曹金亮 史忠科 房雅靈

（1.西北工業(yè)大學(xué)自動化學(xué)院 西安 710129；2.浙江海洋學(xué)院數(shù)理與信息學(xué)院 浙江 舟山 316022）

0 引言

為了解決城市交通擁堵、交通事故頻發(fā)等問題，各國學(xué)者提出了各種各樣的交通流模型［1－16］。車輛跟馳理論［4］是從微觀上研究交通流的理論，它是運(yùn)用動力學(xué)方法，研究在無法超車的情況下跟車的速度如何隨著前車的速度變化而變化。處于跟馳狀態(tài)的行駛車隊，跟車的速度不能長時間大于或者小于前車的速度，只能在前車速度的某鄰域內(nèi)擺動。同時，前后兩車必須保持一定的距離（稱為安全距離），以避免發(fā)生碰撞。由于后車速度的變化滯后于前車，行駛車隊可能呈現(xiàn)出時走時停的狀態(tài)。跟馳模型即是通過分析每個跟隨車輛的跟馳行為以理解交通流特性，在駕駛?cè)说奈⒂^行為與交通流宏觀現(xiàn)象之間建立起聯(lián)系。它在微觀交通仿真、通行能力分析、自適應(yīng)巡航控制、交通安全評價等領(lǐng)域都有著很廣泛的應(yīng)用價值。城市主干路是城市道路交通網(wǎng)的骨架，是連接城市各主要分區(qū)的交通干道。由于受到各種交通條件的影響，比如上下游交叉口距離、信號周期時長、公交車?？康惹樾蔚挠绊?，交通流常表現(xiàn)為間斷流，這使得交通流經(jīng)常處于飽和（擁堵）或近飽和的狀態(tài)，與高速公路和城市快速路的交通流特征有明顯的區(qū)別。

一般地，跟馳模型的結(jié)構(gòu)確立以后，需要通過模型標(biāo)定和驗證后才能具體應(yīng)用到實際中。而國內(nèi)外學(xué)者對跟馳行為的研究，大多側(cè)重于對跟馳模型結(jié)構(gòu)的研究，對跟馳模型的參數(shù)標(biāo)定及效果驗證的研究相對較少。Helbing等［6］提出了廣義力模型，利用安裝在車后的雷達(dá)系統(tǒng)測得的數(shù)據(jù)標(biāo)定了該模型。Kesting等［7］利用Bosch GmbH數(shù)據(jù)集，運(yùn)用遺傳算法對IDM 模型和優(yōu)化速度模型做了比較分析。我國學(xué)者王殿海等［8］標(biāo)定了一個經(jīng)典模型——GM 模型。但是，在筆者所收集到的資料當(dāng)中，利用城市主干路交通數(shù)據(jù)對跟馳模型進(jìn)行標(biāo)定的文獻(xiàn)尚屬空白。

對跟馳模型進(jìn)行標(biāo)定和驗證的前提是實際交通數(shù)據(jù)的獲取。傳統(tǒng)的交通數(shù)據(jù)獲取方法主要采用基于虛擬線圈、虛擬線和虛擬點的方法。與傳統(tǒng)方法相比，通過視頻檢測獲取交通數(shù)據(jù)的方法具有圖像監(jiān)控和交通數(shù)據(jù)采集雙重功能，還具有安裝簡單、成本低、運(yùn)行方式靈活、無需埋設(shè)線圈、設(shè)備可在不同地點間移動等優(yōu)勢。筆者利用視頻手段獲取了西安市和舟山市的某個主干路路段的交通流實測數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)對典型的交通流跟馳模型進(jìn)行標(biāo)定與驗證，以此尋找更適合于主干路特性的跟馳模型，從而加深對城市主干路的交通流特性的認(rèn)識，為緩解交通擁堵提供理論依據(jù)。

1 車輛跟馳模型簡介

車輛跟馳模型大致有刺激－反應(yīng)模型、安全距離模型、駕駛心理模型和基于人工智能的模型等。由于實測得到的數(shù)據(jù)為城市主干路的交通流數(shù)據(jù)，所以筆者選取其中更適于近飽和狀態(tài)的慣性模型（inertial model，IM）［9］和智能駕駛?cè)四Ｐ停╥ntelligent driver model，IDM）［10－12］進(jìn)行對比研究。

