基于AnyLogic的道路交通擁堵仿真分析

劉格格 萬傳風 李欣 劉睿

（1.北京交通大學土建學院，北京 100044；2.中公通達（北京）認證有限公司，北京 122000）

隨著我國城市道路交通迅速發展，人民生活水平不斷提高，高效、舒適、智能的出行方式逐漸成為人們的追求。對此，各國專家學者對城市道路交通擁堵的預測和快速疏解做了大量的研究。

雖然很多學者使用數學模型詳細地研究了交通擁堵的產生和疏散機理，但并沒有提出疏解交通擁堵的有效措施。隨著先進的信息技術應用于交通管理領域，交通擁堵的實時預測和快速疏解技術也逐漸成為研究重點。

本文著眼于交通擁堵仿真模型，從具體路段入手，實地調研，收集并研究了某一段時間內早晚高峰的交通數據，運用AnyLogic軟件仿真得到初步交通擁堵模型，然后對其不斷優化，從而提出疏解擁堵的有效措施。

一、路段基本交通情況調查和擁堵原因分析

（一）路段基本交通情況調查

選取北京交通大學附近的高梁橋斜街-榆樹館橋-展覽館路為研究對象，該路段北起大慧寺路與高梁橋斜街交叉口，南至車公莊交叉口，長約2.5公里。基本位置如圖1所示，周圍商業建筑多，銜接多條道路，分布有北京交通大學、北京建筑大學等人流密集地點（用紅色方框標出），交通壓力大，在早晚高峰時間段易形成擁堵。

（二）道路實地調研分析

在2020年9月25日至11月6日實地調研路段車流量，處理并分析調研數據。圖2為路段衛星觀測圖，圖中標注了在實地調研中選取的7個特征明顯的觀測點。

圖1 路段區位位置圖

圖2 路段衛星觀測圖

通過處理分析各測點的數據發現，相同時間內通過測點1（由南向北）的車輛數多于測點7（由北向南）；各測點通過車輛數量峰值不同，測點1最高，為70輛/min，測點7最少，為15輛/min；相同時間內通過同一測點不同方向的車輛大概相差10輛，由南向北的交通量大于由北向南。由此經初步分析得出，該路段早高峰時段由北向南較反方向更為擁堵。

（三）道路擁堵原因分析

北京交通大學西門距路段北側交叉口不足150m，在早晚高峰陸續有車輛排隊駛入西門，造成后續東流剎車減速甚至完全停下來，易形成擁堵。

車公莊西交叉口處，南北信號燈通行時間分別為53s和30s，時間較短。早晚高峰時段，龐大的車流量，可能無法一次性通過交叉口，易造成二次排隊，形成擁堵。

道路交通擁堵很大程度受駕駛員駕駛習慣的影響[1-3]。新手上路容易緊張，反應不及時，容易急剎車減速，形成一個隱形十字路口，使得后車剎車減速，形成擁堵。在多車道路段，司機為了超車或走快速車道而改變行駛路徑時，都可能造成后方車輛的擁堵[4]。

二、基于速度的交通擁堵狀態評價模型

建立用速度和車頭間距共同判斷交通擁堵情況的評價模型。車頭間距是指在同一車道上行駛的車輛隊列中，前后相鄰兩車車頭之間的距離。計算公式如下：

式中：hs是車頭間距，m；ht是車頭時距，s；v是汽車行駛速度，km/h。

安全距離是指后方車輛為了避免與前方車輛發生意外碰撞在行駛中與前車所保持的必要間隔距離。當車輛以車速v行駛時，通過下式得到車輛間的安全距離：

式中：v是車輛的行駛速度，km/h；t是駕駛員的感知反應時間，取2.5s；g是重力加速度（g=9.8m/s2）；φ是滑動摩擦系數，一般取0.6；i是坡度，按0.5%計算。

代入城市快速路判斷擁堵的分級速度(km/h)，計算得到對應的安全距離(m)如表1所示：

表1 分級速度對應的安全距離

車頭間距=安全距離+標準汽車長度，其中標準汽車長度取3m，則計算得到與城市快速路判斷擁堵的分級速度相對應的車頭間距（m）如表2所示：

表2 分級速度對應的車頭間距

通過車頭時距和汽車行駛速度計算得到實際車頭間距，并與表2比對，判斷路段擁堵情況。

三、基于AnyLogic的模型仿真分析

研究使用AnyLogic作為分析交通擁堵[5-8]的工具，形象地展示了交通擁堵的全過程。AnyLogic建模仿真的基本流程為：建立基本的道路模型和車輛運行流程圖、設置各模塊參數、運行模型、仿真模擬、展示三維效果、輸出數據。

