买买提江吐尔逊，买买提明艾尼

(新疆大学机械工程学院，新疆乌鲁木齐830047)

0 引言

城市快速路立交桥上的交织区存在交通流的合流点和分流点，如果交织区长度过小容易形成组合式的匝道，即入口匝道延伸的加速车道同时也是出口匝道前端的减速车道．组合式匝道上车辆进入交织运行状态，车辆间复杂而频繁的交互使分析和管理交织区内的交通流特点增加了难度．随着商业化的微观交通仿真软件的普及，基于仿真模型的研究方法越来越多，而所有仿真模型都需要标定众多参数并对仿真结果进行验证．

美国通行能力手册HCM2010[1]只提供了非拥挤条件下（V/C比小于1或服务水平未达到F级别）计算交织区交织车辆与非交织车辆的空间平均速度的经验回归公式，但没有提供拥挤状态下的服务水平、密度或空间平均速度的计算方法，只是建议借助解析分析工具FREEVAL或商业的交通仿真软件来进行评价．

随着交通仿真模型的日益成熟，利用微观仿真软件进行交织区车辆的运行分析成为了主要的研究手段．狄宣等[2]使用元胞自动机模型来仿真了快速路交织区中交织车辆的跟车和换车道行为，引入了“冒险系数”来表达驾驶员的驾车习惯并通过模型的标定成功模拟了一段交织区车流速度，但是在模型中没有考虑换车道行为的影响．杨晓光等[3]根据交织区内的换车道特性利用多智能体建模的方法引入了换道冲突的协商机制建立了TESS模型，在最近的研究中孙剑等[4]提出适合城市快速路交织区运行特征的新通行能力估计模型并与HCM2010中交织区通行能力回归模型和理论模型进行了对比分析．Fred Hall等[5]利用六个城市的速度数据对拥挤的高速公路设施的评价步骤进行了验证．他们发现拥挤的高速公路设施对参数非常敏感，对同一模型来说通行能力或随机种子数的很小改变都会引起结果很大的变化，还发现跟车敏感系数．换车道行为的冒犯性和主线交通量的大小对微观仿真结果影响最大．Pesti等[6]用Vissim仿真一段A型交织区，指出Vissim中车辆的速度比现实中获得的速度数据要大，需要将建模区域延伸到入口匝道和出口匝道并考虑排队的传播特性．

交通仿真能否正确模拟现实的交通状况取决于仿真模型，除了跟驰模型和换车道模型的研究深度，从操作方法上对冲突区域的描述、路权的分配、路经决策信息的获取方式等对仿真结果有重大影响．

基于交通仿真模型的研究需要对模型参数进行标定才能更好的仿真实际的交通状况．Gomes等[7]对一段拥挤的高速公路建立了Vissim仿真模型并进行了验证．验证中利用的参数有平均停车距离、最小安全车头时距等驾驶行为参数，而每次循环中手动进行了参数的调整．卢守峰[8]等利用Excel VBA将Vissim与MATLAB进行集成构建了仿真平台，而孙剑等[9]利用Vissim提供的COM接口和Visual Basic语言开发仿真校正程序实现了Vissim参数的自动化校正．

本研究中利用德国宇航中心（DLR）开发的开放源代码的微观的交通仿真平台SUMO对一段拥挤的城市快速路交织区进行了仿真并在Linux环境下开发了自动校正程序对模型参数进行了校正．较详细的介绍了SUMO提供的换车道模型，在此基础上对实测交通调查数据进行了分析并对平台提供的换车道模型进行了优化设计．

1 拥挤快速路交织区内车辆的运行特征

拥挤的交织区内车辆跟驰和换车道的需求并存，车头间距和横、纵向空间变小，车辆的运行特征有别于普通道路和自由流状态下的交通．通过对目标交织区的现场实验和摄像分析，结合目前为止国内外学者的有关实验研究结论，可以总结交织区的交通流具有以下特点：

（1）车辆在有限的长度内进行交织运行，直行车道和交织车道上的车速差别大，不同车道之间需要完成换车道所需的距离和时间不同．

（2）为避免别的车辆加塞，在排队行使过程驾驶员倾向于缩小反映时间，暂时选择更小的安全车头间距[10]36．

（3）跟车距离较近，驾驶员由于大型/厢式货车和贴有不透明车窗膜的相同车型视线受阻不能观察当前车道和两侧车道前方的道路情况，只能通过观察两侧车辆的移动来判断前方的交通情况，如果换道需求强烈只能向其它车辆驾驶员求助．

