Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Model Simulasi Berbasis Agen untuk Sistem Lalu Lintas Perkotaan

Sekolah Teknik

Komputer dan TI Ali Bazghandi, Universitas Teknologi Shahrood PO box 316, Shahrood,

Iran Telp/Faks: 98-27-3339-3580

E-mail: bazghandi@shahroodut.ac.ir

Ali A. Pouyan, anggota IEEE

School of Computer and IT Engineering, Shahrood University of Technology PO box 316,

Shahrood, Iran Telp/Faks:

98-27-3339-3580 E-mail: apouyan@ieee.org

Diterima: 21 Mei 2011 Diterima: 23 Juni 2011 doi:10.5539/cis.v4n4p72

Abstrak

Dalam makalah ini, kami mengusulkan model lalu lintas kendaraan berdasarkan sistem multi-agen dan anggapan akun serta
permasalahannya. Lalu lintas adalah masalah yang terus meningkat seiring dengan meningkatnya populasi dan jumlah pengemudi di
seluruh dunia secara eksponensial. Sebelumnya, model aliran fluida telah digunakan dalam upaya memodelkan lalu lintas. Berdasarkan
studi terbaru, hanya model berbasis agen yang dapat memodelkan skenario lalu lintas secara akurat. Hal ini karena gangguan kecil
dapat menimbulkan efek seperti kupu-kupu, yang menyebabkan perubahan cepat pada keseluruhan sistem.

Kata Kunci: Traffic, Pemodelan berbasis agen, Simulasi, Deadlock, Crash, Performance
1. Perkenalan

1.1 Pemodelan Berbasis Agen

Model adalah representasi realitas yang disederhanakan. Dengan kata lain, suatu model terdiri dari satu atau lebih proses yang
diyakini terjadi di dunia nyata (Longley, PA dan Batty, M. 2003). Berdasarkan sifat penyelidikannya, beberapa jenis model mungkin
ada untuk satu skenario dunia nyata. Model dapat dibangun sebagai program komputer yang menggunakan (biasanya sampai tingkat
tertentu) representasi digital yang disederhanakan dari satu atau lebih aspek dunia nyata, mentransformasikannya untuk menciptakan
representasi baru.

Tidak ada kesepakatan universal mengenai definisi yang tepat dari konsep "agen". Definisi agen cenderung menyepakati lebih banyak
poin dibandingkan perbedaan pada bagian-bagian penyusunnya (Bonabeau, E. 2002).

Konsep agen sebagai entitas perangkat lunak, dimaksudkan sebagai alat untuk menganalisis sistem, bukan klasifikasi absolut dimana
entitas dapat didefinisikan sebagai agen atau non-agen (Russell, S. dan Norvig, P. 2003). Misalnya, beberapa pemodel menganggap
segala jenis komponen independen (yaitu perangkat lunak, model, individu, dll.), sebagai agen. Untuk versi rinci dari teori agen,
pembaca dirujuk (Russell, S. dan Norvig, P. 2003).

Pemodelan berbasis agen (ABM) tidak sama dengan simulasi berorientasi objek, meskipun paradigma berorientasi objek menyediakan
media yang cocok untuk pengembangan model berbasis agen. Karena alasan ini, sistem ABM selalu berorientasi objek (Christian, J.,
E, Castle. 2006). Model berbasis agen terdiri dari beberapa agen yang berinteraksi yang terletak di dalam model atau lingkungan
simulasi. Hubungan antara agen ditentukan, menghubungkan agen ke agen lain dan/atau entitas lain dalam suatu sistem. Hubungan
dapat dispesifikasikan dalam berbagai cara, dari sekedar reaktif (yaitu agen hanya melakukan tindakan ketika dipicu oleh stimulus
eksternal misalnya tindakan agen lain), hingga diarahkan pada tujuan (yaitu mencari tujuan tertentu). Perilaku agen dapat dijadwalkan
untuk berlangsung secara sinkron (yaitu setiap agen melakukan tindakan pada setiap langkah waktu yang berbeda), atau secara
asinkron (yaitu tindakan agen dijadwalkan oleh tindakan agen lain, dan/atau dengan mengacu pada jam).

