CN117195464A - 自动驾驶车辆混入下的公路货车专用道设置条件评价方法 - Google Patents

Abstract

本发明提供自动驾驶车辆混入下的公路货车专用道设置条件评价方法，涉及公路规划领域，包括：建立公路货车专用道设置条件评价模型，得到设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据，分别对三种方案下评价模型中参数进行标定，得到三个完整评价模型；采集路网的交通量水平、货车占比和自动驾驶渗透率的取值，输入三个完整评价模型；对比路网在该交通量水平、货车占比和自动驾驶渗透率的情况下，三种方案的路网车均延误的值，将路网车均延误最小的方案作为最终设置方案。本发明构建以交通量水平、货车占比和自动驾驶渗透率为影响因素的车均延误模型，得到最适用的专用车道设置方式，提高公路通行效率。

Description

自动驾驶车辆混入下的公路货车专用道设置条件评价方法

技术领域

本发明涉及公路规划领域，涉及自动驾驶车辆混入下的公路货车专用道设置条件评价方法。

背景技术

随着我国货物运输需求的持续增长，公路货运以其“门到门”的运输优势愈发重要，公路货运交通组织与管理技术成为交通运输领域的核心课题之一。通过设置货车专用车道将客货混合交通流分隔为独立的客车交通流和货车交通流，能够显著降低由于车重、尺寸、动力性能，驾驶行为等方面的差异而引发的安全问题，同时提高公路通行效率。但随着自动驾驶技术的广泛应用，其为未来公路道路设计带来新的可能性，为公路路网的交通组织与管理提出了新的挑战。

道路设置的评价研究，通常基于交通流理论建立车均延误模型，通过车均延误模型估计车均延误，进而作为交通管理和控制理论研究的依据。

目前研究建立的车均延误评价模型通常用于两类道路交通场景：a.城市信号控制交叉口，常用的车均延误模型包括Webster延误模型、ARRB延误模型和HCM延误模型等，模型通常包含车均延误与信号灯配时参数等之间的关联关系，对公路路网不适用；b.交通事故、施工区域、公交车和行人等干扰影响下的交通流，所用的车均延误评价模型仅适用特定的交通场景，且在模型构建过程中主要考虑交通流量与道路通行能力的比例、车辆的到达-驶离规律等因素。

目前建立的车均延误评价模型未考虑自动驾驶客车和自动驾驶货车同时混入对交通流的影响；在未来，传统人工驾驶客车、人工驾驶货车与自动驾驶客车、自动驾驶货车组成的混合交通流更为复杂；因此，当前的车均延误评价模型不能直接反映自动驾驶车辆混入对公路路网车均延误造成的影响，更难以评价公路货车专用车道设置方式对混合交通流的适应性。

发明内容

针对上述问题，本发明提供了自动驾驶车辆混入下的公路货车专用道设置条件评价方法，建立路网车均延误的专用车道设置方式评价模型，通过构建以交通量水平、货车占比和自动驾驶渗透率为影响因素的不同交通流条件来验证评价模型的有效性，对比不同专用车道设置方式的通行效率，得出不同专用车道设置方式下各因素对路网车均延误的影响趋势，以及各类交通条件下最适用的专用车道设置方式。

为实现上述目的，本发明提供了自动驾驶车辆混入下的公路货车专用道设置条件评价方法，包括：建立公路货车专用道设置条件评价模型：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄，其中，d表示路网车均延误，a₁、a₂、a₃、a₄分别表示公路自动驾驶货车交通量、公路人工驾驶货车交通量、公路自动驾驶客车交通量、公路人工驾驶客车交通量，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅、D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数；

利用历史路网车均延误数据或仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据，分别对三种设置方式下所述评价模型中D₀、D₁、D₂、D₃、D₄、D₅、D₆进行标定，得到三个完整评价模型；

采集路网的交通量水平、货车占比和自动驾驶渗透率的取值，并将所述交通量水平、货车占比和自动驾驶渗透率的取值作为自变量分别输入三个完整评价模型；

对比路网在该交通量水平、货车占比和自动驾驶渗透率的情况下，三种货车专用车道设置方案的路网车均延误的值，将路网车均延误的值最小的方案作为该情况下路网的货车专用车道设置方案。

