下载文档原格式
基于元胞自动机模型的快速路入口匝道交通流研究1慈玉生，裴玉龙，吴丽娜哈尔滨工业大学交通科学与工程学院(150090)email:ciyusheng1999@摘要：本文选取一维元胞自动机模型对城市快速路入口匝道连接段交通流进行数值模拟研究，通过设置合理的车道变换规则，分析了交通流量、汇入率等参数对入口匝道连接段交通所产生的影响。
研究表明当入流概率不大时，入流车辆对主线车流的影响较小；但当入流概率较大时，主线交通将受到严重干扰，尤其是在主线和匝道的来流车辆均较多时(入流概率大于0.5)，可能导致主线交通严重不畅。
关键词：元胞自动机 入口匝道连接段 车道变换 交通流1．引言城市快速路合流区加速车道上存在的车辆合流行为，往往导致主线交通流的紊乱，不但降低行车速度，而且易引发交通事故，从而成为快速路的“瓶颈”路段。
作为在一定服务水平下城市快速路完成各向交通量转换的载体，匝道是制约其交通功能发挥的关键部位之一。
目前，北京、上海等城市的快速路匝道部分已出现堵车现象，而随着交通量的持续增加，城市快速路匝道合流区行车问题会愈加严重。
分析原因，匝道驶入车流在有限的合流区范围内强迫进行车道交换，使得车流呈高度紊乱状态，造成该区域的实际通行能力大大降低。
频繁的进行车道变换和车辆之间的复杂作用，使得入口匝道连接段同交织区一起经常成为城市快速路的交通“瓶颈”。
入口匝道连接段的交通行为比较复杂，国内外学者对其进行了广泛的研究。
Lighthill和Whitham（1955年）提出了流体动力学模拟理论，并建立了流体动力学模型。
Banks（1990年）研究认为匝道连接段产生排队的区域是中间车道以及入口匝道[1]。
Cassidy和Bertini（1999年）研究了匝道区域的车道变换行为，并以此分析认为瓶颈路段会延伸到入口匝道下游一定距离[2]。
Peter Hidas（2002年）介绍了一种微观交通网络仿真模型，并针对受迫流和自由流两种情况下的车道变换行为进行分析，该模型表明由于高速公路的合流段通行能力有限而存在某些缺陷[3]。
基于元胞自动机的流量模拟与交通优化研究摘要：随着城市交通流量的持续增长，交通拥堵已经成为现代城市面临的严重问题之一。
为了有效地解决交通拥堵问题并提高道路交通效率，本文采用基于元胞自动机的流量模拟与交通优化方法。
通过构建交通网络模型和交通流模型，本研究对不同的路网布局、交通信号控制策略等进行了模拟与实验，并通过优化策略对交通流进行调控，以提高道路通行能力和降低拥堵现象。
1. 引言交通拥堵问题严重影响着城市的发展和居民的生活质量。
在传统的交通规划中，设计者通常依赖于经验和静态的模型进行评估，然而这种方法无法全面考虑不同车辆的动态行为对交通流量的影响。
为了更准确地模拟和预测交通流量，研究者开始利用元胞自动机来建立交通流模型。
2. 基于元胞自动机的交通流模型元胞自动机是一种用于模拟复杂系统的计算模型。
在交通领域中，每个元胞代表一个车辆，通过定义元胞的状态和规则，可以模拟车辆在道路网络中的行驶。
2.1 元胞状态每个元胞可以有不同的状态，包括空闲、占据、等待等。
空闲状态表示道路上没有车辆，占据状态表示道路上有车辆占据，等待状态表示车辆需要等待。
2.2 元胞规则元胞的规则确定了车辆如何根据当前状态和周围环境进行决策。
规则包括车辆的加速、减速、换道等。
3. 数据采集与分析为了模拟真实交通情况，本研究通过车载传感器、交通摄像头、GPS等设备采集了大量的交通数据，包括车流量、速度、车道交叉等信息。
通过数据分析和处理，可以得到交通网络的结构和交通流量的特征。
4. 路网布局与交通信号控制策略优化本研究通过构建不同的路网布局，并设计不同的交通信号控制策略，对交通流模型进行模拟与实验。
通过对比不同策略下的交通流量、车辆等待时间等指标，可以确定最优的路网布局和交通信号控制策略，以提高交通效率并减少拥堵。
5. 交通流调控优化策略为了进一步提高道路通行能力并减少拥堵，本研究提出了交通流调控优化策略。
通过改变交通信号控制的周期、绿灯时长等参数，可以调整交通流的分布和流量，并通过元胞自动机模型进行实验验证。
