胡明偉，施小龍，翟素云,劉 鵬

(1. 深圳大學(xué) 土木與交通工程學(xué)院，廣東 深圳 518060；2. 深圳大學(xué) 濱海城市韌性基礎(chǔ)設(shè)施教育部重點(diǎn)實(shí)驗(yàn)室， 廣東深圳 518060； 3. 深圳大學(xué) 未來(lái)地下城市研究院，廣東 深圳 518060； 4. 弘達(dá)交通咨詢(深圳)有限公司，廣東 深圳 518060)

0 引 言

根據(jù)國(guó)家統(tǒng)計(jì)局部門(mén)相關(guān)統(tǒng)計(jì)，2019年底，全國(guó)汽車(chē)保有量高達(dá)2.8億輛，2013—2019年以年均12%的速率持續(xù)增長(zhǎng)[1]。機(jī)動(dòng)車(chē)保有量的持續(xù)增長(zhǎng)將加劇交通擁堵、交通事故以及環(huán)境污染等城市問(wèn)題[2]，交通管理和交通設(shè)計(jì)等傳統(tǒng)交通改善方法逐漸遭遇瓶頸。近年來(lái)，大數(shù)據(jù)、云計(jì)算、5G通信等技術(shù)催促下，智能網(wǎng)聯(lián)車(chē)發(fā)展迅猛[3]。據(jù)自動(dòng)駕駛技術(shù)成熟度曲線(Gartner曲線)，自動(dòng)駕駛呈曲線發(fā)展趨勢(shì)，2013—2017年，單車(chē)智能迅速發(fā)展，處于期望膨脹期；2018—2020年，由于技術(shù)成長(zhǎng)與公眾期望不匹配，單車(chē)智能將迎來(lái)低谷期。此期間，車(chē)路協(xié)同技術(shù)將帶領(lǐng)單車(chē)智能快速度過(guò)低谷期；2020—2035年，隨著自動(dòng)駕駛逐漸接受市場(chǎng)的驗(yàn)證，智能車(chē)將從復(fù)蘇期逐漸爬升至成熟期，預(yù)計(jì)于2035年，實(shí)現(xiàn)大規(guī)模產(chǎn)業(yè)化。Gartner曲線表明，未來(lái)道路上將出現(xiàn)自動(dòng)駕駛車(chē)輛和手動(dòng)駕駛車(chē)輛混行，并逐漸過(guò)渡到全部自動(dòng)駕駛車(chē)輛的交通狀況。針對(duì)這種過(guò)渡的混合交通流狀況，研究評(píng)價(jià)自動(dòng)駕駛車(chē)輛的交通和環(huán)境效益，可以為自動(dòng)駕駛車(chē)輛的政策制定提供指導(dǎo)。

汽車(chē)測(cè)試是自動(dòng)駕駛技術(shù)研發(fā)不可或缺的一個(gè)環(huán)節(jié)?；趯?shí)驗(yàn)場(chǎng)地的實(shí)車(chē)試驗(yàn)是目前自動(dòng)駕駛車(chē)研發(fā)的主流平臺(tái)。2016年11月，美國(guó)交通部在密歇根州安娜堡搭建世界上第一個(gè)測(cè)試自動(dòng)駕駛汽車(chē)技術(shù)的試驗(yàn)場(chǎng)，M-City試驗(yàn)場(chǎng)[4]。2018年3月，百度Apollo自動(dòng)駕駛汽車(chē)在實(shí)際道路上完成路測(cè)。然而，實(shí)體車(chē)與實(shí)體道路測(cè)試往往存在成本高、周期長(zhǎng)、對(duì)底層硬件設(shè)備可靠性高度依賴，且有一定安全隱患等問(wèn)題。這時(shí)就凸顯了配備有虛擬駕駛環(huán)境及各種豐富的虛擬傳感器的汽車(chē)智能仿真平臺(tái)的重要性。賀勇等[5]利用PreScan的駕駛仿真搭建了虛擬交通場(chǎng)景，分析自動(dòng)駕駛相關(guān)技術(shù)的穩(wěn)定性； L.CUI等[6]搭建了PreScan仿真平臺(tái)，用于模擬車(chē)聯(lián)網(wǎng)車(chē)輛在網(wǎng)絡(luò)攻擊下的運(yùn)行狀態(tài)。

