CN114842644A - 一种混合交通流交织区通行能力计算方法 - Google Patents

Abstract

本发明为一种混合交通流交织区通行能力计算方法，首先对混合交通流交织区不同换道方式的理想安全间隙和出现概率进行估计；然后，估计了车辆换道需求长度和期望换道车辆数；最后，构建交织区通行能力模型，并对交织区通行能力模型进行求解，得到混合交通流交织区通行能力。考虑了混合交通流交织区车辆换道行为的差异性，将交织区车辆换道方式分为保守型换道和激进型换道，由于自动驾驶车辆间能够进行信息交互，自动驾驶车辆可以采取协同换道策略，因此将自动驾驶车辆的保守型换道又分为与原车道前车协同换道、与目标车道前车协同交叉换道以及无法协同换道三种方式；该方法为提升道路通行和交织区换道效率、优化交织区通行能力等提供了解决方案。

Description

一种混合交通流交织区通行能力计算方法

技术领域

本发明涉及道路调控技术领域，特别是一种混合交通流交织区通行能力计算方法。

背景技术

随着自动驾驶技术日趋成熟，自动驾驶与人工驾驶形成的混合交通流逐渐成为主要交通形态，交织区是道路的重要组成部分，交织区是指行驶方向相同的两股或多股交通流，在沿着一定距离的路段发生不借助交通控制设施的相交运行的区域，交织区内交织车流和非交织车流之间的相互作用会产生波动，造成紊流运行，降低道路通行效率，因此，研究交织区通行能力对于混合交通流管控和改善道路通行能力等具有重要意义。

现有技术关于单一交通流交织区通行能力的研究较为成熟，主要采用回归分析法、理论解析法和微观交通仿真法等方法。由于自动驾驶与人工驾驶形成的混合交通流缺乏实际数据基础，人机混驾条件下交织区通行能力研究可采用微观仿真法和理论解析法。现有方法基于间隙接受理论构建的通行能力模型仍存在不足：1)现有研究中对交织区内采取的保守型换道和激进型换道对道路通行能力的影响关注较少，在交织区前段驾驶员易出现保守型换道行为，在交织区中后段由于换道紧迫性逐渐增大，易出现激进型换道行为。保守型换道是指换道过程中换道车辆不会对目标车道后车的正常行驶造成影响，激进型换道是指换道车辆减速以增加与目标车辆前车的换道间隙，同时迫使目标车道后车减速以达到安全间隙。2)未考虑换道方式切换点位置对混合交通流交织区交通运行状态的影响，研究结果表明，自动驾驶车辆渗透率越低，换道方式切换点位置对交织区通行能力的影响越明显，因此可以将换道方式切换点位置作为人机混驾条件下交织区通行能力的主要影响因素之一，构建交织区通行能力模型，并通过控制自动驾驶车辆换道方式切换点位置，实现交织区通行能力的优化。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种混合交通流交织区通行能力计算方法。

为了实现上述目的，本发明采用的技术方案是：

一种混合交通流交织区通行能力计算方法，其特征在于，该方法包括以下步骤：

步骤一、混合交通流交织区不同换道方式的理想安全间隙估计，换道方式分为保守型换道和激进型换道，保守型换道是指换道过程中换道车辆不会对目标车道后车的正常行驶造成影响，激进型换道是指换道车辆减速以增加与目标车辆前车的换道间隙，同时迫使目标车道后车减速以达到安全间隙；

人工驾驶车辆保守型换道方式的理想安全间隙为：

式中，T_hv ^con为人工驾驶车辆保守型换道方式的理想安全间隙，L₂ ^hvc、L₃ ^hvc分别为人工驾驶车辆保守型换道方式下换道车辆与目标车道前车、后车的最小安全距离，v'为车辆行驶速度，L_f为车身长度，RT为车辆反应时间；

人工驾驶车辆激进型换道方式的理想安全间隙为：

式中，T_hv ^ra表示人工驾驶车辆激进型换道方式的理想安全间隙，b表示车辆减速度；

自动驾驶车辆保守型换道包括协同换道、协同交叉换道以及无法协同换道的情况，协同换道是指换道车辆与原车道前车均为自动驾驶车辆且均有换道需求，协同交叉换道是指换道车辆与目标车道前车均为自动驾驶车辆且均有换道需求，无法协同换道是指自动驾驶车辆无法与原车道前车和目标车道前车进行协同换道的情况；

