进行交叉融合的结合点。对人工智能技术在智能交通系统中的应用进行了综述，并对未来开展深入研究进行了展望。
关键词；智能交通人工智能学科交叉
１．引言
智能交通系统（ＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，简称ＩＴＳ）是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。具体地说，该系统将采集到的各种交通及服务信息经交通管理中心集中处理后，传输到运输系统的各个用户（驾驶员、居民、警察局、港站、运输公司、医院、救护排障等部门），出行者可实时选择交通方式和交通路线；交通管理部门可自动进行合理的交通疏导、控制和事故处理；运输部门可随时掌握载运工具的运行情况，进行合理调度。从而使运网上的交通流运行处于最佳状态，改善交通拥挤和阻塞，最大限度地提高运网的通行能力，提高整个运输系统的机动性、安全性和生产效率。
，智能交通的提出虽然只有十多年的历史，但由于其引入人工智能、信息技术、计算机技术等融入到交通中，从本质上改变了传统的交通理论。美国联邦运输咨询小组在《美国综合运输系统２０５０年发展构想》的报告中明确指出２ｌ世纪发展思路将不同于“（２０世纪）５０年代规划修建州际公路系统以增加供给和物理设施能力”的做法，“需要创新的解决方案”，“着眼于新技术和新概念，如人工智能、信息技术、纳米技术、再生燃料以及高效清洁能源技术等”。美国联邦运输咨询小组的报告特别指出，智能交通系统是交通运输发展中最典型、最活跃和最具潜力的全面应用人工智能与信息技术的一个技术领域。
与此同时，人工智能的研究异常活跃，它既是当前科学技术发展的前沿，也在各领域得到广泛应用。现已逐步形成了诸如人工神经网络、遗传算法、蚁群算法、粒子群算法、专家系统、模式识别、机器学习、机器人学、博奕等多个研究分支。智能交通系统中存在很多复杂的模型建立与求解问题，在这过程中，人工智能起到了举足轻重的作用。通过结合神经网络、遗传算法、免疫算法、粒子群算法等，解决了许多以往的棘手问题，推动了智能交通的快速发展。虽然人工智能技术已经在智能交通领域得到应用，但总体上来说，它们的结合还处于初步阶段。随着智能交通与人工智能的发展，还有很多值得深入研究的地方。
２．智能运输系统与人工智能的结合点
智能运输系统的基础是信息，核心是智能。智能是指事物能认识、辨析、判断处理和发明创造的能力。智能这个词的使用越来越广泛，研究智能的人越来越多，智能技术的应用也越来越多。智１０４９
能机器人、智能仪器仪表、智能微波炉、智能楼宇等名词频繁出现。工程中的很多系统或产品都具有某种智能，可以称为人工智能系统。人工智能系统就是用传感器、处理器和执行机构来分别模拟人的五官、大脑和四肢。智能交通系统广义上说也是一种人工的智能系统，是用交通类的传感器、带有交通知识的处理器和能执行交通功能的执行机构模拟人的五官、大脑和四肢，达到交通智能化的目的。智能运输系统中的很多子系统正是因为实现了智能化，才体现出与传统交通系统的差别。不停车收费系统就是一个典型的例子。传统的道路收费系统设立收费站，车辆经过收费站停车、手工交现金，车辆要排队，而且不利于统计。而不停车收费系统使用电子结算、车辆自动识别技术、微波通信技术等，可以做到不停车的自动收费，既节约了时间，又提高了准确性，还能提供交通流量统计数据等信息，体现出了智能性。再比如自动公路系统，实现车辆全自动驾驶，驾驶员一旦进入到系统，只要输入目的地，就可以安全快捷地到达，体现出了较高的智能性。
