突發(fā)交通事件對山區(qū)高速公路交通運行影響的VISSIM仿真分析及預(yù)測

鄭 楠，楊文臣，馬 力，韓 輝

(1.云南省交通規(guī)劃設(shè)計研究院有限公司陸地交通氣象災(zāi)害防治技術(shù)國家工程實驗室，云南 昆明 650031；2.交通運輸部公路科學(xué)研究院，北京 100088)

我國高速公路快速化、規(guī)?；途W(wǎng)絡(luò)化發(fā)展帶來了較為嚴重的交通事故、交通擁堵和交通污染等問題，道路交通安全形勢不容樂觀，尤以不利天氣、重大交通事故、大范圍交通擁堵等突發(fā)交通事件對山區(qū)高速公路網(wǎng)的交通運行安全和可靠性的挑戰(zhàn)最為突出[1]。突發(fā)交通事件對高速公路交通運行態(tài)勢影響的定量化、精細化研判是快速響應(yīng)和及時處置突發(fā)交通事件的關(guān)鍵，是高速公路交通安全防控和應(yīng)急管理研究中迫切需要解決的研究熱點和實踐難題。

交通事件對高速公路交通運行態(tài)勢的影響分析方法可分為三類，即歷史數(shù)據(jù)實證研究方法、數(shù)值模擬方法和交通仿真分析方法。歷史數(shù)據(jù)實證研究方法[2-4]以歷史交通事件數(shù)據(jù)、交通流數(shù)據(jù)、交通事故數(shù)據(jù)為基礎(chǔ)，采用描述性統(tǒng)計分析方法或多元非線性回歸等數(shù)理統(tǒng)計模型，定量研究交通事件對高速公路交通流和交通運行安全的宏觀影響。數(shù)值模擬方法根據(jù)突發(fā)交通事件下交通運行機理，采用交通流理論與建模技術(shù)，構(gòu)建交通事件條件下車輛跟馳、換道等數(shù)學(xué)模型，分析不同交通事件下交通運行態(tài)勢的時空變化規(guī)律，其中以離散的元胞自動機模型的應(yīng)用最為廣泛[5-7]。交通仿真分析方法[8-10]根據(jù)突發(fā)交通事件下道路條件、交通流條件和駕駛行為，采用VISSIM、PARAMICS、CORSIM等微觀交通仿真軟件，建立了道路交通流仿真模型，通過在線或離線仿真模擬不同實驗場景下高速公路的交通流運行，可視化研判突發(fā)事件對交通系統(tǒng)的影響。歷史數(shù)據(jù)實證研究方法需要豐富的歷史數(shù)據(jù)，且宏觀預(yù)測模型移植的精度有限；數(shù)值模擬方法基于一定假設(shè)，建立了中觀交通流的動力學(xué)模型，但受限于實際交通系統(tǒng)的復(fù)雜性、時變不確定性，難以建立精確的數(shù)學(xué)模型描述交通事件；而VISSIM等微觀交通仿真軟件，作為一種無偏的評價工具，已被廣泛應(yīng)用于交通事件的理論研究和工程應(yīng)用中。

本文以山區(qū)高速公路復(fù)雜的橋隧群區(qū)段為研究對象，提出了一種基于VISSIM的突發(fā)交通事件對山區(qū)高速公路交通運行影響的仿真分析與建模方法，分析了不同交通流量、封閉車道數(shù)和事件持續(xù)時長下突發(fā)山區(qū)高速公路交通運行態(tài)勢的時空演化規(guī)律，并建立了最大排隊長度預(yù)測模型，可為突發(fā)交通事件應(yīng)急管理提供參考。

1 突發(fā)交通事件仿真建模

1.1 交通安全影響分析方法比較

(1) 歷史數(shù)據(jù)實證研究方法[2]是一種事后統(tǒng)計分析方法，需要有大量的高質(zhì)量歷史交通數(shù)據(jù)，且由于交通事件對高速公路交通運行影響的范圍及程度表現(xiàn)出較強的時空異質(zhì)性，因此需要強化本地化建模與分析方法。

