張敖木翰++張平++曹劍東

摘 要：交通事件在高速公路上經(jīng)常發(fā)生，其時間與空間上的不確定性，以及對上游路段和相鄰國省道帶來的動態(tài)衍生影響，使得提前制定具有針對性的預案難度很大。如何在復雜路網(wǎng)環(huán)境下快速預測交通事件的影響范圍，成為高速公路應急處置管理的基礎。提出基于物聯(lián)網(wǎng)技術(shù)，用于實時、快速預測復雜路網(wǎng)環(huán)境下交通事件發(fā)生后未來短時間內(nèi)的交通擁堵發(fā)展態(tài)勢?；谠摷夹g(shù)，開發(fā)了公路網(wǎng)交通運行狀態(tài)預測系統(tǒng)，通過實際數(shù)據(jù)的測試，證明提出的技術(shù)可以很好地為高速公路應急處置提供快速、科學的決策支持。

關(guān)鍵詞：物聯(lián)網(wǎng)；交通事件；擁堵排隊；需求預測；交通仿真

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2015）05-00-03

0 引 言

高速公路交通事故是影響平安交通的重要因素。如果事故發(fā)生時路段交通量較大，路段通行能力受事故影響大幅度下降甚至無法通行時，就會產(chǎn)生擁堵排隊現(xiàn)象并快速向路段上游傳播，甚至溢過互通立交形成網(wǎng)絡層面的大范圍擁堵。此時，上游到達車輛受氣象環(huán)境、能見度以及路面制動性能的影響，如果未能提前發(fā)現(xiàn)前方擁堵排隊的隊尾并及時減速，或者可變情報板對擁堵排隊隊尾的估計與實際存在偏差，極易在隊尾發(fā)生追尾碰撞形成二次事故，導致更嚴重的人員及財產(chǎn)損失。因此，進行高速公路二次事故預警的關(guān)鍵，是在不同氣象、地質(zhì)、路面條件環(huán)境下，進行快速準確的預測初次事故發(fā)生后對路段運行狀態(tài)的影響，尤其是預測短期擁堵排隊的發(fā)展態(tài)勢，為之后的道路限行管控、可變情報板引導提供科學的依據(jù)。

高速公路交通事故影響時空范圍的預測研究一直是國內(nèi)外交通安全研究領域的前沿與熱點。其主要研究內(nèi)容集中在對于擁堵引發(fā)的車輛排隊長度的預測研究，常用方法主要包括累計到達-離開模型、確定性排隊模型、隨機性排隊模型以及基于交通波理論的模型等。早期的累計到達-離開模型[1-4]利用路段交通量的輸入和輸出量來統(tǒng)計事故排隊車輛數(shù)，進而估計排隊長度。這種確定型排隊估計方法假設路段交通量的輸入和輸出都是事先確定的固定值，這種假設與真實交通運行狀況存在一定差距，由于沒有對交通流運行密度的動態(tài)模擬，往往導致對排隊長度的低估。目前的研究[5-8]主要利用交通波理論模擬交通事件影響下路段交通流堵塞波向事件上游傳播，同時疏散波向事件下游傳播的過程，通過對交通密度變化過程的解析描述來估算車輛排隊長度所代表的事件影響范圍。上述研究主要考慮了高速公路交通流運行狀態(tài)對交通事故影響范圍的影響，但誘發(fā)二次事故的氣象、路面條件等因素的影響因為缺乏采集手段而沒有考慮，這會導致預警范圍與實際需求存在偏差，影響預警效果。物聯(lián)網(wǎng)技術(shù)能夠?qū)崿F(xiàn)對交通流狀態(tài)、氣象環(huán)境、路面結(jié)冰積水狀況的實時感知和反饋，并依托現(xiàn)代交通流理論和分析技術(shù)，自動分析二次交通事故的預警范圍。

1 交通擁堵傳播短時預測技術(shù)

1.1 影響范圍構(gòu)成分析

高速公路的預警范圍主要由三部分組成：（1）事故現(xiàn)場的保護區(qū)長度Lp；（2）事故上游進行可變情報板、警示標示提示時擁堵排隊長度Lq；（3）車輛在當前氣象能見度、路面狀況下的停車視距Ls。