第12期2023年6月无线互联科技Wireless Internet TechnologyNo.12June,2023作者简介:陈晓静(1983 ),女,江苏宿迁人,高级工程师,硕士;研究方向:交通信息工程㊂高速公路交通流状态的元胞自动机模型仿真与推演陈晓静(江苏长天智远交通科技有限公司,江苏南京210019)摘要:文章提出了一个新的元胞自动机模型即AD 模型㊂该模型最主要的改进在于车辆的减速方式更加合理㊂本研究使用SUMO 进行微观交通仿真㊂文章假设了3种可能的下游场景,包括车道封闭㊁限流瓶颈和限速瓶颈,并使用AD 模型㊁IDM 模型和SUMO 默认的Krauss 模型分别进行分析㊂结果表明在限速瓶颈场景下,使用AD 模型可以得到最好的仿真效果㊂这一成果对未来的高速公路交通流管控工作具有重要的参考价值㊂关键词:元胞自动机模型;高速公路交通流;微观仿真;SUMO 中图分类号:U4㊀㊀文献标志码:A0㊀引言㊀㊀元胞自动机(Cellular Automata,CA)模型具有进化规则灵活㊁计算效率高的优点,是研究复杂系统行为的一个重要理论框架,已被广泛应用于各个领域[1]㊂在交通领域中,很多学者通过建立交通模型去描述和解释非平衡相变[2]㊁自组织临界性㊁亚稳态区域和同步交通等非线性现象[3-4]㊂传统的交通研究方法无法准确解释上述各类非线性现象及其特性㊂相比之下,元胞自动机非常适合于描述非线性现象[5]㊂因此,近年来越来越多的学者开始使用元胞自动机模型进行交通流模拟,包括高速公路[6]和城市道路[7]等㊂本文提出了一种新的元胞自动机模型,在合理设置车辆减速方式和参数的基础上,实现了更好的模拟效果,能够用于微观仿真中的高速公路交通流运行态势分析和管控措施研究㊂1㊀元胞自动机模型规则㊀㊀自从1992年Nagel 和Schreckenberg 提出了著名的NS 模型[8]之后,这一领域的学者先后提出了很多元胞自动机模型,但它们都存在着各自的缺点㊂其中比较集中的一点是,对车辆减速过程的描述往往过于粗糙㊂例如:NS 模型中不论车辆大小如何,都可以在一个更新时间步(通常为1s)直接减速到0㊂这样虽然可以避免碰撞,但很容易产生过大的㊁异常的减速度㊂故本文提出了一种新的元胞自动机模型,即期望减速度(Anticipated Deceleration,AD)模型㊂具体规则为:(1)计算前车的虚拟速度:vᶄn -1=MIN{v m -1,MAX{0,V anti (AD ,gap n -1)-1},v n -1};(2)确定性的加速或减速运动:v n =MIN{v n +A n ,v m }㊀㊀㊀如果(1-r )v n +rB (v n ,AD )<gap n +vᶄn -1V anti (AD ,gap n +vᶄn -1)反之ìîíïïï(3)随机慢化:v n =MAX{v n -1,0},触发概率为p;(4)位置更新:x n (t +1)=x n (t )+v n (t );其中x n 表示第n 辆车的位置,v n 表示第n 辆车的速度,A n 表示第n 辆车的加速度,gap n 表示第n 辆车的间距,括号里的t 和t +1表示时刻,模拟时间间隔为1s㊂关于模型的具体含义,需要解释的是:(1)将格点设置为1格=1m,认为1辆车的长度为8格=8m,加速时的加速度则为1m /s 2㊂(2)因为现实中车辆的减速能力有限,所以本模型引入了AD 模型㊂在某一AD 值作用下,车辆不能在瞬间减速到0,如果速度为ν,在离散化的元胞自动机模型中假设m =int(v /|AD |),那么这辆车的刹车距离B 是ν和AD 的函数:B (v ,AD )=v +(v +AD )+(v +2AD )+...+(v +mAD )=(2v +mAD )(m +1)/2由于元胞自动机模型是离散模型,减速发生在运动之前,并且AD 不一定是整数,所以此处减速距离并不等于v 2/(2AD )㊂此时车辆的减速方式不再是直接减速至与车头间距相同(v n =gap n ),而是通过寻找能满足条件B (v ,AD )ɤgap 的最大速度值来实现,记为v n =V anti (AD ,gap n )㊂具体方法是逐个试验ν,ν-1, ,类似于穷举㊂和基于NS 规则的模型相比,在AD 模型中,当车辆接近前方的慢车时,它会采用更大的减速度刹车㊂这样就降低了在未来某时刻忽然采用过大减速度的可能性,同时这一机理也促进了同步流的稳定形成㊂另外,当密度不断增加时,车辆速度会下降,此时AD 模型的减速规则会越来越接近NS 模型㊂(3)为了体现后车对前车运动状态的即时反应,前车的虚拟速度效应也在AD 模型中有应用㊂和前人模型的区别是,将前人使用的vᶄn -1=MIN{v m -1,MAX{0,gap n -1-1},v n -1}改变为:vᶄn -1=MIN{v m -1,MAX{0,V anti (AD ,gap n -1)-1},v n -1}(4)此处考虑两种不同的驾驶策略,一种偏保守,另一种偏激进,且前者的比例为r ,后者的比例为1-r ㊂r =1则演化为保守模型,r =0演化为激进模型㊂此处r 的含义非常接近于一些跟驰模型中的侵略性参数㊂(5)关于参数取值,通常取随机慢化概率p =0.1,保守车辆比例r =0,Vm =32m /s (对应大约120km /h)㊂而AD 取值可以根据具体需要调整,本文统一取值为-4m /s 2㊂2㊀交通流数据特征㊀㊀本文的仿真研究区域是润扬大桥北侧㊁扬溧高速与沪陕高速交会处的路段㊂由南向北的车流从桩号为K3+315的地点A 开始运动,经过桩号为K0+795的地点B 之后,可以分别从地点C(桩号K0+350)和地点D(桩号K0+310)的立交驶出㊂这4个地点均安装有监像头㊂在2022年9月30日,即国庆放假前一天,这一路段在下午出现了较长时间的交通拥堵,并影响到了道路上游区域,因此本文选择这一场景进行微观交通仿真研究㊂具体的交通流量通过自行开发的视频检测程序提取,其基础框架为YOLO V5+Deepsort,可以确保较高的精度㊂其中,地点B 统计车辆驶离高速公路主线前的流量;地点C 统计车辆从汊河枢纽驶入高速前的流量;地点D 统计车辆从汊河枢纽驶入高速后的流量㊂4个地点的交通流量统计结果如图1所示,时间为下午4点40到晚上6点,包括以1min 为间隔和以10min 为间隔的结果,数值单位全部换算为辆/h /车道,均为2或3个车道的平均结果㊂由于摄像头转动,导致5点40以后K0+310处的数据难以采集㊂从图2可以看到,除K0+350之外,其余地点的流量变化幅度较大㊂K0+350的流量明显小于上游K0+795处,可推测这一带拥堵严重,从而积压了大量车辆㊂而K0+310的流量有所恢复,主要原因是有较多车辆通过D 点立交进入主线㊂图1㊀4个地点的流量统计结果3 微观交通仿真和评价3.1㊀仿真配置㊀㊀从监控视频和流量统计结果可以看到,在K0+ 350和K0+310下游一带,出现了严重的拥堵,本文用3种不同的手段对这一拥堵场景进行仿真,具体包括:(1)场景A:车道封闭㊂假设在K0+310下游(图2中的路段1)发生特殊事件(例如:交通事故),导致左车道临时关闭,具体影响长度为20m,并于20min 后恢复通行㊂(2)场景B:设置限流瓶颈㊂假设在K0+310下游有一个限流瓶颈,每一辆车在瓶颈处(图2中的路段1下游2km)都要停车10s,这一设置的原理类似于收费站㊂(3)场景C:设置限速瓶颈㊂假设在K0+310下游路段2的限速降为40km/h,从而造成拥堵效果㊂本文使用的微观仿真交通软件是SUMO㊂它是一种开源㊁微观㊁多模态的交通仿真软件[9],自带有很多跟驰模型和换道模型,并且可以利用TraCI接口,用Python和C++语言实现模型二次开发㊂在仿真区域内设置如下3种车辆行驶路径,并按照实际流量赋值:(1)驶离高速公路主线:A->B->C;(2)驶入高速公路主线:C->D;(3)完整通过仿真区域:A->B->C->D㊂仿真时间段为T=3100s,其中前100s没有任何车辆输入,用于清空道路㊂车辆从第101s开始进入道路,按照实地采集的10min统计数据输入车辆,具体结果如表1所示㊂表1㊀仿真流量配置实际时间仿真时间/s A->B->C->D A ->B->C(驶离高速)C->D (驶入高速)左中右左中右4:40PM101~7001571638761117170 4:50PM701~130020821010261117192 5:00PM1301~190017720910661117136 5:10PM1901~25001381627461117152 5:20PM2501~31001121047161117174㊀㊀本文共使用3种跟驰模型进行仿真㊂除前文所述的AD模型外,还使用了SUMO默认的Krauss模型[10]和交通流领域常用的IDM模型[11]进行对比㊂由于AD模型不是SUMO内置的模型,需要单独进行外部配置才能加载到SUMO的代码库中,具体步骤包括:编写名称标签㊁编写相关参数的声明㊁设置默认值㊁调整构造函数,然后使用Visual Studio进行自动编译㊂3.2㊀仿真结果评价㊀㊀分析场景A的仿真结果,如图2所示,包括K0+ 310处左右车道的平均流量和平均速度曲线㊂可以看到在车道封闭的20min内,车辆到达K0+310时减速非常明显,尤其是左车道㊂而在封闭解除后,两个车道的交通状态都会迅速恢复,流量和速度都和车道封闭时存在巨大的差异㊂相比之下,实际交通数据的流量波动较小(图中黑色曲线),前后不存在显著差异㊂总而言之,3种模型的仿真结果都和实际交通状态不太一致,意味着场景A的配置可能与现实交通不吻合㊂分析场景B的结果,如图3所示㊂可以看到此时3个模型的结果差异并不大,均在1000s左右开始形成严重的拥堵㊂和实际交通数据相比,模拟结果的波动始终更大,3个模型的流量均下降至很低,说明即便是短暂的停车,也会对整个系统产生很大的影响㊂这意味着场景B的配置也可能与现实交通不太吻合㊂分析场景C的结果㊂从图4可以清楚地看到,此时的仿真平均流量明显和实际交通数据更为接近,两个车道的吻合程度均超过了场景A和B㊂在定量层面,IDM模型的仿真结果波动性较强,而Krauss模型和AD模型的结果比较稳定,值得进一步研究和对比㊂为了定量评估各场景下模型的表现,参照公式(1)㊁(2)计算仿真结果稳定段数据值和实测数据值的均方根误差(Root