基于交通流仿真的智能路側設施管控效果測度方法

摘 要：智能路側設施布設的管控效果對智能路側設施建設至關重要，但在現有的智能路側設施管控效果測度方法研究中，存在實地測度實驗的高成本性、場景不可控及現有仿真軟件側重單車仿真且缺乏對交通流層面的控制策略植入與運行狀態分析等問題。因此利用VISSIM COM二次開發，提出了基于交通流仿真的管控效果測度方法。首先，設計高速公路的管控場景，并利用VISSIM進行場景構建；其次，通過設計換道控制策略算法和動態限速策略算法，對換道過程和限速過程進行計算和控制；最后，通過構建管控效果評價模型對高速公路的管控效果進行量化及分析，并與其他方法進行對比。仿真結果表明，對比其他測度方法，所提方法的速度方差分別降低了39.51%和25.65%。由此可見，該方法能夠適應復雜的高速交通環境，并能夠有效地對高速公路智能路側設施布設的管控效果進行測量。

關鍵詞：智能交通；智能路側設施；高速公路；管控效果；VISSIM仿真

中圖分類號：TP319"" 文獻標志碼：A""" 文章編號：1001-3695（2025）04-023-1135-08

doi： 10.19734/j.issn.1001-3695.2024.07.0306

Measurement method for intelligent roadside facility control effect based on traffic flow simulation

Zhong Linkai1， Lin Yi1， Zeng Qiting1， Lian Peikun1， Chen Ning2， Zhang Daozhi3

（1.College of Transportation amp; Civil Engineering， Fujian Agriculture amp; Forestry University， Fuzhou 350002， China; 2. College of Metropolitan Transportation， Beijing University of Technology， Beijing 100124， China; 3. Fuzhou Planning amp; Design Research Institute Group Co.， Ltd.， Fuzhou 350108， China）

Abstract：Deploying intelligent roadside facilities is crucial for their control effect during construction， but the existing research on measuring the control effect of intelligent roadside facilities faces problems such as high costs for field measurement experiments， uncontrollable scenarios， and the absence of control strategy implantation and operation state analysis. Therefore， this paper proposed a control effect measurement method based on traffic flow simulation using the VISSIM COM secondary development. Firstly， it designed the control scenario for the expressway and constructed the scene using VISSIM. Secondly， it designed the lane-changing control strategy algorithm and dynamic speed limit strategy algorithm， and calculated and controlled the lane-changing process and speed limit process. Finally， it built an evaluation model to quantify and analyze the control effect of the expressway， comparing it with other methods found in literature. The simulation results indicate that， compared to other measurement methods， the proposed method reduces speed variance by 39.51% and 25.65%， respectively. It is evident that the proposed method can adapt to complex highway traffic environments and effectively measure the control effect of deploying intelligent roadside facilities on expressways.

Key words：intelligent transportation; intelligent roadside facilities; expressway; control effect; VISSIM simulation

0 引言

在新基建背景下，當前高速公路建設已由基本智慧級過渡到協同式智慧級，智能路側設施建設逐步加快，智能路側設施布設的管控效果對智慧高速建設至關重要［1］。智慧高速公路是大數據時代的高速公路新形態，是傳統高速公路系統的延伸和創新。傳統高速公路系統主要以簡單智慧級和基本智慧級為主，強調以功能實現為導向；而車路協同背景下的智慧高速公路則以協同式智慧級為主，強調以管理和服務為導向，注重對數據的加工應用［2］。智慧高速公路的發展推動了交通信息化［3］，為交通運輸領域各類信息的全時空、網絡化、大規模獲取提供了技術支持，智能路側設施的建設受到社會各界的廣泛重視。而智能路側設施布設的管控效果直接影響了整個交通系統的運行效率及安全性［4］。因此，通過對智能路側設施布設的管控效果測度進行深入研究，對提高智能路側設施布設的合理性以及提高交通系統的運行效率具有重要意義。

當前，國內外學者提出了多種關于管控效果的測度方法。馮宣東［5］通過“跟車法測速系統”，提出了針對單點和“綠波”的管控效果實時檢測方法；張勇［6］通過在山西陽左高速公路的事故多發地設置監測斷面，以此來測量不同車型的車速管控效果；張磊［7］設計了一種基于北斗衛星的狹窄路段交通擁堵智能控制系統，利用全方位磁傳感器等硬件對路段交通的管控效果進行測量；Greguric"""" ＇等人［8］利用安裝在道路基礎設施上的交通控制系統測量的管控效果信息，通過智能速度自適應（ISA）技術制定相應的管控策略；劉文君等人［9］基于實地測量路側激光雷達的管控效果數據，通過隨機森林算法對其進行評價；Galkin等人［10］通過積累實地測量的交通流管控效果信息，提出了用于智能交通系統的自動交通流控制算法。以上研究大多數采用實地測量的方式，這通常會耗費大量的人力、物力等資源。同時，其實驗場景較為局限，具有較大的不可控性。為了解決這些問題，部分學者采用仿真的方式進行管控效果的測度研究。