自动驾驶车辆保守型换道方式下协同换道过程中的理想安全间隙为：

式中，T_cav ^coor为自动驾驶车辆保守型换道方式下协同换道过程中的理想安全间隙；L₂ ^carcoor、L₃ ^carcoor分别自动驾驶车辆保守型换道方式下协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

协同交叉换道方式下目标车道前车与后车的理想安全间隙T_cav ^cr1以及换道车辆与原车道前车的理想安全间隙T_cav ^cr2分别为：

式中，L₂ ^cavcr、L₃ ^cavcr分别为自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与目标车道前车、后车的最小安全距离，L₁ ^cavcr表示自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与原车道前车的最小安全距离；

无法协同换道的理想安全间隙为：

式中，T_cav ^con为自动驾驶车辆保守型换道方式下无法协同换道过程中的理想安全间隙；L₂ ^cavcon、L₃ ^cavcon分别为自动驾驶车辆保守型换道方式下无法协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

当目标车道后车为人工驾驶车辆时，换道车辆迫使目标车道后车减速，则自动驾驶车辆激进型换道方式的理想安全间隙T_cav ^ra2为：

当目标车道后车为自动驾驶车辆时，换道车辆无需迫使目标车道后车减速，目标车道后车通过信息交互感应到换道车辆的换道需求后自行减速，故理想安全间隙为自动驾驶车辆跟驰间隙；

步骤二、混合交通流交织区不同换道方式的出现概率估计；

人工驾驶车辆保守型换道方式的出现概率P_hv ^con为：

式中，α表示自动驾驶渗透率，β表示交织流量比，l表示交织区长度；X_s表示人工驾驶车辆保守型与激进型换道方式的最佳切换点位置；

人工驾驶车辆激进型换道方式的出现概率为：

式中，P_hv ^ra表示人工驾驶车辆激进型换道方式的出现概率；

自动驾驶车辆保守型换道方式下协同换道的概率和协同交叉换道的出现概率均为：

式中，X_c表示自动驾驶车辆保守型和激进型换道方式的最佳切换点位置；

自动驾驶车辆保守型换道方式下无法协同换道的出现概率P_cav ^con为：

当目标车道后车为人工驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra2为：

当目标车道后车为自动驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra1为：

步骤三、车辆换道需求长度和期望换道车辆数估计；

车辆换道需求长度包括车辆换道前行驶距离和车辆换道行驶距离，故车辆换道需求长度L的表达式为：

其中，u表示原车道车流车速，v表示目标车道车流车速，X表示反映交织区内特征距离的随机变量；

主路和匝道的期望换道车辆数分别为：

式中，N₁、N₂分别为主路和匝道的期望换道车辆数，Q₁、Q₂分别为主路流量和匝道流量，λ₁、λ₂分别为主路交织车辆和匝道交织车辆占比，H₁、H₂分别表示主路车头时距分布和匝道车头时距分布，p(L≤l)表示车辆换道需求长度小于等于交织区长度的概率；P_i为第i类换道方式的出现概率，i＝1,2,…,7分别表示人工驾驶车辆保守型换道方式、人工驾驶车辆激进型换道方式、自动驾驶车辆保守型换道方式下的协同换道、自动驾驶车辆保守型换道方式下的协同交叉换道、自动驾驶车辆保守型换道方式下的无法协同换道、目标车道后车为人工驾驶车辆时的自动驾驶车辆激进型换道方式、目标车道后车为自动驾驶车辆时的自动驾驶车辆激进型换道方式，n为换道方式的种类；

步骤四、构建交织区通行能力模型，并对交织区通行能力模型进行求解，得到混合交通流交织区通行能力；

令交织区内匝道和与匝道相邻的主路分别为第一车道和第二车道，其余主路沿匝道至道路中央绿化带的方向依次为第三车道、、、第m车道；设V₁₁表示第一车道中未经换道通过交织区的交通流率，V₁₂表示从第一车道换道至第二车道的交通流率，V₂₂表示在第二车道中未经换道通过交织区的交通流率，V₂₁表示从第二条车道换道到第一车道的交通流率，V₃₃、、、V_mm分别表示第三车道、、、第m车道中未经换道通过交织区的交通流率，则交织区各车道的交通流率应满足以下约束条件：

