融入公交车与自动驾驶车队的异质交通流模型

梁军; 耿浩然; 陈龙; 于滨; 鲁光泉

doi:10.3969/j.issn.0258-2724.20220313

融入公交车与自动驾驶车队的异质交通流模型

doi: 10.3969/j.issn.0258-2724.20220313

梁军^1,,
耿浩然^1,,
陈龙¹,
于滨²,
鲁光泉²

1.
江苏大学汽车工程研究院，江苏镇江 212013
2.
北京航空航天大学交通科学与工程学院，北京 100191

基金项目: 国家重点研发计划（2018YFB0105003）；国家自然科学基金（51875225）

详细信息

作者简介:
梁军（1976—），男，教授，博士，研究方向为智能车辆与智能交通，E-mail：liangjun@ujs.edu.cn

中图分类号: U491.25
计量
- 文章访问数: 754
- HTML全文浏览量: 200
- PDF下载量: 61
- 被引次数: 5
出版历程
- 收稿日期: 2022-04-28
- 修回日期: 2022-09-08
- 网络出版日期: 2023-05-12
- 刊出日期: 2022-09-21

Integrated Heterogeneous Traffic Flow Model of Bus and Autonomous Vehicle Platoon

1.
Automotive Engineering Research Institute, Jiangsu University, Zhenjiang 212013, China
2.
School of Transportation Science and Engineering, Beihang University, Beijing 100191, China

摘要

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.
- 交通运输工程 /
- 元胞自动机 /
- 异质交通流 /
- 公交车换道 /
- 排队强度
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.
- traffic engineering /
- cellular automaton /
- heterogeneous traffic flow /
- bus lane-changing behavior /
- queuing intensity

HTML全文

场地效应被广泛定义为特定的近地表地质特征对地震波的影响，可以显著改变地震运动的峰值、持续时间和频谱幅度^[1]. 由于软土沉积物的各向异性或不均匀性、局部地形、沉积盆地深度和近地表衰减等多维效应的影响，量化场地效应具有挑战性.

地震危险性评估旨在预测特定区域或场地的地面运动强度，其核心手段是采用经验记录数据后进行回归分析以构建地震动预测方程（GMPEs）. 在GMPEs中，场地效应通常由场地卓越频率和地下30 m的平均剪切波速（V_s30）表征. V_s30参数可以反映一些场地特性，但不足以描述考虑场地下方土壤特性引起地面运动频率相关的场地放大^[2]. 随着概率地震危险性分析的不断深入，对场地效应进行更为精细的定量评估以改进地震危险性分析正逐渐成为研究焦点^[3-4].

近年来，基于地表观测记录与土层底部输入运动之比为场地放大的认识，提出了用不同的经验方法来获取频率相关的场地放大系数，如井上井下谱比法、传统谱比法^[5]、水平垂直谱比法（HVSR）^[6]等. 由于钻孔技术在世界各地并未完全得到发展，井上井下谱比法被限制. 传统谱比法假设地表基岩场地的记录相当于土层底部输入值，但在土层场地紧靠地表基岩场地时才有效^[5]，地震动广义反演技术（GIT）的提出克服了这一局限性^[7]. 广义反演技术又称线性反演法，通过对强震记录的联合反演，可以高效地分离强震记录中震源、路径、场地的3种贡献^[8-9]. HVSR假设地下基岩的各向是同性的^[6]，使用单台记录H/V即可得到场地效应^[10]. GIT需要大量的强震数据作为支持，而HVSR的适用性至今备受争议^[11].

该研究选取由 17 个强震动台站获取的21个汶川地震余震中的 233 组强震动记录，采用广义线性反演法、HVSR法对比研究该区域内的局部场地效应，讨论了地震波传播的方向性对HVSR的影响，同时使用线性反演法对HVSR进行经验修正. 本文结果可对该区域的地震危险性分析提供重要的参考.

1. 强震数据

1.1 数据选取

基于汶川余震强震动波形记录展开研究，HVSR方法只需要单个台站强震波形即可获取场地效应值，因此，采用线性反演法的数据选取原则：

1）选取地表岩石台站作为参考台站，同时不考虑未被参考台站记录到的地震事件.

2）选取10 km≤震源距≤150 km，考虑对区域内的衰减路径的影响^[12].