(2) 數(shù)值模擬方法[6]是基于機理的數(shù)學(xué)建模分析方法，這種方法的理論性和邏輯性完備，但是由于交通系統(tǒng)是一個復(fù)雜、開放的巨系統(tǒng)，交通事件對高速公路交通運行的影響因素眾多，難以建立精確、統(tǒng)一的數(shù)學(xué)模型，因此如何提取交通事件對高速公路交通運行影響的重要特征因子，并建立合適的交通事件影響預(yù)測模型是該方法面臨的重要挑戰(zhàn)，且這種分析方法需要較強的數(shù)學(xué)基礎(chǔ)，目前理論研究應(yīng)用較多，工程應(yīng)用研究相對較少。

(3) 交通仿真分析方法[10]無須從微觀交通流建模分析入手，可直接利用交通仿真軟件中成熟的交通流模型，快速構(gòu)建應(yīng)用對象的仿真模型，可視化和定量分析交通事件對交通運行的影響，適用于“事前、事中和事后”的全過程交通影響分析，但如何通過交通仿真參數(shù)校準等構(gòu)建逼近“真實”的交通場景是該方法結(jié)果有效性的關(guān)鍵，適合于快速工程應(yīng)用。

1.2 交通事件分類及仿真配置

影響交通安全和通行效率的交通事件多指非重現(xiàn)的交通事故、臨時交通管制、雨霧冰雪等不利天氣及其組合事件。根據(jù)高速公路交通事件的災(zāi)害類別及特點，交通事件可分為單點事件、路段事件和區(qū)域事件，典型高速公路交通事件分類及仿真配置需求見表1[11-13]。

表1 典型高速公路交通事件分類及仿真配置需求Table 1 Classification and simulation configuration of typical highway traffic incidents

1.3 交通事件的VISSIM仿真建模

1.3.1 交通事件仿真模擬的關(guān)鍵問題

突發(fā)交通事件下，路段乃至路網(wǎng)的交通環(huán)境發(fā)生了改變，并導(dǎo)致交通流和駕駛行為發(fā)生了相應(yīng)的變化。突發(fā)交通事件下高速公路交通運行仿真模擬的關(guān)鍵問題包括三個方面：一是交通事件模擬，建立典型的突發(fā)交通事件仿真模型，能夠可視化模擬各類突發(fā)交通事件對高速公路交通運行造成的影響；二是交通事件影響分析，支持輸出排隊長度、延誤、通過量、速度、交通沖突等結(jié)果數(shù)據(jù)，選取合理的評價指標分析突發(fā)交通事件對高速公路交通運行影響的時變特性；三是交通運行影響態(tài)勢預(yù)測，提取突發(fā)交通事件對高速公路交通運行影響的重要特征變量，建立交通運行影響范圍預(yù)測模型，分析高速公路交通運行態(tài)勢的演化趨勢。

1.3.2 交通事件的VISSIM仿真建模流程

VISSIM是一種可視化的微觀交通仿真軟件，能對單一車輛行駛特性和駕駛行為進行微觀處理，并可模擬、分析和評價實際道路上交通流的運行，作為一種無偏的技術(shù)手段，VISSIM已被廣泛應(yīng)用于交通工程應(yīng)用研究。本文利用VISSIM仿真軟件，開發(fā)了高速公路交通運行仿真實驗平臺，對不同交通流條件下突發(fā)交通事件的影響因素進行了定量的仿真評價和分析。高速公路突發(fā)交通事件的VISSIM仿真建模流程主要包括：基礎(chǔ)路網(wǎng)仿真建模(幾何結(jié)構(gòu))、仿真模型參數(shù)校準(行為參數(shù))、交通事件仿真模擬、交通運行仿真模擬和仿真結(jié)果統(tǒng)計(評價指標)，詳見圖1。

圖1 高速公路突發(fā)交通事件的VISSIM仿真建模流程Fig.1 VISSIM simulation procedure of emergent traffic incidents on highway

