混有CACC和ACC車輛的連續(xù)型元胞自動(dòng)機(jī)交通流模型

張建旭， 胡帥

(1. 重慶交通大學(xué)交通運(yùn)輸學(xué)院, 重慶 400074; 2. 重慶交通大學(xué)山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室, 重慶 400074)

駕駛者對(duì)駕駛環(huán)境與相鄰車輛行駛狀態(tài)的判斷能力與反應(yīng)快慢的局限性，以及不同駕駛者之間的個(gè)體差異是造成交通流不穩(wěn)定的主要原因，進(jìn)而會(huì)導(dǎo)致交通擁堵及交通安全等相關(guān)交通問(wèn)題[1]。自動(dòng)駕駛技術(shù)的發(fā)展可以從微觀交通流層面改善以往交通流的不穩(wěn)定現(xiàn)象，從而為緩解交通擁堵與交通安全等問(wèn)題提供有效地解決方案[2]。隨著自動(dòng)駕駛技術(shù)與車聯(lián)網(wǎng)技術(shù)的發(fā)展，使得未來(lái)的很長(zhǎng)一段時(shí)間道路中會(huì)有人工駕駛車輛和協(xié)同自適應(yīng)巡航控制(cooperative adaptive cruise control,CACC)車輛同時(shí)存在，但由于許多人工駕駛車輛沒(méi)有車車實(shí)時(shí)通信設(shè)備，這導(dǎo)致跟隨人工駕駛車輛的CACC車輛因無(wú)法接收前方車輛的行駛狀態(tài)信息而轉(zhuǎn)化為自適應(yīng)巡航控制(adaptive cruise control,ACC)車輛[3]，同時(shí)受限于目前的道路交通情況和技術(shù)現(xiàn)狀，不具備大規(guī)模自動(dòng)駕駛汽車真車實(shí)驗(yàn)條件，只能通過(guò)對(duì)不同CACC市場(chǎng)滲透率下的交通流仿真作為今后真車實(shí)驗(yàn)的前期探索，所以構(gòu)建實(shí)用且符合實(shí)際的混合交通流仿真模型顯得十分必要。

元胞自動(dòng)機(jī)又具有離散、簡(jiǎn)潔、高效靈活的特點(diǎn)[4]，因其能夠有效地模擬出交通流復(fù)雜的微觀運(yùn)動(dòng)，成了交通領(lǐng)域重要的模型之一。Nagel等[5]提出了具有加減速演化規(guī)則的較為經(jīng)典Nasch模型，此模型可以模擬高速公路交通流中的一些基本場(chǎng)景。隨后，大量學(xué)者進(jìn)行了深入研究并改進(jìn)模型[6-15]，以模擬交通流中復(fù)雜的交通現(xiàn)象。但傳統(tǒng)的元胞自動(dòng)機(jī)模型將道路片段劃分為元胞，車輛位置在仿真過(guò)程中發(fā)生跳躍性的變化，無(wú)法還原交通流中車輛的精細(xì)變化。在此基礎(chǔ)上，國(guó)外學(xué)者開(kāi)始轉(zhuǎn)向連續(xù)型元胞自動(dòng)機(jī)的研究，2012年Yeldan[16]等基于模糊決策首次提出了連續(xù)型元胞自動(dòng)機(jī)交通流模型，它克服了傳統(tǒng)元胞自動(dòng)機(jī)的缺陷，不再將道路劃分為片段，以車輛作為元胞單元，描述了車輛在速度、加速度、位置上的連續(xù)性變化。