根据国家ＩＴＳ体系框架，我国智能运输系统分为八大服务领域：交通管理与规划、电子收费、出行者信息、车辆安全与辅助驾驶、紧急事件和安全运营管理综合运输和自动公路。其中很多内容都与人工智能相关。在交通管理与规划中，自适应交通控制是重要内容，而自适应交通控制又与人工智能领域中的搜索推理、计算智能、机器学习、智能控制等密切相关。在电子收费系统中，车辆模式识别是重要内容，而模式识别涉及计算智能、机器学习和智能体等多项技术。出行者信息系统包括信息采集与融合，涉及人工智能中的知识表示方法、搜索推理技术、计算智能、专家系统、自然语言理解等。车辆安全辅助驾驶的主要内容是车辆的自动控制，因此，人工智能中的计算智能、机器学习、智能控制等技术都大有用处的。紧急救援与安全领域涉及搜索推理技术、智能计算等。货运管理和综合运输领域中应用到知识表示方法，计算智能和专家系统等。自动公路系统包括识表示方法、搜索推理技术、计算智能、机器学习、智能体、智能控制等。另一方面，人工智能的范围也很广泛，包括知识表示方法、搜索推理技术、计算智能、专家系统、机器学习、智能体、智能控制、自然语言理解等。智能交通系统与人工智能的结合见图ｌ所示。
图１智能交通系统与人工智能的结合１０５０
３．人工智能在智能交通中的应用
３．１神经网络在智能交通中的应用
神经网络在交通中的应用主要集中于交通系统某些参数的预测和优化中。在预测方面，比较早期的方法主要是回归滑动平均模型、自回归模型、滑动平均模型和历史平均模型等。这些线性模型考虑的因素比较简单，参数一般都用最ｄｘ－－乘法在线估计，具有简便易懂、实时更新数据的优点。但是这些模型忽视了真实交通环境中的不确定性以及非线性，无法克服随机干扰因素对交通流量的影响，所以随着预测时间间隔的缩短，这些模型的预测精度便不能满足要求。利用人工神经网络建立的预测模型就能显示出独特的优越性。因此在一段研究时间内，许多学者将神经网络预测的优势引入到交通系统中，并且取得了一系列的成果【ｌ翻。
随着对神经网络研究的日益透彻以及其他智能算法的涌现，许多学者将其他算法的优点与神经网络相结合，提出了一系列的改进以及结合模型，使得该算法在建模以及计算效率方面有了很大的提高。杨立才，贾磊【３Ｊ把粗集理论引入神经网络的构造，应用粗神经元取代部分常规神经元，介绍了粗神经网络的结构以及学习算法，给出了一种交通流量的粗神经网络预测模型。模型采用３层ＢＰ网络结构。网络输入层由常规神经元构成，神经元的个数对应于输入变量的维数，经交通数据的相关性分析决定；输出层为一个常规神经元，对应于预测的交通流量；隐含层由粗神经元构成，粗神经元的个数经网络优化分析确定。网络输入层与隐含层之间、隐含层与输出层之间均为全联接。实验结果表明，该模型在交通流量预测的精度和对交通路网的适应性方面明显优于常规神经网络，具有较高的实用价值。粗神经网络具有极强的鲁棒性，预测模型也可方便地处理季节、天气等随机因素对交通流量预测结果的影响。谷远利和余惠华针对ＢＰ神经网络的缺陷提出了提高预测精度的措施，引进高阶神经网络。将交叉口得到的实测数据与模型数据进行比对，表明可以在常规的一些交通预测中进行应用。但是未考虑特殊天气以及突发事件对预测结果的影响。还有学者将遗传算法等结合到神经网络中，得到了比单纯神经网络预测更为精确的结果。，
在另一方面，神经网络在交通参数优化方面也得到了一定的应用。董超俊，刘智勇【４】等开发了双层反馈神经网络，将其应用于城市交通控制信号配时优化，并开发了应用于优化计算的能量函数和车辆平均延误计算公式。以广东江门市某平面交叉路口为对象进行了仿真计算，结果表明：与传统的配时方法相比，采用所开发的双层反馈神经网络进行智能优化配时，交叉路口车辆的平均延误可以平均减少１８．２％，可以大大提高路口的通行效率。开发的双层反馈神经网络也可以应用于其他交通对象的优化，具有较强的推广应用价值。在车辆定位方面也有很多神经网络的应用【５】。
