駱晨 劉瀾,2?

(1.西南交通大學(xué) 交通運輸與物流學(xué)院, 四川 成都 610031;2.綜合交通運輸智能化國家地方聯(lián)合工程實驗室, 四川 成都 610031)

交通誘導(dǎo)信息組合方式對路徑?jīng)Q策的影響*

駱晨1劉瀾1,2?

(1.西南交通大學(xué) 交通運輸與物流學(xué)院, 四川 成都 610031;2.綜合交通運輸智能化國家地方聯(lián)合工程實驗室, 四川 成都 610031)

為提高交通誘導(dǎo)信息的誘導(dǎo)效率，系統(tǒng)研究信息結(jié)構(gòu)化對駕駛決策的影響機理，引入云模型構(gòu)建交通誘導(dǎo)信息評價體系，通過全功能汽車模擬駕駛器仿真實驗，設(shè)計4種交通誘導(dǎo)信息環(huán)境并進行了交通誘導(dǎo)信息環(huán)境下的路徑選擇實驗，在此基礎(chǔ)上分析不同信息結(jié)構(gòu)組合下的交通誘導(dǎo)信息對駕駛決策的影響特征，提出了交通誘導(dǎo)信息發(fā)布策略的優(yōu)化方案.研究結(jié)果表明：數(shù)字類信息、語言類信息、圖像類信息組合而成的交通誘導(dǎo)信息對駕駛決策影響顯著,語言類信息與數(shù)字類信息組合發(fā)布的交通誘導(dǎo)信息有利于駕駛員認知道路環(huán)境，數(shù)字類信息與圖像類信息組合發(fā)布有利于駕駛員進行路徑?jīng)Q策.

智能交通;信息結(jié)構(gòu)化;云模型;駕駛決策;發(fā)布策略

交通信息是駕駛決策的重要依據(jù)，充分考慮信息對駕駛決策影響的交通信息能增強交通信息的誘導(dǎo)能力，在提高駕駛員出行效率的同時達到減緩甚至疏散擁堵交通的目的，保障城市道路網(wǎng)絡(luò)交通運行系統(tǒng)效能最優(yōu).交通誘導(dǎo)信息與駕駛決策的全程交互性，決定了對交通誘導(dǎo)信息的研究主要集中在交通誘導(dǎo)信息對駕駛員的作用機理上.Cristea等[1]通過模擬仿真研究不同年齡、性別的駕駛員在車載信息協(xié)助下的駕駛行為，研究結(jié)果表明年齡、性別與信息理解能力相關(guān)；Normawati[2]研究了駕駛員獲取利用交通信息的過程，指出駕駛行為和周圍的交通信息有關(guān);Waard等[3]研究了駕駛員對于道路信息的需求，提出信息不足或過多都會對駕駛員產(chǎn)生負面影響；Al等[4]通過28個信息標(biāo)志對駕駛員個人特征與理解能力的關(guān)系調(diào)查研究，發(fā)現(xiàn)只有56%的標(biāo)志能夠讓司機理解，這項研究認為駕駛員個人特點，包括駕駛經(jīng)驗、經(jīng)歷事故的數(shù)量、年齡、婚姻狀況、性別、國籍、教育背景和月收入等都對駕駛員理解能力產(chǎn)生影響;David等[5]通過對4個國家的31個交通標(biāo)志，每個國家采集250個樣本進行研究，發(fā)現(xiàn)同一標(biāo)志在不同國家的理解差異較大，交通標(biāo)志的理解與國家文化有關(guān);Delhomme等[6]通過駕駛模擬仿真發(fā)現(xiàn)，相對于其他信息而言，駕駛員花費更多時間在閱讀警告信息上.

交通誘導(dǎo)信息主要由圖像信息、語言信息、數(shù)字信息3大類構(gòu)成[7]，上述研究把交通信息作為整體，從駕駛員個人特性與交通信息理解兩方面發(fā)掘交通信息對駕駛決策的作用機理，尚未從不同組合結(jié)構(gòu)的交通誘導(dǎo)信息對駕駛決策的影響這方面進行交通誘導(dǎo)信息發(fā)布策略研究.鑒于此，文中利用駕駛仿真技術(shù)，在仿真系統(tǒng)中設(shè)定特定道路環(huán)境進行實驗，分析不同信息結(jié)構(gòu)組合下的交通信息對駕駛員決策的影響，為交通信息組合方式的選擇提供一定依據(jù).

