Case-Based Reasoning for Improving Traffic Flow in Urban Intersections --中文解读
这篇文章是ICCBR会议文章,虽然ICCBR在人工智能会议中算不上顶级,但是在CBR领域中还是不错的。本文主要介绍了基于CBR的交通路口优化系统,主要介绍CBR相关内容,对于交通方面的介绍较浅。
摘要部分:
因为是会议文章,作者主要介绍提出的CBR交通路口方案优化系统,其中使用了很多现有的工具:jCOLIBRI和Aimsun等。最后的实验,也只是在Aimsun交通模拟系统中进行。
1、介绍:
作者首先讲述交通控制问题的复杂,主要有以下几个方面:
- 一种交通环境下适用的方案未必适用于其他交通环境。
- 路网设计的差异,对方案影响较大。
- 其他方面的影响:交通文化,日期,活动等等。
一顿诉苦之后,简单说了一下CBR系统的优势,再介绍下文章结构。
2、相关工作:
这一节用大量的篇幅介绍了引用文献中的思路,算法,缺陷等等,并吹嘘了一下和自己思想比较类似的一篇论文。
3、设计与实现:
介绍系统架构:主要有三部分构成Aimsun(交通模拟系统)、仿真管理器、CBR系统。
一、基于案例
这一部分归纳出文章所研究案例有关的属性,共有七个,归纳出案例结构表:
笔者认为,对于交通案例来说,这七个要素虽说重要,但还是过于片面。文章主要从这七个Feature考虑交叉口流量控制案例,针对的交叉口对象也仅仅是挪威市中心的一处路口,只是在不同场景下的情况案例。
二、相似方法
在CBR系统中,相似案例的匹配是最为重要的一环,即从案例库中检索出与当前案例最为类似的案例。既然将案例的属性归为以上七类,则必须要根据属性的不同值,计算相似度以及各属性的权重。而本文中对于属性相似度的计算,是我所见过的文章中最为粗暴的方式--直接手动设置。以季节属性为例,作者绘制了不同季节之间的相似度表:
作者还有理有据的给剩余的六个属性都列了这样的表格。这样若要计算两个案例之间某个属性的相似度,直接查询表格即可。
三、进化算法确定权重
既然现在已经能计算两个案例之间单一属性的相似度了,现在只要计算出每个属性所占权重就行了,然后每个属性的相似度x属性对应的权重值,再把他们累加求均值,就行了(作者果然就是这么做的,这也太没创新了)。计算属性对应的权重虽说用的是遗传算法,但也并没有多么深奥,只是作者加入了精英主义的原则稍加改进(其实就是把优秀的保留并传递下去)。
四、检索
这步原文作者也没啥说的,就是把计算出来的与目标案例相似度最高的案例从案例库中提取出来。
五、交叉口建模
这一部分也是不出意外的画张个研究路口的图,其实也没什么内容。不过稍显意外的是作者主动说明忽略了公交专用道和行人,这在其他文章里都是回避一下的。
4、实验与鉴定:
一、基于案例的评估
通过对案例库的屏库,可以考察其性能。文章在这一部分也是灌了水的,直接就根据案例数量,得出了一个对应的准确率表格。
二、场景描述和设置
文章在这一部分这是了五个场景:正常工作日,正常周六,球赛日,假期和路滑天。并对每个场景中的五个时段的交通流量分别作了表格。这一部分实在有点草草结尾的感觉,有点水。
三、最后结果讨论
五个场景每个都用了三套方案:静态方案,受限CBR和不受限CBR。最后吹嘘自己的系统效果较好,用的一些数据圆了一下。
5、结论:
这里就是老套路了,实在没啥可说的。