使用仿真的方式進行管控效果的測度研究，不僅節省了大量的資源，而且其場景較為豐富，更有利于進行不同場景下的管控效果測度研究。然而，在基于仿真的管控效果測度研究中，國內外學者考慮了多方面的影響因素。邱興友等人［11］通過仿真平臺搭建高速公路場景，并考慮檢測器的檢測范圍對管控效果的影響；魏向達等人［12］考慮了車輛軌跡數據對城市干線綠波管控效果的影響；李媛等人［13］采用理論分析和仿真計算相結合的方式，探討車流速度波動和車流到達率波動兩個因素對管控效果的影響機理；Li等人［14］結合粒子群優化算法，考慮平均行駛速度、換道頻率、車輛位置等因素對管控效果的影響；文獻［15，16］利用灰色關聯分析法構建評估模型，前者考慮了車流聚集程度等因素對管控效果的影響，而后者則考慮了路側設備的檢測范圍、重疊度、功能覆蓋等因素。然而，上述研究大多側重于單車仿真，缺乏對交通流層面的控制策略植入與運行狀態分析。基于此，本文利用VISSIM COM二次開發，通過設計換道控制策略算法和動態限速策略算法，提出了基于交通流仿真的管控效果測度方法，進一步探究智能路側設施布設管控效果與設備布設間距、有效檢測距離等因素的影響關系。

1 相關定義及假設

1.1 管控場景構建

1.1.1 管控目標及管控策略

本文利用感知設備實時監測交通流量、車速、道路占用及突發事件，并通過發布設備即時向駕駛員反饋管控信息，旨在增強高速行車安全［17］。鑒于高速路況復雜多變，快速響應并實施有效管控策略對預防次生事故、維護整體交通安全至關重要。換道控制作為關鍵一環，通過精準引導，確保換道過程安全順暢，減少事故與擁堵［18］。結合速度控制等措施，形成綜合管控策略，其中限速尤為常見。通過合理的限速，以平衡安全與效率［19］。

隨著車路協同技術進步，換道控制得以智能化，利用感知與發布設備的協同，為駕駛員提供個性化換道建議，同時動態調整車速，優化管控效果［20］。針對高速公路事故頻發的現實背景，本文聚焦于換道控制與動態限速兩大策略，選取事故場景為典型案例，研究智能路側設施布設對管控效果的影響，特別是設備間距與感知距離如何影響管控效果，為提升高速公路安全管理提供了科學依據。

1.1.2 管控場景界定

在車路協同管控效果測度場景中，當感知設備檢測到事故的發生，系統會立即獲取并記錄事故發生的時間、事故車輛的具體位置及其所占用的車道等關鍵信息［21］。同時，系統會實時獲取當前非事故車輛的速度、位置和所在車道數據。獲取完信息后，系統會立即啟動換道控制和動態限速的管控策略，并通過上游的發布設備發布策略指令，非事故車輛在接收到策略指令后，采取相應的換道和減速措施。此過程構成管控效果測度研究的整體場景。管控過程的具體流程如圖1所示。

基礎場景如圖2所示，感知設備在進行前方檢測時存在一定范圍的檢測盲區，這一區域俗稱“燈下黑”。盲區前方則是設備的有效檢測范圍［22］，可變信息情報板（VMS）前置有一定長度的識讀距離。根據交通運輸部發布的《高速公路監控技術要求》中指出，可變信息標志動態可視距離應不低于210 m，即當車速120 km/h時，在規定的視認角內，能夠正確認讀標志內容的最大距離，同時，路側單元（RSU）具備500 m的通信范圍。在進行換道操作時，必須在距離最小安全間距之前完成，整個過程中，動態限速策略是持續進行的，其根據瞬時速度限制區間車速。

1.2 假設條件

考慮普遍性與適用性，在管控效果測度研究中提出以下假設：a）以常規環境作為管控效果測度背景，即白天晴天條件下的高速公路基本路段；b）異常事件發生時，車道未完全封閉，存在換道通行可能；c）駕駛員在接收到發布設備所發布的管控信息后，必定會采取相應的操作措施以響應；d）為最大程度地探究布設間距與管控效果之間的聯系，管控過程中不考慮補償算法加成；e）事故發生于路側設備最遠盲區點與可檢測的最遠點之間的區間內；f）鑒于RSU與OBU的V2X通信范圍大于可變信息情報板的識讀距離［23］，考慮不利原則，僅選擇可變信息情報板作為發布設備進行管控效果測度。

1.3 管控效果評價模型

基于本文界定的管控場景，并結合換道控制和動態限速兩種管控策略，通過換道位置距離事故點的距離和各個區間車速與發布速度方差的平均值來衡量管控效果，并以感知設備有效檢測距離的覆蓋率來作為事故的檢測率，構建面向高速公路的智能路側設施布設管控效果評價模型，見式（1）。

Eij=αSijlijCL+βVD

（1）

其中：Eij為路段j上i類路側設施的管控效果值；Sij為路段j上i類路側設施的有效檢測距離（m）；lij為路段j上i類路側設施中感知設備的布設間距（m）；CL為換道位置離事故地點距離（m）；VD為動態限速方差平均值。根據專家調研問卷結果，其中76.19%的專家認為高速公路智能路側設施布設管控效果在考慮因素的重要度排序中，換道控制優于動態限速。因此，通過AHP層次分析法確定ɑ的值為0.6，β的值為0.4。

