基于斷面交通數據的特長隧道車輛軌跡預測方法研究

盧俊朋 車磊

摘 要：隨著我國交通基礎設施規模不斷擴大，隧道群和特長隧道數量逐步增加。由于隧道運行環境相對封閉，發生事故后交通疏導和事故救援難度大，且多數隧道在車輛運行監測方面并不完備，因此研究隧道內車輛運行軌跡、掌握不同個體車輛間的跟馳特性尤為重要。本文首先從車輛跟馳模型研究現狀進行梳理，分析車輛跟馳模型已有研究的缺陷及挑戰;其次，結合斷面交通數據優勢，基于特長隧道特征分析、車輛運行軌跡特征分析，提出車輛軌跡預測模型的構建思路和流程。

關鍵詞：跟馳模型;車輛軌跡預測;斷面交通數據

中圖分類號：U491 文獻標識碼：A

0 引言

隧道因運行環境相對封閉，發生事故后交通疏導和事故救援難度大，易造成重大人員傷亡和財產損失，因此科學合理的隧道交通監管技術就顯得尤為重要。精準實時地預測隧道內各個體車輛的運行軌跡，能夠為交通管理部門實時掌握隧道內車輛運行狀態、對管控方案做出動態調整提供幫助。

車輛運行軌跡的預測離不開對車與車之間關系的研究。車輛處于自由行駛狀態下時，車輛的運行相對平穩，車速只與駕駛員自身意愿相關;車輛處于非自由行駛狀態下時，車隊中任一輛車的車速都受前車速度的制約，即車輛處于跟馳狀態。車輛跟馳模型通常描述的是無法超車的同一車道中相鄰車輛間的相互作用，基于跟馳模型對特長隧道內不可變道條件下車輛的運行狀態進行研究是較為適宜的。

1 車輛跟馳模型研究現狀

國外的學者對車輛跟馳模型進行了系統的研究，主要可以分為以下幾類：刺激—反應模型，安全距離模型，生理—心理模型。近年來，又涌現出模糊推理模型和元胞自動機模型。

1.1 刺激—反應模型

車輛跟馳理論的中心思想是：反應=靈敏度*刺激。Aron[1]通過分析一般條件下的跟馳數據，把后車駕駛員的反應分為減速、穩定跟馳和加速三個階段。凌代儉[2]等考慮時滯效應對車流的影響，選取車頭時距和相對速度為變量，構建了改進后的跟馳模型。刺激—反應模型具有開創意義，許多后期的跟馳模型都在此基礎上建立。

1.2 安全距離模型

安全距離模型[3]最初由Kometani和Sasaki[4]提出，該模型最基本的關系并非GM模型所倡導的刺激—反應關系，而是尋找一個特定的跟馳距離。曲昭偉[5]等針對最優速度（OV）模型及其相關衍生模型假設安全距離恒定的缺陷，提出了基于最優速度模型的改進安全距離跟馳模型。

1.3 生理—心理模型

生理—心理模型用一系列閾值和期望距離體現人的感覺和反應，在不同的值域，后車與前車存在不同的影響關系。行為閾值模型的缺點在于模型的參數較多，子模型之間的相互關系比較復雜，并且對于各種閾值的調查觀測比較困難。

1.4 模糊推理模型

基于模糊推理的車輛跟馳模型主要通過推理駕駛員未來的邏輯階段來研究駕駛員的駕駛行為，核心仍是刺激—反應關系。近些年來在該領域的一些研究主要包括：Rekersbrink[6]模糊化了的MISSION模型;Henn[7]TRAFFIC—JAM模型。

1.5 元胞自動機模型

元胞自動機模型對交通系統的描述實踐了一種用離散化模型描述離散化問題的思想，避免了流動比擬下確定性方程的嚴格假設及求解離散化對真實信息的損失。但該模型的假設與實際的駕駛行為還存在著較大的差距，如何將該模型與交通實際聯系起來，還需要做大量的工作。

1.6 現有研究的缺陷

現有跟馳模型研究存在以下缺陷：

（1）模型的通用性較差，各類限制條件較多。（2）理論上的假設在模型的建立中是合乎情理的，但與實際情況存在著差異。（3）實際運行中跟馳行為受道路和流量等多種條件的影響，而大多模型中忽略了其影響，只考慮了個別因素的作用。

2 研究熱點與面臨的挑戰

2.1 研究熱點

精準實時地預測車輛在隧道內行駛的軌跡參數，對于提前預測和研判交通態勢尤為重要，通過預測車輛未來時刻的軌跡信息，能夠有效評估駕駛安全性和舒適性。精準預測車輛運行軌跡，有利于隧道監管者實時掌握個體車輛及交通流運行狀態。

