元胞自动机交通流模型 共34页

元胞自动机的产生元胞自动机（CA）的概念最早在20世纪50年代由冯•诺依曼提出，主要用于模拟生命系统的自复制功能，而其真正得到广泛关注则是在Conway于1970年提出生命游戏之后，随后CA 被广泛用于各个领域。

一方面元胞自动机的演化行为十分丰富，理论上可以模拟任何复杂的行为，另一方面元胞自动机模型足够简单，方便对复杂系统的本质特征进行研究。

元胞自动机（CA）具有强大的空间模拟能力，这类简单的模型够能十分方便地模拟和预测复杂的现象或动态演化过程中的吸引力、自组织和混沌现象。

因此目前CA被广泛应用于模拟各种物理系统和自然现象，如流体流动、星系形成、雪崩、交通流模拟、并行计算及地震等。

CA的核心是如何定义局部规则，用CA来模拟一个物理过程的优点在于省去了用微分方程作为过渡，而直接通过制定转换规则来模拟非线性物理现象。

在这些实际应用中，CA模型通过简单的微观局部规则揭示了自然发生的宏观行为，是目前研究时空离散的理想物理模型，在研究复杂系统方面被认为是一种最有效的工具之一。

元胞自动机起源于20世纪40年代，“现代计算机之父” 冯.诺伊曼设计可自我复制的自动机时，参照了生物现象的自繁殖原理，提出了元胞自动机的概念和模型。

它是一时间和空间都离散的动力系统，散步在规则格网中的每一元胞取有限的离散状态，遵循同样的作用规则，依据确定的局部规则同步更新，大量元胞通过简单的相互作用而构成动态系统的演化，不同于一般的动力学模型，元胞自动机不是由严格定义的物理方程定义的物理方程或函数确定，而是用一系列模型构造的规则构成。

凡是满足这些规则的模型都可以算作是元胞自动机模型20世纪70年代，Con way编制的“生命游戏”是最著名的元胞自动机模型，显示了元胞自动机在模拟复杂性系统的无穷潜力。