３．２Ｍｕｌｉｔ－Ａｇｅｎｔ在交通中的应用７’一
多智能主体系统（ＭＡＳ，Ｍｕｌｔｉ．ＡｇｅｎｔＳｙｓｔｅｍ）是目前人工智能领域里的一个热点＇胄皂够有效地解决复杂非线性系统问题，已经在软件工程、智能决策以及智能控制领域得到广泛的应用研究。将此项技术应用到交通领域，将能在一定程度上克服传统交通控制方法在实际应用中的局限性。王震宇，高更君【６】等描述了基于ＭＡＳ的高速公路交通控制系统结构以及Ａｇｅｎｔ的内部模块的功能，最后对Ａｇｅｎｔ之间的协作进行了简要的分析。基于多智能主体的高速公路交通控制系统拥有一种全新的智能交通控制结构，它能够较好地克服传统交通控制系统所存在的缺陷，适应高速公路交通系统的复杂性和随机性。朱茵，唐祯敏【７１等提出了基于多智能体技术的交通管理系统，将交通管理系统与目前人工智能领域的研究热点问题——多智能体技术相结合，即通过多个智能体有机构成多智能体系统，利用各个智能体之间的协商与合作来辅助实现智能化的交通管理系统，从而提高交通管理部门的管理效率，降低由于交通带来的环境污染，论述了多智能体系统的原理、基于多智能体技术的交通管理系统的结构框架及其优势。马寿峰，李英【８】等将Ａｇｅｎｔ与经验知识和加强学习方法中Ｑ．学习算法相结合，应用到城市交通信号控制领域中，解决单个路口的动态实时问题．通过在仿真环境下的对比，证明该方法具有较好的控制效果。蔡朝辉，宋靖【９】等将Ａｇｅｎｔ技术，用于城市道路交通流
控制模型中，通过灵活的ａｇｅｎｔ自主控制算法和Ｍｕｌｔｉ．ａｇｅｎｔ协商策略，构造交通流的优化模型，从而解决车辆阻塞和交通疏导问题。
３．３智能交通中的混沌研究
蒋海峰，魏学业【ｌ０１基于非线性跟驰模型建立了由五辆机动车组成的动态仿真模型，利用Ｍａｔｌａｂ软件产生了五辆机动车的仿真交通流，给出了在一定参数组合下前后车辆之间的车头间距、速度差随时间变化的过程曲线。并结合实际交通系统的特点，对仿真结果做了理论分析。基于混沌时间序列分析方法，提出了证明非线性跟驰模型产生的仿真交通流具有混沌特性的一种方法，并分析了模型参数对仿真交通流动态特性的影响。该研究结果有助于进一步理解实际交通流系统的动态特性，并为短时交通流预测、诱导方法和智能交通控制提供理论依据。祈小卿，贺国光【¨】应用一维元胞自动机多车道模型研究了交通流系统中出现的混沌现象。模型中用爱尔朗分布形成换到频率、加减速概率，使其能够更逼真地再现实际交通流的不确定性。同时使用了Ｍａｔｌａｂ进行了仿真试验，进而论证了交通流中混沌现象的存在性。李松，贺国光【１２】等提出了一种快速判别交通流混沌的最大李雅普诺夫指数改进算法，并用此改进算法和功率谱法研究了高速公路实测交通流的混沌问题，绘制了实测交通流的功率谱曲线。通过分析功率谱曲线，可以明显地观察到交通流频谱出现了噪声和宽峰的变化；用最大李雅普诺夫指数改进算法计算实测交通流的最大李雅普诺夫指数。得出：高速公路实测交通流中存在混沌现象，并且车头间距的变化是交通流混沌现象产生的根本原因。
３．４粒子群在智能交通中的应用
