白 靜，陳業(yè)華，劉一健

(燕山大學(xué) 經(jīng)濟(jì)管理學(xué)院,河北 秦皇島 066004)

0 引言

隨著交通基礎(chǔ)設(shè)施的不斷完善以及數(shù)據(jù)傳輸、數(shù)據(jù)處理等技術(shù)的快速發(fā)展，車(chē)載路徑誘導(dǎo)系統(tǒng)的研究和應(yīng)用獲得了新的契機(jī)，用戶可以通過(guò)導(dǎo)航系統(tǒng)提供的實(shí)時(shí)信息選擇較優(yōu)線路。目前很多學(xué)者對(duì)基于實(shí)時(shí)信息的路徑尋優(yōu)作了深入研究，其中所采用的最直觀的決策方法是尋找最短路徑，為了解決行駛時(shí)間概率分布不確定的問(wèn)題，Cao等利用每條路徑上的采樣行駛時(shí)間將原始的求最短路徑問(wèn)題轉(zhuǎn)換成基數(shù)最小化問(wèn)題進(jìn)行求解[1]?？紤]到時(shí)間問(wèn)題造成行駛成本具有很大的不確定性，智路平等對(duì)動(dòng)態(tài)的交通行駛成本進(jìn)行分類預(yù)測(cè)，并在相應(yīng)的可靠性約束下利用改進(jìn)的Dijkstra法作出尋優(yōu)決策[2]，此外，林徐勛[3]、楊傳印[4]等也分別利用概率密度演化理論、優(yōu)先隊(duì)列方法求解了行駛成本不確定的最短路徑問(wèn)題[3-4]。還有學(xué)者進(jìn)一步研究了當(dāng)用戶對(duì)路徑選擇沒(méi)有確定性標(biāo)準(zhǔn)時(shí)的選擇模型，其中，張惠玲等人考慮了用戶的出行需求對(duì)規(guī)劃方案的影響，利用級(jí)差效益衡量用戶這一主觀感知，并作為路徑選擇的評(píng)價(jià)準(zhǔn)則[5]。Mai[6]、Songyot[7]、Kitthamkesorn[8]等學(xué)者則分別從隨機(jī)用戶均衡的角度建立了路徑選擇模型。對(duì)交通數(shù)據(jù)的不同處理方式將誘導(dǎo)類型劃分成反應(yīng)型及預(yù)測(cè)型二類。反應(yīng)型策略根據(jù)實(shí)時(shí)的路況信息制定路徑誘導(dǎo)策略，Nejad[9]等設(shè)計(jì)了層級(jí)算法以處理ITS獲取的實(shí)時(shí)數(shù)據(jù)，進(jìn)而計(jì)算最短路徑。此外，TomTom[10]、google[11]等企業(yè)也已著手開(kāi)發(fā)車(chē)、路通訊下的路徑誘導(dǎo)系統(tǒng)。但反應(yīng)型策略的特點(diǎn)是根據(jù)當(dāng)前路況作出相應(yīng)決策，而交通狀態(tài)是不斷變化的，當(dāng)前的最優(yōu)決策可能會(huì)將車(chē)輛轉(zhuǎn)移至相對(duì)延遲擁堵的路線，誘導(dǎo)效果存在隨機(jī)性。預(yù)測(cè)型策略是利用預(yù)測(cè)的信息制定誘導(dǎo)方案，即在決策前首先利用交通數(shù)據(jù)對(duì)未來(lái)交通狀態(tài)作預(yù)測(cè)。Lin[12]等提出了動(dòng)態(tài)在途實(shí)時(shí)路徑?jīng)Q策方案(DEDR)，該方案引入了信任概率評(píng)價(jià)預(yù)測(cè)信息，并構(gòu)建相應(yīng)的多重矩陣為用戶提供路徑選擇依據(jù)。預(yù)測(cè)型誘導(dǎo)策略兼顧了壞天氣或突發(fā)事件造成的交通狀態(tài)不確定性，實(shí)用性更強(qiáng)[13-15]。