作为本发明的进一步改进，

所述将所述交通量水平、货车占比和自动驾驶渗透率的取值作为自变量输入所述完整评价模型；包括：

根据所述交通量水平、货车占比和自动驾驶渗透率计算可得a₁、a₂、a₃、a₄，具体为：

交通量水平*货车占比＝货车交通量；

交通量水平*(1-货车占比)＝客车交通量

货车交通量*自动驾驶渗透率＝公路自动驾驶货车交通量＝a₁；

货车交通量*(1-自动驾驶渗透率)＝公路人工驾驶货车交通量＝a₂；

客车交通量*自动驾驶渗透率＝公路自动驾驶客车交通量＝a₃；

客车交通量*(1-自动驾驶渗透率)＝公路人工驾驶客车交通量＝a₄。

作为本发明的进一步改进，

基于微观交通仿真软件VISSIM及其COM二次开发接口构建了典型路网的仿真模型，进行仿真实验；

仿真模型包含三种专用车道设置方式，分别为：设置自动驾驶货车专用车道、设置货车专用车道、不设置货车专用车道；

仿真模型设置覆盖各种交通需求水平的多个交通量水平、多个货车占比水平和多个自动驾驶渗透率水平。

作为本发明的进一步改进，

利用仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据；包括：

仿真过程中，每一种货车专用道设置方式在每一组交通流条件下的仿真时长不少于7800s，且仿真评价时间从600s开始，对每组仿真模型运行不小于5次，并将多次仿真输出结果的平均值作为最终仿真结果。

作为本发明的进一步改进，

所述建立公路货车专用道设置条件评价模型：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄；包括：

针对建立公路自动驾驶货车专用道、建立公路货车专用道和不建立货车专用道三种公路货车专用道设置方式，分别分析并建立路网车均延误计算公式；

结合三种公路货车专用道设置方式的车均延误计算公式，建立评价模型。

作为本发明的进一步改进，

对于建立公路自动驾驶货车专用道的路网，车均延误包括匝道交织区的车均延误和主路的车均延误；

匝道交织区的车均延误为自动驾驶货车进入、离开专用车道的自动驾驶货车和主路上的人工驾驶货车、人工驾驶客车、自动驾驶客车间相互干扰产生的车均延误，计算公式为：

d_a＝D_a,0+D_a,1a₁a₂+D_a,2a₁a₃+D_a,3a₁a₄

其中，D_a,0表示常量参数，D_a,1、D_a,2和D_a,3均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

主路的车均延误为普通车道上人工驾驶货车、人工驾驶客车、自动驾驶客车相互干扰产生的车均延误，计算公式为：

d_c＝D_c,0+D_c,1a₂a₃+D_c,2a₂a₄+D_c,3a₃a₄

其中，D_c,0表示常量参数，D_c,1、D_c,2和D_c,3均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

自动驾驶货车专用道的路网车均延误，计算公式为：

d＝d_a+d_c

＝D_a,0+D_a,1a₁a₂+D_a,2a₁a₃+D_a,3a₁a₄+D_c,0+D_c,1a₂a₃+D_c,2a₂a₄+D_c,3a₃a₄

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄

其中，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅和D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数。

作为本发明的进一步改进，

对于建立公路货车专用道的路网，车均延误包括匝道交织区的车均延误和主路区的车均延误；

匝道交织区车均延误为自动驾驶货车、人工驾驶货车进入/离开货车专用道与主路上的自动驾驶客车、人工驾驶客车相互干扰产生的车均延误，计算公式为：

d_a＝D_a,0+D_a,1a₁a₃+D_a,2a₁a₄+D_a,3a₂a₃+D_a,4a₂a₄

其中，D_a,0表示常量参数，D_a,1、D_a,2、D_a,3和D_a,4均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

主路区的车均延误包括公路货车专用道上自动驾驶货车、人工驾驶货车相互干扰产生的车均延误，共享车道上人工驾驶货车、人工驾驶客车相互干扰产生的车均延误，计算公式为：

d_c＝D_c,0+D_c,1a₁a₂+D_c,2a₃a₄

其中，D_c,0表示常量参数，D_c,1和D_c,2均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

货车专用道的路网车均延误，计算公式为：

d＝d_a+d_c

＝D_a,0+D_a,1a₁a₃+D_a,2a₁a₄+D_a,3a₂a₃+D_a,4a₂a₄+D_c,0+D_c,1a₁a₂+D_c,2a₃a₄

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄。

作为本发明的进一步改进，对于不建立公路货车专用道的路网，匝道交织区无车辆进入/离开专用车道的需求，匝道交织区的车均延误可表达为D_c＝0；主路区的车均延误为自动驾驶客车、人工驾驶客车、自动驾驶货车、人工驾驶货车间交织影响产生的车均延误，计算公式为：

d＝D_c,0+D_c,1a₁a₂+D_c,2a₁a₃+D_c,3a₁a₃+D_c,4a₂a₃+D_c,5a₂a₃+D_c,6a₃a₄；

其中，D_c,0表示常量参数，D_c,1、D_c,2、D_c,3、D_c,4、D_c,5和D_c,6均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄

其中，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅和D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数。

与现有技术相比，本发明的有益效果为：

本发明考虑到未来自动驾驶车辆的发展，人工驾驶客车、人工驾驶货车与自动驾驶客车、自动驾驶货车组成的混合交通流更为复杂，提供自动驾驶车辆混入下的公路货车专用道设置条件评价方法，构建以交通量水平、货车占比和自动驾驶渗透率为影响因素的车均延误模型，并以不同交通流条件来标定车均延误模型的参数，应用标定后的车均延误模型计算路网车均延误，车均延误越大路网通行效率越低，基于计算得到的路网车均延误对比不同专用车道设置方式的路网通行效率，得出不同专用车道设置方式下各因素对路网车均延误的影响趋势，以及各类交通条件下最适用的专用车道设置方式，最终，提高公路通行效率。