Mean Square Error,RMSE)以及平均绝对百分比误差(Mean Absolute Percentage Error,MAPE):RMSE=1mðm i=1(h(x i)-y i)2(1) MAPE=1mðm i=1h(x i)-y i y i(2)图2㊀场景A的仿真结果对比㊀㊀其中,i为第i个数据;m为总数据量;h(x i)为数据i对应的仿真结果;y i为数据i对应的实际值㊂此时计算结果如表2所示,不同场景和模型的MAPE和RMSE 结果各不相同㊂为统一起见,此处主要使用MAPE结果进行仿真效果评价㊂就仿真场景而言,场景C的3种模型平均仿真结果相对最好,MAPE的平均值为25.9%㊂就跟驰模型而言,AD模型在3种场景里的仿真结果最好,MAPE的平均值为62.8%㊂而场景C+AD 模型具有最好的仿真结果,MAPE的平均值仅有16.0%㊂这说明本场景最佳的仿真方案是假设路段1限速40km/h,并使用AD模型㊂这体现出元胞自动机模型在高速公路交通流仿真中具备了一定的优势㊂图3㊀场景B的仿真结果对比图4㊀场景C的仿真结果对比表2㊀不同模型下各场景误差计算场景模型车道时间范围/s MAPE RMSE场景A KraussADIDM左车道1050~2220130.3%328.1右车道1080~222044.7%646.1左车道1050~2220118.9%322.0右车道1080~222040.7%542.1左车道1200~242027.7%316.0右车道1200~242044.3%217.3场景B KraussADIDM左车道1080~3000191.2%440.7右车道1050~300033.1%208.7左车道1080~300099.1%475.1右车道1050~300086.2%427.4左车道1180~320028.6%187.0右车道1180~3200204.2%473.2场景C KraussADIDM左车道780~300022.2%189.3右车道780~300012.3%112.3左车道780~300018.3%151.6右车道780~300013.6%126.2左车道880~310061.2%946.5右车道880~310027.9%338.44 结语㊀㊀本文提出了一个新的元胞自动机模型,即AD模型㊂和前人模型相比,最主要的改进在于车辆的减速方式更加合理㊂接着简要分析了润扬大桥北侧路段在拥堵时段的交通流特征,在采集监控摄像头视频数据的基础上,使用SUMO进行了微观交通仿真,并使用AD模型㊁IDM模型和SUMO默认的Krauss模型在车道封闭㊁限流瓶颈和限速瓶颈3个场景下分别进行分析㊂结果表明在限速瓶颈场景下,使用AD模型可以得到最好的仿真效果㊂这一成果对未来的高速公路交通流管控工作具有重要的参考价值㊂参考文献[1]黎夏,叶嘉安.基于神经网络的元胞自动机及模拟复杂土地利用系统[J].地理研究,2005(1): 19-27.[2]KERNER B S,REHBORN H.Experimental properties of phase transitions in traffic flow[J]. Physical Review Letters,1997(20):4030-4033. [3]KERNER B S,KONHUSER P.Cluster effect in initially homogeneous traffic flow[J].Physical Review E,1993(4):2335-2338.[4]雷丽,薛郁,戴世强.交通流的一维元胞自动机敏感驾驶模型[J].物理学报,2003(9):2121-2126. [5]HELBING D,HENNECKE A,SHVETSOV V,et al. MASTER:Macroscopic traffic simulation based on a gas-kinetic,non-local traffic model[J].Transportation Research Part B,2001(2):183-211.