國(guó)內(nèi)外學(xué)者在自動(dòng)駕駛混合交通流特性的研究上已取得一定的進(jìn)展，涉及混合交通流的穩(wěn)定性、基本圖模型、交通流建模等方面。蔣陽(yáng)升等[7]用全速度差模型和CACC模擬混合交通流的跟馳特性，對(duì)混合交通流的穩(wěn)定性進(jìn)行了分析；秦嚴(yán)嚴(yán)等[8-9]應(yīng)用Newell跟馳模型作為手動(dòng)駕駛車(chē)輛跟馳模型，并利用PATH實(shí)驗(yàn)室真車(chē)測(cè)試標(biāo)定的模型作為自動(dòng)駕駛車(chē)輛跟馳模型，推導(dǎo)出自動(dòng)駕駛混合交通流基本圖模型，并提出了不同自動(dòng)駕駛車(chē)輛比例下的混合交通流元胞傳輸模型(CTM)。

機(jī)動(dòng)車(chē)尾氣排放模型是測(cè)算機(jī)動(dòng)車(chē)尾氣排放污染物的仿真模型，可分為宏觀、中觀以及微觀三種尺度[10]，其中MOVES是在國(guó)內(nèi)外的尾氣排放測(cè)算應(yīng)用最廣泛且更接近實(shí)現(xiàn)情況的多尺度排放模型[11]。黃文柯等[12]通過(guò)AnyLogic和MOVES耦合模型，研究出行者信息APP提供的實(shí)時(shí)交通信息對(duì)城市空氣質(zhì)量的影響；王亞男[13]采用VISSIM以及MOVES搭建了公交專(zhuān)用道設(shè)置對(duì)機(jī)動(dòng)車(chē)尾氣排放影響的量化分析模型；H.ABOU-SENN等[14]通過(guò)MOVES和VISSIM的結(jié)合，揭示了在高速公路上，交通量、速度、卡車(chē)占比、道路坡度和溫度對(duì)CO2排放的影響；H.PERUGU 等[15]研究MOVES在印度進(jìn)行輕型機(jī)動(dòng)車(chē)排放模擬，提出了修改輕型汽車(chē)排放率的方法；F.LIU 等[16]研究了自動(dòng)駕駛車(chē)輛對(duì)溫室氣體排放的影響；P.KOPELIAS等[17]對(duì)道路中運(yùn)行的自動(dòng)駕駛車(chē)輛帶來(lái)的環(huán)境效益進(jìn)行了綜述。

1 建模方法

1.1 方法概述

筆者基于自動(dòng)駕駛車(chē)輛的駕駛行為理論，運(yùn)用VISSIM軟件進(jìn)行仿真建模，模擬不同市場(chǎng)滲透率的自動(dòng)駕駛車(chē)輛在不同交通流(高峰期、平峰期、低峰期)中的運(yùn)行過(guò)程，并采集路網(wǎng)中車(chē)輛的平均速度、路段距離等信息作為MOVES機(jī)動(dòng)車(chē)尾氣排放模型的數(shù)據(jù)輸入，最后全面評(píng)價(jià)研究自動(dòng)駕駛車(chē)輛對(duì)交通流特征以及交通環(huán)境造成的影響。

1.2 人工駕駛車(chē)輛行為

目前研究中，模擬人工駕駛車(chē)輛的駕駛行為有有刺激-反應(yīng)類(lèi)、生理-心理類(lèi)、安全距離、人工智能類(lèi)等模型。其中心理-生理模型能夠較準(zhǔn)確模擬出實(shí)際人工駕駛行為，因此筆者選用以Wiedemann模型為基礎(chǔ)的微觀仿真軟件VISSIM，模擬人工駕駛車(chē)輛的駕駛行為。Wiedemann模型主要包括適用于車(chē)輛跟馳行為的心理-生理模型和適用于車(chē)輛橫向運(yùn)動(dòng)行為描述的規(guī)則性模型。

1.3 自動(dòng)駕駛車(chē)輛行為

根據(jù)技術(shù)路線的不同，自動(dòng)駕駛車(chē)輛的駕駛行為可分為不同的駕駛規(guī)則，主要有自適應(yīng)巡航控制系統(tǒng)(adaptive cruise control，ACC)和協(xié)同式自適應(yīng)巡航控制系統(tǒng)(cooperative adaptive cruise control，CACC)兩大類(lèi)[18]。