根據(jù)具體的交通事件特性，確定調(diào)整的仿真模型參數(shù)和模擬方法，而針對突發(fā)交通事件和特殊路段交通運行的仿真模擬主要通過調(diào)整仿真模型中交通流參數(shù)、駕駛行為參數(shù)、道路控制參數(shù)或車輛參數(shù)來實現(xiàn)。其中，車輛參數(shù)包括行駛速度、加速度、減速度等；駕駛行為參數(shù)包括跟馳、換道行為、車頭時距等；交通流參數(shù)包括OD流量和期望速度等；道路控制參數(shù)包括車道關(guān)閉、行駛路徑等。

2 應(yīng)用案例與實驗設(shè)計

2.1 案例描述

受光照條件、結(jié)構(gòu)物空間、交通環(huán)境、不利天氣等多種因素的影響，山區(qū)高速公路橋隧密集區(qū)的行車條件會發(fā)生頻繁變化，隨著交通流量的增加，橋隧密集區(qū)已逐漸成為山區(qū)高速公路事故多發(fā)路段。故本文選取云南某山區(qū)高速公路的橋隧密集區(qū)段(K35～K47)為研究對象，該路段共含2座橋梁和5條隧道，橋隧比高達90%，采用雙向四車道分離式設(shè)計，設(shè)計車輛行駛速度為80 km/h，隧道內(nèi)車輛限速為60 km/h，行車安全隱患較為突出。對隧道路段的模擬，要根據(jù)設(shè)計車輛行駛速度，通過在該隧道路段突發(fā)交通事件VISSIM仿真模型中設(shè)置起始/終點斷面并分別設(shè)置期望速度決策點來實現(xiàn)。

圖2 山區(qū)高速公路橋隧路段突發(fā)交通事件VISSIM仿真模型Fig.2 VISSIM simulation model of mountainous highway bridge-tunnel group section

2.2 參數(shù)校定

以通行能力為指標，根據(jù)渝昆高速公路設(shè)計的車輛行駛速度、通行能力和大小型車輛構(gòu)成，通過調(diào)整駕駛行為參數(shù)并多次仿真[14]，使該路段通行能力達設(shè)計通行能力的95%以上。經(jīng)過多次試驗，Wiedemann99模型參數(shù)的標定結(jié)果如上：CC0(停車間距)為1.5 m，CC1(車頭時距)為2.5 s，CC2(跟車變量)為4.0 m，CC3(進入跟車狀態(tài)的閥值)為-8.00，CC7(加速度波動幅度)為0.25 m/s2，最大前視距離為250.0 m。

2.3 實驗設(shè)計

假定在A和B兩個隧道間(K400+100)發(fā)生交通事故，通過配置不同的事件持續(xù)時長(即事件持續(xù)時長)t、封閉車道數(shù)N和交通流量V，模擬不同的交通事件場景，VISSIM仿真實驗方案設(shè)計見表2。其中，仿真預(yù)熱時間取15 min，事件發(fā)生的時間點為仿真900 s，大車率為0.3。在仿真路段范圍內(nèi)設(shè)置排隊計數(shù)器(Queue Counter)和數(shù)據(jù)采集器(Data Collection)采集交通事件條件下車輛的排隊、行駛速度、通過量等數(shù)據(jù)。其中，排隊計數(shù)器布設(shè)在事件發(fā)生地點上游20 m處，數(shù)據(jù)采集器在事故發(fā)生地點，上游布設(shè)35個斷面，下游布設(shè)2個斷面。

表2 VISSIM仿真實驗方案設(shè)計Table 2 Experiment plan of VISSIM simulation

3 突發(fā)交通事件對山區(qū)高速公路交通運行的影響與態(tài)勢演化特征分析

3.1 不同事件持續(xù)時長的影響

本文以封閉1個車道、交通流量為1 500 pcu/h的突發(fā)交通事件為例，利用VISSIM仿真模型模擬得到了不同事件持續(xù)時長(t)下車輛行駛速度的時空分布圖，見圖3。圖中顏色圖譜表征車輛行駛速度，深紅色表示行駛速度低，綠色表示行駛速度高。

圖3 不同事件持續(xù)時長下車輛行駛速度時空分布圖(N=1個，V=1 500 pcu/h)Fig.3 Spatial-temporal distribution of the driving speed with different incident duration (N=1，V=1 500 pcu/h)