2.2 車輛軌跡預測面臨的挑戰

（1）個體車輛在各時刻運動的不均衡性。在不同交通流狀態下，個體車輛的運動特征具有不均衡性。在自由流狀態下，同一個體車輛的速度相對穩定，速度特征只與駕駛員意愿相關;在非自由流狀態下，同一個體車輛的速度特征與自由流狀態下的速度特征有明顯不同。

（2）不同個體車輛之間在各時刻運動的不均衡性。在不同交通流狀態下，不同個體車輛的運動特征具有不均衡性。在自由流狀態下，不同個體車輛的速度特征具有多樣性與差異性;在非自由流狀態下，相鄰兩車中后隨車的速度和其縱向位置受前導車的影響，后隨車駕駛員通過加、減速力圖保持同前車的安全間距，并以此對前導車的動作做出反應。

3 斷面交通數據環境

3.1 斷面交通數據特征

固定型的斷面交通檢測設備被用來采集道路斷面的交通流量、速度、車頭間距等數據。斷面交通檢測數據具有以下特征：（1）數據易提取。（2）數據量豐富。（3）數據精度高。

3.2 基于斷面交通數據的車輛軌跡預測的優勢

斷面交通檢測設備在公路隧道有較高的覆蓋率，斷面交通數據容易獲取且信息完備，通過數據清洗和分類篩選，可以較為直觀地分析不同交通環境下車輛運行特征，基于斷面交通數據的軌跡預測模型實用性、適應性較強。

4 基于斷面交通數據的特長隧道車輛軌跡預測模型構建

4.1 數據預處理與指標參數提取

利用隧道側裝視頻等斷面交通檢測設備獲取隧道內車輛速度、車流量、車頭間距等數據，進行數據預處理后可獲取車輛通過斷面時的指標參數，為車輛運行軌跡特征分析與車輛軌跡預測模型建立提供數據支撐。

4.2 特長隧道特征分析

從道路結構、幾何線形、管控方式等方面對特長隧道進行特征分析研究。

4.3 車輛運行軌跡特征分析

基于車輛跟馳模型、斷面交通數據，研究不同交通流狀態下隧道內車輛運行軌跡的共性規律，掌握不同個體車輛間的跟馳特性，為車輛運行軌跡預測模型構建提供理論與數據支持。

4.4 車輛運行軌跡預測模型構建

自由行駛狀態下車輛的運行狀態相對平穩，車速與駕駛員自身意愿相關;而在車輛處于非自由行駛狀態下時，車隊中任一輛車的車速都受前車速度的制約，即車輛處于跟馳狀態?；谲囕v跟馳理論對車輛運行軌跡預測模型進行構建。

4.5 車輛運行軌跡預測模型修正

結合上下游斷面交通流數據，判斷上下游交通運行態勢，對車輛預測模型參數進行修正（如圖1）。

5 結語

車輛軌跡預測的研究在交通流監測與管控方面的研究有所欠缺，且許多已有的車輛軌跡預測研究中忽略了車速的變化以及車輛間的跟馳特性影響，在精度與準度上存在一定不足。依托大量車道斷面數據深度發掘車輛運行軌跡特征，構建基于斷面交通數據的特長隧道車輛軌跡預測模型，精準預測車輛運行軌跡，有助于監管者實時掌握交通流狀態，為交通管控方案的制定與動態調整提供依據。

參考文獻：

[1]Aron M.Car Following in an Urban Network： Simulation and Experiment.In Proceedings of Seminar D，16th PTRC Meeting，1988.

[2]凌代儉，肖鵬.一類非線性車輛跟馳模型的穩定性與分岔特性[J].交通運輸工程與信息學報，2009（4）：6-11+24.

[3]陳征，閆冬梅，劉釗，等.典型跟馳模型的特征與性能分析[J].交通科技，2018（3）：98-102.

[4]Komentani E，Sasaki T.Dynamic Behavior of Traffic with a Nonlinear Spacing-speed Relationship.In Proceedings of the Symposium on Theory of Traffic Flow，1959.

[5]曲昭偉，潘昭天，陳永恒，等.基于最優速度模型的改進安全距離跟馳模型[J].吉林大學學報（工學版），2019（4）：1092-1099.

[6]Cameron D.Advanced Transportation Systems Symposium，In Proceedings of the 28th，SATA Conference，1995.

[7]Henn V.Utilization de la Logique Floue Pourla Modelisation Mieroseo Pique du Trafic Routier.La Revune du Logique Floue，1995.