崔居福，胡本旭，夏 輝，陳 飛，程相國(guó)

(青島大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，山東 青島 266071)

車(chē)載移動(dòng)自組織網(wǎng)絡(luò)(簡(jiǎn)稱車(chē)載網(wǎng))是以中、高速運(yùn)動(dòng)的車(chē)輛為節(jié)點(diǎn)的分布式、自組織的移動(dòng)通信網(wǎng)絡(luò)，是智能交通系統(tǒng)[1]的基礎(chǔ)技術(shù)之一。車(chē)輛通過(guò)信息交互和共享[2]實(shí)現(xiàn)碰撞避免、路徑規(guī)劃等目的。鑒于車(chē)載網(wǎng)通信協(xié)議和應(yīng)用的實(shí)地測(cè)試成本較高，危險(xiǎn)性較大，因此該類(lèi)型研究和測(cè)試主要通過(guò)仿真實(shí)驗(yàn)完成。構(gòu)建實(shí)現(xiàn)一個(gè)相對(duì)真實(shí)的車(chē)載網(wǎng)仿真環(huán)境[3]，需要明確模擬車(chē)輛節(jié)點(diǎn)的移動(dòng)模式[4]，并及時(shí)獲取模擬車(chē)輛的準(zhǔn)確位置信息。其中車(chē)輛的移動(dòng)模式直接關(guān)系到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化，進(jìn)而影響到整個(gè)車(chē)載網(wǎng)的包傳遞率、吞吐量和傳輸延遲等性能指標(biāo)的測(cè)量。因此，在仿真實(shí)驗(yàn)中，選擇性能優(yōu)異的車(chē)輛移動(dòng)模型是非常有必要的，可以最大程度地模擬路面交通的真實(shí)狀況，也是通信協(xié)議仿真和測(cè)試[5]的基礎(chǔ)。

根據(jù)交通特征的細(xì)化程度，可以將移動(dòng)模型分為宏觀移動(dòng)模型[6]和微觀移動(dòng)模型[7]兩類(lèi)。宏觀移動(dòng)模型主要以車(chē)流為研究對(duì)象，忽略車(chē)輛的個(gè)體行為。因此，宏觀移動(dòng)模型無(wú)法確切地描述車(chē)輛之間的制約關(guān)系。微觀移動(dòng)模型主要以單個(gè)車(chē)輛為研究對(duì)象，詳細(xì)描述車(chē)輛的加速、減速、變道和超車(chē)等駕駛行為，更加適用于車(chē)載網(wǎng)應(yīng)用的研究。微觀移動(dòng)模型主要包括隨機(jī)移動(dòng)模型[8]和車(chē)輛跟馳模型[9]。隨機(jī)移動(dòng)模型指車(chē)輛隨機(jī)選擇速度、方向和目的地信息，但真實(shí)環(huán)境下車(chē)輛的移動(dòng)并非完全隨機(jī)，而且受外界環(huán)境(如道路方向、周?chē)?chē)輛)的影響，因而隨機(jī)移動(dòng)模型無(wú)法刻畫(huà)車(chē)輛的真實(shí)運(yùn)動(dòng)狀態(tài)。相反，車(chē)輛跟馳模型以車(chē)輛與前車(chē)的行為關(guān)系為基礎(chǔ)進(jìn)行建模，可以更加準(zhǔn)確地反映真實(shí)交通狀況下車(chē)輛的駕駛行為。

Simulation of Urban Mobility(SUMO)[10]平臺(tái)是當(dāng)前車(chē)載網(wǎng)交通仿真領(lǐng)域使用最為廣泛的模擬平臺(tái)之一。SUMO平臺(tái)內(nèi)嵌多種車(chē)輛跟馳模型，并能夠?qū)Χ喾N類(lèi)型的道路交通網(wǎng)絡(luò)進(jìn)行仿真。此外，SUMO平臺(tái)含有OpenStreetMap[11]的接口，能夠獲取世界各地真實(shí)的道路交通網(wǎng)數(shù)據(jù)。當(dāng)前該平臺(tái)[12]下主要有CarFollowing-Krauss[13]、SmartSK、CarFollowing-Wiedemann[14]、CarFollowing-PWagner、CarFollowing-BKerner[15]和CarFollowing-IDM[16]6種常用的車(chē)輛跟馳模型。然而，到目前為止，筆者并沒(méi)有發(fā)現(xiàn)針對(duì)上述車(chē)輛跟馳模型所做的對(duì)比分析研究。

美國(guó)國(guó)立衛(wèi)生研究院基金要求遵守的相關(guān)要求和條款包括立項(xiàng)通知書(shū)中規(guī)定的相關(guān)條款和特別條款、聯(lián)邦基金相關(guān)法案的條款、《美國(guó)國(guó)立衛(wèi)生研究院資助政策聲明》的相關(guān)要求和條款。

針對(duì)上述問(wèn)題，文中給出SUMO平臺(tái)下6種車(chē)輛跟馳模型多個(gè)性能的詳細(xì)對(duì)比分析。首先，詳細(xì)描述了SUMO平臺(tái)下6種車(chē)輛跟馳模型；其次，分析并引入影響移動(dòng)模型性能最明顯的3種因素；最終，在多種影響因素的作用下，對(duì)比分析了SUMO平臺(tái)下6種跟馳模型在車(chē)輛密度、車(chē)輛平均速度、道路占用率等方面的性能。

1 移動(dòng)模型

1.1 CarFollowing-Krauss模型

對(duì)于平衡交通中車(chē)輛速度計(jì)算

ds≤dp+g，

(1)

