Integrated Heterogeneous Traffic Flow Model of Bus and Autonomous Vehicle Platoon
-
摘要:
为研究网联自动驾驶车（connected autonomous vehicle, CAV）和人工驾驶车（human-pilot vehicle, HPV）所组成的异质交通流特性及公交车驾驶行为对环境的影响，首先，分析异质交通流中的4种跟驰模式：人工驾驶小汽车跟驰、人工驾驶公交车跟驰、自适应巡航控制(adaptive cruise control, ACC)跟驰和协同自适应巡航控制(cooperative adaptive cruise control, CACC)跟驰；接着，基于各跟驰模型的特点，构建车辆跟驰和换道的元胞自动机模型，综合考虑CAV车队特性、驾驶员与CAV各自反应时间特性以及HPV加塞特性，并利用跟驰模式判断参数融合不同跟驰模式特性，实现统一的模型表达；最后，仿真分析不同CAV渗透率下CAV排队强度及公交车换道行为对交通流的影响. 结果表明：在一定的CAV渗透率下，促使CAV形成队列比单纯提高CAV渗透率更能有效提升道路通行效率；适量的公交换道有助于充分利用道路通行能力，过多的公交换道则会妨碍正常交通，公交换道对交通流造成的通行效率衰减随CAV渗透率的增大而减小；同步流状态下，人工驾驶小汽车执行率与道路通行效率呈负相关关系；而在堵塞流状态下，人工驾驶小汽车执行率对通行效率影响甚微.
Abstract:In order to investigate the heterogeneous traffic flow characteristics formed by the combination of connected autonomous vehicles (CAVs) and human-pilot vehicles (HPVs), as well as the impact of bus driving behavior on this environment, four following modes in heterogeneous traffic flow are initially analyzed: human-pilot car following, human-pilot bus following, adaptive cruise control (ACC) following, and cooperative adaptive cruise control (CACC) following. Subsequently, based on the characteristics of each following model, a cellular automaton model for vehicle following and lane-changing is constructed, which comprehensively considers the characteristics of CAV platoons, the response time characteristics of drivers and CAVs, and the cutting-in behavior of HPVs. By setting the following mode judgment parameters, different following mode characteristics are integrated to achieve a unified model representation. Lastly, through simulation experiments, the queuing intensity of CAVs at different penetration rates and the impact of bus lane-changing behavior on traffic flow are analyzed. The results indicate that promoting CAVs to form platoons at a certain penetration rate is more effective in improving road traffic efficiency than merely increasing the CAV penetration rate; a moderate amount of bus lane-changing contributes to the full utilization of road traffic capacity, while excessive bus lane-changing hinders normal traffic. The traffic efficiency attenuation caused by bus lane-changing decreases as the CAV penetration rate increases; under synchronized flow conditions, the execution rate of human-pilot cars is negatively correlated with road traffic efficiency; however, under congested flow conditions, the impact of human-pilot car execution rate on traffic efficiency is negligible.
-
网联自动驾驶汽车是汽车产业与新时代物联网、人工智能、大数据等信息技术深度结合的产物，其依托于车联网与交通大数据，可以大幅提升车辆的便利性和舒适性. 随着网联自动驾驶车辆涌入传统的交通网络，城市道路上开始出现人工驾驶车辆（human-pilot vehicle, HPV）与网联自动驾驶车辆（connected and autonomous vehicle, CAV）混行的异质交通流，车辆间的相互作用随之发生显著变化，道路交通正呈现出崭新的格局[1-6].
异质交通流中存在的车型主要可分为小汽车与公交车. 由于公交车固定线路与固定时间的营运特点，一般来说较为容易率先实现自动驾驶，然而部分地区受限于其运行环境与城市情况，相比较于小汽车而言，无人公交车难以进行商业化，在此条件下就会存在着人工驾驶公交车、人工驾驶汽车与自动驾驶汽车混行的情况. 混合着3种驾驶类型的车流是否呈现出与传统异质流截然不同的特性尚不明确，因此，针对存在人工驾驶公交车的异质交通流特性进行研究对于明确其交通流特性，减少交通延误，提高道路通行效率均有重要的现实意义.
目前，针对异质交通流的研究成果较为丰富. Fakhrmoosavi等[7]搭建了CAV与HPV模型，考虑了不同车型交互以及驾驶行为、异质要素对交通流的影响，研究结果表明，CAV可以在一定程度上提高道路的通行效率与道路安全性. Talebpour等[8]采用博弈论的方法建立了车辆换道模型，并设计不同换道模型的仿真框架，使其能预测混行交通流中车辆的换道行为，但是该模型效果一般，预测能力有限. Sala等[9]使用概率论估计异质流中CAV的分布，通过分析车辆排队策略后发现自动驾驶车辆的队列长度可以有效提升道路通行能力. Zhou等[10]建立一个四车道的元胞自动机模型框架模拟异质车流，并结合异质要素的相互作用提出了改善道路通行能力的策略. 而对公交车，相关研究中则常以提高其通行效率、服务能力为目标，少有研究对混行环境进行综合考虑. Li等[11]考虑到了延迟干扰和乘客需求因素，构建公交车控制模型并制定出非线性控制策略，提高了公交车的服务能力与通行效率. 综合来看，虽然现有对异质流研究中使用的方法各异，但是其中大多数研究仅针对车型为小汽车的CAV与HPV间的关系进行研究，涉及到公交车、车队排列、跟驰模式方面的研究较少，针对公交车的研究也少有将混行环境纳入考虑，相关交通流特性仍待揭示.
