文摘

本文的目的是开发一个决策算法,减少交通堵塞,可以应用于智能交通系统。为此,这些算法必须解决两个主要的挑战,在这种情况下出现。一方面,有收到的传感器网络数据的不确定性所产生的信息不完整或因为信息丧失了一些精确的信息处理和显示。另一方面,环境的变化这些类型的系统操作。更具体地说,层次分析法(AHP)算法一直在适应,考虑到所提到的挑战。在解释该决策方法,验证了在一个特定的场景:一个智能交通管理系统。

1。介绍

叙述地,智能城市1- - - - - -3]是一种城市空间基础设施、智能网络和平台,数以百万计的传感器和致动器,构成传感器网络(4),其中人与手机也必须包括在内。它必须提供正确的信息在正确的时间正确的用户,在正确的地方,在合适的设备。

智能城市的一个主要类别是智能交通系统(ITS) [5- - - - - -7),这是一组技术广泛的交通问题的对策。多年来,该领域一直在发展,目前,大量的系统已经测试和部署。其应用主要是为了应对交通拥堵和交通事故,以及改善交通的许多其他方面,提供创新的服务不同的运输方式和交通管理,使不同用户更好的了解,使更安全、更协调,智能交通网络的使用。

决策机制是这些系统的核心部分之一。基于上下文所收集的信息,系统可以配置为检测到某些变化时改变自己的行为。使用一个合适的决策算法,可以有效地管理交通避免交通拥堵和交通事故。

然而,即使从上下文是非常详细和准确的收集的信息,复杂的和意想不到的动力学可以出现在这样的交通系统。可能出现的不确定性,有时称为不精确或噪音,在通过这些系统的信息的收集,加工,或报告。信息不准确可能发生因为收集到的数据产生信息不完整或因为信息丧失了一些精密的加工和展示(8]。

因此,重要的是,决策机制考虑信息不准确,为了做出更好的决策,避免错误的决定不受欢迎的和危险的后果;例如,这可以产生事故,交通拥堵,污染增量或能源浪费6]。解决方案决策算法来处理不确定性的使用模糊逻辑(9- - - - - -11]。

另一方面,传感器网络传感信息从一个多变的环境,所以决策算法还应该考虑这个为了能够适应当前形势下,优化决策,以选择最好的解决方案在每一刻。

摘要AHP决策算法一直在适应其减少交通堵塞,考虑固有的信息不准确和动态的环境。部分2介绍一些著名的艺术状态以及广泛应用决策算法,显示使用它们的优缺点和推理为什么选择AHP算法适用于它。节3AHP决策算法解释和讨论,并在部分4提出了决策算法。节5,该算法应用于一个特定的场景,以测试其适用性提到减少交通堵塞的框架。最后,在节6提出了结论。

2。相关工作

在决策中,可以区分情况下是否有一个或多个标准。决定问题可能有一个标准或一个总体衡量成本(12]。然后,决定可以隐式地通过确定最好的替代值单一标准或聚合的措施。另一方面,有一个有限数量的标准的情况下属于领域的多标准决策(指标)。解决这些情况下,大量的已定义的方法,主要指标,其中的一些主要方法是加权方法、多属性效用理论(MAUT),级别高于方法、模糊方法,层次分析法(AHP)和技术的偏好顺序相似,理想的解决方案(TOPSIS)。AHP算法将展示和讨论部分3。

在本节中,将简要解释这些方法强调这些算法的主要优缺点现在为了考虑是否合适或不适应和应用于智能交通系统。

2.1。加权方法

在这些方法中,权重分配决策标准和替代,然后决定是由应用加法或乘法函数和选择的标准重量。这些函数用于评估备选方案是基于加权和或产品。最好的选择是产量最大的总性能值。通常认为,所有的标准都是受益标准;也就是说,值越高,就越好。几个大多数已知权重方法是加权和模型(WSM) [13),加权产品模型(WPM) [13),简单的多属性评价技术(智能)[14],SWING [15),和权衡权重16]。