引起了物理、数学、生物、计算机、地理等领域专家的兴趣，“生命游戏”被认为是元胞自动机研究的真正开始。

20世纪80年代是元胞自动机理论的大发展时期。

可变步长的元胞自动机智能决策疏散模型的仿真研究张艳芳;赵宜宾;张丽娟;曾文艺【摘要】将基于模糊推理的方向选择模型和通道吸引力模型,与疏散时间模型等模块进行组合,构建了基于元胞自动机的智能决策模型.在对疏散过程的描述中引入有效通道密度概念,以使密度数值能够直观反映疏散过程各个时段通道的拥挤情况,并通过对个体变步长行进方式的执行,实现对复杂疏散行为更为合理的描述.利用变步长智能决策模型对大型超市疏散过程进行描述,仿真过程能够对个体疏散路线,通道和出口密度变化等疏散特征直观表现,对疏散时间等仿真数据分析表明模型是有效的.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2014(036)002【总页数】7页(P92-98)【关键词】元胞自动机;变步长;疏散模型;模拟仿真【作者】张艳芳;赵宜宾;张丽娟;曾文艺【作者单位】防灾科技学院基础部,北京065201;防灾科技学院基础部,北京065201;防灾科技学院基础部,北京065201;北京师范大学信息科学与技术学院,北京100875【正文语种】中文【中图分类】TP391.41元胞自动机[1](Cellular Automata,简称CA)的概念是由Von Neumann在1966年提出来的.由于其是一种时空离散的局部动力学模型，比较适用于空间和时间复杂的系统的动态模拟研究，从而被广泛应用于交通流[2]等多个领域.如果将模糊逻辑引入到经典的元胞自动机中，建立具有模糊规则的模糊元胞自动机(Fuzzy cellular automaton 简称FCA)可以解决实际问题中的信息模糊和条件不确定的问题.因此研究者对模糊元胞自动机进行了深入理论研究,如[3～5]，研究了FCA和CA的关系.FCA模型也被广泛应用于城市发展[6]、疾病预防[7]、交通流[8] 等各个领域.在人口密集场所中当突发事件发生时，积极有效的人员疏散是最大限度地减少生命财产损失的核心问题.利用元胞自动机研究疏散仿真问题是一个重要方向[9～11]，若结合元胞自动机和智能体两者优势,将元胞看作是一个智能体,理论上对疏散过程的描述将更加贴近真实情形:[12]利用智能体疏散模型对不同移动速度人员疏散情况进行了研究;[13]通过引入健康度的概念来研究火灾环境下不同速度人员的疏散情况;[14]借助规则处理和数值演算相结合的方法来控制智能体的行为特性,对疏散过程的整体特性与个体行为进行了综合研究;谢积鉴等[5]研究了行人博弈对疏散效率的影响,模拟了不同行人密度,出口宽度下疏散总时间受到的影响.上述基于智能体的疏散模型对智能体在信息处理和决策过程方面的研究还不是很系统.本文将在[16，17]的研究工作基础上,通过建立基于模糊推理的通道吸引力模型和方向选择模型,来构建模拟人员疏散的智能决策模型.文中引入有效疏散密度的概念及算法,以更直观表现疏散通道的拥挤程度. 现有疏散模型元胞的移动步长都是一个单元格长度,这与真实疏散过程有很大偏差,本文将采用变步长的元胞移动方式来更真实地反映疏散情景.进一步,本文将对变步长情况通道和出口处的密度变化,以及疏散时间进行系统研究,通过仿真和数据分析来验证模型的有效性.1 变步长的元胞自动机智能决策疏散模型元胞自动机(CA) 模型是定义在一个由具有离散、有限状态的元胞组成的元胞空间上，并按照一定的局部规则，在离散的时间维上演化的动力学系统，具有空间离散性与齐性、时间离散性、状态离散和有限性、同步性等基本特征.这里的空间是一个二维平面，按照均匀的网格划分，每个网格占据的空间为0.5 m×0.5 m.每个网格或被障碍物占据，或被人员占据，或为空.CA模型的更新规则是:第i个元胞在t+1时刻的状态由其自身及邻居在t时刻的状态共同决定. 本文元胞邻居用摩尔(Moore)型定义，与此相对应的,元胞的移动方向将有如图1所示的8个方向.下文将详细阐述通过基于模糊推理的通道吸引力模型、方向选择模型和疏散时间模型构建人员疏散的智能决策模型过程.1.1 基于模糊推理的疏散通道吸引力模型在大型公共场所中,都设有专用的疏散通道,通道上标有指示疏散方向标识,如果疏散人员对所处环境不熟悉,则在疏散路线的选择上会优先考虑疏散通道.如果周围有多条疏散通道,则疏散人员会根据所处位置到通道距离和通道上人员密度综合考虑选择哪条通道.考虑获取信息的模糊性,本文建立基于模糊推理的疏散通道吸引力模型. 智能体cell(i,j)在第k个方向对应的疏散通道吸引力pa_attraction{i,j}(k)按如下原则计算:距离通道近,且通道比较宽,人员密度小,则选择可能性大.为此取通道固有特征指数和通道上人员密度做为确定通道吸引力的两个因素.取智能体的第k个方向距最近通道距离为1d，通道宽度为cw,则第k个方向通道固有特征指数pa_feature(k)=1d/cw，将其8个方向对应特征归一化后仍记为pa_feature(k)(1,2,…,8).将特征指数分为三个模糊集PF={low,middle,high}={数值小，数值中，数值大}.隶属函数为梯型和三角形(如图2所示).在智能体的第k个方向对应最近通道上取以智能体所在行(列)为对称轴,长为7个元胞,宽为疏通宽度ch_w的区域, 计算通道密度为pa_density(k)=Np/7×ch_w,(k=1,2,…，8),其中Np表示对应区域上人员总数.将通道密度分成三个模糊集PD={low,middle,high}={数值小，数值中，数值大}.隶属函数为梯型(如图3所示).将第k(k=1,2,…，8)个方向上距智能体cell(i,j)最近的通道对其吸引力pa_attraction{i,j}(k)(作为输出)划分成5个模糊集,分别是P={NB,NM,ZO,PM,PB}={负大,负中,零,正大,正中},取模糊集隶属函数为梯形和三角形(如图4所示).构建推理规则表如表1所示,可完成第k个方向通道对智能体吸引力pa_attraction{i,j}(k)(k=1,2,…,8)的计算.表1 模糊推理规则表Tab.1 Table of the fuzzy reference ruleslowmiddlehighlowPBPMZOmiddlePMZONMhighZONMNB1.2 智能决策的方向选择模型[17]对环境熟悉的智能体在方向决策的时候主要考虑所处位置到门口的距离和选择方向上障碍物的密度两个因素,根据获取的信息具有模糊性的特点,本文沿用[17]构建的以距出口距离、目标方向密度为输入,以第k个方向移动可能性move_probability(k),(k=1,2,…，8)为输出的模糊推理模型.同时沿用[17]中的路线参考因子rout_factor来实现智能体的避障行为；沿用方向参考因子direction_factor使智能体保持路线选择方向的一致性.基于上述工作,可得智能体cekk(i,j)对第k个方向的选择可能性的计算公式如下:choice_vector{i,j}(k)=move_probability(k)×route_factor×direction_factor. (1)1.3 个体移动的速度与时间模型本文沿用[17]的速度模型:其速度大小的计算公式为:(2)其中V0=1.25 m/s，D表示视野范围内人员和障碍物密度.按每个元胞对应0.5m×0.5 m的空间划分,本文智能体每次移动步长step_length可为0.5 m或1 m.进而个体的每个时间步耗时为step_length/V s,疏散时间计算方法如下:(1) 由公式(2)计算个体疏散速度;(2) 计算疏散个体每一步实际耗时ti.该个体实际疏散时间其中n为疏散个体的个数;(3) 最终的疏散时间T=max {Ti,i=1,2,…,n}.1.4 智能决策疏散模型算法设计为了体现疏散出口对人员的吸引,本文引入出口影响因子exit_factor,其取值规则为：在距出口一定距离范围内,若第k个方向距出口的距离比现位置不远,则exit_factor(k)=1,否则exit_facto r(k)=0,(1,2,…,8).为了体现不同元胞对于同一位置的竞争能力不同,本文引入个体竞争力CP,其依然考虑身体强壮程度和等待次数两方面因素,按如下公式计算:(3)其中等待次数waite_time在下文的实例中最大取值为5;疏散人员体力值physical_strength∈{1.5,1.25,1}，分别表示体力强,中,弱;D为两相邻元胞距离,当目标元胞与现在元胞处在同一行(列)时,D=1,否则距离调节因子下文实例取reg_factor=0.8.下面通过对模型算法的描述详细阐述采用模块化结构构建变步长智能决策疏散模型的思路:步骤1：计算智能体(元胞)cell(i,j)对移动位置的选择可能性.如果人员对环境熟悉,则1.2节的方向选择模型choice_vector{i,j}(k),(k=1,2,…,8);当人员对环境不熟悉时,其头脑中对自己的先进路线及所处位置虽不及对环境熟悉的人,但还是有一定的感知的.所以当疏散人员对环境不熟悉时,则用1.1通道吸引力模型ch_grvitation{i,j}对上述模型进行修正,即choice_vector{i,j}(k)=β×choice_vector{i,j}(k)+(1-β)×ch_grvitation{i,j}(k)，k=1,2,…,8,其中β越大,表示对通道吸引力依赖越小,本文取β=0.3;如果智能体到达门口附近一定范围(本文设定距门口距离5 m以内),再用出口影响因子exit_factor 对方向选择可能性修正,即choice_vector{i,j}(k)=choice_vector{i,j}(k)×exit_factor(k)，k=1,2, (8)(4)步骤2：选择移动位置.计算智能体对周围邻居选择可能性choice_vector{i,j}(k)的最大值为cv_max及其对应的网格位置.若cv_max=0,则智能体不动;若cv_max>0,且与选择位置在同一直线上的下一个网格为空,则智能体对下一网格的选择可能性为cv_max*α,其中α为调节因子,表示个体对目标位置选择可能性随距离增加而减小,下文的仿真实例中取α=0.7,通过上述选择策略,本文可以实现人员在疏散过程中每次移动一步或两步的变速过程.