附图说明

图1为本发明一种实施例公开的道路通行空间的区域划分示意图；

图2为本发明一种实施例公开的设置自动驾驶货车专用车道的路网交通；流分布示意图

图3为本发明一种实施例公开的仿真实验路网空间条件示意图；

图4为本发明一种实施例公开的三种专用车道设置方式的路网车均延误分布情况示意图；

图5为本发明一种实施例公开的交通量水平为饱和交通量的20％条件下，三种专用车道设置方式的路网车均延误分布情况示意图；

图6为本发明一种实施例公开的交通量水平为饱和交通量的60％条件下，三种专用车道设置方式的路网车均延误分布情况示意图；

图7为本发明一种实施例公开的交通量水平为饱和交通量的100％条件下，三种专用车道设置方式的路网车均延误分布情况示意图；

图8为本发明一种实施例公开的路网车均延误数据拟合结果

图9为本发明一种实施例公开的本发明评价模型、多元线性模型及对数回归模型对路网车均延误的拟合效果对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

如图1所示，当在道路通行空间中设置专用车道时，如何评价专用车道的设置条件，本发明提供的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，包括步骤：

S1、建立公路货车专用道设置条件评价模型：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄，其中，d表示路网车均延误，a₁、a₂、a₃、a₄分别表示公路自动驾驶货车交通量、公路人工驾驶货车交通量、公路自动驾驶客车交通量、公路人工驾驶客车交通量，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅、D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数；

其中，

针对建立公路自动驾驶货车专用道、建立公路货车专用道和不建立货车专用道三种公路货车专用道设置方式，分别分析并建立路网车均延误计算公式；

结合三种公路货车专用道设置方式的车均延误计算公式，建立评价模型。

具体的，

车均延误是指由于交通干扰、交通管理和控制设施等诸多因素造成车辆行驶时间额外损失的平均值，即指实际的行驶时间与理论行驶时间之差的平均值，理论行驶时间是指车辆以自由流车速平稳通过该路段的时间。

车均延误计算公式为：

式中，d表示路网车均延误，Q表示路网总交通量，n表示车辆序号，v_n表示车辆n通过路网的实际车速，v_n,t表示车辆n的自由流车速，l表示车辆n在路网行驶的总距离。

在分析交通流条件对车均延误的影响时，道路空间条件不变，可以认为车辆n在路网行驶的总距离l和自由流车速v_n,t是与交通流条件无关的变量。因此，可以将路网车均延误模型抽象为路网总交通量Q和实际车速v_n的表达式为：

d＝f(Q,v_n|v_n,t,l)

在混合交通流条件下，假定同一车型所采用的驾驶行为模型与参数相同，则车辆的实际车速主要受到不同车型间的驾驶行为差异性的干扰，不同车型间相互干扰造成的车均延误可用共享道路空间的不同车型的交通量乘积表示，公式为：。

d_x,y＝τa_xa_y

式中，dx,y表示车型为x的车流与车型为y的车流相互干扰造成的车均延误，τ表示不同车型间的干扰系数，a_x表示车型为x的车流量，a_y表示车型为y的车流量。

设置专用车道的公路路网，通过规定特定车辆可行驶的道路空间，可减少不同车型间相互干扰引起的延误，提高道路整体运行效率。但由于在入口匝道、出口匝道处专用车道的道路使用者驶入、驶出需求，不可避免地受到进、出专用车道的车流与普通车道的车流间的相互干扰影响，进而引起延误。由此，本发明将根据道路通行空间，分别对路段通行区和匝道交织区的路网车均延误进行评价，如图1所示。匝道交织区主要考虑进、出专用车道的车流与普通车道的车流间的相互干扰影响，路段通行区主要考虑共享道路空间的不同车型的车流间的相互干扰影响。

路段通行区和匝道交织区的交通流组织方式描述如下：在路段通行区，专用车道与相邻的普通车道间施划白实线，用于分隔专用车道的道路使用者及其他类型的道路使用者。在入口匝道下游一定范围施划白虚线，允许计划驶入专用车道的道路使用者在入口匝道后的一定范围内并入专用车道。同理，在出口匝道上游一定范围施划白虚线，允许计划驶离专用车道的道路使用者提前一定距离向右侧并道。

设定路网中某一行驶方向的自动驾驶货车交通量a₁、人工驾驶货车交通量a₂、自动驾驶客车交通量a₃和人工驾驶客车交通量a₄，公式表示为：

a₁＝A₁qαt

a₂＝A₂q(1-α)t

a₃＝A₃qα(1-t)

a₄＝A₄q(1-α)(1-t)