由圖3可見，在交通事故發(fā)生時(15 min)，離事故發(fā)生地點最近的斷面開始出現(xiàn)擁堵，車輛行駛速度開始大幅下降至0，此后，事故路段上開始出現(xiàn)排隊，并以集結(jié)波的形式迅速向上游蔓延；當(dāng)交通事故消除后，事故發(fā)生地點通行能力恢復(fù)，離事故發(fā)生地點最近的斷面開始出現(xiàn)消散波，由于消散波的速度大于到達集結(jié)波的速度，兩者交匯處為最大排隊長度，之后車輛行駛速度逐漸恢復(fù)至正常水平。

本文利用VISSIM仿真模型模擬得到了不同事件持續(xù)時長(t)下事故路段車輛平均行駛速度(v)和最大排隊長度(LQ)的分布曲線，見圖4。

圖4 不同事件持續(xù)時長下事故路段車輛平均行駛 速度和最大排隊長度的分布曲線Fig.4 Curves of the average driving speed and the maximum queue length with different incident duration

由圖4可見，當(dāng)封閉車道數(shù)和交通流量一定時，離事故發(fā)生地點最近的斷面車輛平均行駛速度與事件持續(xù)時長呈線性負相關(guān)關(guān)系，最大排隊長度與事件持續(xù)時長呈線性正相關(guān)關(guān)系，即事件持續(xù)時長越長，受影響時段內(nèi)路段上車輛平均行駛速度越低，最大排隊長度越大，交通流運行條件越差。

事故路段上車輛平均行駛速度、最大排隊長度與事件持續(xù)時長的線性擬合關(guān)系式如下：

LQ=1 194.1t,R2=0.992 3

v=-2.362 9t+68.753,R2=0.975 2

(1)

式中：LQ為最大排隊長度(m);v為車輛平均行駛速度(km/h);t為事件持續(xù)時長(h)。

由公式(1)可知，R2均大于0.97，表明關(guān)系模型的線性擬合度好。

3.2 不同封閉車道數(shù)的影響

本文以交通流量為500 pcu/h、事件持續(xù)時長為1 h和2 h的突發(fā)交通事件為例，利用VISSIM仿真模型模擬得到了不同封閉車道數(shù)下車輛行駛速度的時空分布圖，見圖5。

由圖5可見，當(dāng)交通事故阻斷1個車道時，路段上剩余車道的通行能力能滿足交通流量，不同事故條件下路段上車輛行駛速度沒有明顯變化；當(dāng)事故阻斷2個車道時，路段完全中斷，車輛行駛速度表現(xiàn)為事故發(fā)生時快速下降、事故清除后快速上升，且車輛行駛速度下降-上升的時空影響范圍與事件持續(xù)時長呈正相關(guān)。這是因為受影響車道數(shù)與路段上剩余車道的通行能力呈負相關(guān)，而剩余車道的通行能力與交通流量的關(guān)系直接決定著交通流的運行狀態(tài)，但是只考慮剩車道的余通行能力而忽視交通流量，無法客觀地分析突發(fā)交通事件對高速公路交通運行的影響與態(tài)勢演化特征。

圖5 不同封閉車道數(shù)下車輛行駛速度的時空分布圖(V=500 pcu/h)Fig.5 Spatial-temporal distribution of the driving speed with different closed lane numbers (V=500 pcu/h)

3.3 不同交通流量的影響

本文以封閉2個車道、事件持續(xù)時長為0.5 h的突發(fā)交通事故為例，利用VISSIM仿真模型模擬得到了不同交通流量下車輛行駛速度的時空分布圖，見圖6。

由圖6可見，在事件持續(xù)時長和封閉車道數(shù)確定的情況下，交通流量越大，車輛行駛速度降低的斷面就越多，交通擁堵消散(車輛行駛速度恢復(fù))的時間也越長；當(dāng)?shù)竭_的交通流量(2 000 pcu/h)遠大于道路通行能力時，仿真時空范圍內(nèi)(仿真時長-里程)甚至無法觀測到完整的車輛行駛速度“下降—上升”的過程，交通事件對高速公路交通流的影響極為嚴重，高速公路接近“交通中斷”。

