基于智能信息反饋技術的雙車道交通流數值模擬

何嘉琪 薛文偉 林 亨

（溫州大學建筑工程學院，浙江溫州 325035）

隨著工業4.0的迅速發展，以信息物理融合的車聯網技術在傳統汽車行業逐步應用，在改善車輛駕駛性能的同時也極大提高了車輛的安全性。交通擁堵是由車輛的換道行為和各種偶然的道路瓶頸引起的，且超過50%的交通事故都與車輛超車相關[1]。在智能駕駛快速發展的大背景下，結合智能信息反饋技術開展車輛的換道行為研究，有助于進一步認識交通擁堵傳播的特性，改善道路交通的運營狀況。有關交通流理論的研究主要從宏觀模型、介觀模型和微觀模型開展。以元胞自動機模型為代表的微觀模型是將道路離散為連續等間距的小格子，結合一系列的演化規則進行車輛駕駛行為模擬。Chowdury[2]引入雙車道換道規則，基于元胞自動機提出STCA雙車道換道模型，為更靈活和深入分析交通行為奠定基礎。李慶定等[3]基于公交車道所產生的交通瓶頸，改進非對稱換道元胞自動機模型，并進行交通流特性分析。Meng等[4]考慮車輛行駛過程中橫向與縱向之間的相互影響，提出異構化的元胞自動機模型進行驗證，與實測數據具有較好的一致性。李慶宇等[5]和于澤浩等[6]分別對智能汽車在聯網后的演化機制進行研究，采用不同超車方式和換道形式以提高道路的交通效率。目前，以機器視覺為主要技術的車聯網技術已經越發成熟，根據GPS車輛位置信息定位及輔助車道上的監控攝像頭，能夠實現對車輛行駛動態全域的監測。本文在現有的模型基礎上，根據智能車輛得到的數據信息對車輛換道的策略進行反饋分析，構建基于智能信息反饋技術的交通流模型，結合數值模擬結果智能信息反饋技術對道路車輛行駛的影響，為開發車輛自動駕駛和道路運營管理提供技術支撐。

1 基于智能信息反饋技術的雙車道模型

1.1 對稱雙車道的車輛換道規則

現有的元胞自動機換道模型中，交通系統通常由兩條并行的單車道組成，如圖1所示。

圖1 元胞自動機的車輛演化模型

模型的實施過程中，每個時間步劃分為兩個子時間步：第一個子時間步里，車輛按照換道規則進行車道更換；第二個子時間步里，車輛在兩條車道上按照單車道的NaSch模型更新規則進行速度和位置的并行更新[7]。第n號車輛，Vn為當前行駛速度，Vn，max為該車最大車速；dn、dn，pred和dn，succ分別是車距離本車道前車凈距、與目標車道前車和后車凈距。

對于對稱雙車道換道規則模型（STCA），車輛在換道過程中應考慮自身和其他車輛的行駛安全，且每個車道的換道規則都相同。根據Chowdhury提出的換道規則[2]，車輛換道需要滿足：換道動機dndn，車輛自身車道的行駛條件比目標車道的行駛條件要差；安全條件dn,succ>dsafe，車輛換道時需要保證不與目標車道后方來車發生碰撞，且dsafe通常取后車的最大車速Vmax。

1.2 智能信息反饋技術的換道規則優化

智能信息反饋技術是通過車聯網傳感器和道路輔助設施對道路上的行駛車輛以及周圍的交通環境數據進行收集，結合車輛自身的智能處理系統對車輛換道交互提供決策建議?；趯ΨQ雙車道的車輛模型，第一個子時間步綜合考慮自身車道前車和目標車道前車n+1的車輛行駛狀態對車輛換道的影響。智能車輛擴展改進換道規則：換道動機dndn+dn+1-，考慮行駛車輛在自身車道和目標車道上與前車距離的基礎上，預估自身前車行駛所能帶來的位置空間；安全條件dn,succ>min(+1,Vmax)，車輛換道時只需要保證不與目標車道后方來車發生碰撞；上標b和m分別代表自身車道和目標車道，ln為車輛智能信息反饋有效長度。

換道車輛的相互影響如圖2所示。

圖2 換道車輛的相互影響

在已有的元胞自動機換道模型中，通常只考慮瞬時子時間步內滿足換道條件的車輛，未能考慮換道車輛之間的相互影響。圖2中n和n+1號車都能夠滿足對稱雙車道換道規則，倘若此時車輛都采取換道的策略，n號車并未實現達到改善自身行駛條件的目的?？紤]智能車輛換道時，車輛n和n+1同時滿足換道條件時，作為后車n將根據前車換道情況進一步調整策略：換道動機dn+dn+1+1min(+1,Vmax)，車輛在換道時候只需要保證不與目標車道后方來車發生碰撞。智能車輛根據上述的原則調整是否繼續在自己車道行駛。

1.3 車輛演化微觀分析

基于對稱雙車道和智能信息反饋技術的換道規則，設定相同的初始條件和車輛分布情況進行車輛演化微觀分析，如圖3和圖4所示。

圖3 STCA模型車輛演化

圖4 IR-STCA模型車輛演化

圖中字母C和R分別代表傳統快車和裝有智能反饋系統的快車，字母后面的數字代表車輛的編號，短劃線后面的數字表示車速。車輛演化過程中，第一個子時間步根據不同車輛屬性進行換道判斷，第二個時間步按照單車道NaSch模型更新規則進行速度和位置的更新，這里忽略隨機慢化的影響。由圖3可知，目標車道在t時刻具有好的駕駛環境，故C5車輛根據對稱換道規則采取了換道，但受限于C2和C3車輛的行駛限制，t+1和t+2時刻減速行駛，t+3時刻C5車輛對應的車速為2。