式中，q表示实际交通流量占饱和交通量的比例、t表示货车占比，α表示自动驾驶渗透率，并假设货车和客车两类车型的自动驾驶渗透率相同。A₁、A₂、A₃和A₄均为常量参数，表示车流所在路段的饱和交通量。

对于设置自动驾驶货车专用车道的路网而言，匝道交织区主要由进入/离开专用车道的自动驾驶货车和主路上的其他三类车辆间相互干扰产生的车均延误，如图2所示。匝道交织区的车均延误为自动驾驶货车与三类车辆间相互干扰产生的车均延误之和，计算公式为：

d_a＝D_a,0+D_a,1a₁a₂+D_a,2a₁a₃+D_a,3a₁a₄

主路的车均延误主要由普通车道共享道路空间的三类车辆间相互干扰产生，为三类车辆间相互干扰产生的车均延误之和，计算公式为：

d_c＝D_c,0+D_c,1a₂a₃+D_c,2a₂a₄+D_c,3a₃a₄

匝道交织区与路段通行区的车均延误之和为路网车均延误，由此该专用车道设置方案下的路网车均延误可用公式表示为：

d＝d_a+d_c

式中，d_a表示匝道交织区的车均延误，d_c表示路段通行区的车均延误，d表示路网车均延误，D_a,0和D_c,0表示常量参数，D_a,1、D_a,2、D_a,3、D_c,1、D_c,2和D_c,3均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数。

同理，对于设置货车专用车道的路网而言，匝道交织区主要由进入/离开专用车道的自动驾驶货车、人工驾驶货车和主路上的其他两类车辆相互干扰产生的车均延误，匝道交织区的车均延误可用公式表示为：

d_a＝D_a,0+D_a,1a₁a₃+D_a,2a₁a₄+D_a,3a₂a₃+D_a,4a₂a₄

路段通行区的车均延误可用公式表示为：

d_c＝D_c,0+D_c,1a₁a₂+D_c,2a₃a₄

该方案的车均延误同样可用公式表示为：

d＝D_c,0+D_c,1a₁a₂+D_c,2a₁a₃+D_c,3a₁a₃+D_c,4a₂a₃+D_c,5a₂a₃+D_c,6a₃a₄

式中，D_a,4、D_c,4、D_c,5、D_c,6同样表示与车流所在路段的饱和交通量和干扰系数相关的延误系数。

对于无专用车道而言，匝道交织区无车辆进入/离开专用车道的需求，匝道交织区的车均延误可表达为D_c＝0，主路上的四类车型间交织影响的车均延误可表达为：

d＝D_c,0+D_c,1a₁a₂+D_c,2a₁a₃+D_c,3a₁a₃+D_c,4a₂a₃+D_c,5a₂a₃+D_c,6a₃a₄，

d＝d_a+d_c同样可用于表示该方案的路网车均延误。

综上，可以发现，三类专用车道设置方式的路网车均延误均可用公式：d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄表达。由此，本发明将该模型作为自动驾驶车辆混入下的公路货车专用车道设置方法评价模型。式中，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅和D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数。

S2、利用历史路网车均延误数据或仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据，分别对三种设置方式下评价模型中D₀、D₁、D₂、D₃、D₄、D₅、D₆进行标定，得到三个完整评价模型；

例如：得到设置自动驾驶货车专用道的评价模型为：

D＝-25.78+3458.00×a₁a₂+1486.88×a₁a₃+1673.47×a₁a₄+1673.47×a₂a₃+1310.79×a₂a₄+910.83×a₃a₄

进一步的，

本发明基于微观交通仿真软件VISSIM及其COM二次开发接口构建了典型路网的仿真模型，进行仿真实验；

仿真模型包含三种专用车道设置方式，分别为：设置自动驾驶货车专用车道、设置货车专用车道、不设置货车专用车道；

仿真模型设置覆盖各种交通需求水平的多个交通量水平、多个货车占比水平和多个自动驾驶渗透率水平。

利用仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据；包括：

仿真过程中，每一种货车专用道设置方式在每一组交通流条件下的仿真时长不少于7800s，且仿真评价时间从600s开始，对每组仿真模型运行不小于5次，并将多次仿真出书结果的平均值作为最终仿真结果。

S3、采集路网的交通量水平、货车占比和自动驾驶渗透率的取值，并将交通量水平、货车占比和自动驾驶渗透率的取值作为自变量分别输入三个完整评价模型；

其中，将交通量水平、货车占比和自动驾驶渗透率的取值作为自变量输入完整评价模型；包括：

根据交通量水平、货车占比和自动驾驶渗透率计算可得a₁、a₂、a₃、a₄，具体为：

交通量水平*货车占比＝货车交通量；

交通量水平*(1-货车占比)＝客车交通量

货车交通量*自动驾驶渗透率＝公路自动驾驶货车交通量＝a₁；

货车交通量*(1-自动驾驶渗透率)＝公路人工驾驶货车交通量＝a₂；

客车交通量*自动驾驶渗透率＝公路自动驾驶客车交通量＝a₃；

客车交通量*(1-自动驾驶渗透率)＝公路人工驾驶客车交通量＝a₄。

S4、对比路网在该交通量水平、货车占比和自动驾驶渗透率的情况下，三种货车专用车道设置方案的路网车均延误的值，将路网车均延误的值最小的方案作为该情况下路网的货车专用车道设置方案。