式中：ds為當(dāng)前時(shí)間段車(chē)輛行駛的距離；dp為前車(chē)緊急制動(dòng)的距離；g為車(chē)間距。僅當(dāng)公式等號(hào)成立時(shí)，所選擇的速度被稱為安全速度。

2.1 臨床特征及病理診斷 3例病例均為雙胎之一完全性葡萄胎。1例體外受精-胚胎移植(in vitro fertilization and embryo transfer, IVF-ET)受孕，1例為雙子宮受孕。孕婦平均年齡27歲(22～31歲)，見(jiàn)表1。

因?yàn)镵rauss是無(wú)碰撞模型[17]，所以車(chē)輛行駛速度不會(huì)超過(guò)安全車(chē)速，并且在每一個(gè)仿真步長(zhǎng)，都會(huì)重新計(jì)算安全車(chē)速，根據(jù)式(1)可以得出安全速度的計(jì)算公式為

(2)

式中：vp為前車(chē)速度；g為車(chē)間距；v為當(dāng)前車(chē)速；a為車(chē)輛最大減速度；τk為駕駛員反應(yīng)時(shí)間。

由于安全速度并不是下一個(gè)仿真步長(zhǎng)(通常為1 s)要選擇的車(chē)速，因此需要一個(gè)確定車(chē)速的更新策略，Krauss模型更新策略如下：

隨后，寧波一院開(kāi)始探索通過(guò)醫(yī)聯(lián)體建設(shè)把慢病管理做實(shí)，組織三甲醫(yī)院糖尿病、高血壓、冠心病、腦卒中等疾病專(zhuān)家，跟二級(jí)醫(yī)院、社區(qū)醫(yī)生組成“3+2+1慢病管理團(tuán)隊(duì)”。

v1=min[vt+b,vmax,vsafe],

v0=v1-ε{v1-[vt-b]},

vt+1=vran,v0,v1,

xt+1=xt+vt+1，

(3)

式中：vt是t時(shí)刻的車(chē)速；b是車(chē)輛最大加速度；vmax是道路限制最大車(chē)速；vsafe是安全車(chē)速；v1是車(chē)輛期望速度；v0是由于駕駛員的不完美駕駛，與期望速度所產(chǎn)生最大差值時(shí)的速度；vt+1是下一個(gè)仿真步長(zhǎng)所選擇的車(chē)速，它在v0-v1中隨機(jī)選擇；xt+1為下一個(gè)仿真步長(zhǎng)車(chē)輛的位置。

由于SamrtSK模型下車(chē)輛的運(yùn)動(dòng)規(guī)則與Krauss模型類(lèi)似，文中不再詳細(xì)描述。

1.2 CarFollowing-IDM模型

(4)

楊梅的爸爸楊凱是一個(gè)身家上億的富豪，也許在外面做生意遇到仇家。綁匪用膠帶把楊梅從肩膀到腳纏了一圈兒又一圈兒，又從工具包里拽出一個(gè)編織袋，對(duì)楊梅說(shuō)：“千萬(wàn)別出聲，我身上可帶著刀，把你的手機(jī)給我。”楊梅用眼神看了看茶幾，綁匪抓起楊梅的手機(jī)，隨后將楊梅裝進(jìn)了編織袋，拖出家門(mén)上了電梯。楊梅感覺(jué)到，她從電梯里被拖出來(lái)之后，是被兩個(gè)人扔進(jìn)了一輛轎車(chē)的后座。

半夜里，念蓉被她的夢(mèng)嚇醒。夢(mèng)里的靜秋忽而變得花枝招展，忽而變得兇神惡煞。靜秋點(diǎn)燃一團(tuán)烈火，沖楚墨招招手，楚墨便毫不猶豫地跳了進(jìn)去。她看到楚墨開(kāi)始燃燒，皮膚爆裂，表情扭曲……

(5)

擁堵距離s1=0時(shí)，IDM加速度包含以下幾種模式：

(6)

Krauss模型基于安全距離來(lái)進(jìn)行建模。在該模型中，后車(chē)根據(jù)上一個(gè)時(shí)間段前車(chē)與后車(chē)的距離和速度，來(lái)選擇當(dāng)前時(shí)間段它應(yīng)保持的車(chē)速。因此，下一時(shí)間段的車(chē)速應(yīng)滿足：

(7)

以及

Ve(s)|δ→∞=min{v0,(s-s0)/T}。

(8)

2)加速到期望速度：當(dāng)車(chē)輛已達(dá)到期望速度，并且車(chē)流量密度很低，車(chē)輛間的相互影響可忽略，IDM的加速度會(huì)減小到af(v)=a(1-v/v0)δ。

公式(4)是對(duì)以下2種計(jì)算加速度方法的改進(jìn)：當(dāng)路上車(chē)輛較少時(shí)，車(chē)輛用af(vα)=aα[1-(vα/v0α)δ]計(jì)算加速度；當(dāng)車(chē)輛α靠近前方車(chē)輛時(shí)，用-bint(sα,vα,Δvα)=-aα(s′/sα)2計(jì)算減速度。其中，期望最小車(chē)間距s′可表示為

IDM模型參數(shù)如表1所示。

表1 IDM模型參數(shù)

1.3 CarFollowing-Wiedemann模型

首先通過(guò)一系列閾值來(lái)區(qū)分不同的車(chē)輛駕駛行為，然后使用當(dāng)前車(chē)輛與前車(chē)的距離和相對(duì)速度來(lái)判斷車(chē)輛屬于哪種駕駛狀態(tài)，最后根據(jù)該狀態(tài)下加速度公式求出加速度。該模型充分考慮了駕駛員的生理、心理因素[18]對(duì)駕駛行為的影響和制約，及由此而產(chǎn)生的不同駕駛行為，從建模方法上更接近實(shí)際情況，最大限度上仿真實(shí)際車(chē)輛的駕駛行為。