文中以城市道路中存在公交车的异质交通流作为研究对象，考虑了道路上存在的4种跟驰模式与CAV车队的特点建立各模式下的跟驰、换道模型与HPV加塞模型，并通过仿真实验对此状态下的异质流特性进行相关分析研究.
1. 异质交通流中车辆跟驰模式分析
根据异质流中存在的车辆驾驶类型，将车辆的跟驰模式分为4种，即：人工驾驶汽车跟驰模式、人工驾驶公交车跟驰模式、自适应巡航控制模式（adaptive cruise control, ACC）、协同自适应巡航控制模式（cooperative adaptive cruise control, CACC）[12]. 同时，为区分人工驾驶汽车与人工驾驶公交车，将HPV分为HPVc与HPVb分别表示上述2种人工驾驶的车辆类别. 跟驰类型如图1所示.
1.1 人工驾驶小汽车跟驰模式
此种跟驰模式为HPVc跟驰前方车辆，小汽车在道路上表现出的交通特征完全取决于驾驶员的决策和操作，然而，也正是因为人的局限性而无法感知周围车辆的速度、加速度等信息，只能依靠经验和感觉进行预判. 所以，这种跟驰模式下小汽车无法与周围车辆协同行驶，也无法与前车形成队列，而且，车辆的速度会因为驾驶员的情绪变化或驾驶状态不定而产生波动.
1.2 人工驾驶公交车跟驰模式
与HPVc跟驰模式相似，人工驾驶公交车跟驰模式为HPVb跟驰前方车辆，公交车的行驶状态依赖于公交车司机的操作状态，无法与其他车辆协同行驶的同时，亦存在不定的速度波动；由于公交车具有体型大、不灵活的特点，其制动距离一般比小汽车更远，也因为公共交通对安全性具有较高的要求，所以相比于小汽车，此种跟驰模式下驾驶员往往倾向于保持更低的行车速度与更远的跟车距离.
1.3 ACC跟驰模式
ACC跟驰模式是指CAV跟驰前方HPV，这种情况下，CAV可以获取前方及周围车辆速度、位置、跟车距离等信息，并通过ACC控制单元控制车辆始终与前车保持安全距离. 由于车辆是计算机进行控制，比人类驾驶员反应更快，需求的安全距离更短.
1.4 CACC跟驰模式
CACC跟驰模式为CAV跟驰前方CAV，由于在通讯范围内CAV拥有和周围的CAV通讯交换信息的能力，所以通讯范围内的CAV可以进行协同驾驶；这种跟驰模式下，CAV会主动寻求机会组成车辆队列，由于队列中的CAV可以在短时间获取车队中其他车辆的行驶数据情况，因此，处于车队中的车将逐步形成整体进行同步驾驶，相较于ACC跟驰模式，CACC跟驰模式拥有更小的安全距离，更高的通行效率[13].
2. 异质流中融入公交车与CAV车队的跟驰换道模型
2.1 模型约定
道路上车辆种类繁多且HPV驾驶员行为特性各有不同，要使建立的模型完全符合实际情况较为困难，因此，需要在具有普遍性的假设前提下建立模型[14]，文中对模型约束如下：
1） 车辆于水平路面运行；
2） 天气状况为晴天；
3） 车辆按照类型分为公交车和小汽车两类，同类车辆大小一致，不存在性能差异；
4） 道路中的公交车为人工驾驶车辆.
2.2 模型参数说明
首先，对构建模型使用到的参数进行相关说明，具体如表1所示. 模型中，车道A与车道B分别为车辆n所在车道与换道的目标车道.
表 1 参数说明Table 1. Parameter descriptions参数符号 参数说明 αn αn∈{0,1}，1 表示 ACC 跟驰模式，0 表示非ACC 跟驰模式 βn βn∈{0,1}，1 表示 CACC 跟驰模式，0 表示非 CACC 跟驰模式 γn γn∈{0,1}，1 表示 HPVc 跟驰模式，0 表示非HPVc 跟驰模式跟驰 Ωn Ωn∈{0,1}，1 表示 HPVb 跟驰模式，0 表示非HPVb 跟驰模式跟驰 vn(t) 时刻 t 车辆 n 的速度，n+1为前车，n−1为后车 xn(t) 时刻 t 车辆 n 的位置，n+1为前车，n−1为后车 vB,n+1(t) 时刻 t 车辆 n 在车道 B 前车速度 dn 车辆 n 与前车车间距 dsafen 车辆 n 的安全车距 an 车辆 n 的加速度 Δt 仿真实验时间步长 τj 人类驾驶员与自动驾驶车的反应时间，j∈{HPV,CAV} vmaxn 车辆 n 的最大速度 bi i∈{car,bus}，依次表示小汽车（car）与公交车（bus）的最大减速度 mA（mB） 在 CAV 通信范围内车道 A （车道 B）能获取信息的前方车辆数 mmax CAV 通信范围内可获取间隔为安全距离的最大前方车辆数（mA,mB⩽ {\tilde d_{{\rm{B}},n} } 车道 B 上车辆 n 对应相同位置车头与前车车距 {d_{{\rm{B}},n + m}} 在车道 B 上车辆 n 前方第 m 辆车与其前车间的车距 C\left( x \right) x位置所在元胞状态，0 表示有车，1 表示无车 {l_n} 车辆 n 的长度 {l_{\rm{c}}} 元胞长度 O CAV 排队强度 {q_n} 车辆 n 占用元胞数 {p_{ {\text{random} } } } 随机慢化概率 {p_{\rm{g}}} 车辆换道产生加塞情况概率 2.3 纵向跟驰模型
交通流中存在着4种不同的跟驰模式，因此，纵向跟驰模型必须考虑不同跟驰模式的特征，例如：CACC模式下会形成CAV队列，ACC模式下车辆相比HPV跟驰模式拥有更快的反应时间与更短的安全距离. 要在保障安全的前提下进行车辆跟驰，首先要获得需要保持的安全距离，安全距离示意如图2所示.
