基于多源信息的城市快速路交通走廊协同控制:综述与展望*

2020-12-29杨晓光王一喆江泽浩

交通信息与安全 2020年4期

章程杨晓光▲ 王一喆江泽浩

（1. 同济大学道路与交通工程教育部重点实验室上海200092；2. 华中科技大学土木与水利工程学院武汉430074）

0 引言

城市快速路服务于城市道路交通，是城市交通的大动脉，其设置初衷是提供长距离、大运量的快速移动[1]。然而，现实运行中城市快速路经常出现交通流入过量、通行能力骤降、行驶速度不稳定等问题[2]。在城市区域尤其是中心城区的高密度路网下，城市快速路的上下匝道间距较短，很多情况下不足1 km[3]。频繁的车辆汇入、驶出以及换道加剧了交通拥堵，上匝道与下匝道之间的区段经常存在严重交织[4]。

同时，城市快速路的上下匝道经常紧邻地面交叉口设置间距小于100 m，造成“进不去”和“出不来”的现象[5]，见图1。所谓“进不去”是指快速路主线的拥堵造成车辆排队蔓延至上游，车辆无法顺利驶入快速路。这种排队现象甚至会进一步蔓延至地面主干路乃至衔接交叉口。所谓“出不来”是由于下匝道衔接交叉口的疏散能力有限，造成车辆在下匝道排队，这种排队甚至会蔓延至快速路主线，进而占据快速路靠近路侧的车道。

由此可见，城市快速路与地面路网关联极强，二者形成天然的交通走廊，在面临相关的拥堵问题时必须采取协同控制。对此，相关控制理论及方法被提出。本文对城市快速路交通走廊控制相关研究进行了综述，同时关注到多源信息的发展给控制方法带来的影响和演变，对未来研究发展方向提出展望。

1 城市快速路交通走廊控制的内涵与外延

城市快速路交通走廊的范围包括城市快速路及其地面道路，二者之间存在高度的时空关联。一方面，走廊内的局部拥堵或由周边的交通问题导致，另一方面，局部拥堵若得不到及时缓解，或迅速蔓延至周边路网。因此，需将交通走廊作为整体进行协同控制。在很多研究中[6-9]，1个典型的城市快速路交通走廊包括1 条快速路、1 条与之平行的地面道路、二者之间的上下匝道以及地面道路所涉及的交叉口，见图1。

图1 城市快速路交通走廊典型场景Fig. 1 A typical urban expressway-arterial corridor

城市快速路交通走廊控制是通过对交通流或是对车辆的控制，缓解交通阻塞，保障城市快速路及地面道路资源高效利用，提升整个交通走廊的运行水平。常见的控制手段不仅包括匝道控制等通过信号灯实现的狭义控制，还包括可变限速、路径诱导、拥堵收费等广义控制。

传统的控制方法在集计层面对交通流进行控制，控制策略较粗放，且多关注局部拥堵问题，而城市快速路交通走廊道路资源有限，约束条件众多，导致解空间有限甚至不存在。虽然一些研究对协同控制、精准控制等进行探索，但由于当时信息技术的局限，难以在现实交通环境中取得理想的控制效果。

多源信息的发展一方面使控制理论的实现成为可能，另一方面为控制理论的拓展提供了新的启发。随着信息环境的多源化和互联化，城市快速路交通走廊内的系统要素直接建立关联，协同控制得以实现。这种协同体现在匝道与匝道之间、匝道与主线之间、匝道与衔接交叉口之间、快速路与地面道路之间、车辆与车辆之间、车辆与道路设施之间等[8，10]。

2 控制方法发展历程

城市快速路交通走廊控制经历了“单点控制—协调控制—走廊协同控制—车路协同控制”这几个阶段。表1概括了不同阶段控制方法的主要特征。随着多源信息的日渐丰富，数据源采集及控制范围逐渐由城市快速路局部瓶颈，扩大至包含地面道路的交通走廊整体，数据采集对象及控制对象从集计交通流转变为个体车辆，控制的协同性、实时性、精准性不断增强。

表1 城市快速路交通走廊控制方法的发展历程及主要特征Tab. 1 Development and main characteristics of urban expressway-arterial corridor control methods

2.1 单点控制

交通流入的不适当是城市快速路拥堵的主要原因之一，匝道控制作为控制交通流入的有效手段，在理论和实践方面最早受到关注。早期的匝道控制只研究单个上匝道的交通流入，其单点控制在局部范围内缓解了城市快速路拥堵。匝道控制的理论可追溯至20世纪60年代，由美国学者Wattleworth[11]和日本学者佐佐木纲,以及明神证[12]相继提出，其控制方法针对高峰时段的常发性拥堵，考虑流入交通对下游主线区段的影响，根据历史需求分布特征离线生成定时方案。

随着城市快速路断面检测器布设，不少感应控制方法被提出，以响应动态变化的交通流特征。需求容量控制（DC 控制）根据匝道上游交通量以及匝道下游通行能力之差，计算下一时刻的匝道放行率[13]，但控制方法对系统扰动敏感，容易造成城市快速路系统震颤以及不稳定[14]。Papageorgiou 等[15]提出的ALINEA 控制具有更好的鲁棒性，它根据控制效果对前一时刻的放行率进行调整，对于缓解城市快速路上匝道合流区的交通拥堵效果显著，在许多城市快速路及高速公路系统得到应用[16]，其理论也得到了诸多拓展[17-18]。

