智能交通换道模型

“车联网”专题６５2019年第11期收稿日期：2019-09-27面向新一代智能交通系统的车联网仿真技术Vehicle Network Simulation Technology for New Generation IntelligentTransportation Systems车联网仿真技术是智能交通系统以及车联网领域发展的重要测试手段，然而，已有的车联网仿真平台基于固定模型构建业务场景，如车辆跟驰模型、静态业务优先级模型等，这种模型驱动的仿真方法难以适应新一代智能交通系统特征。

因此，提出了一种数据驱动的车联网仿真技术，基于海量路网信息数据、动态学习和标定典型智能交通场景下的业务特征，为车联网仿真提供柔性动态的业务适配，满足新一代智能交通系统需求。

车联网；新一代仿真技术；模型驱动；数据驱动Simulation technology of Internet of Vehicles (IoV) is an important test method for the development of intelligent transportation systems and IoVs. However, the current IoV simulation platforms establish service scenarios based on fi xed models, such as vehicle following model, static service priority model, etc. This model-driven simulation method is diffi cult to support the characteristics of the intelligent transportation system in new generation. Therefore, this paper proposes a data-driven simulation technology of IoVs. Based on massive information data from road network, dynamically learning and calibrating the service characteristics of typical intelligent traffi c scenarios, the proposed simulation technology provides fl exible and dynamic service adaptation for vehicle network simulation to meet the requirements of intelligent transportation systems in new generation.Internet of Vehicles; new generation simulation technology; model-driven; data-driven（1.北京工业大学城市交通学院交通工程北京市重点实验室，北京 100124）2.河北省交通规划设计院，河北 石家庄 050011）(1. College of Metropolitan, Beijing University of technology, Beijing 100124, China;2. Hebei Provincial Communications Planning and Design Institute, Shijiazhuang 050011, China)【摘 要】【关键词】陈艳艳1，贾建林1，范博1，陈宁1，刘懿祺1，吕璇2CHEN Yanyan 1, JIA Jianlin 1, FAN Bo 1, CHEN Ning 1, LIU Yiqi 1, LV Xuan 2[Abstract][Key words]0 引言车联网技术的发展增强了汽车的智能化、信息化，提升了人们出行的便捷性、安全性与高效性，是传统交通向智能交通转变的重要环节[1]。

TECHNOLOGY AND INFORMATION交通与信息化138 科学与信息化2021年2月下基于STCA模型的智能网联车辆换道规则研究吴登辉浙江师范大学 浙江 金华 321004摘 要 随着经济和互联网的发展，在未来的城市道路上会出现智能网联汽车，由于智能网联车辆有自动车的特点，其电子传感装置能感知附近的车辆并且计算安全距离。

本文基于这样的背景，对元胞自动机中经典的STCA换道模型改进，并通过python程序进行仿真，研究智能网联车辆换道规则对道路通行能力的影响。

关键词 智能网联车辆；元胞自动机；换道规则1 研究方法1.1 人工驾驶车辆换道模型车辆有换道动机才能换道，实现车辆的换道需要两个前提条件：安全条件：若车辆进行换道，首先要保证不能与其他车辆发生冲突，要保证车辆的安全。

换道动机：车辆的驾驶员是否想进行换道。

为此，Chowdhury 等人提出了对称换道规则的双车道元胞自动机模型(STCA 模型) [1]。

这个模型是以单车道元胞自动机模型为基础，引入了换道规则。

其换道规则如下：换道动机： 和。

安全条件：。

其中，表示第 n 辆车和它的前车之间的空元胞数。

表示车辆的长度。

表示第n 辆车的速度。

表示车辆可以达到的最大速度。

表示换道时不会发生碰撞的安全距离。

表示第n 辆车与它的相邻车道的前车之间的空元胞数。

表示第n 辆车与它的相邻车道的后车之间的空元胞数。

1.2 智能网联车辆换道模型由于智能网联车辆有自动车的特点， STCA 换道规则过于苛刻，尤其是换道安全间距设置为是不合理的，无法满足智能网联车辆的换道需求，造成道路资源的浪费。

首先，分析换道风险度的概念，车辆在换道时具有一定的风险，风险主要来自于换道车辆与相邻车道后方车辆的冲突风险，其大小主要取决于换道并行驶1个单位时间后，该车辆与后方车辆的间距。

为保证安全，令≥ 1作为两车之间的缓冲距离，并以此推导出适用于智能网联车辆换道的STCA-Ⅰ模型。

第27卷　第2期2010年2月 公　路　交　通　科　技Journal of Highway and Transportation Research and DevelopmentVol .27　No .2 Feb .2010文章编号:1002-0268(2010)02-0119-05收稿日期:2008-12-22基金项目:北京市教委重点项目;北京市自然科学基金资助项目(JJ002790200802)作者简介:李玮:(1982-),男,河北廊坊人,博士研究生,从事机器视觉、网络智能控制与嵌入式系统研究.(l iwei727@126.c om )智能车辆自由换道模型研究李　玮,高德芝,段建民(北京工业大学　电子信息与控制工程学院,北京　100124)摘要:针对传统的车辆换道模型在换道过程中存在着侧向加速度过大或产生跃变、轨迹曲率不连续以及换道过程起始时刻侧向加速度不为零的问题,以四段式车道变换理论为基础,提出一种新的车辆自由换道轨迹函数,并引入B 样条理论对换道轨迹进行再规划,进而建立一种新的高速公路车辆自由换道模型。