（4）入口匝道上的交通属于震荡拥挤交通流（oscillating congested traffic），自由流到拥挤流的变化过程中车头时距逐渐变大，直到适应前车的驾驶风格[11]．不同车辆之间动力性能的不同，驾驶员熟练程度不同，也会加剧这种震荡．

（5）车辆的换道需求是刚性需求，必须在交织区范围内完成．如果多个车换道需求发生冲突就会出现死锁（deadlock）现象．现实中的死锁现象会通过驾驶员之间的协作甚至利用对向车道空间的方法来解决，不会因为不能完成换车道而在原方向上继续行驶的情况发生．

（6）驾驶员的换车道模式延交织区域的长度发生变化[10]40，大部分换车道行为发生在交织区的前段[3]，需要进行多次换车道的驾驶员在第一次变换车道时的行为更具冒险性．

2 SUMO仿真模型及参数

2.1 跟驰模型

SUMO已经实现的跟驰模型有Krauss模型和它的改进模型、考虑驾驶员记忆效应的智能驾驶员模型IDMM(Intelligent driver model with memory ef f ect)，Wiedemann模型和Daniel Krajzewicz模型等．每一种模型都有各自的优点，从不同侧面研究了车辆之间的相互影响，也有大量的应用案例，可根据具体的问题采用合适的跟驰模型来最佳程度的模拟车辆的跟驰行为．SUMO软件默认的Krauss模型引入了驾驶员不熟练程度的概念，即车辆最终的速度不是动力学模型算出来的速度，而是驾驶员根据经验从安全速度和最高车速之间进行选择的结果．IDMM模型在原IDM模型的基础上引入了驾驶员记忆效应的概念，更适合仿真快速路匝道和主线汇合区的交通流的仿真[11]．

每一种跟驰模型都有相应的参数，通过命令行或配置文件传递给仿真过程的主要有：最高加速度，最高减速度，驾驶员不熟练程度，驾驶员反映时间，最小安全车头间距，加速度指数，每秒仿真步数等．

2.2 换车道模型

SUMO已经实现的换车道模型有Daniel Krajzewicz开发的换车道模型DK2008，在DK2008模型基础上优化的模型LC2013（默认）和子车道模型（Sublane-Model model）[12]．LC2013模型在路网中通过计算有效路径来完成车道选择过程．每一次循环中计算车辆所在的车道和周围的车道（bestLanes,目标车道和需要穿过的车道）上不需要换车道的情况下能行使的距离、所有这些车道的占有率和当前路段上有效车道索引中离最佳车道的偏移值（bestLaneOf f set）作为参考．换道需要的最短距离计算公式为：

其中dlc(t)为t时刻最短换道距离；v(t)是车辆在t时刻的速度；α1,α2是比例系数；L是车辆的长度．计算当前位置到车道终点的距离时考虑了车辆前方所有有效车道上的车辆的长度，因此换车道的车辆会排在已经存在的排队后方，不会插队．SUMO换车道模型将换车道行为根据换道目的分为4种类型：

（1）战略性变换车道(strategic lane changing)：车辆需要换车道以便行驶到自己路径上的下一个路段当前行驶的车道没有连接到目标路段的路径时产生需求．

（2）协议性变换车道(cooperative lane changing)：为帮助别的车辆正常行驶而进行的换车道行为．行驶过程中车辆可能阻挡了后方的车辆正常行驶或阻碍了前方车辆变换车道（比如占用了超车道），此时如果其它车辆提出请求，车辆即便没有战略性换车道需求也要调整速度或变换车道以帮助别的车辆．调整速度的行为规则根据阻碍的类型不同而不同，具体为：

其中Vaccel(t)是车辆加速后的速度（m/s）;Vdecel(t)是减速后的车速（m/s）.

（3）战术性变换车道(Tactical lane changing)：以获得更高的速度为目的进行的换车道行为，当前放有别的慢速车辆阻挡的时候产生需求．每次循环中对每个邻近车道的利益参数的值进行计算并累加到一个代表驾驶员换车道愿望的参数speedGainProbability，当参数speedGainProbability的值超过一个阈值时战术性变换车道的需求就会产生．

（4）基于法规的变换车道（Regulatory lane-changing）：一般交通法规规定车辆超车用左侧车道（右行规则），车辆利用左侧车道完成超车需要返回原来的车道时产生此种需求．变换车道行为的执行参考一个参数keepRightProbability，而此参数值的计算考虑超车完成所需要的时间、超车道上的速度限制和换车道需求的强烈程度．