当多个智能体选择同一位置格作为移动目标时,计算个体竞争力CP,竞争力大的移动,若多个智能体个体竞争力相同,则从中随机地选择一个移动到目标位置;其他人员再按上述规则选择各自邻居中的次优网格作为移动目标;若所有可选择的方向均不能作为目标位置,则智能体等待.步骤3：按照步骤2中每个智能体选择的目标位置,所有智能体同时移动,同时按照1.3的时间模型记录所有智能体的疏散时间、疏散速度等疏散过程数据.步骤4：重复上述过程直到所有智能体全部疏散完毕.2 基于变步长智能决策模型的大型超市疏散过程仿真及结果分析我们以大型仓贮超市为背景对疏散过程模拟仿真,对疏散现象进行更细致的研究.设定超市的长80 m,宽60 m,主疏散通道为3.5 m宽,其他通道大部分在1.5～2 m宽,紧急疏散通道上设有引导线,紧急出口有4个,宽度分别为3.5 m和3 m.对超市的平面空间进行均匀的网格划分,每个网格对应0.5 m×0.5 m的空间.每个时间步,每个网格可能被障碍物或智能体占有,也可能为空.对于不同体力的人员本文用三角形和圆点表示,其中对环境熟悉与不熟悉的人各占50%,每个人员所处位置在紧急疏散前随机确定.图5表示人员总数为1 100人的初始化疏散环境.应用第2节构建的疏散模型及算法,在matlab软件平台上对疏散过程进行模拟仿真.下方首先说明变步长疏散的合理性，然后利用模型对疏散过程仿真的数据来对疏散通道和出口人员密度随人数和时间的变化进行描述,通过合理的情景再现和数据分析表明模型的有效性与可行性.(1) 由于真实疏散环境中个体的行进本身是变步长,这样才使得疏散开始时个体快速向出口聚集,在出口疏散能力有限的情况下导致拥挤,使疏散时间变长.而固定步长的决策模型对上述现象不能很好地反映.在仿真人数为1 100人时,图6给出了第80时间步时固定步长(左图)和变步长(右图)模型的仿真结果对比，能够直观表现这一现象.从图6中左右出口疏散情况对比还可以看出,出口的障碍物形状及大小对于出口拥挤人群的形状会产生很大的影响,当出口没有障碍物或其尺寸较小时,人群的整体形状才会呈半圆形,否则会出现其他形状,这也与实际情况吻合.(2) 现有文献中对于疏散通道密度的计算基本上都是通过通道上现有个体数量与通道上能够容纳最大个体数量的比值来描述,此数字特征的大小并不能够完全反映通道真实的拥挤程度,比如疏散后期,虽然个体数量总和较小,但由于人员都集中于出口,所以对疏散影响还是比较大,但按现有计算方法得到的数字特征值很小.为此,本文引入有效通道疏散密度概念,其计算方法如下:如果通道上某一元胞周围一定范围(本文取2.5 m)内有行人,则此元胞被定义为有效元胞,有效通道疏散密度的数值由通道上个体总数与有效元胞总数的比值确定.有效通道疏散密度数值可以直观反映通道上个体的拥挤情况,图7给出不同人数的疏散中，通道密度随时间的变化曲线.从图中可以看出当人数大于800人时,疏散后期有效通道密度明显高于疏散中期(有效通道密度相对稳定的时期),表明当人数大于800人时,疏散后期会在出口处出现人员大量拥堵情况.(3) 由于大型公共场所疏散过程中的拥堵主要发生在出口,因此对各个出口的拥堵情况的分析可以为紧急疏散预案的制定提供很有价值的参考,图8给出了疏散环境中从左边开始的出口1到出口4在不同人数下的疏散情况对比.其中出口处人员密度这一数字特征是通过以出口为中心,以r(本文r=5 m)为半径的半圆内人员总数与这一范围内空格总数相除得到.从数据分析可得,如果不加任何疏散指示条件,个体根据自己判断选择方向,则出口1和出口4疏散过程持续时间最长.但由于出口1的障碍物尺寸较小,且没有隔离墙阻碍行人,所以人员聚集较快,高密度持续时间比较长.由于在选择出口4时,部分行人要绕过隔离墙,所以人员聚集速度不会太快,同时由于出口障碍物特点决定绝大部分行人不会选择沿靠墙的窄通道出去,所以出口密度不会太大,这有利于保持疏散速度.出口2和出口3疏散过程持续时间比较短,说明这两个出口的疏散能力没有得到充分利用,如果在疏散过程中加入疏散指示信息,充分利用这些空余的疏散能力,将会极大提高疏散效率.以上的数据分析结果将可为超市货柜摆放,应急疏散预案制定提供重要参考,以利于真正发生灾害时人员的快速疏散.(4) 大型公共场所的最佳容纳人数的确定对于控制灾害发生时的损失具有重要意义,图9给出了本文疏散环境下疏散时间(单位:s)随人数的变化趋势.由于曲线在人数为800时,疏散时间的变化率增加很快,表明此点是此疏散环境拥堵与否的分界点.当疏散人数从800增加到1 100人时,疏散时间从103.4 s提高到150.8 s,即疏散人数增加37.5%情况下,疏散时间增加了45.8%,表明超过分界点时,拥堵会变得很严重,导致疏散时间快速增加,则灾害发生时损失会大大增加.所以本超市的最佳容量是800人.上述分析表明本文所构建的变步长智能决策疏散模型,通过在个体行进步长和决策过程的模糊化两方面对已建模型的改进,使其对给定疏散环境下的紧急疏散过程的描述更加合理,同时模型的模拟仿真数据还可为大型公共场所的细节设计及相应紧急疏散预案的制定提供有价值的参考信息.3 结论与讨论在[17]的智能方向选择模型基础上,考虑真实的疏散过程中个体的行进是变速的,而且方向决策是完全智能化的,为此构建了可变步长的智能决策模型.此模型中个体方向决策的主要参考因素全部模糊化,以模糊推理机做为信息处理工具,模拟人脑的决策过程,以使对疏散过程的描述更加合理.考虑到疏散模型主要通过对疏散过程的描述来收集疏散信息,以达到为相关应急预案的制定提供有价值的参考的目的,所以引入了有效通道密度的概念,使决策者通过有效的通道密度的数值能够对疏散过程中各个阶段的拥挤情况有比较直观的了解,以使制定的应急预案在执行过程中更加有效.我们下一步将利用已建模型从两个方面对疏散过程进行深入研究:其一加入疏散指示信息,来对疏散过程进行控制,通过增加参考因素在对各种情况下的疏散过程进行仿真研究;其二,将疏散空间扩展到对立体空间,构建相应的模型,来描述楼房类建筑的疏散过程.参考文献[1] JOHN V N,ARTHUR W B.Theory of self-reproducingautomata[M].Urbana and London:University of Illinois Press,1966.[2] EZ-ZAHRAOUY H,JETTO K,BENYOUSSEF A.The effect of mixture lengths of vehicles on the traffic flow behaviour in one-dimensional ellular automaton[J].The European Physical Journal B,2004,40:111-117.[3] HEATHER B,PAOLA F.On the relationship between boolean and fuzzy cellular automata[J].Electronic Notes in Theoretical Computer Science,2009,252:5-21.[4] HEATHER B,PAOLA F.On the asymptotic behavior of fuzzy cellular automata[J].Electronic Notes in Theoretical Computer Science,2009,252:23-40.[5] CATTANEO G,FLOCCHINI P,MAURI G,et al. Cellular automata in fuzzy backgrounds[J].Physica D,1997,105:105-120.[6] YAN L,STUART R P.Modelling urban development with cellular automata incorporating fuzzy-set approaches[J].Computers, Environment and Urban Systems,2003,27:637-658.[7] JAFELICE R M, BECHARA B F Z,BARROS L C,et al.Cellular automata with fuzzy parameters in microscopic study of positive HIV individuals[J]. Mathematical and Computer Modelling,2009,50:32-44.[8] 张笑梅. 基于元胞自动机和模糊推理的交通流模型研究[D].大连：大连理工大学,2013.[9] 葛红霞,祝会兵,戴世强. 智能交通系统的元胞自动机交通流模型[J].物理学报,2005,10:4 621-4 626.[10] LI Z,YANG S B, LIU J, et al. Information based evacuation experimentand its cellular automaton simulation[J].International Journal of Modern Physics C, 2009,20(10): 1 583-1 596.[11] KAZUHIRO Y, SATOSHI K, KATSUHIRO N. Simulation for pedestrian dynamics by real-coded cellular[J]. Physics A, 2007,379: 654-660.[12] 翁文国,袁宏永,范维澄.一种基于移动机器人行为的人员疏散的元胞自动机模型[J].科学通报,2006,51(23):2 818-2 822.[13] 吕春杉,翁文国,杨锐,等.基于运动模式和元胞自动机的火灾环境下人员疏散模型[J].清华大学学报(自然科学版),2007,47(12):2 163-2 167.[14] 史健勇,任爱珠.基于智能体的大型公共建筑人员火灾疏散模型研究[J].系统仿真学报,2008,20(20):5 677-5 699.[15] 谢积鉴. 薛郁通过博弈的室内行人疏散动力学研究[J].物理学报，2012, 61(19): 194 502.[16] 赵宜宾,黄猛,张鹤翔.基于元胞自动机的多出口人员疏散模型的研究[J].系统工程学报,2012,27(4):439-445.[17] 赵宜宾,刘艳艳,张梅东,等.基于模糊元胞自动机的多出口人员疏散模型[J].自然灾害学报,2013,22(2):13-20.。

