不良气象条件对智能网联异质交通流的影响研究*

叶 杨，高 伟，蒋婵静，白克钊

(广西师范大学物理科学与技术学院，广西 桂林 541004)

1 引言

元胞自动机模型（Cellular automation，CA）[1]可以通过简单的规则来真实地模拟复杂的交通现象，因而在交通研究中得到广泛应用。能见度降低是造成交通事故的主要原因，近年来国内外相关学者较为关注能见度对交通流的影响。Qiang 等人[2]建立了一种考虑视距影响的交通流模型，基于在低能见度下视距受到限制的特点，对雾中的交通流特征进行了探究。Huang 等人[3]利用雾天条件下未观察到的驾驶员异质性来重现驾驶员的跟随行为特征。Tan[4]研究了雾天环境下驾驶员风险错觉对交通流稳定性、速度、加速度和车向波动频率的影响，研究发现风险错觉会降低交通系统的稳定性。Liu 等人[5]针对雾天条件下跟驰状态不稳定的情况，引入动态随机加速，提出了基于元胞自动机的雾天车辆交通流模型。

智能网联车辆的探测和通信行为在一定程度上可以解决低能见度所导致的问题，而目前在不良气象影响下智能网联车辆交通流的相关研究还为之较少。本文基于此，在智能网联环境下建立了一种考虑能见度影响的混合交通流模型，继而对不良气象下的智能网联异质交通流进行研究。

2 模型的构建

系统为长度为L的单车道（如图1 所示），其被分成N个元胞，在t时刻每个元胞为空或被一辆车所占据。每辆车的车速为{0,1,…,vmax}其中的一个值，vmax为最大车速。本文定义gapi为i车与前方i+1的车间距，xi、vi分别为i车的位置和速度。

图1 系统示意图

智能网联车在可一定探测范围内探测采集车辆的速度、车间距等交通信息。本文中探测距离为d，取值为vmax+1(图1 中实线圈为智能车的探测范围，黑色车辆为智能网联车，灰色车辆为普通车)[6]。智能网联车辆之间存在通信，能够彼此交换信息[7]，本文中的通信范围用C表示。

2.1 安全期望速度

在不良气象下，车辆行驶会出于安全考虑去选择合适的安全速度进行行驶。本文采用文献[8,9]中的期望安全速度（Vqs为期望安全速度，Sqs为能见度）：

2.2 安全间距

为防止车辆间因不良气象而发生意外碰撞，要保持车辆间最小距离，即安全距离。本文采用文献[10]中的安全距离公式：

式中di,safe是车辆与前车需保持的安全距离，vi和vi+1是t时刻本车与前车的行驶速度，τ是第i辆车驾驶员的反应时间，B是车辆减速度，本文中τ取0.5，B取3.4m/s2。

2.3 交通事故

本文采用文献[11]中的普通车可能发生交通事故的条件规定。

根据智能网联车的特点，本文规定若第i辆智能网联车与前车发生交通事故，需满足以下条件：(1)t时刻，gapi＜vi，且i车预测前车的速度大于0；(2)t+1 时刻，vi+1=0但vi＞0。

仔猪白痢的病理变化主要表现在可视粘膜苍白、消瘦、肠粘膜充血、轻度出血、肠壁薄且失去弹性、肠内容物增多呈泡沫样，肠系膜淋巴结肿大及充血。

2.4 演化规则

2.4.1 普通车辆演化规则

Sqs为能见度，S0表示不干扰车辆正常行驶的最小能见度。当车辆行驶不受能见度影响时，车辆进行确定性加速；当车辆行驶受到能见度影响时，车辆会以概率Pacc进行加速。当本车与前车间距大于四倍安全间距时，驾驶员进行加速并以最大期望速度行驶；当与前车距离小于四倍安全间距时，Pacc随着能见度降低而不断降低。

2.4.2 智能网联车辆演化规则

当车辆行驶不受能见度影响时，车辆按照预期间距进行确定性减速；当受能见度影响时，车辆预期间距和能见度共同决定车辆的确定性减速过程。

智能网联车可获取探测范围内的车辆信息，从而得到与前车的预期间距，进而避免前后车发生碰撞。但因有限的探测范围，对于预期间距的计算可分为以下三种情况：

①若i+1车不在i车的探测范围内，i车与前车的预期车距为；

③若i+1车与i+2车均在i车的探测范围之内，可以准确得到，。

若第i辆智能网联车前方的i+1车为智能网联车，由于信息交换可在智能网联车间进行，在通信范围内i车可获取i+1车的实时速度和i+1车与前车车距。根据i车预期间距的计算可分为以下两种情况：