这些方法适用于只有当所有表达的数据完全相同的单位。如果情况不是这样,那么最终结果没有意义。另一方面,权重的选择和标准必须之前定义为了应用该算法和,因此,它是不可能适应这个算法被应用到智能交通系统由于数据随时间和他们不是静态的。

2.2。多属性效用理论

多属性效用理论(MAUT)是一个结构化的方法用于处理多个目标之间的权衡。根据MAUT,综合评价的另一种方法是定义为一个加权的评价对其相关价值维度或标准。这些维度评估评估者对他们的效用,利用效用函数(17]。

效用函数可以应用于变换的原始性能值选择对不同的标准,这两个事实(客观、定量)和评判(主观、定性),常见的,无量纲。他们还将原始性能值,因此更喜欢性能获得更高的实用价值。这是一个标准的例子反映出成本最小化的目标。相关的效用函数必须成本低导致更高的效用值值(12]。

所有的选择都是评估使用这个功能,选择最大化效用。的加权方法,应用这群方法,选择的权重和标准必须之前定义的,因此,它是不可能适应这个算法应用于智能交通系统。

2.3。产业为方法

这些方法(12)是基于偏好关系,通常被称为级别高于关系,这表明一个替代的优势度。这主导地位决定使用两个指标定义一致性和冲突后,假设,第一个选择是倾向于第二个。阈值为指标,如果定义的一致性指数高于阈值和不整合一个低,然后第一个选择是首选。主导选择被淘汰,最后,最好的选择的一个子集。应用这个过程,直到获得一个合适的子集。两个著名的级别高于ELECTRE方法(18和PROMETHEE法19]。

这些方法适合选择最好的组选择当有大量的他们。然而,由于这种方法不选择一个替代,但一组选择,它不能被应用作为一个算法,以使一个独特的和最终的决定,因此,另一个决策算法选择必须选择另一个选择是智能交通系统中使用的场景。

2.4。模糊方法

这些方法(9)采用模糊集理论定义添加灵活性和丰富方法决策标准和替代值像一组模糊的特点。模糊集是集元素的隶属度。与经典集合理论相比,加入元素集的评估在二进制术语中,一个元素属于或不属于这个集合,和模糊集理论允许渐进的评估在集合中元素的成员。这是一个隶属函数描述的帮助下价值在现实单位时间(][20.]。

模糊集介绍了决策算法来处理不精确或模糊的人类思维和判断以及决策不精确源自一个真实世界的场景。不精确可能出现各种各样的原因:无法量化的信息,信息不完整,不能得到的信息,部分无知。传统的多属性决策方法不能有效处理问题不精确的信息(21]。

模糊方法在nonfuzzy方法的主要优势在于,前者的考虑不确定性和标准之间的相互依存和备选方案。模糊方法提供更实际的、可靠的和合乎逻辑的结果应用到模糊环境比nonfuzzy方法,根据一些研究证明(21- - - - - -23]。相反,偏好由模糊方法可以不准确,应进行了讨论。

2.5。指标值

(提出的这种方法,24- - - - - -26),获得排名的选择基于贴近度的理想解决方案。这个系数考虑替代的距离正理想解和负理想解。第一个解决方案最大化利益标准和最小化成本标准,第二个解决方案最大化标准和最小化成本效益标准。因此,最好的选择将是一个积极的理想的解决方案和最短的距离最远的距离负理想溶液(27]。

为了做出决定该算法遵循几个步骤。首先,构造决策矩阵和规范化。然后,构造加权标准化决策矩阵。在这之后,得到了积极的理想和消极的理想解决方案。接下来,对于每一个选择,它的分离从正理想解和负理想解的计算。最后,计算相对亲密的每个选择理想的解决方案,基于这个系数和替代。

这种方法有几个优点,这样它是有用的对于定性和定量数据,它是相对简单和快速,一个系统的过程,它为每个替代输出数值,它提供了一个更好的理解之间的差异和相似之处的替代品(28]。另一方面,它有一些缺点,如标准之间的相关性,获得权重的不确定性只有客观的方法或主观的方法,和可能性的替代封闭理想点和并发最低点29日]。