3）选择2 cm/s²≤PGA<150 cm/s²的记录，PGA为地面运动的峰值加速度. 考虑到一组强震记录包括3个不同方向的PGA值，采取各组中PGA的最大值作为评估标准，目的是一定程度地消除背景噪声与场地土层非线性效应的影响.

4）保证选取的每个台站记录到5次以上的事件，且每个事件被5个及以上台站记录到.

基于以上原则，该研究共选取了17个台站在21次地震中记录到的233组三分量强震记录，台站51MXT是线性反演的参考站，该台站布设于稳定的露头岩石^[13]. 强震动波形记录的PGA与震源距的关系如图1所示. 可以发现：大部分记录都小于50 cm/s²，大于100 cm/s²的记录只有7条，尽可能在保留地震动数据的同时，排除非线性反应的影响. 震中与台站的方位地形如图2.

图 1 PGA与震源距的关系

Figure 1. Relationships between PGA and hypocentral distance

下载: 全尺寸图片幻灯片

图 2 震中与台站的位置

Figure 2. Location of epicenter and stations

下载: 全尺寸图片幻灯片

1.2 数据处理

1）强震动观测记录的三分量方向（EW、NS、UD方向）与SH波、SV波及P波的实际振动方向并不完全一致. 以接收台站为参考点，采用反向方位角方法，将观测记录转换为与SH波和SV波方向对应的波形记录.

2）利用STA/LAT-AIC方法从每条强震动波形中识别P波到时，截取P波前与S波时间窗等长的部分确定噪声水平. 对于S波时间窗，使用Husid图识别S波到时，使用累积均方根函数S波结束的时间^[14]，保证S波的时间窗至少为4 s，以确保频谱分辨率. 图3（a）为该识别过程的示例.

图 3 强震动观测记录的处理示例

Figure 3. Processing of strong motion observation records

下载: 全尺寸图片幻灯片

3）截取S波时间窗后，首先，对于时域S波波形进行基线校正处理；接着，采用四阶Butterworth非因果滤波器进行双向滤波处理，设置滤波频率范围为0.4～20.0 Hz. 为了避免信号泄露，滤波完成后，在波形信号前后添加5%的汉宁窗函数^[15].

4）经上述处理后，对S波波形快速傅里叶变换，并使用带宽为20的Konno-Ohmachi滤波器进行平滑处理^[16]，以消除毛刺的影响. 最后，对0.4～20.0 Hz频域之间40个均匀对数间隔内的数据进行插值采样，处理效果如图3（b）所示.

2. 研究方法

2.1 线性反演

远场地震动S波的加速度记录O_ij在频域内可以表示为震源S_i、传播路径P_ij、场地G_i的乘积，如式（1）.

${O_{ij}}(f) = {S_i}(f) {P_{ij}}(f) {G_i}(f) \text{，}$

(1)

式中：i、j分别代表事件与台站，f为频率.

传播路径项P常仅考虑几何衰减 $\gamma ({R_{ij}})$ 和地震波经过地壳介质的非弹性衰减（通常表现为品质因子Q_s(f)的函数），如式（2）.

${P_{ij}} = \exp ( - {\text{π}} {R_{ij}}f/{Q_{\text{s}}}(f){V_{\text{s}}}) \gamma ({R_{ij}}) \text{，}$

(2)

式中： $R_{ij}$ 为震中距，V_s为3.6 km/s区域的地壳平均S波波速.

采用铰链三段式模型来表示几何衰减 $\gamma ({R_{ij}})$ ^[12]，该模型解释了地壳与地幔的边界对地震波传播的影响^[17]，如式（3）.

$\gamma ({R_{ij}})=\left\{ {\begin{array}{*{20}{l}} {R_{ij}^{ - {b_1}}},\quad {R \leqslant {R_{01}}}, \\ {R_{01}^{ - {b_1}} R_{01}^{ - {b_2}} R_{ij}^{ - b_2}},\quad{{R_{01}} < R \leqslant {R_{02}}}, \\ {R_{01}^{ - {b_1}} R_{01}^{{b_2}} R_{02}^{ - {b_2}} R_{02}^{{b_3}} R_{ij}^{ - b_3}},\quad{R > {R_{02}}} , \end{array}} \right.$

(3)

式中： R₀₁=1.5D，R₀₂=2.5D，b₁=1.0，b₂=0，b₃=0.5，D为地壳厚度，R为震中距离.