1.1 慣性模型

Tomer等在文獻(xiàn)［9］中提出的慣性模型是1個不顯含優(yōu)化速度函數(shù)的跟馳模型。其數(shù)學(xué)表達(dá)如下。

式中：vn（t）和xn（t）分別為第n輛車在時刻t的速度和位移；xn－1（t）－xn（t）為車間距；A為敏感系數(shù)；T為安全時間間隔；D為最小安全車間距；k為常數(shù)；v0為允許速度。

式（1）中的第1項表示跟車速度很小時，若期望車間距vn（t）T＋D大于實際車間距xn－1（t）－xn（t）時，則跟車加速，否則，跟車需要減速；第2項表示跟車速度大于前車速度時，則跟車需要減速；第3項表示跟車的車速超過允許速度，則跟車需要減速。

1.2 智能駕駛員模型

Treiber，Helbing 和Kesting等提出了智能駕駛?cè)四Ｐ停?0－12］，試圖用該模型統(tǒng)一描述從自由流到完全擁擠流的不同狀態(tài)，模型具體形式如下。

在IDM 中，當(dāng)前車速度小于跟車速度，即Δvn－1，n（t）＜0 時，則需要1個較大的期望車間距。否則，允許接受1個較小的期望車間距。這正是模型中（vn（t），Δvn，n－1（t））的意義，它體現(xiàn)了智能駕駛的特點。當(dāng)車間距很大時，IDM 退化成

表示以加速度a開始加速度，直至達(dá)到理想速度。

2 數(shù)據(jù)的采集與處理

要使車輛跟馳模型能夠應(yīng)用于實際交通、再現(xiàn)交通現(xiàn)象，需要采集實際的交通流數(shù)據(jù)以確定車輛跟馳模型中的待定參數(shù)。為此，筆者對陜西省西安市太白立交橋附近二環(huán)路和浙江省舟山市昌洲大道的交通狀況進(jìn)行了長時間地跟蹤觀察。這2條道路均為雙向3車道的城市主干路，其交通狀況反映了城市的交通現(xiàn)狀。為獲取所需要的交通流數(shù)據(jù)，選擇交通流變化較大的早高峰、中午和晚高峰的時段進(jìn)行視頻拍攝，并對所拍攝視頻進(jìn)行技術(shù)處理。

首先，將視頻轉(zhuǎn)換成圖像。在拍攝的視頻中選取畫面清晰、車輛跟馳特征顯著的視頻（見圖1），利用視頻處理軟件，按幀將視頻轉(zhuǎn)換成圖像，選取在中間車道上的行駛車輛（即圖1中所示的區(qū)域）來提取交通流數(shù)據(jù)。

圖1 視頻轉(zhuǎn)換圖像Fig.1 Image extracted from video

其次，將圖像轉(zhuǎn)換成俯視圖。現(xiàn)實中遠(yuǎn)處車輛與近處車輛行駛了相同的距離，但是由于透視現(xiàn)象的存在，使得在圖像中前者比后者要小。為此，須用反透視變換將實際圖像轉(zhuǎn)換成俯視圖像以便準(zhǔn)確反映車輛的實際位置。反透視變換的效果見圖2。

圖2 圖像反透視變換效果圖Fig.2 Inverse perspective transformation of image

最后，提取交通流數(shù)據(jù)。為了避免不同車種的車長差別的影響，筆者選取前車車尾與后車車頭的實際位置來計算相關(guān)的交通流數(shù)據(jù)。先將視頻的采樣頻率設(shè)定成30幀／s，然后按0.1s的時間間隔即每3幀提取前車車尾與后車車頭的像素值，并按比例轉(zhuǎn)換成它們的實際位置。由此可以得到每輛車的位移以及相鄰2 車的車間距（前車車尾與后車車頭的間距），再根據(jù)位移計算出每輛車的速度和加速度。

