一种自主式交通系统多层演化方法、系统、装置及介质

技术领域

本发明涉及系统演化技术领域，尤其是一种自主式交通系统多层演化方法、系统、装置及介质。

背景技术

智能交通的特点是面向服务、实现需求响应、以共享化和协同化为本质，与新兴技术如大数据、人工智能、智慧公路、车路协同等深入关联，目前正在蓬勃发展中。可以看出，未来智能交通的总体发展方向为网联化、协同化、智慧化，具体主要发展高效运营和智能化管控，车联网、智能车路协同和自动驾驶，基础设施智能化，智能出行服务等四个方面，这具有变革时代意义的新一代交通系统即为自主式交通系统(Autonomous TransportationSystem,ATS)。此外，自主式交通系统的3个发展阶段为辅助自助-高度自主-完全自主。在此背景下，面向交通系统构建演化模型，能够科学描述其演化特征及发展规律，继而为管理者提供宏观决策依据，有利于形成交通系统的可持续发展态势。

目前，交通领域对演化模型的研究主要集中在交通流、运输能力和运输方式等内部层面。然而现有的交通系统演化研究主要集中在路网和交通流等局部要素层面，针对整体系统的研究较少，且重点在演化发展的影响因素分析，以及发展过程及特点的总结上，从量化模型角度去刻画系统演化进程还处于非常初期的探索阶段。鉴于此，如何高效进行自主式交通系统演化是一个亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供一种自主式交通系统多层演化方法、系统、装置及介质，能够高效实现自主式交通系统的演化。

一方面，本发明的实施例提供了一种自主式交通系统多层演化方法，包括：

基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型；演化博弈模型包括表层的要素演化网络和底层的群体博弈网络；

基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配；要素包括技术、需求、服务、功能和组分；

基于博弈参与者，确定群体博弈网络演化博弈模式，并形成指标量化方法，完成演化博弈模型的输入配置和动态演化；

根据策略分配、输入配置和动态演化后的演化博弈模型，输出目标交通场景下的演化结果。

可选地，基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型这一步骤中包括构建要素演化网络的步骤，构建要素演化网络，包括：

以各要素为节点，以要素关联关系为边搭建要素演化网络；

其中，需求和服务以及技术和功能的关系均通过组分进行传递；

利用绘图软件包对要素演化网络进行表层可视化处理。

可选地，基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型这一步骤中包括构建群体博弈网络的步骤，构建群体博弈网络，包括：

基于博弈参与者，初始化原始节点集；

基于预设时间间隔，在原始节点集中增添预设连接强度的新节点，直至节点总数达到预设数量，完成群体博弈网络构建；预设连接强度表征新节点包括边的数量；

其中，新节点各边的连接点通过原始节点集各节点的度确定。

可选地，基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配，包括：

基于目标交通场景，根据运行逻辑划分出涉及的要素；

根据关联关系在要素间建立联系，完成要素演化网络的构建；

通过目标代际下的各种组分的市场占有率，初始化博弈参与者的策略；

将博弈参与者采取的策略与要素的组分对应，通过博弈反馈进行策略的迭代。

可选地，确定群体博弈网络演化博弈模式，包括：

根据博弈参与者与采取的策略的关系，确定常数选择过程的演化博弈模式；

将组分细分为同类组分和不同类组分，根据同类组分确定博弈参与者的策略选择集合；

其中，策略选择集合的表达式为：

式中，S

可选地，形成指标量化方法，包括：

基于技术和需求的双驱动演化，通过技术的先进指标量化技术等级，和，利用BERT模型量化各要素之间的关联强度，和，基于量化得到的技术等级和关联强度，确定各组分的自身竞争力，并基于自身竞争力确定各组分之间的促进/抑制作用，量化策略优劣程度；