考慮目前多數(shù)文獻(xiàn)缺乏對(duì)突發(fā)事件造成突發(fā)擁堵的嵌入研究，而用戶面對(duì)這類包含不確定性、衍生性等特點(diǎn)的交通狀況所作出的反應(yīng)與常態(tài)化擁堵有所區(qū)別。而且，多數(shù)誘導(dǎo)系統(tǒng)采取依據(jù)實(shí)時(shí)數(shù)據(jù)的反應(yīng)性決策，在交通狀況波動(dòng)較大的突發(fā)擁堵情境下具有一定滯后性，針對(duì)上述問(wèn)題，本研究考慮在誘導(dǎo)系統(tǒng)中設(shè)置針對(duì)突發(fā)擁堵的導(dǎo)航模塊，當(dāng)系統(tǒng)識(shí)別突發(fā)擁堵發(fā)生時(shí)，自動(dòng)觸發(fā)突發(fā)擁堵導(dǎo)航模塊，針對(duì)擁堵?tīng)顩r為用戶提供實(shí)時(shí)的在途路徑誘導(dǎo)策略。為提高用戶體驗(yàn)進(jìn)而提高用戶對(duì)誘導(dǎo)系統(tǒng)的服從率，在深入分析用戶對(duì)擁堵的個(gè)人感知特性基礎(chǔ)上，以感知擁堵作為路徑誘導(dǎo)的路徑分配限制因素，設(shè)計(jì)了基于用戶緊急程度的隨機(jī)均衡替代路線分配方案。同時(shí)，為了充分利用預(yù)測(cè)信息提高路徑尋優(yōu)效率，將預(yù)測(cè)的交通信息作為誘導(dǎo)決策的信息支持，并提出了時(shí)變路網(wǎng)下改進(jìn)的A*算法。

1 突發(fā)擁堵下考慮用戶緊急程度的在途路徑誘導(dǎo)策略

路徑誘導(dǎo)作為常規(guī)性的交通管理措施，能夠應(yīng)用于日常交通中，特別是對(duì)于突發(fā)擁堵?tīng)顩r，用戶能夠憑借誘導(dǎo)系統(tǒng)顯示的道路信息決定行駛路線。本研究設(shè)計(jì)了一個(gè)針對(duì)突發(fā)擁堵的動(dòng)態(tài)在途路徑誘導(dǎo)方案(EPR)。突發(fā)擁堵時(shí)，誘導(dǎo)系統(tǒng)周期性執(zhí)行4個(gè)程序?qū)β肪€進(jìn)行再分配：

(1)數(shù)據(jù)搜集及處理；

(2)交通擁堵預(yù)測(cè)；

(3)選取改變路線車(chē)輛；

(4)為被選車(chē)輛計(jì)算備選路線信息。

這里(1)、(2)采用文獻(xiàn)[16]提出的深度結(jié)構(gòu)預(yù)測(cè)模型。EPR重點(diǎn)討論(3)、(4)部分。

當(dāng)突發(fā)事件發(fā)生并觸發(fā)突發(fā)擁堵導(dǎo)航系統(tǒng)時(shí)，該模塊將啟動(dòng)對(duì)即將進(jìn)入擁堵區(qū)域車(chē)輛的確認(rèn)程序，顯然，擁堵?tīng)顟B(tài)下車(chē)輛的駛?cè)雽⒓觿〗煌ǘ氯?，為避免交通進(jìn)一步惡化，本研究選擇“L等級(jí)”標(biāo)準(zhǔn)，視擁堵程度科學(xué)地選擇合理位置車(chē)輛并誘導(dǎo)其更改行駛路線。具體來(lái)說(shuō)，L作為設(shè)定的誘導(dǎo)區(qū)域范圍值，即選擇在交通流逆方向上距離事發(fā)路段為L(zhǎng)內(nèi)的部分車(chē)輛進(jìn)行路徑誘導(dǎo)，假定L=2，車(chē)輛選擇的方法如圖1所示。其中，系統(tǒng)識(shí)別Sc路段為突發(fā)擁堵?tīng)顟B(tài)，以Sc為中心沿車(chē)流流入方向劃出2級(jí)路段，分別為S1，S2，并依次圈定S1及S2中需更改路線車(chē)輛。車(chē)輛選擇的方法如圖1所示。