3所示。层次分析法

层次分析法(AHP)是一种应用最广泛的指标算法。在这个算法中,决策问题是首先分解成层次结构由一个总体目标,一组选项或方法达到我们的目标,和一群因素或替代目标相关的标准。一旦建立层次结构,决策者通过比较系统地评估它的各种元素,一次两个,选择或标准,对上面的一个元素在层级的影响,分别标准或目标。为此,相对权重分配给每一个成对比较备选方案和标准根据规模显示在表中1(30.]。

这些评估转化为数值代表优先级为每个元素的层次结构。这些优先事项,基本上也称为权重,得到以下两个步骤。首先,当地对目标优先级的标准,每个标准计算和选择。为此,以下方程是解决: 在哪里每一对的成对比较备选方案或标准相比,本地优先级,是主要的成对比较矩阵的特征值。

一旦当地优先级标准和备选项已经获得,总优先终于计算出每个决策方案。总优先的另一种选择是其本地优先级的总和对每个标准,加权的权重相应标准。总优先级代表选择在多大程度上能够实现决策目标,所以他们允许一个简单的评价不同的可能的行动。

自标准和替代重量不是之前定义,该算法使他们适应特定的环境。此外,决定后一个简单的过程,容易理解,应用和实施,能够选择一个的选择。此外,它的一个主要应用领域是那些与运输、路线选择等(31日- - - - - -34]。因此,该算法适用于被应用于智能交通系统。

4所示。提出了基于决策方法

在本节中,决策建议,提出了可以应用于智能交通系统。更具体地说,本文的主要贡献是在部分上市4.1。然后,提出了决策算法的执行过程将和详细描述部分4.2。

4.1。创新

尽管AHP算法进行了广泛的研究和广泛应用和一些算法的变体出现,没有变异的AHP考虑,同时,不确定性和变化的输入数据应用于智能交通系统。这将使该算法处理收集的数据误差处理过程中由于信息不完备或精度损失,显示和处理动态变化在一个真正的上下文。这种算法将改善决策在智能交通管理系统中,考虑到这两个方面,存在于这些系统。

因此,在本文中,层次分析法(AHP)中已经被融合适应智能交通系统中的两个变量,模糊层次分析法(模糊)和动态AHP (DAHP),解决出现的两个重要方面:从传感器数据的不确定性8),收到上下文数据的可变性。

一方面,时间间隔,而不是单个值曾作为成对比较的相对权重为模型不准确数据从传感器可以收到礼物,如前所述。这些间隔是三角模糊数的模糊集。这种方法在模糊AHP方法是一样的35),因此上述权重计算根据这种方法。

另一方面,选择被看作是时间的函数中的变量动态AHP方法(36]。因此,选择定期检查以检测上下文中可能出现的变化和调整成对比较的相对权重。标准也定期调整。本文的一个关键方面是动态AHP方法实现和验证对一个现实的场景中,通过使用MATLAB。

此外,在传统的AHP算法,分配权重的两两比较是基于一个主观的过程,它使用专家的判断来评估每个准则的重要性考虑他人,因此,获得他们的重量。然而,在该算法中,分配模糊权重的两两比较是基于一个客观过程,它使用历史为了获得输入流量数据计算标准和权重。这使得该算法操作自主和自适应而无需人工干预,以及避免人类的主观能动性的判断。

这个过程包括在定义9间隔两两差异的标准和选择,所以每个区间都有9中定义模糊权重的分配算法。当两两比较的值落入一个间隔,间隔的重量对应分配给这些比较。以这样一种方式,因为权重分配是基于一个客观过程,避免人类判断所产生的错误的负面影响等这些错误可能包括更大的交通堵塞,高数量的污染,或浪费能源。在部分5。2和5。3更详细地解释,权重分配过程。

总之,决策算法提出了提出了三个创新:(1)模糊层次分析法和动态AHP融合为了处理不精确和可变性的输入数据在实际模糊多变的环境的智能交通管理系统中,为了提高决策更真实,可靠,和逻辑。(2)客观过程被添加到该算法计算标准和选择权重基于历史输入获得的数据流量,而不是人类主观的判断。这使得一个自治和自适应量化输入数据的过程。(3)提出了决策算法的实现和仿真是用MATLAB来完成。