拥挤快速路交织区的SUMO仿真及换车道模型优化买买提江·吐尔逊;买买提明·艾尼【摘要】城市快速路交织区内拥挤的交通流特性与普通快速路设施不同,强烈的换道需求和复杂时变的路况影响驾驶员的判断.对拥挤的交织区的交通仿真需要根据研究区域拥挤交通流的特点正确选择跟驰模型和换车道模型,操作方法上要求正确处理减速区域和冲突区域路权分配规则.本文讨论拥挤交织区交通仿真模型的建立和优化方法,在SUMO微观交通仿真平台建立了一段快速路立交桥上的交织区域的仿真模型.根据该交织区的交通流特点对仿真平台所用的换车道模型进行了优化设计,开发了模型参数的自动化校正程序对仿真参数进行了校正.%Traffic stream characteristics in over saturated weaving sections between closely spaced ramps on urban expressway are different from which on general freeway facilities because of rigid demand to lane change and complex traffic behavior of vehicles.When simulating weaving area traffic it is needed to carefully select car following model and lane changing model based on area traffic characteristics and the method to handle right of way rules in deceleration area and conflict area should be designed in appropriate manner from operational point of view.In this paper simulation models of oversaturated weaving sections and optimization methods were discussed and a simulation model of an interchange weaving section were built using SUMO simulation platform.Original SUMO lane change model was optimized and automatic model validation software was developed.【期刊名称】《新疆大学学报（自然科学版）》【年(卷),期】2018(035)001【总页数】6页(P96-101)【关键词】SUMO;交织区;交通仿真;换车道模型【作者】买买提江·吐尔逊;买买提明·艾尼【作者单位】新疆大学机械工程学院,新疆乌鲁木齐830047;新疆大学机械工程学院,新疆乌鲁木齐830047【正文语种】中文【中图分类】U491.20 引言城市快速路立交桥上的交织区存在交通流的合流点和分流点，如果交织区长度过小容易形成组合式的匝道，即入口匝道延伸的加速车道同时也是出口匝道前端的减速车道．组合式匝道上车辆进入交织运行状态，车辆间复杂而频繁的交互使分析和管理交织区内的交通流特点增加了难度．随着商业化的微观交通仿真软件的普及，基于仿真模型的研究方法越来越多，而所有仿真模型都需要标定众多参数并对仿真结果进行验证．美国通行能力手册HCM2010[1]只提供了非拥挤条件下（V/C比小于1或服务水平未达到F级别）计算交织区交织车辆与非交织车辆的空间平均速度的经验回归公式，但没有提供拥挤状态下的服务水平、密度或空间平均速度的计算方法，只是建议借助解析分析工具FREEVAL或商业的交通仿真软件来进行评价．随着交通仿真模型的日益成熟，利用微观仿真软件进行交织区车辆的运行分析成为了主要的研究手段．狄宣等[2]使用元胞自动机模型来仿真了快速路交织区中交织车辆的跟车和换车道行为，引入了“冒险系数”来表达驾驶员的驾车习惯并通过模型的标定成功模拟了一段交织区车流速度，但是在模型中没有考虑换车道行为的影响．杨晓光等[3]根据交织区内的换车道特性利用多智能体建模的方法引入了换道冲突的协商机制建立了TESS模型，在最近的研究中孙剑等[4]提出适合城市快速路交织区运行特征的新通行能力估计模型并与HCM2010中交织区通行能力回归模型和理论模型进行了对比分析．Fred Hall等[5]利用六个城市的速度数据对拥挤的高速公路设施的评价步骤进行了验证．他们发现拥挤的高速公路设施对参数非常敏感，对同一模型来说通行能力或随机种子数的很小改变都会引起结果很大的变化，还发现跟车敏感系数．换车道行为的冒犯性和主线交通量的大小对微观仿真结果影响最大．Pesti等[6]用Vissim仿真一段A型交织区，指出Vissim中车辆的速度比现实中获得的速度数据要大，需要将建模区域延伸到入口匝道和出口匝道并考虑排队的传播特性．交通仿真能否正确模拟现实的交通状况取决于仿真模型，除了跟驰模型和换车道模型的研究深度，从操作方法上对冲突区域的描述、路权的分配、路经决策信息的获取方式等对仿真结果有重大影响．基于交通仿真模型的研究需要对模型参数进行标定才能更好的仿真实际的交通状况．Gomes等[7]对一段拥挤的高速公路建立了Vissim仿真模型并进行了验证．验证中利用的参数有平均停车距离、最小安全车头时距等驾驶行为参数，而每次循环中手动进行了参数的调整．卢守峰[8]等利用Excel VBA将Vissim与MATLAB进行集成构建了仿真平台，而孙剑等[9]利用Vissim提供的COM接口和Visual Basic语言开发仿真校正程序实现了Vissim参数的自动化校正．本研究中利用德国宇航中心（DLR）开发的开放源代码的微观的交通仿真平台SUMO对一段拥挤的城市快速路交织区进行了仿真并在Linux环境下开发了自动校正程序对模型参数进行了校正．较详细的介绍了SUMO提供的换车道模型，在此基础上对实测交通调查数据进行了分析并对平台提供的换车道模型进行了优化设计．1 拥挤快速路交织区内车辆的运行特征拥挤的交织区内车辆跟驰和换车道的需求并存，车头间距和横、纵向空间变小，车辆的运行特征有别于普通道路和自由流状态下的交通．通过对目标交织区的现场实验和摄像分析，结合目前为止国内外学者的有关实验研究结论，可以总结交织区的交通流具有以下特点：（1）车辆在有限的长度内进行交织运行，直行车道和交织车道上的车速差别大，不同车道之间需要完成换车道所需的距离和时间不同．（2）为避免别的车辆加塞，在排队行使过程驾驶员倾向于缩小反映时间，暂时选择更小的安全车头间距[10]36．（3）跟车距离较近，驾驶员由于大型/厢式货车和贴有不透明车窗膜的相同车型视线受阻不能观察当前车道和两侧车道前方的道路情况，只能通过观察两侧车辆的移动来判断前方的交通情况，如果换道需求强烈只能向其它车辆驾驶员求助．（4）入口匝道上的交通属于震荡拥挤交通流（oscillating congested traffic），自由流到拥挤流的变化过程中车头时距逐渐变大，直到适应前车的驾驶风格[11]．不同车辆之间动力性能的不同，驾驶员熟练程度不同，也会加剧这种震荡．（5）车辆的换道需求是刚性需求，必须在交织区范围内完成．如果多个车换道需求发生冲突就会出现死锁（deadlock）现象．现实中的死锁现象会通过驾驶员之间的协作甚至利用对向车道空间的方法来解决，不会因为不能完成换车道而在原方向上继续行驶的情况发生．（6）驾驶员的换车道模式延交织区域的长度发生变化[10]40，大部分换车道行为发生在交织区的前段[3]，需要进行多次换车道的驾驶员在第一次变换车道时的行为更具冒险性．2 SUMO仿真模型及参数2.1 跟驰模型SUMO已经实现的跟驰模型有Krauss模型和它的改进模型、考虑驾驶员记忆效应的智能驾驶员模型IDMM(Intelligent driver model with memory ef f ect)，Wiedemann模型和Daniel Krajzewicz模型等．每一种模型都有各自的优点，从不同侧面研究了车辆之间的相互影响，也有大量的应用案例，可根据具体的问题采用合适的跟驰模型来最佳程度的模拟车辆的跟驰行为．SUMO软件默认的Krauss 模型引入了驾驶员不熟练程度的概念，即车辆最终的速度不是动力学模型算出来的速度，而是驾驶员根据经验从安全速度和最高车速之间进行选择的结果．IDMM模型在原IDM模型的基础上引入了驾驶员记忆效应的概念，更适合仿真快速路匝道和主线汇合区的交通流的仿真[11]．每一种跟驰模型都有相应的参数，通过命令行或配置文件传递给仿真过程的主要有：最高加速度，最高减速度，驾驶员不熟练程度，驾驶员反映时间，最小安全车头间距，加速度指数，每秒仿真步数等．2.2 换车道模型SUMO已经实现的换车道模型有Daniel Krajzewicz开发的换车道模型DK2008，在DK2008模型基础上优化的模型LC2013（默认）和子车道模型（Sublane-Model model）[12]．LC2013模型在路网中通过计算有效路径来完成车道选择过程．每一次循环中计算车辆所在的车道和周围的车道（bestLanes,目标车道和需要穿过的车道）上不需要换车道的情况下能行使的距离、所有这些车道的占有率和当前路段上有效车道索引中离最佳车道的偏移值（bestLaneOf f set）作为参考．换道需要的最短距离计算公式为：其中dlc(t)为t时刻最短换道距离；v(t)是车辆在t时刻的速度；α1,α2是比例系数；L是车辆的长度．计算当前位置到车道终点的距离时考虑了车辆前方所有有效车道上的车辆的长度，因此换车道的车辆会排在已经存在的排队后方，不会插队．SUMO换车道模型将换车道行为根据换道目的分为4种类型：（1）战略性变换车道(strategic lane changing)：车辆需要换车道以便行驶到自己路径上的下一个路段当前行驶的车道没有连接到目标路段的路径时产生需求．（2）协议性变换车道(cooperative lane changing)：为帮助别的车辆正常行驶而进行的换车道行为．行驶过程中车辆可能阻挡了后方的车辆正常行驶或阻碍了前方车辆变换车道（比如占用了超车道），此时如果其它车辆提出请求，车辆即便没有战略性换车道需求也要调整速度或变换车道以帮助别的车辆．调整速度的行为规则根据阻碍的类型不同而不同，具体为：其中Vaccel(t)是车辆加速后的速度（m/s）;Vdecel(t)是减速后的车速（m/s）. （3）战术性变换车道(Tactical lane changing)：以获得更高的速度为目的进行的换车道行为，当前放有别的慢速车辆阻挡的时候产生需求．每次循环中对每个邻近车道的利益参数的值进行计算并累加到一个代表驾驶员换车道愿望的参数speedGainProbability，当参数speedGainProbability的值超过一个阈值时战术性变换车道的需求就会产生．