物联网环境下高速公路交通事故影响范围预测技术

张敖木翰++张平++曹剑东

摘 要：交通事件在高速公路上经常发生，其时间与空间上的不确定性，以及对上游路段和相邻国省道带来的动态衍生影响，使得提前制定具有针对性的预案难度很大。如何在复杂路网环境下快速预测交通事件的影响范围，成为高速公路应急处置管理的基础。提出基于物联网技术，用于实时、快速预测复杂路网环境下交通事件发生后未来短时间内的交通拥堵发展态势。基于该技术，开发了公路网交通运行状态预测系统，通过实际数据的测试，证明提出的技术可以很好地为高速公路应急处置提供快速、科学的决策支持。

关键词：物联网；交通事件；拥堵排队；需求预测；交通仿真

中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2015）05-00-03

0 引 言

高速公路交通事故是影响平安交通的重要因素。如果事故发生时路段交通量较大，路段通行能力受事故影响大幅度下降甚至无法通行时，就会产生拥堵排队现象并快速向路段上游传播，甚至溢过互通立交形成网络层面的大范围拥堵。此时，上游到达车辆受气象环境、能见度以及路面制动性能的影响，如果未能提前发现前方拥堵排队的队尾并及时减速，或者可变情报板对拥堵排队队尾的估计与实际存在偏差，极易在队尾发生追尾碰撞形成二次事故，导致更严重的人员及财产损失。因此，进行高速公路二次事故预警的关键，是在不同气象、地质、路面条件环境下，进行快速准确的预测初次事故发生后对路段运行状态的影响，尤其是预测短期拥堵排队的发展态势，为之后的道路限行管控、可变情报板引导提供科学的依据。

高速公路交通事故影响时空范围的预测研究一直是国内外交通安全研究领域的前沿与热点。其主要研究内容集中在对于拥堵引发的车辆排队长度的预测研究，常用方法主要包括累计到达-离开模型、确定性排队模型、随机性排队模型以及基于交通波理论的模型等。早期的累计到达-离开模型[1-4]利用路段交通量的输入和输出量来统计事故排队车辆数，进而估计排队长度。这种确定型排队估计方法假设路段交通量的输入和输出都是事先确定的固定值，这种假设与真实交通运行状况存在一定差距，由于没有对交通流运行密度的动态模拟，往往导致对排队长度的低估。目前的研究[5-8]主要利用交通波理论模拟交通事件影响下路段交通流堵塞波向事件上游传播，同时疏散波向事件下游传播的过程，通过对交通密度变化过程的解析描述来估算车辆排队长度所代表的事件影响范围。上述研究主要考虑了高速公路交通流运行状态对交通事故影响范围的影响，但诱发二次事故的气象、路面条件等因素的影响因为缺乏采集手段而没有考虑，这会导致预警范围与实际需求存在偏差，影响预警效果。物联网技术能够实现对交通流状态、气象环境、路面结冰积水状况的实时感知和反馈，并依托现代交通流理论和分析技术，自动分析二次交通事故的预警范围。

1 交通拥堵传播短时预测技术

1.1 影响范围构成分析

高速公路的预警范围主要由三部分组成：（1）事故现场的保护区长度Lp；（2）事故上游进行可变情报板、警示标示提示时拥堵排队长度Lq；（3）车辆在当前气象能见度、路面状况下的停车视距Ls。

因此，进行高速公路交通事故预警的范围为：

LH=Lp+Lq+Ls （1）

其中，Lp的长度与初次交通事故的等级和事故现场形态密切相关，由事故现场处理人员根据事故严重程度以及相应的处置规章设置；Lq基于交通流采集设备的信息，通过仿真模型对路段交通运行状态进行模拟获得；Ls由综合考虑气象环境对驾驶员的有效视距以及道路的路面条件的影响分析获得。

1.2 基于物联网技术的停车视距检测方法

为了保证驾驶安全，要求行驶中的车辆在一定距离外就能清晰确认前方道路上的障碍物，该距离即停车视距Lq。根据恶劣天气对交通安全影响因素的分析，气候环境既影响了驾驶人的有效视距Sd，又影响了轮胎与路面的摩擦系数δ。同时，也需要考虑人的必要知觉反应时间td。