Dalam konteks pemodelan, model berbasis agen dapat digunakan sebagai media eksperimen untuk menjalankan dan mengamati
simulasi berbasis agen. Kemampuan untuk mensimulasikan tindakan individu dari banyak agen yang beragam dan mengukur perilaku
dan hasil sistem yang dihasilkan dari waktu ke waktu (misalnya perubahan pola jalan keluar darurat pejalan kaki), berarti model
berbasis agen dapat menjadi alat yang berguna untuk mempelajari dampak pada proses yang beroperasi di berbagai tingkat.

72 ISSN 1913-8989 E-ISSN 1913-8997

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

skala dan tingkat organisasi, serta dampaknya (Brown, DG 2006). Secara khusus, akar ABM berada dalam simulasi perilaku sosial manusia
dan domain pengambilan keputusan individu (Bonabeau, E. 2002).

1.2 Simulasi lalu lintas

Seperti disebutkan sebelumnya, sistem multi-agen (MAS) adalah sistem yang terdiri dari sejumlah agen yang berinteraksi satu sama lain.
Meskipun interaksi lokal antar agen sederhana, namun muncul fenomena kompleks secara keseluruhan.
Sistem seperti ini disebut sistem kompleks dan arus lalu lintas merupakan contoh dari sistem kompleks tersebut, yang muncul dari agen
kendaraan (Kosuke Ono, Takashi Hata, Toyofumi Maetani, Masateru Harao dan Kouichi Hirata, T. Washio et al. 2006). Sistem yang kompleks
menurut definisi memiliki non-linearitas. Non-linearitas terjadi pada MAS dan mekanisme arus lalu lintas. Agen yang digunakan pada tingkat
mikroskopis terdiri dari jenis-jenis berikut: agen kendaraan, agen jalan, agen persimpangan dan agen sinyal. Dalam model simulasi agen
kendaraan adalah agen bergerak.

Kemacetan terjadi ketika pengemudi tidak memiliki akses terhadap informasi tentang sistem jalan di depan mereka. Jika kendaraan dan
sistem jalan sebenarnya memiliki informasi, maka sistem tersebut dapat merespons dan bereaksi sesuai dengan informasi tersebut dan
menerapkan batasan tertentu pada kendaraan untuk mengurangi lalu lintas. Saat ini telah dilakukan penelitian mengenai optimalisasi lalu
lintas dan batas kecepatan variabel pada tempat-tempat yang frekuensi kemacetannya tinggi. Dengan menggunakan suatu model, sejauh
mana batas kecepatan variabel dan perubahan peraturan lalu lintas lainnya dapat diukur untuk melihat apakah penerapan teknologi tersebut
merupakan solusi yang tepat untuk mengatasi kemacetan lalu lintas (Timmy Galvin. 2005).

Di sini, kami mengusulkan model yang merespons lalu lintas kendaraan dan menyelidiki masalah serta hasil akibat perubahan beberapa
parameter lalu lintas. Kita perlu memiliki model perilaku pengemudi yang akurat dan kemampuan mengumpulkan data serta menganalisis
situasi. Model tersebut dapat diterapkan secara umum. Kendaraan di jalan raya akan memiliki sifat tersendiri seperti lokasi, kecepatan,
akselerasi. Beberapa properti ini dapat didefinisikan melalui tahapan simulasi. Dalam model ini tabrakan kendaraan belum dipertimbangkan.

2. Deskripsi Model 2.1

Prinsipal Simulasi

kami yang akan memodelkan skenario lalu lintas yang berbeda akan menggambarkan kemacetan lalu lintas dan menggunakan berbagai
metode untuk meresponsnya. Ini akan dilihat menggunakan tampilan overhead sistem. Kami mengubah beberapa parameter seperti: batas
kecepatan, akselerasi, kemacetan lalu lintas dan lampu lalu lintas untuk memperlambat kebuntuan.

