基于仿真的高速公路施工区交通分流分析

冯 雷

(1.河北交通投资集团公司，河北石家庄市新石北路52号 050000)

为了保障日益增长的交通需求，高速公路建设与日常养护必不可少。但是，施工带来的车道封闭、路侧空间不足等必然会对车辆正常行驶造成干扰，因此，如何在高速公路施工区域通过交通组织保障通行需求、降低对交通流的影响，是项目施工中亟待解决问题。文中主要针对交通组织中的交通分流问题展开分析。

高速公路施工区交通分流是重要的交通组织技术，旨在通过合理转移交通出行需求，充分利用路网的通行能力，减少施工区域道路的交通压力[1-4]。

国外学者对于高速公路施工区交通组织的研究有多种方法。首先是意向SP(stated preference)调查法。McCoy等[5]通过问卷调查研究了交通动态信息板对于驾驶员分流的影响。结果表明提供信息板和不提供信息板时，交通分流比例为11%和8%。而Lee等[6]认为交通拥堵状况对于驾驶员分流也有显著影响。同一路段在拥堵状态下交通分流比例为18.9%，远高于非拥堵状态。其次是交通分流回归预测模型法。在高速线圈检测器数据的基础上，Yin等[7]构建了基于主路交通量、匝道交通量、车道关闭时间等变量的多元回归模型，较好地预测了交通分流比例。Hadi等[8]在研究中指出交通分流比例与关闭车道的数量相关，并建立了简单的回归预测模型。此外，交通分配方法也被用于分析交通分流。Han等[9]引入动态交通分配研究了可变信息对于驾驶员路径选择的影响，多次迭代结果表明驾驶员倾向于一直向备用道路转移，直至备用道路通行量饱和。

国内对于高速公路施工区交通组织方面的相关研究起步较晚，但也取得了一定的研究成果。陈胜营[10]通过构建路网加密、新建道路和道路加宽3种方案，分析了高速公路的改扩建方案优缺点。熊烈[11]引入流体力学原理，重点分析了施工区的通行能力。郭江辉[3]对分流的车型进行了分类研究，并提出了以绕行距离和车型分类为基础的分流方案。但是，国内在此方面的研究仍然多侧重于工程设计，对于交通组织的相关研究略显不足。

由于交通分流受到外界环境、驾驶员等多方面因素影响，难以对案例进行重复研究，因此，文中拟采用仿真方法对高速公路施工区进行建模，通过多次迭代模拟交通分流，并以此建立交通分流预测模型，为高速公路施工的交通组织提供支撑。

1 基于驾驶员选择的交通分流模型

回归分析常常被用于解释高速公路施工区的交通分流现象。文中拟采用基于SP调查法的选择模型作为对比模型，分析各种预测模型的优劣势。Washburn和贾健民等[12-13]通过问卷调研了影响驾驶员选择分流的因素，其中包括出行时间、周边环境、出行目的和车辆类型等，最后构建了logit分流模型，显示出行时间以及天气才是影响分流选择的重要因素。二元logit模型为

(1)

式中，RTF为留在原始道路上的车辆比例，torg为原始道路行驶时间，talt为备选道路行驶时间，ρ为天气的修正系数。

但是，由于交通施工区的时间可能较长，交通分流是车辆互相影响的过程，最终达到原始道路和备选道路出行时间的平衡，从而长期的分流模型需要考虑用户平衡，即

(2)

式中，xorg和xalt分别为原始道路和备选道路的交通量。α为模型参数。

但是logit选择模型只能提供交通分流之后的结果，并不能描述交通分流相互影响的过程。

2 基于二次加权平均分配的分流模型

二次加权平均分配方法MSA(method of successive average)是通过不断调整已分配到路段上的交通流量而逐渐达到或接近均衡分配的。在每步循环中，根据已分配到各路段的交通量做一次0-1分配，得到各路段的附加流量，然后与原始交通流量加权平均，得到下一循环的交通量。最后一个循环的交通量为最终结果，其基本步骤为如下。

步骤一：初始化，按照原始道路和备选道路的行驶时间做一次0-1分配，得到各路段分配的初始交通量。

步骤二：更新路段的行驶时间。

步骤三：按照更新的行驶时间和交通量，再做一次0-1分配，得到一组附加交通量。

步骤四：通过加权计算附加交通量和初始交通量，得到当前交通量。

步骤五：如果当前交通量与初始交通量相差不大，当前交通量为最终结果，否则重复步骤二到步骤四。直至满足要求。

二次加权平均分配方法是通过分配达到原始道路和备选道路的平衡，与logit选择模型类似，该法不能描述交通分流相互影响的中间过程。

3 基于动态交通分配的分流模型

由于实际的交通分流过程中，会随着时间受到交通流和外部环境的影响，传统的交通分配模型并不能直观描述这一动态过程，从而动态分配模型DTA(dynamic traffic assignment)被引入了交通分配[13]。

