快速路车路协同场景交通流运行效率仿真评价*

孙立山 陈颖达 孔德文 张 桐 宋咏昌

（北京工业大学北京市交通工程重点实验室 北京100124）

0 引 言

国内机动车保有量随国民经济的发展而逐年增长，截至2019 年底，北京市机动车保有量达到636.5万辆[1]。汽车保有量的快速增长导致道路拥堵、交通事故频发、行车延误增加，制约城市健康发展。快速路作为大型城市路网骨架，服务于城市中长距离的快速运输，是城市各区域间和对外交通的大动脉[2]。因此，提升快速路立交路段的运行效率，是改善城市路网交通的重要任务[3]。近年随信息通信、传感检测、车载雷达等技术的发展，使车路协同系统（cooperative vehicle-infrastructure system, CVIS）成为城市交通问题解决方案。该系统将车与车、车与路连接，采用高精度交通信息采集传输设备，实现驾驶员对周边交通信息全方位实时感知，使车与车、车与路协同优化，达到道路资源配置优化、交通运行高效的目标[4-6]。

国内外学者针对车路协同技术对交通的影响进行了大量研究。Guler等[7]仿真验证了车路协同系统可显著提升不同交通条件及管控方案下交叉口的通行能力。Hartmann等[8]的仿真结果显示网联车可提升高速公路路网30%通行能力。Bujanovic 等[9]建立解析模型得出网联车辆渗透率的提高可有效提升高速公路通行能力。王振华[10]使用Vissim二次开发验证了车路协同可提升快速路交织区车辆行驶速度、降低运行延误。陈霞[11]基于对车路协同环境下车辆轨迹的分析，选取平均车速、行程时间等指标构建了车路协同场景下交通流评价模型。曾华倩[12]建立了V2V 环境车辆跟驰模型，并使用该模型仿真验证了采用V2V技术可显著提升道路稳定性及安全性。

目前研究主要集中于分析车路协同技术对车辆行驶速度、路段通行能力、交通运行延误等基本参数的研究，无法直接指导车路协同条件下交通管理及道路建设方案的制定。为揭示车路协同技术对交通运行状态及道路属性的影响，不仅要分析车路协同场景下交通流状况，还要对该场景下车辆行驶状态进行研究。因此,本研究从车路协同场景下车辆的车速分布、车间距离、行驶轨迹等多角度研究了快速路典型立交复杂多场景在车路协同系统影响下的交通流变化情况。笔者采集快速路典型场景视频数据标定常规驾驶行为模型参数，并基于车路协同场景下驾驶行为变化特征的分析对不同车间信息交互水平下的驾驶模型参数进行调整；提出车路协同场景下车辆及交通状态评估指标，使用Vissim 对不同信息交互水平下交通流仿真结果进行评价，研究车路协同技术在不同信息交互水平下对交通流的影响程度。

1 车路协同系统对驾驶行为影响

传统驾驶场景中，驾驶员通过“认知-反应-操纵”的循环作用控制车辆安全行驶，这一过程中驾驶员需判断其与前车的距离Δxn(t)、速度差Δvn(t)等信息，并在其反应时间τ 之后调整车辆运行状态，确保车辆以期望速度行驶。但这一过程受到驾驶员驾驶经验及生心理状况的影响，极易因判断失误、反应不及时等因素导致驾驶失误[13]。