如圖1所示，Wiedemann模型有4種駕駛狀態(tài)，分別為自由駕駛、接近駕駛，跟隨駕駛和緊急剎車(chē)，并由閾值Dmin，Gmin，Gmax，O，B來(lái)進(jìn)行劃分。以下為這些閾值的含義及計(jì)算方法：

圖1 Wiedemann模型的閾值劃分

Dmin=Ln-1+Dadd，

(9)

式中：Dmin表示前車(chē)和后車(chē)之間的最小距離，若車(chē)間距小于Dmin則表示發(fā)生碰撞；Ln-1為前車(chē)長(zhǎng)度；Dadd為校準(zhǔn)參數(shù)。

發(fā)動(dòng)機(jī)服務(wù)性資料模塊化數(shù)據(jù)配置管理的研究………………………… 閆玉，劉棟，李小燕，譚磊，傅連朋（1-273）

Gmin=Dmin+b，

(10)

式中：Gmin為車(chē)輛跟隨過(guò)程中的最小車(chē)間距；bmult為校準(zhǔn)參數(shù)；v是前車(chē)速度和后車(chē)速度中的最小值。

智能建筑不僅僅是智能技術(shù)在建筑工程上的簡(jiǎn)單應(yīng)用，而是基于建筑設(shè)計(jì)、施工、運(yùn)營(yíng)、服務(wù)等各環(huán)節(jié)與高新技術(shù)開(kāi)發(fā)、嵌入、使用等各方面的深度融合，需要多專(zhuān)業(yè)、多學(xué)科、多工種的共同努力與配合才能最終實(shí)現(xiàn)高質(zhì)量的發(fā)展。

Gmax=Gmult*Gmin，

(11)

式中：Gmax為車(chē)輛跟隨過(guò)程中的最大車(chē)間距；Gmult為校準(zhǔn)參數(shù)。

(12)

式中：B是接近邊界，用來(lái)劃分接近駕駛與其他駕駛狀態(tài)，其中，C為校準(zhǔn)參數(shù)。

O=B*Oadd，

(13)

式中：O是用來(lái)劃分前車(chē)速度比較大時(shí)的無(wú)反應(yīng)駕駛和跟隨駕駛，其中Oadd為校準(zhǔn)參數(shù)。

目前在交通控制方面主要是基于交通燈機(jī)制[20]調(diào)控交通流。交管部門(mén)通過(guò)在一定時(shí)間段內(nèi)對(duì)某一路口的過(guò)往車(chē)輛進(jìn)行統(tǒng)計(jì)分析，從而制定相應(yīng)的交通信號(hào)燈轉(zhuǎn)換策略。首先，路口處的交通燈會(huì)影響車(chē)輛的速度，紅燈路口處的車(chē)輛密度高；其次，由于交通信號(hào)燈策略是固定的，不能實(shí)時(shí)應(yīng)對(duì)不同方向的不同車(chē)輛數(shù)，有可能導(dǎo)致車(chē)輛很多的路口依然是紅燈。不同的移動(dòng)模型針對(duì)車(chē)輛在路口處的駕駛行為提出不同的調(diào)控策略。

bmax=Bmaxmult*(vmax-v*Faktor)，

(14)

式中：Bmaxmult和Faktor為校準(zhǔn)參數(shù)；vmax是車(chē)輛最大速度。當(dāng)車(chē)輛從自由駕駛狀態(tài)下進(jìn)入接近狀態(tài)時(shí)，加速度為

(15)

式中，bn-1為前車(chē)的加速度。

因?yàn)檐?chē)輛可以從不同的狀態(tài)進(jìn)入跟隨駕駛狀態(tài)，所以跟隨駕駛狀態(tài)下的加速度可分為：通過(guò)閾值O或Gmax進(jìn)入跟隨駕駛狀態(tài)，此情況下的加速度為正值；通過(guò)閾值B或Gmin進(jìn)入跟隨駕駛狀態(tài)，此情況下的加速度為負(fù)值。

跟隨狀態(tài)下加速度絕對(duì)值的計(jì)算公式為

anull=anull,mult*RND3α，

(16)

式中：anull,mult為校準(zhǔn)參數(shù)；RND3α是服從正態(tài)分布的駕駛因變量。

當(dāng)車(chē)間距小于Gmin時(shí)，車(chē)輛進(jìn)入緊急剎車(chē)狀態(tài)，加速度為

bmin=bminadd+bminmult*vn，

(17)

式中：bminadd和bminmult是校準(zhǔn)參數(shù)；vn是當(dāng)前車(chē)輛的速度。

1.4 CarFollowing-Bkerner模型

Bkerner模型基于隨機(jī)三相交通流建模。車(chē)輛更新規(guī)則如下：

(18)

式中:

(19)

式(18)中的參數(shù)因子ξn表示：在隨機(jī)加速或隨機(jī)減速過(guò)程中，車(chē)輛是否繼續(xù)加速或減速；或是維持當(dāng)前車(chē)速

(20)

式中：ξa和ξb表示車(chē)輛隨機(jī)減速或是隨機(jī)加速。

(21)