其中，C_B表示基本路段通行能力；

运用数学规划建立如式(25)所示的交织区通行能力模型：

C_J＝max(V₁₁+V₁₂+V₂₁+V₂₂+V₃₃+…+V_mm) (25)

最后，求解交织区通行能力模型，计算得到混合交通流交织区通行能力。

与现有技术相比，本发明的有益效果是：

(1)首先，本发明考虑了混合交通流交织区车辆换道行为的差异性，将交织区车辆换道方式分为保守型换道和激进型换道；由于自动驾驶车辆间能够进行信息交互，自动驾驶车辆可以采取协同换道策略，将自动驾驶车辆的保守型换道又分为与原车道前车协同换道、与目标车道前车协同交叉换道以及无法协同换道三种方式，故本申请将混合交通流交织区车辆换道分为人工驾驶车辆保守型换道方式、人工驾驶车辆激进型换道方式、自动驾驶车辆保守型换道方式下的协同换道、自动驾驶车辆保守型换道方式下的协同交叉换道、自动驾驶车辆保守型换道方式下的无法协同换道、目标车道后车为人工驾驶车辆时的自动驾驶车辆激进型换道方式、目标车道后车为自动驾驶车辆时的自动驾驶车辆激进型换道方式这七种；然后，分别估计七种换道方式对应的理想安全间隙以及出现概率，以理想安全间隙和出现概率作为影响因素计算期望换道车辆数；最后，对交织区各车道的交通流率进行约束，并运用数学规划建立交织区通行能力模型，从而更为准确地估计混合交通流交织区的通行能力，为交织区规划和车辆控制策略提供了基础，为提升道路通行效率和交织区换道效率、优化交织区通行能力等问题提供了解决方案，同时对未来人机混驾交通流的管控具有指导意义。

(2)由于换道方式切换点位置对交织区交通运行状态有一定影响，也会影响到交织区通行能力，因此计算各种换道方式的出现概率过程中考虑了人工驾驶车辆或自动驾驶车辆换道方式切换点位置，试验结果表明，自动驾驶车辆渗透率越低，换道方式切换点位置对交织区通行能力的影响越明显，这是由于在自动驾驶车辆渗透率较低的路段，自动驾驶车辆间协同换道行为成功率较低，自动驾驶车辆在不合适的位置实施激进型换道会对人工驾驶正常运行造成干扰，进一步影响交织区换道效率和通行能力。随着自动驾驶渗透率的提高，自动驾驶车辆可采取协同换道，因此切换点位置变化对交织区通行能力造成的影响逐步减弱。

附图说明

图1是人工驾驶车辆保守型换道方式的示意图；

图2是自动驾驶车辆与原车道前车协同换道的示意图；

图3是自动驾驶车辆与目标车道前车协同交叉换道的示意图；

图4是t＝0时刻各车辆相对位置示意图；

图5是车辆换道需求长度示意图；

图6是道路交织区示意图；

图7是不同自动驾驶车辆渗透率下交织区车辆密度与速度关系图；

图8是不同自动驾驶车辆渗透率下交织区车辆密度与交通量关系图；

图9是自动驾驶渗透率与交织车道中单车道通行能力关系图；

图10是交织流量比与交织车道中单车道通行能力关系图；

图11是交织区长度与交织车道中单车道通行能力关系图。

具体实施方式

下面结合附图对本发明的技术方案进行详细描述，但并不以此限定本申请的保护范围。

本发明为一种混合交通流交织区通行能力计算方法(简称方法)，混合交通流交织区通行能力影响因素主要包括：自动驾驶车辆渗透率、交织流量比、交织区长度和自动驾驶车辆换道方式切换点位置等；本发明只考虑匝道与主路两者之间相互换道的情况；该方法包括以下步骤：

步骤一、混合交通流交织区不同换道方式的理想安全间隙估计；

1.1)人工驾驶车辆保守型换道方式的理想安全间隙估计：

图1为人工驾驶车辆保守型换道方式的示意图；其中，M表示换道车辆，O_L表示原车道前车，D_L、D_F分别表示目标车道前车与后车；换道车辆进入目标车道后无需目标车道前车与后车配合，只需同时满足换道车辆与目标车道前车和后车的安全车头时距，则人工驾驶车辆保守型换道方式的理想安全间隙为：