本发明基于微观交通仿真软件VISSIM及其COM二次开发接口构建了典型路网的仿真模型，进行仿真实验；

仿真模型包含三种专用车道设置方式，分别为：设置自动驾驶货车专用车道、设置货车专用车道、不设置货车专用车道；

仿真模型设置覆盖各种交通需求水平的多个交通量水平、多个货车占比水平和多个自动驾驶渗透率水平。

利用仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据；包括：

仿真过程中，每一种货车专用道设置方式在每一组交通流条件下的仿真时长不少于7800s，且仿真评价时间从600s开始，对每组仿真模型运行不小于5次，并将多次仿真出书结果的平均值作为最终仿真结果。

实施例：

基于微观交通仿真软件VISSIM及其COM二次开发接口构建典型路网的仿真模型，开展了专用车道设置条件评价。评价模型包含三种专用车道设置方式、五个交通量水平、五个货车占比水平和五个自动驾驶渗透率水平，实验次数总计375次。

(1)典型路网：

选取典型的单向四车道的公路路段作为研究对象(如图3所示)，对象路段设置2个单车道入口匝道和两个单车道出口匝道，距主路起点的距离分别为0.7km、4.7km、5km、9km。入口匝道和出口匝道的变速车道、辅助车道与渐变段的长度设置符合公路工程行业标准《公路路线设计规范》(JTG D20-2017)和《公路立体交叉设计细则》(JTG/T D21-2014)的有关要求。匝道交织区长度设置为500m。主路的车道宽度设置为3.75m，限速为100km/h，匝道的车道宽度设置为3.75m，限速为40km/h。

(2)驾驶行为：

车辆的纵向运动采用了德国Karlsruhe大学Weidemann教授的“心理-生理跟车模型”，该模型分为Weidemann74和Weidemann99两种，本发明采用同时适用于公路驾驶环境和自动驾驶行为描述的Weidemann99，公式为：

dx_safe＝CC0+CC1×v

式中，dx_safe表示平均行车安全距离，CC0表示停车间距；CC1表示车头时距，v为行车速度。

此外，自动驾驶货车的驾驶行为设定为可在专用道编队行驶。跟车模型采用由VISSIM标定的各类车型的默认参数。

车辆换道一般行为主要包括自由车道选择和右行规则两种，模型基本参数则包括：最小车头时距、换道行为选择、最大减速度、可接受减速度等。通常在公路中车辆行驶遵循自由车道选择方式，该行为下人工驾驶车辆和自动驾驶车辆的换道行为模型均采用默认参数。

期望车速是指在车辆运行不受其他车辆干扰时，驾驶人所期望达到的行驶速度，其大小主要受驾驶人特性、车辆性能、道路条件三个因素的影响。期望速度决定了车辆进入路网的初始速度，而且它对车辆的超车和排队有重要的影响。设置主路期望车速的最大值为100km/h，最小值60km/h，匝道期望车速的最大值为40km/h，最小值为20km/h。

(3)交通流条件：

为全面覆盖各种交通需求水平，选取20％、40％、60％、80％、100％的饱和交通量作为路网交通流量输入。主路的饱和交通量为1800veh/h，匝道的饱和交通量为1200veh/h，入口匝道和出口匝道的交通流量输入占主路总流量的20％。

目前国内公路不同路段货车占比从2％～70％不等，但大部分货车占比集中于10％～50％区间，选取10％，20％，30％，40％和50％的货车占比作为评价模型中车型输入。

考虑到自动驾驶技术逐步落地应用，选取10％、20％、30％、40％、50％的自动驾驶渗透率作为评价模型中的驾驶特征的输入。

(4)评价指标

本发明将路网车均延误作为仿真评价指标，主要反映整个路网的通行效率，车均延误数值越高，表示路网整体通行效率越低。为了避免仿真时间过短导致结果失真，每一类专用车道设置方式在每一组交通流条件下的仿真时长均为7800s。为避免仿真初期车辆运行状态不稳定，影响仿真结果的准确性，仿真评价时间设置为600s～7800s。同时，为了保证仿真结果的稳定性，仿真过程中选择对每组仿真模型运行5次，将5次仿真输出结果的平均值作为最终仿真结果，每一次仿真运行选取的随机数分别为9、19、29、39、49。

(5)实验结果

1)车均延误分布

各类交通流条件下，三种专用车道设置方式的路网车均延误分布情况如图4所示。从图中可以看出，自动驾驶货车专用车道方案下发生路网车均延误过高(>600s)的频次远小于货车专用车道方案和无专用车道方案，表明自动驾驶货车专用车道方案下通行效率的稳定性整体更优。此外，路网车均延误明显随着交通量水平、货车占比的增大而提高，表明路网车均延误与交通量水平和货车占比两个自变量呈正相关关系。