ACC算法較簡(jiǎn)單，直接計(jì)算所需的精確加速度以達(dá)到最小的安全距離，并且加速度也需要滿足期望車(chē)頭時(shí)距。核心算法如式(1)～式(7):

(1)

(2)

(3)

bound(x,y,z)=max(min(x,y),z)

(4)

Ifaself≤asafeandasafe≤0:

(5)

thenanew=bound(aself,amax,amin)

(6)

elseanew=bound(atarget,amax,amin)

(7)

式中：aself為達(dá)到最小安全時(shí)距的加速度；atarget為達(dá)到期望車(chē)頭時(shí)距的加速度；vself為當(dāng)前車(chē)輛的速度；anew為決定的加速度；amax為最大的加速度；amin為最小加速度；vlead為當(dāng)前車(chē)輛前車(chē)的速度；sspace為當(dāng)前的車(chē)頭間距；hhd為當(dāng)前的車(chē)頭時(shí)距；hhd,min為最小的安全車(chē)頭時(shí)距 默認(rèn)為3 s；hhd,target為目標(biāo)車(chē)頭時(shí)距；bbuffer為最小的安全空間距離；sstep為時(shí)間步長(zhǎng)，默認(rèn)為0.1 s。

從ACC和人工駕駛車(chē)輛駕駛特性對(duì)比角度來(lái)看，ACC的運(yùn)行特性最終通過(guò)駕駛員反應(yīng)時(shí)間、安全距離、最小車(chē)頭間距和變道行為這些駕駛行為參數(shù)反映。因此，在VISSIM中對(duì)駕駛行為參數(shù)的加以設(shè)定，從而模擬自動(dòng)駕駛車(chē)輛運(yùn)行特性和效果。具體設(shè)置過(guò)程如圖1。

圖1 自動(dòng)駕駛車(chē)輛駕駛行為參數(shù)設(shè)置過(guò)程Fig. 1 Setting process of driving behavior parameters of autonomousvehicles

筆者的自動(dòng)駕駛行為模型中，采用了VISSIM中的Wiedemann 99車(chē)輛跟馳子模型[19]，與其他可用的汽車(chē)跟隨子模型相比，該模型提供了更多的可修改參數(shù)，因此對(duì)于調(diào)整自動(dòng)駕駛行為具有更大的靈活性。其中模型的閾值與參數(shù)取值關(guān)系如式(8)～式(13)：

AX=L+CC0

(8)

BX=AX+CC1×v

(9)

式中：AX為靜止車(chē)輛停車(chē)期望距離；BX為最小的安全跟馳距離；L為前車(chē)車(chē)身長(zhǎng)度；若后車(chē)的行駛速度小于前車(chē)速度，v為后車(chē)速度，否則為前車(chē)速度。

SDX=BX+CC2

(10)

(11)

(12)

(13)

式中：SDX為跟馳過(guò)程中駕駛員意識(shí)到距離變大的閾值；SDV為距離較大時(shí)速度差的閾值，表示駕駛員意識(shí)到正在接近一輛低速行駛車(chē)輛的速度差臨界點(diǎn)；CLDV為前后車(chē)距離變小時(shí)，駕駛員意識(shí)到很小的速度差并且距離減小的閾值，是區(qū)分跟馳車(chē)輛處于逼近前車(chē)和跟馳駕駛的重要閾值；OPDV在前后車(chē)距離變小時(shí)，駕駛員意識(shí)到很小的速度差并且距離增大的閾值；Δx為車(chē)頭時(shí)距；δ取值為1或0。

此外，仿真模型中還具有可以更改的車(chē)輛換道參數(shù)。筆者調(diào)研了10個(gè)被認(rèn)為最能代表自動(dòng)駕駛行為的參數(shù)，包含8個(gè)跟車(chē)參數(shù)和2個(gè)換道參數(shù)[20]。按圖1中自動(dòng)駕駛車(chē)輛駕駛行為參數(shù)設(shè)置流程，多次試驗(yàn)標(biāo)定得到10個(gè)參數(shù)值，如表1。

表1 自動(dòng)駕駛車(chē)輛駕駛行為參數(shù)Table 1 Driving behavior parameters of autonomous vehicles