2 換道控制策略算法

感知設備采集到事故發生，會記錄下事故時間、事故位置、道路信息等［24］，并統計事故點前的車輛信息，根據布設設備的布設間距劃分換道區間，并確定各區間內交通流信息，向事故車輛上游的可變信息情報板發布換道控制信息，顯示各換道區間的換道控制信息，發布設備5 min更新一次，循環直到事故解除。換道控制策略算法詳細流程如圖3所示。

2.1 換道區間長度計算

換道控制策略算法首先要計算換道區間長度，具體流程為：首先，當感知設備檢測到事故發生時，記錄下事故發生的坐標位置、事故所處車道編號、事故發生及結束的時刻、事故車輛類型，并存儲在“事故信息”數組中；其次，統計感知范圍內所有車輛，并獲取車輛編號，實時車道、期望車道變化、當前瞬時速度、坐標位置，存儲在動態“車輛信息類”數組中；最終，計算考慮事故位置的換道區間長度。具體計算步驟如下：

a）獲取換道控制感知設備布設區間的起點位置。

b）判斷目標車輛位置（即事故車輛位置）與換道控制感知設備布設區間的起點位置之間的距離是否大于發布設備的布設間距。若不大于，則考慮事故位置的換道區間最后長度為目標車輛位置與當前換道控制感知設備布設區間的起點位置之間的距離；若大于，則考慮事故位置的換道區間長度等于發布設備布設間距，其增加發布設備的布設間距，為下一個區間的起點位置作準備。

c）判斷目標車輛位置與當前換道控制感知設備布設區間的起點位置之間的距離是否小于發布設備的布設間距，若為不小于，則繼續循環累加和判斷；若為小于，考慮事故位置的換道區間最終長度為目標車輛位置與當前換道控制感知設備布設區間的起點位置之間的距離。

2.2 換道車輛數計算

當得出考慮事故位置的換道區間最終長度后，需要進行下一步計算，即在換道區間內的最終換道車輛數，具體步驟如下：

a）計算換道區間所允許存在的最大車輛數。

MAXVcli=APclil3600TCcli×EScli3.6

（2）

其中：MAXVcli為換道區間所允許存在的最大車輛數；TCcli為換道區間的通行能力；EScli為換道區間的期望速度。

b）分車道車輛數及位置統計。分車道車輛數及位置統計關鍵在于統計各換道區間目標車道和非目標車道的車輛數，并把車輛編號與車輛坐標位置存儲在數組中。具體實現流程如下：

（a）統計與換道區間有關的分車道車輛數，包括換道控制感知設備布設區間編號和車道編號，并統計當前統計時刻，各換道區間的車輛編號和車輛位置。

（b）獲取車輛集合中的車輛信息，其包含運行中的車輛信息。

（c）獲取各換道控制感知設備布設區間數據。

（d）判斷車輛位置是否在換道區間內，同時當前時刻是否小于事故統計結束時刻。若不小于，返回步驟（c）循環；若小于，進入步驟（e）判斷。

（e）如果該車輛不是事故車輛，且位于目標車道（即事故車輛所在的車道），則記錄下該車輛的編號和位置，并記錄目標車道的車輛數；如果該車輛不是事故車輛，且位于非目標車道，則記錄下非目標車道的車輛數；如果該車輛是事故車輛，則返回步驟（b）循環。

c）分車道占有率統計。

OSLDcli=VSLDcli×1000APclil

（3）

其中：OSLDcli為與換道區間有關的分車道占有率統計；VSLDcli為與換道區間有關的分車道車輛數統計；APclil為考慮事故位置的換道區間長度。當y取值為0時，累計所得結果為只統計事故車輛所在車道的占有率之和OSLDcli［x，0］。

d）換道區間的分配比例計算。先計算出各換道區間的初始系數分配比例，接著將初始系數分配比例歸一化得到最終各換道區間的系數分配比例。具體實現流程如下：

（a）獲取各換道區間占有率的總和。

（b）判斷各換道區間占有率的總和是否為0：如果為0，由步驟c）求得。

（c）如果占有率的總和為0，則由式（4）計算初始分配比例，再將其求和得到各換道區間占有率的總和。

PICDcli=APclil×VSLDcliSAPclil×OSLDcli［x，0］

（4）

其中：PICDcli為各換道區間的初始系數分配比例；APclil為考慮事故位置的換道區間長度；VSLDcli為與換道區間有關的分車道車輛數統計；SAPclil為考慮事故位置的換道控制區間長度總和；OSLDcli為與換道區間有關的分車道占有率統計。

（d）累加各換道區間的初始分配比例，判斷分配比例總和是否等于0。

（e）如果分配比例總和等于0，則最終分配比例系數為0；如果分配比例總和不等于0，則進一步計算歸一化分配比例系數，見式（5）。

NCDRclix=PICDclix∑xPICDclix

（5）

其中：CLVcli為第x個換道區間的歸一化系數分配比例；PICDclix為第x個換道區間的初始系數分配比例；x表示距離事故位置最遠處的第x個換道區間。

e）當前統計時刻的最終換道車輛數計算。先計算初始換道車輛數，接著計算允許換道車輛數，最終確定換道車輛數，具體實現流程如下：

（a）計算初始換道車輛數，見式（6）。

CLVcli=OSLDcli×NCDRcli

（6）

其中：CLVcli為換道區間當前統計時刻的初始換道車輛數；OSLDcli為與換道區間有關的分車道占有率統計；NCDRcli為各換道區間的歸一化系數分配比例。

（b）如果計算出的初始換道車輛數≤目標車道區間的車輛數，那么計算出的初始換道車輛數則為初始換道車輛數，否則目標車道區間的車輛數為初始換道車輛數。

（c）如果各換道區間最大車輛數≥當前非目標車道車輛數，則允許換道車輛數為各換道區間最大車輛數，如果各換道區間最大車輛數＜當前非目標車道車輛數，則允許換道車輛數為0。