圖1 車(chē)輛選擇過(guò)程Fig.1 Vehicle selection process

選出需更改路線的車(chē)輛后，利用改進(jìn)A*算法計(jì)算前k條次優(yōu)路徑，同時(shí)為其分配備選路線。

1.1 時(shí)變路網(wǎng)下的改進(jìn)A*算法

考慮到突發(fā)擁堵下的路徑誘導(dǎo)對(duì)時(shí)效性要求更高，本研究采用具有高效、直接特性的搜索算法A*算法求解最短路徑。在交通網(wǎng)絡(luò)中，行駛成本具有很大的不確定性，對(duì)于不同時(shí)間點(diǎn)，行駛成本會(huì)存在較大差異，特別是發(fā)生突發(fā)性擁堵時(shí)，會(huì)進(jìn)一步增加行駛成本。因此，本研究采用具有時(shí)間依賴的A*算法結(jié)構(gòu)，并通過(guò)改進(jìn)A*算法中行駛時(shí)間的表達(dá)，采用交通流預(yù)測(cè)信息與歷史信息表示未來(lái)的行駛時(shí)間。

A*算法作為典型的啟發(fā)式算法，通過(guò)路徑代價(jià)點(diǎn)的評(píng)估函數(shù)指引尋優(yōu)行為的前進(jìn)方向。假設(shè)從s點(diǎn)出發(fā)，終點(diǎn)為d，A*算法的目標(biāo)就是找到s→d的最佳路徑。搜索過(guò)程分為兩個(gè)階段：(1)判斷邁出一步(出發(fā)點(diǎn)s到節(jié)點(diǎn)vi)的行駛成本，記為g(vi)，本研究用行駛時(shí)間表示。(2)節(jié)點(diǎn)vi到終點(diǎn)d所需直接步數(shù)(本研究指最優(yōu)路徑行駛時(shí)間評(píng)估函數(shù))，記為h(vi)。令評(píng)估函數(shù)f(vi)表示為：

f(vi)=g(vi)+h(vi)。

(1)

通過(guò)計(jì)算并存儲(chǔ)f(vi)，找到各方向中使f(vi)最小的路徑即可。其中，在具有時(shí)間依賴的A*算法中，假定出發(fā)時(shí)間點(diǎn)t，去往節(jié)點(diǎn)k的評(píng)估函數(shù)為h=h(k,t)≥0。

設(shè)計(jì)科學(xué)的評(píng)估函數(shù)有助于有效、快速地尋找到最短路徑。時(shí)變網(wǎng)絡(luò)中路段的行駛成本并非固定值，常見(jiàn)方法是利用實(shí)時(shí)路況信息或者歷史數(shù)據(jù)求取行駛成本，而突發(fā)事件會(huì)造成交通狀態(tài)急速改變，利用現(xiàn)有狀態(tài)信息計(jì)算得到的路徑尋優(yōu)結(jié)果甚至可能不再符合未來(lái)短期內(nèi)交通狀態(tài)，因此本研究在時(shí)間依賴的A*算法基礎(chǔ)上利用預(yù)測(cè)信息改進(jìn)評(píng)估函數(shù)h(vi)的表達(dá)，更精確地求解最短路徑。

令d(v,w,t)為在時(shí)間t出發(fā)從點(diǎn)v到點(diǎn)w的最短行駛時(shí)間；令L為路網(wǎng)中的節(jié)點(diǎn)集合，且l∈L；令Tl={t1,t2,…,tp}為在節(jié)點(diǎn)l處的p個(gè)時(shí)間采樣點(diǎn)，且t1

(2)

(3)

式中，ti為在節(jié)點(diǎn)vi處的時(shí)間;e(vi,vj)為路段e，其中，vi和vj為連接路段e的兩個(gè)交叉口，且vi≠vj;r(l,k)為當(dāng)次出行中從點(diǎn)l去往點(diǎn)k的無(wú)環(huán)路徑集合。vi至vj路段的預(yù)測(cè)有效性消散率為：

(4)

式中，ε為預(yù)測(cè)有效性的消散比例，考慮未來(lái)過(guò)遠(yuǎn)時(shí)間的交通流隨機(jī)性較大，因此預(yù)測(cè)的精度會(huì)隨時(shí)間的增長(zhǎng)而降低，為確保采用的預(yù)測(cè)信息是有效的，本研究將消散率分為3個(gè)階段；第1階段為時(shí)間δ內(nèi)(處在vi處時(shí)間為δ)，因?yàn)榭梢员ＷC足夠預(yù)測(cè)精度，完全采用預(yù)測(cè)信息計(jì)算行駛時(shí)間；第2階段為時(shí)間δ到預(yù)測(cè)時(shí)間段t1內(nèi)，采用平均速度預(yù)測(cè)與歷史信息結(jié)合協(xié)同計(jì)算行駛時(shí)間；第3階段預(yù)測(cè)時(shí)間段之后，由于預(yù)測(cè)精度不高，完全根據(jù)歷史信息計(jì)算行駛時(shí)間。結(jié)合預(yù)測(cè)信息的評(píng)估函數(shù)h(v,t)表示為：