式中，T_hv ^con为人工驾驶车辆保守型换道方式的理想安全间隙，理想安全间隙指车辆顺利完成换道所需的最小安全间隙，常以相邻车辆的车头视距表征；L₂ ^hvc、L₃ ^hvc分别为人工驾驶车辆保守型换道方式下换道车辆与目标车道前车、后车的最小安全距离；v'为车辆行驶速度，本实施例中主路变为匝道以及匝道变为主路过程中的车辆行驶速度分别为28m/s、17m/s；L_f为车身长度，取5m；RT为车辆反应时间，本实施例中人工驾驶车辆设为2s，自动驾驶车辆设为0.5s；

1.2)人工驾驶车辆激进型换道方式的理想安全间隙估计：

人工驾驶车辆激进型换道方式的理想安全间隙T_hv ^ra为目标车道前车与后车的跟车安全间隙，计算公式为：

式中，b表示车辆减速度；

1.3)自动驾驶车辆保守型换道方式的理想安全间隙估计：

①图2为自动驾驶车辆与原车道前车协同换道的示意图；当换道车辆与原车道前车均为自动驾驶车辆且均有换道需求，换道车辆与原车道前车进行信息交互，使换道车辆与原车道前车协同完成换道行为，则理想安全间隙为：

式中，T_cav ^coor为自动驾驶车辆保守型换道方式下协同换道过程中的理想安全间隙；L₂ ^carcoor、L₃ ^carcoor分别自动驾驶车辆保守型换道方式下协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

②图3为自动驾驶车辆与目标车道前车协同交叉换道的示意图，当换道车辆与目标车道前车均为自动驾驶车辆且同时有换道需求，两车进行信息交互，采取协同交叉换道，换道车辆与目标车道前车的目标车道分别为对方车辆的原车道，则目标车道前车与后车的理想安全间隙T_cav ^cr1、表示换道车辆与原车道前车的理想安全间隙T_cav ^cr2分别为：

式中，L₂ ^cavcr、L₃ ^cavcr分别为自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与目标车道前车、后车的最小安全距离，L₁ ^cavcr表示自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与原车道前车的最小安全距离；

③当自动驾驶车辆无法与原车道前车和目标车道前车进行协同换道的情况下，车辆进行换道行为无需周围车辆配合，故理想安全间隙计算公式为：

式中，T_cav ^con为自动驾驶车辆保守型换道方式下无法协同换道过程中的理想安全间隙；L₂ ^cavcon、L₃ ^cavcon分别为自动驾驶车辆保守型换道方式下无法协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

1.4)自动驾驶车辆激进型换道方式的理想安全间隙估计：

①当目标车道后车为人工驾驶车辆时，换道车辆迫使目标车道后车减速，则自动驾驶车辆激进型换道方式的理想安全间隙T_cav ^ra2为：

②在目标车道后车同为自动驾驶车辆时，换道车辆无需迫使目标车道后车减速，目标车道后车通过信息交互感应到换道车辆的换道需求后自行减速，故理想安全间隙为自动驾驶车辆跟驰间隙，可设为2s；