Kami berharap dapat menunjukkan beberapa hasil secara grafis mengenai perubahan kebuntuan dan aliran versus kepadatan dan parameter
lainnya.

Dalam model ini kami mempertimbangkan sebuah kota dengan parameter lalu lintas. Jalanan memiliki berbagai jalur. Kami merancang tata letak jalan.
Banyak kendaraan melintas di sepanjang jalan. Berbagai macam kendaraan mempunyai ukuran, percepatan, kecepatan yang berbeda-beda.

Tentu saja kemacetan lebih banyak terjadi di pusat kota. Untuk mengimpor faktor ini, kami mendefinisikan faktor koefisien kemacetan tengah
yang berbeda dari 1 hingga 2. Faktor ini digunakan dalam pengambilan keputusan oleh agen di persimpangan untuk memilih jalur. Faktor
keputusannya adalah bilangan floating point acak yang terdistribusi normal dengan mean nol dan
2 2
deviasi standar
x ÿ kamu :

22
keputusan ÿ abs(acak ÿ normal( 0 bawah ini )) x ÿ yKemudian faktor keputusan dibandingkan menurut persamaan di

ekspresi:
? 22
xy ( ÿ
keputusan ÿ
) koefisien
__ selai tengah
Untuk mengatur kecepatan agen kendaraan, kami mempertimbangkan beberapa parameter:

• Menjadi agen atau bukan pada sel di depan agen. jika ada agen kendaraan di depan penyu, pelan-pelan saja
turun jika tidak, percepat (tidak melebihi batas kecepatan)

• Ada atau tidaknya lampu merah di persimpangan.

• Akselerasi

Lampu lalu lintas di persimpangan membantu mengendalikan kemacetan lalu lintas dan menghindari kecelakaan. Gambar 2.1 menunjukkan
satu persimpangan dan Gambar 2.2 menunjukkan lingkungan simulasi kita.

Kebuntuan seperti yang biasa terjadi dalam lalu lintas, mengubah variabel-variabel makroskopis seperti: arus, kecepatan dan kepadatan. Jika
massa jenis rata-rata, aliran dan kecepatan dinyatakan dengan k, q dan v maka:

Diterbitkan oleh Pusat Sains dan Pendidikan Kanada 73

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

q ÿ f (k) ÿ vk
Gambar 2.3, menunjukkan hubungan antara k, q dan v (Xiao-liang Ma. 2007).
2.2 Kebuntuan

Beberapa situasi kebuntuan mungkin terjadi dalam lalu lintas dunia nyata. Dua skenario kebuntuan ditunjukkan pada Gambar 2.4.

Dalam situasi ini kebuntuan dapat diselesaikan (dihindari di dunia nyata) dengan strategi tertentu, misalnya dengan membunuh “agen kendaraan”.
Dalam model kami, kebuntuan yang ditunjukkan pada Gambar 2.4 dapat diatasi.

Situasi kebuntuan dapat menyebabkan penurunan kecepatan arus lalu lintas lokal. Dengan mengubah beberapa parameter kontrol (dalam
simulasi) perilaku kebuntuan dapat diselidiki. Di sini, kami menganggap waktu lalu lintas hijau (atau merah) sebagai variabel kontrol. Perubahan
variabel kontrol mempengaruhi arus lalu lintas melalui variabel makroskopis.
2.3 Kecelakaan dan tabrakan

