作者简介：任晓鹏，男，河北，汉族，本科，研究方向是：解决城市交通拥堵优化问题

本文系大学生创新创业训练项目，项目名称：多模态数据驱动的城市交通拥堵优化博弈模型  ，项目编号：X202512595036   

基于多模态数据与博弈论的城市路网交通分配及拥堵缓解机制

任晓鹏 ，邵晨希，杨淑琼，王祎

辽宁理工职业大学，辽宁省锦州市，121000

摘要

城市化快速扩张催生常态化城市交通拥堵问题，传统依靠静态交通数据与固定配时规则的管控方案难以适配动态多变的路网车流演化规律。本文以多源异构交通多模态数据为基础，融合Stackelberg分层博弈、纳什均衡与进化博弈理论，搭建数据驱动的路网交通分配优化模型，围绕多模态数据融合处理、博弈主体行为建模、多目标信号配时优化三大核心内容开展研究。研究整合道路监控视频、雷达测速、GPS轨迹、气象与地理信息等多模态数据源，依托CNN、LSTM与多头注意力深度学习算法完成数据特征提取与融合，将交管部门、机动车辆、行人划定为多层级博弈参与主体，构建兼顾拥堵指数、通行延误与碳排放指标的多目标优化函数，借助改进NSGA‑Ⅱ算法动态整定目标权重，结合DQN强化学习实现路口信号灯动态配时调控。

关键词：多模态数据；博弈论；交通分配；拥堵缓解；智能信号控制；深度学习

引言

随着我国城镇化进程的不断推进，城镇机动车数量持续增加。在城市道路网的供需矛盾下出现了早晚高峰交通拥堵，增加了居民出行时间，且车辆尾气超标也造成了城市的环境污染问题，这都不利于建设低碳城市和智慧交通城市建设。传统的交通分配模型都是以历史统计数据为基础的静态分配模型，信号灯控制为固定时段配时方案，无法根据瞬间流量、天气等实时变化来对信号灯配时进行及时调整，导致了城市部分道路网络重复性发生拥塞现象。

一、多模态数据与博弈理论相关研究基础概述和整体思路框架设计

本文基于智能交通工程、大数据科学及数理博弈理论，分析国内外现有交通分配、多源异构数据融合及博弈论下的交通建模等研究成果。总结目前存在的异构难处理的数据问题、理想化主体的假设、难以全局优化目标函数及缺乏实时系统响应等问题。遵循从上至下逐层应用的研究思路，首先对视频监测数据、测速传感器数据、气象数据、POI地理数据等多模态的交通数据进行集成，借助深度学习算法实现去噪处理、时间序列统一对齐、特征级融合；其次将管理者、车辆及行人划分到不同的层次中，搭建基于Stackelberg纳什混合博弈的架构模型，并建立由道路拥堵、时延以及碳排放三位一体的目标函数；接着利用改进NSGA-Ⅱ和DQN强化算法分别对权重参数及动态配时规则进行优化；最后在SUMO仿真平台上导入实测的道路网络数据并与传统的固定配时方案做对比以量化缓解交通拥堵效果，利用实验结果完善了缓解拥堵的措施。

二、多模态交通数据采集及预处理体系构建

（一）多源多模态交通数据分类和采集方案

本文的多模态交通数据按照可视化图像数据、时序传感数据和环境辅助数据三种类型采集，每一种数据采用不同硬件设备在不同场景下实地收集。可视化图像数据由路口摄像头与路侧激光雷达采集，摄像头以30Hz采样率记录车辆及行人的通行图像信息，激光雷达对车辆的位置、速度以及跟车距离等参数精准捕捉，其作为短时车流密度测量的主要数据；时序动态数据由GPS车载终端、路侧RSU单元采集到车辆轨迹数据和路段实时流量数据，并按秒进行频率存储；环境数据主要包括即时的气温、雨雾等气象信息和POI点、道路等级、车道数量GIS地理信息等，其中气象信息每小时进行一次更新。

（二）深度学习辅助的多模态数据清洗和特征融合

考虑多模态数据异构问题、噪声干扰以及局部数据的缺失，建立CNN-LSTM联合深度学习框架对全部的数据清洗和融合处理。采用孤立森林异常检测算法去除因传感器故障或镜头遮挡所导致异常失真数据，利用线性插值法补齐网络中断和临时设备停机所致空缺字段，将所有的数据进行归一化统一量纲以消除不同维度之间的数值跨度差异所导致计算误差。基于摄像头获取的路口图像画面采用卷积神经网络CNN逐层提取车流密度信息、行人聚集区域信息及车辆排队长度等空间信息，GPS和车流量数据采用LSTM神经网络挖掘随时间交通早晚高峰和节假日时序演化规律。