(5)

其中

(6)

表示在時(shí)間t之前從l到v的最近出發(fā)采樣時(shí)間點(diǎn)。

由評(píng)估函數(shù)h(v,t)的定義可得，h(d,t)≡0，h≥0。下面證明改進(jìn)A*算法能找到最優(yōu)解的充分條件，即評(píng)估函數(shù)需滿足FIFO準(zhǔn)則以及三角條件。

定理1式(5)、式(6)表示的評(píng)估函數(shù)符合FIFO準(zhǔn)則，同時(shí)符合三角條件。

(7)

顯然，為了證明t1+h(k,t1)≤t2+h(k,t2)，只需證明下面的不等式

(8)

三角條件：給定任意路段e(v,w)，在時(shí)間節(jié)點(diǎn)t，要證明h(v,t)≤ce(t)+h(w,t+ce(t))，令tw=t+ce(t)，則等價(jià)于證明

t+h(v,t)≤tw+h(w,tw)，

(9)

(10)

顯然，為了證明式(9)，只需證明

(11)

證畢

1.2 考慮用戶緊急程度的路徑分配模型

當(dāng)最優(yōu)路徑發(fā)生突發(fā)擁堵時(shí)，為避免發(fā)生路徑誘導(dǎo)導(dǎo)致的“移堵”現(xiàn)象，本研究為被選車(chē)輛分別在各自前k條次優(yōu)路徑中按一定概率隨機(jī)地分配路線。路徑誘導(dǎo)的誘導(dǎo)效率很大程度上受用戶的服從率影響，而當(dāng)用戶擁有良好的體驗(yàn)時(shí)，其服從路徑誘導(dǎo)方案的意愿更強(qiáng)烈，因此本研究在選擇概率中加入用戶對(duì)擁堵的感知因素，從提高用戶體驗(yàn)層面出發(fā)，制定路徑誘導(dǎo)策略。

(12)

(13)

(14)

道路擁堵?tīng)顩r給不同行程的用戶帶來(lái)的心理感知不盡相同，例如，即將到達(dá)終點(diǎn)的用戶相對(duì)于處在行程起始階段的用戶其緊急程度存在差異，相應(yīng)地，對(duì)擁堵的感知也互不相同。本研究考慮令更緊急的用戶以更高的概率選擇較快捷路線，從而提高全體用戶的整體體驗(yàn)，特引入2種“緊急函數(shù)”以表示用戶緊急程度：

絕對(duì)緊急函數(shù)：ACI=RemTT-RFFTT，

相對(duì)緊急函數(shù)：RCI=ACI/RFFTT。

其中，RemTT為擁堵出現(xiàn)后原始行程剩余行駛時(shí)間；RFFTT為無(wú)擁堵下原始行程剩余行駛時(shí)間；ACI為受擁堵影響距終點(diǎn)需額外花費(fèi)的時(shí)間(即用戶的直接緊急程度)；RCI為受擁堵影響距終點(diǎn)需額外花費(fèi)的時(shí)間與原始行程中剩余路程所需時(shí)間比值(用戶的間接緊急程度)。

(15)

式中RCIn為用戶車(chē)輛Vn的相對(duì)緊急程度系數(shù)。

(16)

為了更清晰地描述路徑分配流程，誘導(dǎo)過(guò)程所處路網(wǎng)如圖2所示。

圖2 誘導(dǎo)過(guò)程所處路網(wǎng)Fig.2 Road network in guidance process

當(dāng)用戶車(chē)輛V5被選中更改路線，假設(shè)p6,5→p5,8→p8,7→p7,4為第1最短路線，車(chē)輛V5選擇該路線增加的感知效用為:

(17)

假設(shè)p6, 5→p5, 2→p2, 1→p1, 4為第2最短路線，車(chē)輛V5選擇該路線增加的感知效用為：

(18)