Sejumlah penelitian telah menyelidiki hubungan antara kecepatan dan risiko kecelakaan (Kloeden CN, McLean AJ, Moore VM, Ponte G. 1997).
Sudah menjadi rahasia umum bahwa sekali kecelakaan terjadi, tingkat keparahan cedera yang diderita oleh individu yang terlibat merupakan
peningkatan fungsi kecepatan kendaraan. Hubungannya tidak linier, peningkatan kecepatan kendaraan menghasilkan peningkatan keparahan
cedera yang secara proporsional lebih besar. Misalnya, Joksch menunjukkan bahwa dibandingkan dengan risiko kematian penumpang setelah
terlibat dalam kecelakaan pada kecepatan 40 mph, risiko kematian adalah 2,5 kali lebih besar pada kecepatan 60 mph, 6 kali lebih besar pada
kecepatan 70 mph, dan sekitar 20 kali lebih besar pada kecepatan 80 mph. mph (Joksch HC. 1975). Faktanya, tingkat keparahan cedera lebih
berhubungan langsung dengan perubahan kecepatan yang dialami selama kecelakaan, namun perubahan kecepatan cenderung meningkat
seiring dengan meningkatnya kecepatan sebelum kecelakaan (O'Day J, Flora J. 1982).

Menurut hasil Solomon, tingkat keterlibatan sebagai fungsi deviasi kecepatan rata-rata, untuk mengatasi ketidakteraturan akibat ruas jalan raya
tersebut mempunyai rentang batas kecepatan dan kecepatan rata-rata. Dalam konfigurasi ini tingkat keterlibatan kembali berbentuk U, maksimum
untuk kendaraan dengan kecepatan lebih dari 35 mph di bawah rata-rata, minimum untuk kecepatan 5 hingga 10 mph di atas rata-rata, dan agak
meningkat untuk penyimpangan lebih lanjut di atas rata-rata. Hasil ini digambarkan pada Gambar 2.5 (Kloeden CN, McLean AJ, Moore VM,
Ponte G. 1997) (Solomon D. 1964).

3. Studi Kasus

Dalam studi kasus kami, kami mempertimbangkan jaringan jalan dengan 25 persimpangan. Setiap jalan mempunyai dua lajur untuk dua
arah yang berlawanan. Semua persimpangan memiliki lampu lalu lintas. Waktu Hijau (Merah) untuk semua lampu lalu lintas adalah sama
tetapi tidak semuanya berubah secara bersamaan. 190±10 agen kendaraan bergerak di jalanan. Area pergerakan agen sebanyak 1520
kendaraan.

Pada awalnya, kerusakan diabaikan di sistem kami. Kami mendefinisikan kinerja sebagai fungsi rata-rata kecepatan.

Dengan mengubah waktu nyala lampu merah (hijau) kita mendapatkan hasil sebagai

berikut (Tabel 3.1): Pada tabel di atas T adalah waktu merah (hijau), dt adalah waktu antara dua kebuntuan dan v adalah kecepatan rata-rata
untuk setiap skenario. (T=0 berarti daya lampu mati).

Kami mendefinisikan fungsi kinerja seperti ini: P ÿ Vrata1 C

*ÿ

Dimana C adalah koefisien tabrakan.

Gambar 3.1 menunjukkan Hubungan antara waktu merah (hijau) dan kinerja.

Juga pada gambar 3.2 Anda dapat melihat hubungan antara waktu merah (hijau) dan kecepatan rata-rata pada 200 kendaraan.

Kita dapat mengantisipasi bahwa kurva di atas dilemahkan. Nilai maksimum dan minimum diulang secara bergantian (Gambar 3.3).

Dari tabel 3.1, 3.2, 3.3 3.4 dan gambar

, 3.1(a,b,c,d) kita menemukan bahwa ketika kendaraan dikalikan dengan n, kinerja menurun secara
proporsional. Di sisi lain dengan konstanta waktu merah (T) kita melihat:

1
P ÿ fkp( ÿ, )P 0
N 0 buku

k
02
Dimana k0, kn adalah kepadatan rata-rata dalam dua kasus (keadaan awal dan keadaan n). P0 dan Pn masing-masing mewakili kinerja dalam
keadaan awal dan keadaan n. Fungsi ini menunjukkan bahwa tanpa perubahan waktu merah atau hijau, peningkatan kepadatan akan
menurunkan kinerja secara eksponensial.