1 交通誘導(dǎo)信息云模型的構(gòu)建

云模型因其具有把自然語言值表示的某個定性概念與相應(yīng)的量化表示之間進行不確定性轉(zhuǎn)換的功能，在交通領(lǐng)域具有一定的實用性[8].駕駛路徑?jīng)Q策是對通行道路定量的選擇結(jié)果，該定量的選擇結(jié)果是依據(jù)由自然語言、圖像等表示的交通誘導(dǎo)信息進行選擇，該選擇過程具有模糊性和隨機性.文中運用云模型進行數(shù)據(jù)處理，分析異構(gòu)交通誘導(dǎo)信息組合方式對駕駛決策的影響[9].

1.1 交通誘導(dǎo)信息云模型的定義

定義1 在多源異質(zhì)信息環(huán)境中設(shè)路徑?jīng)Q策集合C為用精確數(shù)值表示的定量路徑選擇結(jié)果論域U的定性概念，若路徑選擇結(jié)果論域U中的某一選擇x對路徑?jīng)Q策C的隸屬度μ(x)是一個具有穩(wěn)定傾向的隨機數(shù)[10]，則其隸屬度在路徑集合U上的分布稱為云，記為C(U)，即μ:C→[0,1],?x∈U,x→μ(x).

1.2 交通誘導(dǎo)信息有效性評價方法

交通信息誘導(dǎo)的過程是由交通決策者、信息、駕駛員三者共同參與，但其作用結(jié)果通過駕駛決策的結(jié)果反映，云模型中的期望值Ex、熵En和超熵He3個特征數(shù)字能通過樣本數(shù)據(jù)的最終結(jié)果逆推出來[11]，該特性能有效地從最終的駕駛決策結(jié)果反映交通決策者、信息、駕駛員三者之間的關(guān)系.下面就云模型在交通信息誘導(dǎo)過程中的參數(shù)進行相關(guān)定義，而云模型記為C(Ex,En,He),如圖1所示.

圖1 云圖Fig.1 Cloud diagram

1.3 模型計算

文中采用正向云發(fā)生器FCG，如圖2所示.由云模型的數(shù)字特征C(Ex,En,He)產(chǎn)生定量數(shù)值，即輸入數(shù)字特征C(Ex,En,He)以及云滴個數(shù)N，輸出N個云滴(xi,yi)，其中i=1,2,…,N[12].

圖2 云發(fā)生器Fig.2 Cloud generator

具體模型計算步驟如下.

步驟1 輸入：樣本點xi,其中i=1,2,…,N,…；輸出：反映定性概念的數(shù)字特征C(Ex,En,He)；

步驟5 重復(fù)上述步驟1-3，直至產(chǎn)生N個云滴為止，通過云滴繪制云圖.

2 交通誘導(dǎo)信息對駕駛決策行為影響的實驗方案設(shè)計

2.1 實驗人員的選取

現(xiàn)有駕駛決策行為研究成果顯示，青年駕駛員更容易接受誘導(dǎo)信息，因此隨機選取100名青年自愿者參與實驗，根據(jù)駕駛員性別、駕齡等個體屬性，將自愿者統(tǒng)計分類(如表1所示)，其中駕齡根據(jù)駕駛經(jīng)驗分為新駕駛員(行駛里程數(shù)少于8 000 km的駕駛員)、老駕駛員[15]；職業(yè)根據(jù)是否從事駕駛行業(yè)分為非職業(yè)駕駛員、職業(yè)駕駛員(出租車司機、校車司機).參與實驗的駕駛員滿足以下條件：①持有我國頒發(fā)C1級駕駛執(zhí)照，且裸眼或矯正視力在1.0及以上；②未參加過駕駛決策行為及類似的實驗測試；③實驗前24 h睡眠充足，無飲酒或服用藥物等情況.

表1 駕駛員個體屬性統(tǒng)計表Table 1 Driver’s individual attribute statistics

2.2 實驗設(shè)備

本次實驗采用西南交通大學(xué)自制的全功能汽車模擬駕駛器，其視景顯示在3通道環(huán)形屏幕上，分辨率為1 024×768.屏幕水平包裹視角為150°，豎直方向包裹視角為 30°，視景每秒刷新60次，場景中其他車輛、行人、信號等都與實際的交通場景一致.仿真車輛的位置和速度采樣頻率為30 Hz.