\begin{split} & d_n^{{\text{safe}}} = {v_n}\left( t \right)\left[ {\left( {{\alpha _n} + {\beta _n}} \right){\tau _{{\text{CAV}}}} + \left( {{\gamma _n} + {{\varOmega} _n}} \right){\tau _{{\text{HPV}}}}} \right]- \\ & \quad \frac{{{ v^2_n}{{\left( t \right)}}}}{{2\left[ {\left( {{\alpha _n} + {\beta _n} + {\gamma _n}} \right){b_{{\text{car}}}} + {\varOmega _n}{b_{{\text{bus}}}}} \right]}}. \end{split} (1) 式中： {b_{{\text{car}}}} 、 {b_{{\text{bus}}}} 为负数.
式（1）由两部分组成：第1部分为驾驶员反应时间内行驶的距离，根据当前车辆n的跟驰模式进而判断车辆驾驶类型从而采用不同反应时间；第2部分为车辆自制动开始到停止的距离. 为保证行车安全，CACC模式下排队最小间距设置为安全距离.
2.3.1 加速
基于式（1）确定的车辆安全间距，结合4种跟驰模式特性，将车辆在道路中的加速规则统一设置为
\begin{split} & {v_n}\left( {t + \Delta t} \right) = \left( {\alpha _n} + {\gamma _n} + {\varOmega _n} \right)\min \Bigg\{ {v_n}\left( t \right) + {a_n}\Delta t, v_n^{\max },\Bigg. \\ & \quad \left. \frac{{{d_n} - d_n^{{\text{safe}}}}}{{\Delta t}}\right\} + {\beta _n}\min \Bigg\{ {v_n}\left( t \right) + {a_n}\Delta t, v_n^{\max },\frac{{{d_n} - d_n^{{\text{safe}}}}}{{\Delta t}},\Bigg.\\ &\quad \left.\frac{{{d_n} - d_n^{{\text{safe}}}}}{{\Delta t}} + {v_{n + 1}}\left( t \right) \right\} , \quad {{d_n} \gt {k_1}{v_n}\left( t \right)\Delta t} , \end{split} (2) 式中：{k_1} = 3.6/l_{\rm{c}}^2，用于当前车辆加减速时机判断.
式（2）依据车辆n的跟驰类型进行加速规则判断，HPVb、HPVc、ACC跟驰模式的车辆适用式（2）前半段的加速规则，因为安全距离相异，不同跟驰模式使用同一加速规则模型呈现不同的加速状态；式（2）后半段为CACC模式加速规则， ({d_n} - d_n^{{\rm{safe}}})/\Delta t + {v_{n + 1}}\left( t \right) 表示车辆在下一时间步与前方形成队列所需要的速度，即当CAV发现前车CAV符合组成队列条件时，根据前车调整自身速度状态，以此逐渐形成车队[12]. 数值仿真中，将按照车辆n类型确定 {a_n} 、 v_n^{\max } 的取值.
2.3.2 减速
按照跟驰模式特点来解析减速规则：CACC模式下的车辆与车队中的其他车辆维持统一速度，整个车队的速度变化同步进行，HPVb、HPVc跟驰模式会因为驾驶类型不同选择不同的减速时机. 定义系数 {k_2} 表示安全距离与车距的关系：
{k}_{2}=\left\{\begin{array}{l}1\text{，}\quad {d}_{n}-{d}_{n}^{\text{safe}} \gt 0，\\ -1\text{，}\quad {d}_{n}-{d}_{n}^{\text{safe}}\leqslant 0.\end{array}\right. (3) 4种跟驰模式中道路车辆减速规则统一设置为
\begin{split} & {v_n}\left( {t + \Delta t} \right) =\left( {{\alpha _n} + {\gamma _n} + {\varOmega _n}} \right)\max \{ {k_2} {v_n}\left( t \right), \\ &\quad {v_n}\left( t \right) + \left[ {\left( {{\alpha _n} + {\gamma _n}} \right){b_{{\text{car}}}}\Delta t + {\varOmega _n}{b_{{\text{bus}}}}\Delta t} \right]\} \;+\\ &\quad{\beta _n}\max \left\{ {{k_2}{v_{n + 1}}\left( {t + \Delta t} \right),{v_n}\left( t \right) + {b_{{\text{car}}}}\Delta t} \right\}， \\ &\quad{d_n} \leqslant {k_1}{v_n}\left( t \right)\Delta t .\end{split} (4) 处于不同的跟驰模式下的车辆会根据其安全距离在不同的时机进行减速. 与其他跟驰模式不同的是，CACC除了保持最低限度的安全距离条件之外，队列中的速度是保持一致的，因此，车队整体处于稳定状态.