74 ISSN 1913-8989 E-ISSN 1913-8997

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

4. Kesimpulan dan karya masa depan

Dalam makalah ini, kami memperkenalkan model simulasi berdasarkan teori agen untuk sistem lalu lintas perkotaan. Kepadatan kendaraan
dalam lalu lintas yang tetap menyebabkan kecepatan dan kinerja rata-rata keseluruhan menurun seiring bertambahnya waktu merah (hijau).
Kami telah menunjukkan bahwa tanpa perubahan waktu merah atau hijau, peningkatan kepadatan mobil menyebabkan penurunan performa
secara eksponensial. Kami juga telah menunjukkan bahwa waktu merah (hijau) tidak berpengaruh terhadap terjadinya situasi kebuntuan.
Perubahan pada beberapa parameter seperti: center-jam-coef (koefisien kemacetan lalu lintas di pusat kota) dan investigasi isu-isu di area
ini dapat dianggap sebagai tren masa depan dalam penelitian kami.
Referensi

Bonabeau, E. (2002). Pemodelan Berbasis Agen: Metode dan Teknik untuk Mensimulasikan Sistem Manusia", Prosiding National Academy
of Sciences of the United States of America (PNAS), 99(3): 7280-7287. 2002.

Coklat, Dirjen (2006). Model Berbasis Agen, dalam Geist, H. (ed.) Lahan yang Berubah di Bumi: Ensiklopedia Perubahan Penggunaan
Lahan dan Tutupan Lahan, Greenwood Publishing Group, Westport, hlm.7-13. 2006.

Christian, J., E, Kastil. (2006). Prinsip dan Konsep Pemodelan Berbasis Agen untuk Pengembangan Simulasi Geospasial. (Sep 06).

Joksch HC. (1975). Hubungan empiris antara keterlibatan kecelakaan fatal per keterlibatan kecelakaan dan kecepatan. Analisis dan
Pencegahan Kecelakaan; 7(2): 129-132. 1975.

Kloeden CN, McLean AJ, Moore VM, Ponte G. (1997). Kecepatan Perjalanan dan Risiko Keterlibatan Kecelakaan.
Volume 1 – Temuan, November 1997.

Kosuke Ono, Takashi Hata, Toyofumi Maetani, Masateru Harao dan Kouichi Hirata, T. Washio dkk. (2006).
Pengembangan Simulator Lalu Lintas Generik Berbasis Multi-Agen. (Eds.): Lokakarya JSAI 2005, LNAI 4012, hlm. 249–260, 2006.
c_Springer-Verlag Berlin Heidelberg 2006.

Longley, PA dan Batty, M. (2003). Prolog: Analisis Spasial Tingkat Lanjut: Memperluas GIS, (eds.), Analisis Spasial Tingkat Lanjut: Buku
CASA GIS, 2003. ERSI Press, Redlands, California.

O'Day J, Flora J. (1982). Ukuran alternatif efektivitas sistem pengendalian: interaksi dengan faktor tingkat keparahan kecelakaan.
Warrendale, Pennsylvania: Masyarakat Insinyur Otomotif. Makalah Teknis No.: 820798. 1982.

Russell, S. dan Norvig, P. (2003). Kecerdasan Buatan: Pendekatan Modern, Prentice Hall, AS. 2003.

Sulaiman D. (1964). Kecelakaan di jalan raya utama pedesaan berhubungan dengan kecepatan, pengemudi dan kendaraan. Washington,
DC: Departemen Perdagangan & Biro Jalan Umum AS. 1964.Hal 10.

Timmy Galvin. (2005). Model Simulasi Lalu Lintas yang Memungkinkan Komunikasi Kendaraan Jangkauan Luas.
Prosiding Alife IV. 2005.