由于所選道路的允許速度為60～90km／h，即16.7～25 m／s，而在獲取的交通流數(shù)據(jù)中，跟車的最大速度為6.2m／s，遠(yuǎn)小于允許速度，這表明交通流已處于近飽和狀態(tài)。

3 模型的參數(shù)標(biāo)定

3.1 標(biāo)定原理

模型的參數(shù)標(biāo)定是運(yùn)用數(shù)學(xué)手段、結(jié)合相關(guān)數(shù)據(jù)，將模型中的待定參數(shù)具體化的過程［7］，它是交通流建模中不可缺少的步驟，只有經(jīng)過標(biāo)定的模型才可付諸應(yīng)用。模型參數(shù)標(biāo)定是通過對模型的輸出結(jié)果與實測結(jié)果進(jìn)行比較，建立1個能夠反應(yīng)與實際的貼合程度的評價指標(biāo)，把參數(shù)標(biāo)定問題轉(zhuǎn)化成1個優(yōu)化問題進(jìn)行處理。

跟馳模型的一般形式可表示為

式中：Θ＝（θ1，θ2，…，θl）是待定的參數(shù)向量。

即跟車an的加速度是它與前車的車間距、跟車速度以及前車速度的函數(shù)。

式中：MSE為均方誤差；Ω為參數(shù)向量Θ的允許取值集合；Rl是l維實數(shù)空間。

下面利用城市主干路早高峰、中午和晚高峰的實測數(shù)據(jù)，采用Levnberg－Marquardt算法對慣性模型和智能駕駛員模型進(jìn)行標(biāo)定。

3.2 慣性模型的參數(shù)標(biāo)定

在慣性模型中需要標(biāo)定的參數(shù)有A，k，T，D，v0，即Θ＝（A，k，T，D，v0）。由式（1）可見，如果跟車速度vn（t）小于允許速度v0時，式（1）中的第三項恒等于零，此時k可以取任意數(shù)，否則k也需要標(biāo)定。若允許速度v0＝20m／s，則v0＞6.2m／s，此時標(biāo)定結(jié)果見表1，其中k可為任意常數(shù)；若允許速度v0＜6.2m／s時，標(biāo)定結(jié)果見表2，此時，k的值會影響模型效果?？梢钥闯?，對于不同的數(shù)據(jù)，得到的參數(shù)變化是比較大的。

表1 IM 模型當(dāng)vn＜v0時的標(biāo)定結(jié)果Tab.1 Calibration results of IM when vn＜v0

表2 IM 模型當(dāng)vn＞v0時的標(biāo)定結(jié)果Tab.2 Calibration results of IM when vn＞v0

3.3 智能駕駛?cè)四Ｐ偷膮?shù)標(biāo)定

在智能駕駛?cè)四Ｐ椭?，需要?biāo)定的參數(shù)有v0，T，s0，a，b，即Θ＝（v0，T，s0，a，b）。若加速度指數(shù)選取與文獻(xiàn)［8］的值，即δ＝4，則標(biāo)定結(jié)果見表3。由表3可見，理想速度v0要么很大，要么很小，這與實際是不相符的。為此，讓δ取不同的值對模型進(jìn)行標(biāo)定，得到的結(jié)果見表4～表6。從標(biāo)定結(jié)果可見，當(dāng)δ越來越大時，v0越來越接近給定的初始值20m／s。事實上，從模型的退化形式式（3）可以看出，當(dāng)δ→∞時，車輛以恒定的加速度a加速到理想速度v0，表明標(biāo)定結(jié)果與這一事實是相符的。

表3 IDM 當(dāng)δ＝4時的標(biāo)定結(jié)果Tab.3 Calibration results of IDM whenδ＝4

表4 基于早高峰數(shù)據(jù)δ取不同值的標(biāo)定結(jié)果Tab.4 Calibration results of IDM for differentδbased on morning rush hour data

表5 基于中午數(shù)據(jù)δ取不同值的標(biāo)定結(jié)果Tab.5 Calibration results of IDM for differentδbased on noon rush hour data

表6 基于晚高峰數(shù)據(jù)δ取不同值的標(biāo)定結(jié)果Tab.6 Calibration results of IDM for differentδbased on evening rush hour data