（d）如果初始換道車輛數≤允許換道車輛數，則在非事故車輛所在區間，最終換道車輛數為初始換道車輛數，在事故車輛所在區間，最終換道車輛數為目標車道車輛數；如果初始換道車輛數＞允許換道車輛數，最終換道車輛數為允許換道車輛數。

2.3 隨機換道位置計算

換道控制策略發布于事故點上游的發布設備，假設換道控制策略發布于事故點上游的兩個發布設備，車輛在每個換道區間的隨機換道位置具有最大值和最小值。以第一個發布設備上游區間為第1區間，依此類推區間數加1，接下來將具體分析車輛處于某個換道區間時，車輛隨機換道位置的范圍，即計算隨機換道位置最小值與最大值。

a）當車輛位于第1區間時，如圖4（a）所示，此時要判斷非事故車輛坐標位置與第1區間為換道控制服務的發布設備起點位置、第1區間為換道控制服務的發布設備終點位置加上換道的附加距離的大小關系，附加距離的大小由發布設備布設間距決定。

b）當車輛位于第2區間時，如圖4（b）所示，此時要判斷換道最小安全距離與為換道控制服務的發布設備起點位置、為換道控制服務的發布設備終點位置加上檢測盲區長度之間的大小關系。

c）當車輛位于事故區間時，如圖4（c）所示，此時要判斷最小安全距離與事故區間為換道控制服務的發布設備起點位置、事故車輛坐標位置之間的大小關系。

具體結果見圖5，其中SJCLmin為隨機換道位置最小值，SJCLmax為隨機換道位置最大值，CPnv為非事故車輛坐標位置，SLclfb［1］為第1區間為換道控制服務的發布設備起點位置，ELclfb［1］為第1區間為換道控制服務的發布設備終點位置，ADcl為換道的附加距離，DTAM為換道最小安全距離，SLclfb［2］為第2區間為換道控制服務的發布設備起點位置，ELclfb［2］為第2區間為換道控制服務的發布設備終點位置，BLgz為檢測盲區長度，CPav為事故車輛坐標位置，SLclfb［x］為事故區間為換道控制服務的發布設備起點位置，ELclfb［x］為事故區間為換道控制服務的發布設備終點位置。

2.4 換道執行

在上述步驟都執行完之后，即可執行換道控制，具體步驟如下：a）產生隨機車輛，通過編程的隨機數組選中隨機車輛；b）獲取車輛信息，獲取該車輛當前所處車道和位置；c）執行換道控制，如果該車輛位于事故車輛所在車道，且該車輛坐標位置小于事故車輛坐標位置，則執行換道，否則不執行換道。

3 動態限速策略算法

感知設備采集到事故發生，向事故上游的可變信息情報板發布動態限速信息，顯示各動態限速區間的限速值，發布設備5 min更新一次。

動態限速策略算法首先是通過感知設備獲取車輛的區間平均車速，計算公式如下：

i=tin－ti0Lj

（7）

其中：i為該動態限速區間第i輛車的區間平均車速；ti0為該動態限速區間第i輛車經過動態限速區間起點時，感知設備記錄的時間；tin為該動態限速區間第i輛車經過動態限速區間終點時，感知設備記錄的時間；Lj為該動態限速區間的長度。

通過記錄存儲5 min內該動態限速區間每輛車的區間平均車速，并對其進行排序。根據國家標準《道路交通標志和標線 第5部分：限制速度》（GB 5768.5—2017）中規定，以第85位車速為基礎，確定限制速度值［25］。最終，取第85位車速作為上游動態限速區間的限速值，并將該限速值發布至上游的可變信息情報板。

動態限速策略算法詳細流程見圖6，其中id_speed_dic［m］是當前統計時刻各動態限速區間的車輛編號與區間平均車速數字字典；speed_order是用于存儲速度排序的數組；speed_limit=0.85，為85位車速系數。

a）聲明數組。id_speed_dic［m］是當前統計時刻各動態限速區間的車輛編號與區間平均車速數字字典；speed_order是用于存儲速度排序的數組；speed_limit=0.85，為85位車速系數。

b）填充速度排序數組。遍歷每個感知設備，將id_speed_dic中的車輛速度數據填充到對應的speed_order數組中。

c）對速度進行排序。遍歷每個感知設備，對其speed_order數組中的速度數據進行排序。

d）計算初始限制速度并編號。根據排序后的車速數組和車速系數（speed_limit）計算初始限制速度，初始限制速度為排序后的車速數組中的85位車速。

e）確定最終限制速度。檢查限制速度的編號是否有效，即小于車速數組中的數量且大于0，如果有效，最終限制速度為初始限制速度，并按此速度執行限速；如果無效，則不執行限速。