粒子群算法目前多应用于交通信号控制方面。我国大中城市先后引进了国际上先进的区域交通信号控制系统，如ＴＲＡＮＳＹＴ、ＳＣＯＯＴ、ＳＣＡＴ系统等，来进行城市交通控制，但这些系统都不能很好的与我国城市交通的特点相适应，。为此，许多研究人员纷纷尝试用智能算法，如遗传算法（ＧＡ）等，来进行城市交通协调控制的信号匹配时，取得了一定的效果。但遗传算法存在着有可能陷入局部最优、早熟收敛和收敛速度慢的缺点，这是实时交通控制所不能接受的，而粒子群算法虽然收敛速度快，但也存在着易陷入局部最优解、易发散的缺点。因此，钱勇生，王春雷ｎ３】采用三群协同策略改进粒子群算法，并将其应用于城市区域交通控制。采用两层递阶分布式结构，分阶段优化控制参数（周期、相位差和绿信比），每个阶段长１０—３０分钟，周期、相位差由区域控制级每阶段优化一次，绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标，周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。董超俊，刘智勇【ｌ训在粒子群优化算法中引入灾变策略和模型，开发了灾变粒子群优化算法。解决了基本粒子群算法易陷入局部极小点的缺陷，并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明：与基本粒子群算法、固定周期法和遗传算法等配时方法相比，采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时，被控区域的车辆平均延误可以分别有一定的减少，并可以大大提高路口的通行效率。
３．４模拟退火算法在智能交通中的应用
模拟退火算法最主要的特征是具有跳出局部极值点区域的能力，故能寻找到全局最优活近似最优而与初始点的选择无关，这也是模拟退火算法和局部搜索算法的本质区别所在。目前，在智能交通中，模拟退火算法一般用于优化效率方面。张波，叶家玮，胡郁裂ｂ１针对城市道路行走不同的目标条件进行优化，选择最佳行走路径；并将用该算法优化得到的计算结果与树形算法进行比较，显示该算法能够克服传统优化算法易陷入局部极值的缺点，同时表明该算法在解交通路径方面问题时有较高的精确性。黄亚飞，刘涛【Ｉ６】提出用双层规划模型描述路网管理者、收费道路经营者和车辆用户三者在费率决策中的博弈关系，其中上层以路网用户盈余最大化为目标，下层是弹性需求下的多车型随机用户均衡模型，设计了遗传一模拟退火混合优化的求解算法。计算发现路网收费收入目标的高低将直接影响测算所得费率的高低，进而影响各车型ＯＤ出行量，且时间价值低的车型用户比时间价值高的车型用户受费率变化的影响要更为显著，表明双层模型在费率决策过程中能兼顾相关各１０５２
方的利益，建模时考虑车型分类能更合理地反映现实情况：与遗传算法、模拟退火算法相比，遗传．模拟退火算法计算结果最优。焦朋朋，陆化普，王建伟ＩＩ７】引入交通效率的概念，提出了基于交通效率的城市道路网络优化思路。与传统的四阶段交通规划模型相结合，将多车种用户平衡问题作为下层模型，考虑建设费用、污染物排放和能源消耗的约束，建立了使广义交通费用最小化的城市道路网络双层优化模型，分析了关键参数，并应用遗传算法和模拟退火混合算法进行了求解。实例研究表明，该模型既能满足交通需求，又能满足交通系统的环境保护目标。
３．５人工免疫系统对智能交通的影响
以生物免疫机理为基础的人工免疫系统（ａｒｔｉｆｉｃｉａｌｉｍｍｕｎｅｓｙｓｔｅｍ，ＡＩＳ）已成为目前国内外计算智能领域一个新的研究热点。近年来，研究者们不断从生物免疫系统中抽取隐喻机制，用于ＡＩＳ的模型设计、算法实现和工程应用。ＡＩＳ在信息安全、模式识别、智能优化、机器学习、数据挖掘、自动控制和机器人学等诸多工程领域的初步应用，显示出其强大的信息处理和问题求解能力以及广阔的应用前景。林洁，杨立才等【ｌ８】在一般免疫优化的基础上，建立了一种求解最短Ｋ路问题的人工免疫优化搜索算法，结合应用扩展节点法建立的城市交通路网模型，实现了城市交通诱导系统的最优Ｋ路搜索。