4.2。执行程序

该方法的执行将执行以下的步骤如图1。

在下面几节中,将详细描述了这个过程。

4.2.1。准备计算权重的标准和选择

一旦确定目标和标准,标准重量第一,然后选择,计算。这样做是在模糊方法,嵌入AHP方法的模糊理论解决复杂决策问题在模糊环境中。计算权重的过程如下:

步骤1。获得输入数据,比较标准/替代值对,和分配一个重量为每个比较使用定义的时间间隔和规模如表所示2。在这个规模,使用三角模糊数的模糊数表示的三分,在那里最常见的值,站在下界,站的上界(37]。这被解释为隶属度函数表示。必须指出的是,规模见表2仅仅是一个例子的上下边界间隔的距离是两个单位的中心价值但区间的范围可以选择的设计师的决策方法。成对的贡献矩阵是矩阵如下所示: 在哪里显示的偏好th标准在标准。

步骤2。模糊的比较值的几何平均每个标准/替代如以下所示计算方程,在哪里仍是三角形的价值观: 在哪里代表了下界,最常见的值,模糊比较值的上界形式成对的一部分贡献矩阵。

步骤3。每个标准的模糊权重可以通过接下来的三个子步骤:(一)找到每个向量的总和。(b)找到求和的向量。取代模糊三角数,使它越来越秩序。(c)寻找模糊的重量标准,,每个必须乘以这个相反的向量。这些子步骤中可以合成以下方程: 在哪里代表了张量积,代表直接求和,是下界,是最常见的值,的上界值模糊权重向量。

步骤4。因为计算权重仍然模糊三角数,他们需要defuzzified中心区域的方法(38),通过应用下一个方程:

第5步。最后,我们正常。

4.2.2。定期调整的标准和选择权重

确定标准的权重后,选择确定和相应的权重计算标准为标准遵循相同的步骤。然后乘以每个替代重量与相应标准权重,计算分数为每个替代为了排名,决定什么是最好的选择。之后一段时间收到新的输入数据及其权重调整。因此,标准和选择权重不是固定的值被认为是在传统的AHP方法,但随着时间的推移,变量。

通过这种的观点,提出了决策方法可以申请每次收到的新措施,但聚在一起为每个时期,这些照片的动态表示系统行为可以最终获得系统本身需要调整在一个迭代的过程。在每个时期,计算权重的方法决定了选择的相对排名在每个时期如表所示3。提到的图,可以代表图形随着时间的进化选择为了获得趋势。

因此,最好的决定下一个动态上下文并不总是AHP提供在特定的时间,但是,替代仍然在之前的排名位置选择的时间考虑。获得的排名与传统层次分析法将引用正确的决定从一个当地的观点,但不一定在一个临时上下文。因此,该方法考虑了时间因素作为一个重要的方面在长期决策正确。这样,系统可以准备应对动态环境随时间发生变化。

5。该算法在智能交通系统中的应用

在本节中,决策算法提出了将被应用到一个具体的场景来演示其是否适合应用于智能交通系统。中描述的应用程序场景将部分5。1。间隔的定义标准和选择权重赋值将显示部分5。2和5。3。然后,提出决策算法的一个数值的例子将开发的部分5。4。最后,该算法将TOPSIS算法的变体相比,以评价其性能。

5.1。场景

该决策方法将应用于智能交通管理系统位于马德里。司机可以通过高速公路访问这座城市,但也有环形路,使他们能够访问这个城市在不同的点。在该场景中,使用高速公路,司机试图访问马德里称为a - 3,还有两种可能的环形道路,名叫M-40 M-45,司机可以转移。

测量是获得国家交通部门的交通管理系统(总局)39),在西班牙,它提供了大量的实时交通数据集成在谷歌地图。然后用户可以轻松收集交通信息从4000年流量传感器位于西班牙的道路网络。分析我国交通管理系统包含不同类型的传感器,如电磁循环、道路气象传感器、电视摄像机,固定的雷达。