2.3 實驗情景設(shè)計

在實際路徑?jīng)Q策中，路徑選擇是個復(fù)雜連續(xù)的過程，該過程覆蓋整個駕駛員的出行鏈以及不同條件下的各種駕駛操作過程.在實驗中設(shè)計如圖3所示的示例路網(wǎng)，其中O為出行鏈起點，D為出行鏈終點，1、2、3、4分別為出行鏈中誘導(dǎo)路徑的交叉口.在出行過程中對1、2、3、4交叉口分別發(fā)布交通誘導(dǎo)組合信息一、二、三、四.

在實驗過程中提供的交通信息是針對前方道路情況進行發(fā)布，發(fā)布交通誘導(dǎo)信息分為4種，包括：語言類信息與數(shù)字類信息組合發(fā)布、語言類信息與圖像類信息組合發(fā)布、數(shù)字類信息與圖像類信息組合發(fā)布、3類信息組合發(fā)布，其中數(shù)字類信息包含擁堵路段排隊長度、車流行駛速度；語言類信息包括語音信息和文字信息，其中語音信息由車載廣播發(fā)布，文字信息包括路上標(biāo)識、標(biāo)線等；圖像類信息由可變信息板提供，其中黑色代表道路嚴重擁堵時信息板顯示的紅色，淺灰色代表道路較為通暢時可變信息板顯示的黃色，如圖3所示；語言類信息和數(shù)字類信息內(nèi)容由交通管理者通過車載終端提供給駕駛員；數(shù)字類信息與圖像類信息的組合發(fā)布規(guī)則是當(dāng)圖像類信息發(fā)布后2 s再發(fā)布數(shù)字類信息.本實驗情景設(shè)定為駕駛員在交通路網(wǎng)均為雙車道的路網(wǎng)中內(nèi)行駛，在距離交叉口50 m時為駕駛員提供前方路段交通信息供其進行駕駛決策，設(shè)定擁堵道路的交通情況為車流積壓50 m.

圖3 出行鏈示意圖Fig.3 Diagram of travel chain

根據(jù)上述情景設(shè)定的4種交通誘導(dǎo)信息如下.

交通誘導(dǎo)信息環(huán)境一：前方道路較為擁堵，車道內(nèi)車流積壓50 m，建議左轉(zhuǎn)；

交通誘導(dǎo)信息環(huán)境二：前方道路較為擁堵，建議右轉(zhuǎn)，圖像信息由可變信息板顯示；

交通誘導(dǎo)信息環(huán)境三：前方車道內(nèi)車流積壓50 m，圖像信息由可變信息板顯示；

交通誘導(dǎo)信息環(huán)境四：前方道路較為擁堵，車道內(nèi)車流積壓50 m，建議右轉(zhuǎn)，圖像信息由可變信息板顯示.

2.4 實驗流程設(shè)計

實驗開始期前，駕駛員對實驗手冊進行閱讀了解，駕駛員之間無相互交流，如有疑問咨詢實驗人員進行解答.實驗具體步驟如下.

步驟1 被實驗的駕駛員熟悉實驗操作儀器及相關(guān)操作步驟，熟悉伴隨駕駛操作過程的交通信息發(fā)布流程，所有參與實驗過程的駕駛員被告知相同路網(wǎng)結(jié)構(gòu)信息，并要求駕駛員以自我認知行程時間最短為目標(biāo)完成實驗前訓(xùn)練；

步驟2 訓(xùn)練結(jié)束后實驗正式開始，每位實驗者按預(yù)定順序進行模擬駕駛實驗，在實驗過程中若駕駛員分別位于交叉口1、2、3、4前50 m，則依次發(fā)布交通信息一、交通信息二、交通信息三、交通信息四，未位于制定交叉口路段則不發(fā)布信息，任其自由駕駛至D點；

步驟3 測試完之后被實驗者需口頭闡述選擇的原因，實驗員總結(jié)記錄其選擇原因及結(jié)果,且保證測試完的實驗者與未測試的實驗者之間無實驗內(nèi)容的交流，保證實驗過程中各被實驗者無歷史經(jīng)驗信息；

步驟4 重復(fù)試驗步驟2、3，并做好相關(guān)試驗記錄，具體數(shù)據(jù)如表2所示.