[6]KNOSPE W,SANTEN L,SCHADSCHNEIDER A, et al.Towards a realistic microscopic description of highway traffic[EB/OL].(2000-11-24)[2023-07-07].https:///usercenter/paper/ show?paperid=ce8512ad8eca4645c77ed80dc06a07 bc&site=xueshu_se.[7]JIN C J,WANG W,JIANG R.Cellular automaton simulations of a T-shaped unsignalised intersection with refined configurations[J].Transportmetrica A,2014 (10):273-283.[8]NAGEL K,SCHRECKENBERG M.A cellular automaton model for freeway traffic[J].Journal De Physique I,1992(12):2221-2229.[9]LOPEZ P A,BEHRISCH M,BIEKER-WALZ L, et al.Microscopic traffic simulation using SUMO[C]. Maui:IEEE Intelligent Transportation Systems Conference(ITSC),2018.[10]KRAUßS,WAGNER P,GAWRON C.Metastable states in a microscopic model of traffic flow[J]. Physical Review E,1997(55):5597-5602. [11]TREIBER M,KESTING A,THIEMANN C. Traffic flow dynamics:data,models and simulation [M].Berlin:Springer,2013.(编辑㊀王永超)Simulation and deduction of cellular automata model for highway traffic flow stateChen XiaojingITSSKY Technology Co. Ltd. Nanjing210019 ChinaAbstract This paper proposes a new cellular automaton model namely AD model.The main improvement of the model is that the vehicle deceleration mode is more reasonable.The microscopic traffic simulation was performed using SUMO.Three possible downstream scenarios were assumed including lane closure flow-limiting bottleneck and rate -limiting bottlenecks and analyzed separately using the AD model the IDM model and the default Krauss model of SUMO.The results show that the best simulation results can be obtained using the AD model in the rate-limiting bottleneck scenario.This achievement has an important reference value for the future expressway traffic flow control work.Key words cell automaton model highway traffic flow micro-simulation SUMO。
融合多源信息的元胞自动机交通流模型随着城市化进程的不断发展和交通流量的快速增长，如何合理优化城市交通系统成为了亟待解决的问题。
为了解决交通流量管理中遇到的挑战，研究人员开始使用元胞自动机交通流模型作为一种有效的工具。
元胞自动机交通流模型结合了多源信息，并能够对城市道路网络中的交通流进行模拟和预测。
本文将重点介绍融合多源信息的元胞自动机交通流模型，并详细分析其优势和应用前景。