以上4种目的的换车道需求通过一个流程进行比较来决定是否执行相应的换车道行为．此流程可简单的表示为：

a.战略性变换车道需求强烈—试图执行战略型换车道；

b.换车道会产生紧急情况—不执行换车道（属于战略性换车道决策）；

c.车辆从后方阻碍了一个有战略性换车道需求的车辆—试图执行协议性换车道；

d.参数speedGainProbability的值大于阈值—试图执行战术性换车道；

e.参数keepRightProbability的值大于阈值—-试图执行基于法规的变换车道；

SUMO仿真平台提供的LC2013换车道模型可设置的参数如表1所示．

表1 LC2013换车道模型可设置参数

除了以上参数以外，SUMO还引入了一个影响驾驶员激烈驾驶行为的参数“不耐心率(impatience)”，指驾驶员在行使过程中干扰优先级为更高的车队列的可能性．SUMO在交叉口的路权计算中和在换车道行为换车道间隙计算中用到该参数．

2.3 对换车道模型的修改

根据本研究选定的研究区域内的交通调查数据，对驾驶行为进行分析并对原模型进行优化设计：

（1）换车道行为以协作型换车道行为主，且在换车道行为中周围车辆针对换道车辆做出的调整速度行为有一定延迟可能是因为驾驶员对周围突发的换道请求需要一定的时间反映，考虑自身需求甚至是换道车辆的‘态度’再决定何时做出反应．因此在LC2013换道模型的协作型换车道决策中引入协作型换车道等待时间Tcooperate，每一次执行换车道之前等待Tcooperate时刻．

（2）在原模型定义中驾驶员不耐心率的计算公式为:

其中Ibase为驾驶员的不耐心率（常数），Twait是车辆在排队中的等待（速度小于0.1m/s）时间，Tteleport定义了车辆在紧急停车位置等待车道变换空间出现的最长时间（默认300秒），超过此时间车辆就会被移到当前路径后方的位置（Teleport）．在观测中发现大部分的换车道行为属于战略性换车道和协作性换车道，影响驾驶员在换车道过程中是否采取激烈驾驶行为的是与交织区终点之间的距离[3]，与等待的时间长度没有明显的关系．因此在协议性换车道间隙的计算中将定义改为

虽然可以说明排队时间的长度对驾驶员的心理有影响，但此种心理与模型中定义的激烈的、冒险性的驾驶行为之间的关系需要进一步的明确．

在Linux平台下对原程序MSVehicle.cpp和MSLink.cpp程序中的计算协议性换车道过程代码中进行修改并重新编译．

3 实验区域和仿真参数的选择

本研究分别选乌鲁木齐市广汇立交桥上由西向东方向入口和出口匝道之间的交织区和珠江路立交桥下南向北方向出口匝道与主路的汇入区作为实验区．广汇立交桥和珠江路立交桥是典型的苜蓿叶式全互通立交桥．广汇立交桥上层为南外环路高架桥，下层为河滩快速路及其辅道，交织区长度只有78m，高峰期容易出现严重的交通拥堵．交织区采用了物力隔离直行车道和交织车道的方法避免了交织车辆对直行车辆的影响．立交桥两侧设有人行道，为观测和摄像工作提供了方便．珠江路立交桥最近完成了扩建，桥下南向北出口匝道上车流量多，与主路的汇入区域没有加速车道，匝道车辆对主路的车流干扰比较明显．

本次实验中取晚高峰5：30-5：40之间10 min内的交通流数据．根据现场观测，确定各参数的取值范围如表2所示．

观察中区分换道目的比较困难，主要依赖反复观看视频判断车辆的最终路径来进行．根据观测结果将参数lcSpeedGain和lcKeepRight的值取为0,即交织区域内车辆的换道需求类型为战略性需求和协作性需求．这可能是因为国内的驾驶员对上述“基于法规的变换车道”意识不够，另一方面因在高峰期有交警在现场值勤以及有限的空间影响了以获得更好速度为目的的战术型换车道需求．仿真中选用IDMM模型作为跟车模型．广汇立交桥交织区交织区卫星图和SUMO仿真界面如图1和图2所示，图3是珠江路立交桥下匝道与主路连接区域的仿真界面．