2.3.3 随机慢化
HPV特有的随机慢化现象主要描述道路上车辆因为不确定因素而导致的不规则减速情况，{p_{{\text{random}}}}为发生随机慢化现象的概率，对随机慢化定义为
{v}_{n}\left(t + \Delta t\right)={\rm{max}}\left\{{{v}_{n}\left(t\right)-\left({\gamma }_{n} + {\varOmega }_{n}\right)a\Delta t,0 }\right\}\text{，} (5) 式中：a为系数，当 {\gamma _n} =1时， a \in \left[ {0,{b_{{\text{car}}}}} \right] ，当{\varOmega _n}=1时， a \in \left[ {0,{b_{{\text{bus}}}}} \right] .
2.3.4 跟驰模型位置更新
车辆位置更新情况如式（6）所示.
{x_n}(t + \Delta t) = {x_n}(t) + {v_n}(t + \Delta t)\Delta t \text{.} (6) 2.4 横向换道模型
在没有障碍物的道路上，车辆往往会以更快的行驶速度与更高的通行效率为导向执行换道，因此，对车辆的换道条件、换道概率以及换道的过程依次进行分析. 从CAV、HPV 2个方面对换道行为建模. 具体换道场景如图3所示.
2.4.1 CAV换道模型
CAV的跟驰模式分为ACC模式与CACC模式2种，由于CAV优先以队列状态进行行驶，因此，处于CACC跟驰模式下的车辆会保持队列状态，不进行换道；当车辆的跟驰模式为ACC时，为获得更好的行驶环境，车辆会对周围行驶环境进行换道条件判断，当满足条件，即车辆换道可获得更优的行驶环境时，车辆会选择进行换道. 对CAV换道条件定义为
\begin{split} &\left( {{\beta _{n - 1}} + {\beta _n} = 0} \right) \wedge \left( {\sum\limits_{i = 0}^{{q_n}} {C({x_{{\rm{B}},n}}(t) - i{l_{\rm{c}}})} = {q_n}} \right) \wedge \\ &\quad {\left( {{d_n} > d_n^{{\text{saf}}e}} \right) \wedge \left( {{d_{n - 1}} > d_{n - 1}^{{\text{safe}}}} \right)} \wedge \left( {{{\tilde d}_{{\rm{B}},n}} > {d_n}} \right) \wedge \\ &\quad { \left( {{d_{{\rm{B}},n - 1}} > {l_n} + d_{n - 1}^{{\text{safe}}}} \right)} \wedge \\ &\quad\left( {\sum\limits_{i = 0}^{{m_{\rm{A}}}} {{d_{n + i}} < } ({{\tilde d}_{{\rm{B}},n}} + \sum\limits_{i = 1}^{{m_{\rm{B}}}} {{{ d}_{{\rm{B}},n + i}}} )} \right), \end{split} (7) 式中： {x_{{\rm{B}},n}}(t) 为时刻t车辆n在目标车道（车道B）上的位置； \wedge 为逻辑合取，即“与”，逻辑表达式结果为0或1，当结果为1时，表示满足式中所述条件，余同.
式（7）分为5部分：第1部分用于确定车辆不在队列中且跟驰模式为ACC跟驰模式；第2部分用于确定换道车辆在目标车道位置无其他车辆占用；第3、4部分分别判断本车道前后、目标车道B的车距安全性；最后一部分表示CAV各对两条车道检测范围内获取的车辆数据进行计算，确定目标车道通行效率高于本车道后才进行换道. CAV换道场景如图4所示.
引入参数 {k_3} 判断目标车道前方是否存在CAV队列，如式（8）所示.
{k}_{3}=\left\{ \begin{array}{l} 1\text{，}\quad \left({\beta }_{{\rm{B}},n + 1} + {\alpha }_{{\rm{B}},n + 1} + {\beta }_{{\rm{B}},n + 2} + {\alpha }_{{\rm{B}},n + 2}\right)=2，\\ 0\text{，}\quad \left({\beta }_{{\rm{B}},n + 1} + {\alpha }_{{\rm{B}},n + 1} + {\beta }_{{\rm{B}},n + 2} + {\alpha }_{{\rm{B}},n + 2}\right)\ne 2，\end{array}\right. (8) 式中： {\beta _{{\rm{B}},n}} 与 {\alpha _{{\rm{B}},n}} 为车道B上车辆n的前方车辆跟驰模式判断参数.
定义车辆从车道A换道至车道B的概率为
{p}_{{\bf{A}}\to {\rm{B}}}=\left\{\begin{array}{l} O\text{，}\quad {k}_{3}=1，\\ \dfrac{{\tilde{d}}_{{\rm{B}},n}}{{d}_{n} + {\tilde{d}}_{{\rm{B}},n}}\text{，}\quad {k}_{3}=0，\end{array}\right. (9) 式中：O为排队强度， O \in [0, 100%].
此处定义的换道概率决定车辆换道时机，当CAV检测到目标车道前方存在CAV队列时，车辆会将 O 作为换道概率， O 反映混合交通流中CAV的集群强度，即 O 量化了CAV排队的程度，当 O 越大，CAV越倾向于以队列形式行驶，换道组成车队的概率越大， O =100%时，全部CAV会聚集成为一个队列， O =0时，混行交通场景中不存在CAV队列.