一、元胞自动机交通流模型简介元胞自动机交通流模型是一种基于交通流动的个体自动行为的模拟方法。
它将整个道路网络划分为多个元胞，每个元胞代表一个交通单元，如车辆或行人等。
通过定义元胞之间的规则和交互方式，模型可以刻画城市道路系统中的交通流动情况。
元胞自动机交通流模型使用自动机理论和网络拓扑结构相结合的方法，具有模拟真实交通行为的优势。
二、多源信息融合的意义和方法多源信息的融合对于提高交通流模型的准确度和预测能力至关重要。
常见的多源信息包括道路网络拓扑结构、车辆速度、交通信号灯状态、道路岔口等。
通过合理融合这些信息，可以更好地模拟城市交通流动的实际情况。
在元胞自动机交通流模型中，多源信息融合的方法主要包括以下几种：数据融合、模型融合和参数融合。
数据融合是将来自不同数据源的交通数据进行处理和整合，以获取全面准确的信息。
模型融合是将不同类型的交通模型进行整合，并基于多种模型的结果进行预测和优化。
参数融合是将不同参数的评估结果进行整合，以获取更加全面和准确的评估结果。
三、融合多源信息的元胞自动机交通流模型的优势融合多源信息的元胞自动机交通流模型相比传统模型具有以下优势：1. 准确性提高：多源信息的融合使得模型更加贴近真实交通情况，模拟结果更准确可靠。
2. 鲁棒性增强：多源信息的融合使得模型对于数据噪声和不确定性具有更好的适应和鲁棒性。
3. 预测能力增强：多源信息的融合使得模型在预测和优化交通流方面具有更高的准确性和可信度。
四、融合多源信息的元胞自动机交通流模型的应用前景融合多源信息的元胞自动机交通流模型在城市交通系统优化和管理中具有广阔的应用前景。
文章编号：1000-4750(2021)02-0187-11基于元胞自动机微观模拟的随机车流与桥梁耦合振动数值研究周军勇，苏建旭，齐 飒(广州大学土木工程学院，广东，广州 510006)摘 要：将经典车桥耦合振动理论与最新提出的多轴单元胞自动机(MSCA)微观车流荷载模拟方法进行融合，形成了一种精细化的随机车流与桥梁耦合振动数值分析方法。
介绍了该研究所采用的车桥耦合振动理论及模型；提出了MSCA 实现车桥动力分析的思路和方法，并进行了程序开发；通过具有实测时程动态挠度的工程算例，验证MSCA 实现车桥耦合动力分析的准确性；将MSCA 用于随机车流激励下某斜拉桥的动力效应分析中，论证基于MSCA 的随机车流与桥梁耦合振动分析程序的可靠性。
研究结果表明：工程算例很好地证明了该文所提方法和模型在进行车桥耦合分析的准确性，最大误差仅为11.6%；斜拉桥在随机车流作用下的静力与动力时程挠度分析显示，两者具有很好的一致性，随着路面粗糙度等级提升两者差异更加显著，说明了该模型和方法在开展随机车流与桥梁耦合振动分析的可靠性。
该研究进一步拓展了MSCA 在随机车流激励下分析桥梁各类动态响应的能力，为该方法程序在实桥监测与评估的应用提供了基础。
关键词：桥梁工程；车桥耦合；随机车流模拟；多轴单元胞自动机；数值分析中图分类号：U441+.2 文献标志码：A doi: 10.6052/j.issn.1000-4750.2020.04.0239NUMERICAL INVESTIGATION ON RANDOM TRAFFIC-BRIDGE COUPLED VIBRATION USING CELLULAR AUTOMATON-BASED MICROSCOPIC SIMULATIONZHOU Jun-yong , SU Jian-xu , QI Sa(College of Civil Engineering, Guangzhou University, Guangdong, Guangzhou 510006, China)Abstract: A numerical delicacy method for random traffic-bridge coupled vibration analysis is proposed.Incorporating the classical vehicle-bridge interaction theory, it is a newly established multi-axle single-cell cellular automaton (MSCA)-based microscopic traffic load simulation approach. The utilized equations and models in the classical vehicle-bridge interaction theory are introduced. The concepts and routes