式中，k>1,ψ是常數(shù)。

式中：Xd(u)=bτ2(αβ+α(α-1)/2)；b是常數(shù)，α是u/bτ的整數(shù)部分，β是其小數(shù)部分；vl(a)表示期望速度。

翻轉(zhuǎn)課堂教學(xué)模式；評(píng)估在完成跨職業(yè)教育（Inter Professional Education，IPE）課程前后藥學(xué)和護(hù)理學(xué)生觀點(diǎn)的變化；學(xué)生復(fù)合技能的準(zhǔn)確性與保留性分析；多學(xué)科溝通課程對(duì)護(hù)士、藥學(xué)生和醫(yī)學(xué)生溝通技巧自我效能的影響；逐步開(kāi)展跨專(zhuān)業(yè)在線全球健康課程；學(xué)生的自我測(cè)試提高了藥學(xué)課程的表現(xiàn)；在六年制藥學(xué)博士課程中評(píng)估學(xué)生的批判性思考和解決問(wèn)題的能力；在入門(mén)藥學(xué)實(shí)踐課程中學(xué)生互助教學(xué)的評(píng)價(jià)。關(guān)于課堂教學(xué)5年來(lái)研究的重點(diǎn)是翻轉(zhuǎn)課堂、主動(dòng)學(xué)習(xí)以及跨職業(yè)教育合作。

vn(safe)τ+Xd(vn(safe))=gn+Xd(vl,n)。

(22)

在式(18)中，vs,n=min(vn(safe),gn/τ+vl(a))是一個(gè)安全速度，其中vn(safe)是Gipps方程的解。

車(chē)輛在計(jì)算加速度或減速度方面，考慮了駕駛員的反應(yīng)延遲，式(19)中的an和bn采用以下隨機(jī)函數(shù)：

(23)

式中：a表示最大加速度；r1是(0，1)之間均勻分布的隨機(jī)值；當(dāng)z<0時(shí)，θ(z)=0，當(dāng)z>=0時(shí)，θ(z)=1；概率p0(v)，p2(v)給出速度函數(shù)，概率p1是模型參數(shù)，車(chē)輛加速和減速的隨機(jī)反應(yīng)延遲分別用1-P0和1-P1表示。Sn描述車(chē)輛移動(dòng)的狀態(tài)(Sn=-1表示減速，Sn=1表示加速，Sn=0表示恒定速度)。

Commended by him not to move,but only grow in the SouthCountry[14]178.

隨著人口老齡化的不斷加劇，養(yǎng)老問(wèn)題成為一大難題。我國(guó)人口老齡化易呈現(xiàn)家庭小型化、空巢化，養(yǎng)老模式由單一的家庭養(yǎng)老逐步向多樣化的社會(huì)化養(yǎng)老演變。

(24)

式中，δ是常數(shù)。

1.5 CarFollowing-PWagner模型

PWagner模型即人類(lèi)行為的行動(dòng)點(diǎn)模型。駕駛員可以在任意的時(shí)間步長(zhǎng)隨機(jī)決定是否改變當(dāng)前的加速度。如果改變，則加速度的值設(shè)置為

a(t)=asafe-σaξ，

(25)

式中：asafe是車(chē)輛安全加速度；σa是加速度影響因子；ξ是[0,1]之間的隨機(jī)數(shù)。σa的取值范圍0.2～0.5 m/s2。如果當(dāng)前加速度大于asafe，則車(chē)輛的加速度會(huì)被強(qiáng)制設(shè)置為式(25)中所提供的新值。加速度的選擇可根據(jù)以下不等式確定，如果不等式成立，則加速度是安全的：

d(v+aτ)+vτ+1/2aτ2≤d(V)+Δv-l，

(26)

式中：τ表示車(chē)輛最小車(chē)間距；l表示車(chē)輛長(zhǎng)度；函數(shù)d(v)表示車(chē)輛的制動(dòng)距離；V表示前車(chē)的速度。用d(v)=v2/(2b)可求解此方程，得到安全加速度為

(27)

2 移動(dòng)模型的影響因素

SUMO是一個(gè)多模態(tài)的移動(dòng)模型仿真器，所涉及的模型不僅包含各種不同的車(chē)輛，還包括行人、各種基礎(chǔ)設(shè)施等，同時(shí)可以仿真不同的道路交通網(wǎng)絡(luò)，如城市道路網(wǎng)絡(luò)和高速公路網(wǎng)絡(luò)。目前學(xué)術(shù)界和工業(yè)界主要關(guān)注如何解決城市道路交通擁堵問(wèn)題和安全問(wèn)題[19]，因此常用車(chē)輛跟馳模型的仿真環(huán)境基本以城市道路網(wǎng)絡(luò)為仿真實(shí)驗(yàn)場(chǎng)景。道路網(wǎng)絡(luò)結(jié)構(gòu)、交通控制策略和單位車(chē)輛行為都會(huì)影響車(chē)載網(wǎng)移動(dòng)模型的構(gòu)建。

有研究表明，白芍中的芍藥苷對(duì)模型大鼠腦缺血后的血腦屏障具有保護(hù)作用[2]，對(duì)腫瘤細(xì)胞的生長(zhǎng)有一定抑制作用[3]，對(duì)肝臟具有保護(hù)作用[4]；牡丹皮中的丹皮酚具有抗腫瘤[5]、抗神經(jīng)系統(tǒng)氧化應(yīng)激損傷[6]、抗動(dòng)脈粥樣硬化[7]和改善血液循環(huán)[8]等作用；梔子中的梔子苷具有保肝利膽[9]、改善腦缺血[10]、調(diào)節(jié)血糖[11]和鎮(zhèn)痛抗炎[12]等作用。由此可見(jiàn)，梔子苷、芍藥苷和丹皮酚這3個(gè)成分與丹梔逍遙散養(yǎng)血健脾、疏肝清熱的攻效相呼應(yīng)，均為該方重要的活性成分。此外有研究表明，該方中梔子苷、芍藥苷和丹皮酚含量均較高[13]。因此，本試驗(yàn)選擇梔子苷、芍藥苷和丹皮酚為指標(biāo)成分。