该模型能够较好的解决传统车道变换模型存在的上述缺陷。

给定车辆换道轨迹性能评价参数,利用M atlab 仿真计算得到新模型产生的换道轨迹,并与另外两种换道模型产生的轨迹进行对比分析。

分析结果验证了该模型的正确性及有效性。

关键词:交通工程;换道模型;B 样条曲线;再规划;侧向加速度中图分类号:U491 文献标识码:AResearch on Lane Change Model for Intelligent VehiclesLI Wei ,GAO Dezhi ,DUAN Jianmin(School of Electronic Information and Control Engineering ,Beijing Universit y of Technology ,Beijing 100124,China )Abstract :Traditional lane change models in the process of lane changing have defects such as the lateral acceleration is too high or have jumps ,the path has a noncontinuous curvature profile ,and the lateral acceleration at initial moment in the process of lane changing is not zero .A new lane change function based on principle of four -phase lane changing model was put for ward and the lane change path was rebuilt by adopting B -spline theory ,at last a new lane change model for vehicles on highway was built .The ne w model could resolve the abovementioned existent defects in traditional models .With the given evaluation para meters of the lane changing path ,the lane change path from this new model was calculated by Matlab software ,and compared with the lane changing paths from two traditional models .The analysis result proved the corr ectness and feasibility of this ne w lane change model .Key words :traffic engineering ;lane change model ;B -spline curve ;r eplan ;lateral acceleration 0　引言智能车辆(Intelligent Vehicle ,简称IV ),是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,是众多高新技术综合集成的载体。

管理纵横 Sw eeping over the m anag ement 换车道模型研究谢 寒(西南交通大学交通运输学院 610031)摘 要换车道模型是研究微观交通流的基础模型之一。

由于换车道所涉及的因素较多,与跟驰模型相比较发展相对滞后。

本文简单介绍了目前使用比较多的Gipps、M IT SIM、CORISM、SIT RAS以及CA等换车道模型,以期对换车道模型的深入研究有一定启发。

关键词智能交通;换车道模型;Gipps;M IT SIM;CORSIM;SIT RAS;CA换车道模型和车辆跟驰模型是微观交通仿真的重要组成部分,也是智能交通的组成部分。

相对于跟驰模型而言,换车道模型的发展相对较为滞后。

为了换车道模型的进一步发展,本文通过对常用的换车道模型研究进展进行系统的评价,以期对换车道模型的深入研究有一定帮助。

1 换车道模型研究1.1 G ipps模型。

G ipps模型是最早提出的换车道模型,由Gipps P.D.(1986)提出的,建立在有障碍(信号灯、障碍物等)情况下。

模型中换车道行为分为产生意图、探测条件、动作实施三个部分。

整个过程为:!当前地点堵塞或是有大车,存在可以变换的车道,驾驶员产生换道的意图。

∀检测换道条件,采用可接受间隙模型即在进行换道的时候换道车辆与目标车道的前车、后车之间必须要有足够的间隙以保证不会发生事故,换道才有可实施的可能性。

#只有前面的条件都满足的时候,才能进行换道的行为。

在换道实施的过程中采用的是刹车减速的行为。

显然G ipps模型只考虑了有障碍的情况下的换道行为,在实际换道行为中除了有障碍的情况还有无障碍的情况下驾驶员也会实施换道行为。

这种情况在M IT SIM模型中被首次提出,并对换车道行为方式提出了一个相对较好的划分。

1.2 M IT SIM模型。

M IT SIM(M Icroscopic T raffic SIM ula to r)模型是Q.Y ang和H.N.Ko utso po ulos(1996)提出的。