由于路段Pc出現(xiàn)擁堵，包含該路段的行程行駛時(shí)間極易更高，但在路徑分配時(shí)，Pc仍有機(jī)會(huì)包含在備選路線中并依據(jù)分配模型參與選擇過(guò)程，當(dāng)Pc處于較擁堵的交通狀況時(shí)，備選路線中更可能排除Pc，縱然存在包含Pc的路線，車(chē)輛被分配到該路線的可能性也較低。但是當(dāng)Pc處僅是微弱擁堵時(shí)，那么備選路線包含Pc甚至被分配到該路線的可能性就比較高，這種情況下若禁止交通在Pc處通行也將浪費(fèi)交通資源。

1.3 考慮用戶緊急程度的在途路徑誘導(dǎo)方案實(shí)施過(guò)程

假設(shè)路網(wǎng)區(qū)域G，原始路線H′，擁堵閾值為δ，在當(dāng)前時(shí)刻t，車(chē)輛選擇系數(shù)l，替換路徑數(shù)量為k，實(shí)施過(guò)程如下：

(2)若#Pcon>0，選擇其中預(yù)測(cè)信息顯示最擁堵的路段p∈Pcon;

(3)尋找與路段p相距l(xiāng)的近鄰路段Pnei，同時(shí)找出位于路段p′(p′∈Pnei)且原始路線包含路段p的車(chē)輛，所有選中車(chē)輛表示為Ω；

(4)根據(jù)2.1節(jié)中改進(jìn)A*算法為車(chē)輛集合Ω中的車(chē)輛vn(vn∈Ω)計(jì)算前k條最短路線H=[h1,h2,…,hk]；

(7)令hi作為車(chē)輛vn的新路線，按順序?yàn)檫x中車(chē)輛分配hi；

(8)更新路網(wǎng)信息，將已討論路段從集合Pcon剔除，即Pcon∶Pcon=Pcon-p；

(9)當(dāng)討論完成全部擁堵路段后(#Pcon==0)，得到新路網(wǎng)G。

總的EPR流程如圖3所示。

圖3 基于用戶緊急程度的在途誘導(dǎo)方案流程Fig.3 Flowchart of en-route guidance scheme based on user urgency

2 算例分析

2.1 試驗(yàn)設(shè)置

試驗(yàn)以SUMO15.0作為仿真服務(wù)器，通過(guò)SUMO可以實(shí)現(xiàn)城市交通的微觀模擬以及在線交互等功能。在SUMO平臺(tái)對(duì)擁堵控制誘導(dǎo)策略進(jìn)行仿真的流程如圖4所示。

圖4 誘導(dǎo)方案仿真流程Fig.4 Simulation process of guidance scheme

仿真開(kāi)始前，從OpenStreetMap中下載1個(gè)OSM格式的地圖，本研究以秦皇島市某區(qū)部分區(qū)域?yàn)楸尘?，其路網(wǎng)結(jié)構(gòu)如圖5所示。

圖5 路網(wǎng)結(jié)構(gòu)實(shí)例Fig.5 Examples of road network

SUMO本身無(wú)法處理.osm文件，需要SUMO自帶的Netconvert轉(zhuǎn)換格式，同時(shí)通過(guò)Netedit對(duì)生成的net路網(wǎng)作進(jìn)一步處理，比如移除非機(jī)動(dòng)車(chē)、輕軌軌道等，最后，使用Trafficmodeler生成車(chē)輛軌跡。路網(wǎng)性質(zhì)設(shè)定如表1所示。

路網(wǎng)設(shè)置完成后開(kāi)始對(duì)策略仿真、分析。突發(fā)擁堵的程度受造成擁堵的事件類型影響，通常按大小將事件劃分為4個(gè)級(jí)別，本研究分別為各級(jí)別事件設(shè)定相應(yīng)的仿真環(huán)境，如表2所示。

表1 仿真路網(wǎng)特性Tab.1 Characteristics of simulated road network

表2 仿真環(huán)境設(shè)置Tab.2 Settings of simulation environment

為確保對(duì)誘導(dǎo)策略的機(jī)制效果作準(zhǔn)確的評(píng)估分析，本研究選擇3種具有不同評(píng)估方向的評(píng)估指標(biāo)：(1)到達(dá)車(chē)輛平均行駛時(shí)間。反應(yīng)全區(qū)域路網(wǎng)的交通運(yùn)行情況，可以實(shí)時(shí)評(píng)估突發(fā)擁堵的動(dòng)態(tài)誘導(dǎo)成效。(2)擁堵路段數(shù)量。從全局角度直觀地顯示誘導(dǎo)成效。(3)用戶完成行程數(shù)目。從用戶立場(chǎng)評(píng)估誘導(dǎo)策略，完善評(píng)價(jià)體系。