物联网环境下的气象环境监测设备为大气能见度数据的量测以及路面冰雪覆盖、积水情况影响下的路面摩擦系数量测提供了有效的解决手段。

当气象条件良好，通过物联网气象传感设备量测的能见度Hd≥Sd时，车辆能够保证在最高安全行驶状态下行驶。若能见度较差，Hd

（2）

其中，Hd为通过物联网能见度监测设备量测的大气能见度（米）；La为停车安全距离，包含车辆长度；ρ为路段的坡度；v为车辆当前行驶速度。

摩擦系数在很大程度上决定了车辆安全行驶的速度。通常，干燥清洁的沥青路面摩擦系数会稳定在0.50以上，车辆在这种路面上行驶能够进行安全的减速、刹车等驾驶行为；当路面有积水时，摩擦系数处于0.50至0.35之间，车辆制动距离变长，安全行驶车速降低，当摩擦系数低于0.35时，车辆制动性能显著降低，车辆必须低速行驶并注意保持车距，否则交通事故数量或将成倍增长；当路面积雪或结冰时，摩擦系数降至0.20 以下，路面已经不具备安全行驶的基本条件，甚至需要带队通行或者限行。

通常情况下，利用物联网路面状况监测设备对路面条件进行量测，可以感知路面是否干燥、积水、积雪、结冰，针对不同情况，对路面摩擦系数进行等级划分[9]，见表1。

表1 高速公路路面摩擦系数分摩擦系数范围 路面状况 交通运行影响

δ≥0.50 干燥 正常运行

0.35≤δ<0.50 积水 注意降速

0.20≤δ<0.35 积雪 限速通行

δ<0.20 结冰 限制通行

1.3基于仿真的交通事件拥堵传播

当区域路网发生交通事件时，事发地点的通行能力就会下降，当下降到低于交通需求时，交通流就会受到影响，产生偶发性交通拥挤。事件诱发的拥挤最初多发生在单个路段上，车辆在该路段上排队，排队逐渐向上游延伸，影响上游节点的车辆流入该路段而产生继发性交通拥挤。原发性交通拥挤持续时间较长，随着交通需求的增长，原发性交通拥挤所在路段上游节点和继发性交通拥挤所在路段上游节点的车流受阻，影响节点其他入口路段车流的流出而产生拥挤，若这种情况快速蔓延最后可能导致整个交通系统瘫痪，给交通出行者带来极大的不便和经济损失。交通影响扩散研究的目的就是要找到拥挤产生的源头，以便及时阻止拥挤的快速扩散，保证交通系统运行通畅。

通过物联网交通流监测设备对每个路段的交通状态进行实时监测，当某一路段发生交通事件时，及时将事件有关数据、区域交通需求数据等输入微观交通仿真平台，利用平台中根据路面状况、气象条件等因素标定的交通流仿真模型，对区域路网内车流量、行驶车速等交通流的运行状态进行再现，对短时期内交通流排队长度的时空发展趋势进行预测，确定事件未来短时期的影响扩散范围。

交通仿真以交通流模型为基础，可以通过模拟的方法表现不同密度的交通波在道路上的传播过程，并通过该手段分析交通事故影响范围的时空演化过程，为实施相应的交通管控措施和解决交通拥堵及相关问题提供依据，从而达到防患于未然，超前预控，控制事故蔓延的目的。当驾驶员发现前方状态异常后，通过如下跟驰模型减速：

（3）

其中，gn为前车车尾距离后车车头的距离，an-1、an分别为前后车的加（减）速度，vn-1、vn分别为前后车当前的行驶速度。

路面摩擦系数是车辆动力学仿真模型建立时一个非常重要的路面输入参数。当出现雨、雪、冰冻天气时，路面摩擦系数会显著下降。如果仍按照正常状况下的速度行驶， 实际停车视距就会增加， 设计停车视距可能小于实际停车视距， 形成安全隐患， 此时需要适当的降低车速，使行驶条件不好（湿滑路段及几何条件受限）的路段仍能满足实际停车视距。不同路面状况下路段j的安全行驶车速为：

（4）

在交通仿真模型中，车辆i在道路j的最高限速取决于车辆的性能及路面状况，即：

（5）

2 仿真算例

2.1 模型搭建

在对该方法进行在线应用之前，需要对示范高速公路的道路属性、立交节点、收费站、出入口、设计车速、速度限制等信息进行详细的设置。如图1～3所示。

图1 测试路段模型搭建

当需要进行模型应用时，输入数据库中测试路段各收费站和车检器的实时数据和历史数据，根据交通事件发生时间的不同，通过动态OD矩阵估计与预测方法，对当前时段的OD需求矩阵进行估计，并对未来短期内的OD需求矩阵进行预测。将估计与预测的OD需求矩阵导入仿真系统矩阵文件中。