2.4.2 HPV换道模型
1） 正常换道
将HPVc与HPVb换道模式进行统一分析，换道条件如式（10）所示.
\begin{split} & \left( {({d_n} > d_n^{{\text{safe}}}) \wedge ({d_{n - 1}} > d_{n - 1}^{{\text{safe}}})} \right) \wedge \left( {\sum\limits_{i = 0}^{{q_n}} {C({x_{{\rm{B}},n}}(t) - i{l_{\rm{c}}})} = {q_n}} \right) \wedge \\ & \quad \left( {({{\tilde d}_{{\rm{B}},n}} > {d_n}) \wedge ({d_{{\rm{B}},n - 1}} > {l_n} + d_{n - 1}^{{\text{safe}}})} \right). \end{split} (10) 根据安全距离、车长、车距的不同，HPVc与HPVb会选择不同时机进行换道，HPV换道概率为{p_{{\rm{A}} \to {\rm{B}}}} = {{\tilde d}_{{\rm{B}},n}}/({{{d_n} + {{\tilde d}_{{\rm{B}},n}}}}).
2） 加塞
加塞的发生往往导致拥堵，主要因为驾驶员对周围车速度预估不准确，从而导致车辆“插队”所致，加塞模型如式（11）所示.
\begin{split} & \left( {({d_n} > d_n^{{\text{safe}}}) \wedge ({d_{n - 1}} > d_{n - 1}^{{\text{safe}}})} \right) \wedge \left( ({{\tilde d}_{{\rm{B}},n}} > {d_n}) \wedge \right.\\ &\quad \left. (0 \leqslant {{\tilde d}_{{\rm{B}},n}} - {d_n} < {l_n}) \right) \wedge \left( {{v_{{\rm{B}},n + 1}}(t + \Delta t) < {v_n}(t)} \right). \end{split} (11) 由于满足式（11）条件时驾驶员不一定选择进行“插队”，加塞现象也就不一定会发生，因此，使用参数 {p_{\rm{g}}} 来表示满足加塞条件后加塞现象发生的概率. 加塞会造成车辆跨车道占用情况，位置更新如式（12）所示. 场景示意如图5所示. 图中，{C_{{\rm{all}}}}\left( {\text{•}} \right)表示该时刻车辆占用位置范围内的所有元胞.
\left( {\sum\limits_{i = 1}^{{q_n}} {C\left( {{x_n}\left( t \right) + i{l_{\rm{c}}}} \right)} = 0} \right) \wedge \left( \sum\limits_{i = 1}^{{q_n}} {C\left( {{x_{{\rm{B}},n}}\left( t \right) + i{l_{\rm{c}}}} \right)} \right) = 0. (12) 式（12）分为两部分：前半部分表示当前车辆所处车道位置的前方一个车长位置所有元胞状态为被占用；后半部分表示目标车道相同位置处于占用状态，发生加塞时，车辆周围间距无法达到正常车辆换道要求，因此，会造成跨车道占用的情况，给车辆正常通行造成极大影响.
2.4.3 换道模型位置更新
换道后，车辆位置更新情况表示为
{x_{{\rm{B}},n}}(t + \Delta t) = {x_{{\rm{A}},n}}(t) + {v_n}(t + \Delta t)\Delta t, (13) 式中：xA,n(t)为时刻t车辆n在车道A的位置.
3. 数值仿真分析
以长度为1000 m，宽为10.5 m的三车道城市公路为例，每条车道宽3.5 m，设置元胞长度 {l_{\rm{c}}} 为0.5 m，小汽车、公交车的长度分别为5、12 m[16]，且这2种车型最大速度设置为17、12元胞/时间步，每个时间步设置为0.5 s，采用周期性边界条件，其余参数如表2所示.
表 2 仿真参数设置Table 2. Simulation parameter setting参数符号 仿真值 a_n/（元胞{\text{•}}时间步^{-2}） {a_{{\text{car}}}} = 2 ， {a_{{\text{bus}}}} = 1 {\tau _{{\text{HPV}}}}/{\rm{s}} 1.5 {\tau _{ {\text{CAV} } } } /{\rm{s}} 0.5 {b_{ {\text{car} } } } /（元胞·时间步−2） −4 {b_{{\text{bus}}}} /（元胞·时间步−2） −3 {m_{\max }} 50 {p_{{\text{random}}}} ，{p_{ {\rm{g} } } } 0.5 在初始状态下，车辆在道路上均匀分布，速度随机生成，2种车辆的到达服从系数不同的泊松分布. 同时为获得较为稳定的数据进行分析，仿真总时间设置为2400时间步，将后1800时间步作为目标数据进行分析. 以此处理使得数据更加贴合实际道路车辆通行情况.
3.1 异质流中不同CAV渗透率与排队强度影响分析
CAV渗透率（Pcav）越高，通行效率越高. 但在一定渗透率区间内，当众多CAV不以队列状态行驶而分散在道路中时，其各自会受制于前方存在HPV的行驶状态，从而可能导致提升Pcav不会获得理想的通行效率增益，即通行效率不一定会随Pcav提升而产生明显的变化. 为对上述问题进行研究，基于文中的跟驰与换道模型分别设置3组不同CAV渗透率与排队强度进行对比，运行实验绘制3条车道(车道1～车道3）时空图如图6所示.