2.2 协调控制

城市快速路交通协调控制在单点控制的基础上，还考虑了多个道路区段及匝道之间的协调，具体体现在相距较近的多个匝道之间的协调以及主线交通流的协调。常见的控制手段包括多匝道协调控制、可变限速、换道控制,以及三者之间的协调优化。

关于多匝道之间的协调，早期存在1种“匝道逐次关闭”的控制策略，即当主线交通拥堵蔓延至某个断面，关闭最邻近的匝道，若拥堵继续蔓延至上游，逐次关闭上游匝道。为了提高城市快速路控制对交通拥堵的响应速度，3 类多匝道协调控制方法被提出，分别为合作控制、瓶颈控制以及最优控制。合作控制如HELPER[19]以及HERO[20]等，当某一匝道附近陷入拥堵，其上游匝道的放行率相应降低；瓶颈控制包括BOTTLENECK[21]、ZONE[22]和SWARM[23]等，首先确定主线瓶颈，然后确定该瓶颈断面应减少的交通量，上游匝道按照预设权重减少放行率[24]；最优控制对快速路系统进行建模并转化为优化问题，建立目标函数，在约束条件下寻求最优解[11-12，25]。

可变限速是对行驶车速进行协调，以应对固定及动态瓶颈对主线交通流的负面影响[26-27]。其中，固定瓶颈包括车道减少、道路施工、交通事故占用车道等[28]，而动态瓶颈指的是交通流接近饱和状态时，个别车辆扰动所造成交通波现象[29]。通过可变限速，瓶颈上游交通流入率降低，瓶颈下游交通流入率提高，不同区段的速度差异减小，从而瓶颈路段通行能力得以提升。Papageorgiou 等[30]通过实测数据证明了可变限速有助于行驶速度平顺、提高道路通行能力。Hegyi 等[31]提出的SPECIALIST 控制，被认为是具有代表性的可变限速控制。该方法基于交通波理论判断交通波的演化趋势，以抑制交通波蔓延为控制目标，实现主线交通流平稳运行，其有效性在实际应用中得到证实[32]。Carlson等[33]将可变限速与匝道控制结合，整合优化城市快速路运行效率。

此外，车辆换道被认为是通行能力降低的主要原因之一[34]。换道控制通过对换道行为进行协调及适当的限制，减少对主线交通流运行的影响。其中，车道分配是常见的措施，它将车道划分为可换道车道和不可换道车道，以限制不适当的换道行为。在此基础上，Wang 等[35]提出了动态车道分配，提高了车道利用率。Zhao等[36]将车道分配与入口匝道控制整合优化，缓解主线交织区的拥堵。Zhang等[37]则是整合了匝道控制、可变限速以及换道控制三者，对交通流入、主线纵向行驶速度以及横向换道行为进行协调控制[38]。

2.3 走廊协同控制

走廊协同控制不仅考虑了城市快速路的运行，还考虑了与地面道路之间的高度关联。在高峰时段，由于信息不对称，经常导致城市快速路与地面道路一者被过度利用而另一者仍有容量[9]。为平衡二者的交通需求，路径诱导通过信息发布，将交通量从饱和路段转移至非饱和路段。然而，传统交通流环境下，路径诱导方案的遵从率无法保证[39]，Jou和Chen[40]对驾驶员路径选择行为进行建模分析，Xu等[41]在预测遵从率的基础上，生成路径诱导方案，以提高诱导方案的有效性。为了调控城市快速路及地面道路的交通需求，路径诱导经常与匝道控制协同优化[42-43]，除此之外，还可通过设置HOV 车道[44]、动态拥堵收费策略[45]等方式调节。

城市快速路与地面道路的高度关联还体现在拥堵的迅速蔓延以及相互影响，因此需对走廊范围内的交通采取协同控制。杨晓光等[25]首次在20 世纪90年代同时考虑了城市快速路上匝道以及下匝道的排队约束。杨晓芳[5]针对城市快速路交通“进不去” 和“出不来”的现象，分别提出了上匝道与衔接交叉口协同控制、以及下匝道与衔接交叉口协同控制的方法，提高了关键节点的通行能力。保丽霞和杨晓光[7]将协同控制的范围进一步拓展到匝道衔接的3个交叉口。Liu 等[6]针对城市快速路突发事件的场景，引导部分车辆绕行至地面路网，同时对地面绕行路径所涉及的交叉口提出了协同控制方法。Zhao 等[46]针对下匝道紧邻地面交叉口的问题，提出了车道功能分配与信号控制协同优化方法。Wang等[47]对地面主干路多个连续路口提出了协同控制，分别从周期、干线协调相位差和绿信比3 个交通信号控制关键参数，构筑一整套基于强化学习的分层递阶的交通信号控制算法。