2)方案对比分析

本发明以交通量水平为饱和交通量的20％、60％和100％三类交通流条件为例，详细展示了三种专用车道设置方式的路网车均延误结果，如图5-7所示。

如图5所示，展示了交通量水平为饱和交通量的20％条件下，三种专用车道设置方式的路网车均延误结果。从图5中可以看出，当自动驾驶渗透率低(10％)时，无专用车道方案的路网车均延误最小，表明在此条件下设置专用车道会对交通运行效率产生负面影响，增大路网车均延误。假定专用车道方案的路网车均延误大于无专用车道方案时，专用车道方案失效，可以发现除在自动驾驶渗透率高(30％～50％)且货车占比小(10％～30％)的情况外，货车专用车道方案均处于失效状态。此外，自动驾驶货车专用车道方案的车均延误均小于货车专用车道方案。

如图6所示，展示了交通量水平为饱和交通量的60％条件下，三种专用车道设置方式的路网车均延误结果。从图6中可以看出，除货车占比低(10％～30％)的情况外，货车专用车道方案均处于严重失效状态；除个别自动驾驶渗透率高(40％～50％)的情况外，自动驾驶货车专用车道方案总体上优于货车专用车道方案，但仍然普遍处于失效状态。可见，在交通量中等的情况下，自动驾驶渗透率对专用车道设置的有效性起到关键作用，仅在自动驾驶渗透率接近半数(50％)时，适合设置专用车道(自动驾驶货车专用车道/货车专用车道)。

如图7所示，展示了交通量水平为饱和交通量的100％条件下，三种专用车道设置方式的路网车均延误结果。从图中可以看出，自动驾驶货车专用车道方案的路网车均延误均为最小，表明自动驾驶货车专用车道适用于交通量高的交通条件。此外，结合图6和图7可以看出，在交通量水平较高(60％～100％)且货车占比较大(40％～50％)时，货车专用车道方案的路网车均延误均大于450s，处于严重失效状态。

3)评价模型验证

为了验证本发明建立的评价模型对路网车均延误的拟合效果，本发明开展了其与多元线性模型和对数回归模型的对比分析。针对三种专用车道设置方法，数据拟合结果如图8所示。

本发明采用均方根误差(Root Mean Square Error，RMSE)和拟合优度(R-squared，R2)两项指标反映数据拟合效果。RMSE反映了测量数据偏离真实值的程度，RMSE的值越小说明模型的拟合效果越好；R2反映了真实数据点聚集在回归线周围的密集程度，R2最大值为1，R2的值越接近1说明模型的拟合效果越好。

针对自动驾驶货车专用车道方案，

本发明建立的评价模型公式为：

D＝-25.78+3458.00×a₁a₂+1486.88×a₁a₃+1673.47×a₁a₄+1673.47×a₂a₃+1310.79×a₂a₄+910.83×a₃a₄

多元线性模型公式为：

D＝-150.72+918.22×a₁+1014.64×a₂+697.02×a₃+180.50×a₄

对数回归模型公式为：

D＝716.77+48.91×Ln(a₁)+77.95×Ln(a₂)+71.26×Ln(a₃)+42.23×Ln(a₄)表1展示了三类模型对于自动驾驶货车专用车道方案的数据拟合结果。从表可以看出，本发明建立的评价模型对路网车均延误的拟合效果最佳，模型的RMSE最小，值为71.1190，R2最大，值为0.8458，即该模型可利用自动驾驶渗透率、交通量、货车占比可以解释路网车均延误的84.58％变化原因。模型的拟合效果显著优于对数回归模型，并在一定程度上优于多元线性模型，证明了本发明建立的评价模型对于自动驾驶专用车道方案的适用性。

表1自动驾驶货车专用车道方案的数据拟合结果

/>

表2(全量数据)展示了三类模型对于货车专用车道方案的数据拟合结果。从表可以看出多元线性回归模型对路网车均延误的拟合效果最佳，本发明建立的评价模型为次好，该模型可利用自动驾驶渗透率、交通量、货车占比可以解释路网车均延误的81.85％变化原因，但相较多元线性模型仍存在一定差距。结合图8展示的全量数据拟合结果和表3展示的部分数据拟合误差结果可以看出，当路网车均延误过高(即交通量水平超过60％饱和交通量且货车占比超过40％)时，本发明建立的评价模型较多元线性模型呈现劣势，若对剔除严重失效条件下的数据进行拟合，三类模型的数据拟合结果如表2(非严重失效情况下数据)所示，在该种情况下，本发明建立的评价模型仍为最优。

表2货车专用车道方案的数据拟合结果

表3货车专用车道方案的部分数据绝对误差

/>

针对无专用道设置方案：

本发明建立的评价模型公式为：

D＝-80.46+4235.67×a₁a₂+11980.24×a₁a₃-4409.17×a₁a₄-4409.16×a₂a₃+4856.35×a₂a₄+3129.042×a₃a₄