4 仿真實驗與分析

根據管控效果評價模型涉及的換道控制策略算法和動態限速策略算法，通過Visual Studio和VISSIM COM開發仿真實驗平臺進行仿真實驗。

4.1 實驗流程

仿真實驗具體流程如圖7所示。具體實驗設置步驟如下：

a）基本設置。聲明在執行換道控制和動態限速策略所需要的變量與數組，設置存儲數字類型及輸出文件位置、格式。

b）主要變量控制。單一變量控制原理，分別研究：（a）控制流量和布設間距不變，不同的感知設備有效檢測距離、發布設備有效識讀距離的交通管控效果；（b）控制流量和有效檢測距離及有效識讀距離不變，不同布設間距的交通管控效果。其中，換道區間的分配比例系數因不同的布設間距取值不同。

c）布設數量修正。為簡化研究控制變量對交通管控效果影響實驗，布設設備數量修正根據有效檢測距離、有效識讀距離、布設間距及考慮事故車輛所在位置進行修正。

d）運行仿真。基于以上步驟，通過換道控制策略和動態限速策略構建換道控制場景和動態限速場景，并調試、執行控制算法運行仿真。仿真過程主要包括事故車輛標識、獲取車輛信息、換道控制場景仿真和動態限速場景仿真。

e）實驗數據輸出。仿真運行結束，輸出提取存儲實驗數據，并重新調整變量值，重復實驗。

f）對比分析。整理所有仿真運行數據，計算、對比不同組實驗數據得出實驗結論。

4.2 適應性實驗

4.2.1 適應性實驗設計

由管控效果測度可知管控效果主要受到發布設備布設間距、感知設備布設間距、感知設備有效檢測距離、發布設備更新時間、交通量的影響。故實驗設計的目的是探究在換道控制和動態限速兩種策略的管控總效果在上述五種影響因素變化下的適應程度。其中，由于感知設備的有效檢測距離與事故的感知覆蓋率有關，且只影響換道控制策略，并根據中國智能交通產業聯盟發布的團體標準中對交通感知設備有效檢測范圍的規定［26］，故將感知設備的有效檢測距離定為250 m，作為修正系數代入分析即可。因此，適應性實驗所研究的影響因素包括發布設備布設間距、感知設備布設間距、發布設備更新時間、交通量四種，各個因素的取值設定如表1所示，將不同因素的不同取值進行正交，共計360次仿真實驗，每次實驗組合的仿真運行時間為1 400 s。

4.2.2 適應性實驗結果分析

發布更新時間為300 s的適應性實驗結果如圖8所示。通過對比實驗數據可以發現，在同一流量和發布設備布設間距下，管控效果值隨著感知設備布設間距的變大而變小。其原因在于當感知設備的布設間距增大時，系統對事故的感知覆蓋范圍減小，事故可能發生在檢測盲區內，系統便無法獲取事故信息，進而無法發布管控策略，故管控效果變差。同時從圖中還可以得出，在同一流量和感知設備布設間距下，管控效果在發布設備布設間距變大的情況下，其值也越來越小。其原因在于當發布設備布設間距過大時，駕駛員無法準確感知到與事故點之間的距離，只能在接收到離事故點最近的發布設備發布的管控信息后采取換道和限速策略，故大多數車輛在離事故點較近的地方換道和減速，管控效果大大降低。

當發布設備布設間距和感知設備布設間距固定的情況下，隨著流量值的增大，管控效果越好。原因在于當流量小于設計小時流量時，交通較為通暢、車輛的期望速度較大，駕駛員忽視了距離較近的發布設備上的信息，導致管控效果較差。當交通量增大到一定程度時，道路擁堵，車輛無法正常行駛，管控效果也會停留在某個閾值。

發布更新時間為600 s的適應性實驗結果如圖9所示，對比發布更新時間300 s和600 s的實驗結果可以發現，實驗組與對照組的管控效果數值均相近，且兩者起伏升降趨勢相同，無明顯差別。但是，隨著發布設備和感知設備布設間距的變化，交通量為2 500 pcu/h的管控效果值波動較大，說明其適應性較差。因此在后續靈敏度實驗時選定交通量為2 500 pcu/h進行實驗。

將交通量為2 500 pcu/h的實驗組和對照組的管控效果值進行對比，如圖10所示。通過對比實驗數據可以發現，在極端流量下，道路通行能力接近飽和狀態，駕駛員趨于控制較為穩定的車速，故發布更新時間為600 s的管控效果比發布更新時間為300 s的管控效果普遍更優。因此，說明在極端流量下，發布更新時間為300 s的管控效果適應性較差，故在后續靈敏度實驗時選定發布更新時間為300 s進行實驗。

4.3 靈敏度實驗

4.3.1 靈敏度實驗設計

選取適應性實驗中管控效果較佳的因素取值組合設計靈敏度實驗，在適應性實驗時未考慮感知設備有效檢測距離作為影響因素對管控效果的影響，故靈敏度實驗包括流量在內的其他影響因素應保持一致。實驗分析通過輸出換道位置距離事故點的距離、動態限速區間速度與限速值的方差等進行對比分析。靈敏度實驗所研究的影響因素包括發布設備布設間距與感知設備有效檢測距離，根據設備參數及具體工程實際進行考量取值，各個因素的取值設定如表2所示，將不同因素的不同取值進行正交，共設計18組實驗，每次實驗組合的仿真運行時間為1 400 s。