基于驾驶人决策机制的换道意图识别模型倪捷;刘志强【摘要】According to the producing mechanism of driver's lane change decision, desired speed satisfaction, risk perception coefficient and change feasibility coefficient are put forward and quantified as the identification parameters of lane change decision. The results of analyzing real vehicle test data indicate that quantitative indicators have different correlation with lane change decision, and there is a significant difference among the beginning of lane changing, lane keeping and transition state stage. Fuzzy neural network model is established to identify driver's lane change intention by using desired speed satisfaction, risk perception coefficient and feasibility coefficient of lane change as the input feature index. The research results show that the model accuracy in the early stage of lane change is 89.93%, and the false alarm rate is 9.52%, which both are better than BP neural network model by taking the collision time TTC as input vectors and the Logistic model by using RV, RP and RS as variables. It shows that the model has a good predictive accuracy.%依据驾驶人换道决策的产生机制，提出速度期望满足度、危险感知系数和换道可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明：量化指标与换道决策存在不同程度的相关性；同时在换道初期、车道保持及过渡状态阶段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数，建立基于模糊神经网络的驾驶人换道意图识别模型，进行驾驶人换道意图的识别.结果表明，该模型在换道初期的预测准确率达到89.93%，虚警率为9.52%，优于以碰撞时间TTC为输入指标的BP神经网络模型，以及以RV、RP、RS为变量的Logistic模型，说明模型具有较好的预测准确性.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2016(000)001【总页数】6页(P58-63)【关键词】智能交通;换道意图;决策机制;换道辅助系统;模糊神经网络【作者】倪捷;刘志强【作者单位】江苏大学汽车与交通工程学院，江苏镇江212013;江苏大学汽车与交通工程学院，江苏镇江212013【正文语种】中文【中图分类】U491.25随着车辆辅助驾驶系统的产生和智能车辆系统的研究，越来越多的人开始考虑使用各种车载辅助系统降低事故的潜在危险.换道辅助系统LAC就是通过判断驾驶人的换道意图，当环境感知模块判断当前环境不满足安全换道条件时，进行预警或自动干预驾驶人驾驶.然而，当系统发出与驾驶意图相异的预警时，会导致驾驶人分心并降低系统的可信度.因此，准确的换道意图识别成为提高换道辅助系统可靠性的关键技术之一.换道意图识别的研究通常有两个方面：一是驾驶人换道意图表征参数的提取；二是换道意图的识别算法.国内外在换道意图表征参量方面主要包含三类指标：驾驶人的眼动及头部特性参数[1]、车辆运行状态表征参数[2-3]和周围环境状态参数；在换道意图识别算法方面，hMM[2，4]、贝叶斯决策、神经网络[5]、支持向量机[6]等模式识别方法均有广泛应用.然而，上述研究中表征参数大多提取的是驾驶人换道时的外在表现，故在预测的精度和时序上会存在博弈.事实上，驾驶人换道决策的内在触发通常来源于周围车辆的行驶状态.鉴于此，本文通过换道决策机制的分析，考虑周围车辆行驶状态的影响，从换道意图的触发及可行性判断两方面设计换道决策识别表征参数，并构建基于模糊神经网络的驾驶人换道意图识别模型，为驾驶辅助系统的换道意图识别及智能车辆自主换道的决策设计提供依据.换道意图产生阶段的驾驶人行为决策是集驾驶人环境感知、分析判断和决策的综合认知过程，是“驾驶人-车辆-道路”三者交互的综合体现.仅考虑选择性换道的情况.在换道行为产生前，一般会有两种触发驾驶人换道意图的诱因：一是当前车道的平均车速或前导车车速无法满足驾驶人的速度期望；二是由于前导车临时制动等原因导致两车间距过近，驾驶人产生危险感知.为此，将此过程设定为第一次感知判断；产生换道意图后，驾驶人根据目标车道的后车距离，进行第二次感知判断，即可行性判断.当无法满足可行性要求时，车辆继续维持跟车状态；一旦满足可行性要求，驾驶人将根据本车的性能进行换道目标位置的规划并执行换道.驾驶人换道决策产生机制如图1所示.2.1换道决策指标设计与量化驾驶过程中影响驾驶人换道决策的信息主要来自本车道前车的驾驶条件、自车的运行状态及目标车道后方的驾驶条件三个方面.根据驾驶人换道决策机制的分析，将驾驶人产生换道需求的两种触发诱因定义为速度期望和空间危险感知，将目标车道可行性判断定义为换道可行性感知，设计换道决策量化方法.车辆换道时与周围车辆的位置关系如图2所示，SV代表自车，LV代表当前车道前方车辆，AFV代表目标车道后方车辆，ALV代表目标车道前方车辆.速度期望的触发工况通常以期望速度的满足度，即本车当前速度与期望速度的比值来表征.然而，驾驶人的期望速度由驾驶人的行为特性、道路等级、天气状况、车辆类型等因素共同决定，不同情形下的特征规律迥异，难以估算；同时，在实际行车过程中，影响驾驶期望最直接的因素是前导车的行驶车速，如果驾驶人认为当前车道前车速度过慢，驾驶人便会产生换道意图.因此，笔者提出以当前车道前导车的车速与目标车道车流的平均车速之比RV作为速度期望满足度的量化指标，如式（1）所示.式中：VLV为当前车道前导车的车速；Vdmean为目标车道的车流平均车速.在满足期望车速的状态下，驾驶人会与前导车保持安全车距.当原车道前车突然减速或有其他车辆切入自车前方，导致本车与前车的距离缩短，驾驶人会产生不安全感，进而会以避碰或满足期望空间为目的产生换道需求.而换道可行性的判断考虑的主要因素是与目标车道后车的安全距离.这两个因素实质上均属于驾驶人的空间感知，有两种具体的量化方法：（1）实际距离与临界安全距离的比值RS.式中：d为自车与目标车的纵向距离；dsafeness为自车与目标车的安全车距，计算公式为式中：Vo，Vd分别为后车与前车的初速度；τreaction为后车驾驶员的反应时间，一般为0.3~1.0 s；τlast为制动增长所经历的时间；aojmax，adjmax分别为后车与前车的最大减速度；L为停车后所要保持的距离，一般取5 m.