多元线性模型公式为：

D＝-302.63+1363.59×a₁+1137.50×a₂+919.09×a₃+812.64×a₄

对数回归模型公式为：

D＝1118.74+31.21×Ln(a₁)+117.26×Ln(a₂)+91.42×Ln(a₃)+177.46×Ln(a₄)

表4展示了三类模型对于无专用车道方案的数据拟合结果。从表可以看出，本发明建立的评价模型对路网车均延误的拟合效果最佳，模型的RMSE最小，值为102.2168，R2最大，值为0.8832，即该模型可利用自动驾驶渗透率、交通量、货车占比可以解释路网车均延误的88.32％变化原因。模型的拟合效果显著优于对数回归模型，并在一定程度上优于多元线性回归模型，证明了本发明建立的评价模型对于自动驾驶专用车道的适用性。

表4无专用车道方案的数据拟合结果

/>

4)最优方案集

如图9所示，展示了各类交通条件下三种专用车道设置方式中路网车均延误最小的方案集。从图中可以看出，对于典型的单向四车道公路路段，交通量水平相对低(20％～60％)且自动驾驶渗透率相对低(10％～30％)时，多数情况不宜设置专用车道；交通量水平相对低(20％～60％)且自动驾驶渗透率相对高(40％～50％)时，货车专用车道方案适合货车占比低(10％～20％)的交通条件，自动驾驶专用车道方案适合货车占比较高(20％～50％)的交通条件；交通量水平较高(80％～100％)时，则普遍适合设置自动驾驶货车专用车道。

5)仿真结果小结

利用VISSIM及其COM二次开发接口，建立了典型的单向四车道公路路段，构建了由20％～100％饱和交通量、10％～50％货车占比和10％～50％自动驾驶渗透率组成的375组交通流条件，得出了各交通流条件下的路网车均延误。通过分析车均延误分布，发现自动驾驶货车专用车道方案的通行效率的稳定性整体更优；通过对比各专用车道设置方式的车均延误，分析了对交通流条件的适应性，发现并非所有交通流条件均适合设置专用车道，且在一定条件下货车专用车道处于严重失效状态；利用本发明建立的评价模型对车均延误数据做了拟合，与多元线性模型、对数回归模型对比发现，本发明提出的评价模型具有明显的优势；通过归纳路网车均延误最小的专用车道设置方案集，为将来实际路网中相应的交通流条件下的专用车道设置提供参考。

本发明的优点：

本发明考虑到未来自动驾驶车辆的发展，人工驾驶客车、人工驾驶货车与自动驾驶客车、自动驾驶货车组成的混合交通流更为复杂，提供自动驾驶车辆混入下的公路货车专用道设置条件评价方法，构建以交通量水平、货车占比和自动驾驶渗透率为影响因素的车均延误模型，并以不同交通流条件来标定车均延误模型的参数，应用标定后的车均延误模型计算路网车均延误，车均延误越大路网通行效率越低，基于计算得到的路网车均延误对比不同专用车道设置方式的路网通行效率，得出不同专用车道设置方式下各因素对路网车均延误的影响趋势，以及各类交通条件下最适用的专用车道设置方式，最终，提高公路通行效率。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于，包括：

建立公路货车专用道设置条件评价模型：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄，其中，d表示路网车均延误，a₁、a₂、a₃、a₄分别表示公路自动驾驶货车交通量、公路人工驾驶货车交通量、公路自动驾驶客车交通量、公路人工驾驶客车交通量，D₀表示常量参数，D₁、D₂、D₃、D₄、D₅、D₆均表示与所在路段的饱和交通量和干扰系数相关的延误系数；

利用历史路网车均延误数据或仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据，分别对三种设置方式下所述评价模型中D₀、D₁、D₂、D₃、D₄、D₅、D₆进行标定，得到三个完整评价模型；

采集路网的交通量水平、货车占比和自动驾驶渗透率的取值，将所述交通量水平、货车占比和自动驾驶渗透率的取值作为自变量分别输入三个完整评价模型；

对比路网在该交通量水平、货车占比和自动驾驶渗透率的情况下，三种货车专用车道设置方案的路网车均延误的值，将路网车均延误的值最小的方案作为该情况下路网的货车专用车道设置方案。

2.根据权利要求1所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：将所述交通量水平、货车占比和自动驾驶渗透率的取值作为自变量输入所述完整评价模型；包括：

根据所述交通量水平、货车占比和自动驾驶渗透率计算可得a₁、a₂、a₃、a₄，具体为：

交通量水平*货车占比＝货车交通量；

交通量水平*(1-货车占比)＝客车交通量

货车交通量*自动驾驶渗透率＝公路自动驾驶货车交通量＝a₁；

货车交通量*(1-自动驾驶渗透率)＝公路人工驾驶货车交通量＝a₂；

客车交通量*自动驾驶渗透率＝公路自动驾驶客车交通量＝a₃；

客车交通量*(1-自动驾驶渗透率)＝公路人工驾驶客车交通量＝a₄。

3.根据权利要求1所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：基于微观交通仿真软件VISSIM及其COM二次开发接口构建了典型路网的仿真模型，进行仿真实验；