4.3.2 靈敏度實驗結果分析

1）換道控制策略的管控效果分析

分別輸出不同有效檢測距離和不同布設間距下的換道位置距離事故點距離，對比換道控制策略的管控效果，實驗結果如圖11（a）所示。由圖11（a）可以看出，同一有效檢測距離不同布設間距實驗輸出的換道位置距離事故點的距離中，換道位置距離事故點的距離隨著布設間距的增大而減小，這表明布設間距越大，換道位置離事故點越近，行車越不安全，換道控制策略的管控效果越差。同時縱向對比，同一布設間距不同有效檢測距離實驗輸出的換道位置距離事故點的距離中，換道位置距離事故點的距離隨著有效檢測距離的增大而增大，這表明有效檢測距離越大，換道位置離事故點越遠，行車越安全，換道控制的管控效果越好。但在布設間距較小的情況下，有效檢測距離的增大對于換道控制策略管控效果的影響很小，原因在于當布設間距較小時，感知設備對于事故的覆蓋率等于或接近100%，故影響較小；在布設間距較大的情況下，有效檢測距離的增大對于換道控制策略管控效果的影響很小，原因在于當布設間距較大時，感知設備對于事故的覆蓋率很小，有效檢測距離的變化對于覆蓋率的影響可以忽略不計，故對于管控效果基本不影響。

2）動態限速策略的管控效果分析

分別輸出不同有效檢測距離和不同布設間距下的速度方差的平均值，對比動態限速策略的管控效果，如圖11（b）所示。由圖11（b）可以看出，同一有效檢測距離不同布設間距實驗輸出的速度方差的平均值中，速度方差的平均值隨著布設間距的增大而增大，這表明布設間距越大，區間車輛的速度與限速值偏離越大，動態限速的管控效果越差。同時縱向對比，同一布設間距不同的有效檢測距離實驗輸出的速度方差的平均值中，速度方差的平均值隨著有效檢測距離的增大而減小，這表明有效檢測距離越大，區間車輛的速度與限速值偏離越小，動態限速的管控效果越好。但在布設間距較小的情況下，有效檢測距離的增大對于動態限速策略管控效果的影響很小，原因在于當布設間距較小時，感知設備對于事故的覆蓋率等于或接近100%，故影響較小；在布設間距較大的情況下，有效檢測距離的增大對于動態限速策略管控效果的影響很小，原因在于當布設間距較大時，感知設備對于事故的覆蓋率很小，有效檢測距離的變化對于覆蓋率的影響可以忽略不計，故對于管控效果基本不影響。

綜上，無論是換道控制策略還是動態限速策略的管控效果，布設間距與管控效果之間呈現負相關，而有效檢測距離與管控效果之間呈現正相關，下一步將對于此次實驗得出的實驗數據進行管控效果公式的擬合。

4.3.3 公式擬合

針對不同設備布設間距與不同有效檢測距離對換道控制策略管控效果的影響，通過SPSS軟件對靈敏度實驗數據進行擬合，見式（8），其可決系數為0.970 5，接近于1，擬合效果較好。

CL=1+9.13×10－5Sij0.0052+6.85×10－4×1.000 335Lij

（8）

針對不同設備布設間距與不同有效檢測距離對動態限速策略管控效果的影響，通過SPSS軟件對靈敏度實驗數據進行擬合，見式（9），其可決系數為0.875 4，接近于1，擬合效果好。

VD=1－1.12×10－4Sij×25.64L0.545 3ij

（9）

由式（8）（9），以事故覆蓋率作為修正系數，確定高速公路智能路側設施布設管控效果測度公式，見式（10）。

Eij=0.6Sijlij1+9.13×10－5Sij0.005 2+6.85×10－4×1.000 335Lij+0.41－1.12×10－4Sij×25.64L0.545 3ij

（10）

4.4 對比實驗

為了進一步驗證本文管控效果測度方法的有效性，設置交通量為2 500 pcu/h，感知設備有效檢測距離為250 m，使用本文方法與同樣在高速公路環境下采用動態限速策略的文獻［27，28］進行仿真實驗，并對其動態限速效果和換道安全性進行對比，結果如表3所示。由表可以看出，在動態限速效果方面，文獻［27，28］的速度方差普遍高于本文方法，其中在發布設備布設間距為10 000 m時，本文方法比文獻［27］的速度方差降低了39.51%，比文獻［28］的速度方差降低了25.65%，說明本文方法的動態限速策略在高速公路環境下優于文獻［27，28］。從換道安全性上看，文獻［27，28］并不符合換道與事故地點距離隨著發布布設間距的增大而減小的交通領域常識性認知，故進一步驗證了本文管控效果測度方法更為有效。