（4）基于法规的变换车道（Regulatory lane-changing）：一般交通法规规定车辆超车用左侧车道（右行规则），车辆利用左侧车道完成超车需要返回原来的车道时产生此种需求．变换车道行为的执行参考一个参数keepRightProbability，而此参数值的计算考虑超车完成所需要的时间、超车道上的速度限制和换车道需求的强烈程度．以上4种目的的换车道需求通过一个流程进行比较来决定是否执行相应的换车道行为．此流程可简单的表示为：a.战略性变换车道需求强烈—试图执行战略型换车道；b.换车道会产生紧急情况—不执行换车道（属于战略性换车道决策）；c.车辆从后方阻碍了一个有战略性换车道需求的车辆—试图执行协议性换车道；d.参数speedGainProbability的值大于阈值—试图执行战术性换车道；e.参数keepRightProbability的值大于阈值—-试图执行基于法规的变换车道；SUMO仿真平台提供的LC2013换车道模型可设置的参数如表1所示．表1 LC2013换车道模型可设置参数参数定义取值范围默认值lcStrategic 战略性变换车道行为意愿的参数，值越大，越早进行变换车道[0-无穷大] 1 lcCooperative 采取协作性换车道行为意愿的参数，值越小，采取协作性换车道得概率就低[0-1] 1 lcSpeedGain 以获得更高速度为目的进行换车道行为意愿的参数，值越大，换车道次数越多[0-无穷大] 1 lcKeepRight 遵循靠右行驶的交通法规意愿的参数，值越大，越早向右侧车道变道以便腾空左侧超车道[0-无穷大] 1除了以上参数以外，SUMO还引入了一个影响驾驶员激烈驾驶行为的参数“不耐心率(impatience)”，指驾驶员在行使过程中干扰优先级为更高的车队列的可能性．SUMO在交叉口的路权计算中和在换车道行为换车道间隙计算中用到该参数．2.3 对换车道模型的修改根据本研究选定的研究区域内的交通调查数据，对驾驶行为进行分析并对原模型进行优化设计：（1）换车道行为以协作型换车道行为主，且在换车道行为中周围车辆针对换道车辆做出的调整速度行为有一定延迟可能是因为驾驶员对周围突发的换道请求需要一定的时间反映，考虑自身需求甚至是换道车辆的‘态度’再决定何时做出反应．因此在LC2013换道模型的协作型换车道决策中引入协作型换车道等待时间Tcooperate，每一次执行换车道之前等待Tcooperate时刻．（2）在原模型定义中驾驶员不耐心率的计算公式为:其中Ibase为驾驶员的不耐心率（常数），Twait是车辆在排队中的等待（速度小于0.1m/s）时间，Tteleport定义了车辆在紧急停车位置等待车道变换空间出现的最长时间（默认300秒），超过此时间车辆就会被移到当前路径后方的位置（Teleport）．在观测中发现大部分的换车道行为属于战略性换车道和协作性换车道，影响驾驶员在换车道过程中是否采取激烈驾驶行为的是与交织区终点之间的距离[3]，与等待的时间长度没有明显的关系．因此在协议性换车道间隙的计算中将定义改为虽然可以说明排队时间的长度对驾驶员的心理有影响，但此种心理与模型中定义的激烈的、冒险性的驾驶行为之间的关系需要进一步的明确．在Linux平台下对原程序MSVehicle.cpp和MSLink.cpp程序中的计算协议性换车道过程代码中进行修改并重新编译．3 实验区域和仿真参数的选择本研究分别选乌鲁木齐市广汇立交桥上由西向东方向入口和出口匝道之间的交织区和珠江路立交桥下南向北方向出口匝道与主路的汇入区作为实验区．广汇立交桥和珠江路立交桥是典型的苜蓿叶式全互通立交桥．广汇立交桥上层为南外环路高架桥，下层为河滩快速路及其辅道，交织区长度只有78m，高峰期容易出现严重的交通拥堵．交织区采用了物力隔离直行车道和交织车道的方法避免了交织车辆对直行车辆的影响．立交桥两侧设有人行道，为观测和摄像工作提供了方便．珠江路立交桥最近完成了扩建，桥下南向北出口匝道上车流量多，与主路的汇入区域没有加速车道，匝道车辆对主路的车流干扰比较明显．本次实验中取晚高峰5：30-5：40之间10 min内的交通流数据．根据现场观测，确定各参数的取值范围如表2所示．观察中区分换道目的比较困难，主要依赖反复观看视频判断车辆的最终路径来进行．根据观测结果将参数lcSpeedGain和lcKeepRight的值取为0,即交织区域内车辆的换道需求类型为战略性需求和协作性需求．这可能是因为国内的驾驶员对上述“基于法规的变换车道”意识不够，另一方面因在高峰期有交警在现场值勤以及有限的空间影响了以获得更好速度为目的的战术型换车道需求．仿真中选用IDMM模型作为跟车模型．广汇立交桥交织区交织区卫星图和SUMO仿真界面如图1和图2所示，图3是珠江路立交桥下匝道与主路连接区域的仿真界面．表2 SUMO仿真换车道参数参数本实例中取值范围默认值最小车头间距(m) 1-3 2.5加速度指数 1-6 4 lcCooperative 0-1 1 lcStrategic 0-5 1驾驶员不熟练程度0.1-1 0.5不耐心率 0.3-1 0.3 Tcooperate 3-6 5图1 广汇立交桥交织区卫星图图2 交织区SUMO仿真界面图3 匝道汇入区并道过程仿真4 基于COBYLA算法的参数校正和仿真结果仿真模型中的各个参数都是独立的，为更好的模拟仿真对象，需要对仿真模型参数进行校正，调整各参数的值使最终的仿真结果满足条件．参数校正是对设定好的目标函数的组合优化问题，对于每一个目标函数输入现场检测的行程时间数据和仿真模型输出的行程时间数据．用Python语言编写了参数校正程序，在Linux环境下通过命令行调用sumo仿真程序完成仿真过程和参数校正过程．选用了基于线形逼近的约束优化方法(COBYLA-Constrained Optimization BY Linear Approximation)作为优化算法，调用Python语言数学函数库中的COBYLA函数，可以很好的与sumo仿真程序进行融合．校正过程程序可分为sumo仿真模块和val-COBYLA验证控制模块，SUMO仿真模型需要路网文件（net fi le）和路由文件（route fi le）验证过程中将路由文件分成2部分，静态的交通需求信息直接提供给SUMO仿真程序，而车辆参数在每次循环中通过验证程序计算写入车辆参数文件提供给SUMO仿真程序，此过程循环运行到满足误差要求为止，待校正的参数集作为优化的取值空间提供给COBYLA算法，程序流程图如图4所示．具体过程为：(1)调用SUMO仿真程序；(2)读取实测交通调查数据和仿真输出数据；(3)计算每一辆车实测数据和仿真数据之间的均方根误差（RMSE）；(4)循环运行以上过程直到误差满足要求．参数校正程序通过反复运算，误差从最初的38%下降到了23%．仿真中车辆在交织区的换道次数统计结果如表3所示．图4 va_COBYLA校正程序流程图表3 换车道次数对比换车道区域换车道类型实际原模型优化后的模型交织区战略性 134 114 128协作性 55 48 52汇入区战略性 89 78 85协作性 32 35 30 5 结语本文中分别用SUMO平台提供的原换车道模型、优化设计和标定后的换车道模型对乌鲁木齐市广汇立交桥交织区拥挤状态下的换车道行为进行了仿真研究．优化中引入了换车道等待时间Tcooperate的参数并对驾驶员不耐心率进行了重新定义．SUMO的模块化的程序结构给研究人员提供了实现和评估自己算法的工具．SUMO中车辆在产生时刻即获得路径，且车辆产生在路段上而非车道上，可通过设置所出现的车道和地点规则来模拟车辆的产生过程，有利于避免车辆产生后在固定的地点获得路径决策、在固定的地点变换车道（如Vissim）．此特性很好的解决了排队开始处车辆换车道区域集中的问题，在实际应用中给研究和工程人员提供了良好的平台．参考文献：[1]Transportation Research Board.Highway Capacity Manual 2010[M].USA：National Research Council,2010.[2]狄宣,张小宁,张红军.基于元胞自动机的快速路交织区建模仿真[J].交通与计算机,2008,26(2):23-26.[3]杨晓光,孙剑,李克平.拥挤交通流交织区车道变换行为仿[J]系统仿真学报,2009,21(13):4174-4178.[4]孙剑,胡家琦,孙杰.城市快速路交织区通行能力估计模型[J].中国公路学报,2016,29(4):114-122.[5]Hall F,Bloomberg L,Rouphail N,et al.Validation Results for Four Modelsof Oversaturated Freeway Facilities[J].Journal of the Transportation Research Board,2000,1710(1):161-170.[6]Pesti G,Chu C L,Fitzpatrick K,et al.Simulation of Weaving Traffic Between Freeway Ramps[C].Washington:Transportation,2011.[7]Gomes G,May A,Horowitz R.A Microsimulation Model of a Congested Freeway using VISSIM[J].Transportation Research Record Journal of the Transportation Research Board,2004,1876(1):71-81.[8]卢守峰,韦钦平,沈文,等.集成VISSIM、Excel VBA和MATLAB的仿真平台研究[J].交通运输系统工程与信息,2012,12(4):43-48.[9]孙剑,杨晓光,刘好德.微观交通仿真系统参数校正研究[J].系统仿真学报,2007,(1):48-50.[10]Kusuma A,Liu R,Choudhury C,et ne-changing characteristics at weaving section[C].Proceedings of Transportation Research Board Conference 2015.[11]Treiber M,Helbing D.Memory ef f ects in microscopic traffic models and wide scattering in f l ow-density data[J].Physical Review E Statistical Nonlinear&Soft Matter Physics,2003,68(2):3-7.[12]Jakob Erdmann.Modeling Mobility with Open Data[M].USA:Springer International Publishing,2015:105-123.。