步骤二、混合交通流交织区不同换道方式的出现概率估计；

2.1)人工驾驶车辆保守型换道方式的出现概率P_hv ^con为：

式中，α表示自动驾驶渗透率，β表示交织流量比，l表示交织区长度；X_s表示人工驾驶车辆保守型与激进型换道方式的最佳切换点位置，服从高斯分布；

2.2)人工驾驶车辆激进型换道方式的出现概率为：

式中，P_hv ^ra表示人工驾驶车辆激进型换道方式的出现概率；

2.3)自动驾驶车辆保守型换道方式的出现概率估计：

①自动驾驶车辆保守型换道方式下协同换道的概率和协同交叉换道的出现概率均为：

式中，X_c表示自动驾驶车辆保守型和激进型换道方式的最佳切换点位置；

②自动驾驶车辆保守型换道方式下无法协同换道的出现概率P_cav ^con为：

2.4)自动驾驶车辆激进型换道方式的出现概率估计：

①当目标车道后车为人工驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra2为：

②当目标车道后车为自动驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra1为：

步骤三、车辆换道需求长度和期望换道车辆数估计；

3.1)车辆换道需求长度包括车辆换道前行驶距离和车辆换道行驶距离；

图4为t＝0时刻各车辆相对位置图，图5为车辆换道需求长度示意图；图中，S表示车辆换道所需的最小安全间距，Y₁表示交织区起点位置，Y₂表示交织区起点上游第一次出现车头间距大于等于最小安全距离的位置，Y₃表示交织区起点下游第一次出现车头间距大于等于最小安全距离的位置；X_i和X_j分别代表区间Y₁Y₂和Y₁Y₃距离的随机变量，X_i和X_j相互独立且满足相同分布，可用随机变量X表示；

①车辆换道前行驶距离是指换道车辆在交织区换道前寻找安全间隙过程中的行驶距离；换道车辆在交织区换道前寻找安全间隙所需要的时间t和行驶距离L_d可以表示为：

其中，u表示原车道车流车速，v表示目标车道车流车速；

②车辆换道行驶距离是指换道车辆换道至目标车道后，与目标车道前车保持安全距离行驶的最短距离，则车辆换道行驶距离L_s的计算公式为：

L_s＝L_f+v·RT (16)

综上，车辆换道需求长度L的表达式为：

3.2)期望换道车辆数估计：

假设在到达交织区起点前，所有车辆均完成换道准备过程，在交织区中只进行一次换道，且交织区长度足够长，大于车辆换道需求长度；考虑交织区长度的可接受间隙公式如下：

E(LC)＝E(LC|L≤l)·p(L≤l) (18)

式中，E(LC)表示考虑交织区长度的期望换道车辆数，E(LC|L≤l)表示车辆换道需求长度小于等于交织区长度的期望换道车辆数，p(L≤l)表示车辆换道需求长度小于等于交织区长度的概率；

将主路车头时距分布视为服从二阶爱尔朗分布，匝道车头时距分布视为服从一阶爱尔朗分布，则主路车头时距和匝道车头时距分布分别为：

式中，H₁、H₂分别表示主路车头时距分布和匝道车头时距分布；λ₁为主路交织车辆占比，λ₂为匝道交织车辆占比；T_i为第i类换道方式的理想安全间隙，i＝1,2,…,7分别表示人工驾驶车辆保守型换道方式、人工驾驶车辆激进型换道方式、自动驾驶车辆保守型换道方式下的协同换道、自动驾驶车辆保守型换道方式下的协同交叉换道、自动驾驶车辆保守型换道方式下的无法协同换道、目标车道后车为人工驾驶车辆时的自动驾驶车辆激进型换道方式、目标车道后车为自动驾驶车辆时的自动驾驶车辆激进型换道方式；

假设车头时距在交织区内均服从初始分布，不会在进入交织区后发生变化，则当主路车头时距和匝道车头时距分别符合式(19)、(20)时，按照间隙接受理论，主路和匝道的期望换道车辆数分别为：

式中，N₁、N₂分别为主路和匝道的期望换道车辆数，P_i为第i类换道方式的出现概率，n为换道方式的种类，Q₁、Q₂分别为主路流量和匝道流量；

步骤四、构建交织区通行能力模型，并对交织区通行能力模型进行求解，得到混合交通流交织区通行能力；

为简化计算，本申请只考虑车辆在交织区的必要变道行为，即车辆换道集中在匝道与匝道相邻的主路之间；设定在到达交织区起点前，所有换道车辆均完成换道准备，并忽略自由换道过程，因而在交织过程中车辆只需进行一次换道；令交织区内匝道和与匝道相邻的主路分别为第一车道和第二车道，其余主路沿匝道至道路中央绿化带的方向依次为第三车道、第四车道、、、第m车道；设V₁₁表示第一车道中未经换道通过交织区的交通流率，V₁₂表示从第一车道换道至第二车道的交通流率，V₂₂表示在第二车道中未经换道通过交织区的交通流率，V₂₁表示从第二条车道换道到第一车道的交通流率，V₃₃、V₄₄、、、V_mm分别表示第三车道、第四车道、、、第m车道中未经换道通过交织区的交通流率；由于换道行为发生在第一车道和第二车道，其余车道受换道车辆影响最小，且不考虑自由换道影响，因此将其余车道的通行能力等同于基本路段通行能力，则交织区内各车道的通行能力不超过同等条件下基本路段通行能力，则各车道的交通流率应满足以下约束条件：