在确定传播路径P_ij之后，选取记录同一地震事件的露头岩石场地的观测数据作为约束. 通过土层台站与基岩台站的频谱比，直接消除同一地震事件的震源项S_i. 随后，对等式两侧同时取对数，最终表示为

${g_j} + {a_{ij}}Q_{\mathrm{s}}^{ - 1} = {d_{ij}} \text{，}$

(4)

式中： ${g_j} = \ln \dfrac{{{G_j}}}{{{G_{\mathrm{r}}}}}$ ； ${a_{ij}} = \dfrac{{{\text{π}} f({R_{i{\mathrm{r}}}} - {R_{ij}})}}{{{V_{\mathrm{s}}}}}$ ； ${d_{ij}} = \ln \dfrac{{{O_{ij}}\gamma ({R_{ij}})}}{{{O_{i{\mathrm{r}}}}\gamma ({R_{i{\mathrm{r}}}})}}$ ，下标r为参考台站.

将式（4）用矩阵的形式表示为

${\boldsymbol{Ax}} = {\boldsymbol{b}}\text{，}$

(5)

式中：x为模型参数矩阵，由式（4）中的场地效应g_j和Q_s组成.

线性反演的过程就是寻找式（5）中x的解，可通过最小二乘QR分解法一步求解^[18].

2.2 强震记录的HVSR法

HVSR求解场地效应可以直接表示^[6]为

${G_{{\mathrm{HVSR}}}}(f) = \frac{1}{N}\sum\limits_{{i} = 1}^N {\frac{{{{(|S_{\mathrm{H}}(f)||S_{\mathrm{V}}(f)|)}^{\frac{1}{2}}}}}{{U_{\mathrm{D}}(f)}}},$

(6)

式中： ${G_{{\mathrm{HVSR}}}}(f)$ 为强震记录HVSR的场地效应结果，N为记录地震事件的数量，S_H（f）、S_V（f）、U_D（f）分别为强震记录SH波、SV波以及UD分量的傅里叶幅值谱.

3. 几何扩散函数与Q_s值

线性反演法中，衰减模型的合理性对反演的可靠程度具有重要影响. 四川西部地区地壳结构复杂，区域平均地壳厚度在川西北地区的64 km逐渐减少到四川盆地的43 km，而在龙门山断裂带附近，地壳厚度从西北侧的52.5 km减少到东南侧的41.5 km^{[ 19]}. 为了构建区域几何衰减模型，该研究选取龙门山断裂两侧平均地壳厚度47 km，以此确定R₀₁为70 km、R₀₂为120 km（根据式（3）），进而得到式（7），该公式描述了考虑莫霍反射影响的龙门山区域三段式几何衰减模型.

$\gamma(R_{ij})=\left\{\begin{array}{*{20}{l}}R^{-1},\quad R\leqslant70\; \mathrm{km}， \\ 1/70,\quad70\; \mathrm{km} < R\leqslant120\; \mathrm{km}， \\ \left(1/70\right)\times(120/R)^{0.5},\quad R > 120\; \mathrm{km}.\end{array}\right.$

(7)

根据三段式几何衰减函数，反演了区域内S波的品质因子Q_s，随后使用正交最小二乘回归得到Q_s与频率的相关性，如式（8）.

${O_{\mathrm{s}}}(f) = 199.2{f^{0.8}}.$

(8)

常用Q_s(f)和Q_s(f)⁻¹来讨论地震波的衰减，此处采用与衰减成正比的Q_s（f）⁻¹进行讨论. 附近区域的其他研究结果与本研究的对比见图4^[20-22]，可以发现：不同区域内差异性显著. 表征品质因子的参数方程Q_s（f）=Q₀f ⁿ中，n值（频率相关程度）越大，区域内介质衰减速率越快. Q₀ （频率为1 Hz的Q_s值）大小可能与研究区域的震源距有关，震源距越大，地震波更容易在相对较深的介质中传播，通常地壳深部介质的Q_s值较大^[20].