本文所提混合交通流主要指自動(dòng)駕駛車輛與人工駕駛車輛的混合，邱小平等[17]引入經(jīng)典的Gipps安全距離模型對(duì)Nasch模型進(jìn)行改進(jìn)，通過(guò)對(duì)Gipps模型中反應(yīng)時(shí)間的不同標(biāo)定體現(xiàn)手動(dòng)-自動(dòng)駕駛的區(qū)別，對(duì)其交通流進(jìn)行了研究。Liu等[18]通過(guò)分析自動(dòng)駕駛車輛安全距離的設(shè)置，基于元胞自動(dòng)機(jī)研究了手動(dòng)-自動(dòng)駕駛車輛的安全問(wèn)題。蔣陽(yáng)升[19]等在混合交通流元胞自動(dòng)機(jī)模型中考慮了智能網(wǎng)聯(lián)車形成車隊(duì)的情況，構(gòu)建了新的協(xié)同自適應(yīng)巡航車輛元胞更新規(guī)則。但現(xiàn)有研究都是從傳統(tǒng)的離散元胞自動(dòng)機(jī)角度出發(fā)構(gòu)建模型，且自動(dòng)駕駛模型與手動(dòng)模型僅存在反應(yīng)時(shí)間上的區(qū)別，并不能體現(xiàn)自適應(yīng)巡航控制中車車實(shí)時(shí)通信并實(shí)時(shí)調(diào)節(jié)加速度的特點(diǎn)，在文獻(xiàn)[16]連續(xù)型元胞自動(dòng)機(jī)思路的基礎(chǔ)上，應(yīng)用Gipps跟馳模型和加州大學(xué)伯克利分校實(shí)驗(yàn)室實(shí)車驗(yàn)證的ACC模型和CACC模型構(gòu)建連續(xù)型元胞自動(dòng)機(jī)模型，以更加真實(shí)地復(fù)現(xiàn)混合交通流運(yùn)行場(chǎng)景，通過(guò)計(jì)算機(jī)數(shù)值仿真，分析混有智能網(wǎng)聯(lián)車輛的混合交通流特性。

1 跟馳模型

1.1 人工駕駛模型

Gipps跟馳模型[20]綜合考慮了車輛自身的物理特性、行車速度、加減速性能以及駕駛員反應(yīng)時(shí)間對(duì)車輛狀態(tài)產(chǎn)生的影響，能較好地反映人工駕駛特性，本文中選其作為混合交通流中的人工駕駛車輛更新規(guī)則，其車輛運(yùn)行場(chǎng)景如圖1所示，Gipps模型的規(guī)則為

圖1 安全距離示意圖Fig.1 Schematic diagram of safety distance

(1)

dsafe,i=xi+1(t)-xi(t)-l-s0

(2)

(3)

式中：xi+1(t)和xi(t)分別為第i+1和第i輛車t時(shí)刻所在的位置；l為車的長(zhǎng)度；s0為最小停車間距；vi+1(t)和vi(t)分別為第i+1和第i輛車在t時(shí)刻的速度；b為車輛的最大減速度；Ti表第i輛車駕駛員的反應(yīng)時(shí)間；dsafe,i為第i輛車在當(dāng)前速度狀態(tài)下所需的最小安全距離；vsafe,i(t)為第i輛車的安全速度；依據(jù)文獻(xiàn)[15]對(duì)安全距離跟馳模型的參數(shù)進(jìn)行標(biāo)定，其中：Ti=0.8 s，b=5 m/s2。

1.2 ACC駕駛模型

加州大學(xué)伯克利分校Path實(shí)驗(yàn)室通過(guò)實(shí)車驗(yàn)證的ACC模型可較好地反映目前已投入使用的ACC車輛的跟馳特性，同時(shí)該模型在反映駕駛員駕駛行為時(shí)并不存在不同國(guó)家駕駛者的差異性，所以該模型適用于中國(guó)交通流特性的研究。該ACC模型為

ai(t)=k1e+k2Δv

(4)

e=xi+1(t)-xi(t)-l-s0-TAvi(t)

(5)

Δv=vi+1(t)-vi(t)

(6)

式中：ai(t)表示第i輛車在t時(shí)刻的加速度；TA為ACC模型的期望車間時(shí)距；e為實(shí)際車間距與期望車間距的差值；Δv表示前車速度與后車速度之差；k1、k2為模型控制系數(shù)。依據(jù)文獻(xiàn)[21-22]對(duì)ACC模型參數(shù)進(jìn)行標(biāo)定，其中：k1=0.23，k2=0.07；TA的取值為1.1、1.6、2.2 s，由表1所示，傳統(tǒng)駕駛者對(duì)于ACC車輛駕駛時(shí)的期望車間時(shí)距在1.1 s時(shí)接受度最高。

表1 期望車間時(shí)距駕駛?cè)私邮鼙壤齌able 1 Expected driver acceptance ratio of time between workshops