因此，進行高速公路交通事故預警的范圍為：

LH=Lp+Lq+Ls （1）

其中，Lp的長度與初次交通事故的等級和事故現(xiàn)場形態(tài)密切相關(guān)，由事故現(xiàn)場處理人員根據(jù)事故嚴重程度以及相應的處置規(guī)章設置；Lq基于交通流采集設備的信息，通過仿真模型對路段交通運行狀態(tài)進行模擬獲得；Ls由綜合考慮氣象環(huán)境對駕駛員的有效視距以及道路的路面條件的影響分析獲得。

1.2 基于物聯(lián)網(wǎng)技術(shù)的停車視距檢測方法

為了保證駕駛安全，要求行駛中的車輛在一定距離外就能清晰確認前方道路上的障礙物，該距離即停車視距Lq。根據(jù)惡劣天氣對交通安全影響因素的分析，氣候環(huán)境既影響了駕駛?cè)说挠行б暰郤d，又影響了輪胎與路面的摩擦系數(shù)δ。同時，也需要考慮人的必要知覺反應時間td。

物聯(lián)網(wǎng)環(huán)境下的氣象環(huán)境監(jiān)測設備為大氣能見度數(shù)據(jù)的量測以及路面冰雪覆蓋、積水情況影響下的路面摩擦系數(shù)量測提供了有效的解決手段。

當氣象條件良好，通過物聯(lián)網(wǎng)氣象傳感設備量測的能見度Hd≥Sd時，車輛能夠保證在最高安全行駛狀態(tài)下行駛。若能見度較差，Hd

（2）

其中，Hd為通過物聯(lián)網(wǎng)能見度監(jiān)測設備量測的大氣能見度（米）；La為停車安全距離，包含車輛長度；ρ為路段的坡度；v為車輛當前行駛速度。

摩擦系數(shù)在很大程度上決定了車輛安全行駛的速度。通常，干燥清潔的瀝青路面摩擦系數(shù)會穩(wěn)定在0.50以上，車輛在這種路面上行駛能夠進行安全的減速、剎車等駕駛行為；當路面有積水時，摩擦系數(shù)處于0.50至0.35之間，車輛制動距離變長，安全行駛車速降低，當摩擦系數(shù)低于0.35時，車輛制動性能顯著降低，車輛必須低速行駛并注意保持車距，否則交通事故數(shù)量或?qū)⒊杀对鲩L；當路面積雪或結(jié)冰時，摩擦系數(shù)降至0.20 以下，路面已經(jīng)不具備安全行駛的基本條件，甚至需要帶隊通行或者限行。

通常情況下，利用物聯(lián)網(wǎng)路面狀況監(jiān)測設備對路面條件進行量測，可以感知路面是否干燥、積水、積雪、結(jié)冰，針對不同情況，對路面摩擦系數(shù)進行等級劃分[9]，見表1。

表1 高速公路路面摩擦系數(shù)分摩擦系數(shù)范圍 路面狀況 交通運行影響

δ≥0.50 干燥 正常運行

0.35≤δ<0.50 積水 注意降速

0.20≤δ<0.35 積雪 限速通行

δ<0.20 結(jié)冰 限制通行

1.3基于仿真的交通事件擁堵傳播

當區(qū)域路網(wǎng)發(fā)生交通事件時，事發(fā)地點的通行能力就會下降，當下降到低于交通需求時，交通流就會受到影響，產(chǎn)生偶發(fā)性交通擁擠。事件誘發(fā)的擁擠最初多發(fā)生在單個路段上，車輛在該路段上排隊，排隊逐漸向上游延伸，影響上游節(jié)點的車輛流入該路段而產(chǎn)生繼發(fā)性交通擁擠。原發(fā)性交通擁擠持續(xù)時間較長，隨著交通需求的增長，原發(fā)性交通擁擠所在路段上游節(jié)點和繼發(fā)性交通擁擠所在路段上游節(jié)點的車流受阻，影響節(jié)點其他入口路段車流的流出而產(chǎn)生擁擠，若這種情況快速蔓延最后可能導致整個交通系統(tǒng)癱瘓，給交通出行者帶來極大的不便和經(jīng)濟損失。交通影響擴散研究的目的就是要找到擁擠產(chǎn)生的源頭，以便及時阻止擁擠的快速擴散，保證交通系統(tǒng)運行通暢。