三、在博弈结构下优化路网交通分配并减轻交通拥堵

（一）建立多层级混合博弈模型并量化交通体的利益

基于Stackelberg主从博弈及纳什均衡理论，构建了上层管理者、下层车辆与行人2层博弈主体模型。改变了单主体的建模思路，真实地反映现实路网中存在的多方利益竞争。其中上层博弈者为城市交通管理者，主要控制目标是使得整个城市的路网流量分布达到最佳状态，并且片区整体的拥堵程度较小，车辆平均通行延误较低，在降低交通污染方面也考虑减少机动车辆总的碳排放量。同时它拥有改变道路上行驶车辆的主干道优先级别及制定信号灯配时方案的权利，属于主导性角色；下层的博弈者由两部分组成，即机动车辆驾驶人以及过街行人。其中，驾驶人根据最小化出行时间及规避交通堵塞的思想来选择路径，从而在出行途中能够自主改变出行路径：过街行人更重视其行走安全性及对人行信号配时中人行道绿灯放行时间的不同需求。

基于多方主体差异化诉求，确立多目标优化目标函数：，式中α、β、γ分别代表拥堵、延误、碳排放三项指标的动态权重系数。权重系数不是一个常数，结合改进的NSGA‑Ⅱ多目标优化算法与SHAP特征归因进行动态整定，利用SHAP对每个权重系数的变化对于整体路网优化效果的影响大小进行量化，避免多目标优化中帕累托前沿过早成熟现象，从众多帕累托最优解集合中找到工程实际中应用的一个较优解。

（二）基于DQN强化学习的动态信号配时和拥堵闭环缓解算法

基于博弈均衡解提出DQN深度强化学习算法构建信号灯动态配时控制系统，并使用边缘计算硬件实现秒级发送配时命令，解决固定配时不能及时应对瞬时车流的问题。该系统把每一个路口的交通灯作为终端，将上层博弈获得的路网最优流量分配为方向引导实时读取并融合了各种交通特征值，DQN基于各个相位下信号灯放行时间进行不断地探索找到最适宜组合，通过全域最小拥堵指数作为奖励函数迭代优化。项目采用云边协同部署架构拆分运算任务，边缘设备就地完成路口局部实时配时计算，云端服务器负责全域路网演化博弈复杂运算，优化架构将系统端到端数据处理时延控制在 1.2 秒以内，满足智能交通实时管控低于 3 秒的行业硬性指标。

基于路侧RSU构建完整闭环的数据反馈缓解机制，“采集数据->模型改善->信号控制->数据回传”这一闭环式道路拥堵处理方式，通过路侧设备收集调整之后车速、排队长度以及尾气排放等信息，并将其反向传输到模型输入端以对DQN和博弈算法的超参数、博弈权重系数做出修正并缩小仿真环境与实际道路行驶情况间的数据分布差距从而实现对模型漂移状况的处理。针对车辆在被采集时可能会涉及的轨迹等问题，提出采用相应的数据脱敏方法以及联邦学习的方法，确保在满足用户隐私不外泄的条件下，利用车辆的出行数据。

结语

本文从多源数据到分层博弈的建模再到动态信号配时闭环管控实现基于多模态数据驱动和博弈理论相结合的全过程交通拥堵问题研究，充分利用了多模态异构的数据深度融合解决了传统静态数据的问题，并且将混合博弈的模型用于衡量多方交通主体的利益，摆脱单一指标优化的问题，建立考虑通行效率、出行安全和低碳环保一体化的交通分配优化。

参考文献

[1]陈建明,曹晨航.基于交通分配的级联故障下城市路网脆弱性评估[J].西昌学院学报(自然科学版),2025,39(2):75-82.

[2]彭显玥,王昊.交通分配与信号控制组合优化研究综述[J].交通运输工程与信息学报,2023,21(1):1-18.

[3]王建,朱森来,陆丽丽,等.面向城市路网拥堵管理的区域停车收费协同定价优化方法[J].现代交通与冶金材料,2022,2(3):74-83.

...