图 4 品质因子Q_s值的对比

Figure 4. Comparison of quality factor Q_s values

下载: 全尺寸图片幻灯片

4. 场地效应分析

4.1 HVSR的理论基础

强震记录HVSR方法比地脉动的H/V谱比方法更为复杂，震源机制、震中距（以及场地各向异性、非线性等因素）都可能会对场地效应谱比结果造成影响^[23].

从机理的角度分析，对于HVSR结果近似为水平向S波场地效应的结论，Nakamura^[6]提出了2个重要的假设：1）首先，假设在坚硬的基底，地震波的传播方式具有各向同性的特点，地震基岩处地震波的水平和垂直分量大致相等. 该假设已通过Nakamura进行的井下微震测量实验得到验证；同时，对于强震动记录，Rong等^[24]也证实了地下基岩处水平分量与竖向分量的比值近似等于常数1. 2）假设垂直分量不受局部场地效应影响，即土层对地震波的垂直分量没有放大作用. 因此HVSR理论可以通过式（9）进行描述.

${G_{{\mathrm{HVSR}}}}(f) = \frac{{H(f)}}{{{H_{\mathrm{b}}}(f)}} \frac{{{H_{\mathrm{b}}}(f)}}{{{V_{\mathrm{b}}}(f)}} \frac{{{V_{\mathrm{b}}}(f)}}{{V(f)}}\text{，}$

(9)

式中： $H(f)$ 与 $V(f)$ 分别为地表强震记录的水平与垂直分量， ${H_{\mathrm{b}}}(f)$ 与 ${V_{\mathrm{b}}}(f)$ 分别为地下基岩强震记录的水平与垂直分量.

当 ${H_{\mathrm{b}}}(f) = {V_{{\mathrm{b}}} }(f)$ , ${V_{\mathrm{b}}}(f) = V(f)$ 时， ${G_{{\mathrm{HVSR}}}}$ 等于地表水平分量傅里叶谱与地下水平分量傅里叶谱的比值，即为场地效应.

4.2 方位角对HVSR的影响

HVSR理论简化了地震波的传播过程. 该方法基于基岩地震动的各向同性（根据Nakamura的假设1）消除了控制地震地面运动三要素的震源特性与传播路径因素. 然而，大小地震的破裂过程通常具有复杂的方向性效应. HVSR方法中，这种不确定的方向性作用均被归为场地效应. 一些研究发现，将强震记录旋转至地震与台站的大圆弧方向（SH波与SV波振动方向）进行H/V谱比似乎更有效^[23]，该研究数据处理阶段已经考虑到了这一点. 为了深入研究方向性效应对HVSR结果的影响，该研究展开了以下讨论：

1）对SH波、SV波以及水平分量的幅值差异进行了检验，以台站51HSD记录的地震事件为例，通过傅里叶谱比方法进行分析，如图5. 分析表明，水平分量的傅里叶幅值大于SH波和SV波. 此外，SH波、SV波的幅值同样具有差异，尤其是在低频部分，而中高频较为稳定. 低频长周期信号的异常通常由记录质量或背景噪声引起，导致SH、SV波在低频段展现出固有的差异. 该差异与方位角的影响较小，在后续的讨论中应进行区分.

图 5 SH、SV波、H分量的对比

Figure 5. Comparison of SH, SV wave, and H component

下载: 全尺寸图片幻灯片

2）该研究对来自不同方向的多次地震事件进行HVSR场地效应分析（多向HVSR），揭示了场地效应具有明显的优势方向. 以51HSD台站为例进行的多向HVSR显示，在震中相对于台站的SE方向（约135°）时，HVSR的场地放大系数最大，随方位角的增减而减小（图6（a））. 此外，水平分量的谱比结果最为显著，而SV波的谱比结果相对最小. 值得注意的是，不同方位角对场地卓越频率估计的影响较小（图6（b）），解释了使用HVSR方法估计场地卓越频率显示出稳定性的原因.