其中，C_B表示基本路段通行能力；

交通流的交织流量比应为常量，即第一车道换道交通量与第一车道总交通量的比值以及第二车道换道交通量与第二车道总交通量的比值均为定值，且比值相同，则有：

运用数学规划建立如式(25)所示的交织区通行能力模型：

C_J＝max(V₁₁+V₁₂+V₂₁+V₂₂+V₃₃+…+V_mm) (25)

最后，求解交织区通行能力模型，计算得到混合交通流交织区通行能力。

仿真验证：

为了验证本发明的交织区通行能力模型的有效性，如图6所示，以双向六车道高速公路A类交织区为研究对象，且匝道进出口各有一条车道，主路为两条车道，交织车道为两条，利用交织区通行能力模型进行仿真试验，试验结果参见图7～11。

通过仿真分析方式对本发明所建交织区通行能力模型进行验证，分别于低渗透率(20％)、中渗透率(50％)以及高渗透率(80％)条件下进行同等条件下的仿真实验，即仿真实验的几何参数与交通参数与理论设置模型完全一致，进行混合交通流交织区通行能力模型验证。

①图7、8分别为不同自动驾驶车辆渗透率下交织区车辆密度-速度、密度-交通量关系图；随着车辆密度的增加，车辆速度逐渐降低；自动驾驶车辆渗透率为20％、50％、80％时，交织区车辆平均速度最大值分别为78.4km/h，89.5km/h，104.2km/h，而且相同密度下，随着自动驾驶车辆渗透率的增加，车辆平均速度均有不同程度提升；以15min交通流率表征交通量，自动驾驶车辆渗透率为20％、50％、80％时，交通量最大值均出现在密度为22.5veh/km，分别为1309veh/h，1468veh/h、1920veh/h，可见，随着自动驾驶渗透率的增加，交织区交通运行状态可得到明显改善，交织区通行能力也明显得到提升；与交织区通行能力真实值相比，本发明的交织区通行能力模型计算的混合交通流交织区通行能力的偏差率均低于5％，验证了本发明的交织区通行能力模型的有效性。

②图9为自动驾驶车辆渗透率与交织区单车道通行能力关系图；设置交织流量比为0.2、交织区长度为250m，将自动驾驶渗透率在0％-100％区间内以10％的间隔增加，以15min最大交通流率表征通行能力；结果表明，自动驾驶车辆混入可对交织车道通行能力产生一定积极影响，随着自动驾驶车辆渗透率的提高，交织车道通行能力逐渐上升。从影响程度来看，在中低渗透率(0％-50％)下，交织车道通行能力虽有提升但不明显，一是此时自动驾驶车辆占比较低，对通行能力的作用有限，二是自动驾驶车辆间的协同行为受人工驾驶车辆影响不能顺利实施；在中高及高渗透率(50％-90％)条件下即自动驾驶车辆成为主要车型时，随着其渗透率提升，交织车道通行能力提升明显，主要因自动驾驶车辆占比较大，其反应时间、跟驰间距、换道间隔均优于人工驾驶车辆，可有效改善交通运行状态，且该渗透率下人工驾驶车辆对自动驾驶车辆的干扰随其比例降低而弱化，故该渗透率下交织车道通行能力提升明显；在自动驾驶车辆渗透率从90％提升至100％，即由高渗透率的混合交通流转化为纯自动驾驶交通流的过程中，交织车道通行能力提升更加显著，此时两种车型间的相互干扰完全不存在，且自动驾驶车辆间的协同驾驶行为可最大程度得以实施，甚至大交通密度下将以队列形式行进，故交织车道通行能力得以快速提升。