of the realization of MSCA for vehicle-bridge coupled dynamic analysis are proposed, and the relevant code program is developed.An engineering example with measured time-history dynamic deflections is utilized to verify the accuracy of the vehicle-bridge interaction analysis by MSCA. MSCA is used to analyze the dynamic load effects of a cable-stayed bridge under the excitation of random traffic loads, to demonstrate the reliability of the proposed approach. The results indicate that MSCA has good accuracy in vehicle-bridge coupling analysis. The maximum error in the engineering example is 11.6%. The static and dynamic time-history deflections of the cable-stayed bridge under random traffic loads show that they have good consistency, and the difference between them becomes more significant along with the increase in the pavement roughness grade. These prove the reliability of the proposed model and method in the random traffic-bridge coupled vibration analysis. This study forwards MSCA's ability to收稿日期：2020-04-19；修改日期：2020-07-29基金项目：国家自然科学基金项目(51808148)；广东省自然科学基金项目(2019A1515010701)；广州市科技计划项目(201904010188)通讯作者：周军勇(1990−)，男，江西人，讲师，博士，主要从事桥梁工程研究(E-mail: ***************.cn ).作者简介：苏建旭(1994−)，男，广东人，硕士生，主要从事桥梁工程研究(E-mail: ****************);齐 飒 (1994−)，女，河南人，硕士生，主要从事桥梁工程研究(E-mail: ***************).第 38 卷第 2 期Vol.38 No.2工 程 力 学2021年2 月Feb.2021ENGINEERING MECHANICS187analyze various types of dynamic load effects of bridges under the excitation of random traffic flow, which provides more applications of MSCA in monitoring and evaluation of real bridges.Key words: bridge engineering; vehicle-bridge interaction; random traffic simulation; multi-axle single-cell cellular automaton; numerical investigation车桥耦合振动特性是桥梁在移动车辆荷载作用下结构响应行为的重要表征，不仅可以揭示桥梁结构参数、力学行为和损伤特性[1]，还能反演移动车辆荷载特性[2]，是桥梁工程领域一直以来的研究热点[3 − 4]。
专利名称：基于元胞传输模型的动态拥堵收费最优费率计算方法
专利类型：发明专利
发明人：刘志远,王路濛,程启秀,俞俊
申请号：CN201810418436.0
申请日：20180504
公开号：CN108830401A
公开日：
20181116