图 6 不同CAV渗透率与排队强度下的时空图Figure 6. Spatio-temporal diagram with different CAV permeabilities and queuing intensities由图6可得：80% CAV渗透率下，高排队强度促使CAV以队列状态高效通行，有效改善了拥堵情况，这点在图6（a）、（b）中车道2的时空图变化中较为明显，由此可见，在高CAV渗透率下，相较于普通行驶状态，车辆形成队列形式行驶仍可进一步提升道路通行效率；当CAV渗透率低至20%时，即使设置了80%的排队强度，道路中仍旧出现了多段拥堵，这说明高排队强度对道路通行效率的提升是以高CAV渗透率为前提，在低渗透率下，即使是高排队强度也无法显著提升通行能力.
3.2 异质流中不同CAV渗透率下公交换道行为影响分析
3.2.1 公交换道频率影响分析
设置{P_{{\text{cav}}}}= 20%，40%，60%，80%，并以驾驶员换道意向p2控制公交车的换道频率，不同于模型中决定换道时机的换道概率参数，这里p2用于判断公交车是否出现换道，即满足驾驶员换道意向p2，车辆进行换道，控制流程如图7所示.
公交换道次数对应的通过流量为5次仿真数据后的平均值. 数据处理后，将公交换道次数顺次排列，所得公交车换道次数与交通流量关系如图8所示，各渗透率下的流量均值与方差如图9所示.
图 9 不同CAV渗透率下交通流均值及标准差Figure 9. Mean and standard deviation of traffic flow under different CAV permeabilities由图8可以发现，公交换道次数的增加造成交通流量呈现出先增后减的趋势，这是因为少量公交换道使道路通行能力得到充分的运用，优化了车流排列，提高了运行效率；而由于车辆跟驰具有滞后、传递的特性，过多的公交换道会对周边车辆产生干扰，造成局部低效率运行情况，进而影响到整体车流通行能力. 此外，当公交换道较多时，交通流量波动较小，这是由于此时换道多发生于拥堵路段上游，对整体交通流影响较小.
由图9 可见： {P_{{\text{cav}}}} 为20%的情况下所得数据相较于其余3种情况拥有更大的标准差，因为渗透率低时，HPV只能根据其跟驰车辆情况行驶，无法获知更多信息，具有短视、盲目的特点； {P_{{\text{cav}}}} 为80%时，多数车辆可以获取实时道路状况信息提前做出决策并选择最优行驶策略，减少了车辆的启停时间，并削弱了公交车的换道带来的影响，此时数据波动较小，即公交换道对此状态下交通流造成的影响较弱.
为进一步明确交通流量和公交换道次数这2个统计变量之间的相关性，绘制相关性热图，如图10所示.
图 10 交通流量与公交车换道次数相关性热图Figure 10. Heat map of correlation between traffic flow and number of bus lane-changing times图10中，正值表示正相关，负值表示负相关，数值的绝对值越大，相关性越强. 由图可看出，交通流量与公交车换道次数呈现出负相关的关系，且自动驾驶车渗透率增大，两者相关性越弱，符合文中所述两者对应关系.
已知不同CAV渗透率下公交换道会造成不同程度的通行效率衰减，但是其是否会对车流整体运行速度产生影响仍待讨论. 为此，设置{P_{{\text{cav}}}}=20%， {p_{\text{2}}} =20%，40%，60%，80%，通过逐渐增加公交车驾驶员的换道意向来增加公交车换道的次数，车流的平均速度图像如图11所示.
图 11 不同驾驶员换道意向下车流平均速度Figure 11. Average traffic speed under lane-changing intentions from different drivers由图11可知：当公交换道次数增多时，交通流平均速度随之下降；随着公交换道次数变多，仿真时间段内速度图像呈现出向下偏移的趋势； {p_{\text{2}}} 为80%时，由于公交车的频繁变道对车流整体通行速度造成较大影响，这时车流速度曲线一半位于基线之下；当 {p_{\text{2}}} 为20%时，车流速度曲线大部分位于基线之上，只有极少时间车流速度小于基线5元胞/时间步. 综上，当 {p_{\text{2}}} 为20%时的车流运行效率远高于 {p_{\text{2}}} 为80%时的车流运行效率，这说明公交换道并不仅仅减少交通流量，还会对车流平均速度产生较大影响.
3.2.2 公交换道下HPVc执行率影响分析
当前方产生交通状况时，人类驾驶员往往想要第一时间更换车道，然而，周围的环境情况以及驾驶员自身的性格特性有时会使其放弃执行换道的想法，并减速、等待. 文中所述HPVc执行率为描述HPVc遭遇公交换道时选择更换车道的概率变量. 为探究不同HPVc执行率 {p_{\text{e}}} 下公交换道带来的影响，针对HPVc执行率进行控制，记录不同密度下的车辆平均延误，具体控制过程伪代码如图12所示.
图 12 HPV车辆遭遇公交车换道决策过程Figure 12. Decision-making process of HPV vehicle encountering bus lane change每次实验运行5次取平均值进行数据记录，所得不同CAV渗透率中各HPVc执行率下车辆延误如图13所示.