表2 各交叉口駕駛員選擇誘導(dǎo)路徑人數(shù)Table 2 Number of drivers selecting the guidance road on every intersection

3 實驗結(jié)果及分析

3.1 實驗結(jié)果統(tǒng)計

根據(jù)表2的實驗數(shù)據(jù)，對4組實驗數(shù)據(jù)進行計算，分別得到4組交通信息參與下誘導(dǎo)路徑選擇云模型中的期望、熵、超熵，具體數(shù)據(jù)如表3所示；不同性別、駕齡、職業(yè)下駕駛員選擇誘導(dǎo)路徑的云模型參數(shù)如表4-6所示.

由表3可以看出，交通管理者發(fā)布數(shù)字類信息和語言類信息組合的交通信息對駕駛員選擇誘導(dǎo)路徑的影響最小，語言類信息與圖像類信息組合發(fā)布的交通信息熵最大，3類信息組合發(fā)布的交通信息超熵最大.

表3 駕駛員選擇誘導(dǎo)路徑的云模型參數(shù)Table 3 Cloud model parameters of the driver selecting the guidance road

表4 不同性別下駕駛員選擇誘導(dǎo)路徑的云模型參數(shù)Table 4 Cloud model parameters of the driver with different gender selecting the guidance road

表5 不同駕齡下駕駛員選擇誘導(dǎo)路徑的云模型參數(shù)Table 5 Cloud model parameters of the driver with different age selecting the guidance road

表6 不同職業(yè)下駕駛員選擇誘導(dǎo)路徑的云模型參數(shù)Table 6 Cloud model parameters of the driver with different professions selecting the guidance road

由表4可以看出，語言類信息與圖像信息組合發(fā)布環(huán)境下男性的熵最小，說明語言類與圖像類組合的信息對男性誘導(dǎo)效率最高、影響最大；在女性屬性中語言類信息與圖像信息組合發(fā)布的熵和超熵為0，主要原因是實驗樣本量較小導(dǎo)致.

由表5可以看出，語言類信息與圖像信息組合發(fā)布環(huán)境下新駕駛員的熵最小，說明語言類信息與圖像類信息組合發(fā)布對新駕駛員誘導(dǎo)效率最高、影響最大；語言類信息與數(shù)字類信息組合發(fā)布環(huán)境下老駕駛員的熵最小，說明語言類與數(shù)字類組合發(fā)布的信息對老駕駛員影響較大.

由表6可以看出，語言類與圖像信息組合發(fā)布環(huán)境下非職業(yè)駕駛員的熵最小，說明語言類與圖像類組合的信息對非職業(yè)駕駛員誘導(dǎo)效率最高、影響最大；在職業(yè)駕駛員中語言類信息與圖像信息組合發(fā)布的熵和超熵為0，主要原因是實驗樣本量較小導(dǎo)致.

3.2 實驗結(jié)果分析

由上述實驗結(jié)果,根據(jù)云模型計算步驟并運用Matlab進行處理，得到4種交通信息下的駕駛員選擇誘導(dǎo)路徑的云圖，如圖4所示.因樣本量較小，各屬性下云圖的趨勢不明顯，導(dǎo)致各屬性下的研究結(jié)論不具有代表性，故文中不對其進行云圖繪制，今后將通過加大樣本量重點研究各屬性下的駕駛決策規(guī)律.

圖4 駕駛員選擇誘導(dǎo)路徑云圖Fig.4 Cloud diagrams of the driver selecting the guidance road

異構(gòu)交通誘導(dǎo)信息組合對駕駛決策影響顯著.由模型結(jié)果看出，不同信息組合對駕駛決策影響不同，從駕駛員選擇結(jié)果來看,影響程度從大到小依次為：語言、數(shù)字和圖像類信息，數(shù)字和圖像類信息組合,語言和圖像類信息組合，語言和數(shù)字類信息組合.