大量研究表明，驾驶员反应时间τ 将直接影响到车辆运行稳定性：τ 越小，驾驶员的感知能力越强，对车间距离及速度差的估计值与真实值偏差越小，行驶越安全；随着反应时间τ 的增大，发生交通事故的可能性增大[14]。引入车路协同系统后，通过车辆与路侧设施以及车辆与车辆间的通信，驾驶员可精确感知周边交通态势以及道路信息，如车辆超车、加速行驶、减速行驶、变更车道以及跟随行驶等驾驶信息以及道路基础信息[15]。驾驶员可通过车内信息显示或语音提示直接了解这些信息，从而将其注意力集中于对自身车辆状态的控制上。车路协同场景下，车辆行驶特征将会呈现以下3 种变化：①车路协同场景下驾驶员反应时间τ 降低，降低幅度与车路协同场景下的车间信息通讯效率有关；②通过车路协同系统信息，驾驶员可提前感知前后方交通状况，并提前对车辆状况进行调整以适应交通流变化，避免车辆急加速急减速；③由于驾驶员对前方车辆状态的精准获取，车辆停车视距降低，因此车路协同场景下车头间距Δxn(t)普遍缩小[16-18]。可见上述变化幅度与车间信息交互水平密切相关，随着信息交互水平的提升，车辆可获取的信息将更为全面和精确，驾驶员可更为准确的对附近交通状况做出判断，并在更少的时间内操纵车辆运行。

基于以上驾驶行为分析可知在车路协同场景下跟驰及换道行为均有改变，见表1。本研究通过对不同驾驶行为在车路协同场景下的变化特征分析，对传统驾驶行为模型参数进行调整，以匹配车路协同场景下的车辆行驶状况，从而实现不同信息交互水平的交通运行状况分析。

2 仿真模型参数标定

2.1 参数标定

当前车路协同技术尚未落地实施，难以获取实车驾驶交通流特征，故此类问题主要采取仿真手段进行研究。本文使用Vissim实现车路协同场景下的交通仿真，该软件可通过COM接口二次开发或合理调整驾驶模型参数实现车路协同场景下交通状态仿真分析。驾驶行为模型参数的精度会对仿真结果造成较大影响，本文研究的车辆包括在传统驾驶场景下的普通车辆及车路协同场景下实现车间信息通信的网联车辆，因此针对不同类型车辆采取不同的参数标定方法。对于普通驾驶车辆，本研究使用车辆视频数据对Vissim内置的Wiedemann74（适用于城市道路）跟驰模型及基于行为阀值的换道模型[19-20]进行仿真参数标定。对于网联车辆，本文基于文献[21]中对网联车辆的分类分级标准首先将车间信息交互水平由弱至强分为4级～1级，再基于上节分析改变普通车辆驾驶行为参数从而反映网联车辆驾驶状况。

Wiedemann“生理-心理”跟驰模型将驾驶行为分为制动避祸区、逼近前车区、跟驰行驶区、脱离前车区、自由行驶区这5个反应区[20]。驾驶员根据自车与前车车头间距Δxn(t)以及车速差Δvn(t)判断自车所处的反应区，从而做出该反应区内相应的驾驶操作。车路协同场景中，驾驶员通过实时精确获取前方车辆状态变化情况（如前车开始减速，而Δvn(t)还未发生变化），提前预知自车将处于哪1 个反应区内，从而做出相应的驾驶操作，确保车辆以期望速度行驶。为准确评价车路协同条件下不同信息交互水平对交通状况的影响，本研究基于前文分析将驾驶员在不同反应区中的反应状况进行调整，选取驾驶安全距离、前/后视范围、走神状况、决策时间、加减速操作等相应参数进行调整。

表1 各类驾驶行为在车路协同场景下的变化对比表Tab.1 Comparison of changes in various driving behaviors under vehicle-road collaboration scenarios

表2 仿真模型参数取值Tab.2 Parameter values of the simulation model

图1 驾驶行为标定界面Fig.1 Driving-behavior calibration interface

本文使用轨迹标定软件从北京市四方桥快速路段早高峰视频数据中提取车辆运动轨迹数据，数据包括车身属性和运行状态，采样间隔0.1 s。车辆轨迹标定界面见图1。通过数据标定，确定该路段现状跟驰及换道模型参数，并基于车路协同场景下交互信息的完整度与及时度，分析不同信息交互水平下车辆驾驶行为的区别，确定各水平下模型参数。各参数取值见表2。