1.4 微觀交通仿真模型

利用VISSIM搭建微觀交通仿真模型主要包括交通環(huán)境搭建、交通流輸入、交通參數(shù)配置、仿真運(yùn)行4個(gè)步驟。交通環(huán)境搭建的主要是通過(guò)加載背景圖作為仿真布局，添加路網(wǎng)模塊，車(chē)輛輸入，交叉口控制模塊，根據(jù)實(shí)際情況為對(duì)應(yīng)的交通環(huán)境模塊設(shè)置其屬性。交通參數(shù)設(shè)置中的自動(dòng)駕駛行為參數(shù)設(shè)置，主要是利用VISSIM仿真軟件提供的二次開(kāi)發(fā)COM接口完成對(duì)車(chē)輛的控制。通過(guò)Python編程語(yǔ)言完成式(1)～ 式(7)中的ACC規(guī)則核心算法、ACC換道行為模型以及表1的自動(dòng)駕駛車(chē)輛行為參數(shù)的輸入，從而完成ACC模塊的開(kāi)發(fā)。主要仿真流程如圖2。

圖2 VISSIM仿真流程Fig. 2 Flowchart of VISSIM simulation

1.5 機(jī)動(dòng)車(chē)尾氣排放模型

筆者采用MOVES微觀尺度(Project level)建立機(jī)動(dòng)車(chē)排放模型。其運(yùn)算和計(jì)算如式(14)：

Tp,s=(∑Ep,b×Ac,b)×Aj,p

(14)

式中：T為機(jī)動(dòng)車(chē)總排放量；p為機(jī)動(dòng)車(chē)排放過(guò)程；s為排放源類(lèi)型；b為排放源和工況區(qū)間；E為排放速率；Ac,b為行駛特征；Aj,p為調(diào)整因子。

構(gòu)建MOVES排放模型主要有3個(gè)步驟：①RunSpec面板參數(shù)設(shè)置；②在數(shù)據(jù)管理器(MOVES project data manager)中創(chuàng)建一個(gè)微觀層面的數(shù)據(jù)庫(kù)，來(lái)輸入交通仿真軟件VISSIM模型輸出的數(shù)據(jù)以及其他參數(shù)。其中交通仿真輸出的數(shù)據(jù)主要有車(chē)輛組成及其分布，自動(dòng)駕駛車(chē)輛比例，路段長(zhǎng)度，路段流量，路段平均速度等。VISSIM微觀仿真模型和MOVES排放模型的耦合測(cè)算步驟如圖3，其他參數(shù)如具有區(qū)域特征的信息(如氣象條件)則需要根據(jù)深圳市的實(shí)際情況進(jìn)行本地化；③經(jīng)過(guò)模型測(cè)算后，輸出尾氣排放清單結(jié)果，存儲(chǔ)在MySQL數(shù)據(jù)庫(kù)中。

圖3 VISSIM仿真和MOVES排放模型的耦合測(cè)算步驟Fig. 3 Coupling calculation steps of VISSIM simulation and MOVES emission model

2 案例研究

為更加準(zhǔn)確研究自動(dòng)駕駛車(chē)輛對(duì)城市交通和環(huán)境效益的影響，筆者選取了典型的快速路交織區(qū)進(jìn)行實(shí)例研究，以深圳市濱海大道及濱海大道輔路交織區(qū)為例，如圖4，有1條東西走向的快速路，分流合流輔路各1條?？熳呗分?條車(chē)道設(shè)計(jì)通行能力為1 200 veh/h，一條輔路車(chē)道設(shè)計(jì)通行能力為600 veh/h，實(shí)驗(yàn)設(shè)計(jì)高峰期、平峰期和低峰期3個(gè)不同時(shí)段的具體車(chē)流量如表2。

圖4 仿真路網(wǎng)示意Fig. 4 Schematic diagram of the simulated road network

表2 不同時(shí)段(高峰期、平峰期、低峰期)車(chē)流量Table 2 Traffic volume during different periods (peak, flat peak andlow peak period) veh/h