圖像類信息比語言類信息更易于增加駕駛員對前方道路的認知不確定性.在兩種類型信息組合條件下,交通誘導(dǎo)信息環(huán)境一和交通誘導(dǎo)信息環(huán)境三對駕駛員道路變更選擇結(jié)果影響差距顯著，且交通誘導(dǎo)信息環(huán)境一下駕駛員的認知誤差較小，主要原因是兩種信息組合下信息內(nèi)容單調(diào)，駕駛員主要根據(jù)個人主觀經(jīng)驗進行判斷，對語言類信息規(guī)避或根據(jù)做出不同理解.

數(shù)字類信息比語言類信息更利于駕駛決策.交通誘導(dǎo)信息環(huán)境三比交通誘導(dǎo)信息環(huán)境二的超熵小，反映駕駛員在該種交通信息環(huán)境下的決策誤差小，利于駕駛員根據(jù)個人主觀經(jīng)驗生成駕駛決策信息，主要原因是圖像類信息呈現(xiàn)的結(jié)果帶有一定主觀性，客觀的數(shù)字類信息組合增加了駕駛員對其的信任感.

交通信息豐富的環(huán)境下語言類信息對駕駛決策影響顯著.交通誘導(dǎo)信息環(huán)境三和交通誘導(dǎo)信息環(huán)境四的選擇結(jié)果差異明顯，主要原因是信息內(nèi)容豐富時駕駛員個人決策出現(xiàn)猶豫，該環(huán)境下駕駛員會結(jié)合語言類信息進行決策選擇.

4 結(jié)論

文中以交通誘導(dǎo)信息發(fā)布策略為研究對象，以異構(gòu)交通誘導(dǎo)信息組合方式對駕駛決策的影響為研究重點，通過動態(tài)實驗?zāi)M不同組合的多源誘導(dǎo)信息環(huán)境下的路徑選擇，建立交通誘導(dǎo)信息云模型分析不同信息組合條件下的發(fā)布策略對駕駛決策的影響，得出以下結(jié)論:數(shù)字類信息、語言類信息、圖像類信息組合而成的交通誘導(dǎo)信息對駕駛決策影響顯著,在擁堵路段或需疏散路段進行三類信息組合發(fā)布有利于誘導(dǎo)駕駛員變更原有選擇路徑；語言類信息與數(shù)字類信息組合發(fā)布的交通誘導(dǎo)信息對駕駛員的影響較小,通過利用該組合信息對非擁堵或次擁堵路段進行描述有利于駕駛員認知其道路環(huán)境；數(shù)字類信息與圖像類信息組合發(fā)布下的駕駛員決策誤差較小，有利于駕駛員進行最后的路徑?jīng)Q策.

[1] CRISTEA M,DELHOMM P.Comprehension and acceptability of on-board traffic information:Beliefs and driving behavior [J].Accident Analysis & Prevention,2014,65(4):123-130.

[2] NORMAWATI H.Towards new frontier of constitutional recognition of environmental protection in urban regeneration procedia [J].Social and Behavioral Sciences,2015,17(7),415-421.

[3] WAARD D,STEYVERS F J J M.,Brookhuis K A.How much visual road Information is needed to drive safely and comfortably [J].Safety Science,2004,42(5):639-655.

[4] AL M H,AL J.Role of drivers’ personal characteristics in understanding traffic sign symbols [J].Accident Analysis and Prevention,2002,34(3):185-196.

[5] DAVID S,MARGREET V.Comprehension of traffic signs with symbolic versus text displays [J].Transportation Research Part F:Traffic Psychology and Behaviour,2013,18(5):72-82

[6] DELHOMME P,CRISTEA M,PARAN F.Self-reported frequency and perceived difficulty of adopting eco-friendly driving behavior according to gender,age,and environmental concern [J].Transportation Research Part D:Transport and Environment,2013,20(3):55-58.

[7] 馬艷麗,冷雪,胡寶雨.車載信息系統(tǒng)操作對駕駛員動作分神的影響 [J].交通運輸系統(tǒng)工程與信息,2015,15(4):204-209.

MA Yan-li,LENG Xue,HU Bao-yu.Influence of invehicle information system operation on driver action distraction [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(4):204-209.

[8] 楊錦偉,肖新平,郭金海,等.基于少數(shù)據(jù)云推理的短時交通流預(yù)測模型 [J].交通運輸系統(tǒng)工程與信息,2015,15(3):64-69.

YANG Jin-wei,XIAO Xin-ping,GUO Jin-hai,et al.Short-term traffic flow forecasting model based on few data cloud inference [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(3):64-69.