2.1 道路網(wǎng)絡(luò)結(jié)構(gòu)

車(chē)輛的移動(dòng)會(huì)受到道路網(wǎng)絡(luò)的限制，包括車(chē)的速度、方向。道路網(wǎng)絡(luò)的交叉口，每條道路上車(chē)道的數(shù)量、單車(chē)道或是多車(chē)道等都會(huì)影響車(chē)輛的行為。當(dāng)車(chē)輛到達(dá)路口，或出于轉(zhuǎn)向的考慮，車(chē)輛會(huì)適當(dāng)減速。為保障行駛車(chē)輛的安全，每條道路也都有相應(yīng)的最高速度限制，車(chē)輛時(shí)速必須低于道路的最高限速。

2.2 交通控制策略

Wiedemann模型下，如果車(chē)輛處于自由行駛狀態(tài)，該車(chē)會(huì)逐漸加速到期望速度，并以期望速度行駛，直到進(jìn)入其他行駛狀態(tài)，其加速度為

2.3 單個(gè)車(chē)輛行為

每輛車(chē)不僅受到道路最高時(shí)速的限制，同時(shí)也會(huì)受到周?chē)?chē)輛行為的影響。一輛車(chē)可能會(huì)被迫進(jìn)入加速、減速、變道的狀態(tài)，道路上車(chē)輛較少時(shí)，車(chē)輛應(yīng)有較高的平均速度，從而提高到達(dá)目的地的效率。

3 實(shí)驗(yàn)部分

目前，車(chē)載網(wǎng)應(yīng)用背景下對(duì)路經(jīng)規(guī)劃、交通狀況預(yù)測(cè)以及通信協(xié)議的驗(yàn)證大部分是以城市道路網(wǎng)絡(luò)為實(shí)驗(yàn)場(chǎng)景。移動(dòng)模型在城市道路仿真環(huán)境下的性能優(yōu)劣對(duì)路徑規(guī)劃和通信協(xié)議的評(píng)估和驗(yàn)證[21]至關(guān)重要。而且IDM作為車(chē)輛跟馳模型，基于速度、車(chē)間距以及后車(chē)與前車(chē)的速度差進(jìn)行建模，考慮了人為因素(反應(yīng)時(shí)間、估計(jì)誤差)對(duì)模型的影響，對(duì)車(chē)輛的控制和實(shí)際車(chē)輛行駛狀態(tài)更接近，目前在交通仿真領(lǐng)域具有很大優(yōu)勢(shì)。并且Li等[22-23]將其作為研究交通動(dòng)態(tài)變化的基礎(chǔ)模型。但實(shí)際車(chē)輛運(yùn)行狀態(tài)受到所處環(huán)境的影響，如，城市快速道路上車(chē)速快，超車(chē)頻繁；城市中心道路車(chē)速慢，超車(chē)受限等。Li等沒(méi)有明確指出具體環(huán)境對(duì)車(chē)輛跟馳模型的影響。文中以IDM為基礎(chǔ)，設(shè)置不同場(chǎng)景對(duì)五種車(chē)輛跟馳模型與IDM性能進(jìn)行對(duì)比分析。

實(shí)驗(yàn)分為以下3個(gè)仿真場(chǎng)景：首先，采用長(zhǎng)約5 km的單行道網(wǎng)絡(luò)拓?fù)?，其目的是在不存在交通燈、變道、控制策略等外界因素的影響下觀察不同車(chē)輛跟馳模型的性能表現(xiàn)；其次，采用長(zhǎng)約8 km的雙向雙車(chē)道且路口處設(shè)有交通燈的環(huán)形網(wǎng)絡(luò)拓?fù)?，其目的是模擬真實(shí)城市道路網(wǎng)絡(luò)場(chǎng)景，對(duì)比不同車(chē)輛跟馳模型的性能差異；最后，由于車(chē)輛跟馳行為不受網(wǎng)絡(luò)拓?fù)溆绊?，為便于模擬和觀察，微觀車(chē)輛跟馳實(shí)驗(yàn)選用單行道網(wǎng)絡(luò)拓?fù)洵h(huán)境對(duì)不同模型下單個(gè)車(chē)輛的跟馳行為進(jìn)行分析。

3.1 單行道場(chǎng)景

本實(shí)驗(yàn)主要從車(chē)輛平均速度、道路占用率和車(chē)輛密度3個(gè)方面對(duì)不同的車(chē)輛跟馳模型在單行道環(huán)境下所表現(xiàn)的性能進(jìn)行分析對(duì)比。單行道仿真設(shè)置為：每隔1.25 s在起點(diǎn)處發(fā)一輛車(chē)，車(chē)輛總數(shù)為50，實(shí)驗(yàn)中每隔10 s對(duì)平均速度、占用率以及車(chē)輛密度測(cè)試1次。