通過物聯(lián)網(wǎng)交通流監(jiān)測設備對每個路段的交通狀態(tài)進行實時監(jiān)測，當某一路段發(fā)生交通事件時，及時將事件有關(guān)數(shù)據(jù)、區(qū)域交通需求數(shù)據(jù)等輸入微觀交通仿真平臺，利用平臺中根據(jù)路面狀況、氣象條件等因素標定的交通流仿真模型，對區(qū)域路網(wǎng)內(nèi)車流量、行駛車速等交通流的運行狀態(tài)進行再現(xiàn)，對短時期內(nèi)交通流排隊長度的時空發(fā)展趨勢進行預測，確定事件未來短時期的影響擴散范圍。

交通仿真以交通流模型為基礎，可以通過模擬的方法表現(xiàn)不同密度的交通波在道路上的傳播過程，并通過該手段分析交通事故影響范圍的時空演化過程，為實施相應的交通管控措施和解決交通擁堵及相關(guān)問題提供依據(jù)，從而達到防患于未然，超前預控，控制事故蔓延的目的。當駕駛員發(fā)現(xiàn)前方狀態(tài)異常后，通過如下跟馳模型減速：

（3）

其中，gn為前車車尾距離后車車頭的距離，an-1、an分別為前后車的加（減）速度，vn-1、vn分別為前后車當前的行駛速度。

路面摩擦系數(shù)是車輛動力學仿真模型建立時一個非常重要的路面輸入?yún)?shù)。當出現(xiàn)雨、雪、冰凍天氣時，路面摩擦系數(shù)會顯著下降。如果仍按照正常狀況下的速度行駛， 實際停車視距就會增加， 設計停車視距可能小于實際停車視距， 形成安全隱患， 此時需要適當?shù)慕档蛙囁?，使行駛條件不好（濕滑路段及幾何條件受限）的路段仍能滿足實際停車視距。不同路面狀況下路段j的安全行駛車速為：

（4）

在交通仿真模型中，車輛i在道路j的最高限速取決于車輛的性能及路面狀況，即：

（5）

2 仿真算例

2.1 模型搭建

在對該方法進行在線應用之前，需要對示范高速公路的道路屬性、立交節(jié)點、收費站、出入口、設計車速、速度限制等信息進行詳細的設置。如圖1～3所示。

圖1 測試路段模型搭建

當需要進行模型應用時，輸入數(shù)據(jù)庫中測試路段各收費站和車檢器的實時數(shù)據(jù)和歷史數(shù)據(jù)，根據(jù)交通事件發(fā)生時間的不同，通過動態(tài)OD矩陣估計與預測方法，對當前時段的OD需求矩陣進行估計，并對未來短期內(nèi)的OD需求矩陣進行預測。將估計與預測的OD需求矩陣導入仿真系統(tǒng)矩陣文件中。

圖2 仿真參數(shù)設定（車輛特征）

圖3 仿真參數(shù)設定（道路特征）

當模型應用場景在進行交通事件影響下的擁堵排隊范圍預測時，通過配置仿真系統(tǒng)的交通事件映射文件，在路網(wǎng)上設置Incident事件屬性（包括事件位置、事件影響車道、事件發(fā)生時間、事件持續(xù)時間、事件斷面通行速度等），使車輛在規(guī)定時間內(nèi)模擬交通事件的發(fā)生和發(fā)展，并通過設置在路網(wǎng)中的虛擬車檢器采集交通仿真的輸出數(shù)據(jù)，從而分析其對道路的影響并預測擁堵排隊長度，如圖4所示。

圖4 交通事件場景仿真

2.2 結(jié)果分析

估計算法較為準確的描述了當前動態(tài)OD情況，并通過網(wǎng)絡加載仿真，分析各路段上的平均流量、平均速度、平均密度以及轉(zhuǎn)彎流量等，可以看出結(jié)果較為恰當?shù)慕o出了當時的網(wǎng)絡狀況。