1.3 CACC駕駛模型

Path實(shí)驗(yàn)室團(tuán)隊(duì)在自動(dòng)駕駛汽車交通流跟馳模型方面的研究開(kāi)展得較早，所提模型被廣泛應(yīng)用于自動(dòng)駕駛汽車交通流特性研究中[23-24]。采用其基于CACC控制上層控制器提出的基于速度控制的自動(dòng)駕駛模型，其規(guī)則為

ai(t)=j1ai+1(t)+j2e+j3Δv

(7)

e=xi+1(t)-xi(t)-l-s0-TCvi(t)

(8)

Δv=vi+1(t)-vi(t)

(9)

式中：ai+1(t)表示第i+1輛車在t時(shí)刻的加速度；TC為CACC模型的期望車間時(shí)距；j1、j2、j3為模型的控制系數(shù)。依據(jù)文獻(xiàn)[23]，對(duì)CACC模型參數(shù)進(jìn)行標(biāo)定，其中j1=1，j2=0.2，j3=0.3；TC的取值為0.6、0.7、0.9、1.1 s，由表1可知，有接近60%的駕駛者接受CACC車輛的車間時(shí)距為0.6 s。

2 混合交通流連續(xù)型元胞自動(dòng)機(jī)模型

此模型中混合車輛隨機(jī)分布在長(zhǎng)度為L(zhǎng)的道路上，每輛車代表一個(gè)元胞，假設(shè)道路上只存在智能網(wǎng)聯(lián)小汽車和人工駕駛小汽車，同時(shí)針對(duì)不同的車輛類型執(zhí)行不同的速度更新規(guī)則，如圖2所示，其車輛長(zhǎng)度為l，vi(t)表t時(shí)刻第i輛車的速度，xi(t)表t時(shí)刻第i輛車車頭位置，vmax為小汽車在道路上的最大行駛速度，amax表示車輛的最大加速度，縱向更新規(guī)則如下。

圖2 混合交通流跟馳規(guī)則Fig.2 Car-following rules for mixed traffic flow

2.1 人工駕駛車輛

(1)加速。當(dāng)本車與前車的距離di大于此時(shí)行駛狀態(tài)下的安全距離dsafe,i時(shí)，即di>dsafe,i，駕駛員會(huì)期望加速以獲得更高的行駛速度，則執(zhí)行加速操作，表達(dá)式為

vi(t+1)=min[vi(t)+amax,vmax,vsafe,i(t),di]

(10)

為了保證行駛安全，在進(jìn)行加速后，車速不能大于車輛行駛的最大速度、當(dāng)前前后車間距下的安全速度以及當(dāng)前車與前車的距離。

(2)勻速。當(dāng)本車與前車的距離di等于此時(shí)行駛狀態(tài)下的安全距離dsafe,i時(shí)，即di=dsafe,i，駕駛員會(huì)期望繼續(xù)保持當(dāng)前速度行駛，則執(zhí)行勻速操作，表達(dá)式為

vi(t+1)=min[vi(t),vsafe,i(t),di]

(11)

(3)隨機(jī)減速。由于人工駕駛行為的不確定性，在規(guī)律中引入隨機(jī)減速概率，設(shè)定減速概率pb，舒適減速度為b′，當(dāng)rand(0,1)

vi(t+1)=max[vi(t)-b′,0]

(12)

(4)確定性減速。當(dāng)本車與前車的距離di小于此時(shí)行駛狀態(tài)下的安全距離dsafe,i時(shí)，即di

vi(t+1)=max{min[vsafe,i(t),di],0}

(13)

(5)位置更新為

xi(t+1)=xi(t)+vi(t+1)

(14)

2.2 自動(dòng)駕駛車輛

智能網(wǎng)聯(lián)車輛可以實(shí)時(shí)獲取前車的行駛信息并調(diào)整自身行駛狀態(tài)，同時(shí)不會(huì)產(chǎn)生由于駕駛的不確定性所造成的隨機(jī)減速，由于人工車輛沒(méi)有安裝車車實(shí)時(shí)通信設(shè)備，所以混合交通流中的自動(dòng)駕駛車輛有兩種更新規(guī)則。

(1)加速度計(jì)算。當(dāng)前車為人工駕駛車輛時(shí),退化為ACC更新規(guī)則，即

ai(t)=k1[xi+1(t)-xi(t)-l-s0-

TAvi(t)] +k2Δv

(15)