2.2 现状场景参数标定验证

为确保标定结果的可靠性，本研究选取平均误差（ME）、平均绝对误差（MAE）、平均绝对相对误差（MARE）和均方根误差（RMSE）这4 个统计学指标进行计算验证[22-24]。

本研究选取速度、位置作为验证指标。首先将表2 的现状参数标定结果输入到搭建完毕的Vissim仿真模型中，记录仿真输出值；再提取未标定的实际视频数据，计算仿真值与输出值在各个统计学指标下的误差，得到表3中的结果。

表3 模型验证结果Tab.3 Results of model validation

由表3 可以确定，仿真模型的速度和位置整体输出值与现实情况偏差较小，参数标定结果拟合度较好，可反映交通流真实状况。

本研究通过标定并调整驾驶参数实现驾驶行为特征精准刻画，反映车路协同场景下车辆行驶状况，为仿真分析车道特征、交通组成、车速限制等约束条件下的交通流状况，进而研究不同车路协同条件对交通流的改善情况提供可靠支撑[25]。

3 典型场景建模仿真

本研究选取北京市四方桥城市快速路段作为建模仿真路段，该路段双向6 车道，仿真路段包含直线路段、上/下坡路段、分流/合流路段，其中直线路段长311 m，上/下坡路段长256 m，高架桥直线路段210 m，分流/合流路段325 m。路段包含分流区、合流区、交织区及直线路段，可较好反映车路协同系统对快速路交通流的影响。该路段见图2。

图2 北京市四方桥路段Fig.2 Sifang Bridge section in Beijing

基于路段基础调查数据，在Vissim 中搭建仿真模型，并在模型关键部位设置检测器。图3 为仿真模型中的关键路段，设定路段小型车比例为80%，其余车辆为大型车；信息交互后引起的驾驶行为变化主要为表2标定参数，将对应参数标定结果输入仿真平台；各信息交互水平下的车辆输入均为高峰时段车辆数1 000 pcu/h/ln，路段限速80 km/h[26]。分别使用不同随机种子数进行5 次独立仿真，每次仿真运行持续3 600个仿真秒（1个仿真秒=1个真实秒），将前400 个仿真秒作为预热时间，确保仿真交通流数据符合实际交通状况，取各独立仿真结果均值作为不同信息交互水平下的交通运行数据。

图3 仿真运行界面Fig.3 Simulation operation interface

4 仿真结果评价

4.1 仿真评价指标

为客观全面地分析车路协同不同信息交互水平对城市快速路交通流特征的影响，本研究基于实地调查与仿真数据，从车辆运行效率和道路利用效率2个角度选取期望速度行驶车辆占比、横向车距收缩比、纵向车距收缩比、车辆横向偏移距离缩小比、通行能力拓展比5项指标评价车路协同技术对路段交通运行效率的改善程度。

4.1.1 期望速度行驶车辆占比

仿真时段内以期望速度驶过仿真路段的车辆数与仿真时段内路段流量的比值，该指标反映不同信息交互水平对车辆运行效率的影响程度。该指标值越大，车辆间影响程度越小，车辆行驶越顺畅，交通延误越小。该指标可为交通管理者判断当前道路车辆运行状态提供依据。

期望车速：驾驶员在道路上行驶受到道路条件约束但无其它车辆影响时，期望达到的安全行驶车速[27]。本研究确定期望车速为72～80 km/h。

式中：α为期望速度行驶车辆占比，%；n1为仿真时段内持续以期望车速驶过仿真路段的车辆数，pcu；n2为仿真时段内路段通过车辆数，pcu。

4.1.2 横向车距收缩比

信息交互后车间平均横向距离缩小值与未实现信息交互时车间平均横向距离的比值，该指标反映不同信息交互水平对车辆横向行为的影响程度。该指标值越大，车间横向干扰程度越低，相同车道宽度下车辆行驶越安全。该指标可直接体现车路协同场景下车辆横向安全水平，指导交通管理者提出不同信息交互水平下的车道管理方案。由于Vissim仿真软件无法直接输出车间横向距离，该指标值需通过对仿真输出的车辆轨迹数据标定得到。