[9] TSENG K C,WANG H,CHEIN S,et al.Using cloud model for default voting in collaborative filtering [J].Journal of Convergence Information Technology,2011,12(6):68-74.

[10] 劉瀾,駱晨,尹俊淞,等.多源信息環(huán)境下的路徑?jīng)Q策模型 [J].西南交通大學(xué)學(xué)報,2015,50(5):891-897.

LIU Lan,LUO Chen,YIN Jun-song,et al.Route decision model under the environment of multi-source information [J].Journal of Southwest Jiaotong University,2015,50(5):891-897.

[11] 鄭青川,姚安林,關(guān)惠平.基于云模型的油氣管道坡面水毀安全評價 [J].安全與環(huán)境學(xué)報,2012,12(4):234-238.

ZHENG Qing-chuan,YAO An-lin,GUAN Hui-ping.Safety evaluation on flood damage at slope of oil and gas pipelines based on cloud model [J].Journal of Safety and Environment,2012,12(4):234-238.

[12] 韋凱,劉欣欣.基于云模型的網(wǎng)格用戶主觀信任管理模型 [J].華南理工大學(xué)學(xué)報(自然科學(xué)版),2011,39(2):81-87.

WEI Kai,LIU Xin-xin.Cloud model-based subjective trust Management model for grid users [J].Journal of South China University of Technology(Natural Science Edition),2011,39(2):81-87.

[13] 申桂香,丁燁,張英芝.基于云模型的刀庫系統(tǒng)故障分析 [J].中南大學(xué)學(xué)報( 自然科學(xué)版),2013,44(4):1420-1424.

SHEN Gui-xiang,DING Ye,ZHANG Ying-zhi.Failure analysis of tool changer system based on cloud model [J].Journal of Central South University(Science and Technology),2013,44(4):1420-1424.

[14] 秦昆,李德毅,許凱.基于云模型的圖像分割方法研究 [J].測繪信息與工程,2006,31(5):3-5.

QIN Kun,LI De-yi,XU Kai.Image Segmentation based on cloud model [J].Journal of Geomatics,2006,31(5):3-5.

[15] 唐智慧,程杰,方爭楠.基于FSDT的新老駕駛?cè)宋ｋU感知差異性致因研究 [J].西南交通大學(xué)學(xué)報,2013,48(3):532-538.

TANG Zhi-hui,CHENG Jie,FANG Zhen-nan.Causal mechanism of difference between experienced and novice drivers in hazard perception based on fuzzy signal detection theory [J].Journal of Southwest Jiaotong University,2013,48(3):532-538.

Supported by the Science and Technology Planning Project of Sichuan Province(2014GZ0019-1)

EffectofCombinationModeofTrafficGuidanceInformationonRouteDecision-Making

LUOChen1LIULan1,2

(1.School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,Sichuan,China; 2.National United Engineering Laboratory of Integrated and Intelligent Transportation,Chengdu 610031,Sichuan,China)

In order to improve the induction efficiency of the guidance information and reveal the effect of the structured information on the driving decision-making,a traffic guidance information evaluation system is built by introducing a cloud model,and by a simulation in a full-featured car driving simulator,four kinds of traffic guidance information environment are designed to conduct route choice experiments.Then,the effect of the traffic guidance information with different combinations of structured information on the driving decision-making is analyzed,and an optimization scheme of the traffic guidance information release strategy is proposed.The results show that the traffic guidance information including the digital information,the language information and the image information has a significant effect on the driving decision-making.Specifically,a combination of the language information and the digital information is beneficial for drivers to perceive the road environment,and a combination of the digital information and the image information is beneficial to the route decision of drivers.

intelligent transportation;structured information;cloud model;driving decision-making;release strategy

2016-08-19

四川省科技支撐計劃項目(2014GZ0019-1)

駱晨(1989-)，男，博士生,主要從事交通誘導(dǎo)信息發(fā)布策略研究.E-mail:luochenkun@126.com

?通信作者:劉瀾(1965-)，男，教授，博士生導(dǎo)師，主要從事交通誘導(dǎo)信息發(fā)布、交通擁擠研究.E-mail:jianan_l@home_swjtu.edu.cn

1000-565X(2017)08-0077-07

U 491

10.3969/j.issn.1000-565X.2017.08.012