（一）建立基于AnyLogic的交通擁堵模型

從谷歌地圖獲得研究路段的矢量數據[9]，導入軟件作為底圖，建立該路段物理模型。圖3為建模效果圖，圖中標注了在后期數據分析中選取的重點橫斷面。根據路段實際交通狀況，建立運行邏輯圖，主要確定交叉口各方向的交通流量[10]和車輛行駛路徑，如圖4所示。然后設定模型參數，將交通調查數據及通過Python爬取的交通態勢數據輸入軟件中，運行模型。

圖3 建模效果圖

圖4 模型運行邏輯圖

（二）交通仿真數據分析

分析仿真輸出數據，該路段車流量在早高峰7∶00～8∶00達到峰值，平均行駛速度在8∶20達到最小值，接近30km/h，持續約1h，如圖5所示。

圖5 車輛行駛的平均速度

圖6為由北向南和由南向北交通量隨時間變化的情況：早高峰時段，均約在8∶10達到峰值，之后逐漸減小。由北向南交通量峰值為280輛，持續時間約10min，相反方向峰值為170輛，持續時間為5min左右。

圖6 交通量隨時間的變化情況

圖7為由北向南和由南向北車輛平均行駛時間：早高峰時段，由北向南車輛平均行駛時間均值為5.36min；相反方向均值為2.4min。由北向南車輛平均行駛時間明顯高于反方向，說明由北向南的擁堵情況比反方向嚴重。

圖7 路段中車輛的平均行駛時間

分析輸出數據，路段中車輛平均速度降低的時間滯后于擁堵發生時間[11]，說明只靠速度變化來預測擁堵發生時間有一定的延遲性，與實地調查得出的結論一致。結論如下：

一是在早高峰時段，該路段隨著交通量增大逐漸形成擁堵，8∶20擁堵狀況最嚴重。

二是擁堵主要發生在交叉口、出入口匝道、大量車輛變道點。

三是交通擁堵的發生不是瞬時的，是經過一段時間積累的[12]。該路段交通量開始增加且持續大約20min后，發生嚴重交通擁堵，在這個時間段內及時采取交通疏導措施，能夠疏解該路段的交通擁堵。

（三）交通擁堵狀況評級指標分析

在本文中采用新的評價指標即路段平均速度和車頭間距判斷擁堵情況。選取早高峰6∶00～9∶00，南向北C斷面和北向南B斷面的一個車道計算其平均速度和平均車頭間距，得到路段不同斷面擁堵級別，評級結果如圖8和圖9所示。

圖8 斷面C的交通擁堵級別

圖9 斷面B的交通擁堵級別

該路段從北向南擁堵狀況較由南向北嚴重，且擁堵主要集中在7∶30～8∶40。同樣分析其他斷面不同車道的擁堵級別，結果接近實際情況，驗證了交通擁堵狀況評級指標的準確性。

四、結語

分析實地調研數據，得到該路段早高峰從7變化00開始擁堵，7變化40～8變化40為嚴重擁堵時段，9變化00擁堵開始消散。結合調研數據，在AnyLogic中建立交通擁堵仿真模型，經過優化，得到該路段形成擁堵的可能發生點，并驗證了擁堵規律。道路交通擁堵會受到各種復雜因素的影響，且持續時間較久。因此，城市道路每天的交通量變化大致遵循相同的規律，交通量變化曲線大多具有一定的周期性和穩定性[13]。

結合實際情況，建立以速度和車頭間距為指標的交通擁堵狀態評價模型，驗證了模型的準確性，更好地為交通管理與規劃提供了決策依據。由結論可知，利用AnyLogic的交通仿真功能，識別路段中易發生擁堵的地點，提出改善措施，加強對該地點的監控管理具有實際意義。同時，AnyLogic能夠模擬仿真優化后的交通狀況，評價疏導措施的有效性。

治理道路交通擁堵要從源頭做起，一方面要實時預測道路交通量，提前做出預報；另一方面要準確評價道路擁堵狀況，合理引導交通流，實現交通流均衡分配。