針對示范路段事故黑點，隨機選取四次交通事件，根據(jù)事件發(fā)生的時間和上游車檢器交通流參數(shù)受影響的時間來推測事件影響范圍，對基于交通仿真的交通狀態(tài)預測方法的結(jié)果進行校核，見圖5、表2。

圖5 仿真系統(tǒng)仿真輸出與車檢器對比

表2 仿真系統(tǒng)預測結(jié)果與車檢器對比誤差分析（%）

5 min 10 min 15 min

速度平均誤差 2.97 3.72 5.3

速度最大誤差 9.65 11.15 14.44

流量平均誤差 7.7 12.56 16.61

流量最大誤差 15.83 20.81 22.93

由模型運算的流量、速度、擁堵排隊長度等指標與實際交通運行情況的比較可以看出，用基于物聯(lián)網(wǎng)條件下的交通仿真方法進行交通運行狀態(tài)預測具有比較高的精度，見表3。特別是針對交通事件情況下，可以預測交通事件所引起的短時擁堵排隊長度這種直觀指標，為交通管理者做相應的應急處置和管控決策提供支撐。

表3 仿真系統(tǒng)擁堵排隊15分鐘預測結(jié)果

事件發(fā)生時刻 預測 實際 精度

6：35 750 m 930 m 80.6%

10：21 2 170 m 1 990 m 90.9%

15：36 1 860 m 1 600 m 83.8%

20：17 1 120 m 1 380 m 81.1%

3 結(jié) 語

本文針對高速公路交通事件的態(tài)勢預測進行研究，提出了一種物聯(lián)網(wǎng)環(huán)境下基于交通仿真的事件擁堵排隊長度預測方法，該方法借助物聯(lián)網(wǎng)技術(shù)廣泛的感知手段，在充分感知路網(wǎng)的交通、氣象、構(gòu)造物等狀態(tài)條件下，用于實時、快速預測復雜路網(wǎng)環(huán)境下交通事件發(fā)生后未來短時間內(nèi)的交通擁堵發(fā)展態(tài)勢。通過算例分析可以看出，該方法能夠預測事件發(fā)生后未來短期內(nèi)的交通運行發(fā)展態(tài)勢，尤其是事件引起的擁堵排隊長度的變化情況，為高速公路管理人員針對應急處置需求，了解事件發(fā)展態(tài)勢，為合理的管控方案提供科學量化的決策支持，能夠在一定程度上提升運營管理效率。

參考文獻

[1] Michalopoulos P G， Pishaody V B. Deriation of delays based on improved macroscopic traffic models[J].Transportation research part B，1981（15）：299-317.

[2] Morales M J. Analytical procedures for estimating freeway traffic congestion[J].Public Road，1986，50（2）：55-61.

[3] Newell G F. A simplified theory of kinematic waves in highway traffic， Part II： Queueing at freeway bottlenecks[J]. Transportation research part B， 1993，27（4）：289-303.

[4] Lawson T W， Lovell D J，Daganzo C F，et al. Using the input-output diagram to determine the spatial and temporal extents of a queue upstream of a bottleneck[J]. Transportation Research Record 1572， TRB， National Research Council， Washington， D. C.，1997：140-147.

[5] Sheu J B， Chou Y H. Stochastic modeling and real-time prediction of incident effects on surface street traffic congestion[J]. Applied Mathematical Modeling， 2004，28（5）：445-468.

[6] Chen， Q.，W. Li. Influence range of emergency under special events based on CTM [J].Journal of Southeast University， 2009，25（2）： 257-261.

[7]郭冠英.用集散波計算道路交通阻塞長度[J].上海公路，1997（2）：39-41.

[8]臧華，彭國雄.高速道路異常狀態(tài)下車輛排隊長度的預測模型[J].交通與計算機，2003，21（3）：10-12.

[9]李長城，劉小明，榮建.路面濕滑指數(shù)開發(fā)及其在交通運行管理中的應用[J].公路交通科技，2010，27（11）：132-136.