其中，先进指标通过各技术的相互引用情况确定；BERT模型基于无标注的语料库的无监督训练和基于有标注的语料库的有监督训练得到；

基于策略选择集合，确定博弈参与者的个体收益，并通过非负递增函数转换得到适应度。

可选地，动态演化，包括：

通过正比于适应度的概率，从群体博弈网络确定目标个体；

基于目标个体，得到策略相同的复制个体；

通过复制个体随机代替目标个体的邻居，进行群体第迭代更新直至收敛。

另一方面，本发明的实施例提供了一种自主式交通系统多层演化系统，包括：

第一模块，用于基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型；演化博弈模型包括表层的要素演化网络和底层的群体博弈网络；

第二模块，用于基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配；要素包括技术、需求、服务、功能和组分；

第三模块，用于基于博弈参与者，确定群体博弈网络演化博弈模式，并形成指标量化方法，完成演化博弈模型的输入配置和动态演化；

第四模块，用于根据策略分配、输入配置和动态演化后的演化博弈模型，输出目标交通场景下的演化结果。

另一方面，本发明的实施例提供了一种自主式交通系统多层演化装置，包括处理器以及存储器；

存储器用于存储程序；

处理器执行程序实现如前面的方法。

另一方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

本发明实施例首先基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型；演化博弈模型包括表层的要素演化网络和底层的群体博弈网络；进而基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配；要素包括技术、需求、服务、功能和组分；并基于博弈参与者，确定群体博弈网络演化博弈模式，并形成指标量化方法，完成演化博弈模型的输入配置和动态演化；根据策略分配、输入配置和动态演化后的演化博弈模型，输出目标交通场景下的演化结果。本发明实施例分别构造了基于技术、需求、服务、功能和组分的要素演化网络和基于社交关系的群体博弈网络，运用演化博弈的过程，探究在投入有限配置下交通市场的自主化转型演化结果，可分析其演化博弈过程及运作机理，从而预测交通系统发展方向并研判重点发展领域，以制定长期有效的市场调节手段和宏观调控计划。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种自主式交通系统多层演化方法的流程示意图；

图2为本发明实施例提供的演化博弈模型双层网络结构的示意图；

图3为本发明实施例提供的ATS五类交通要素关联关系的示意图；

图4为本发明实施例提供的简化后的交通要素关联关系的示意图；

图5为本发明实施例提供的演化博弈的流程示意图；

图6为本发明实施例提供的生灭过程的示意图；

图7为本发明实施例提供的群体博弈驱动系统演化的示意图；

图8为本发明实施例提供的一种自主式交通系统多层演化方法的总体流程示意图；

图9为本发明实施例提供的车路协同场景下构建的群体博弈网络的示意图。

图10为本发明实施例提供的车路协同场景下的系统架构示意图。

图11为本发明实施例提供的车路协同场景下构建的要素演化网络示意图。

图12本发明实施例提供的车路协同场景下不同阶段的动态演化示意图。

图13本发明实施例提供的车路协同场景下2023-2035年演化发展预测图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一方面，如图1所示，本发明的实施例提供了一种自主式交通系统多层演化方法，包括：

S100、基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型；

需要说明的是，演化博弈模型包括表层的要素演化网络和底层的群体博弈网络。基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型这一步骤中包括构建要素演化网络和构建群体博弈网络。

具体地，将群体博弈和网络博弈进行结合，研究具有网络结构的群体博弈中策略的更新演化过程，将参与博弈的出行者个体所选策略推广至多策略间的组合，利用与交通系统构成要素相关的收益矩阵表示系统演化和群体博弈间的交互反馈，可以研究在投入有限配置下构成要素的演化趋势，从而预测交通系统发展方向并研判重点发展领域。

为了方便理解，如图2所示，为演化模型双层网络结构图，将演化模型分成了双层网络，分别是表层要素演化网络和底层群体博弈网络。表层要素演化网络主要是呈现技术、需求、服务、功能和组分这五类交通系统组成要素的关联关系及动态演化的结果，底层群体博弈网络通过博弈更新群体状态，从而预测策略选择结果，反映系统要素占有率变化趋势。微观演化模型将部分系统构成要素抽象为个体所能选择的策略，在两层之间建立了交互和反馈：底层博弈驱动表层演化，表层的演化更新策略类型，从而改变底层群体收益，反过来对演化博弈造成影响。