式中：β为横向车距收缩比，%；x1为未实现信息交互时的平均横向车距，m；x2为实现信息交互时的平均横向车距，m。

4.1.3 纵向车距收缩比

信息交互后平均纵向车头间距缩小值与未实现信息交互时平均纵向车头间距的比值，该指标反映不同信息交互水平对车道纵向利用效率的影响程度。该指标值越大，车头间距越小，路段通行效率越高，高峰期车道空间利用率越高。该指标可为道路管理者判断当前道路交通流态势提供依据。该指标值通过对仿真输出的车辆轨迹数据标定得到。

式中：γ为纵向车距收缩比，%；y1为未实现信息交互时的车头间距，m；y2为实现信息交互时的车头间距，m。

4.1.4 车辆横向偏移距离缩小比

信息交互后车辆平均横向偏移距离缩小值与未实现信息交互时车辆平均横向偏移距离的比值，该指标反映不同信息交互水平下车辆行驶的横向稳定性以及不同信息交互水平下车辆安全行驶所需车道宽度的变化幅度。该指标值越大，车辆行驶越稳定，保证车辆安全行驶所需车道宽度越小。该指标可为道路设计者合理设计车路协同条件下车道宽度及路幅宽度提供依据。该指标值通过对仿真输出的车辆轨迹数据标定获取。

车辆横向偏移距离。车辆在道路上行驶过程中，受到驾驶员、车辆、交通环境等多方面的影响，车辆行驶轨迹与车道中心线并不完全重合，而存在一定程度的左右偏移[28]，车辆横向偏移距离O为车辆行驶过程中车道中心线与车辆中心线的距离。

式中：η为车辆横向偏移距离缩小比，%；O1为未实现信息交互时车辆平均横向偏移距离，cm；O2为实现信息交互时的车辆平均横向偏移距离，cm。

4.1.5 通行能力拓展比

信息交互后路段最大饱和通行能力增加量与现状最大饱和通行能力的比值，该指标反映不同信息交互水平对道路资源利用效率的影响程度。该指标值越大，道路资源利用越充分。该指标可在实现车路协同后为道路设计者确定车道设计通行能力及为道路管理者判断车道实际通行能力提供依据。

式中：μ为通行能力拓展比，%；C1为未实现信息交互时路段最大饱和通行能力，pcu/h；C2为实现信息交互时路段最大饱和通行能力，pcu/h。

4.2 仿真结果评估

通过在仿真模型中设置检测器，可直接获取仿真过程中的车辆速度、道路通行能力等信息数据，同时Vissim 仿真结果还将生成车辆行驶轨迹文件，利用轨迹标定软件分析这些轨迹文件，提取仿真车辆在任意仿真时刻的坐标、偏转角度等信息，计算得到车间距离。采集计算的仿真数据见表4。

分析表4 结果，随信息交互水平提高，横向车距、纵向车距、车辆平均横向偏移距离都有一定程度上的缩小，道路最大饱和通行能力、最优速度样本量随交互水平的增加而明显提高。基于各项仿真输出值计算评价指标，定量评价不同信息交互水平对交通流的影响作用，指标计算结果见表5。

表4 仿真输出结果Tab.4 Simulation output result

表5 仿真评价指标计算值Tab.5 Calculated values of simulation evaluation indices %

由表5 可知，车间的信息交互将直接影响驾驶人驾驶行为的变化，基于所获取的交通信息数量及精度的不同，将做出不同程度的驾驶行为调整。较未实现信息交互水平情况，在信息交互场景中，仿真时段内以期望速度行驶的车辆比例、路段通行能力均有所增加，同时横向车距、纵向车距、车辆横向偏移距离均有不同程度的收缩。说明车路协同系统可改变车辆运行状态，同时提升城市快速路运行效率。为研究各指标随信息交互水平变化而变化趋势，见图4。

