考慮預期效應和交通燈影響的城市道路交通元胞自動機模型

張 劍， 董力耘

(上海大學上海市應用數學和力學研究所，上海200072)

隨著大中城市機動車保有數量的不斷增加，機動車排放的尾氣已經成為城市環境的主要污染源，而日益嚴重的交通堵塞，更加劇了城區機動車的尾氣污染.眾所周知，機動車的尾氣排放與車輛的運行狀態密切相關，頻繁加速或減速以及長時間處于怠速狀態都會導致額外的污染物排放［1］.為了更加真實地評估機動車流的尾氣排放，進而實現節能減排，必須采用可以描述每輛機動車具體運動過程的交通流微觀動力學模型，其中元胞自動機模型已于近幾年開始應用于交通流的模擬，并因其簡單、靈活和適于大規模并行計算的優勢而得到普遍重視.

1992年，Nagel等［2］提出了一個描述高速公路交通的單車道元胞自動機交通流模型，即NaSch模型.該模型是一個可以重現道路交通流基本特征(如自由流和阻塞相及其相變)的最簡單的模型.國內外很多學者在NaSch模型的基礎上不斷進行研究和改進，先后涌現出大量的后續研究成果，其中值得關注的模型有：通過引入慢啟動規則再現亞穩態和回滯現象的模型，如VDR模型［3］;可以再現同步流的模型，如Knospe等［4］提出的考慮剎車燈影響和預期效應的BL模型(又稱舒適駕駛模型、CD模型).這些研究工作使人們對于高速公路交通流的自組織演化有了更加深刻的認識.

與高速公路交通流相比，有關城市道路交通流的研究相對較少.一方面，城市道路交叉口處的交通燈嚴重干擾了交通流的自組織行為，很難產生同步流現象;另一方面，交通燈在交叉口處從時間上將原本相互沖突的交通流分離，使其在不同的時間范圍內通過交叉口，從而保證了車輛在交叉口的行駛安全.Biham等［5］提出了一個理想化的二維元胞自動機模型，即BML(Biham-Middleton-Levine)模型，它采用一個二維正方形網格來表示城市交通網絡，每一格點代表一個交叉路口，車輛在交通燈的控制下向前運動.BML模型只能用來模擬城市交通的一些基本特征，如超過臨界密度會發生全局的阻塞.由于BML模型過于簡單，無法刻畫一些實際的交通特征，為了解決這一問題，Chowdhury等［6］將BML模型和NaSch模型相結合，建立了一個新的ChSch模型來刻畫城市交通.ChSch模型考慮了連接路口之間路段上的交通流動力學演化過程，較為真實地描述了實際交通.距離交叉口最近的車輛考慮交通燈的影響，并據此作出相應的預判.Brockfeld等［7］采用元胞自動機模型研究了城市交通的交通燈信號優化問題，指出交通燈控制下的城市交通流可以簡化為單車道的問題.Sasaki等［8］采用優化速度模型研究單車道情況下交通燈控制下的交通流.He等［9］也采用元胞自動機模型對同步、綠波、隨機三種交通燈控制策略下的交通流進行了模擬，結果顯示，低密度下綠波控制策略是有效的，但高密度下三種控制策略并無差別.Jiang等［10］提出了一個隨機減速概率依賴于停車時間的元胞自動機模型.劉慕仁等［11］在研究城市道路交通問題與交通流模型時指出，交通系統是一個人、車、路和環境構成的復雜巨系統，系統參數的數量和變化范圍很大.因此，到目前為止還沒有一個統一的模型能描述和解釋各種實際交通流復雜行為，要建立一個統一的交通流模型還需要進行更多的研究工作.

本工作主要關注交通燈控制下城市道路交通流的動力學演化過程，重點研究機動車的微觀運動狀態，如加速、減速和怠速，這些狀態與機動車的尾氣排放過程直接相關.本工作提出了一個新的模型，其中交通燈狀態不但對距離路口最近的車輛產生直接的影響，同時也會影響到其他車輛的運動.通過與ChSch模型比較，進一步說明了本工作所提出模型的合理性，并且重點分析了機動車流運動狀態與尾氣排放之間的聯系.

1 模型

在文獻［4，7］的基礎上，本工作提出了一個新的描述交通燈控制下單車道機動車流演化的元胞自動機(traffic-light-based cellular automaton，TLCA)模型.在該模型中，首先考慮交通燈狀態對當前路段上所有車輛的影響，對于最靠近前方路口的車輛(稱為頭車)的運動，則根據實際情況作相應的處理，具體規則如下.