由圖2可以看出，每個(gè)移動(dòng)模型中車(chē)輛在經(jīng)過(guò)一段緩沖加速過(guò)程后速度趨于穩(wěn)定。其原因是不同移動(dòng)模型下道路上的車(chē)輛數(shù)都達(dá)到相對(duì)穩(wěn)定的數(shù)值。當(dāng)有較少的車(chē)輛進(jìn)入道路時(shí)，平均速度都有一定程度的升高。根據(jù)圖3和圖4描述,Wiedemann和IDM在車(chē)輛行駛過(guò)程中兩車(chē)之間要保持相對(duì)較大的車(chē)間距，因此，Wiedemann和IDM模型在完成整個(gè)車(chē)輛仿真過(guò)程用時(shí)大于其他模型。相較于IDM，Wiedemann和PWagner都有相對(duì)較低的道路占用率，PWagner的車(chē)輛密度和道路占用率最低并且沒(méi)有穩(wěn)定階段，在低密度、低占用率期間(200 s左右)車(chē)速波動(dòng)且速度較低，因此會(huì)導(dǎo)致較低的通行效率。SmartSK, Krauss和BKerner模型在車(chē)輛密度和道路占用率2個(gè)方面高于IDM，并且3個(gè)模型的車(chē)速比IDM快，相應(yīng)提高了車(chē)輛的通行效率。在單行道網(wǎng)絡(luò)拓?fù)渲?，移?dòng)模型有較高的車(chē)輛密度、道路占用率和平均速度，才能保證車(chē)輛有較高的通行效率。除此之外，實(shí)驗(yàn)還考慮車(chē)輛初速度，發(fā)車(chē)間隔對(duì)實(shí)驗(yàn)結(jié)果的影響。當(dāng)發(fā)車(chē)間隔太長(zhǎng)，會(huì)導(dǎo)致車(chē)間距過(guò)大，車(chē)輛跟馳模型不工作；發(fā)車(chē)間隔太短，則會(huì)導(dǎo)致發(fā)車(chē)延時(shí)。經(jīng)過(guò)多次測(cè)試實(shí)驗(yàn)，選取合適的發(fā)車(chē)間隔，并且在不同的初速度下，設(shè)置多組實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果與給出的圖2～圖4相同，表明在單行道場(chǎng)景下，相對(duì)于IDM，Krauss、SmartSK和BKerner有更好的交通調(diào)控效率。

圖2 單行道車(chē)輛速度變化

圖3 單行道車(chē)輛密度變化

圖4 車(chē)道占用率

3.2 環(huán)形雙向雙車(chē)道場(chǎng)景

實(shí)驗(yàn)設(shè)置道路網(wǎng)絡(luò)拓?fù)錇榉忾]的環(huán)路，左右兩條道路長(zhǎng)各為1 000 m，上下兩條道路長(zhǎng)各為3 000 m，路口處設(shè)有交通燈。為體現(xiàn)城市道路特點(diǎn)，在上下兩條道路的中點(diǎn)各加入一個(gè)交通燈，以便更好地調(diào)節(jié)交通流量。車(chē)道設(shè)置為雙向雙車(chē)道，可以突顯每個(gè)模型在控制車(chē)輛過(guò)程中出現(xiàn)的變道超車(chē)行為。實(shí)驗(yàn)場(chǎng)景中車(chē)輛總數(shù)為200，設(shè)置node7交通燈(道路網(wǎng)絡(luò)拓?fù)渥笊辖?為車(chē)輛的發(fā)車(chē)點(diǎn)，并且車(chē)輛繞環(huán)路行駛一周在此節(jié)點(diǎn)處離開(kāi)實(shí)驗(yàn)場(chǎng)景。仿真過(guò)程中車(chē)輛分多個(gè)批次出發(fā)，每個(gè)批次內(nèi)的發(fā)車(chē)間隔由具體模型決定，每批次之間間隔10～15 s。

宏觀上，車(chē)輛移動(dòng)模型主要體現(xiàn)在對(duì)車(chē)流的控制，包括車(chē)流的速度、方向和密度等。為研究每個(gè)移動(dòng)模型在城市道路中對(duì)交通流的不同控制性能，實(shí)驗(yàn)中對(duì)車(chē)輛所經(jīng)過(guò)的每條道路上的車(chē)輛數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，主要從車(chē)輛密度，道路占用率和車(chē)輛平均速度3個(gè)方面分析Krauss，IDM，Wiedemann，BKerner，PWagner和SmartSK 6個(gè)車(chē)輛跟馳模型在城市道路中所表現(xiàn)出的性能差異。

由圖5和圖6可以看出，每條道路上車(chē)輛密度和道路占用率在宏觀上有大致相同的趨勢(shì)。車(chē)輛出發(fā)后經(jīng)過(guò)E1E2的緩沖加速，車(chē)速達(dá)到平穩(wěn)狀態(tài)并進(jìn)入道路E3。Wiedemann和SmartSK模型在E3邊上的車(chē)輛密度和道路占用率高于IDM，并且Wiedemann和SmartSK在仿真過(guò)程中出現(xiàn)圖7(a)，(b)的車(chē)輛擁堵現(xiàn)象。由于Wiedemann和SmartSK兩個(gè)移動(dòng)模型在E3邊上都出現(xiàn)了相應(yīng)的重度、中度的交通擁堵?tīng)顟B(tài)，而且在微觀角度分析，2個(gè)移動(dòng)模型中的單個(gè)車(chē)輛具有相對(duì)較低的加速度，這使車(chē)輛在通過(guò)交通燈路口時(shí)花費(fèi)的時(shí)間較長(zhǎng)，繼而導(dǎo)致后面道路的車(chē)輛密度和車(chē)道占用率比較高。因此，Wiedemann和SmartSK模型完成200輛車(chē)的仿真過(guò)程用時(shí)大于IDM。如圖7(c)，IDM模型對(duì)于車(chē)輛在交通燈處起步時(shí)的控制有一個(gè)弊端，經(jīng)過(guò)綠燈時(shí)，2車(chē)道車(chē)輛同時(shí)起步后并行向前行駛并在較長(zhǎng)的時(shí)間內(nèi)保持同樣的行駛狀態(tài)，與實(shí)際車(chē)輛駕駛行為不符。實(shí)際行駛中兩個(gè)車(chē)道內(nèi)的車(chē)輛應(yīng)該都有自己的車(chē)輛駕駛行為意識(shí)[24]，例如：超車(chē)，變換車(chē)道等。