（2）Nissan公司[7]提出的危险感知程度Rp.将车头时距ThW与碰撞时间倒数TTCi进行组合计算，构成危险感知系数，目前被广泛用于量化驾驶人对空间的危险感知程度.式中：ThW为车头时距，由相对距离除以后车速度获得；TTC为碰撞时间，由相对距离除以相对速度获得，TTCi表示TTC的倒数；A,b分别为参数线性加权的系数.2.2试验验证验证数据来源于快速路实车试验，试验设备包括带有横向加速度传感器和CAN总线的试验车、毫米波雷达等，数据结构包括自车的速度、加减速等运动信息及驾驶员操控数据、周围车辆的位置及交通状况数据.选取三种工况下的149组周围车辆数据进行参数有效性的计算和分析.三种工况包括：换道初期、车道保持、过渡状态.换道工况选择自由换道工况，换道开始时的数据，以保证得出驾驶人的正常换道行为特征；过渡状态工况是指驾驶人产生换道需求但由于目标车道后车速度过快或车距过近等原因等待换道时机的过程.表1给出了采用点二列相关分析两种空间感知参数与决策的相关性结果.可知，就本车道空间感知系数的量化方法，Rp的相关系数略高于RS，选择Rp作为本车道危险感知参量更为合适；对于目标车道的空间感知，RS的相关系数明显高于Rp，故选择RS作为换道可行性的表征参量.图3给出了换道初期和车道保持阶段量化参数的箱图.由图3（a）可知，换道阶段的速度期望系数均值小于车道保持阶段，且两阶段具有显著差异（sig=0.000<0.05），可以作为换道决策识别的指标之一；车道保持阶段的空间危险感知系数均值小于换道初期，同样存在显著的差异，如图3（b），可以作为换道决策识别的指标之一；图3（c）给出了换道可行性感知系数的箱图，由图可知换道初期和车道保持阶段的可行性系数均值接近，不具有显著差异；但过渡阶段的可行性感知系数与换道初期具有显著差异.模糊神经网络FNN采用Takagi-Sugeno模糊模型，网络结构如图4所示.网络输入量为速度期望满足度RV、危险感知参数Rp和换道可行性参数RS.神经网络为5层结构，分别是输入层、模糊化层、规则层、输出隶属函数层和输出层.速度期望满足度RV的模糊语言值有3个：S、C和F3条曲线；危险感知系数Rp 的模糊语言值有5个：VD、D、N、S、VS；换道可行性感知系数RS的模糊语言值有3个：D、N、S，共产生模糊规则45条.选择60组实车试验数据（车道保持与换道各30组）作为模糊神经网络的输入训练数据，选择15组数据作为检验样本.训练数据中，过渡工况为未实施换道的状态，将换道决策标定为车道保持.数据结构如表2所示.其中，3个输入量的训练前后的隶属度变化如图5所示.设定换道的输出值为1，车道保持的输出值为0，设切割阈值为0.5，当输出值≥0.5时，预测为换道，当输出值<0.5时，预测为车道保持.检验结果如图6所示.由图6可以看出，模糊神经网络的输出值与检验数据的实际值差异小，对决策结果的识别精度较高.将所有149组样本的数据代入训练好的模型，检验预测的准确性.从表3可知，总的预测准确率为89.93%.其中，预测特异度为90.48%，灵敏度为89.23%，虚警率为9.52%.为了比较模型的合理性，本文分别采用预警参数碰撞时间TTC1、TTC2作为输入参数的Bp神经网络预测模型和基于RV、Rp、RS三参数的Logistic模型对149组样本进行预测.Logistic模型的拟合公式见式（5），预测结果如表4所示.从预测结果及准确率可以看出，以RV、Rp、RS三参数作为输入的模糊神经网络模型优于其他两种方法.（1）分析了换道决策产生的机理，设计了换道决策的表征参量；采用实车试验数据，对空间危险感知和换道可行性感知的两种量化方法进行了相关性比较，对不同阶段的RV、Rp、RS进行了显著性检验.结果表明：对于本车道的空间危险感知，Rp的相关性高于RS；对于目标车道的换道可行性感知，RS的相关性高于Rp；换道初期和车道保持阶段的RV和Rp值存在显著差异，换道初期和过渡阶段的RS值存在显著差异.（2）建立了基于模糊神经网络的换道意图识别模型，给出了RV、Rp、RS三参数的隶属度函数，149组试验数据的识别结果显示，预测准确率达到89.93%，虚警率为9.52%；优于相同变量的logistic模型，以及以TTC为输入参数的Bp神经网络模型，验证了量化方法和识别模型的有效性.【相关文献】[1] Oliver N,pentland A p.Graphical models for driver behavior recognition in a SmartCar[C]// 2000 proceedings of the IEEE Intelligent Vehicles Symposium.2000:7-12.[2] Kuge,Yamamura T,Shimoyama O,et al.A driver behavior recognition method based on a driver model framework[J].SAE,2000-01-0349:1-8.[3] 彭金栓.基于视觉特性与车辆相对运动的驾驶人换道意图识别方法[D].西安：长安大学，2012. [pENG J S.Driver’s lane change intent identification based on visual characteristics and vehicles’relative movements[D].Xi'an：Chang’an University,2012.][4] Takuya MizushimA,pongsathorn Raksincharoensak, Masao Nagai.Directyaw-momentcontroladapted to driver behavior recognition[C]. SICE-ICASE International Joint Conference,2006：534-539.[5] 马勇，付锐，郭应时，等.基于实车试验的驾驶人换道行为多参数预测[J].长安大学学报（自然科学版），2014，34（5）：101-108.[MA Y,FU R,GUO Y S,et al. Multi-parameterprediction of driver's lane change behavior based on real-world driving tests[J].Journal of Chang'an University(Natural Science Edition),2014，34 （5）：101-108.][6] Van Leeuwen C J.Driver modeling and lane change maneuverprediction[D].Groningen: University of Groning,2010.[7] Kondoh T,Yamamura T,Kitazaki S,et al.Identification of visual cues and quantification of drivers'perception of proximity risk to the lead vehicle in car-followingsituations[J].Journal of Mechanical Systems for Transportation andLogistics,2008,1(2):170-180.。

