擁擠快速路交織區(qū)的SUMO仿真及換車(chē)道模型優(yōu)化?

買(mǎi)買(mǎi)提江吐?tīng)栠d，買(mǎi)買(mǎi)提明艾尼

(新疆大學(xué)機(jī)械工程學(xué)院，新疆烏魯木齊830047)

0 引言

城市快速路立交橋上的交織區(qū)存在交通流的合流點(diǎn)和分流點(diǎn)，如果交織區(qū)長(zhǎng)度過(guò)小容易形成組合式的匝道，即入口匝道延伸的加速車(chē)道同時(shí)也是出口匝道前端的減速車(chē)道．組合式匝道上車(chē)輛進(jìn)入交織運(yùn)行狀態(tài)，車(chē)輛間復(fù)雜而頻繁的交互使分析和管理交織區(qū)內(nèi)的交通流特點(diǎn)增加了難度．隨著商業(yè)化的微觀交通仿真軟件的普及，基于仿真模型的研究方法越來(lái)越多，而所有仿真模型都需要標(biāo)定眾多參數(shù)并對(duì)仿真結(jié)果進(jìn)行驗(yàn)證．

美國(guó)通行能力手冊(cè)HCM2010[1]只提供了非擁擠條件下（V/C比小于1或服務(wù)水平未達(dá)到F級(jí)別）計(jì)算交織區(qū)交織車(chē)輛與非交織車(chē)輛的空間平均速度的經(jīng)驗(yàn)回歸公式，但沒(méi)有提供擁擠狀態(tài)下的服務(wù)水平、密度或空間平均速度的計(jì)算方法，只是建議借助解析分析工具FREEVAL或商業(yè)的交通仿真軟件來(lái)進(jìn)行評(píng)價(jià)．

隨著交通仿真模型的日益成熟，利用微觀仿真軟件進(jìn)行交織區(qū)車(chē)輛的運(yùn)行分析成為了主要的研究手段．狄宣等[2]使用元胞自動(dòng)機(jī)模型來(lái)仿真了快速路交織區(qū)中交織車(chē)輛的跟車(chē)和換車(chē)道行為，引入了“冒險(xiǎn)系數(shù)”來(lái)表達(dá)駕駛員的駕車(chē)習(xí)慣并通過(guò)模型的標(biāo)定成功模擬了一段交織區(qū)車(chē)流速度，但是在模型中沒(méi)有考慮換車(chē)道行為的影響．楊曉光等[3]根據(jù)交織區(qū)內(nèi)的換車(chē)道特性利用多智能體建模的方法引入了換道沖突的協(xié)商機(jī)制建立了TESS模型，在最近的研究中孫劍等[4]提出適合城市快速路交織區(qū)運(yùn)行特征的新通行能力估計(jì)模型并與HCM2010中交織區(qū)通行能力回歸模型和理論模型進(jìn)行了對(duì)比分析．Fred Hall等[5]利用六個(gè)城市的速度數(shù)據(jù)對(duì)擁擠的高速公路設(shè)施的評(píng)價(jià)步驟進(jìn)行了驗(yàn)證．他們發(fā)現(xiàn)擁擠的高速公路設(shè)施對(duì)參數(shù)非常敏感，對(duì)同一模型來(lái)說(shuō)通行能力或隨機(jī)種子數(shù)的很小改變都會(huì)引起結(jié)果很大的變化，還發(fā)現(xiàn)跟車(chē)敏感系數(shù)．換車(chē)道行為的冒犯性和主線交通量的大小對(duì)微觀仿真結(jié)果影響最大．Pesti等[6]用Vissim仿真一段A型交織區(qū)，指出Vissim中車(chē)輛的速度比現(xiàn)實(shí)中獲得的速度數(shù)據(jù)要大，需要將建模區(qū)域延伸到入口匝道和出口匝道并考慮排隊(duì)的傳播特性．