多车道元胞自动机换道决策模型的冲突处理策略邓建华;冯焕焕;葛婷【摘要】换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现:在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2019(019)004【总页数】5页(P50-54)【关键词】智能交通;多车道元胞自动机;换道决策模型;驾驶行为特征;冲突处理策略【作者】邓建华;冯焕焕;葛婷【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;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】U491.10 引言基于大量实测数据，Peter Hidas[1]把机动车驾驶换道行为划分为3类，其中把不受外部因素影响的驾驶换道行为称为自由换道，交通流微观仿真系统中，自由换道模型是其他换道模型的基础.早期在构建自由换道模型时主要考虑车流内部局部运行状态信息，即待换道对象车辆及周边紧邻车辆的车速、间隔距离等信息，对换道驾驶行为的影响.基于这种纯数据驱动的换道模型构建思路，上世纪末，Rickert 等[2]通过在NaSch 模型中引入1 套经典换道规则形成了最基础的双车道STCA模型，从而使得交通流元胞自动机模型具有了换道功能.本世纪初Pedersen[3],Daoudia 等[4]提出了一个基于改进STCA 模型换道规则的3 车道元胞自动机模型.为避免多辆车在同步更新时，发生换道碰撞冲突，该模型的换道规则设计采取了按横向(车行道宽度方向)顺序依次确定待更新单位元胞的方法，且规定先更新到冲突位置的车辆具有优先占住权.早期大多数的多车道换道模型采取这种横向串行更新方法来处理换道冲突问题.类似的，为处理换道冲突问题，敬明等[5]采取了按纵向(车行道长度方向)顺序依次确定待更新单位元胞的方法，处于元胞空间前端的单位元胞总比其后面的具有优先更新次序.该方法在避免换道冲突的同时也为计算纵向相邻车辆行驶状态的相互关系提供了便利，该方法可称为纵向串行更新.以上两种采用串行更新来处理换道冲突的方法，在原理上对元胞自动机的并行机制造成一定损失的同时，也忽略了现实中存在不同驾驶员，在同一次换道冲突中，采取不同换道冲突处理策略的可能.纯数据驱动的换道规则模型在解析这类受驾驶员心理特性影响较大的驾驶决策过程，具有一定的局限性.针对这一问题，本文首先分析了现实中驾驶员处理换道冲突的过程，并在此基础上结合不同的换道驾驶行为特征提出了3 种换道冲突处理策略；其次，提出车辆状态更新次序随机的方法以改进多车道元胞自动机模型中单位元胞串行更新算法，使得模型系统中所有车辆，在同一仿真步具有更平等的机会进行状态更新；最后，对所提出模型进行了仿真模拟，并对模拟结果进行了充分讨论与分析.1 多车道换道决策模型中的冲突处理策略1.1 多车道换道决策模型STCA 模型换道规则适合模拟双车道条件下的确定性单侧换道[2]问题，在单向3车道以上的多车道(本文的多车道含义，以下同)元胞自动机模型系统中，当具有换道动机的车辆处于中间车道，且左、右侧车道上的换道决策目标位置同时满足换道条件时，这种换道规则不再适用.如图1所示，设t时刻多车道元胞空间C[m,w]存在当前观察分析的目标车辆V[i,j]，则其纵向(车辆行驶方向)位置为xi，横向(车道)位置yj，与其紧邻前后车辆的纵向位置表示为xn,n ∈{la,sa,ra,lb,rb}，其中la,sa,ra,lb,rb分别代表与其紧临左前、正前、右前、左后、右后车辆.定义“紧邻前车间距”为V[i,j]的车头与相应侧紧邻车道上紧邻前车车尾间的距离，“紧邻后车间距”为V[i,j]的车尾与相应侧紧邻车道上紧邻后车车头间的距离，如图2所示.图1 多车道元胞空间示意图Fig.1 Multilane cellular space diagram图2 V[i,j]与紧邻前后车辆的位置关系示意图Fig.2 Position relations of V[i,j]and adjacent vehicles紧邻前车间距为紧邻后车间距为式中：ln、li分别表示相应紧邻车和V[i,j]的车身长度.假设t时刻，V[i,j]速度为vi，紧邻车辆速度为vn，则紧邻前车相对速度Δvn,i=vn-vi，n ∈{la,sa,ra}，紧邻后车相对速度Δvi,n=vi-vn，n ∈{lb,rb}.依据驾驶员换道决策机理，换道动机一般是指没有具体换道决策目标的一种换道意愿，STCA模型的换道动机规则计入了V[i,j]预测速度及侧向车道上紧邻前车间距对换道意愿的影响，相关研究表明换道动机还与相对应的前后邻车的相对速度有关[6].多车道条件下，t时刻V[i,j]产生换道动机公式改进为式中：vi,desired为最大期望车速，以减少车辆在小空间占有率情况下的不合理随意变道行为，缺省取vi,desired=0.85vi,max；dn,i表示左右侧车道紧邻前车间距，n ∈{la,ra}；Δvn,i,Δvi,n表示V[i,j]与对应紧邻车辆的相对速度对产生换道动机的影响，Δvn,i ≥0,Δvi,n ≥0，n ∈{lb,rb}.V[i,j]产生换道动机后，驱动驾驶员换道决策，其决策过程的核心算法改进为n指示了可能的3 个决策目标，n ∈{la,sa,ra}可看作具有3 片叶子的单节点决策树，假设Un,i表示n方向的换道期望值，每次换道将选择Un,i值最大的叶子节点作为优先决策目标.上述两个条件：C1 表示V[i,j]当前车道的前车间距不能满足跟车要求；C2 表示如果两侧其他车道存在适合换道的条件，则由式(2)分别计算出其相应换道期望值. 1.2 冲突处理策略换道冲突是现实多车道交通流中真实而反复存在的客观现象，也往往是导致交通事故发生的前奏[7].基于元胞自动机理论的多车道仿真模型在预测换道冲突事件发生的时机及位置等确定性信息方面具有先天优势，但驾驶员处理换道冲突所采取的具体策略还与其驾驶行为特征有关[8]，是一种非纯数据驱动模型.当判断换道目标位置已经存在或将被其他车辆优先占住时，本文把驾驶员基于避免交通碰撞事故理性思考基础上所形成的合作策略方案划分为3类.如图3所示，假设向右侧换道为V[i,j]当前的优先决策目标，但这时V[i,j]驾驶员发现换道目标位置已存在同步更新的车辆k′，基于理性思考，非激进型驾驶员将舍去换道方案S1后重新决策是否采取车道保持方案S2或向另一侧换道的方案S3，即当V[i,j]根据优先决策目标进行换道，一旦发现目标位置可能与其他车辆发生冲突时，将采取这3种常见冲突处理策略.图3 换道冲突策略示意图Fig.3 Lane-changing conflict strategies diagram上述3 种策略方案S1、S2、S3对应于其换道驾驶行为表现可归纳为激进型、保守型与机敏型，具体行为过程可描述如下：(1)激进型，如换道目标位置已存在同步更新车辆k′，但其后方仍具备换道条件，驾驶员可能按式(2)重新计算考虑车辆k′存在情况下的Un,i，n ∈{la,sa,ra}以重新确定最优决策目标，即采取策略S1.(2)保守型，舍去方案S1后，基于谨慎原则驾驶员直接选择车道保持，即采取策略S2.(3)机敏型，舍去方案S1后，驾驶员将按式(2)重新计算Un,i，n ∈{la,sa}以重新确定最优决策目标，即采取策略S3.理论上，纯数据驱动框架下同步更新的冲突车辆将同一时刻占住目标位置而发生碰撞事故，但考虑到驾驶员在感知、判断与执行换道决策时，把握换道时机的异步性，在更微观层面同步更新的车辆仍会表现出不同换道时机，本文提出同步更新、随机更新次序的方法来表达这种异步性.如前述假设车辆k′的更新次序优先于V[i,j]的情况应是随机的.这种同步更新、随机更新次序的换道模型更适合描述现实中换道驾驶行为并行性与复杂性，也使得每辆车在系统层面具有平等的更新机会.1.3 同步更新、随机更新次序的实现方法为保证系统内同步更新车辆更新次序的随机性，首先，要求车辆在元胞空间的初始布置位置是随机的；其次，不以单位元胞的横向或纵向排列位置顺序来确定车辆的更新次序.