一些实施例中，构建要素演化网络，包括：以各要素为节点，以要素关联关系为边搭建要素演化网络；其中，需求和服务以及技术和功能的关系均通过组分进行传递；利用绘图软件包对要素演化网络进行表层可视化处理。

具体地，一些具体实施例中，要素演化网络构建可以通过如下步骤实现：

交通系统的五类要素通过直接或间接的关联关系，形成一套作用机制。如图3所示，为要素整体的关联关系，技术和需求作为驱动力，推动服务、功能和组分不断革新，从而带动交通系统的发展。

以各要素为节点，以关联关系为边搭建了要素演化网络，实现了要素在微观层面上的精准串联。为避免网络太过复杂，提高可读性，将“需求—服务”和“技术—功能”两种关系通过组分进行传递，不在搭建的表层要素网络中进行展现。经过简化后的要素节点及关系如图4，并使用NetworkX实现了网络可视化功能。

需要注意的是，基础设施和载运工具等组分作为现实世界的物理要素，其市场占有率可以直观反映出来，是系统演化的切入点。所以将演化的核心落在组分上，通过某代际下组分的产生与消亡，直观反映交通系统的发展演化，所以在组分层内部单独构建了无向加权符号网络。要素演化网络的相关符号说明如表1所示。

表1

一些实施例中，构建群体博弈网络，包括：基于博弈参与者，初始化原始节点集；基于预设时间间隔，在原始节点集中增添预设连接强度的新节点，直至节点总数达到预设数量，完成群体博弈网络构建；预设连接强度表征新节点包括边的数量；其中，新节点各边的连接点通过原始节点集各节点的度确定。

具体地，一些具体实施例中，群体博弈网络构建可以通过如下步骤实现：

演化博弈模型是基于出行者群体网络，并通过博弈提供演化动力，所以首先要明确博弈参与者并构建群体博弈网络。

假设群体博弈网络是由有限理性的参与个体构成，在交通场景中可具象化为出行者。出行者间可能存在潜在关联，该网络在实际意义上类似于社交网络，所以考虑构建BA无标度网络进行模拟，根据博弈改变网络中节点的策略选择，从而驱动系统要素网络的演化。

首先假设参与决策选择的出行者有p个，生成群体博弈网络。群体博弈网络的相关符号说明如表1所示。

网络生成的具体算法可以分为两步：

第一步，节点增长。开始于较少的节点数量m

第二步，择优连接。在选择新节点的连接点时，其连接到节点x

其中，

上式中分母为网络中已有节点度的求和。在t时间步后,网络中会存在t+m

其中，m

在确定好群体博弈网络的节点总数p，以及连接强度m，即可通过计算机模拟生成网络。

S200、基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配；

需要说明的是，要素包括技术、需求、服务、功能和组分；一些实施例中，上述步骤包括：基于目标交通场景，根据运行逻辑划分出涉及的要素；根据关联关系在要素间建立联系，完成要素演化网络的构建；通过目标代际下的各种组分的市场占有率，初始化博弈参与者的策略；将博弈参与者采取的策略与要素的组分对应，通过博弈反馈进行策略的迭代。

具体地，一些具体实施例中，从典型交通场景出发，梳理运作逻辑并确定五类要素，并建立要素关联关系，形成表层要素演化网络的节点设计及连接，并完成初始的策略分配。

场景是用来描述某一场所、相关人员与活动三者组合形成的情景，是系统的微观写照。要想更加准确直接地展现宏观交通系统的智能化发展趋势，必须从典型交通场景入手，如车路协同场景。首先面向具体场景，根据梳理的运作逻辑划分出涉及的交通要素，根据要素关联逻辑在场景要素间建立联系，完成交通场景要素演化网络的构建。

一般来说，一个博弈模型通常由3个基本要素组成：决策个体集合(player set)、每个决策者所能采取的策略集合(strategy set)以及每个决策者的收益函数(payofffunction)。所以将群体博弈定义为一个三元组Φ＝(X,{S