图 6 多向HVSR的结果

Figure 6. Results of multidirectional HVSR

下载: 全尺寸图片幻灯片

3）使用旋转HVSR的方法，进一步讨论方位角的影响. 以51HSD台站为例，以震中至台站的大圆弧方向作为0° 基准，对一次强震动波形数据在0～180° 的范围内，以5° 为间隔进行旋转，并计算了每个旋转间隔下的HVSR场地效应. 如图7所示，不同旋转方位角对HVSR结果有显著影响，并且在特定的旋转角度，HVSR的场地放大结果出现显著的“突变”，该现象验证了HVSR结果具有优势方向的观点. SH波与SV波的旋转HVSR结果存在差异，尽管“突变”位置有角度差异，场地放大值的差异却相对较小. 这种现象初步被认为是由于SH波和SV波固有的方向性以及其在低频的差异所导致的. 需要指出的是，采用单台单次记录进行旋转分析，结果可能具有一定的随机性，但多次强震记录求平均值的方式从机理上混淆了方位角，因此排除了使用该方案.

图 7 旋转HVSR的结果

Figure 7. Results of rotational HVSR

下载: 全尺寸图片幻灯片

4.3 线性反演与HVSR对比

为了确保安全性，主要基于幅值较大的水平分量记录进行场地效应评估. 比较基于S波水平分量的HVSR和线性反演法得出的场地效应值发现，这2种方法的结果存在显著差异（图8）.

图 8 HVSR与线性反演法场地效应的对比

Figure 8. Comparison of site effects between HVSR and linear inversion

下载: 全尺寸图片幻灯片

基于HVSR的2个关键理论基础，本文首先考察了地震波在基岩中传播的理论差异，如方位角的影响. 在场地效应评估中，通过采用多次记录的平均值，可以有效减轻方位角的影响. 其次，土层的竖向放大作用可能是导致HVSR与线性反演法在场地效应评估中存在差异的一个关键因素. 因此，部分研究重点强调竖向场地放大的作用^[25].

本文重新对汶川垂直分量波形记录进行了线性反演分析，以评估区域内土层的竖向放大效应. 如图9所示，大部分观测台站中，土层的竖向放大效应显著. 该现象将对HVSR的场地效应结果产生重要影响. 此时，式（9）中竖向放大被低估（高估），竖向放大与P波的传播相关，P波主要来自SV波的转换，而非P波的特定时间窗口部分. SV波将能量传递至垂直方向，进而导致了HVSR失效^[25]. 因此，为了补偿垂直放大对HVSR评估的影响，HVSR场地效应的修正方法可以表示为

图 9 线性反演计算的17个台站竖向场地效应的结果

Figure 9. Results of vertical site effects calculated by linear inversion for 17 stations

下载: 全尺寸图片幻灯片

${G_{{{\mathrm{RHVSR}}} }}(f) = {G_{{\mathrm{HVSR}}}}(f) {G_{\mathrm{V}}}(f),$

(10)

式中： ${G_{{{\mathrm{RHVSR}}} }}(f)$ 为竖向校正后的HVSR场地效应结果， ${G_{\mathrm{V}}}(f)$ 为线性反演法计算的土层竖向放大.

${G_{{{\mathrm{RHVSR}}} }}$ 与线性反演的水平向的对比结果如所示. 结果表明：大多数台站都存在着场地放大现象，且能清楚识别出卓越频率； ${G_{{{\mathrm{RHVSR}}} }}$ 的结果大于线性反演法，与HVSR结果偏小的普遍认识相悖. 该现象一方面表现出场地竖向校正产生了效果，使HVSR的结果接近于真实值；另一方面说明线性反演法的结果也存在着误差，具体原因可能是露头岩石台站51MXT存在场地效应. 参考台站场地效应的低估导致了线性反演结果偏小.

图 10 修正后的HVSR与线性反演法对比

Figure 10. Comparison of modified HVSR and linear inversion

下载: 全尺寸图片幻灯片

通过Delaunay三角测量方法将17个台站的线性反演结果以地理分布图的形式展示（图11，三角形标记是台站位置），场地效应与场地卓越频率呈现出一定的‘反比’关系，即场地效应随着卓越频率的增大而减小. 等值线地理图为研究区域内的场地效应、场地卓越频率提供参考价值.

图 11 区域场地放大系数及场地卓越频率的空间分布

Figure 11. Spatial distribution of regional site amplification factors and site predominant frequencies

下载: 全尺寸图片幻灯片

5. 结　论

本研究选取由17个强震动台站获取的21个汶川地震余震中233组强震动记录，通过线性反演法、强震记录HVSR法对比研究余震涉及区域内场地效应，主要工作及结论为

1）衰减因子Q_s值的估计. 结合龙门山地区实际情况，建立三段式衰减模型，本研究得到区域内地球介质衰减过程中S波的品质因子Q_s（f）=199.2f ^0.8.