高鹽污水中低質(zhì)量濃度氨氮的物理去除方法………………………………………………………………………熊紅英（1.18）

圖5 每條道路上的車(chē)輛密度

圖6 每條道路上的占用率

圖7 通過(guò)交通燈時(shí)的車(chē)輛狀態(tài)

E3邊上Bkerner模型的密度和占用率與IDM差距過(guò)大，由圖8(b)可以看出，Bkerner模型在E3邊上沒(méi)有出現(xiàn)車(chē)輛擁堵現(xiàn)象，但低密度低占用率導(dǎo)致道路上車(chē)輛數(shù)較少。Krauss模型的密度和占用率雖低于IDM，但差距不大并且車(chē)輛在通過(guò)node2交通燈之后相較于IDM也有較高的車(chē)輛密度和道路占用率，這就使Krauss模型完成整個(gè)車(chē)輛仿真的總時(shí)間不會(huì)高于IDM模型，車(chē)輛能夠在較短時(shí)間內(nèi)到達(dá)目的地。Krauss模型沒(méi)有過(guò)高的車(chē)輛密度和道路占用率，同時(shí)也保證了在城市道路環(huán)境下交通不會(huì)出現(xiàn)擁堵現(xiàn)象。由表2可以看出，BKerner模型在仿真過(guò)程中車(chē)間距明顯小于閾值(最小車(chē)間距)，這就說(shuō)明在仿真過(guò)程中出現(xiàn)車(chē)輛碰撞現(xiàn)象。微觀角度分析，Bkerner模型對(duì)單個(gè)車(chē)輛沒(méi)有高度有效的控制，當(dāng)車(chē)輛與前車(chē)距離接近閾值時(shí)不能有效地實(shí)施減速。相較于IDM，PWagner模型在車(chē)輛密度，道路占用率方面都保持一個(gè)較為平緩的趨勢(shì)，每個(gè)車(chē)道內(nèi)的車(chē)輛分布比較均勻。但圖8(c)顯示，交通燈對(duì)PWagner模型沒(méi)有明顯的約束，可以看到紅燈亮?xí)r車(chē)輛并沒(méi)有減速或是停止。如表3所示，由于PWagner模型中時(shí)間點(diǎn)確定加速度是否改變，從而導(dǎo)致此模型出現(xiàn)較為嚴(yán)重的車(chē)輛碰撞現(xiàn)象。移動(dòng)模型必須確保車(chē)輛移動(dòng)的安全性，頻繁出現(xiàn)車(chē)輛碰撞的模型不適合完成車(chē)輛仿真模擬。

圖8 通過(guò)交通燈時(shí)的車(chē)輛狀態(tài)

表2 BKerner模型車(chē)輛碰撞數(shù)據(jù)

表3 PWagner模型車(chē)輛碰撞數(shù)據(jù)

如圖9所示，車(chē)輛在緩沖加速階段，Krauss和SmartSK模型的平均速度優(yōu)于IDM模型，Wiedemann模型的平均速度和IDM差距較大，導(dǎo)致車(chē)輛不能快速進(jìn)入穩(wěn)定狀態(tài)。在SmartSK進(jìn)入穩(wěn)定狀態(tài)后，其速度接近Wiedemann模型，這符合密度圖所反映的車(chē)流狀況。Krauss模型微觀上對(duì)單個(gè)車(chē)輛的加速，減速以及變道的控制較好，因此，在車(chē)輛達(dá)到平穩(wěn)狀態(tài)后的速度高于IDM模型。車(chē)輛通過(guò)E3街道末端的交通燈后進(jìn)入E4街道，車(chē)輛數(shù)相對(duì)較少，每個(gè)移動(dòng)模型下的車(chē)速都會(huì)有相應(yīng)的提升，經(jīng)過(guò)這條道路所花費(fèi)的時(shí)間減少。由于在E5處車(chē)輛碰撞導(dǎo)致交通暫時(shí)性的擁堵，BKerner的平均速度明顯下降，車(chē)輛經(jīng)過(guò)E5的時(shí)間提高。由于PWagner模型的加速度不依賴于前車(chē)數(shù)據(jù)，并且每批次內(nèi)的發(fā)車(chē)間隔較大，因此在仿真過(guò)程中始終高于IDM的平均速度。

44 Prevalence and risk factors of chronic kidney disease in high-risk population in Minhang District of Shanghai

圖9 每條道路上的平均速度

3.3 微觀角度分析車(chē)輛跟馳狀態(tài)

前車(chē)勻速行駛，后車(chē)高速接近并實(shí)施減速的行為，這種車(chē)輛跟馳現(xiàn)象在實(shí)際交通中時(shí)常發(fā)生。以這種跟馳行為為背景設(shè)置仿真實(shí)驗(yàn)，可以更好地從微觀角度分析不同模型下單車(chē)的行為狀態(tài)。選擇單行道網(wǎng)絡(luò)拓?fù)錇閷?shí)驗(yàn)場(chǎng)景，定義前車(chē)以15 m/s的速度勻速行駛，后車(chē)以28 m/s的速度接近，并記錄后車(chē)在不同跟馳模型下速度以及車(chē)間距的實(shí)時(shí)變化。