(1)確定車道上各輛車的加速度.① 對于頭車，先確定頭車的控制速度vcon.當前方交通燈為紅燈時，vcon=min(ceil(sl/τ)，vmax)，其中ceil為上取整函數，sl為頭車到前方最近路口的距離;當前方交通燈為綠燈時，vcon=vmax，則頭車的加速度為

式中，vl為頭車的當前速度，τ為紅燈狀態的剩余時間長度.②對于其他車輛，

式中，vn表示第n輛車的速度，dn表示第n輛車和前車(第n-1輛車)之間的間距，即dn=xn-1-xnln-1，其中xn為第n輛車的位置，ln-1為第n-1輛車的車長，k為交通燈狀態對駕駛員行為的影響參數，當紅燈時，k=1，當綠燈時，k=2，表明綠燈期間駕駛員更傾向于向前行駛.對于加速或減速的判斷可借鑒文獻［2］中的方法，該方法可較為真實地反映運動中兩車之間間距的變化.

(2)速度調整.由

駕駛員可根據步驟(1)確定的加速度調整速度(加速或減速).這一步中始終保持vn≥1，反映了駕駛員盡可能保持行駛狀態的心理.

(3)由交通燈狀態引起的減速.如果第n輛車前方是紅燈，則有

如果第n輛車前方是綠燈，則有

式中，sn表示第 n 輛車到前方最近路口的距離，=d+max(v-gap，0)表示有效間距，其中nantisecurityvanti=min(dn-1，vn-1)為前車的期望速度，gapsecurity為安全控制參數，為了防止前后車碰撞，要求gapsecurity≥1.本模型使用有效間距來替代真實的車間距，可放松NaSch模型中間距對車輛運動的限制，通過合理選擇參數，保證了當間距較小時不至于發生碰撞.

(4)隨機減速.以隨機減速概率P減速，即速度取為

反映駕駛過程中各種不確定因素的影響.(5)根據確定的速度

車輛向前運動.

本工作提出的TLCA模型較為全面地考慮了交通燈對車輛運動的影響，這種影響不僅通過頭車運動的變化來傳遞，還直接作用于車道上其他所有的車輛.這是因為在大部分情況下，即使在車隊尾部的駕駛員也可以明確獲得當前交通燈的信息而做出相應的調整，這與ChSch模型中的處理方式有明顯的不同.

2 模擬和分析

在模擬中，每個元胞長度取為1.5 m，每一時間步對應的真實時間為1 s.每輛車占5個元胞(即7.5 m)，單位速度為 5.4 km/h，單位加速度為1.5 m/s2.與NaSch和ChSch模型相比，本模型采用了更小的元胞長度，可以更好地刻畫速度的變化過程，從而更準確地描述機動車尾氣的排放特征.車道由1 000個元胞組成，即道路長為1 500 m，隨機減速概率P=0.12.在道路右端設置交通燈，使用周期性邊界條件，相當于采用同步交通燈控制策略.車輛在道路上自左向右行駛，且在行駛過程中不允許超車.由于城市中車輛的最大行駛速度遠低于高速公路，因此，假設最大車速為vmax=81 km/h=15 cell/s.如果車頭已經越過路口，即使是紅燈狀態，頭車仍舊向前行駛.為簡便起見，假設每個信號周期僅由綠燈和紅燈組成，且紅綠燈周期相同，交替切換，即Tgreen= Tred=T/2分別為交通燈的綠(紅)燈周期，其中T為一個交通燈周期長度，在模擬中一般取T=120 s.下面比較TLCA模型與細化的NaSch模型(FNS，指考慮交通燈影響而不考慮預期效應的NaSch模型)和細化的ChSch模型(FCS)的模擬結果，這里的細化是指采用了比原模型更小的元胞長度.