2.2 仿真評(píng)估結(jié)果及分析

對(duì)EPR誘導(dǎo)效果仿真過(guò)程中，采用Webster周期公式設(shè)置信號(hào)燈配時(shí)。設(shè)置5個(gè)突發(fā)事件點(diǎn)，發(fā)生路段(均為路段中)、事件程度隨機(jī)選擇。出于比較分析的原因，事件發(fā)生時(shí)間均設(shè)定為仿真開(kāi)始后第200 s。經(jīng)過(guò)反復(fù)大量試驗(yàn)，得到EPR相關(guān)參數(shù)設(shè)定如表3所示。

表3 EPR相關(guān)參數(shù)Tab.3 Parameters of EPR

(1)用戶服從率對(duì)EPR的作用。試驗(yàn)構(gòu)建了4種具有不同車(chē)流量的環(huán)境，分別在各環(huán)境中仿真了EPR在不同用戶服從率下的誘導(dǎo)成效，并通過(guò)平均行駛時(shí)間進(jìn)行衡量，仿真結(jié)果如圖6所示。

圖6 服從率對(duì)誘導(dǎo)效果的作用Fig.6 Influence of compliance rate on guidance effect

由圖6可以看出，相對(duì)于無(wú)任何路徑誘導(dǎo)(以服從率為0表示)，任何服從率下的EPR誘導(dǎo)策略均能夠減少用戶的平均行駛時(shí)間，并且提高用戶服從率能夠更顯著減少用戶的平均行駛時(shí)間，提高誘導(dǎo)效率。

(2)EPR的誘導(dǎo)效率評(píng)估。仿真試驗(yàn)設(shè)置服從率為70%，交通流量水平為2 000，分別從擁堵路段數(shù)量、到達(dá)車(chē)輛數(shù)量?jī)煞矫鎸?duì)EPR誘導(dǎo)成效進(jìn)行評(píng)估，并與DTA策略[17]、DUA策略[18]以及無(wú)路徑誘導(dǎo)干預(yù)的原始交通狀態(tài)作比較，其中，DUA策略采用的實(shí)時(shí)信息通過(guò)仿真實(shí)時(shí)獲取(非預(yù)測(cè)信息)。試驗(yàn)結(jié)果如圖7所示，圖7(a)為4種作用方式下?lián)矶侣范螖?shù)量隨時(shí)間的增減過(guò)程，圖7(b)為4種作用方式下到達(dá)車(chē)輛數(shù)量增減過(guò)程。

圖7 仿真過(guò)程中的評(píng)估指標(biāo)Fig.7 Evaluation indicators during simulation process

圖7顯示，無(wú)路徑誘導(dǎo)干預(yù)的原始交通中，突發(fā)事件發(fā)生后事件路段開(kāi)始發(fā)生擁堵，并且擁堵迅速向其他路段蔓延，擁堵持續(xù)較長(zhǎng)時(shí)間后逐漸顯現(xiàn)消退跡象。對(duì)于有路徑誘導(dǎo)干預(yù)的幾種作用方式，EPR策略及DUA策略下，突發(fā)事件造成事件路段出現(xiàn)擁堵，但由于兩種策略為用戶車(chē)輛提供了較科學(xué)的路徑選擇信息，避免了信息不對(duì)稱造成的擁堵蔓延。相對(duì)于DUA策略，EPR策略以更快的速度誘導(dǎo)疏散了擁堵車(chē)輛，由于其利用了預(yù)測(cè)的路段速度進(jìn)行路徑尋優(yōu)，有效防止了車(chē)輛轉(zhuǎn)移至相對(duì)延遲擁堵的路線，而DUA完全依賴檢測(cè)的實(shí)時(shí)數(shù)據(jù)作出決策，造成了移堵。DTA在抑制擁堵擴(kuò)散方面缺少優(yōu)勢(shì)，但可以較好地調(diào)控整體路網(wǎng)的交通均衡狀態(tài)。在不同車(chē)流量下，對(duì)EPR策略與DTA策略、DUA策略以及無(wú)路徑誘導(dǎo)干預(yù)的原始交通進(jìn)行仿真，幾種作用方式下的到達(dá)車(chē)輛平均行駛時(shí)間對(duì)比結(jié)果如圖8所示。