图 13 不同CAV渗透率下4种HPV执行率对应的密度-车辆平均延误Figure 13. Density versus vehicle average delay with four types of HPV execution rates at different CAV permeabilities从渗透率方面看，随着CAV渗透率上升，不同 {p_{\text{e}}} 曲线呈现越来越“贴合”的特点，这说明随着CAV增加，遵从不同HPVc执行率的小汽车对通行产生的干扰逐渐减小， {P_{{\text{cav}}}} =20%时，多数车辆是人工驾驶，此时高执行率促使更多HPV换道，道路通行效率受到较大影响；{P_{{\text{cav}}}}=80%时，路上多数车辆为自动驾驶，HPVc执行率及其变动产生的影响被大幅削减. 从执行率方面看，高执行率会在特定密度，即车流特定阶段下对通行产生更高干扰，这种情况多数发生在同步流这一相位[17]，而当密度继续上升，不同执行率对交通流影响的差异性逐渐消失，因为在高密度状态下的环境条件限制了车辆换道，拥堵情况下基本不存在换道情况，即此时HPVc执行率对交通流影响十分有限.
4. 结 论
1） CAV渗透率不是提升道路通行效率的唯一指标，当CAV形成队列时，其给道路通行能力带来的增益要比单独提高渗透率高许多. 针对道路中CAV进行队列化管理将在原本渗透率基础上进一步提升通行效率.
2） CAV渗透率越低，公交换道产生的通行效率衰减越严重，渗透率越高，公交换道的影响越小；HPVc执行率在不同交通密度下对交通流的影响具有差异性，同步流状态下交通流对HPVc执行率变化较敏感，容易受其干扰，堵塞流状态下公交车换道条件受到制约，HPVc执行率变化对通行效率影响十分有限.
3） 未来将针对CAV队列中的车辆间距，最大排队长度进行研究，并尝试对公交车队列、公交车停靠站影响方面进行相应的探索.
-
图 6 不同CAV渗透率与排队强度下的时空图
Figure 6. Spatio-temporal diagram with different CAV permeabilities and queuing intensities
图 9 不同CAV渗透率下交通流均值及标准差
Figure 9. Mean and standard deviation of traffic flow under different CAV permeabilities
图 10 交通流量与公交车换道次数相关性热图
Figure 10. Heat map of correlation between traffic flow and number of bus lane-changing times
图 11 不同驾驶员换道意向下车流平均速度
Figure 11. Average traffic speed under lane-changing intentions from different drivers
图 12 HPV车辆遭遇公交车换道决策过程
Figure 12. Decision-making process of HPV vehicle encountering bus lane change
图 13 不同CAV渗透率下4种HPV执行率对应的密度-车辆平均延误
Figure 13. Density versus vehicle average delay with four types of HPV execution rates at different CAV permeabilities
表 1 参数说明
Table 1. Parameter descriptions
参数符号 参数说明 {\alpha _n} {\alpha _n} \in \left\{ {0,1} \right\}，1 表示 ACC 跟驰模式，0 表示非ACC 跟驰模式 {\beta _n} {\beta _n} \in \left\{ {0,1} \right\}，1 表示 CACC 跟驰模式，0 表示非 CACC 跟驰模式 {\gamma _n} {\gamma _n} \in \left\{ {0,1} \right\}，1 表示 HPVc 跟驰模式，0 表示非HPVc 跟驰模式跟驰 Ωn {\varOmega _n} \in \left\{ {0,1} \right\}，1 表示 HPVb 跟驰模式，0 表示非HPVb 跟驰模式跟驰 {v_n}\left( t \right) 时刻 t 车辆 n 的速度，n+1为前车，n−1为后车 {x_n}\left( t \right) 时刻 t 车辆 n 的位置，n+1为前车，n−1为后车 { v_{ {\rm{B} },n + 1}( t)} 时刻 t 车辆 n 在车道 B 前车速度 {d_n} 车辆 n 与前车车间距 d_n^{{\text{safe}}} 车辆 n 的安全车距 {a_n} 车辆 n 的加速度 \Delta t 仿真实验时间步长 {\tau _j} 人类驾驶员与自动驾驶车的反应时间，j\in {HPV,CAV} v_n^{{\rm{\max }}} 车辆 n 的最大速度 {b_i} i \in \{ {\text{car,bus} }\}，依次表示小汽车（car）与公交车（bus）的最大减速度 {m_{\rm{A} } } （ {m_{\rm{B} } }） 在 CAV 通信范围内车道 A （车道 B）能获取信息的前方车辆数 {m_{{\rm{\max }}} } CAV 通信范围内可获取间隔为安全距离的最大前方车辆数 （{m_{{\rm{A}}}},m_{\rm{B}} \leqslant {m_{\max }}） {\tilde d_{{\rm{B}},n} } 车道 B 上车辆 n 对应相同位置车头与前车车距 {d_{{\rm{B}},n + m}} 在车道 B 上车辆 n 前方第 m 辆车与其前车间的车距 C\left( x \right) x位置所在元胞状态，0 表示有车，1 表示无车 {l_n} 车辆 n 的长度 {l_{\rm{c}}} 元胞长度 O CAV 排队强度 {q_n} 车辆 n 占用元胞数 {p_{ {\text{random} } } } 随机慢化概率 {p_{\rm{g}}} 车辆换道产生加塞情况概率 
下载: 导出CSV
表 2 仿真参数设置
Table 2. Simulation parameter setting
参数符号 仿真值 a_n/（元胞{\text{•}}时间步^{-2}） {a_{{\text{car}}}} = 2 ， {a_{{\text{bus}}}} = 1 {\tau _{{\text{HPV}}}}/{\rm{s}} 1.5 {\tau _{ {\text{CAV} } } } /{\rm{s}} 0.5 {b_{ {\text{car} } } } /（元胞·时间步−2） −4 {b_{{\text{bus}}}} /（元胞·时间步−2） −3 {m_{\max }} 50 {p_{{\text{random}}}} ，{p_{ {\rm{g} } } } 0.5
下载: 导出CSV
-
[1] 徐志刚,李金龙,赵祥模,等. 智能公路发展现状与关键技术[J]. 中国公路学报,2019,32(8): 1-24. doi: 10.19721/j.cnki.1001-7372.2019.08.001XU Zhigang, LI Jinlong, ZHAO Xiangmo, et al. A review on intelligent road and its related key technologies[J]. China Journal of Highway and Transport, 2019, 32(8): 1-24. doi: 10.19721/j.cnki.1001-7372.2019.08.001 [2] 李克强,戴一凡,李升波,等. 智能网联汽车(ICV)技术的发展现状及趋势[J]. 