4 模型評述與對比

第3節(jié)已經(jīng)對允許速度大于和小于實際速度2種情況下的慣性模型進(jìn)行了標(biāo)定。對于前1種情況，利用3 組數(shù)據(jù)得到的位移均方差分別為0.41，2.37，5.61m，平均值為2.80m，速度均方差分別為0.11，0.75，0.89 m／s，平均值為0.58 m／s；對于后1種情況，位移均方差分別為0.11，0.94，5.61m，平均值為2.22m；速度均方差分別為0.11，0.47，0.89m／s，平均值為0.49m／s。數(shù)據(jù)顯示，可以用慣性模型描述近飽和狀態(tài)時的交通流。

就智能駕駛?cè)四Ｐ投?，如果加速度指?shù)取為4，按3 組數(shù)據(jù)計算出的理想速度分別為301.8，289.9 和5.81 m／s，這與實際情況不符。但是，隨著加速度指數(shù)的增大，標(biāo)定結(jié)果越來越符合實際。表明用智能駕駛?cè)四Ｐ兔枋鼋咏柡蜖顟B(tài)時的交通流時，模型中的加速度指數(shù)需要選擇比較大的值。

圖3 早高峰的車輛實測與仿真位移曲線Fig.3 The real and numerical curve of the vehicle position based on morning rush hour

圖4 早高峰的車輛實測與仿真速度曲線Fig.4 The real and numerical curve of the vehicle velocity based on morning rush hour

圖3～圖8 分別是3 組數(shù)據(jù)的實測、慣性模型仿真和智能駕駛?cè)四Ｐ头抡娴奈灰魄€和速度曲線。從這些圖中，可以更直觀地看出智能駕駛?cè)四Ｐ透臃媳疚牡膶崪y數(shù)據(jù)。雖然本文所測數(shù)據(jù)對于慣性模型和智能駕駛?cè)四Ｐ投际沁m用的，但是對于同一組數(shù)據(jù)，比較慣性模型和智能駕駛?cè)四Ｐ偷? 個優(yōu)化性能指標(biāo)MSES和MSEV（見表1～表3），可以看出，智能駕駛?cè)四Ｐ洼^慣性模型更適合于城市主干路近飽和狀態(tài)時的車輛跟馳行為。

圖5 中午的車輛實測與仿真位移曲線Fig.5 The real and numerical curve of the vehicle position based on noon rush hour

圖6 中午的車輛實測與仿真速度曲線Fig.6 The real and numerical curve of the vehicle velocity based on noon rush hour

圖7 晚高峰的車輛實測與仿真位移曲線Fig.7 The real and numerical curve of the vehicle position based on evening rush hour

5 結(jié)束語

筆者通過采集西安市二環(huán)主干路上和舟山市昌洲大道上典型時間段內(nèi)車輛的微觀運(yùn)動錄像，利用Matlab軟件將視頻處理成圖像，提取出主干路接近飽和狀態(tài)下車輛微觀運(yùn)動的軌跡數(shù)據(jù)。根據(jù)采集數(shù)據(jù)的特點，選取不顯含優(yōu)化速度函數(shù)的2個典型的車輛跟馳模型即慣性模型和智能駕駛?cè)四Ｐ瓦M(jìn)行了標(biāo)定和驗證。

圖8 晚高峰的車輛實測與仿真速度曲線Fig.8 The real and numerical curve of the vehicle velocity based on evening rush hour

選用模型輸出與實測數(shù)據(jù)的均方誤差作為優(yōu)化性能指標(biāo)，利用Levnberg－Marquardt算法對3組實測數(shù)據(jù)分別得到2個模型的標(biāo)定結(jié)果。首先對允許速度大于和小于實際速度2種情況下的慣性模型進(jìn)行了標(biāo)定。結(jié)果表明，可以用慣性模型描述接近飽和狀態(tài)時的交通流。對于智能駕駛?cè)四Ｐ停绻铀俣戎笖?shù)值較小，則理想速度與實際不符。隨著加速度指數(shù)的增大，標(biāo)定結(jié)果越來越符合實際。因此，用智能駕駛?cè)四Ｐ兔枋鼋咏柡蜖顟B(tài)時的交通流時，加速度指數(shù)要選擇比較大的值。比較慣性模型和智能駕駛?cè)四Ｐ偷膬?yōu)化性能指標(biāo)，可以得出，智能駕駛?cè)四Ｐ洼^慣性模型更適合于城市主干路接近飽和狀態(tài)時的車輛跟馳行為。它在理論上為緩解交通擁堵提供了一定的思路和方法。