电磁回路测量流量强度、速度、流量、入住率,车辆之间的距离,和重型车辆的百分比等测量。道路天气传感器测量大气、降水、和道路参数如空气温度、相对湿度、大气压力,全球辐射、露点、风速、方向和类型、可见性、降水强度、数量和类型、高度的水层和积雪层、状态和路面温度、冻结温度和盐度。电视摄像机监控的很多部分主要道路以及访问城市和热点如隧道和桥梁。固定的雷达监视和控制车辆的速度。

交通提供的历史数据分析我国关于交通流量的传感器,车辆数量/小时,平均速度,在km / h,入住率,这是测量时间的百分比,一辆车是在路上,占领一些地方和比例的轻型车辆可以从我国获得web页面(40]。用户也可以选择协商时间的间隔,在选择日常的可能性,每周或每月的历史数据。传感器产生的数据是本局的周期性地发送到服务器。

交通控制应用程序获得每分钟流量数据,流程,并决定最好的访问城市道路使用提出的决策方法。最好的道路是最低拥堵水平根据提供的数据传感器。因此,道路交通流平均速度和更高更低的入住率将在其他人的偏好。

最后,应用程序将消息发送到交通委员会,这是位于环公路公路改道前,表明最好的路的司机试图访问马德里(见图2)。

因此,在上面解释的场景,目标、标准和选择决策方法的定义。目标是控制交通以减少道路上的交通拥堵。的标准用来评估备选方案由传感器获得的数据部署在路上,也就是说,交通流量、平均速度和入住率。替代高速公路和环道路推荐的司机试图访问马德里:a - 3, M-40, M-45。

一旦目标,标准,和选择已经定义,计算各自的权重应该遵循前面所显示的步骤。在计算权重,间隔将用于成对比较权重分配应定义标准和选择。

5.2。定义的间隔标准权重赋值

为了确定权重的标准和评估交通管理系统的替代品,的值平均速度、交通流量,入住率定期接收到交通控制应用程序被认为是。

具体地说,收到的50百分位值为每个标准,对应的参数测量在a - 3, M-40 M-45,计算。然后,它分为每周获得最大价值的历史数据分析我国web页面(40]。在这种情况下,每周历史数据以来一直选择每天获得的数据可能不够代表最大的历史价值,另一方面,月度数据是大量的数据考虑,可以计算效率低下和处理它们。另一方面,50百分位已被用于计算的标准重量等统计平均,而是由于其鲁棒性,因为它不受异常值的影响,同时它是最耐统计,击穿点的50%。数据3- - - - - -5节目每周历史数据获得M-40本局网页。

然后,把50百分位的选择值为每个标准到每周的最大值,平均的比例对其最大值为每个标准计算,给一个想法的多少将影响每一个标准的最终决定。在入住率的情况下,互补的百分比计算,因为,与交通流平均速度相比,较低的入住率会得到优先考虑,而不是更高。

之后,成对比较标准,首先计算百分比之间的差异之前获得。然后,每个不同的模糊权重分配表4。

当不同的是负的,模糊的倒数的重量对应的区间将被分配。

5.3。定义的时间间隔选择权重赋值

在获得规范化nonfuzzy相对权重为标准,相应的值替代后发现部分中描述的方法一样4.2.1。选择应该是两两相比对每个标准。

首先,获得权重的两两比较历史真实的数据,从我国获得web页面如前所述,一直使用。为每个测量和对于每一个道路,历史数据的最大值和最小值的提取,以及这两个值之间的间隔被分为九个小区间具有相同的长度。通过这样做,每个人获得的子区间可以关联到该方法的单个重量比例见表2。

例如,平均速度测量的最大和最小值从2月6日到2月12日,2016年,分别为125和15公里/小时。这两个值之间的差值是110公里/小时,结果把它分成九个部分给九个子区间长度为12,22公里/小时。分配的尺度,增加订单,所以当不同的两条路之间的措施在一定时间落在其中一个间隔,规模将定义的相应的重量分配到相应的两两比较。表5显示了每个子区间测量和模糊权重分配给每个其中之一。