5 結束語

本文針對高速公路設施布設場景，提出了基于仿真的智能路側設施布設管控效果測度研究方法，并構建面向高速公路的智能路側設施布設管控效果評價模型。通過考慮設備布設間距、有效檢測距離、設備檢測盲區、識讀距離及交通量等因素，設計換道控制策略算法和動態限速策略算法，對換道過程和限速過程進行計算和控制。基于控制算法進行仿真實驗，得到不同布設間距和不同有效檢測距離與管控效果之間的影響關系。最后，與其他方法進行對比，實驗結果表明，該方法能夠有效地測量復雜高速交通環境的管控效果。在發布設備布設間距為10 000 m的情況下，較文獻［27，28］的速度方差分別降低了39.51%和25.65%。通過適當地調整設備的布設間距和有效檢測距離，能夠有效地提高高速公路的智能路側設施布設的管控效果。本文方法將為智能路側設施的布設和提高交通運行效率提供參考價值。下一步可與實地管控效果的實測結果作對比驗證，進一步改進算法。

參考文獻：

［1］燕崇麒. 探索車路協同技術在智慧高速公路建設中的應用 ［J］. 智能城市， 2021， 7（9）： 1-2. （Yan Chongqi. Exploring the application of vehicle-infrastructure integrated technology in the construction of smart highways ［J］. Smart City， 2021， 7 （9）： 1-2.）

［2］伊笑瑩， 芮一康， 冉斌， 等. 車路協同感知技術研究進展及展望 ［J］. 中國工程科學， 2024， 26（1）： 178-189. （Yi Xiaoying， Rui Yikang， Ran Bin， et al. Vehicle-infrastructure cooperative sensing： progress and prospect ［J］. Strategic Study of CAE， 2024， 26（1）： 178-189.）

［3］皮彥芳. 計算機網絡技術在高速公路管理中的應用 ［J］. 移動信息， 2023， 45（7）： 296-297. （Pi Yanfang. The application of computer network technology in highway management ［J］. Mobile Information， 2023， 45（7）： 296-297.）

［4］平振東. 高速公路路側感知設備布設與優化方法研究 ［D］. 西安： 長安大學， 2022. （Ping Zhendong. Research on the layout and optimization method of roadside perception equipment on highways［D］. Xi’an： Chang’an University， 2022.）

［5］馮宣東. 城市交叉口信號控制效果實時檢測與評價系統 ［J］. 中國交通信息產業， 2004（12）： 65-66. （Feng Xuandong. Real time detection and evaluation system for signal control effect of urban intersections ［J］. China’s Transportation Information Industry， 2004（12）： 65-66.）

［6］張勇. 高速公路事故多發地點交安設施設置有效性分析 ［J］. 山西建筑， 2022， 48（12）： 129-131. （Zhang Yong. Analysis on the effectiveness of the installation of traffic safety facilities in the accident-prone areas on expressways ［J］. Shanxi Architecture， 2022， 48（12）： 129-131.）

［7］張磊. 基于北斗衛星的狹窄路段交通擁堵智能控制系統設計 ［J］. 計算機測量與控制， 2020， 28（4）： 121-125. （Zhang Lei. Design of intelligent control system for traffic congestion on narrow roads based on Beidou satellite ［J］. Computer Measurement amp; Control， 2020， 28（4）： 121-125.）

［8］Greguri M， Manduka S， Vuji M. Improvement of variable speed limit control effectiveness in context of connected vehicles ［C］// Proc of New Technologies， Development and Application Ⅲ. Cham： Springer， 2020： 560-563.

［9］劉文君， 程之恒， 霍延強， 等. 基于隨機森林的路側激光雷達最優布設方法研究 ［J］. 市政技術， 2023， 41（9）： 269-275. （Liu Wenjun， Cheng Zhiheng， Huo Yanqiang， et al. Research on optimal layout method of roadside LiDAR by random forest ［J］. Journal of Municipal Technology， 2023， 41（9）： 269-275.）

［10］Galkin A， Sysoev A， Khabibullina E. Automation of traffic flow control in intelligent transportation systems ［C］// Proc of Reliability and Statistics in Transportation and Communication. Cham： Springer， 2021： 590-600.

［11］邱興友， 徐志航， 田彬， 等. 智慧高速路側感知設備優化布設方法研究 ［J］. 電子設計工程， 2023， 31（16）： 11-15， 20. （Qiu Xingyou， Xu Zhihang， Tian Bin， et al. Research on optimal layout method of perceptive equipment on intelligent highway side ［J］. Electronic Design Engineering， 2023， 31（16）： 11-15， 20.）

［12］魏向達， 劉小明， 董路熙， 等. 基于軌跡數據的干線綠波協調控制效果評價 ［J］. 桂林理工大學學報， 2022， 42（1）： 242-248. （Wei Xiangda， Liu Xiaoming， Dong Luxi， et al. Evaluation of green wave coordinated control effect of trunk line based on vehicle trajectory data ［J］. Journal of Guilin University of Technology， 2022， 42（1）： 242-248.）

［13］李媛， 龔曉芳， 程延秋， 等. 車流隨機性對協調系統控制效果的影響 ［J］. 長安大學學報： 自然科學版， 2017， 37（3）： 97-105. （Li Yuan， Gong Xiaofang， Cheng Yanqiu， et al. Influence of traffic randomness on control effect of coordination system ［J］. Journal of Chang’an University： Natural Science Edition， 2017， 37（3）： 97-105.）

［14］Li Bin， Dong Xujun， Wen Jianghui. Cooperative-driving control for mixed fleets at wireless charging sections for lane changing behaviour ［J］. Energy， 2022， 243： 122976.