决策个体集合X在构建群体博弈网络时便可确定，所有参与个体的身份是等同的或匿名的，唯一的区别在于其选择的策略集合不同；收益函数U

为了和要素演化网络建立联系，通过博弈推动系统演化，本模型将个体所能采取的策略与组分要素对应，即组分层的每个节点代表一种策略。随着技术进步和需求提升，会产生新的策略(组分)，通过博弈反馈，旧的策略会演化消亡，每次博弈迭代后个体的策略集合S

在进行演化博弈之前，除了要搭建参与个体构成的网络，还要确定每个参与者初始的策略S

S300、基于博弈参与者，确定群体博弈网络演化博弈模式，并形成指标量化方法，完成演化博弈模型的输入配置和动态演化；

需要说明的是，如图5所示，为在群体网络上进行的演化博弈流程。由于出行者个体的有限理性，其博弈的最优均衡不能在初始时就找到，必须通过大量反复的博弈过程去修正和改进个体策略。

一些实施例中，确定群体博弈网络演化博弈模式，包括：根据博弈参与者与采取的策略的关系，确定常数选择过程的演化博弈模式；将组分细分为同类组分和不同类组分，根据同类组分确定博弈参与者的策略选择集合；其中，策略选择集合的表达式为：

式中，S

具体地，一些具体实施例中，确定群体博弈网络演化博弈模式可以通过如下步骤实现：

根据参与个体适应度与其本身策略的关系，可以将网络上的演化博弈分为两类：常数选择过程和频率依赖型选择过程。本模型的群体博弈选择了较为简单的常数选择过程，即：出行者的适应度是关于其自身策略的常数，不随群体状态(其他参与者的策略选择)的变化而变化，用于刻画效用值不同的策略(对交通系统自主化水平提升贡献大小不同的组分)在网络群体中竞争和扩散过程。

为了体现组分自主化水平的差异以及演化趋势，将组分具体细分为同类组分和不同类组分，如L1和L2互为同类组分，L2和RSU互为不同类组分。假设组分层有q类同类组分，则组分层节点集合也可以表示为：C＝{V

可以看出每个出行者所能选择的策略集合是q个策略的排列组合，考虑顺序时序的更新过程，即每一步迭代最多只有一个出行者更新自己的策略集合，策略集合中的个策略q都可能发生变化。如果随机选中了出行者x

其中，

一些实施例中，形成指标量化方法，包括：基于技术和需求的双驱动演化，通过技术的先进指标量化技术等级，和，利用BERT模型量化各要素之间的关联强度，和，基于量化得到的技术等级和关联强度，确定各组分的自身竞争力，并基于自身竞争力确定各组分之间的促进/抑制作用，量化策略优劣程度；其中，先进指标通过各技术的相互引用情况确定；BERT模型基于无标注的语料库的无监督训练和基于有标注的语料库的有监督训练得到；基于策略选择集合，确定博弈参与者的个体收益，并通过非负递增函数转换得到适应度。

具体地，一些具体实施例中，要素演化网络的组分类型，等同于群体博弈网络中出行者所能选择的策略，这是群体博弈网络带动系统要素网络演化的关键。在群体网络进行演化博弈之前，首先需要明确策略对群体收益的影响，所以需要从组分层出发计算相关指标。具体包括如下量化方法：

a.量化组分优劣程度

在博弈中计算出行者收益及适应度的时候，暂且不考虑选择策略带来的成本问题，仅考虑自身策略的优劣，即对交通系统自主化水平的提升，所以首先要计算组分的优劣；由上文可知，在要素演化网络中，组分和技术、需求直接关联，并且组分层不同组分间也存在正负向的关联关系，所以在量化组分优劣时，需要考虑两方面因素：组分自身的竞争力；其他组分的影响。