另一方面,当参数之间的差异比较是负的,模糊的倒数重量分配到相应的子区间,以防它是积极的将采用两两比较的相对权重。例如,如果流量的区别是−veh / 100 h,如果是积极的将被分配模糊权重()间隔0 - 638,对应9 veh / h。然而,由于不同的是负的,这模糊的倒数重量分配给这两两比较()。倒数模糊权重如表所示2。

5.4。例子

经过澄清的过程确定权重的标准和选择,将以一个例子说明提出决策的操作方法。首先,收到输入数据在某个瞬间的时间。表6显示的值标准测量2月12日凌晨6点,2016。

接下来,50百分位收到替代值作为输入数据的获得为每个标准。然后,每个50百分位值分为最大历史价值收到相应的标准以获得最大的百分比对表中可以看到7。

之后,成对比较标准,和重量比较获得相应的百分比之间的差异之前计算,利用表中定义的时间间隔4。取得的两两差异和模糊权重矩阵如表所示8和9。必须指出,在入住率,互补的百分比已经计算,因为如上所述,与交通流平均速度相比,较低的入住率会得到优先考虑,而不是更高。

获得模糊权重的两两比较矩阵后,下一步是计算模糊的几何平均每个准则的比较值,使用(3),如下:

因此,模糊的几何方式比较值的标准如表所示10。

在这之后,获得了相对模糊权重的标准(4),也就是说,每个标准的几何平均数乘以向量求和的倒数在增加订单,前面的表的最后一行,作为一个例子所示在未来交通流方程:

表11显示了相对模糊权重的标准。

最后,模糊权重的平均值为每个标准计算,,在那之后,这个平均归一化获得nonfuzzy相对权重,。表12对于这个示例显示了结果。

一旦规范化nonfuzzy相对权重的标准已经获得,同样的方法应用于寻找替代品的权重。但是现在,每个标准的不同选择成对比较,获得重量为每个比较,用表5。然而,因为这将是繁重的解释相同的程序为每个标准,只有规范化nonfuzzy替代对每个准则的相对权重以及他们的总分数列在下表中13。

根据这个结果,替代M-45总分最高。因此,建议最好的道路的即时时间考虑,在拥堵方面,根据选择的标准。

遵循同样的步骤,交通控制应用程序获得最好的路重新计算权重的两两比较每次应用程序接收新的输入数据的考虑道路本局网页。通过这样做,选择权重计算的图形表示在每一段时间可以绘制。

这使我们做出选择随时间演化的分析,看看是最好的道路驾驶不仅在某个瞬间的时间,而且在整个时间。这也使得数据的研究趋势,预测系统的行为,最好的路。

为了评估算法的有效性,总分的替代品已经计算在十一个瞬间的时候,从早上6点至晚上11点,一段时间的半个小时。在第一时间即时、交通状态被模拟为在输入数据的开始从本局网页,如前面的示例所示。然后,对于每一个瞬间的时间,它被认为是10%,30%,和50%的司机跟着智能交通管理系统的建议,考虑到输入数据使用前面的时候即时修改根据比例的兼容的驱动程序。通过这样做,一个现实的例子,考虑输入数据,动态变化根据司机的选择,提出了决策算法的影响在管理和减少交通堵塞可以正常测试。表14显示了排名最高的可选在每个瞬间的时间不同百分比的兼容的驱动程序,和图6显示了替代重量随时间的演化考虑上述百分比兼容的驱动程序。

5.5。基于比较分析的算法和模糊TOPSIS方法

为了测试该算法的稳定性,这是与另一个著名的指标算法相比,指标值,得到了研究人员和从业人员的兴趣和使用在不同的应用领域包括交通(27]。

第一,模糊TOPSIS算法已经应用于前一节所示的应用程序情况下为了看到它的行为与该算法相比。然后,两种算法相比,根据[考虑因素41)为应用程序相关的算法。

5.5.1。模糊TOPSIS应用程序

当模糊TOPSIS算法应用到应用程序的情况下前一节所示,输出如图7获得了。表15每个即时显示了排名最高的可选的时间和不同的百分比的司机跟着智能交通管理系统的建议。