［15］林清韓， 孫旭飛， 洪文濤. 城市干道綠波協調系統控制效果的評價研究 ［J］. 市政技術， 2020， 38（2）： 36-39. （Lin Qinghan， Sun Xufei， Hong Wentao. On the control effect evaluation of green wave coordination system of urban arteries ［J］. Municipal Engineering Technology， 2020， 38（2）： 36-39.）

［16］朱曉東， 姚翔林， 李思宇. 高速公路路側感知設備布設方案評估方法研究 ［J］. 交通工程， 2022， 22（6）： 21-27. （Zhu Xiaodong， Yao Xianglin， Li Siyu. Research on evaluation method of freeway roadside sensing equipment placement schemes ［J］. Journal of Transportation Engineering， 2022， 22（6）： 21-27.）

［17］蔡雪松. 面向城市交通領域的信息融合關鍵技術研究 ［D］. 上海： 華東師范大學， 2019. （Cai Xuesong. Research on key techno-logies of information fusion for urban transportation ［D］. Shanghai： East China Normal University， 2019.）

［18］郝威， 梁聰， 張兆磊， 等. 車路協同下避讓緊急車輛協同換道策略 ［J］. 交通信息與安全， 2022， 40（4）： 92-100. （Hao Wei， Liang Cong， Zhang Zhaolei， et al. A cooperative lane changing strate-gy to give way to emergency vehicles with the cooperative vehicle infrastructure system ［J］. Journal of Transport Information and Safety， 2022， 40（4）： 92-100.）

［19］韓磊， 張輪， 郭為安. 混合交通流環境下基于改進強化學習的可變限速控制策略 ［J］. 交通運輸系統工程與信息， 2023， 23（3）： 110-122. （Han Lei， Zhang Lun， Guo Weian. Variable speed limit control based on improved dueling double deep Q network under mixed traffic environment ［J］. Journal of Transportation Systems Engineering and Information Technology， 2023， 23（3）： 110-122.）

［20］鄭元. 智能網聯環境下高速公路自動駕駛車輛決策控制研究 ［D］. 南京： 東南大學， 2020. （Zheng Yuan. Research on decision control of autonomous driving vehicles on highways in intelligent networked environment ［D］. Nanjing： Southeast University， 2020.）

［21］竇文浩. 道路交通預警設備檢測技術及其系統應用研究 ［D］. 寧波： 寧波大學， 2022. （Dou Wenhao. Research on detection technology and system application of road traffic warning equipment［D］. Ningbo： Ningbo University， 2022.）

［22］謝衛星. 面向自動駕駛的車路協同目標檢測算法研究 ［D］. 哈爾濱： 哈爾濱工業大學， 2021. （Xie Weixing. Research on vehicle road collaborative object detection algorithm for autonomous driving［D］. Harbin： Harbin Institute of Technology， 2021.）

［23］劉冬冬. 基于IPv6的網聯汽車安全通信系統設計和實現 ［J］. 汽車博覽， 2023（21）： 55-57. （Liu Dongdong. Design and implementation of a secure communication system for connected vehicles based on IPv6 ［J］. Auto Expo， 2023（21）： 55-57.）

［24］莊錫釗， 洪雪芳. 物聯網技術的統計數據采集方法研究 ［J］. 電腦與信息技術， 2021， 29（3）： 61-64. （Zhuang Xizhao， Hong Xuefang. Research on statistical data collection method of Internet of Things technology ［J］. Computer and Information Technology， 2021， 29（3）： 61-64.）

［25］國家質量監督檢驗檢疫總局、國家標準化管理委員會. 道路交通標志和標線 第5部分： 限制速度： GB 5768.5—2017 ［S］. 北京： 中國標準出版社， 2017. （Standardization Administration of the People’s Republic of China. Road traffic signs and markings： part 5： speed limit： GB 5768.5—2017 ［S］. Beijing： Standards Press of China， 2017.）

［26］中國智能交通產業聯盟. 智能交通 毫米波雷達交通狀態檢測器， T/ITS 0128—2021 ［S］. 北京： 中國智能交通產業聯盟， 2021. （China Intelligent Transportation Industry Alliance. Intelligent transportation system—traffic condition detector by millimeter-wave radar， T/ITS 0128—2021［S］. Beijing： China Intelligent Transportation Industry Alliance， 2021.）

［27］李志斌， 劉攀， 單肖年， 等. 高速公路可變限速控制策略安全性效果仿真 ［J］. 西南交通大學學報， 2013， 48（5）： 942-948. （Li Zhibin， Liu Pan， Shan Xiaonian， et al. Simulating impacts of variable speed limits on traffic safety on freeways ［J］. Journal of Southwest Jiaotong University， 2013， 48（5）： 942-948.）

［28］朱曉東， 羅瑞琪. 高速公路二次事故風險預警與可變限速控制策略研究 ［J］. 交通與運輸， 2024， 40（2）： 30-34. （Zhu Xiaodong， Luo Ruiqi. Risk warning and variable speed limit control strategy for secondary accidents on freeways strategy ［J］. Traffic amp; Transportation， 2024， 40（2）： 30-34.）