交通系统演化是技术和需求双驱动的结果，结合要素关联可以将组分自身竞争力分为技术竞争力和需求竞争力。前者代表技术对组分自主化水平的影响，后者代表组分满足需求的能力，所以重点就落在了如何衡量技术和需求的先进性指标以及组分与技术、需求的关联强度上。而其他组分的影响则是要考虑同类或不同类组分的促进或抑制作用，所以需要衡量组分内部的关联强度以及正负向。

①量化技术等级

假设系统中的需求要素为当前所能产生的最高需求，并且需求间都是独立的，所以需求没有先进性水平差异，可以统一将其等级设置为class

但是技术的发展日新月异，作用在不同类型组分上的技术等级存在很大差别，如无线通讯技术(2G-5G)、云计算服务技术(PaaS、SaaS)和定位技术(GPS、DGPS)等等，所以需要对技术等级进行量化。

在此采用了文献计量学的方法，数据均来源于Web Of Science。通过验证发现：技术所对应文献的相互引用正相关于其先进性，即当技术A引用技术B的数量大于技术B引用技术A的数量，则技术A的先进性大于技术B。通过考虑各技术所对应文献的相互引用情况，假设某技术类别有种技术，其中技术的先进性指标如下：

其中，y表示同类技术数量；

然后根据先进性指标对该技术类别下的技术排名，从而确定技术等级class

②量化关联强度

因为系统中的要素都太过抽象，很难找到相关指标去量化要素间的关联强度，仅通过专家测评也不够准确，所以本模型利用BERT(Bidirectional EncoderRepresentations from Transformers)模型度量文本语义相似度，从而得到关联强度。BERT模型是Google在2018年提出的，是一个通用的自然语言处理模型。

首先，在预训练阶段。BERT模型建立了掩码语言模型(Masked Language Model,MLM)和下一句预测模型(Next Sentence Prediction,NSP)两个任务，利用大规模无标注的语料库Ⅰ，无监督地训练模型参数，得到预训练后的语言模型。

接着，在特定任务阶段。基于预训练后的语言模型，增加少量神经网络层及特定任务参数，通过有标注的语料库Ⅱ，有监督地训练模型，从而完成语义相似度、多标签分类、文本生成等特定任务，相当于把下游任务的部分工作转移到预训练阶段，还可以使模型输出的每个向量都能尽可能全面、准确地刻画输入文本的整体信息，相较于词袋模型等传统语言模型有明显优势。

本模型将关联强度的量化分为两个准备阶段：

文本数据准备阶段。首先确定要素范式，划分场景要素并建立范式描述，然后根据关联关系确定需要计算关联强度的要素对。

BERT模型准备阶段。下载BERT预训练模型文件，修改下游任务代码，用于语义相似度计算，然后利用开源数据集有监督地训练模型参数。

最后将文本数据输入BERT模型中，输出语义相似度，在经过归一化和函数转换等处理后即可得到要素间的关联强度。

③考虑组分间促进或抑制作用，量化优劣程度

首先计算组分c

其中，h

同类组分间互为竞争关系，如L3的普及势必会对L2的市场发展造成抑制作用；不同类组分间一般互为合作关系，如路侧设施会为自动驾驶汽车的运行起到促进作用。由于组分间的促进和抑制作用，相同组分在不同时期的绝对竞争力可能不同。考虑这一影响因素，计算组分c

其中，

b.计算出行者博弈收益及适应度

在t次迭代时，出行者x

其中，q为同类组分的种类；

在演化博弈中，个体的收益常常被转化为适应度，为保证适应度为正数，一般通过一个非负递增函数进行转换。令f

f

其中，w

一些实施例中，动态演化，包括：通过正比于适应度的概率，从群体博弈网络确定目标个体；基于目标个体，得到策略相同的复制个体；通过复制个体随机代替目标个体的邻居，进行群体第迭代更新直至收敛。

具体地，一些具体实施例中，在网络上的演化动力学中，每个个体根据其周围邻居的状态和适应度来更新自身状态。在本模型中，出行者在每一步更新状态的方式是由策略更新规则所决定的。根据策略更新规则改进出行者自身策略，导致群体状态变化，进而策略选择占比改变，导致组分市场占有率变化，并体现在表层要素网络中。