［1］Bando M，Hasebe K，Nakayama A，et al.Dynamical model of traffic congestion and numerical simulation［J］.Physical Review E，1995，51（2）：1035－1042.

［2］Zhou J，Shi Z K，Cao J L.Nonlinear analysis of the optimal velocity difference model with reactiontime delay［J］.Physica A：Statistical Mechanics and its Applications，2014，396（2）：77－87.

［3］Zhou J，Shi Z K，Cao J L.An extended traffic flow model on a gradient highway with the consideration of the relative velocity［J］.Nonlinear Dynamics，2014，396（2）：1－15.

［4］Brackstone M，Mcdonald M.Car－following：a historical review［J］.Transportation Research Part F：Traffic Psychology and Behaviour，1999，2（4）：181－196.

［5］Newell G F.A simplified car－following theory：a lower order model［J］.Transportation Research Part B：Methodoloical，2002，36（3）：195－205.

［6］Helbing D，Tilch B.Generalized force model of traffic dynamics［J］.Physical Review E，1998，58（1）：133－138.

［7］Kesting A，Treiber M.Calibrating car－following models by using trajectory data：Methodological study［J］.Transportation Research Record：Journal of the Transportation Research Board，2008，2088（1）：148－156.

［8］王殿海，陶鵬飛，金 盛，等.跟馳模型參數(shù)標(biāo)定及驗證方法［J］，吉林大學(xué)學(xué)報：工學(xué)版，2011，4（S1）：59－65.Wang Dianhai，Tao Pengfei，Jin Sheng，et al.Method of calibrating and validating car－folling model［J］.Journal of Jilin University：Engineering and Technologh Edition，2011，41（S1）：59－65，（in Chinese）.

［9］Tonmer E，Safonov L，Havlin S.Presence of many stable nonhomogeneous states in an inertial carfollowing model［J］.Physical Review Letters，2000，84（2）：382－385.

［10］Treber M，Hennecke A，Helbing D.Congested traffic states in empirical observations and microscopic simulations［J］.Physical Review E，2000，62（2）：1805－1824.

［11］Treber M，Helbing D.Memory effects in microscopic traffic models and wide scattering in flow density data［J］.Physical Review E，2003，68（4）：1－8.

［12］Treiber M，Kesting A，Helbing D.Delays，in accuracies and anticipation in microscopic traffic models［J］.Phyica.A：Statistical Mechanics and its Applications，2006，360（1）：71－88.

［13］Chen J，Shi Z，Hu Y，et al.An extended macroscopic model for traffic flow on a highway with slopes［J］.International Journal of Modern Physics C，2013，24（9）：1－4.

［14］Yu L，Shi Z，Li T.A new car－following model with two delays［J］.Physics Letters A，2014，378（4）：348－357.

［15］熊 惠，孫小端，賀玉龍，等.高速公路運(yùn)行速度與交通安全關(guān)系研究［J］.交通信息與安全，2012，30（6）：48－51.Xiong Hui，Sun Xiaoduan，He Yulang，et al.Relating the operating speed and traffic safety on freeways［J］.Journal of Transport Information and Safety，2012，30（6）：48－51.（in Chinese）.

［16］漆巍巍，裴玉龍.城市道路擁堵狀態(tài)下駕駛?cè)诵穆侍匦匝芯浚跩］.交通信息與安全，2014，32（3）：18－21.Qi Weiwei，Pei Yulong.Characteristics research for driver’s heart rate in congerstion state of urban road［J］.Journal of Transport Information and Safety.，2014，32（3）：18－21.（in Chinese）.