交通仿真能否正確模擬現(xiàn)實(shí)的交通狀況取決于仿真模型，除了跟馳模型和換車(chē)道模型的研究深度，從操作方法上對(duì)沖突區(qū)域的描述、路權(quán)的分配、路經(jīng)決策信息的獲取方式等對(duì)仿真結(jié)果有重大影響．

基于交通仿真模型的研究需要對(duì)模型參數(shù)進(jìn)行標(biāo)定才能更好的仿真實(shí)際的交通狀況．Gomes等[7]對(duì)一段擁擠的高速公路建立了Vissim仿真模型并進(jìn)行了驗(yàn)證．驗(yàn)證中利用的參數(shù)有平均停車(chē)距離、最小安全車(chē)頭時(shí)距等駕駛行為參數(shù)，而每次循環(huán)中手動(dòng)進(jìn)行了參數(shù)的調(diào)整．盧守峰[8]等利用Excel VBA將Vissim與MATLAB進(jìn)行集成構(gòu)建了仿真平臺(tái)，而孫劍等[9]利用Vissim提供的COM接口和Visual Basic語(yǔ)言開(kāi)發(fā)仿真校正程序?qū)崿F(xiàn)了Vissim參數(shù)的自動(dòng)化校正．

本研究中利用德國(guó)宇航中心（DLR）開(kāi)發(fā)的開(kāi)放源代碼的微觀的交通仿真平臺(tái)SUMO對(duì)一段擁擠的城市快速路交織區(qū)進(jìn)行了仿真并在Linux環(huán)境下開(kāi)發(fā)了自動(dòng)校正程序?qū)δＰ蛥?shù)進(jìn)行了校正．較詳細(xì)的介紹了SUMO提供的換車(chē)道模型，在此基礎(chǔ)上對(duì)實(shí)測(cè)交通調(diào)查數(shù)據(jù)進(jìn)行了分析并對(duì)平臺(tái)提供的換車(chē)道模型進(jìn)行了優(yōu)化設(shè)計(jì)．

1 擁擠快速路交織區(qū)內(nèi)車(chē)輛的運(yùn)行特征

擁擠的交織區(qū)內(nèi)車(chē)輛跟馳和換車(chē)道的需求并存，車(chē)頭間距和橫、縱向空間變小，車(chē)輛的運(yùn)行特征有別于普通道路和自由流狀態(tài)下的交通．通過(guò)對(duì)目標(biāo)交織區(qū)的現(xiàn)場(chǎng)實(shí)驗(yàn)和攝像分析，結(jié)合目前為止國(guó)內(nèi)外學(xué)者的有關(guān)實(shí)驗(yàn)研究結(jié)論，可以總結(jié)交織區(qū)的交通流具有以下特點(diǎn)：

（1）車(chē)輛在有限的長(zhǎng)度內(nèi)進(jìn)行交織運(yùn)行，直行車(chē)道和交織車(chē)道上的車(chē)速差別大，不同車(chē)道之間需要完成換車(chē)道所需的距離和時(shí)間不同．

（2）為避免別的車(chē)輛加塞，在排隊(duì)行使過(guò)程駕駛員傾向于縮小反映時(shí)間，暫時(shí)選擇更小的安全車(chē)頭間距[10]36．

（3）跟車(chē)距離較近，駕駛員由于大型/廂式貨車(chē)和貼有不透明車(chē)窗膜的相同車(chē)型視線受阻不能觀察當(dāng)前車(chē)道和兩側(cè)車(chē)道前方的道路情況，只能通過(guò)觀察兩側(cè)車(chē)輛的移動(dòng)來(lái)判斷前方的交通情況，如果換道需求強(qiáng)烈只能向其它車(chē)輛駕駛員求助．

（4）入口匝道上的交通屬于震蕩擁擠交通流（oscillating congested traffic），自由流到擁擠流的變化過(guò)程中車(chē)頭時(shí)距逐漸變大，直到適應(yīng)前車(chē)的駕駛風(fēng)格[11]．不同車(chē)輛之間動(dòng)力性能的不同，駕駛員熟練程度不同，也會(huì)加劇這種震蕩．