典型的策略更新规则由生灭过程、死生过程、洗边过程和Wright-Fisher过程等等。针对本模型而言，生灭过程更加适用。

如图6所示，生灭过程是指：每一步，先以正比于适应度的概率，从群体网络中选择出一个个体，这个个体产生一个与自己策略相同的复制个体，并将这个复制个体随机地代替它的一个邻居，每迭代一次便能生成下一代群体。在第t+1次迭代中，选中了适应度较高的出行者2，然后从邻居中随机选择了出行者3学习出行者2的策略集合，即S

S400、根据策略分配、输入配置和动态演化后的演化博弈模型，输出目标交通场景下的演化结果；

具体地，可以根据输出典型交通场景下具有时间维度的各等级组分市场占比演化结果，并进行初步的预测分析。

一些具体实施例中，随着群体状态的不断迭代更新，出行者个体的自身策略集合不断改进，进而导致整体的策略选择占比不断发生改变，导致组分市场占有率变化，并体现在表层要素网络中，从而反映出交通系统要素的演化发展。如图7所示，为群体博弈驱动系统演化的示意图。面向典型场景，则可以随着演化博弈输出具有时间维度的各等级组分市场占比演化结果，并进行初步的预测分析，从而得到宏观发展规律，为政府和企业提供科学的决策依据。

一些具体实施例中，如图8所示，基于群体博弈的自主式交通系统双层演化的模型构建可以通过以下步骤实现：

(a)基于自主式交通系统的研究背景，根据系统演化机制建立演化博弈模型，形成表层要素演化网络和底层群体博弈网络的双层网络演化结构。

(b)从典型交通场景出发，梳理运作逻辑并确定技术、需求、服务、功能和组分五类要素，并建立要素关联关系，形成表层要素演化网络的节点设计及连接，并完成初始的策略分配。

(c)设计演化博弈过程，形成技术等级、关联强度等指标的量化方法，完成模型的输入配置，实现动态演化。

(d)根据输出典型交通场景下具有时间维度的各等级组分市场占比演化结果，并进行初步的预测分析。

为了直观展现双层演化模型的运作逻辑，并验证其合理性，本发明实例选取了车路协同场景对模型进行了应用与分析，从要素层面预测交通系统的宏观演化趋势，进而为政府和相关企业提供了科学的决策依据。在车路协同场景下，通过以下步骤实现：

(a)基于自主式交通系统的研究背景，根据系统演化机制建立演化博弈模型，形成表层要素演化网络和底层群体博弈网络的双层网络演化结构。

在步骤(b)中确定好场景要素及关联关系后才能构建要素演化网络。如图9所示，为构建的群体博弈网络，在本步骤中，先构建底层群体博弈网络。底层群体博弈网络通过蒙特卡洛方法模拟生成，可调整的参数有两个：网络节点总数o，以及连接强度m。在本实例中，设置参数组合为(o,m)＝(600,15)。

(b)从典型交通场景出发，梳理运作逻辑并确定技术、需求、服务、功能和组分五类要素，并建立要素关联关系，形成表层要素演化网络的节点设计及连接，并完成初始的策略分配。

如图10所示，为车路协同系统架构，车路协同场景是指：以行驶中的车辆为信息感知对象，借助无线通信、传感探测等技术获取车路信息，通过车-车、车-路通信进行交互和共享,实现车辆和基础设施之间智能协同与配合,提升车辆整体的智能驾驶水平，达到优化利用系统资源、提高道路交通安全、缓解交通拥堵的目标。车路协同场景的核心就是在车和路之间形成信息闭环。

根据车路协同场景描述及架构，如图11所示，最终确定了当前代际下的28个要素和70条关联关系，从而搭建了要素演化网络。表层所涉及到的关键组分为3类不同等级的自动驾驶汽车：L0、L1/L2、L3。受关联要素超前且难以确定的限制，L4/L5本例暂且不予考虑。