圖6 不同交通流量下車輛行駛速度的時空分布圖(N=2，t=0.5 h)Fig.6 Spatial-temporal distribution of the driving speed with different arriving traffic volume (N=2，t=0.5 h)

本文利用VISSIM仿真模型模擬得到了不同交通流量下事故路段車輛平均行駛速度和最大排隊長度的分布曲線見圖7。

圖7 不同交通流量下事故路段車輛平均行駛速度和 最大排隊長度的分布曲線Fig.7 Curves of the average driving speed in the accident highway section and the maximum queue length with different traffic volume

由圖7可見，突發(fā)交通事件影響范圍內(nèi)事故路段上車輛平均行駛速度、最大排隊長度與交通流量的線性擬合結(jié)果表明：車輛平均行駛速度與交通流量呈線性負相關(guān)關(guān)系，線性擬合度好(R2=0.974)；最大排隊長度與交通流量的線性擬合度較好(R2=0.903)，表現(xiàn)出冪函數(shù)關(guān)系。

事故路段上車輛平均行駛速度和最大排隊長度與交通流量的線性擬合關(guān)系式如下：

LQ=2 094V，R2=0.903

v=-5.14V+72.55,R2=0.974

(2)

式中：V為交通流量(pcu/h)。

4 基于最大排隊長度的交通運行影響范圍預(yù)測模型

4.1 交通運行影響范圍預(yù)測及指標選取

最大排隊長度是集結(jié)波和消散波速度達到均衡時的排隊長度，可直觀地表征突發(fā)交通事件對高速公路交通流運行影響的空間范圍和嚴重程度。本文選取最大排隊長度作為評價指標，通過篩選其重要影響因素，構(gòu)建了最大排隊長度的預(yù)測模型，并采用仿真實驗數(shù)據(jù)估計模型參數(shù)，預(yù)測突發(fā)交通事件對高速公路交通流運行的影響，研判其演化態(tài)勢。

4.2 最大排隊長度預(yù)測模型建立

根據(jù)上述不同道路交通條件下突發(fā)交通事件對高速公路交通流運行影響的分布特征(見圖3至圖7)分析可知，最大排隊長度與交通事件持續(xù)時長、封閉車道數(shù)呈正相關(guān)的線性關(guān)系，最大排隊長度與交通流量呈正相關(guān)的冪函數(shù)關(guān)系。最大排隊長度預(yù)測模型建立的原理如下：①定義最大排隊長度為因變量，事件持續(xù)時長、封閉車道數(shù)和交通流量為自變量；②采用累乘法綜合表征3個自變量對最大排隊長度的累積交互效應(yīng)；③由于最大排隊長度與交通流量間存在冪函數(shù)關(guān)系，在不改變最大排度長度與事件持續(xù)時長、封閉車道數(shù)和常數(shù)項3個變量間關(guān)系規(guī)律的同時，分別對其進行自然指數(shù)的變換，以采用“簡單、適用”的線性回歸估計最大排隊長度預(yù)測模型的參數(shù)。因此，最大排隊長度預(yù)測模型采用指數(shù)函數(shù)和冪函數(shù)的組合模型形式，其基本模型如下：

LQ=ea0·ea1N·ea2t·Va3

(3)

式中：N為封閉車道數(shù)(個)；a0為模型常數(shù)項系數(shù)；a1、a2、a3為模型自變量系數(shù)。

對公式(3)進行對數(shù)變換，則最大排隊長度對數(shù)的多元線性回歸預(yù)測模型為：

ln(LQ)=a0+a1N+a2t+a3ln(V)

(4)

采用最小二乘法對公式(4)的多元線性回歸模型進行參數(shù)估計，模型參數(shù)估計和顯著性檢驗結(jié)果，見表3。

表3 最大排隊長度預(yù)測模型參數(shù)估計和顯著性檢驗結(jié)果Table 3 Parameters estimation and significance test result of the maximum queue length predictive model