汽车安全与节能学报,2017,8(1): 1-14. doi: 10.3969/j.issn.1674-8484.2017.01.001LI Keqiang, DAI Yifan, LI Shengbo, et al. State-of-the-art and technical trends of intelligent and connected vehicles[J]. Journal of Automotive Safety and Energy, 2017, 8(1): 1-14. doi: 10.3969/j.issn.1674-8484.2017.01.001 [3] DONG C Q, CHEN X W, DONG H B, et al. Research on intelligent vehicle infrastructure cooperative system based on Zigbee[C]//The 5th International Conference on Transportation Information and Safety (ICTIS). Liverpool: IEEE, 2019: 1337-1343. [4] RIOS-TORRES J, MALIKOPOULOS A A. A survey on the coordination of connected and automated vehicles at intersections and merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(5): 1066-1077. [5] LEE H, SONG T, YOON Y, et al. Development of a longitudinal control algorithm based on V2V communication for ensuring takeover time of autonomous vehicle[J]. Journal of Auto-Vehicle Safety Association, 2020, 12(1): 15-25. [6] WANG W S, LIANG J, PAN C F, et al. NLS based hierarchical anti-disturbance controller for vehicle platoons with time-varying parameter uncertainties[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(11): 21062-21073. doi: 10.1109/TITS.2022.3178731 [7] FAKHRMOOSAVI F, SAEDI R, ZOCKAIE A, et al. Impacts of connected and autonomous vehicles on traffic flow with heterogeneous drivers spatially distributed over large-scale networks[J]. Transportation Research Record: Journal of The Transportation Research Board, 2020, 2674(10): 817-830. doi: 10.1177/0361198120940997 [8] TALEBPOUR A, MAHMASSANI H S, HAMDAR S H. Modeling lane-changing behavior in a connected environment: a game theory approach[J]. Transportation Research Procedia, 2015, 7: 420-440. doi: 10.1016/j.trpro.2015.06.022 [9] SALA M, SORIGUERA F. Capacity of a freeway lane with platoons of autonomous vehicles mixed with regular traffic[J]. Transportation Research Part B: Methodological, 2021, 147: 116-131. doi: 10.1016/j.trb.2021.03.010 [10] ZHOU Y J, ZHU H B, GUO M M, et al. Impact of CACC vehicles’ cooperative driving strategy on mixed four-lane highway traffic flow[J]. Physica A: Statistical Mechanics and Its Applications, 2020, 540: 122721.1-122721.13. [11] LI S K, LIU R H, YANG L X, et al. Robust dynamic bus controls considering delay disturbances and passenger demand uncertainty[J]. Transportation Research Part B: Methodological, 2019, 123: 88-109. doi: 10.1016/j.trb.2019.03.019 [12] YANG S J, SI C W, ZHI H Y, et al. A cellular automata model for mixed traffic flow considering the driving behavior of connected automated vehicle platoons[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 582: 126262.1-126262.18. [13] CHEN J Z, LIANG H, LI J, et al. A novel distributed cooperative approach for mixed platoon consisting of connected and automated vehicles and human-driven vehicles[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 573: 125939.1-125939.17. [14] 李霞,汪一戈,崔洪军,等. 智能网联环境下复杂异质交通流稳定性解析[J]. 交通运输系统工程与信息,2020,20(6): 114-120. doi: 10.16097/j.cnki.1009-6744.2020.06.015LI Xia, WANG Yige, CUI Hongjun, et al. Stability analysis of complex heterogeneous traffic flow under connected and autonomous environment[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(6): 114-120. doi: 10.16097/j.cnki.1009-6744.2020.06.015 [15] GIPPS P G. A behavioural car-following model for computer simulation[J]. Transportation Research Part B: Methodological, 1981, 15(2): 105-111. doi: 10.1016/0191-2615(81)90037-0 [16] 中华人民共和国住房和城乡建设部. 车库建筑设计规范: JGJ 100—2015[S]. 北京: 中国建筑工业出版社, 2015. [17] KERNER B S. Introduction[M]//Introduction to modern traffic flow theory and control. Berlin: Springer, 2009: 1-6. 期刊类型引用(1)
1. 张建华，贾东方，李阳. 考虑CAV与公交车比的混合交通流特性. 交通科技与经济. 2024(06): 37-44 . 
百度学术其他类型引用(1)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 696
- HTML全文浏览量: 186
- PDF下载量: 60
- 被引次数: 2