Xiao-liang Ma. (2007). Model arus lalu lintas, pengikut mobil dan kedatangan kendaraan, Pengantar Teori Arus Lalu Lintas. Musim Gugur
2007.

Diterbitkan oleh Pusat Sains dan Pendidikan Kanada 75

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Tabel 3.1 Hubungan antara kecepatan rata-rata, waktu merah dan waktu antara dua jalan buntu (kepadatan 200 kendaraan)

T 0 5 10 15 20

dt 20,76 1708 1176 771,3 573.8

V 0,653 0,489 0,44 0,424 0,405

T 25 30 35 40 45

dt 555,4 653,9 1022 907,2 950,5

V 0,379 0,383 0,405 0,393 0,382

T 50 55 60 65

dt 890,9 1057 1095 1056

V 0,366 0,352 0,351 0,332

Tabel 3.2 Hubungan antara kecepatan rata-rata, waktu merah dan waktu antara dua jalan buntu (kepadatan 400 kendaraan)

T 0 5 10 15 20

dt 0,3691 0,3047 0,2558 0,2368 0,191

ay 7.84 408 248 150 130

T 25 30 35 40 45

dt 0,16 0,17 0,15 0,13 0,127

ay 145 193 145 174 167

76 ISSN 1913-8989 E-ISSN 1913-8997

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Tabel 3.3 Hubungan antara kecepatan rata-rata, waktu merah dan waktu antara dua jalan buntu (kepadatan 600 kendaraan)

T 0 5 10 15 20

dt 0,27 0,218 0,18 0,15 0,136

ay 4 235 146 110 88

T 25 30 35 40 45

dt 0,131 0,1 0,085

ay 81 140 125

Tabel 3.4 Hubungan antara kecepatan rata-rata, waktu merah dan waktu antara dua jalan buntu (kepadatan 800 kendaraan)

T 0 5 10 15 20

dt 0,17 0,161 0,135 0,113 0,105

ay 4 125 105 68 63

T 25 30 35 40 45

dt 0,084 0,078 0,075 0,065

ay 67 69 66 68

Gambar 2.1 Satu persimpangan

Diterbitkan oleh Pusat Sains dan Pendidikan Kanada 77

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Gambar 2.2 Lingkungan simulasi kita

78 ISSN 1913-8989 E-ISSN 1913-8997

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

kamu=0,0102x2 -1,7549x+84,144

Kecepatan
jam)
(km/

Kepadatan (kendaraan/km)
Kecepatan
jam)
(km/

Aliran (kendaraan/jam)

kamu=0,0076x3 -1,4481x2 +74,248x+80,889

(kendaraan/
Aliran
jam)

Kepadatan (kendaraan/km)

Gambar 2.3 Hubungan tiga variabel makroskopis k, q dan v

Diterbitkan oleh Pusat Sains dan Pendidikan Kanada 79

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Gambar 2.4 Beberapa skenario kebuntuan

Keterlibatan
Tingkat

Gambar 2.5 Tingkat keterlibatan kecelakaan berdasarkan perjalanan, kecepatan, siang dan malam

80 ISSN 1913-8989 E-ISSN 1913-8997

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

(200 kendaraan)

A)

(400 kendaraan)

B)

(600 kendaraan)

C)

(800 kendaraan)

D)

Gambar 3.1 Hubungan antara waktu merah (hijau) dan kinerja

Diterbitkan oleh Pusat Sains dan Pendidikan Kanada 81

Machine Translated by Google

www.ccsenet.org/cis Ilmu Komputer dan Informasi Jil. 4, No.4; Juli 2011

Gambar 3.2 Hubungan antara waktu merah (hijau) dan kecepatan rata-rata
Kecepatan
berarti

Waktu merah

Gambar 3.3 Kurva yang diantisipasi

82 ISSN 1913-8989 E-ISSN 1913-8997