基于动态交通分配的仿真可以在实施层面模拟由于道路施工带来的时间变化的拥堵，以及拥堵对交通分流的影响。在动态交通分配中引入了每日学习(day-to-day learning)模块，可以更好地分析施工区对于出行者的影响。因为随着时间的增加，出行者可以获取同一路径在不同时间的出行时间信息，并调整自己的出行计划，从而达到捕捉随机的日常出行时间演化过程。其中，路径效用函数为

(3)

式中，GT是广义出行时间，T是出行者的期望出行时间，TSD是从历史数据获取的出行时间变化，VOR是出行可靠性的价值，VOT是出行时间的价值，TOLL是道路行驶收费。

4 分流预测模型构建与分析

4.1 案例数据与仿真软件

文中以位于美国佛罗里达Broward县的I595高速施工案例为例进行建模和分析，见图1。道路基本信息如表1所示。

图1 I595高速与备选道路SR84Fig.1 I595 and alternative route SR84 (purple line)

表1 道路基本信息

文中使用的仿真软件为NEXTA[14]，其支持大规模的动态交通仿真，并且提供了可以每日学习(day-to-day learning)的加强模块，用于模拟出行者对于出行时间变化的反应。

为了更好地仿真模拟高速公路施工区交通分流的影响，文中选取了长时间的施工区为研究对象，并建立了4种情景用于对比分析交通分流的结果。

情景一：施工时间为100d，采用基于驾驶员选择的logit交通分流模型。由于无法考虑出行时间变化的影响，logit模型只能提供一个交通分流预测结果。

情景二：施工时间100d，采用二次加权平均分配交通分配方法(MSA)。同logit模型类似，MSA只能提供最后一个循环得到的交通分流结果，无法考虑出行者随时间变化的出行选择。

情景三：施工时间100d，采用NEXTA仿真软件的day-to-day learning模块，可以模拟每一天的道路出行情况，并且随着时间的延长，最终达到交通分流的平衡。

情景四：施工时间100d，通过拟合方法建立交通分流预测模型。

4.2 分流预测模型

在施工过程中，原始高速公路I595关闭了5个车道中的3个车道，交通需求与通行能力的比值为2.64，远远超出了道路通行能力。在不同情景下的交通分流结果如图2所示。

图2 不同情景的交通分流结果Fig.2 Traffic diversion in different scenarios

由图2可见，MSA方法和NEXTA仿真结果均在长时间的施工区情景中达到了平衡，并得到了近似的结果，交通分流比例在53%左右。而对于logit模型，仅仅显示出行时间对于分流比例的预测值偏低，这可能是由于logit模型并未参考施工区的严重程度，例如车道关闭数目。此外，NEXTA仿真结果显示出了在考虑出行时间动态变化时的优势：高速公路施工区初期，出行者对于道路施工有较高的反映，约60%的出行者选择了分流路径，而随着时间的增长，原始道路和备选分流道路的出行时间也在动态变化，出行者在路径选择上逐步达到了平衡。

为了拟合交通分流预测模型，文中设置了不同的道路通行能力影响值，并通过多次NEXTA仿真得到了的考虑动态交通分配的交通分流结果，如表2所示。

表2 动态交通分配结果

文中拟依据动态交通分流结果建立分流预测模型，其中主要考虑的因素包括了交通需求/通行能力比例和交通施工区的时间，兼顾道路施工的影响程度和影响时间，基本形式为

(4)

式中，DR为分流比例，DCratio是交通需求和通行能力比例，day为天数。

通过利用SPSS进行回归分析，发现交通施工区时间因素并不显著，可能是由于短期的分流行为具有随机性，因此文中针对达到平衡的长期高速公路施工区建立了分流预测模型，且主要考虑交通需求与通行能力的比例。统计分析结果如表3和图3所示。回归模型的R2达到了0.980，该模型具有较好的预测能力。

表3 预测模型参数估计

图3 交通分流预测模型Fig.3 Predicting model for traffic diversion

5 结论

高速公路施工区交通分流一直是工程项目管理中亟待解决的交通组织问题。文中通过基于动态交通分配的交通仿真方法对施工区的交通分流进行了分析，并与其它研究方法对比，最后建立了基于交通需求和通行能力比例的分流预测模型。通过分析得到如下主要结论。

(1)动态交通分配模型的day-to-day learning模块可以较好地揭示出行时间的变化对于出行者路径选择的影响。

(2)短期施工区的交通分流对于时间因素不敏感，长期施工区的分流主要受到交通需求和通行能力比例的影响。今后的研究可以引入出行的个体行为偏好因素。