當(dāng)前車為CACC車輛時(shí)，有

ai(t)=j1ai+1(t)+j2[xi+1(t)-xi(t)-

l-s0-TCvi(t)]+j3Δv

(16)

(2)當(dāng)加速度大于0時(shí)，加速規(guī)則為

vi(t+1)=min[vi(t)+ai(t),

vi(t)+amax,vmax]

(17)

(3)當(dāng)加速度小于0時(shí)，減速規(guī)則為

vi(t+1)=max{max[vi(t)+ai(t),

vi(t)-b] ,0}

(18)

(4)確定性減速。自動(dòng)駕駛模型的確定性減速機(jī)制與人工駕駛車輛不同，其安全距離隨車輛行駛速度大小發(fā)生變化。若

vi(t+1)-vi+1(t+1)>di-vi(t+1)T

(19)

則有

vi(t+1)=di-vi(t+1)T+vi+1(t+1)

(20)

式中：T∈[TC,TA]。

(5)位置更新為

xi(t+1)=xi(t)+vi(t+1)

(21)

3 仿真實(shí)驗(yàn)及結(jié)果分析

以長(zhǎng)度為2 000 m的單車道高速公路為仿真場(chǎng)景，且采用周期性邊界條件，初始時(shí)按照設(shè)置的自動(dòng)駕駛車輛比例和車流密度將小汽車隨機(jī)且不重合地分配在道路上，考慮高速路上車輛正常行駛最低速度不應(yīng)低于60 km/h，所有車輛初始速度取[16,33]中的隨機(jī)值，定義車輛的最大行駛速度vmax=33 m/s，最大加速度amax=2.5 m/s2，舒適減速度b′=2 m/s2，最大減速度bmax=5 m/s2，隨機(jī)減速度概率為0.2，時(shí)間步長(zhǎng)取值為1 s，每種情況進(jìn)行5次實(shí)驗(yàn)，每次實(shí)驗(yàn)運(yùn)行2 000 s，取其中的1 000～2 000 s統(tǒng)計(jì)數(shù)據(jù)并求平均值。

3.1 不同滲透率下交通流基本圖

為研究智能網(wǎng)聯(lián)汽車滲透率(即智能網(wǎng)聯(lián)車)對(duì)交通流的影響，分別將智能網(wǎng)聯(lián)車比例p設(shè)置為0、20%、40%、60%、80%、100%，由于采用的周期性邊界條件來(lái)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)中的任意時(shí)刻，車道中的汽車總量都不會(huì)發(fā)生變化，車流密度在0～100輛/km中取值，增幅為5輛/km，同時(shí)Gipps跟馳模型中反應(yīng)時(shí)間取0.8 s，ACC模型的期望車間時(shí)距取1.1 s，CACC模型中的期望車間時(shí)距取0.6 s，得到不同智能網(wǎng)聯(lián)車輛滲透率下的速度-密度圖和流量-密度圖，如圖3、圖4所示。

由圖3可知，車輛的平均速度隨著密度增大不斷降低；且隨著CACC車輛滲透率的提高，交通流從自由流到非自由流的臨界密度也逐漸增大；同時(shí)當(dāng)不同滲透率下的交通流都達(dá)到臨界密度后，同一密度下速度隨著滲透率的提高而增大，且滲透率越高，

圖3 不同滲透率下混合交通流速度-密度圖Fig.3 Speed-density diagram of mixed traffic flow under different permeability

圖4 不同滲透率下混合交通流流量-密度圖Fig.4 Flow-density diagram of mixed traffic flow under different permeability

速度增長(zhǎng)越明顯。由圖4可知，CACC車輛滲透率越大，道路通行能力也不斷提升，當(dāng)滲透率為40%時(shí)，道路最大通行能力相比滲透率為0時(shí)提升14%；當(dāng)滲透率為100%時(shí)，道路最大通行能力約為純手動(dòng)駕駛通行能力的1.9倍，可以看出自動(dòng)駕駛車輛的滲透率越高，對(duì)道路通行能力的提升越明顯，這也符合人們對(duì)智能網(wǎng)聯(lián)車的認(rèn)知，當(dāng)車隊(duì)中只有少量智能網(wǎng)聯(lián)車時(shí)，由于大多情況無(wú)法與前車進(jìn)行實(shí)時(shí)信息傳遞，所以退化為ACC模式駕駛，并沒(méi)有最大化發(fā)揮自動(dòng)駕駛汽車的特性，隨著智能網(wǎng)聯(lián)車比例逐漸增大，越來(lái)越多的車輛構(gòu)成能夠?qū)崟r(shí)信息傳遞的車隊(duì)，交通流穩(wěn)定性逐漸提高，道路通行能力也隨之大幅提升。