为实现该设想，本文根据Ronald Fisher和Frank Yates提出的“Fisher-Yates乱序洗牌算法”[9]框架对车辆初始位置布置与车辆运行状态更新的方法进行了改进.以输入元胞空间车辆队列Q[N]作为描述对象，设空间上V[i,j]对应Q[N]中的元素Q[k].具体算法过程是：首先，把元胞空间C[m,w]的单位元胞进行洗牌，形成乱序；然后抓牌，根据所抓到纸牌标示的单位元胞位置与每辆车Q[k]建立一一映射关系，如映射到V[i,j]，则完成车辆在元胞空间的初始布置，抓牌数量等于拟输入的车辆总数N；接下来，每个仿真步遍历1次Q[N]就表示完成1次对元胞空间中所有车辆的状态更新.该算法的特点是：(1)Q[k]与元胞空间中V[i,j]构成映射关系，使得传统采取遍历元胞空间C[m,w]来判断某单位元胞是否存在车辆的算法转换为对Q[N]的遍历操作.遍历1 次车辆队列Q[N]的效率远高于对整个元胞空间单元的遍历.(2)车辆更新次序是抓牌过程形成的，每张牌所标示的待更新车辆在元胞空间中的位置是随机的.每一仿真步内，被选择待更新的车辆Q[k]在元胞空间的位置自始至终是随机分布的，这种空间上选择位置的随机性被转换成了时间上更新次序的随机性.2 多车道元胞自动机模型及运行参数2.1 多车道元胞自动机模型为专注于对不同换道冲突策略的研究，选择最原始的STCA 模型框架，对其换道规则进行改进，形成新的多车道元胞自动机模型.在t →t+1的过程中，模型按如下规则并演化：①加速，vi →min(vi+1,vmax)；②确定性减速，vi→min(vi,dsa,i)；③随机慢化，设随机慢化概率为p 时，vi →min(vi-1,0)，表示不确定因素造成的车辆减速；④调用换道模型确定更新目标车道；⑤目标车道上的更新位置，xi →xi+vi.2.2 运行参数为便于分析前述3 种换道驾驶行为对应的冲突处理策略对车辆微观运行状态的影响，模型采用周期性边界，单位元胞长度设为0.55 m，元胞空间设纵向L=10 000个单位元胞长，横向3个单位元胞表示同向3 车道.输入系统单一轻型车，设其车身长5.5 m为10个元胞长，最大行驶车速为道路设计车速60 km/h=16.67 m/s，相当于1次最大能更新30 元胞长，即vmax=30.设安全间距dn,safe=1，随机慢化概率p=0.05，模拟运行模型100 000 s(系统1 s更新1次)，输出系统在不同空间占有率条件下，车辆驾驶员分别采取保守型、机敏型及激进型策略的运行结果.统计系统中每辆车、每秒可能产生的平均换道动机次数与平均换道成功次数，分别用换道动机概率与换道成功概率表示.空间占有率D(D ∈(0,1))表示为式中：lk为第k辆车的长度(元胞数)；N为输入元胞空间的车辆总数.3 讨论分析通过模型仿真，获得不同空间占有率条件下，3 种换道冲突策略的换道动机概率与换道成功概率的分布规律，如图4和图5所示.图4 换道动机概率Fig.4 Lane-changing motivation probability图5 换道成功概率Fig.5 Lane-changing success probability从图4可以看出，在D=(0.0,0.2)区间，随着D的增大，导致车辆间距缩小、速度下降的同时，产生换道动机的驾驶员数量快速增加.而相对应，在图5的D=(0.0,0.3)区间，由于车辆间距尚能保证较大的期望速度，激进、机敏及保守的驾驶员实际执行换道驾驶的概率都很小，即换道成功概率很小；D ＞0.3时，执行换道操作的车辆开始增加，换道成功概率快速上升.同时，急剧增加的换道成功事件也干扰了D=(0.2,0.4)区间的部分车辆换道动机的产生，平均换道动机概率有较大波动，D ＞0.4以后这种波动慢慢趋于平缓而收敛(图4).对照图4和图5 的D=(0.4,0.8)区间，受驾驶员不同换道驾驶行为影响，3种冲突处理策略下的换道动机概率与换道成功概率有较明显差异：相同D值对应采取激进、机敏及保守策略的驾驶员换道动机概率、换道成功概率呈现由大到小排列的规律，与前述对这3种策略表述的驾驶行为特征内涵具有较好的一致性.4 结论为完善多车道元胞自动机交通流模型的换道冲突处理机制，通过对执行换道时驾驶员处理车辆冲突的可能路径及其所表现出来的驾驶行为特征的分析，把多车道换道冲突策略划分为：激进型、保守型与机敏型3 类.在此基础上进一步优化了车辆状态更新算法，提出在元胞自动机框架下的换道冲突处理多策略、车辆状态更新次序随机的多车道换道模型.通过对模型运行数据分析，发现模型能积极响应不同换道驾驶行为下所采取的换道冲突处理策略；同一仿真步中，车辆状态更新次序随机的算法能较好地在更微观层面上表现元胞自动机系统的并行机制.在后续研究中还应对驾驶员在采取不同换道冲突策略时的具体驾驶行为特征进行更深入的研究.【相关文献】[1] HIDAS P.Modelling vehicle interactions in microscopic simulation of merging and weaving[J].Transportation Research Part C：Emerging Technologies,2005,13(1):37-62. [2] RICKERT M,NAGEL K,SCHRECKENBERG M,et al.Two lane traffic simulations using cellular automata[J].Physica A,1996,231(4):534-550.[3] PEDERSEN M M,RUHOFF P T.Entry ramps in the Nagel-Schreckenbergmodel[J].Physical Review E,2002,65(5):705-714.[4] DAOUDIA A K,MOUSSA N.Numerical simulations of a three-lane traffic model using cellular automata[J].Chinese Journal of Physics,2003,41(6):671-681.[5] 敬明,邓卫,王昊,等.基于跟车行为的双车道交通流元胞自动机模型[J].物理学报,2012,61(24):331-339.[JING M,DENG W,WANG H,et al.Two-lane cellular automaton traffic model based on car following behavior[J].Acta Physica Sinica,2012,61(24):331-339.][6] 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 onthe lane-changing mechanism[J].Journal of Transportation Systems Engineering and Information Technology,2018,18(3):68-73.][7] ZHENG L,ISMAIL K,MENG X H.Traffic conflict techniques for road safety analysis:open questions and some insights[J].Canadian Journal of Civil Engineering,2014,41(7):633-641.[8] DAGANZO C F.A behavioral theory of multi-lane traffic flow.Part I:Long homogeneous freeway sections[J].Transportation Research Part B,1999,36(2):131-158.[9] PRODINGER H.On the analysis of an algorithm to generate a random cyclic permutation[J].Ars Combinatoria,2002(65):75-78.。