车道分隔方式对驾驶换道行为的影响邓建华;冯焕焕【摘要】为探索不同车道分隔方式对驾驶换道行为的影响,在分析机动车驾驶换道决策机理与换道决策属性的基础上,改进双车道元胞自动机(STCA)的换道规则模型,提出了基于层次分析法(AHP)的多属性换道决策模型.在同向3车道上设置不同车道分隔方式,运行模型以获得每种分隔方式在不同空间占有率情况下的换道动机概率、换道成功概率分布规律.分析发现:平均换道动机概率直接与交通流内部状态属性有关,平均换道成功概率则由交通流内部状态属性与车道隔离方式共同决定;通过对不同分隔方式下的换道规律分析,表明模型能较好诠释不同车道分隔方式的交通管理法规涵义.该换道决策模型构造方法上具有同时处理多个外部决策属性的能力,具有较强的通用性.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2019(019)002【总页数】7页(P153-159)【关键词】智能交通;元胞自动机;多属性换道决策;层次分析法;车道分隔方式【作者】邓建华;冯焕焕【作者单位】苏州科技大学土木工程学院,江苏苏州215011;苏州科技大学土木工程学院,江苏苏州215011【正文语种】中文【中图分类】U4910 引言换道决策模型是多车道元胞自动机核心模型之一，自上世纪末Rickert等[1]提出具有换道功能的STCA(Symmetric Two-lane Cellular Automata)模型，许多学者一直在努力开发多车道换道模型，并获得许多成果.基于大量实测数据，Peter Hidas等[2]把机动车驾驶换道行为划分为自由换道、强制换道和协作换道3类，现有的元胞自动机多车道换道模型也可依此归类：如改进内部换道机制的自由换道类模型[3-5]，考虑外部换道影响因素的协作换道模型[6-7]与强制换道模型[8-9].邓建华等[10]在分析了影响驾驶员换道行为的交通流内外部因子的基础上，提出了基于换道决策机理的多车道元胞自动机模型，本文拟在此模型中引入层次分析法AHP(Analytic Hierarchy Process)以完善其对外部决策属性的处理能力.选取目前很少被涉及的车道分隔方式作为描述对象，运行改进后的模型，分析其对驾驶换道行为的影响规律，阐述AHP 引入多车道换道决策模型的合理性，验证改进方法的有效性.1 多车道元胞空间中车辆运行状态定义如图1 所示，t时刻，当前车辆CA[i,j]处于元胞单元[i,j](车头所处元胞单元)，对应道路实际纵向位置为xi，横向位置(车道)yj，其紧邻前后车辆的纵向位置表示为xn(n=la,sa,ra,lb,rb).图1 CA[i,j]与紧邻前后车辆位置关系Fig.1 Position relations of the CA[i,j]and adjacent vehicles“紧邻前车间距”表示当前车辆CA[i,j]车头与相应侧紧邻车道的紧邻前车车尾间的距离，“紧邻后车间距”表示当前车辆CA[i,j]车尾与相应侧紧邻车道的紧邻后车车头间的距离，分别表示为紧邻前车间距紧邻后车间距式中：ln、li分别表示紧邻前车、当前CA[i,j]的车身长度.假设t时刻，CA[i,j]速度为vi，紧邻车辆速度为vn，则：紧邻前车相对速度为紧邻后车相对速度为上述的车身长度、间隔距离与速度的单位为元胞个数，以下同.2 引入AHP的多属性换道决策模型2.1 决策模型要素具有换道动机的车辆需根据自身及紧邻车辆当前的运行状态、车流外部其他相关因子来共同决策具体换道目标，是一个典型多属性决策问题，该决策模型的4个基本要素构成如下：(1)决策单元.系统内任意车辆运行状态更新，就可能产生1次换道决策过程，即可看作一个基本决策单元.根据多车道换道决策机理[10]，基本决策单元决策过程如图2所示. 图2 换道决策单元Fig.2 Lane-change decision making unit(2)决策方案.产生换道动机的车辆在更进一步决策时，具有明确的3个可选决策方案，如图2所示.(3)决策结构.多车道换道决策结构表达了各要素之间的逻辑关系，为便于论述，本文拟采用单层准则体系结构，如图3所示.图3 换道决策层次结构Fig.3 The hierarchical structure of lane-changing decision(4)准则体系.准则体系是评价、排序备选方案的基础，为使决策单元尽可能多地处理交通流内外部决策属性，构建一个多属性换道准则体系是合适的.2.2 决策属性换道决策属于既有定性也有定量的混合型多属性决策问题，其中定量属性多数由车流内部状态属性构成，可称为交通流内部决策属性.2.2.1 交通流内部决策属性由Rickert等[1]提出的换道规则，结合多车道换道决策机理[10]，对多车道换道决策所涉及的决策属性进行分析.(1)换道动机.