圖8 不同交通流量的平均行駛時(shí)間Fig.8 Mean travel time under different traffic volumes

圖8顯示，在低車(chē)流量下，EPR策略誘導(dǎo)效果最佳，在高車(chē)流量下，EPR誘導(dǎo)成效稍遜于DTA，優(yōu)于DUA并且明顯優(yōu)于無(wú)誘導(dǎo)干預(yù)的原始交通。

(3)EPR時(shí)效性評(píng)估。在途路徑誘導(dǎo)系統(tǒng)根據(jù)動(dòng)態(tài)的交通狀態(tài)為用戶提供路徑選擇信息，對(duì)時(shí)效性要求較高，仿真試驗(yàn)通過(guò)對(duì)事件發(fā)生后600 s內(nèi)EPR策略更新所需CPU時(shí)間的平均值對(duì)其時(shí)效性進(jìn)行評(píng)估，并與其他兩種策略作對(duì)比，不同車(chē)流量下幾種策略的平均CPU時(shí)間如圖9所示。

圖9 不同車(chē)流量下的CPU時(shí)間Fig.9 CPU time for different traffic volumes

圖9顯示，EPR策略更新的平均CPU時(shí)間在3種策略中最少，DTA以系統(tǒng)最優(yōu)的均衡狀態(tài)為路徑分配準(zhǔn)則，趨于理想化，時(shí)效性最差，DUA選取常見(jiàn)的最短路徑尋優(yōu)方式，代表了當(dāng)前大多數(shù)誘導(dǎo)系統(tǒng)的時(shí)效性，因?yàn)镋PR差別化計(jì)算最短路徑，且選擇搜索效率優(yōu)異的改進(jìn)A*算法，因此時(shí)效性高于DUA。

3 結(jié)論

突發(fā)擁堵的突發(fā)性及隨機(jī)性使用戶無(wú)法在出發(fā)前做出路徑選擇，當(dāng)最優(yōu)路徑被預(yù)測(cè)出發(fā)生突發(fā)擁堵時(shí)，為避免發(fā)生路徑誘導(dǎo)導(dǎo)致的“移堵”現(xiàn)象，本研究為被選車(chē)輛分別在各自前k條次優(yōu)路徑中按一定概率隨機(jī)地分配路線。為提高用戶對(duì)誘導(dǎo)方案的服從率進(jìn)而提升誘導(dǎo)效率。本研究在備選路線隨機(jī)均衡選擇模型中加入用戶對(duì)擁堵的感知因素，提出了以感知擁堵作為路徑誘導(dǎo)的路徑分配限制因素，并構(gòu)建了行駛時(shí)間感知效用算法。同時(shí)，通過(guò)改進(jìn)A*算法估價(jià)函數(shù)中的評(píng)估函數(shù)，將路段平均速度預(yù)測(cè)與歷史平均回歸模型結(jié)合計(jì)算行程時(shí)間，從而實(shí)現(xiàn)了考慮時(shí)間依賴性的實(shí)時(shí)最短路徑尋優(yōu)。仿真結(jié)果表明，提高用戶的誘導(dǎo)服從率有助于提升突發(fā)擁堵下的誘導(dǎo)疏散效率。誘導(dǎo)疏散效果與現(xiàn)有幾種算法相比，所提在途路徑誘導(dǎo)策略在兼顧計(jì)算效率前提下，在不同車(chē)流量水平下，均可以為用戶車(chē)輛提供較科學(xué)的路徑選擇信息，避免信息不對(duì)稱造成的擁堵蔓延，同時(shí)，由于其利用了預(yù)測(cè)的路段速度進(jìn)行路徑尋優(yōu)，進(jìn)而避免了移堵現(xiàn)象的發(fā)生。

本研究提出的路徑誘導(dǎo)策略以預(yù)測(cè)模型得到的預(yù)測(cè)信息作為誘導(dǎo)依據(jù)之一，如何利用當(dāng)前研究熱點(diǎn)車(chē)聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)的車(chē)車(chē)通信、車(chē)路通信所產(chǎn)生的共享信息，實(shí)現(xiàn)近似路網(wǎng)均衡的路徑誘導(dǎo)策略是一個(gè)應(yīng)用型很強(qiáng)的研究方向。