图2 仿真参数设定（车辆特征）

图3 仿真参数设定（道路特征）

当模型应用场景在进行交通事件影响下的拥堵排队范围预测时，通过配置仿真系统的交通事件映射文件，在路网上设置Incident事件属性（包括事件位置、事件影响车道、事件发生时间、事件持续时间、事件断面通行速度等），使车辆在规定时间内模拟交通事件的发生和发展，并通过设置在路网中的虚拟车检器采集交通仿真的输出数据，从而分析其对道路的影响并预测拥堵排队长度，如图4所示。

图4 交通事件场景仿真

2.2 结果分析

估计算法较为准确的描述了当前动态OD情况，并通过网络加载仿真，分析各路段上的平均流量、平均速度、平均密度以及转弯流量等，可以看出结果较为恰当的给出了当时的网络状况。

针对示范路段事故黑点，随机选取四次交通事件，根据事件发生的时间和上游车检器交通流参数受影响的时间来推测事件影响范围，对基于交通仿真的交通状态预测方法的结果进行校核，见图5、表2。

图5 仿真系统仿真输出与车检器对比

表2 仿真系统预测结果与车检器对比误差分析（%）

5 min 10 min 15 min

速度平均误差 2.97 3.72 5.3

速度最大误差 9.65 11.15 14.44

流量平均误差 7.7 12.56 16.61

流量最大误差 15.83 20.81 22.93

由模型运算的流量、速度、拥堵排队长度等指标与实际交通运行情况的比较可以看出，用基于物联网条件下的交通仿真方法进行交通运行状态预测具有比较高的精度，见表3。特别是针对交通事件情况下，可以预测交通事件所引起的短时拥堵排队长度这种直观指标，为交通管理者做相应的应急处置和管控决策提供支撑。

表3 仿真系统拥堵排队15分钟预测结果

事件发生时刻 预测 实际 精度

6：35 750 m 930 m 80.6%

10：21 2 170 m 1 990 m 90.9%

15：36 1 860 m 1 600 m 83.8%

20：17 1 120 m 1 380 m 81.1%

3 结 语

本文针对高速公路交通事件的态势预测进行研究，提出了一种物联网环境下基于交通仿真的事件拥堵排队长度预测方法，该方法借助物联网技术广泛的感知手段，在充分感知路网的交通、气象、构造物等状态条件下，用于实时、快速预测复杂路网环境下交通事件发生后未来短时间内的交通拥堵发展态势。通过算例分析可以看出，该方法能够预测事件发生后未来短期内的交通运行发展态势，尤其是事件引起的拥堵排队长度的变化情况，为高速公路管理人员针对应急处置需求，了解事件发展态势，为合理的管控方案提供科学量化的决策支持，能够在一定程度上提升运营管理效率。

参考文献

[1] Michalopoulos P G， Pishaody V B. Deriation of delays based on improved macroscopic traffic models[J].Transportation research part B，1981（15）：299-317.

[2] Morales M J. Analytical procedures for estimating freeway traffic congestion[J].Public Road，1986，50（2）：55-61.

[3] Newell G F. A simplified theory of kinematic waves in highway traffic， Part II： Queueing at freeway bottlenecks[J]. Transportation research part B， 1993，27（4）：289-303.

[4] Lawson T W， Lovell D J，Daganzo C F，et al. Using the input-output diagram to determine the spatial and temporal extents of a queue upstream of a bottleneck[J]. Transportation Research Record 1572， TRB， National Research Council， Washington， D. C.，1997：140-147.

[5] Sheu J B， Chou Y H. Stochastic modeling and real-time prediction of incident effects on surface street traffic congestion[J]. Applied Mathematical Modeling， 2004，28（5）：445-468.

[6] Chen， Q.，W. Li. Influence range of emergency under special events based on CTM [J].Journal of Southeast University， 2009，25（2）： 257-261.

[7]郭冠英.用集散波计算道路交通阻塞长度[J].上海公路，1997（2）：39-41.

[8]臧华，彭国雄.高速道路异常状态下车辆排队长度的预测模型[J].交通与计算机，2003，21（3）：10-12.

[9]李长城，刘小明，荣建.路面湿滑指数开发及其在交通运行管理中的应用[J].公路交通科技，2010，27（11）：132-136.