按照微觀交通仿真模型的具體建模步驟，設(shè)置路網(wǎng)的仿真時(shí)長(zhǎng)為5 400 s。為使仿真符合實(shí)際情況，仿真時(shí)長(zhǎng)被細(xì)分為較小的時(shí)間段，包括1 800 s的預(yù)熱和4個(gè)900 s的增量時(shí)間。這個(gè)時(shí)間分割模式，可讓仿真模型捕獲到周期內(nèi)需求的時(shí)間變化及對(duì)交通運(yùn)營(yíng)的影響，如堵塞，隊(duì)列傳播和耗散。在交通仿真中控制車(chē)輛構(gòu)成，設(shè)重型車(chē)占比5%，剩下95%占中構(gòu)建的自動(dòng)駕駛車(chē)輛的占比從0～100%(步長(zhǎng)為10%)，并根據(jù)表1中自動(dòng)駕駛車(chē)輛和傳統(tǒng)車(chē)輛的駕駛行為參數(shù)設(shè)置駕駛特性，建立仿真模型。最后根據(jù)表2中不同時(shí)段的車(chē)流量進(jìn)行輸入，建立交通網(wǎng)絡(luò)微觀仿真，以評(píng)估不同比例的自動(dòng)駕駛車(chē)輛在交通效益上帶來(lái)的變化。

利用MOVES軟件中微觀尺度進(jìn)行機(jī)動(dòng)車(chē)尾氣排放模型的搭建，排放模型的本地化參數(shù)及輸出指標(biāo)如表3。

表3 MOVES研究案例參數(shù)匯總Table 3 Summary of MOVES project-level parameters

3 結(jié)果與討論

通過(guò)筆者搭建的綜合仿真體系，模擬仿真了不同比例的自動(dòng)駕駛車(chē)輛在不同交通流(高峰期、平峰期、低峰期)中的運(yùn)行過(guò)程?；诜抡孢\(yùn)行的數(shù)據(jù)，交通效益以平均速度、平均停車(chē)次數(shù)、平均延誤以及總出行時(shí)間進(jìn)行評(píng)價(jià)研究，環(huán)境效益則選取NOx、PM2.5、CO污染物排放量和能源消耗量為研究指標(biāo)[12]。

3.1 交通效益

混合交通流中的自動(dòng)駕駛車(chē)輛，整體上有助于交通效益提升，且隨著其占比增加，交通效益呈穩(wěn)定線性上升趨勢(shì)，如表4。由表4可知，自動(dòng)駕駛車(chē)輛對(duì)于交通效益的作用，高峰期明顯優(yōu)于平峰期和低峰期。

表4 仿真路網(wǎng)交通效益評(píng)價(jià)指標(biāo)運(yùn)行結(jié)果Table 4 Running results of traffic benefit evaluation index of the simulated road network

高峰期中，當(dāng)自動(dòng)駕駛車(chē)輛(Avs)在交通流中的比例小于30%時(shí)，自動(dòng)駕駛車(chē)輛與人工駕駛車(chē)輛的混合行駛?cè)菀自斐善骄俣冉档?，增大平均延誤、平均停車(chē)次數(shù)和總出行時(shí)間。這可能是因?yàn)楦叻迤谲?chē)流量大，路網(wǎng)交通復(fù)雜，自動(dòng)駕駛車(chē)輛小比例突然加入，致使整個(gè)道路系統(tǒng)的交通行為更為復(fù)雜，混和交通流處于不穩(wěn)定狀態(tài)，導(dǎo)致交通效益波動(dòng)[21-22]。自動(dòng)駕駛車(chē)輛占比大于30%時(shí)，自動(dòng)駕駛車(chē)輛逐漸成為路網(wǎng)的主流車(chē)輛，才可有效提升混行交通流的交通效益，且占比在30%～40%范圍時(shí)，交通效益有大幅度提升。當(dāng)自動(dòng)駕駛車(chē)輛達(dá)100%時(shí)，可降低45.59%的總出行時(shí)間、98.77%的停車(chē)次數(shù)和96.46%的平均延誤，提升122.73%的平均旅行速度。

平峰期狀態(tài)下，交通效益提升較緩慢。在系統(tǒng)中全部是自動(dòng)駕駛車(chē)輛的下，總出行時(shí)間提升7.85%，平均旅行速度提升8.58%，而在平均延誤和平均停車(chē)次數(shù)上則相對(duì)來(lái)說(shuō)改善效果較顯著，可降低84.43%的平均延誤和86.42%的停車(chē)次數(shù)。

低峰期狀態(tài)下，實(shí)際車(chē)輛本身處于一個(gè)自由行駛的狀態(tài)，自動(dòng)駕駛車(chē)輛的介入對(duì)總出行時(shí)間和平均速度改善不大。在全部都是自動(dòng)駕駛車(chē)輛的交通系統(tǒng)，只降低了1.62%的總出行時(shí)間，提升了1.03%的平均旅行速度。