模拟人脑感知过程，换道动机是指没有具体换道决策目标的一种换道意愿.CA[i,j]产生换道动机还应与前后邻车的相对速度有关，STCA换道动机规则改进为式中：vi,hope为期望车速，为减少车流平均速度较高时的随意变道行为，取vi,hope=0.85vi,max以模拟实际交通饱和度较小时，车辆仍能在稍低于vmax的期望速度车道保持的现象；dn,i、Δvn,i 中n ≠sa.(2)安全条件.驾驶员换道决策时，还会考虑与前后邻车的相对速度，对STCA的安全条件改进为可知，模型所涉及的交通流内部最基本的决策属性有：式中：Dn,i、Di,n、ΔVn,i及ΔV i,n表示相应车间距与相对车速的决策属性值，即交通流内部决策属性为X={Dn,i,Di,n,ΔVn,i,ΔVi,n}.对于同向车道数大于2 的情况，处于中间车道，具有换道动机的车辆，在左侧、右侧车道换道条件同时满足的情况下，存在需根据决策属性确定具体往哪侧换道的问题，现有多车道换道模型常利用换道规则中的算法语句执行顺序，或设置换道概率的方法来处理，存在不能获得最佳换道决策方案的可能.基于此，建立多属性换道决策模型，从机制上解决上述问题为较好思路.2.2.2 交通流外部决策属性及车道分界标线属性赋值除交通流内部决策属性，驾驶员在行驶过程中还会感知一些影响换道决策的外部因素，即交通流外部决策属性，如道路线形、路面结构、驾驶习惯、超车规则及交通标线类型等.这类属性通常多为无法直接量化的定性属性.AHP 最早由美国运筹学家Saaty 于20 世纪70年代初提出，是一种能同时处理多种来源信息的综合决策方法,并以实用、简洁和鲁棒性等优点受到广泛重视[11].AHP 在分析过程中，通过构造层次结构和权重分析，可以将各属性上决策者定性的判断与定量的分析结合起来，整个过程合乎人的决策思维活动特征，特别适合用于处理换道决策这种既含定量又有定性决策属性的混合决策问题.为便于阐述AHP引入多车道换道决策模型的合理性，分析改进方法的有效性，在不损害模型结构完整性前提下，选择以同向3车道间设置的车道分隔方式作为建模与描述对象.车道分隔方式的5种设置情景如图4所示，图中最外侧实线表示道路边界线.按照AHP 中的主观赋权法对各情景下的换道约束涵义进行量化，如表1所示.图4 车道分隔方式Fig.4 Lane demarcation patterns2.3 基于AHP的多属性换道决策模型构建方法2.3.1 构建换道决策层次结构根据STCA换道规则的构建思想，取换道安全作为换道决策目标.因各准则的换道安全重要性评价方法复杂，这里假设模型中的五项准则安全重要程度相同.结合前面对决策模型要素的分析，构建换道决策层次结构如图3所示.表1 车道分隔方式属性值Table 1 Attribute values of the lane demarcation patterns序号12 3 45属性无标线虚线虚实线实线护栏换道约束涵义无约束弱约束虚线侧较弱约束实线侧较强约束强约束极强约束属性值1.0 0.8 0.6 0.4 0.2 0.0 2.3.2 构造准则层比较判断矩阵准则层比较判断矩阵元素由每条准则所对应属性值构成：决策单元的内部属性值，在元胞自动机模型运行时，跟随车辆运动状态的变化而更新；外部属性值由设置的车道分隔方式确定(表1).速度与间隔距离的单位都统一为元胞个数，在构造比较判断矩阵时，可先对内部属性矩阵归一化，然后叠加外部属性. 显然，X={Dn,i,Di,n,ΔVn,i,ΔVi,n}属性值越大换道愈安全，愈容易换道成功，与车道分隔方式属性值大小所表达对换道约束的强弱，具有涵义上的一致性.外部属性与内部属性权重可以通过专家赋权或驾驶员问卷调查获得，不影响模型结构，缺省设置为Wc={外部Wext=0.4,内部Wint=0.6}.2.3.3 方案层比较判断矩阵模型中设置不同权重来表达驾驶员采取对称换道或非对称换道的偏好，在实施实际项目时，可通过专家赋权或驾驶员问卷调查获得该值.不影响模型结构，缺省设置为Wp={左换道Wleft=0.3,车道保持Wstraight=0.4,右换道Wrigth=0.3}，其含义可理解为：当判断矩阵中各方案决策排序值相等时，驾驶员更愿意车道保持而选择直行；当判断矩阵中各方案决策排序值不相等，而需要换道时，驾驶员左换道与右换道的决策偏好相同，即采用对称换道规则.3 模型仿真与分析3.1 仿真参数设置把上述方法构建的换道决策模型引入改进的元胞自动机模型，使其具有基于AHP 的决策机制.为便于专注分析车道分隔方式对驾驶换道行为的影响,选取一种轻型车输入元胞空间：车身长5.5 m，等于10个元胞单位长(设单位元胞长0.55 m)；最大行驶车速为道路设计车速60 km/h=16.67 m/s，相当于1次(1 s)最大能更新30元胞长，即vmax=30.设元胞空间L=10 000个元胞长，横向3个元胞宽表示3个车道.设空间占有率用D(D ∈(0,1))表示为式中：lk为第k辆车的长度；m为元胞空间内的车辆数.设安全间距dn,safe=1，随机慢化概率0.05，运行模型100 000 s(设系统更新1次的真实时间为1 s)，分别记录5 种不同车道分隔方式在不同D值情景下，系统内产生换道动机事件、换道成功的次数.