人工免疫优化算法具有良好的全局并行搜索能力，基于生物免疫系统的免疫记忆功能，在Ｋ路最短问题求解时，能同时给出Ｋ条最短路径而不用重复计算，这种特性使之不仅明显优于传统方法，而且不存在遗传算法的早熟现象并具有更好的并行性，更加符合交通诱导系统实时性的客观要求。杨立才，贾磊【１９】等提取生物免疫系统的隐喻机制，基于免疫网络理论和克隆选择原理，建立了一种人工免疫数据聚类分析算法，并详细阐述了聚类算法在城市交通时段自动划分中的具体应用。实例分析表明，该算法可以有效减少聚类数据的冗余信息，特别适合于解决分级聚类等传统方法不适应的大数据量聚类问题，对解决城市交通时段的自动划分等数据聚类问题是可行的和有效的。‘‘
３．６支持向量机在智能交通中的应用
支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ。ＳＶＭ）方法运用结构风险最小化原贝ＩＪ（ＳＲＭ）可解决神经网络所具有的一些缺陷，而且在训练样本很少的情况下具有很好的推广能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。作者根据支持向量机的以上特点，在前人研究的基础上，提出了一种基于支持向量机的短时交通流量预测方法。杨兆升，王媛１２０］等提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于ＢＰ神经网络的预测模型的对比结果表明，该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于ＢＰ神经网络的预测模型。覃频频【２１】针对交通领域中的事件检测（无事件模式和事件模式）模式识别问题，描述了支持向量机（ＳＶＭ）支持的基本方法，建立了基于线性（１ｉｎｅａｒｆｕｎｃｔｉｏｎ）、多项式（ｐｏｌｙｎｏｍｉａｌｆｕｎｃｔｉｏｎ）和径向基（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ）３种核函数的事件检测ＳＶＭ模型。采用高速公路路段１－８８０线圈数据集和事件数据集验证模型，结果发现：无论对于向北、向南或混合方向的事件检测，在３个ＳＶＭ模型中，ＳＶＭ（Ｐ）检测效果最好，ＳＶＭ（Ｌ）最差。ＳＶＭ算法具有避免局部最小，实现全局最优化，更好的泛化效果的优点。是高速公路事件检测的一种很有潜力的算法。
４．发展展望
虽然人工智能已经在智能交通领域得到了广泛的应用，但还有很多地方值得深入研究。主要体现在以下几方面。
（１）交通信息系统中数据挖掘技术
随着交通信息采集的日益完善与普及，很多城市开始采集大量的交通数据，长时间的交通数据积累起来是巨大的。如何从这些海量交通数据中获取有用信息，需要人工智能中的数据挖掘方法。
（２）信号控制系统中的优化技术
在交通规划与管理领域，信号控制占有很重要的比例，而信号控制中的自适应信号控制又是智能交通的典型系统。因为自适应信号控制需要根据实时的交通信息动态调整信号相位，人工智能１０５３
中的智能体、模糊、神经网络，机器学习等可以发挥重要作用。
（３）智能车辆中的智能控制技术
车辆安全辅助驾驶与自动公路系统中的核心是控制技术，而终极目标是实现智能车辆。智能车辆涉及到多传感器信息融合、智能控制等关键技术，人工智能中的模糊控制、神经网络控制、自适应控制等能得到很好的应用。
（４）电子收费系统中模式识别技术
电子收费系统中除了道路设施与车辆要进行通信外，还需要利用视频等对车辆进行摄像与识别，包括识别车型、车牌等，以防止车辆逃脱收费。这是一个典型的模式识别问题。因此人工智能中的模式识别技术可以在收费系统进行应用。