可以看到,在大多数考虑的备选方案排名最高的时间瞬间都M-40和a - 3,而在该算法排名最高的替代M-40和M-45(见图6)。虽然两种算法的行为同样交流最好的建议同样的道路,主要有两种,可以发现它们之间的差异。

首先,选择权重更接近在每次即时比模糊TOPSIS算法。这表明该算法管理更好的交通情况,分配之间同样可能的道路和不允许高水平的交通负荷。

另一方面,第二个区别是,在该算法中,选择权重之间的距离,为每一个瞬间,随着兼容的驱动程序的数量增加,而这些几乎不随距离模糊TOPSIS的兼容的驱动程序。这表明该算法更敏感比模糊TOPSIS和交通负荷的变化,因此,它提供了一个更高层次的适应性管理交通状态的变化。

5.5.2。适当变化的替代方案

当路由流量,路线图的变化可以由于修建新的道路,所以应该考虑新的替代。然而,一个主要的影响可能出现在某些决策算法,如层次分析法和模糊指标值,包括新的替代品时逆转(秩42]。这个当排名最差的选择包括新的替代品包括之后的算法成为最好的一个。这种效应被认为是由一些研究缺陷在层次分析法(AHP) (42- - - - - -44]。

因此,为了测试选择的偏好顺序的一致性算法相比,获得的一个额外的选择,,添加了对前面所显示的例子。执行了三个测试每个决策算法,每一个额外的选择有一个评级等于1的三个现有的替代品。此外,平等权重为所有应用的标准。为了简单明了,这些测试的情况下只有10%的被认为是兼容的驱动程序。

之前添加的新选择,排名最高的选择也同样M-40和M-45而a - 3是最糟糕的排名基于算法应用情况。另一方面,在模糊TOPSIS应用程序的情况下,a - 3和M-40排名最高的替代品而M-45排名最低。

添加新的替代两种算法之后,排名没有明显变化的选择除了当新的替代评级等于M-40。数据8和9显示选择的发展权重的间隔时间内,之前和之后添加的新选择,当应用该算法和模糊指标值。

可以欣赏在前面提到的数据,该算法应用情况下,排名六点半会发生逆转而在模糊TOPSIS应用程序的情况下,没有等级的逆转。所以,尽管两种算法存在一致性对级别高的逆转,根据获得的结果,它可以表示,模糊TOPSIS算法提供了一个更加一致的重要性的顺序选择比该算法考虑应用程序的情况。

然而,这取决于应用程序的情况下,逆转排名不一定必须考虑决策算法的缺陷,但作为一个逻辑的结果评估增加新的替代品。例如,在交通路由的情况下,建设新的道路可以改变交通状况最糟糕到了这样一种程度,道路的拥堵在建设新的道路可能成为最好的道路建设后,至少在某些瞬间的时间。因此,排名逆转不是这样的一个关键因素,选择模糊TOPSIS算法的提出场景。

此外,比模糊TOPSIS算法输出更多的逻辑结果,因为之前添加的新选择,后者不排名M-45最好的道路之一考虑一段时间,而根据输入数据是最好的道路在大多数时候瞬间。

5.5.3。适当的标准的变化

在交通路由的情况下,它可能是有用的添加新的标准来决策算法为了提高评估替代品,因此,交通路由和减少交通堵塞。此外,排名可能出现逆转时添加新的标准所示(41),所以,在这种情况下,该算法也可以测试的一致性。

因此,作为在前面的情况下,为每个算法执行了三个测试,添加一个额外的标准,,与现有评级等于1的三个标准。

在添加新的标准,标准的重要性顺序提出两种算法的应用情况。添加新准则之后,没有两种算法标准重要性次序的变化。因此,因为没有排名发生了逆转,可以得出两种算法提供一致的重要性为标准。

5.5.4。计算复杂度

这个因素是指操作所需的数量决策算法来计算的最终分数视为替代品。根据(41),考虑到任何程度的可能性计算算法,计算复杂度,的模糊AHP方法由以下方程: 在哪里替代道路和数量吗的数量标准。另一方面,模糊TOPSIS方法的计算复杂度。