为过滤初始输入参数对输出数据稳定性的影响，取尾端3 600 s 输出数据进行统计，获得系统中各种情景下每辆车、每秒可能产生的平均换道动机概率与平均换道成功概率(单位为次数)，同时获得，分车道的交通流平均速度与流率.3.2 模型运行结果分析3.2.1 平均换道动机概率如前述，产生换道动机是指驾驶员具有换道意愿但尚未做出换道操作的决策状态.不同参数设置情景下的平均换道动机概率如图5所示.图5 平均换道动机概率Fig.5 Average lane-changing motivation probability 从图5可以看出：(1)当D值很小时，每种车道分隔方式下的换道意愿都较小，随着D值进一步增加使得车辆平均间距不断缩短，平均换道动机概率也将显著增加，D=(0.2,0.4)时，换道意愿较强烈；当D ＞0.4 且D →1.0时，进一步缩短的车辆平均间距使换道机会迅速减少，也导致驾驶员对行驶速度的期望不断降低，每种车道分隔方式下的换道意愿将逐渐趋向于零.(2)从换道机理角度分析，车道分隔方式并不直接影响换道动机的产生，而图5 中所示不同车道分隔方式下，同一D值所对应的平均换道动机概率都不同，说明车道分隔方式对车辆换道最终决策产生了相应的约束作用，且影响着车辆下一步的运行状态，从而引起平均换道动机概率的不同变化.3.2.2 平均换道成功概率分析换道成功是指当产生换道动机时，驾驶员做出最终换道决策，并实施换道驾驶操作的结果.平均换道成功概率如图6 所示，图7 为无标线、虚线两种情景下的平均换道动机与平均换道成功概率的对比情况.(1)从图6 看出，无标线与虚线分隔方式对具有换道动机驾驶员的换道约束比其他分隔方式弱，分别在D=(0.4,0.8)与D=(0.5,0.8)时，具有较大的平均换道成功概率.对比这两种情景，发现对应D值区间，无标线情景下的平均换道成功概率更大些，与所表达的换道约束涵义一致.图6 平均换道成功概率Fig.6 Average lane-changing success probability (2)从图7 看出，出现较大平均换道成功概率与平均换道动机概率的D值区间并不一致，对照图8 可以看出：0.20 ＜D ＜0.35(无标线)或0.45(虚线)时，部分具有换道动机的车辆因能保持接近于自由流速度运行，而没有采取换道策略,这与实际交通流中，驾驶员在车速较大时更愿意采取车道保持的安全驾驶策略情况类似.图7 平均换道动机(成功)概率Fig.7 Comparison of lane-changing motivation probability and success probability3.2.3 所有车道车流平均速度分析所有车道车流平均速度与空间占有率D的关系，如图8所示.图8 所有车道车流平均速度Fig.8 Average flow speed of all lanes(1)无标线分隔方式对换道决策约束最弱，导致车辆最易进入换道成功的D值区间，而换道干扰也使得车流易于进入平均车速下降区间；虚线分隔方式对早期换道动机事件作了适当约束，使得车流保持自由流速度状态的D值区间延展到约D=(0.00,0.45).(2) 在平均车速下降区间，虚线、无标线分隔方式下，频繁换道驾驶行为干扰了车流运行，车速下降梯度大，车速波动大；其他3 条曲线在速度下降区间值的大小关系说明合适的分隔方式有利于优化平均车速.(3)D=(0.8,1.0)时，随着换道动机趋于零，各种分隔方式都逐渐失去从外部约束车辆换道的作用.3.2.4 虚实线分隔方式下单车道平均速度与流率分析因对左右侧车道上的车辆换道约束不一致，虚实线设置情景会对标线两侧的交通流状态也产生不同影响.分别统计虚实标线两侧车道的平均速度、平均流率，如图9和图10所示.图9 单车道平均速度Fig.9 Average flow speed of one lane图10 单车道平均流率Fig.10 Average flow rate of one lane(1)从图9 看出，虚线侧单车道车流平均速度始终大于实线侧车道.(2)相对应的由图10看出，因虚线侧车辆被允许换道，当实线侧D值较小时，虚线侧车道有部分车辆换道实线侧行驶，使得实线侧D=(0.0,0.4)时的流率始终大于虚线侧的值，而当进入阻塞区以后，则虚线侧车道上流率比较大.上述分析的现象与现实中在高速立交或高架入口合流处设置虚实线时的实际交通运行状态相类似.4 结论基于换道决策机理，将STCA模型换道规则按照换道动机产生与多属性换道决策两个阶段进行改进，并详细论述了基于AHP 的多属性换道决策模型构造方法的合理性.为验证模型的有效性，以同向3车道交通流为仿真对象，选取车道分隔方式作为交通流外部换道决策属性，模拟运行模型，分别获得5种车道分隔方式、不同空间占有率条件下的输出结果.分析结果表明模型解释换道动机与多属性换道决策之间的逻辑关系清晰；该换道模型能响应不同车道分隔方式对驾驶员换道行为的影响，且影响规律反映与分隔方式要表达的管理法规意义具有一致性.