③图10为交织流量比与交织区单车道通行能力关系图，仍以15min最大交通流率表征通行能力；设置交织区长度为250m，自动驾驶车辆渗透率为50％，换道方式切换点位置位于距离交织区起点80m处，交织流量比在0-0.45区间内以0.05为间隔增加；结果表明，随着交织流量比逐渐提高，交织车道通行能力逐渐呈下降趋势。从通行能力变化幅度来看，在交织流量比为0，即在该路段行驶车辆均为直行车辆时，通行能力显著高于存在交织车辆的情况，即交织流量比从0提升至0.05，交织车道通行能力也显著降低，说明交织换道行为交织区交织运行状态干扰很大，不仅会影响交织车辆自身的运行状态，也会给非交织车辆运行状态带来很大干扰；交织流量比介于0.05-0.2之间时，通行能力也会随着交织流量比增加而明显降低。是因为该阶段交织流量比增加值虽小，但增加幅度较大，即交织车辆对自身及其他非交织车辆的干扰作用相对前一低流量比增加较多，故通行能力下降幅度也较明显；当交织流量大约0.2时，随着交织流量比逐渐增大，通行能力下降的幅度逐渐降低。

④图11为交织区长度与交织区单车道通行能力关系图；设置交织流量比0.3，自动驾驶车辆渗透率为50％，交织区长度从150m至750m以50m为单位逐步改变交织区长度；结果表明，随着交织区长度逐渐增加，交织车道通行能力逐渐增加。从通行能力变化幅度来看，交织区长度处于150m-250m之间时，交织车道通行能力随长度变化明显，主要是交织换道行为只能在交织长度范围内完成，如交织区长度小于或接近于保守型换道车道变换需求长度，则大部分车辆需牺牲自身速度并迫使其他车辆减速实施激进型换道，激进型换道行为对通行能力的影响较大，故在交织区长度小于或接近于有效交织长度200m时，通过提升交织区长度，可明显提升交织车道通行能力；交织区长度处于200m-600m之间时，交织车道通行能力虽然也会随着交织区长度增加而提升，但是提升效果不如其他情况提升明显；但在交织长度大于600m以后，交织车道通行能力随着交织区长度增加的提升趋势比交织长度短时更显著，原因是随着交织长度接近于HCM手册中规定的交织区长度最大值750m，其交织结构特征已不再明显，交织区车辆换道紧迫性降低，车流间相互影响较小，更趋近于基本路段。

本发明未述及之处适用于现有技术。

Claims (2)

1.一种混合交通流交织区通行能力计算方法，其特征在于，该方法包括以下步骤：

步骤一、混合交通流交织区不同换道方式的理想安全间隙估计，换道方式分为保守型换道和激进型换道，保守型换道是指换道过程中换道车辆不会对目标车道后车的正常行驶造成影响，激进型换道是指换道车辆减速以增加与目标车辆前车的换道间隙，同时迫使目标车道后车减速以达到安全间隙；

人工驾驶车辆保守型换道方式的理想安全间隙为：

式中，

为人工驾驶车辆保守型换道方式的理想安全间隙，L₂ ^hvc、L₃ ^hvc分别为人工驾驶车辆保守型换道方式下换道车辆与目标车道前车、后车的最小安全距离，v'为车辆行驶速度，L_f为车身长度，RT为车辆反应时间；

人工驾驶车辆激进型换道方式的理想安全间隙为：

式中，T_hv ^ra表示人工驾驶车辆激进型换道方式的理想安全间隙，b表示车辆减速度；

自动驾驶车辆保守型换道包括协同换道、协同交叉换道以及无法协同换道的情况，协同换道是指换道车辆与原车道前车均为自动驾驶车辆且均有换道需求，协同交叉换道是指换道车辆与目标车道前车均为自动驾驶车辆且均有换道需求，无法协同换道是指自动驾驶车辆无法与原车道前车和目标车道前车进行协同换道的情况；

自动驾驶车辆保守型换道方式下协同换道过程中的理想安全间隙为：

式中，T_cav ^coor为自动驾驶车辆保守型换道方式下协同换道过程中的理想安全间隙；L₂ ^carcoor、L₃ ^carcoor分别自动驾驶车辆保守型换道方式下协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

协同交叉换道方式下目标车道前车与后车的理想安全间隙T_cav ^cr1以及换道车辆与原车道前车的理想安全间隙T_cav ^cr2分别为：

式中，L₂ ^cavcr、L₃ ^cavcr分别为自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与目标车道前车、后车的最小安全距离，L₁ ^cavcr表示自动驾驶车辆保守型换道方式下协同交叉换道过程中换道车辆与原车道前车的最小安全距离；