图4 仿真评价指标变化趋势Fig.4 Variation trend of simulation evaluation indices

由图4 可知：以期望速度行驶的车辆占比在信息交互水平为1 级和4 级时分别为26.6%和30.7%。实现信息交互后，高峰时以期望车速驶过路段的车辆比例增加，表明车间的信息交互可提升道路车辆运行效率，但该比例随信息交互水平的提升而增加的幅度较缓慢。这是因为高峰时仿真路段交通量较高，车辆间交织严重，即使驾驶员通过信息交互手段获知了周边车辆信息，但是由于在交织路段频繁有匝道汇入、变道驶出等行为的车辆，路段车辆行驶受到严重干扰，驾驶员为确保行驶安全，需要与附近车辆保持一定安全距离，致使车辆行驶状态需要不断调整，难以保持最优期望速度通过路段。

随信息交互水平的增加，横向车距收缩比、纵向车距收缩比、车辆横向偏移距离缩小比逐渐提升。横向车距收缩比在信息交互水平为4级时降低比例为6.85%，3级时降低12.90%，2级时降低20.97%，交互水平达到1级时，降低比例达到26.21%；纵向车距收缩比降低比例从信息交互水平为4 级到1 级分别为8.80%，13.89%，17.82%，24.77%；车辆横向偏移距离缩小比则分别为4.53%，8.53%，13.87%，17.33%。由此可见车间信息交互可提升车辆在换道及交织过程中的行驶效率。且信息交互水平越高，对车辆行驶横向稳定性及安全性的提升效果越明显。但较低的信息交互水平对这些指标提升效用较低，这是因为在低信息交互水平下车间信息传输速度慢，所获取的信息不完善不准确，此时的车路协同技术仅能提供辅助作用，驾驶员主要还是依靠自身驾驶经验做出判断和决策，车辆行驶状态变化不明显。因此车路协同技术对道路车辆行驶状态层面的革新还需待信息交互水平较高时才能得以体现。

信息交互水平的高低对于通行能力拓展比的影响较为显著，信息交互水平从4 级提升至1 级，通行能力拓展比例为19.42%，28.06%，46.48%直至74.62%，可见信息交互水平可较大程度提升路段通行效率，且随交互水平等级的提升，通行能力的增长幅度增大。特别是在信息交互水平较高时，路段饱和通行能力显著提升。出现这种现象的原因是随着信息交互水平的增加，车辆之间干扰减少、车头间距降低、车辆换道行为更为灵敏等多因素的共同作用，使道路交通流运行更稳定，道路空间利用更充分，并且发生路段拥堵更少，多因素的共同改善作用最终使路段饱和通行能力发生由量变到质变的跃迁。

综上，对车路协同场景下指标计算值分析可知，车间信息交互水平越高，车辆可获取的交通状况越精确，越能使驾驶员及时做出合适的行为决策，使车辆运行速度、车间距离以及运动轨迹等微观交通流特性发生良性变化。并进一步引起道路属性变化，车辆安全行驶所需车道宽度减小，同一车道的通行能力提升。在提升车辆运行效率的同时增加道路资源利用率，且信息交互水平越高越有利于城市快速路交通的安全高效运行。

4.3 仿真结果讨论

由于车路协同技术尚未市场化普及，虽然有试验场满足了车路协同场景功能，并已有学者进行了实车试验，但这些试验数据均在车流量较小、交通组成简单、道路线形平顺的状况下进行的，仅能获得理想交通流数据[29]，仅能使研究人员了解车路协同下车辆行驶特性以及该技术可能存在的技术瓶颈，难以获知在复杂交通组织下的车辆运行状态。交通仿真技术虽然可以构建车路协同场景下的各种交通状况，但是其难以完全实现对设备通讯距离限制、信息传输延迟丢包、车间交互信息失效等交互设备真实状况的描述，并且车辆行驶模型和交通参数普遍基于现状驾驶数据以及理想试验数据进行标定[30]，仿真结果仅能展现车路协同场景下交通流演化趋向，难以提供更为精细的，考虑技术限制的交通运行数据，然而这一设备局限性却有可能成为未来车路协同技术实际应用中阻碍交通效率提升的重要因素。