由于智能交通与人工智能包含的领域都很广泛，由于篇幅有限，在这里不能一一展开论述。总的来说，由于两个领域都涉及到智能，具有天然的结合点，在此方面开展深入研究不仅能促进智能交通系统理论体系的建立，而且能扩展人工智能的应用范围，具有重要的学术价值和实际应用意义。
致谢ｌ本文研究得到国家基础研究计划（９７３计划）（项目编号２００５ＣＢ７２０５）资助。
参考文献
ｆ１］ＬｏｎｇＣｈｅｒｔ，Ｆｅｉ—ｙｕｅＷａｎｇ．ＡＮｅｏｒｏ・ｆｕｚｚｙＳｙｓｔｅｍＡｐｐｒｏａｃｈｆｏｒＦｏｒｅｃａｓｔｉｎｇＳｈｏｒｔＴｅｒｍＦｒｅｅｗａｙＴｒａｆｆｉｃＦｌｏｗｓ【Ｃ】．ＰｒｏｃｏｆｔｈｅＩＥＥＥ５血ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２００２：４５１－－４７１．
【２】朱中，杨兆升．实时交通量人工神经网络预测模型【Ｊ】．中国公路学报，１９９８，１１（４）：８９—９２
【３】杨立才，贾磊．粗神经网络及其在交通流预测中的应用【Ｊ】．公路交通科技，２００４，１０：９５—９８
【４】董超俊，刘智勇．多层反馈混沌神经网络及其在交叉口优化控制中的应用．公路交通科技，２００６．６（６）：１２２—１２６
【５】胡郁葱，徐建闽，吴一民．基于ＢＰ神经网络的车辆定位融合模型．２００４，２（２）：４Ｄ４９
【６】王震宇，高更君，黄卫．基于多智能主题的高速公路控制系统结构．交通运输工程学报，２００３，３（１）：７６－９２
【７】朱茵，唐祯敏，钱大琳．基于多智能体技术的交通管理系统的研究．中国公路学报，２００２，７（３）：８０—８３
【８】马寿峰，李英，刘豹．一种基于Ａｇｏｎｔ的单路１２１交通信号学习控制方法．２００２，１２（６）：５２６－－５３０
【９】蔡朝辉，宋靖雁，张毅等．基于Ｍｕｌｔｉ．ａｇｅｎｔ的交通流优化模型公路交通科技，２００３，２（１）：９７—１０４
【１０】蒋海峰，魏学业，张屹等．仿真交通流混沌特性研究．系统仿真学报，２００７，６（１２）：２８０９—２８１２
【１１】祈小卿，贺国光．应用元胞自动机模型对交通流混沌的研究．计算机仿真，２００６，１０（１０）：２６６－－２７６
【１２】李松，贺国光，张杰．车头间距与高速公路交通流混沌．西南交通大学学报，２００７，６（３）：３０５—３０９
【１３】钱勇生，王春雷．基于三群协同粒子群优化算法的区域交通控制．计算机工程与应用，２００７，４３（１４）：１８７—１８９
【１４］董超俊，刘智勇，邱祖廉．灾变粒子群优化算法及其在交通控制中的应用．计算机工程与应用，２００５，２９：１９：２３
【１５】张波，叶家玮，胡郁葱．模拟退火算法在路径优化问题中的应用．中国公路学报，２００４，１（１）：７９～８１
【１６］黄亚飞，刘涛．路网最优费率的双层规划模型及算法．交通运输工程学报，２００６，１２（４）：１０５—１１ｌ
【１７］焦朋朋，陆化普，王建伟．基于交通效率的城市道路网络优化．清华大学学报（自然科学版），２００５，３：２９７—３００
【１８］林洁，杨立才，吴晓晴，等．求解动态路径诱导Ｋ路最短问题的人工免疫优化方法．山东大学学报（工学版），２００７，４（２）：１０３－１０７
【１９］杨立才，贾磊，孔庆杰，等．基于人工免疫算法的交通时段自动划分方法．控制理论与应用，２００６，４（２）：１９３。１９８
【２０】杨兆升，王嫒，管青．基于支持向量机方法的短时交通流量预测方法．吉林大学学报（工学版），２００６，１１（６）：８８１．８８４【２１】覃频频．基于支持向量机的高速公路事件检测．中国安全科学学报，２００７，１（１）：１７２—１７６