3.2 環(huán)境效益

隨著混合交通流中自動(dòng)駕駛車(chē)輛占比的提升，環(huán)境效益評(píng)價(jià)(PM2.5、NOx和CO)以及能源消耗的指標(biāo)值逐漸降低，即交通環(huán)境效益逐漸提升，如表5。

表5 仿真路網(wǎng)環(huán)境效益評(píng)價(jià)指標(biāo)運(yùn)行結(jié)果Table 5 Running results of environmental benefit evaluation index of the simulated road network

高峰期狀態(tài)下，當(dāng)自動(dòng)駕駛車(chē)輛占比小于30%時(shí)，此時(shí)交通系統(tǒng)不穩(wěn)定，導(dǎo)致環(huán)境效益處于一個(gè)波動(dòng)狀態(tài)。當(dāng)自動(dòng)駕駛車(chē)輛的占比達(dá)到100%時(shí)，在能源消耗方面，整個(gè)交通系統(tǒng)可少消耗約57.76%的能源，相應(yīng)的PM2.5由0.977 0 g/veh減排到0.363 1 g/veh，減排率高達(dá)62.84%。在其他機(jī)動(dòng)車(chē)主要污染物，NOx減少55.04%，CO減少58.86%。

平峰期狀態(tài)下，當(dāng)自動(dòng)駕駛車(chē)輛的占比達(dá)到100%時(shí)，整個(gè)系統(tǒng)減少了約56.66%的能源消耗，減少排放了58.24%的PM2.5，56.58%的NOx，56.18%的CO。

低峰期狀態(tài)下，由于車(chē)輛一直處于自由行駛狀態(tài)，自動(dòng)駕駛車(chē)輛對(duì)其環(huán)境效益改善較小，在全部都是自動(dòng)駕駛車(chē)輛的交通系統(tǒng)上，能源消耗也只減少了13.49%，相應(yīng)PM2.5減少了14.33%，NOx減少了17.47%，CO減少了18.89%。

4 結(jié) 語(yǔ)

筆者通過(guò)耦合VISSIM微觀仿真模型和MOVES機(jī)動(dòng)車(chē)尾氣排放模型，搭建了一套基于自動(dòng)駕駛車(chē)輛的駕駛行為的綜合仿真體系，并應(yīng)用在城市快速路上進(jìn)行了仿真模擬，對(duì)不同市場(chǎng)滲透率的自動(dòng)駕駛車(chē)輛在三種場(chǎng)景(高峰期、平峰期、低峰期)中的交通和環(huán)境效益進(jìn)行了評(píng)價(jià)研究。得出如下結(jié)論：

1)在高峰期，交通效益方面，高峰期的總出行時(shí)間、平均旅行速度、平均延誤和平均停車(chē)次數(shù)均有顯著改善，當(dāng)自動(dòng)駕駛車(chē)輛達(dá)100%時(shí)，可降低45.59%的總出行時(shí)間、98.77%的停車(chē)次數(shù)和96.46%的平均延誤，提升122.73%的平均旅行速度；環(huán)境效益方面，整個(gè)系統(tǒng)可減少了約57.76%的能源消耗，減少排放了62.84%的PM2.5，55.04%的NOx，58.86%的CO。

2)在平峰期，交通效益方面，僅有平均延誤和平均停車(chē)次數(shù)較明顯改善，當(dāng)自動(dòng)駕駛車(chē)輛達(dá)100%時(shí)，可降低84.43%的平均延誤和86.42%的停車(chē)次數(shù)；環(huán)境效益方面，整個(gè)系統(tǒng)可減少了約56.66%的能源消耗，減少排放了58.24%的PM2.5，56.58%的NOx，56.18%的CO。

3)在低峰期，自動(dòng)駕駛車(chē)輛的介入對(duì)交通效益改善并不大，當(dāng)自動(dòng)駕駛車(chē)輛達(dá)100%時(shí)，只降低了1.62%的總出行時(shí)間，提升了1.03%的平均旅行速度；環(huán)境效益方面，能源消耗也只減少了13.49%，相應(yīng)PM2.5減少了14.33%，NOx減少了17.47%，CO減少了18.89%。