表2 SUMO仿真换车道参数

图1 广汇立交桥交织区卫星图

图2 交织区SUMO仿真界面

图3 匝道汇入区并道过程仿真

4 基于COBYLA算法的参数校正和仿真结果

仿真模型中的各个参数都是独立的，为更好的模拟仿真对象，需要对仿真模型参数进行校正，调整各参数的值使最终的仿真结果满足条件．参数校正是对设定好的目标函数的组合优化问题，对于每一个目标函数输入现场检测的行程时间数据和仿真模型输出的行程时间数据．用Python语言编写了参数校正程序，在Linux环境下通过命令行调用sumo仿真程序完成仿真过程和参数校正过程．选用了基于线形逼近的约束优化方法(COBYLA-Constrained Optimization BY Linear Approximation)作为优化算法，调用Python语言数学函数库中的COBYLA函数，可以很好的与sumo仿真程序进行融合．

校正过程程序可分为sumo仿真模块和val-COBYLA验证控制模块，SUMO仿真模型需要路网文件（net fi le）和路由文件（route fi le）验证过程中将路由文件分成2部分，静态的交通需求信息直接提供给SUMO仿真程序，而车辆参数在每次循环中通过验证程序计算写入车辆参数文件提供给SUMO仿真程序，此过程循环运行到满足误差要求为止，待校正的参数集作为优化的取值空间提供给COBYLA算法，程序流程图如图4所示．

具体过程为：

(1)调用SUMO仿真程序；(2)读取实测交通调查数据和仿真输出数据；(3)计算每一辆车实测数据和仿真数据之间的均方根误差（RMSE）；(4)循环运行以上过程直到误差满足要求．

参数校正程序通过反复运算，误差从最初的38%下降到了23%．仿真中车辆在交织区的换道次数统计结果如表3所示．

图4 va_COBYLA校正程序流程图

表3 换车道次数对比

5 结语

本文中分别用SUMO平台提供的原换车道模型、优化设计和标定后的换车道模型对乌鲁木齐市广汇立交桥交织区拥挤状态下的换车道行为进行了仿真研究．优化中引入了换车道等待时间Tcooperate的参数并对驾驶员不耐心率进行了重新定义．SUMO的模块化的程序结构给研究人员提供了实现和评估自己算法的工具．SUMO中车辆在产生时刻即获得路径，且车辆产生在路段上而非车道上，可通过设置所出现的车道和地点规则来模拟车辆的产生过程，有利于避免车辆产生后在固定的地点获得路径决策、在固定的地点变换车道（如Vissim）．此特性很好的解决了排队开始处车辆换车道区域集中的问题，在实际应用中给研究和工程人员提供了良好的平台．

参考文献：

[1]Transportation Research Board.Highway Capacity Manual 2010[M].USA：National Research Council,2010.

[2]狄宣,张小宁,张红军.基于元胞自动机的快速路交织区建模仿真[J].交通与计算机,2008,26(2):23-26.

[3]杨晓光,孙剑,李克平.拥挤交通流交织区车道变换行为仿[J]系统仿真学报,2009,21(13):4174-4178.

[4]孙剑,胡家琦,孙杰.城市快速路交织区通行能力估计模型[J].中国公路学报,2016,29(4):114-122.

[5]Hall F,Bloomberg L,Rouphail N,et al.Validation Results for Four Models of Oversaturated Freeway Facilities[J].Journal of the Transportation Research Board,2000,1710(1):161-170.

[6]Pesti G,Chu C L,Fitzpatrick K,et al.Simulation of Weaving Traffic Between Freeway Ramps[C].Washington:Transportation,2011.

[7]Gomes G,May A,Horowitz R.A Microsimulation Model of a Congested Freeway using VISSIM[J].Transportation Research Record Journal of the Transportation Research Board,2004,1876(1):71-81.

[8]卢守峰,韦钦平,沈文,等.集成VISSIM、Excel VBA和MATLAB的仿真平台研究[J].交通运输系统工程与信息,2012,12(4):43-48.

[9]孙剑,杨晓光,刘好德.微观交通仿真系统参数校正研究[J].系统仿真学报,2007,(1):48-50.

[10]Kusuma A,Liu R,Choudhury C,et al.Lane-changing characteristics at weaving section[C].Proceedings of Transportation Research Board Conference 2015.

[11]Treiber M,Helbing D.Memory ef f ects in microscopic traffic models and wide scattering in f l ow-density data[J].Physical Review E Statistical Nonlinear&Soft Matter Physics,2003,68(2):3-7.

[12]Jakob Erdmann.Modeling Mobility with Open Data[M].USA:Springer International Publishing,2015:105-123.