由圖4可知，R5車輛具有智能信息反饋系統，在t時刻收集得到目標車道C2前車和自身車道C6前車的駕駛信息。通過智能信息反饋系統的換道規則判斷，目標車道C2前車的車前距離不能滿足其加速行駛的需求，自身車道C6前車的前車距離能夠滿足，故R5車輛在t時刻并未采取換道策略，而繼續在自身車道上行駛。t+1時刻，R5車輛由于自身車道的車前距離限制而減速，t+1和t+2時刻能夠保持持續的速度增長，t+3時刻車輛速度達到3，整個過程減少了車道的換道頻次，且車輛行駛速度優于對稱雙車道的車輛狀態。

2 數值模擬與分析

基于上述車輛換道規則開展數值模擬，為保持和NaSch模型一致，取每個元胞格子的長度為h=7.5m，且雙車道上每個車道的元胞格子數為L=1000個，對應真實的7.5km長的現實道路。設定一個時間步長相當于1s，與人們的反應時間相當。車輛的行駛速度為0～5格/步，分別對應現實車輛車速0～135km/h，車輛的初始位置和速度都隨機分布在兩個車道上。

各車道流量：

各車道車輛密度：

各車道平均速度：

各車道利用率：

式中：Ni(t)——i車道t時刻的車輛總數；Vik(t)——i車道在t時刻第k輛車的瞬時車速。

計算得到每個時刻的車道流量后，根據所選的分析時間步數做平均處理。為了消除初始暫態對試驗的影響，對仿真中前5000個時間步數據不進行統計，采用周期性邊界條件。整個數值模型分析的時間步數為10000步，利用MATLAB軟件進行仿真試驗。車輛的總密度為0.25，隨機減速概率0.25，設定裝有智慧信息反饋系統車輛為5輛，在對稱雙車道換道規則工況中也隨機選擇5輛車輛，對比兩者在9900～10000時間步數內不同換道規則情況下的車輛演化時空圖差異。不同車道上均出現了采用NaSch演化更新規則的“時走時停波”的現象，且伴有自發的交通阻塞逐步向后傳遞并消散的特征[7]，反映了實際交通狀況。時空演化圖如圖5、圖6所示。

圖5 對稱雙車道車輛演化時空圖

圖6 智慧信息反饋技術雙車道演化時空圖

觀察不同車道上車輛行駛情況發現，車輛的行駛軌跡存在較多不長的節段，同時來回出現在車道1和車道2演化時空圖之間。車輛在行駛過程中，采用對稱雙車道換道規則的車輛基于現有時刻路況信息，選擇即時的換道策略。裝有智慧信息反饋系統的車輛在行駛過程中具有較好的穩定性，其在綜合比對目標車道與自身車道前車行駛狀態的基礎上選擇是否換道。裝有智慧信息反饋系統的車輛在行駛過程中的換道次數有所下降。

流量密度和車道利用率如圖7、圖8所示。

圖7 不同模型車道量-密度

圖8 不同模型車道利用率

由流量密度曲線可知，兩個模型在密度較小的區域，其總流量和單車道的流量都隨著密度的增加而增加，達到峰值后隨著密度的增加流量減小。STCA模型的總車道和車道1上的峰值流量為3 870 veh/h和1 935 veh/h略微高于IR-STCA模型總車道和車道1的流量3 760 veh/h和1 881 veh/h。智慧信息反饋技術車輛在道路上較為穩定行駛，選擇放棄換道策略，影響了其后跟馳車輛的行駛車速，致使流量峰值下降。對比不同密度流量，車輛密度小時和車輛密度大時影響不明顯。

進一步分析不同車道上的利用率發現，低密度時各條車道利用率差異不同，此時車道上行駛的車輛還處在自由流的狀態，車輛之間沒有相互干擾，隨著車道密度增加，各條車道的利用率開始收斂。雙車道模型各車道理想的車道利用率為0.5，但由于智慧信息反饋技術的作用，IR-STCA模型的車道利用率在車道密度0.13時達到0.5的車道利用率，STCA模型則在車道密度為0.16時，才能達到0.5的車道利用率。車輛裝有智慧信息反饋系統后，能夠分析自身車輛周圍的車輛間距，還能夠獲得目標車道以及自身車道前車的車輛行駛狀態，使車輛在行駛時減少不必要的換道，提升車道利用率。

3 結語

基于對稱雙車道換道規則模型，結合智能信息反饋技術提出了一個改進的雙車道元胞自動機模型，分析車輛在智能信息反饋裝置影響下道路車輛行駛的特點。裝有智能信息反饋裝置的車輛在車道行駛過程中，將采取較為保守的換道策略，在減少換道頻次的基礎上略微提高車道的利用率，降低行駛過程中車輛的換道頻次，可減少車輛超車換道事故；對比對稱雙車道換道規則模型，該改進模型的車道峰值流量略小，但低車道密度和高車道密度情況影響不大，智能信息反饋技術能夠在局部情況改善車道的行駛狀態。