（5）車(chē)輛的換道需求是剛性需求，必須在交織區(qū)范圍內(nèi)完成．如果多個(gè)車(chē)換道需求發(fā)生沖突就會(huì)出現(xiàn)死鎖（deadlock）現(xiàn)象．現(xiàn)實(shí)中的死鎖現(xiàn)象會(huì)通過(guò)駕駛員之間的協(xié)作甚至利用對(duì)向車(chē)道空間的方法來(lái)解決，不會(huì)因?yàn)椴荒芡瓿蓳Q車(chē)道而在原方向上繼續(xù)行駛的情況發(fā)生．

（6）駕駛員的換車(chē)道模式延交織區(qū)域的長(zhǎng)度發(fā)生變化[10]40，大部分換車(chē)道行為發(fā)生在交織區(qū)的前段[3]，需要進(jìn)行多次換車(chē)道的駕駛員在第一次變換車(chē)道時(shí)的行為更具冒險(xiǎn)性．

2 SUMO仿真模型及參數(shù)

2.1 跟馳模型

SUMO已經(jīng)實(shí)現(xiàn)的跟馳模型有Krauss模型和它的改進(jìn)模型、考慮駕駛員記憶效應(yīng)的智能駕駛員模型IDMM(Intelligent driver model with memory ef f ect)，Wiedemann模型和Daniel Krajzewicz模型等．每一種模型都有各自的優(yōu)點(diǎn)，從不同側(cè)面研究了車(chē)輛之間的相互影響，也有大量的應(yīng)用案例，可根據(jù)具體的問(wèn)題采用合適的跟馳模型來(lái)最佳程度的模擬車(chē)輛的跟馳行為．SUMO軟件默認(rèn)的Krauss模型引入了駕駛員不熟練程度的概念，即車(chē)輛最終的速度不是動(dòng)力學(xué)模型算出來(lái)的速度，而是駕駛員根據(jù)經(jīng)驗(yàn)從安全速度和最高車(chē)速之間進(jìn)行選擇的結(jié)果．IDMM模型在原IDM模型的基礎(chǔ)上引入了駕駛員記憶效應(yīng)的概念，更適合仿真快速路匝道和主線匯合區(qū)的交通流的仿真[11]．

每一種跟馳模型都有相應(yīng)的參數(shù)，通過(guò)命令行或配置文件傳遞給仿真過(guò)程的主要有：最高加速度，最高減速度，駕駛員不熟練程度，駕駛員反映時(shí)間，最小安全車(chē)頭間距，加速度指數(shù)，每秒仿真步數(shù)等．

2.2 換車(chē)道模型

SUMO已經(jīng)實(shí)現(xiàn)的換車(chē)道模型有Daniel Krajzewicz開(kāi)發(fā)的換車(chē)道模型DK2008，在DK2008模型基礎(chǔ)上優(yōu)化的模型LC2013（默認(rèn)）和子車(chē)道模型（Sublane-Model model）[12]．LC2013模型在路網(wǎng)中通過(guò)計(jì)算有效路徑來(lái)完成車(chē)道選擇過(guò)程．每一次循環(huán)中計(jì)算車(chē)輛所在的車(chē)道和周?chē)能?chē)道（bestLanes,目標(biāo)車(chē)道和需要穿過(guò)的車(chē)道）上不需要換車(chē)道的情況下能行使的距離、所有這些車(chē)道的占有率和當(dāng)前路段上有效車(chē)道索引中離最佳車(chē)道的偏移值（bestLaneOf f set）作為參考．換道需要的最短距離計(jì)算公式為：