数据分析公司IHS Markit曾公布过全球分等级自动驾驶汽车渗透率的预测数据，基于此数据进一步计算得到了L0、L1/L2、L3在2020年-2030年的相对占比数据，如表2所示。以2020年的市场数据作为演化初始值，完成了群体博弈网络的初始策略分配。

表2

(c)设计演化博弈过程，形成技术等级、关联强度等指标的量化方法，完成模型的输入配置，实现动态演化。

计算得到的该场景下涉及的技术等级，如表3所示。要素关联对数量较多，所以不在此展示量化后的关联强度。最终计算得到的组分自身竞争力和优劣程度如表4所示。

表3

表4

将计算得到的指标值输入到双层演化模型中，可以实现动态演化，不同阶段的动态演化示意图如图12。

(d)根据输出典型交通场景下具有时间维度的各等级组分市场占比演化结果，并进行初步的预测分析。

通过分析实验输出的演化预测值，如表5所示。将本模型的预测数据与官方预测数据进行对比分析，发现市场占比的绝对误差仅为0.022，相对误差也只有0.090，证明了模型的合理性。并且本模型可以详细展示各时间点间的市场数据变化。

表5

最终，初步预测了车路协同场景的演化发展路线，如图13所示，并通过各等级自动驾驶汽车的市场占比表示。

从图13中可以看出，随着时间的推移，全球市场中的高等级自动驾驶汽车逐渐替代了低等级自动驾驶汽车，演化曲线符合客观规律，并在一定程度上直观反映了宏观交通系统的演化发展趋势。相关企业可以参考该模型的预测结果，研判汽车市场的重点发展领域，及时调整生产策略以更好地应对潜在需求。政府也可以通过出台相应政策或采取市场调控手段，干预交通系统的演化，推动其更快地向自主化、智慧化发展。

综上所述，本发明针对目前研究的不足，面向自主式交通系统演化问题，建立了双层演化博弈模型，分别构建表层要素演化网络和底层群体博弈网络，将系统构成要素抽象成策略，将群体博弈和复杂网络进行结合，研究具有网络结构的群体博弈中策略的更新演化过程。为和实际应用进行结合，将博弈个体所选策略推广至多策略间的组合，利用与交通要素相关的收益函数表示交通系统演化和群体博弈间的交互反馈，研究在投入有限配置下系统构成要素的演化趋势，从而预测交通系统发展方向并研判重点发展领域，以制定长期有效的市场调节手段和宏观调控计划。本发明实施例与传统交通演化模型的构建相比，其优点在于运用了交通系统多类要素解构的可量化分析思路和多层演化博弈的科学研究方法。分别构造了基于技术、需求、服务、功能和组分的要素演化网络和基于社交关系的群体博弈网络，运用演化博弈的生灭过程，探究在投入有限配置下交通市场的自主化转型演化结果，可分析其演化博弈过程及运作机理，从而预测交通系统发展方向并研判重点发展领域，以制定长期有效的市场调节手段和宏观调控计划。

另一方面，本发明的实施例提供了一种自主式交通系统多层演化系统，包括：第一模块，用于基于自主式交通系统的先验知识，根据自主式交通系统的演化机制建立演化博弈模型；演化博弈模型包括表层的要素演化网络和底层的群体博弈网络；第二模块，用于基于目标交通场景，确定要素演化网络的运行逻辑和要素，并确定要素的关联关系，形成要素演化网络的节点设计及连接，并完成演化博弈模型初始的策略分配；要素包括技术、需求、服务、功能和组分；第三模块，用于基于博弈参与者，确定群体博弈网络演化博弈模式，并形成指标量化方法，完成演化博弈模型的输入配置和动态演化；第四模块，用于根据策略分配、输入配置和动态演化后的演化博弈模型，输出目标交通场景下的演化结果。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例的另一方面还提供了一种自主式交通系统多层演化装置，包括处理器以及存储器；

存储器用于存储程序；

处理器执行程序实现如前面的方法。

本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例的另一方面还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。

本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。