第1篇一、实验目的本次实验旨在通过模拟交通流理论中的基本图方法和三相交通流理论，验证不同交通状态下的车辆流动规律，分析车辆速度、密度与流量之间的关系，并探讨如何优化交通控制策略以减少交通拥堵。

二、实验原理1. 基本图方法：基本图方法将交通流分为自由流和拥挤流两种状态。

在自由流状态下，车辆以最大速度行驶；在拥挤流状态下，车辆速度降低，密度增加。

2. 三相交通流理论：三相交通流理论由德国物理学家Kerner提出，将交通流分为三个状态：自由流、缓行流和拥堵流。

不同状态下的车辆速度、密度和流量存在复杂的关系。

三、实验材料与设备1. 实验材料：元胞自动机模拟软件、交通流数据集、绘图工具。

2. 实验设备：计算机、网络连接。

四、实验步骤1. 数据准备：收集不同交通状态下的车辆速度、密度和流量数据。

2. 基本图方法模拟：- 利用元胞自动机模拟软件建立交通流模型。

- 设置初始条件，包括道路长度、车辆数量、速度等。

- 运行模型，观察并记录车辆速度、密度和流量变化。

3. 三相交通流理论模拟：- 在基本图方法模拟的基础上，引入三相交通流理论的相关参数。

- 运行模型，观察并记录车辆在不同状态下的速度、密度和流量变化。

4. 数据分析与比较：- 对比基本图方法和三相交通流理论模拟结果。

- 分析不同交通状态下的车辆流动规律。

- 探讨优化交通控制策略的方法。

五、实验结果与分析1. 基本图方法模拟结果：- 在自由流状态下，车辆以最大速度行驶，流量较高。

- 在拥挤流状态下，车辆速度降低，密度增加，流量降低。

2. 三相交通流理论模拟结果：- 在自由流状态下，车辆以最大速度行驶，流量较高。

- 在缓行流状态下，车辆速度降低，密度增加，流量降低。

- 在拥堵流状态下，车辆速度进一步降低，密度增加，流量极低。

3. 数据分析与比较：- 与基本图方法相比，三相交通流理论更准确地描述了交通流状态的变化。

- 三相交通流理论能够更好地解释交通拥堵现象，为优化交通控制策略提供理论依据。

第四章交通流理论交通流理论（Traffic Flow Theory）是研究交通流随时间和空间变化规律的模型和方法体系，被广泛应用于交通系统规划与控制的各个方面。

第一节交通流理论的发展历程在本节中，我们一起回顾交通流理论的发展历程。

交通流理论的兴起大致在20世纪30年代，在20世纪50年代到60年代经历了繁荣和快速发展，70年代以后，主要是对既有理论的发展完善和应用拓展。

一、交通流理论的萌芽期萌芽期从20世纪30年代到第二次世界大战结束。

由于发达国家汽车使用和道路建设的发展，需要探索道路交通流的基本规律，产生了研究交通流理论的初步需求。

Adams在1936发表的论文中将概率论用于描述道路交通流，格林息尔治（Greenshields）在1935年开创性提出了流量和速度关系式（也就是格林息尔治关系），并调查了交叉口的交通状态。

二、交通流理论的繁荣期繁荣期从第二次世界大战结束到20世纪50年代末。

汽车使用显着增长和道路交通系统建设加快，应用层面对交通特性和交通流理论的研究提出了急切需求。

此阶段是交通流理论最为辉煌的时期，经典交通流理论和模型几乎全部出自这一时期。

交通流理论中的经典方法、理论和模型相继涌现，如车辆跟驰（Car-following）模型、车流波动（Kinematic Wave）理论和排队论（Queuing Theory）。

这一时期群星闪耀，许多在自然科学其他领域中的大师级人物（如数学家、物理学家、力学家、经济学家）都投入到交通流理论的研究中，其中不乏诺贝尔奖金的获得者，如1977年的诺贝尔化学奖获得者伊利亚?普列高津（Ilya Prigogine）。

着名人物有赫曼（Herman）、鲁切尔（Reuschel）、沃德卢普（Wardrop）、派普斯（Pipes）、莱特希尔（Lighthill）、惠特汉（Whitham）、纽维尔（Newell）、盖热斯（Gazis）、韦伯斯特（Webster）、伊迪（Edie）、福特（Foote）和钱德勒（Chandler）。