由表3可知，調(diào)整R2達到0.820，表明模型擬合優(yōu)度可接受；模型顯著性F檢驗結(jié)果顯示，Sig.值為0.000，拒絕F檢驗的原假設(shè)，表明擬合的模型具有統(tǒng)計學(xué)意義。

經(jīng)參數(shù)估計后的最大排隊長度預(yù)測模型如下：

lnLQ=-26.915+4.157N+0.633t+3.988lnV,R2=0.82

(5)

該預(yù)測模型形式簡單、實用，可解釋突發(fā)交通事件條件下最大排隊長度對數(shù)值的82%變化，具有較好的工程適用性。

對公式(5)進行自然指數(shù)變換，由于最大排隊長度的對數(shù)值存在擬合誤差，經(jīng)自然指數(shù)轉(zhuǎn)換后該誤差將被指數(shù)級放大，故采用修正系數(shù)f對誤差進行修正，修正后的最大排隊長度預(yù)測模型如下：

LQ=f·e-26.915·e4.157N·e0.633t·V3.988

(6)

上式中的修正系數(shù)f在實際應(yīng)用中須采用實際最大排隊長度數(shù)據(jù)進行標定，但由于缺乏突發(fā)交通事件下實測的最大排隊長度數(shù)據(jù)，故本文采用仿真最大排隊長度進行標定，f的計算值為2.123，R2為0.973，說明建立的最大排隊長度預(yù)測模型擬合精度好，具有明顯的統(tǒng)計意義。

本文以實驗路段20%的仿真實驗數(shù)據(jù)作為基準，檢驗本文建立的最大排隊長度預(yù)測模型[見公式(6)]預(yù)測結(jié)果的準確性。最大排隊長度預(yù)測與仿真結(jié)果的對比，見圖8。

圖8 最大排隊長度預(yù)測與仿真結(jié)果的對比Fig.8 Comparison between the predicted and simulated maximum queue length

由圖8可見，預(yù)測模型的預(yù)測值向45°參照線集中，平均絕對相對誤差為23.24%，與45°參照線偏離的誤差較穩(wěn)定，說明最大排隊長度預(yù)測模型的準確性較好。

5 結(jié) 論

(1) 系統(tǒng)梳理了交通事件下高速公路交通運行態(tài)勢影響分析的三類方法，包括歷史數(shù)據(jù)實證研究方法、數(shù)值模擬方法和交通仿真分析方法，歸納了其技術(shù)特征，分析了其關(guān)鍵問題和適用邊界；歸納了高速公路交通事件類型及仿真需求配置，從“簡單、快速”的工程應(yīng)用角度，提出了一種基于VISSIM的突發(fā)交通事件對山區(qū)高速公路交通運行影響的仿真分析與建模方法。

(2) 提出了突發(fā)交通事件VISSIM仿真實驗場景設(shè)計方法。以云南某山區(qū)高速公路事故多發(fā)的橋隧群區(qū)段為研究對象，提出了仿真模型參數(shù)標定的準則及標定結(jié)果，并通過控制事件持續(xù)時長、封閉車道數(shù)和交通流量3個變量的變化，模擬了不同突發(fā)交通事件仿真場景。

(3) 分析了不同事件持續(xù)時長、封閉車道數(shù)、交通流量下突發(fā)交通事件對山區(qū)高速公路交通流的影響與運行態(tài)勢的演化特性，結(jié)果表明：最大排隊長度與交通流量表現(xiàn)出正相關(guān)冪函數(shù)關(guān)系，而最大排隊長度與事件持續(xù)時長、封閉車道數(shù)表現(xiàn)出線性正相關(guān)關(guān)系。

(4) 采用指數(shù)函數(shù)和冪函數(shù)的組合形式，提出了最大排隊長度預(yù)測模型的基本形式，并采用最小二乘法估計模型參數(shù)，結(jié)果表明：預(yù)測模型的擬合度和顯著性較高，可預(yù)測約80%的最大排隊長度變化，且該模型的對數(shù)形式是簡單的多元線性回歸模型，具有較好的工程實用性，但預(yù)測模型的實際預(yù)測精度仍需在實踐中利用實測數(shù)據(jù)進一步檢驗。