无法协同换道的理想安全间隙为：

式中，T_cav ^con为自动驾驶车辆保守型换道方式下无法协同换道过程中的理想安全间隙；L₂ ^cavcon、L₃ ^cavcon分别为自动驾驶车辆保守型换道方式下无法协同换道过程中换道车辆与目标车道前车、后车的最小安全距离；

当目标车道后车为人工驾驶车辆时，换道车辆迫使目标车道后车减速，则自动驾驶车辆激进型换道方式的理想安全间隙T_cav ^ra2为：

当目标车道后车为自动驾驶车辆时，换道车辆无需迫使目标车道后车减速，目标车道后车通过信息交互感应到换道车辆的换道需求后自行减速，故理想安全间隙为自动驾驶车辆跟驰间隙；

步骤二、混合交通流交织区不同换道方式的出现概率估计；

人工驾驶车辆保守型换道方式的出现概率P_hv ^con为：

式中，α表示自动驾驶渗透率，β表示交织流量比，l表示交织区长度；X_s表示人工驾驶车辆保守型与激进型换道方式的最佳切换点位置；

人工驾驶车辆激进型换道方式的出现概率为：

式中，P_hv ^ra表示人工驾驶车辆激进型换道方式的出现概率；

自动驾驶车辆保守型换道方式下协同换道的概率和协同交叉换道的出现概率均为：

式中，X_c表示自动驾驶车辆保守型和激进型换道方式的最佳切换点位置；

自动驾驶车辆保守型换道方式下无法协同换道的出现概率P_cav ^con为：

当目标车道后车为人工驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra2为：

当目标车道后车为自动驾驶车辆时，自动驾驶车辆激进型换道方式的出现概率P_cav ^ra1为：

步骤三、车辆换道需求长度和期望换道车辆数估计；

车辆换道需求长度包括车辆换道前行驶距离和车辆换道行驶距离，故车辆换道需求长度L的表达式为：

其中，u表示原车道车流车速，v表示目标车道车流车速，X表示反映交织区内特征距离的随机变量；

主路和匝道的期望换道车辆数分别为：

式中，N₁、N₂分别为主路和匝道的期望换道车辆数，Q₁、Q₂分别为主路流量和匝道流量，λ₁、λ₂分别为主路交织车辆和匝道交织车辆占比，H₁、H₂分别表示主路车头时距分布和匝道车头时距分布，p(L≤l)表示车辆换道需求长度小于等于交织区长度的概率；P_i为第i类换道方式的出现概率，i＝1,2,…,7分别表示人工驾驶车辆保守型换道方式、人工驾驶车辆激进型换道方式、自动驾驶车辆保守型换道方式下的协同换道、自动驾驶车辆保守型换道方式下的协同交叉换道、自动驾驶车辆保守型换道方式下的无法协同换道、目标车道后车为人工驾驶车辆时的自动驾驶车辆激进型换道方式、目标车道后车为自动驾驶车辆时的自动驾驶车辆激进型换道方式，n为换道方式的种类；

步骤四、构建交织区通行能力模型，并对交织区通行能力模型进行求解，得到混合交通流交织区通行能力；

令交织区内匝道和与匝道相邻的主路分别为第一车道和第二车道，其余主路沿匝道至道路中央绿化带的方向依次为第三车道、、、第m车道；设V₁₁表示第一车道中未经换道通过交织区的交通流率，V₁₂表示从第一车道换道至第二车道的交通流率，V₂₂表示在第二车道中未经换道通过交织区的交通流率，V₂₁表示从第二条车道换道到第一车道的交通流率，V₃₃、、、V_mm分别表示第三车道、、、第m车道中未经换道通过交织区的交通流率，则交织区各车道的交通流率应满足以下约束条件：

其中，C_B表示基本路段通行能力；

运用数学规划建立如式(25)所示的交织区通行能力模型：

C_J＝max(V₁₁+V₁₂+V₂₁+V₂₂+V₃₃+…+V_mm) (25)

最后，求解交织区通行能力模型，计算得到混合交通流交织区通行能力。

2.根据权利要求1所述的混合交通流交织区通行能力计算方法，其特征在于，步骤三中，将主路车头时距分布视为服从二阶爱尔朗分布，匝道车头时距分布视为服从一阶爱尔朗分布，则主路车头时距和匝道车头时距分布分别为：

其中，T_i为第i类换道方式的理想安全间隙。

Images