仿真模型包含三种专用车道设置方式，分别为：设置自动驾驶货车专用车道、设置货车专用车道、不设置货车专用车道；

仿真模型设置覆盖各种交通需求水平的多个交通量水平、多个货车占比水平和多个自动驾驶渗透率水平。

4.根据权利要求1所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：利用仿真实验得到的设置自动驾驶货车专用道、货车专用道和不设置专用道的路网车均延误数据；包括：

仿真过程中，每一种货车专用道设置方式在每一组交通流条件下的仿真时长不少于7800s，且仿真评价时间从600s开始，对每组仿真模型运行不小于5次，并将多次仿真输出结果的平均值作为最终仿真结果。

5.根据权利要求1所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：所述建立公路货车专用道设置条件评价模型：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄；包括：

针对建立公路自动驾驶货车专用道、建立公路货车专用道和不建立货车专用道三种公路货车专用道设置方式，分别分析并建立路网车均延误计算公式；

结合三种公路货车专用道设置方式的车均延误计算公式，建立评价模型。

6.根据权利要求5所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：

对于建立公路自动驾驶货车专用道的路网，车均延误包括匝道交织区的车均延误和主路的车均延误；

匝道交织区的车均延误为自动驾驶货车进入、离开专用车道的自动驾驶货车和主路上的人工驾驶货车、人工驾驶客车、自动驾驶客车间相互干扰产生的车均延误，计算公式为：

d_a＝D_a,0+D_a,1a₁a₂+D_a,2a₁a₃+D_a,3a₁a₄

其中，D_a,0表示常量参数，D_a,1、D_a,2和D_a,3均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

主路的车均延误为普通车道上人工驾驶货车、人工驾驶客车、自动驾驶客车相互干扰产生的车均延误，计算公式为：

d_c＝D_c,0+D_c,1a₂a₃+D_c,2a₂a₄+D_c,3a₃a₄

其中，D_c,0表示常量参数，D_c,1、D_c,2和D_c,3均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

自动驾驶货车专用道的路网车均延误，计算公式为：

d＝d_a+d_c

＝D_a,0+D_a,1a₁a₂+D_a,2a₁a₃+D_a,3a₁a₄+D_c,0+D_c,1a₂a₃+D_c,2a₂a₄+D_c,3a₃a₄

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄。

7.根据权利要求5所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：对于建立公路货车专用道的路网，车均延误包括匝道交织区的车均延误和主路区的车均延误；

匝道交织区车均延误为自动驾驶货车、人工驾驶货车进入/离开货车专用道与主路上的自动驾驶客车、人工驾驶客车相互干扰产生的车均延误，计算公式为：

d_a＝D_a,0+D_a,1a₁a₃+D_a,2a₁a₄+D_a,3a₂a₃+D_a,4a₂a₄

其中，D_a,0表示常量参数，D_a,1、D_a,2、D_a,3和D_a,4均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

主路区的车均延误包括公路货车专用道上自动驾驶货车、人工驾驶货车相互干扰产生的车均延误，共享车道上人工驾驶货车、人工驾驶客车相互干扰产生的车均延误，计算公式为：

d_c＝D_c,0+D_c,1a₁a₂+D_c,2a₃a₄

其中，D_c,0表示常量参数，D_c,1和D_c,2均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

货车专用道的路网车均延误，计算公式为：

d＝d_a+d_c

＝D_a,0+D_a,1a₁a₃+D_a,2a₁a₄+D_a,3a₂a₃+D_a,4a₂a₄+D_c,0+D_c,1a₁a₂+D_c,2a₃a₄

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄。

8.根据权利要求5所述的自动驾驶车辆混入下的公路货车专用道设置条件评价方法，其特征在于：对于不建立公路货车专用道的路网，匝道交织区无车辆进入/离开专用车道的需求，匝道交织区的车均延误可表达为D_c＝0；主路区的车均延误为自动驾驶客车、人工驾驶客车、自动驾驶货车、人工驾驶货车间交织影响产生的车均延误，计算公式为：

d＝D_c,0+D_c,1a₁a₂+D_c,2a₁a₃+D_c,3a₁a₃+D_c,4a₂a₃+D_c,5a₂a₃+D_c,6a₃a₄；

其中，D_c,0表示常量参数，D_c,1、D_c,2、D_c,3、D_c,4、D_c,5和D_c,6均表示与车流所在路段的饱和交通量和干扰系数相关的延误系数；

可整理表示为：

d＝D₀+D₁a₁a₂+D₂a₁a₃+D₃a₁a₄+D₄a₂a₃+D₅a₂a₄+D₆a₃a₄。