其中dlc(t)為t時(shí)刻最短換道距離；v(t)是車(chē)輛在t時(shí)刻的速度；α1,α2是比例系數(shù)；L是車(chē)輛的長(zhǎng)度．計(jì)算當(dāng)前位置到車(chē)道終點(diǎn)的距離時(shí)考慮了車(chē)輛前方所有有效車(chē)道上的車(chē)輛的長(zhǎng)度，因此換車(chē)道的車(chē)輛會(huì)排在已經(jīng)存在的排隊(duì)后方，不會(huì)插隊(duì)．SUMO換車(chē)道模型將換車(chē)道行為根據(jù)換道目的分為4種類(lèi)型：

（1）戰(zhàn)略性變換車(chē)道(strategic lane changing)：車(chē)輛需要換車(chē)道以便行駛到自己路徑上的下一個(gè)路段當(dāng)前行駛的車(chē)道沒(méi)有連接到目標(biāo)路段的路徑時(shí)產(chǎn)生需求．

（2）協(xié)議性變換車(chē)道(cooperative lane changing)：為幫助別的車(chē)輛正常行駛而進(jìn)行的換車(chē)道行為．行駛過(guò)程中車(chē)輛可能阻擋了后方的車(chē)輛正常行駛或阻礙了前方車(chē)輛變換車(chē)道（比如占用了超車(chē)道），此時(shí)如果其它車(chē)輛提出請(qǐng)求，車(chē)輛即便沒(méi)有戰(zhàn)略性換車(chē)道需求也要調(diào)整速度或變換車(chē)道以幫助別的車(chē)輛．調(diào)整速度的行為規(guī)則根據(jù)阻礙的類(lèi)型不同而不同，具體為：

其中Vaccel(t)是車(chē)輛加速后的速度（m/s）;Vdecel(t)是減速后的車(chē)速（m/s）.

（3）戰(zhàn)術(shù)性變換車(chē)道(Tactical lane changing)：以獲得更高的速度為目的進(jìn)行的換車(chē)道行為，當(dāng)前放有別的慢速車(chē)輛阻擋的時(shí)候產(chǎn)生需求．每次循環(huán)中對(duì)每個(gè)鄰近車(chē)道的利益參數(shù)的值進(jìn)行計(jì)算并累加到一個(gè)代表駕駛員換車(chē)道愿望的參數(shù)speedGainProbability，當(dāng)參數(shù)speedGainProbability的值超過(guò)一個(gè)閾值時(shí)戰(zhàn)術(shù)性變換車(chē)道的需求就會(huì)產(chǎn)生．

（4）基于法規(guī)的變換車(chē)道（Regulatory lane-changing）：一般交通法規(guī)規(guī)定車(chē)輛超車(chē)用左側(cè)車(chē)道（右行規(guī)則），車(chē)輛利用左側(cè)車(chē)道完成超車(chē)需要返回原來(lái)的車(chē)道時(shí)產(chǎn)生此種需求．變換車(chē)道行為的執(zhí)行參考一個(gè)參數(shù)keepRightProbability，而此參數(shù)值的計(jì)算考慮超車(chē)完成所需要的時(shí)間、超車(chē)道上的速度限制和換車(chē)道需求的強(qiáng)烈程度．

以上4種目的的換車(chē)道需求通過(guò)一個(gè)流程進(jìn)行比較來(lái)決定是否執(zhí)行相應(yīng)的換車(chē)道行為．此流程可簡(jiǎn)單的表示為：

a.戰(zhàn)略性變換車(chē)道需求強(qiáng)烈—試圖執(zhí)行戰(zhàn)略型換車(chē)道；

b.換車(chē)道會(huì)產(chǎn)生緊急情況—不執(zhí)行換車(chē)道（屬于戰(zhàn)略性換車(chē)道決策）；

c.車(chē)輛從后方阻礙了一個(gè)有戰(zhàn)略性換車(chē)道需求的車(chē)輛—試圖執(zhí)行協(xié)議性換車(chē)道；

d.參數(shù)speedGainProbability的值大于閾值—試圖執(zhí)行戰(zhàn)術(shù)性換車(chē)道；

e.參數(shù)keepRightProbability的值大于閾值—-試圖執(zhí)行基于法規(guī)的變換車(chē)道；

SUMO仿真平臺(tái)提供的LC2013換車(chē)道模型可設(shè)置的參數(shù)如表1所示．

表1 LC2013換車(chē)道模型可設(shè)置參數(shù)