①若i+1车不在i车的通信范围内，则车辆之间无法进行通信，此时将i+1车视为普通车，i车与前车的预期车距采用之前与普通车车距相同的计算方法，得到预期间距；

②若i+1车在i车的通信范围内，此时i车可直接获得i+1车的速度vi+1和i+1车与前车的间距gapi+1，i+1车的预期速度为，i车与前车的预期车距为。

智能网联车与普通车的区别主要在于可以精准快速地获得前方车辆信息，当前车的驾驶行为改变时，其反应时间更短，故τ 取较小值0.5。当车间距大于安全间距时，车辆会与前车保持相对安全的间距。但当车速不满足期望安全速度时，车辆会进行减速。当车间距小于安全间距时，车辆为保证安全行驶会进行减速从而避免与前车发生碰撞。

随机慢化：以概率P减速，，其中P=λ×Pf+(1+λ) ×Pb(λ=0.8) 。

k2=为后方最近邻车的预期速度。

3 数值模拟与分析

模拟时道路长度L取值为1000，车辆最大速度vmax取值为5，若无特别说明S0=1km，C=6，Pn=0.2。t时刻道路上车辆数为N(t)，车辆密度为ρ(t)=N(t)/L。车辆平均速度为，流量J=ρv，其中参数N为道路上车辆总数，参数T为每个样本统计的时步数，参数m为统计的总样本数。模型采用开放边界条件，车辆的产生概率取0.9，消失概率取1.0，在入口边界处产生车辆中智能网联车占有率为f。每个样本运行80000 时步，记录最后20000 步的数据，并取20 个样本作系综平均。

3.1 智能车辆占有率对交通流的影响

从图2 可知，相同能见度下，随着产生车辆中智能网联车占有率的增加，流量逐渐增加。因此，增大智能网联车占有率有利于提高系统通行能力。由图2 和图3 可见，当能见度大于40 时，流量和速度受能见度的影响较小且车辆高速行驶，此时车辆为自由运动；当能见度小于40 时，系统流量和速度随着能见度的降低下降较快，此时能见度对系统影响比较明显。

图2 流量与能见度的关系图

图3 速度与能见度的关系图

3.2 智能车辆对交通系统事故率的影响

图4 为不同智能网联车占有率下，普通车和智能网联车的交通事故概率与能见度关系图。由图4 可见，当能见度较高时，随着能见度增加，系统交通事故概率逐渐降低，智能网联车占有率越高，则普通车交通事故概率越低。在低能见度时，智能网联车的探测能力可探知前车行驶状态并可以及时减速或停车，故在低能见度时，智能网联车不易发生交通事故，其交通事故概率很低。因此，交通事故主要是由普通车造成的。

图4 不同车辆交通事故概率与能见度的关系图

图5 和图6 中f=0.5，r为接收故障率，其为智能网联车中有接收故障的智能网联车所占比例；s为发送故障率，其为智能网联车中有发送故障出现的智能网联车所占比例。图5 和图6 中，低能见度下发生接收和发送故障时，智能网联车虽会失去车辆之间的通信作用，但因其可探测获知周边交通信息，保证了驾驶安全，故智能网联车的交通事故概率依然很低，受通信故障的影响较小。

图5 f =0.5，不同接收故障率时，交通事故概率与能见度的关系图

图6 f =0.5，不同发送故障率时，交通事故概率与能见度的关系图

当智能网联车的探测器发生故障，无法探测到周边的交通信息，不能再向其他车辆发送信息，但可接收其他车辆的交通信息。图7 中f=0.5，e为探测故障率，其为智能网联车中探测器出现故障的智能网联车所占比例。由图7 可见，智能网联车和普通车的交通事故概率处于低能见度下均随探测故障率的增加而增加。原因在于智能网联车不能探测到前车的交通信息的情况时，无法准确预测其车速，同时也不能预判前车是否准备停车，从而容易导致交通事故的发生；随着探测故障比例的升高，这种情况将会更多出现，智能网联车的交通事故概率也会不断增加。通过图5、图6 和图7 相比较，可知在低能见度下，与通讯故障相比，探测故障对交通流的影响要更加明显。

图7 f =0.5，不同探测故障率时，交通事故概率与能见度的关系图

4 结论

不同能见度下，智能网联车占有率越高，系统流量会越高。较高能见度时，纯智能网联车交通流的速度明显较高；较低能见度时，智能网联车占有率越高，速度越高。提高智能网联车的占有率有助于提高系统的畅通性。普通车的交通事故概率随着智能网联车占有率增加而逐渐降低，此时智能网联车的交通事故概率很小。智能网联车的交通事故概率在其通信故障增加时不会发生明显变化。在低能见度下，智能网联车的交通事故概率会随着其探测故障率的增加而增加；相比通讯故障，探测故障对交通流的影响要更为明显。