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于元胞传输模型的动态拥堵收费最优费率计算方法，本发明提出的基于元胞传输模型的动态拥堵收费最优费率计算方法相比于已有的算法，更加公平有效，得出的最优费率使整个路网的时间消耗最小；本发明中采用的基于路径的元胞传输模型与原始的元胞传输模型相比，拥有无需计算元胞等待时间等优点，使得计算更加简便高效，当本发明应用在较大的城市区域中时，可以大幅节省整个路网系统的总出行时间。
申请人：东南大学
地址：211189 江苏省南京市江宁区东南大学路2号
国籍：CN
代理机构：南京苏高专利商标事务所(普通合伙)
代理人：王安琪
更多信息请下载全文后查看。
一种可变车长的元胞自动机交通流模型作者：应新洋何超杰周国兵来源：《科学导报·学术》2020年第40期摘;要：在一维元胞自动机交通模型NaSch的基础上，提出了一种改变车辆长度来模拟混合交通流的元胞自动机交通流模型，模型考虑了交通流中大小车混合情况，并引入了车长、元胞尺寸、车辆安全间距等概念，通过元胞长度来设置不同的车辆长度，从而模拟交通流。
数值模拟表明：这种可变车长的CA模型能更好的模拟实际交通情况的一般特征;不同车长的混合交通流时，大车对交通流量有一定的影响，混合密度越大对交通流的影响越大。
关键词：元胞自动机;可变车长;交通流1 引言随着经济和社會的发展，城市规模不断扩大，车辆保有量不断增加，交通出行问题越来越突出，并受到特别关注。
交通问题的研究和解决成为城市发展过程中必须解决和改善的问题，研究交通问题，建设智能交通系统，尤其是实现交通流量的模拟、分析、控制、诱导具有现实的背景和意义。
交通系统本质上是一个离散的复杂系统，具备很多非线性的特征，而元胞自动机动力学模型本质上也是离散的，它通过比较简略的微观规则来反映宏观交通现象，在描述实际交通现象时具有独特的优势，通过研究元胞自动机的理论并将其应用到城市交通的流量分析和控制中具有重要的意义和实际应用价值。
交通流的非线性、复杂性和离散性与元胞自动机的特性相符合，因此国内外学者将元胞自动机模型广泛应用于交通流的研究。
2元胞自动机交通流模型[1-3]元胞自动机，简称CA，物理学中指在离散的状态下，将元胞在元胞空间内，运用合理的、局部的规则，进行演化展示的一种动力学系统，其中元胞和时间都是离散有限的。
元胞自动机主要构成部分：元胞、元胞空间、邻居和演化规则。
随着元胞自动机应用推广，交通流的模拟和应用成为最主要的应用场景之一。
1986年，Wolfram提出了最初的元胞自动机交通流模型CA184号规则，1992年Nagel和Schreck Enberg在CA184号模型的基础上，提出了一维元胞自动机的NaSch模型，模型中所有的车辆都被统一设置成一个元胞长度，考虑了车辆的加速、减速、随机延迟和车辆位置的更新，较好的模拟了车辆的实际情况，得到了广泛应用。
细胞自动机模型在城市交通流建模中的应用细胞自动机模型(Cellular Automata Model)是一种基于格点的离散动力学系统，具有广泛的应用，如生物学、化学、物理和城市规划等领域。
在城市交通流建模中，细胞自动机模型同样可以起到重要的作用。
细胞自动机模型最早由美国数学家冯诺依曼所提出，其基本思想是通过对一组有规律的“细胞”的状态进行离散化建模，并通过一些简单的规则进行演化，从而模拟出整个系统的演化过程。
城市交通流通常被认为是一个复杂的非线性系统，由许多相互作用的因素和驾驶员的行为所影响。
传统的交通模型中，一般采用连续方程模型或微观模拟模型来描述交通流。
但是这些模型往往存在一定的缺陷，如计算量大、计算精度不够高等。
相比之下，细胞自动机模型有自身的优势和特点，如能够直观地表示交通流的动态演化过程和车辆的运行轨迹等。
同时，细胞自动机模型还能够考虑各种因素的相互作用，如道路情况、车辆密度等。
通过对模型参数的调整和修改，可以比较准确地预测城市交通流的拥堵情况和拥堵时长等。
在具体的城市交通流建模中，需要结合实际的交通数据和现场的实际情况，进行模型的校正和验证。
通过模拟分析和实际的统计分析，可以较好地对城市交通流进行模拟和预测，并找到更有效地解决拥堵和瓶颈问题的方法和措施。
除了对城市交通流的模拟和预测，细胞自动机模型还可以应用于其他领域。
例如，可以用于模拟物理系统中的相变和晶体生长等现象，或用于分析生物化学系统中的分子动力学等问题。
总之，细胞自动机模型是一种灵活、高效、直观的模拟方法，可以帮助我们更好地理解系统的动态特性和相互作用，为实际的应用提供有力的支撑和指导。
当然，在具体应用的过程中，需要更多地结合实际的数据和现场的细节，才能得到更准确地结果和更有效地结论。