2）方位角对HVSR的影响. 使用旋转HVSR、多向HVSR方案，研究了HVSR结果存在的方向性. 随着角度的变化，HVSR的放大值可能会出现突然放大的现象，但不同方向角对卓越频率的影响不大，该现象需要进一步的研究.

3） HVSR方法的经验修正. 竖向地震动的放大，即场地土层、工程基岩或中深部硬岩层耦合形成的竖向场地效应是HVSR与广义线性反演法产生差异的主要原因.

致谢：感谢中国地震局工程力学研究所强震动观测中心为本研究提供的数据支持；感谢研究所专项基金（DQJB24Z01、DQJB24R31、DQJB22Z03、DQJB21Z15）为本研究提供联合资助.

图 1 跟驰类型示意

Figure 1. Schematic of car following type

下载: 全尺寸图片幻灯片

图 2 小汽车、公交车安全距离

Figure 2. Safe distances for cars and buses

下载: 全尺寸图片幻灯片

图 3 换道过程

Figure 3. Lane-changing process

下载: 全尺寸图片幻灯片

图 4 CAV换道场景

Figure 4. CAV lane-changing scenario

下载: 全尺寸图片幻灯片

图 5 加塞场景示意

Figure 5. Cutting-in scenario

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

图 7 公交车换道流程

Figure 7. Process of bus lane change

下载: 全尺寸图片幻灯片

图 8 公交车换道次数-交通流量示意

Figure 8. Bus lane-changing times versus traffic flow

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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 HPV_c 跟驰模式，0 表示非HPV_c 跟驰模式跟驰
Ω_n	${\varOmega _n} \in \left\{ {0,1} \right\}$ ，1 表示 HPV_b 跟驰模式，0 表示非HPV_b 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

参考文献(17)

[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.1001-7372.2019.08.001 XU 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.1674-8484.2017.01.001 LI 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.1009-6744.2020.06.015 LI 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.

施引文献

期刊类型引用(2)

1.	蒋沛，马新露，李一博，陈坚. 网联车辆复用公交专用道建模与仿真研究. 交通运输系统工程与信息. 2025(01): 67-75 . 百度学术
2.	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(3)

附加材料(0)

访问统计

点击查看大图

图(13) / 表(2)

计量

文章访问数: 754
HTML全文浏览量: 200
PDF下载量: 61
被引次数: 5

1. 强震数据
1.1 数据选取
1.2 数据处理
2. 研究方法
2.1 线性反演
2.2 强震记录的HVSR法
3. 几何扩散函数与Qs值
4. 场地效应分析
4.1 HVSR的理论基础
4.2 方位角对HVSR的影响
4.3 线性反演与HVSR对比
5. 结　论

融入公交车与自动驾驶车队的异质交通流模型

doi: 10.3969/j.issn.0258-2724.20220313

作者简介: 梁军（1976—），男，教授，博士，研究方向为智能车辆与智能交通，E-mail：liangjun@ujs.edu.cn

计量

出版历程

Integrated Heterogeneous Traffic Flow Model of Bus and Autonomous Vehicle Platoon

1. 强震数据

1.1 数据选取

1.2 数据处理

2. 研究方法

2.1 线性反演

2.2 强震记录的HVSR法

3. 几何扩散函数与Qs值

4. 场地效应分析

4.1 HVSR的理论基础

4.2 方位角对HVSR的影响

4.3 线性反演与HVSR对比

5. 结 论

期刊类型引用(2)

其他类型引用(3)

计量

出版历程

目录

1. 强震数据

1.1 数据选取

1.2 数据处理

2. 研究方法

2.1 线性反演

2.2 强震记录的HVSR法

3. 几何扩散函数与Qs值

4. 场地效应分析

4.1 HVSR的理论基础

4.2 方位角对HVSR的影响

4.3 线性反演与HVSR对比

5. 结 论

作者简介:
梁军（1976—），男，教授，博士，研究方向为智能车辆与智能交通，E-mail：liangjun@ujs.edu.cn

3. 几何扩散函数与Q_s值

5. 结　论

3. 几何扩散函数与Q_s值

5. 结　论