因为在拟议中的应用实例和所需的操作,算法是基于93年和180年的模糊TOPSIS算法。因此,该算法比模糊TOPSIS算法更高效的应用实例。

6。结论

这项工作旨在开发一个决策算法已经减少交通堵塞,可以应用于它。为此,传统和广泛使用的决策算法,名叫AHP,已经适应了这种情况下的融合两个变体:模糊和DAHP。

提出决策算法得益于模糊方法的使用模糊区间为成对的重量,而不是单个值,为了模型的不确定性可以出现在当时的信息通过交通管理系统从传感器的收集,处理,或演讲,因为收集到的数据会产生信息不完整或因为信息丧失了一些精确的处理和显示。

另一方面,得益于DAHP算法更新和重新计算权重的可能性的选择每次收到新的输入数据。,使该方法能够适应环境的变化,妥善应对。它还具有的优势使历史信息的分析和表征的不同选择权重为了看到他们的趋势和预测系统的行为。

反过来,这种分析和趋势计算可以用来预测交通堵塞在路上为了提前做出决定,这将导致提前避免交通堵塞,节省燃料和能源,改善流动性。这也导致促进商业和国内市场,有助于国家发展提高不仅经济而且环保保健和,因此,支持可持续发展。

为了看到操作并提出决策方法的适用性,它已经应用于智能交通管理系统中,位于高速公路某段称为a - 3在马德里,6 - 12公里的点之间。基本上,交通控制应用程序接收定期交通流的输入值,平均速度,入住率,从本局网页,检索和执行提出了决策算法,获得最好的道路在道路段组成的,在这种情况下,a - 3, M-40, M-45。

更具体地说,输入值在11个瞬间的时间半个小时的区别,从6点到11点2月12日,2016年,已为了测试的操作决策算法。认为,10%,30%,和50%的司机遵循智能交通管理系统的建议,为了给一个现实的例子,使用动态输入数据,看看提出决策算法的影响在减少交通堵塞。

结果表明,在考虑最好的道路段时间M-40和M-45环道路。另一方面,最严重的道路驾驶,在考虑的时候,是a - 3公路。获得的结果有意义,因为a - 3是西班牙的主要道路之一,它往往是很忙在高峰时期,如示例中的时间考虑。

最后,对于测试该算法的正确性和有效性,它与著名的决策算法的一种变体,称为指标值。比较已经完成基于四个因素:应用模糊TOPSIS拟议中的例子,适当变化的替代品,充分性的标准变化,计算复杂度。

在应用模糊TOPSIS算法提出的例子,和比较它与提出决策算法,得出后者一个比前一个有两个主要的优势。一方面,该算法同样分配更多的考虑之间的交通道路,避免高水平的交通负荷。另一方面,由于该算法对交通负荷的变化更敏感,这使得它呈现一个更高层次的适应性变化的交通状态。

关于更改方案和标准的充分性,添加了一个新的替代和标准,分别测试两种算法的一致性等级逆转。检测表明,尽管两种算法提供一个高水平的一致性,模糊TOPSIS比算法更加一致,因为当添加一个新的替代评级等于排名最好的选择之一,M-40,排名逆转发生在该算法中,只有一次,但不是在模糊指标值。

然而,由于等级逆转可能是一个逻辑影响交通路由场景建设新的道路时,这意味着由于变化的交通状态影响道路,它可以被视为一项非关键影响选择模糊TOPSIS而不是算法的决策提出了场景。另一方面,没有标准的重要性顺序的变化在两种算法时,添加了一个新的标准。

关于计算复杂度,它已经测试通过计算所需的操作数两种算法获得的排名选择。根据这一因素,该算法已被证明是比模糊TOPSIS算法更有效,因为它需要一个低数量的业务排名选择。

相互竞争的利益

作者宣称没有利益冲突。

确认

欧盟自适应合作控制在城市(子)系统(所以)(项目代码:333020年阿耳特弥斯)和西班牙语Ministerio德工业能源y的高级跑车(项目代码:艺术- 010000 - 2013 - 2),支持这项工作。j . Sendra得到了西班牙语y Competitividad Ministerio de隐藏和欧洲区域发展基金(ERDF),根据项目mtm2014 - 54141 p。