除了以上參數(shù)以外，SUMO還引入了一個(gè)影響駕駛員激烈駕駛行為的參數(shù)“不耐心率(impatience)”，指駕駛員在行使過(guò)程中干擾優(yōu)先級(jí)為更高的車(chē)隊(duì)列的可能性．SUMO在交叉口的路權(quán)計(jì)算中和在換車(chē)道行為換車(chē)道間隙計(jì)算中用到該參數(shù)．

2.3 對(duì)換車(chē)道模型的修改

根據(jù)本研究選定的研究區(qū)域內(nèi)的交通調(diào)查數(shù)據(jù)，對(duì)駕駛行為進(jìn)行分析并對(duì)原模型進(jìn)行優(yōu)化設(shè)計(jì)：

（1）換車(chē)道行為以協(xié)作型換車(chē)道行為主，且在換車(chē)道行為中周?chē)?chē)輛針對(duì)換道車(chē)輛做出的調(diào)整速度行為有一定延遲可能是因?yàn)轳{駛員對(duì)周?chē)话l(fā)的換道請(qǐng)求需要一定的時(shí)間反映，考慮自身需求甚至是換道車(chē)輛的‘態(tài)度’再?zèng)Q定何時(shí)做出反應(yīng)．因此在LC2013換道模型的協(xié)作型換車(chē)道決策中引入?yún)f(xié)作型換車(chē)道等待時(shí)間Tcooperate，每一次執(zhí)行換車(chē)道之前等待Tcooperate時(shí)刻．

（2）在原模型定義中駕駛員不耐心率的計(jì)算公式為:

其中Ibase為駕駛員的不耐心率（常數(shù)），Twait是車(chē)輛在排隊(duì)中的等待（速度小于0.1m/s）時(shí)間，Tteleport定義了車(chē)輛在緊急停車(chē)位置等待車(chē)道變換空間出現(xiàn)的最長(zhǎng)時(shí)間（默認(rèn)300秒），超過(guò)此時(shí)間車(chē)輛就會(huì)被移到當(dāng)前路徑后方的位置（Teleport）．在觀測(cè)中發(fā)現(xiàn)大部分的換車(chē)道行為屬于戰(zhàn)略性換車(chē)道和協(xié)作性換車(chē)道，影響駕駛員在換車(chē)道過(guò)程中是否采取激烈駕駛行為的是與交織區(qū)終點(diǎn)之間的距離[3]，與等待的時(shí)間長(zhǎng)度沒(méi)有明顯的關(guān)系．因此在協(xié)議性換車(chē)道間隙的計(jì)算中將定義改為

雖然可以說(shuō)明排隊(duì)時(shí)間的長(zhǎng)度對(duì)駕駛員的心理有影響，但此種心理與模型中定義的激烈的、冒險(xiǎn)性的駕駛行為之間的關(guān)系需要進(jìn)一步的明確．

在Linux平臺(tái)下對(duì)原程序MSVehicle.cpp和MSLink.cpp程序中的計(jì)算協(xié)議性換車(chē)道過(guò)程代碼中進(jìn)行修改并重新編譯．