3.2 不同滲透率下時(shí)空軌跡圖分析

圖5為交通流密度為60輛/km時(shí)，不同智能網(wǎng)聯(lián)車滲透率下的時(shí)空軌跡圖，每次仿真運(yùn)行4 000 s，為消除初始狀態(tài)的影響，取交通流狀態(tài)穩(wěn)定后的1 000～4 000 s分析其運(yùn)行規(guī)律。

圖5 不同滲透率下時(shí)空軌跡圖Fig.5 Time-space trajectory diagram under different permeability

由圖5可知，隨著智能網(wǎng)聯(lián)車滲透率的逐漸增加，交通流中低速車輛逐漸減少，部分智能網(wǎng)聯(lián)車形成車隊(duì)能夠以較為統(tǒng)一的速度行駛；同時(shí)也能看出隨著滲透率的增加，其快速行駛車輛的增長(zhǎng)率同步增高，這與3.1節(jié)的結(jié)論相符；當(dāng)滲透率達(dá)到100%時(shí)，所有智能網(wǎng)聯(lián)車均以CACC模式行駛，各車輛相互協(xié)調(diào)，形成了一個(gè)較為穩(wěn)定的車隊(duì)。圖5(f)中每輛車色度值均為淺綠色，在同樣密度下比混有人工駕駛車輛時(shí)擁有更快的速度和更加穩(wěn)定的交通流。

3.3 混合交通流擁堵率分析

由3.1節(jié)和3.2節(jié)可以看出智能網(wǎng)聯(lián)車輛的滲透率會(huì)對(duì)交通流產(chǎn)生重要的影響，本節(jié)將分析混合交通流中車輛的擁堵情況，定義速度小于10 km/h的車輛為擁堵車輛，交通流的擁堵程度可用擁堵率RC表示為

(22)

式(22)中：n表示仿真過(guò)程中每個(gè)時(shí)間步長(zhǎng)擁堵車輛的統(tǒng)計(jì)值；t表示仿真時(shí)間；N表示交通流中的車輛數(shù)。

由圖6可知，隨著交通流密度的增加，道路中擁堵車輛的占比也隨之越大，且越是在高密度區(qū)的交通流，其擁堵車輛數(shù)占比隨密度增加的增幅越大，同時(shí)，智能網(wǎng)聯(lián)車滲透率越低，其交通流中開(kāi)始出現(xiàn)擁堵車輛的臨界密度也越小，當(dāng)滲透率為100%時(shí)，擁堵車輛在密度為95輛/km才出現(xiàn)，這也符合3.2節(jié)時(shí)空軌跡圖所展現(xiàn)的交通流運(yùn)行狀況，隨著滲透率增加，其中深紅色圖層大幅減少，當(dāng)智能網(wǎng)聯(lián)車滲透率在0、20%、40%時(shí)，滲透率提升對(duì)緩解擁堵并不明顯，但擁堵比例在密度為60～80輛/km時(shí)三種滲透率對(duì)通行能力的影響相對(duì)較為顯著，當(dāng)密度達(dá)到100輛/km時(shí)，它們的擁堵比例達(dá)到80%左右；當(dāng)智能網(wǎng)聯(lián)車滲透率大于40%后，增加智能網(wǎng)聯(lián)車滲透率能大幅減少擁堵車輛比例，由表2可知，當(dāng)密度為100輛/km時(shí)，80%滲透率的交通流擁堵比例比純手動(dòng)駕駛時(shí)降低了56%，純智能網(wǎng)聯(lián)車輛時(shí)擁堵比例降低了92%。

圖6 不同滲透率下?lián)矶萝囕v占比Fig.6 Proportion of congested vehicles under different penetration rates

表2 不同滲透率下?lián)矶聹p少比例Table 2 Congestion reduction under different penetration rates