模拟运行时虽仅考虑了单个交通流外部换道决策属性，但该模型结构完整且具有较好的扩展性.【相关文献】[1]RICKERT M, NAGEL K, SCHRECKENBERG M, et al.Two lane traffic simulations using celluar automata[J].Physica A Statistical Mechanics & Its Application,1996,231(4):534-550.[2]HIDAS P. Modelling vehicle interactions in microscopic simulation of merging and weaving[J]. Transportation Research Part C,2005,13(1):37-62.[3]LI X G, JIA B, GAO Z Y, et al. A realistic two-lane cellular automata traffic model considering aggressive lane-changing behavior of fast vehicle[J]. Physica A,2006(367):479-486.[4]王艳娜,周子力,王新伟.基于元胞自动机的模糊控制换道模型[J]. 计算机应用, 2007, 27(5): 1197-1200.[WANG Y N, ZHOU Z L, WANG X W. Lane changing model with fuzzy control based on cellular automata[J].Computer Applications,2007,27(5):1197-1200.][5]王永明,周磊山,吕永波.基于元胞自动机交通流模型的车辆换道规则[J]. 中国公路学报, 2008,21(1): 89-93. [WANG Y M, ZHOU L S, LU Y B. Lane changing rules based on cellular automaton traffic flow model[J].China Journal of Highway and Transport, 2008, 21(1):89-93.][6]JIA B,JIANG R,WU Q S,et al.Honk effect in the twolane cellular automation model for traffic flow[J].Physica A,2005(348):544-552.[7]刘小明,王秀英.基于信息交互的元胞自动机换道行为模型研究[J].计算机应用研究,2010,27(10):3826-3828. [LIU X M, WANG X Y. Study of vehicle lanechanging behavior model of cellular automata based on information interaction[J]. Application Research ofComputers,2010,27(10):3826-3828.][8]LV W,SONG W G,FANG Z M,et al.Modeling of lanechanging behaviour integrating with merging effect before a city road bottleneck[J]. Physica A, 2013, 392(20):5143-5153. [9]赵韩涛,毛宏燕.有应急车辆影响的多车道交通流元胞自动机模型[J]. 物理学报, 2013, 62(6): 53-60.[ZHAO H T, MAO H Y. Cellular automaton simulation of muti-lane traffic flow including emergency vehicle[J].Acta Phys.Sin,2013,62(6):53-60.][10]邓建华,冯焕焕.基于换道决策机理的多车道元胞自动机模型[J].交通运输系统工程与信息,2018,18(3): 68-73. [DENG J H, FENG H H. Multilane cellular automaton model based on the lane-changing mechanism[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(3):68-73.][11]PAULSON D, ZAHIR S. Consequences of uncertainty in the analytic hierarchy process:A simulation approach[J]. European Journal of Operational Research,1995,87(1):45-56.。