3 實(shí)驗(yàn)區(qū)域和仿真參數(shù)的選擇

本研究分別選烏魯木齊市廣匯立交橋上由西向東方向入口和出口匝道之間的交織區(qū)和珠江路立交橋下南向北方向出口匝道與主路的匯入?yún)^(qū)作為實(shí)驗(yàn)區(qū)．廣匯立交橋和珠江路立交橋是典型的苜蓿葉式全互通立交橋．廣匯立交橋上層為南外環(huán)路高架橋，下層為河灘快速路及其輔道，交織區(qū)長(zhǎng)度只有78m，高峰期容易出現(xiàn)嚴(yán)重的交通擁堵．交織區(qū)采用了物力隔離直行車(chē)道和交織車(chē)道的方法避免了交織車(chē)輛對(duì)直行車(chē)輛的影響．立交橋兩側(cè)設(shè)有人行道，為觀測(cè)和攝像工作提供了方便．珠江路立交橋最近完成了擴(kuò)建，橋下南向北出口匝道上車(chē)流量多，與主路的匯入?yún)^(qū)域沒(méi)有加速車(chē)道，匝道車(chē)輛對(duì)主路的車(chē)流干擾比較明顯．

本次實(shí)驗(yàn)中取晚高峰5：30-5：40之間10 min內(nèi)的交通流數(shù)據(jù)．根據(jù)現(xiàn)場(chǎng)觀測(cè)，確定各參數(shù)的取值范圍如表2所示．

觀察中區(qū)分換道目的比較困難，主要依賴(lài)反復(fù)觀看視頻判斷車(chē)輛的最終路徑來(lái)進(jìn)行．根據(jù)觀測(cè)結(jié)果將參數(shù)lcSpeedGain和lcKeepRight的值取為0,即交織區(qū)域內(nèi)車(chē)輛的換道需求類(lèi)型為戰(zhàn)略性需求和協(xié)作性需求．這可能是因?yàn)閲?guó)內(nèi)的駕駛員對(duì)上述“基于法規(guī)的變換車(chē)道”意識(shí)不夠，另一方面因在高峰期有交警在現(xiàn)場(chǎng)值勤以及有限的空間影響了以獲得更好速度為目的的戰(zhàn)術(shù)型換車(chē)道需求．仿真中選用IDMM模型作為跟車(chē)模型．廣匯立交橋交織區(qū)交織區(qū)衛(wèi)星圖和SUMO仿真界面如圖1和圖2所示，圖3是珠江路立交橋下匝道與主路連接區(qū)域的仿真界面．

表2 SUMO仿真換車(chē)道參數(shù)

圖1 廣匯立交橋交織區(qū)衛(wèi)星圖

圖2 交織區(qū)SUMO仿真界面

圖3 匝道匯入?yún)^(qū)并道過(guò)程仿真

4 基于COBYLA算法的參數(shù)校正和仿真結(jié)果

仿真模型中的各個(gè)參數(shù)都是獨(dú)立的，為更好的模擬仿真對(duì)象，需要對(duì)仿真模型參數(shù)進(jìn)行校正，調(diào)整各參數(shù)的值使最終的仿真結(jié)果滿(mǎn)足條件．參數(shù)校正是對(duì)設(shè)定好的目標(biāo)函數(shù)的組合優(yōu)化問(wèn)題，對(duì)于每一個(gè)目標(biāo)函數(shù)輸入現(xiàn)場(chǎng)檢測(cè)的行程時(shí)間數(shù)據(jù)和仿真模型輸出的行程時(shí)間數(shù)據(jù)．用Python語(yǔ)言編寫(xiě)了參數(shù)校正程序，在Linux環(huán)境下通過(guò)命令行調(diào)用sumo仿真程序完成仿真過(guò)程和參數(shù)校正過(guò)程．選用了基于線形逼近的約束優(yōu)化方法(COBYLA-Constrained Optimization BY Linear Approximation)作為優(yōu)化算法，調(diào)用Python語(yǔ)言數(shù)學(xué)函數(shù)庫(kù)中的COBYLA函數(shù)，可以很好的與sumo仿真程序進(jìn)行融合．

校正過(guò)程程序可分為sumo仿真模塊和val-COBYLA驗(yàn)證控制模塊，SUMO仿真模型需要路網(wǎng)文件（net fi le）和路由文件（route fi le）驗(yàn)證過(guò)程中將路由文件分成2部分，靜態(tài)的交通需求信息直接提供給SUMO仿真程序，而車(chē)輛參數(shù)在每次循環(huán)中通過(guò)驗(yàn)證程序計(jì)算寫(xiě)入車(chē)輛參數(shù)文件提供給SUMO仿真程序，此過(guò)程循環(huán)運(yùn)行到滿(mǎn)足誤差要求為止，待校正的參數(shù)集作為優(yōu)化的取值空間提供給COBYLA算法，程序流程圖如圖4所示．