為清晰對(duì)比不同模型減速過(guò)程中車(chē)間距的變化，實(shí)驗(yàn)選擇162～230 s時(shí)間段的數(shù)據(jù)進(jìn)行分析。由圖10(a)可知，在BKerner模型下后車(chē)接近前車(chē)的過(guò)程中，車(chē)速總體呈波動(dòng)下降趨勢(shì)?？梢苑治龀鲈撃Ｐ筒荒芊€(wěn)定控制車(chē)輛的速度，當(dāng)前車(chē)減速時(shí)，后車(chē)可能會(huì)處于加速狀態(tài)，導(dǎo)致出現(xiàn)車(chē)輛碰撞，并且BKerner模型車(chē)輛開(kāi)始減速的時(shí)間早于其他模型。由圖11減速過(guò)程中車(chē)間距的變化可以看出，BKerner車(chē)間距始終沒(méi)有達(dá)到穩(wěn)定值。

圖10 不同模型下減速過(guò)程中車(chē)速變化

圖11 不同模型下減速過(guò)程中車(chē)間距變化

結(jié)合圖10和圖11可以看出，Krauss，IDM，Wiedemann，SmartSK和PWagner開(kāi)始減速的時(shí)間較BKerner模型晚。在170～180 s期間，車(chē)輛處于減速狀態(tài)，在減速過(guò)程中5個(gè)模型對(duì)車(chē)速均有較好的控制。IDM的車(chē)間距大于Krauss和Wiedemann模型，而且減速時(shí)間也早于這2個(gè)模型。這表明IDM在距前車(chē)較遠(yuǎn)的距離就開(kāi)始實(shí)施減速，如果處在接近路口過(guò)程中，宏觀上整個(gè)車(chē)流過(guò)早進(jìn)入減速狀態(tài)，從而降低了車(chē)輛通過(guò)路口的效率。Wiedemann，SmartSK和PWagner模型在達(dá)到穩(wěn)定狀態(tài)時(shí)，速度開(kāi)始頻繁波動(dòng)。Wiedemann模型在180～280 s期間出現(xiàn)明顯的波動(dòng)現(xiàn)象，其原因是車(chē)輛在接近模式和跟隨模式間不斷切換。SmartSK中加速度圍繞閾值變化較大，導(dǎo)致車(chē)速出現(xiàn)較大波動(dòng)。PWagner的加速度變化取決于行動(dòng)點(diǎn)的選擇。例如，在220～250 s期間沒(méi)有選擇行動(dòng)點(diǎn)，車(chē)速保持恒定。當(dāng)車(chē)間距較小時(shí)，PWagner模型車(chē)速出現(xiàn)波動(dòng)，從微觀上看，該模型對(duì)單個(gè)車(chē)輛不能很好的控制，并且存在車(chē)輛碰撞的風(fēng)險(xiǎn)。而Krauss模型是在車(chē)間距相對(duì)較小的情況下開(kāi)始減速，車(chē)輛整個(gè)減速過(guò)程中具有較高的效率，并且沒(méi)有出現(xiàn)速度頻繁波動(dòng)的現(xiàn)象。這也表明微觀上Krauss模型對(duì)單個(gè)車(chē)輛具有較好的控制性能。

綜上所述，在單行道場(chǎng)景下，車(chē)輛跟馳模型所處環(huán)境簡(jiǎn)單，道路沒(méi)有其他限制，因此對(duì)模型性能要求較低。實(shí)驗(yàn)結(jié)果表明，Krauss、SmartSK和BKerner的密度和道路占用率都高于IDM模型，因此，單行道環(huán)境下3個(gè)模型對(duì)交通的調(diào)控效率優(yōu)于IDM。在雙向雙車(chē)道場(chǎng)景下，道路設(shè)置交通燈以及多車(chē)道，測(cè)試不同模型對(duì)車(chē)輛變道、交通燈前減速及起步的控制性能。在復(fù)雜場(chǎng)景下，模型對(duì)車(chē)輛的控制存在不同問(wèn)題。Wiedemann和SmartSK由于密度和占用率過(guò)高，出現(xiàn)交通擁堵現(xiàn)象；Bkerner不能對(duì)車(chē)輛進(jìn)行有效減速并且PWagner模型中沒(méi)有對(duì)交通燈進(jìn)行相應(yīng)設(shè)置，導(dǎo)致2個(gè)模型出現(xiàn)車(chē)輛碰撞現(xiàn)象。Krauss和IDM模型對(duì)交通的調(diào)控性能相近，但Krauss模型在一定程度上避免了交通出現(xiàn)擁堵現(xiàn)象，并且對(duì)經(jīng)過(guò)交通燈后的車(chē)輛控制符合實(shí)際駕駛行為。根據(jù)微觀角度對(duì)模型的分析，Krauss模型對(duì)單個(gè)車(chē)輛高度的控制性能，對(duì)在城市道路環(huán)境下進(jìn)行協(xié)議的仿真測(cè)試極為重要。

4 結(jié)束語(yǔ)

車(chē)輛移動(dòng)模型的選取對(duì)車(chē)載網(wǎng)通信協(xié)議的分析與驗(yàn)證至關(guān)重要。在仿真過(guò)程中移動(dòng)模型能夠直接影響協(xié)議的吞吐量、包傳遞率以及傳輸時(shí)延等性能指標(biāo)。因此，選擇盡可能真實(shí)反映車(chē)輛駕駛行為的移動(dòng)模型是測(cè)試車(chē)載網(wǎng)通信協(xié)議的關(guān)鍵。

文中詳細(xì)闡述了SUMO仿真平臺(tái)下6種車(chē)輛跟馳模型的基礎(chǔ)理論，并根據(jù)車(chē)輛跟馳模型的特點(diǎn)設(shè)計(jì)了3類(lèi)仿真實(shí)驗(yàn)。在車(chē)輛平均速度、車(chē)輛密度、道路占用率3個(gè)指標(biāo)以及微觀角度下對(duì)各模型的性能進(jìn)行對(duì)比分析，為車(chē)載網(wǎng)仿真研究提供了模型選擇的依據(jù)和幫助。