在本研究中，仿真数据显示随着车间信息交互水平的提升，车辆运行效率随之增大。但是由于交通仿真技术存在局限性，特别是难以展现高峰期间，交通组织极为复杂、通讯数据激增、系统受攻击概率提升情况下引发的数据传输延迟甚至大范围设备宕机等意外事件下的交通运行状况，而随着信息交互系统的失效，路段交通流退化为信息交互前的传统交通流，有研究显示此时驾驶员将产生较长一段反应时间以适应无信息交互下的驾驶模式，而在这一反应时间内驾驶员将难以平稳操纵车辆[31]，急切增大与周边车辆距离，导致车辆发生急减速行为。而高峰期间若车辆行驶发生扰动，将导致交通流出现走-停波甚至交通拥堵，降低整体交通效率，增大发生交通事故的概率，而这些现象都是仿真技术难以获知的。

因此在未来车路协同技术实际运用过程中应着重对相关设备运作状态进行监测，技术人员在提升设备信息传输实时性和精确度的同时也要加强设备组件的抗干扰能力及应对高信息压力的能力，进而提升车路协同系统稳定性。与此同时，在下一步研究中，应充分结合实地试验和仿真模拟的优势，通过在实地测试中人为增加通讯数据量、信息干扰、冗余信息等方法模拟车辆在高密度交通流下的运行状态，进而提取相应轨迹数据输入至仿真软件，从而更准确的对车路协同场景下复杂交通状况的分析，为车路协同技术落地实施提供更可靠的数据支撑。

5 结束语

车间信息交互是车路协同系统的重要组成部分，不同等级的信息交互水平将直接影响驾驶员的驾驶行为和决策，进而影响到整个交通系统运行效率。

本研究为评价不同车间信息交互水平对车辆行驶状态及道路交通属性的影响程度，基于路段实测视频数据以及车路协同场景下车辆行驶性对Vissim内置驾驶模型参数进行了重新标定，并搭建调研路段——北京市四方桥快速路段微观仿真模型进行仿真，选取车辆运行效率（期望速度行驶车辆占比、横向车距收缩比、纵向车距收缩比、通行能力拓展比）和车辆空间占用率（车辆横向偏移距离缩小比）这2个角度指标作为评价标准，分析了不同信息交互水平对道路交通的影响，得到如下结论。

1）在车路协同场景下，随着车间信息交互水平的提升，车辆运行稳定性、交通运行状态、道路利用效率均会有不同程度的提升，且信息交互水平越高，其对快速路道路交通状态的改善效果越明显。

2）指标中，期望速度行驶车辆占比、横向车距收缩比、纵向车距收缩比、车辆横向偏移距离缩小比4 个指标值随信息交互水平的提升而提升的幅度较小，而路段通行能力拓展比在信息交互水平为4 级时提升幅度为19.42%，在1 级时达到了74.62%，提升显著。可见车路协同技术将极大限度的发挥道路资源使用效率，提升高峰期间路段车辆的通过能力。

3）提出横向车距收缩比和车辆横向偏移距离缩小比指标对车路协同场景下车辆行驶状态进行分析，可为合理设置未来不同车间信息交互水平下车道管理措施、车道标志标线提供借鉴依据。基于该指标可计算获得车间信息交互下车辆轨迹分布以及车辆安全横净距，从而为未来车路协同技术落地后合理设计路基路面结构以及制定病害防控措施提供参考。

可以预见，随车路协同信息交互技术的不断发展，未来道路交通组织将更为高效，车辆运行将更为安全，道路建设将更为环保。本研究的仿真场景较为理想，未考虑实际交通中各种因素（驾驶特性、车型特征、道路线型、交通流量等）对交通流的影响。此外，对于车路协同场景下道路设施建设方案的定量研究也是需要在未来进一步深入分析的方向。