3.4 自動(dòng)駕駛車輛期望車間時(shí)距

為分析自動(dòng)駕駛車輛期望車間時(shí)距對(duì)交通流的影響，分別對(duì)50%滲透率下的ACC跟馳模型和100%滲透率下CACC跟馳模型的期望車間時(shí)距進(jìn)行敏感性分析。為減小車隊(duì)位置帶來(lái)的影響，仿真10次取平均值，在對(duì)TA進(jìn)行分析時(shí)，TC取接受比例最大的0.6 s；對(duì)TC進(jìn)行分析時(shí)，TA取接受比例最大的1.1 s，仿真結(jié)果如圖7、圖8所示。

圖7 不同ACC期望車間時(shí)距的流量密度圖Fig.7 Flow density diagram of different ACC expected time between vehicles

圖8 不同CACC期望車間時(shí)距的流量密度圖Fig.8 The flow density diagram of different CACC expected time between vehicles

由圖7可知，當(dāng)密度小于20輛/km時(shí)，ACC期望車間時(shí)距對(duì)通行能力不會(huì)產(chǎn)生影響，此時(shí)車頭時(shí)距遠(yuǎn)大于期望車間時(shí)距，車輛都能以最大速度行駛；當(dāng)密度大于20輛/km時(shí)，交通流開(kāi)始由自由流變?yōu)闉榉亲杂闪?，此時(shí)車間時(shí)距逐漸小于期望車間時(shí)距，以ACC跟馳模式行駛的車輛開(kāi)始受到跟車距離的約束，期望車間時(shí)距越小其跟車距離減速的臨界點(diǎn)也會(huì)越低，所以當(dāng)處于非自由流時(shí)，通行能力隨期望車間時(shí)距增大而減小。

由圖8可知，CACC模型的期望車間時(shí)距與通行能力的關(guān)系和ACC模型規(guī)律類似，由于此時(shí)為純自動(dòng)駕駛車輛，可以明顯看出交通流狀態(tài)從自由流轉(zhuǎn)變?yōu)榉亲杂闪鞯呐R界密度較高，且隨期望車間時(shí)距減小而變大。

4 結(jié)論

基于Gipps跟馳模型和Path實(shí)驗(yàn)室實(shí)車標(biāo)定的ACC及CACC跟馳模型構(gòu)建了混合交通流連續(xù)型元胞自動(dòng)機(jī)模型，通過(guò)計(jì)算機(jī)數(shù)值模擬分析了不同智能網(wǎng)聯(lián)車滲透率下道路的交通流特性，得到如下主要結(jié)論。

(1)道路通行能力隨智能網(wǎng)聯(lián)車滲透率增大而增大，較低的滲透率對(duì)交通擁堵改善不明顯，當(dāng)滲透率達(dá)到60%時(shí)，交通流中擁堵車輛比例開(kāi)始大幅減少，道路通行能力約為純?nèi)斯ゑ{駛車輛時(shí)的1.3倍，當(dāng)滲透率達(dá)到100%時(shí)，約為純?nèi)斯ゑ{駛時(shí)的1.9倍，同時(shí)智能網(wǎng)聯(lián)車滲透率越高，交通流中出現(xiàn)擁堵車輛對(duì)應(yīng)的密度值也會(huì)越大。

(2)當(dāng)智能網(wǎng)聯(lián)車的滲透率保持不變時(shí)，通過(guò)改變期望車間時(shí)距的模擬實(shí)驗(yàn)，得出若能有效縮短ACC和CACC跟馳模型的期望車間時(shí)距，當(dāng)CACC期望車間時(shí)距從1.1 s提高到0.6 s時(shí)，道路通行能力提升54%。

本文中所構(gòu)建的混合交通流模型可為未來(lái)大規(guī)模自動(dòng)駕駛實(shí)車實(shí)驗(yàn)做前期探索和理論性參考，同時(shí)此模型僅適用于單車道混合交通流，加速度的更新也僅考慮了單一前車的狀態(tài)，并未充分利用智能網(wǎng)聯(lián)車信息傳遞的特點(diǎn)，未來(lái)可從多前車反饋、車道變換規(guī)則以及實(shí)車測(cè)試參數(shù)等方面進(jìn)一步完善模型，提高模型的適用范圍。