具體過(guò)程為：

(1)調(diào)用SUMO仿真程序；(2)讀取實(shí)測(cè)交通調(diào)查數(shù)據(jù)和仿真輸出數(shù)據(jù)；(3)計(jì)算每一輛車(chē)實(shí)測(cè)數(shù)據(jù)和仿真數(shù)據(jù)之間的均方根誤差（RMSE）；(4)循環(huán)運(yùn)行以上過(guò)程直到誤差滿(mǎn)足要求．

參數(shù)校正程序通過(guò)反復(fù)運(yùn)算，誤差從最初的38%下降到了23%．仿真中車(chē)輛在交織區(qū)的換道次數(shù)統(tǒng)計(jì)結(jié)果如表3所示．

圖4 va_COBYLA校正程序流程圖

表3 換車(chē)道次數(shù)對(duì)比

5 結(jié)語(yǔ)

本文中分別用SUMO平臺(tái)提供的原換車(chē)道模型、優(yōu)化設(shè)計(jì)和標(biāo)定后的換車(chē)道模型對(duì)烏魯木齊市廣匯立交橋交織區(qū)擁擠狀態(tài)下的換車(chē)道行為進(jìn)行了仿真研究．優(yōu)化中引入了換車(chē)道等待時(shí)間Tcooperate的參數(shù)并對(duì)駕駛員不耐心率進(jìn)行了重新定義．SUMO的模塊化的程序結(jié)構(gòu)給研究人員提供了實(shí)現(xiàn)和評(píng)估自己算法的工具．SUMO中車(chē)輛在產(chǎn)生時(shí)刻即獲得路徑，且車(chē)輛產(chǎn)生在路段上而非車(chē)道上，可通過(guò)設(shè)置所出現(xiàn)的車(chē)道和地點(diǎn)規(guī)則來(lái)模擬車(chē)輛的產(chǎn)生過(guò)程，有利于避免車(chē)輛產(chǎn)生后在固定的地點(diǎn)獲得路徑?jīng)Q策、在固定的地點(diǎn)變換車(chē)道（如Vissim）．此特性很好的解決了排隊(duì)開(kāi)始處車(chē)輛換車(chē)道區(qū)域集中的問(wèn)題，在實(shí)際應(yīng)用中給研究和工程人員提供了良好的平臺(tái)．

參考文獻(xiàn)：

[1]Transportation Research Board.Highway Capacity Manual 2010[M].USA：National Research Council,2010.

[2]狄宣,張小寧,張紅軍.基于元胞自動(dòng)機(jī)的快速路交織區(qū)建模仿真[J].交通與計(jì)算機(jī),2008,26(2):23-26.

[3]楊曉光,孫劍,李克平.擁擠交通流交織區(qū)車(chē)道變換行為仿[J]系統(tǒng)仿真學(xué)報(bào),2009,21(13):4174-4178.

[4]孫劍,胡家琦,孫杰.城市快速路交織區(qū)通行能力估計(jì)模型[J].中國(guó)公路學(xué)報(bào),2016,29(4):114-122.

[5]Hall F,Bloomberg L,Rouphail N,et al.Validation Results for Four Models of 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]盧守峰,韋欽平,沈文,等.集成VISSIM、Excel VBA和MATLAB的仿真平臺(tái)研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2012,12(4):43-48.

[9]孫劍,楊曉光,劉好德.微觀交通仿真系統(tǒng)參數(shù)校正研究[J].系統(tǒng)仿真學(xué)報(bào),2007,(1):48-50.

[10]Kusuma A,Liu R,Choudhury C,et al.Lane-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.