模型的基本圖，即流量-密度曲線，反映了交通燈控制下交通流狀態的宏觀統計特征(見圖1).可以發現，3個模型的基本圖具有類似特征，整個密度范圍可以分成3個區間，分別對應于未飽和、飽和與過飽和狀態.在飽和狀態時形成了一個流量平臺，流量平臺的起點和終點分別對應于臨界密度ρc1和ρc2.在未飽和狀態，系統尚未達到最大通行能力，流量隨著密度的增加線性增長.當密度增加到ρc1時，系統達到其最大通行能力，路口上游的車輛無法在綠燈周期內消散.隨著密度的不斷增加，擁堵范圍不斷擴大，流量值不再隨著密度的增加而增長，而保持在一個固定值，從而出現了一個流量平臺.系統的飽和流量取決于最大速度、隨機減速概率和交通燈信號周期.當密度超過ρc2時，前方路段已經沒有足夠的空間容納上游來流，從而出現流量隨著密度的增加而減小.

圖1 3個模型的基本圖(流量-密度曲線)Fig.1 Fundamental diagram for three models(flowdensity relation)

值得注意的是，FNS模型與FCS模型的基本圖幾乎完全重合，這是由于FCS模型只考慮頭車是否能在有限的綠燈時間內通過交叉口來進行判斷，交通燈的影響僅通過頭車運動的變化來傳遞，因此，與完全未考慮交通燈變化預期的FNS模型沒有顯著的差異.進一步分析表明，FNS模型和FCS模型在微觀特征上也幾乎完全一致.因此，下面僅對FCS模型與TLCA模型的結果進行比較.

從圖2中可看出，ρc1隨著交通燈周期的增加而增大;而ρc2則剛好相反，隨著交通燈周期的增加而減小.這就導致了基本圖中的平臺寬度隨著周期的增加而減小，如圖3所示.從圖4中可以發現，隨著信號燈周期的增加，平臺流量不斷提高.這是由于當信號周期比較短時，交通燈的快速切換使車輛頻繁啟動和剎車，單位時間內通過的車輛減少，交叉口流量降低;而隨著信號燈周期的增加，車輛頻繁啟動的次數降低，車流量增加.

圖2 臨界密度與信號燈周期關系曲線Fig.2 Relation between critical density and cycle time of signals

圖3 平臺寬度與信號燈周期關系Fig.3 Relation between the width of platform and cycle time of signals

圖4 平臺流量與信號燈周期關系Fig.4 Relation between saturated flux and cycle time of signals

隨著信號燈周期的增加，平臺寬度變窄而流量值提高，因此，可以根據道路的實際車輛密度來調整信號燈周期長度.雖然增加周期長度有助于提高平臺流量，但是周期過長會增加駕駛員的等待時間，容易引起駕駛員的煩躁從而導致不必要的交通事故.

圖5為典型密度下FCS模型和TLCA模型的時空演化斑圖(車輛從左向右行駛).由圖可見，兩種模型下車輛運動軌跡表現出了顯著不同的特征.在FCS模型中，因為車輛遇到紅燈時并不進行預先減速，紅燈狀態下當車輛到達交叉口時車輛必須進行緊急停車，從高速行駛狀態轉變為靜止狀態，因此，可能發生在單位時間步內車速從最大速度驟減為0的情況.而在TLCA模型中，很難發現這種情況.這是由于在TLCA模型中充分考慮到了駕駛員的預判行為，當前方信號燈為紅燈時，頭車駕駛員會根據紅燈周期剩余時間和該車輛到路口之間的距離來改變速度，其后車輛也會隨之進行相應的調整.

圖6為典型密度下兩種模型的速度分布對比圖，定量刻畫了斑圖中車輛的運動狀態.由圖可以發現，FCS模型中的速度分布不盡合理，靜止狀態(怠速)和暢行狀態車輛的比例過高.如在密度ρ=0.12的情況下，FCS模型怠速狀態所占的比例約為33%，而TLCA模型幾乎不存在怠速狀態運行的車輛.在TLCA模型中，非怠速和暢行狀態的車輛比例均高于FCS模型中的同種狀態.

圖5 在密度ρ=0.12的情況下，FCS模型和TLCA模型的時空演化斑圖Fig.5 Spatio-temporal patterns for FCS and TLCA models at density ρ=0.12

圖6 典型密度下，FCS模型和TLCA模型的速度分布對比Fig.6 Velocity distribution for FCS and TLCA models at typical densities

圖7為兩種模型在不同密度下車輛運動狀態的統計結果.我們把車輛的運動分為4種狀態：① 加速狀態，v＞0，a＞0;② 減速狀態，v＞0，a＜0;③勻速狀態，v＞0，a=0;④怠速狀態，v=0.由于加速狀態時發動機加速運轉，燃料的消耗和尾氣的排放相對較大;減速過多影響車輛的運行效率和發動機工作效率;怠速狀態時發動機空轉，故這3種狀態并不是我們所期望的.車輛只有在勻速狀態下運行時，發動機才保持正常運轉，所做的功都消耗在正常行駛上，因此，在此種狀態下的行駛才是最為節約燃料和環保的.從圖7中可以發現，隨著密度的增加，怠速狀態逐漸增多.相對于FCS模型，TLCA模型出現較少的怠速狀態和較多的勻速和減速運動狀態，且TLCA模型在系統達到臨界密度ρc1之前幾乎不存在怠速狀態.值得指出的是，TLCA模型中減速狀態偏多是由于車輛遇到紅燈時緩慢減速造成的，這更加符合實際情況.總體而言，采用TLCA模型中的駕駛策略，可有效地減少機動車的尾氣排放.

圖7 FCS模型和TLCA模型的車輛不同運動狀態分布Fig.7 Distribution of different moving states of vehicles in the FCS and TLCA models

3 結束語

本工作提出了一個描述交通燈控制下城市道路交通流演化的元胞自動機模型，即TLCA模型.在該模型中，交通燈對于路段上車輛的影響是全局的，即交通燈狀態的改變會同時影響到路段上的所有車輛.而在FCS模型中，只是考慮了頭車對交通燈的預判，并通過運動的變化向后傳遞交通燈的影響，與沒有預判的FNS模型表現出了十分相似的運動特性.此外，TLCA模型還考慮了前車在下一時刻的預期運動.雖然TLCA模型給出的交通流宏觀統計特征(基本圖)與FCS模型沒有顯著的差別，但是在車輛運動的細觀特征上具有顯著的差異.與FCS模型相比，TLCA模型中車輛的運動更加平滑，這與實際交通現象符合.由于機動車頻繁的加速和減速以及長時間處于怠速狀態都會導致額外的尾氣排放，采用本模型中的駕駛策略可使車輛勻速運動的狀態明顯增多，能較好地模擬現代生態駕駛理念下駕駛員的行為，即通過對交通前景的預判，明顯減少怠速和速度驟減的狀態，從而減少機動車的尾氣排放，有效地緩解機動車尾氣污染.該模型可以進一步推廣到多車道城市交通流或考慮車輛在路口的轉向，更好地刻畫現實中復雜的交通現象.

［1］ PANISL I， BROEKX S， LIU R H. Modeling instantaneous traffic emission and the influence of traffic speed limits［J］.Science of the Total Environment，2006，371：270-285.

［2］ NAGELK，SCHRECKENBERGM.A cellular automaton model for freeway traffic［J］.J Phys I，1992，2：2221-2229.

［3］ BARLOVICR，SANTENL，SCHADSCHNEIDERA，et al.Metastable states in cellular automata for traffic flow［J］.Eur Phys J B，1998，5：793-800.

［4］ KNOSPEW，SANTENL，SCHADSCHNEIDERA，et al.Towards a realistic microscopic description of highway traffic［J］.J Phys A，2000，33：477-485.

［5］ BIHAM O，MIDDLETON A，LEVINED A.Selforganization and a dynamical transition in traffic flow models［J］.Phys Rev A，1992，46：6124-6127.

［6］ CHOWDURYD，SCHADSCHNIDERA.Self-organization of traffic jams in cities：effects of stochastic dynamics and signal periods［J］.Phys Rev E，1999，59：1311-1314.

［7］ BROKFELDE，BARLOVICR，SCHADSCHNEIDERA，et al.Optimizing traffic lights in a cellular automaton model for city traffic［J］.Phys Rev E，2001，64：056132.

［8］ SASAKIM，NAGATANIT.Transition and saturation of traffic flow controlled by traffic lights［J］.Physica A，2003，325：531-546.

［9］ HEH D，DONGL Y，DAIS Q.Simulation of traffic flow with trafficlightstrategiesvia a modified cellular automaton model［J］.Journal of Shanghai University：English Edition，2006，10(3)：189-191.

［10］ JIANGR，WU Q S.A stoppedtimedependent randomization cellular automata model for traffic flow controlled by traffic light［J］.Physica A，2006，364：493-496.

［11］ 劉慕仁，薛郁，孔令江.城市道路交通問題與交通流模擬［J］.力學與實踐，2005，27(1)：1-6.