2.4 车路协同控制

随着车路联网技术的发展，越来越多的研究开始关注智能网联车辆以及自动驾驶车辆[10，48-49]。智能网联汽车研究方面，最初主要围绕碰撞预警[50]、换道辅助[51]等面向安全的行车优化展开应用性研究。随着主动安全概念的提出[52]及交通信号控制问题的引入，考虑信号灯状态的车速引导[53]、生态驾驶[54]等面向效率和节能减排的行车优化策略等被广泛研究。而自动驾驶车辆方面，主要面向常规车辆和自动驾驶车辆混合的信息采集与预测问题[55]，以及基于滚动优化的局部最优优化方法[56]。

智能网联车辆和自动驾驶车辆的出现与混入，使得原先由人类驾驶车辆构成的交通流发生了转变。相应地，城市快速路交通走廊控制发生了根本性地改变。一方面，车路联网环境可以获取更广时空维度、更为精细和全面的交通数据。另一方面，控制对象由宏观交通流精确到车辆，控制精准性大大提升，且遵从度更高，更有利于交通流有序。面向这一新型交通流模式的控制优化理论被提出，过去面向传统交通流的可变限速、换道控制、路径诱导等措施，正在转变为面向个体车辆的车速引导、换道辅助、路径建议[48-49]。而对于自动驾驶车辆，由于车辆控制权的获得，可进一步实现车辆轨迹与路径的规划及控制，在提供个体出行服务的同时实现交通流调控。研究表明，考虑智能网联车辆或自动驾驶车辆混入后的交通控制，相比传统交通流控制能有效地提升城市快速路和地面道路及交叉口的通行效率[55，57]。

3 控制模型的分类

城市快速路交通走廊控制实质上是一个优化问题，常见的建模方法是将其转换为线性规划控制或非线性规划控制。线性规划控制由于其明快性、可靠性、便于求解、易于实用等优点，早在20世纪70年代，即在日本阪神高速道路得到应用[58]。非线性规划控制更精准地刻画了交通状态参数中的关系及演变，但是求解难度较大，且求解方法不适用于所有场景[59]。依据控制目标及约束可对控制模型进行分类，见表2。

表2 控制目标及约束Tab. 2 Objectives and constraints of control models

控制目标分为系统最优和用户最优。系统最优考虑的是城市快速路交通走廊整体运行水平。早期通常将目标函数设为流入城市快速路车辆数最大化[11]，但在高密度城市路网中，这样的控制方案可能导致道路资源向短途出行及小汽车出行倾斜，这引起了关于城市快速路服务对象的反思。为了优先满足长距离出行，有研究将目标函数设为城市快速路车公里最大化[25]。另外，也有不少研究考虑走廊整体延误最小[8，41]、走廊整体通过量最大[6]等优化目标。用户最优是为了满足紧急救援车辆（如消防车、救护车）、公交优先等特殊通行需求，考虑特殊车辆实时状态的信号优先控制系统已得到基本实现[60]。

控制约束方面，常见的约束条件包括城市快速路以及地面道路各区间的通行能力约束，即交通流量小于通行能力。由于流量与速度呈非线性关系，同一流量可分别对应拥堵和畅通2 种交通状态，所以各区间的行驶速度约束应纳入考虑。此外，由于上下匝道与地面交叉口设置距离较近所形成的复杂交通环境，上下匝道排队长度约束以及衔接交叉口的通行能力约束也受到了关注[25]。

控制问题的建模多基于交通流模型展开，表3按照空间尺度将模型划分为宏观、中观以及微观3类，并归纳了各自的主要特点。宏观模型将交通流视为流体，在集计层面对交通流进行建模，将交通流视为流体，根据模型变量的特征又可分为连续模型[61-62]和离散模型[63-64]；微观模型在个体层面对车辆跟驰及换道行为进行建模，体现车辆之间以及车辆与设施之间的交互作用[65-66]；中观模型作为宏观与微观模型的连接，通过概率分布特征在集计层面体现个体差异[67-69]。

表3 常见的控制模型及分类Tab. 3 Common control models and their classification

传统的交通数据主要为道路断面采集的集计数据，因此，控制模型多基于集计交通流的状态参数建立。这些模型在一定程度上反映了交通流演变特征。但是，由于交通系统存在高度复杂性、系统要素众多，模型难以精准还原。通过模型推导获得的交通状态参数存在偏差，而这一偏差影响了控制效果，所以一些研究在有限的信息环境下探讨模型参数的标定方法[70]。然而对于一些交通现象，交通流模型仍然难以精准还原，且求解复杂，难以大范围应用。

总的来说，过去由于多源信息的缺乏，难以实现全覆盖、实时的城市快速路交通走廊运行监测，状态估计通过滚动时间窗及模型推导得到，控制输入由历史数据或经验数据代替，相关理论多停留在集计层面的交通流控制，难以实现理想的协同控制以及精准控制。

4 多源信息的发展

随着信息传输、存储、交互等技术的发展，全覆盖、实时的交通监测成为可能，相比模型推导的结果更精准，因此，控制理论及建模可一定程度上摆脱原先的模型假设。另一方面，新涌现的多源信息又为城市快速路交通走廊协同控制提供新的启发，为相关理论的进一步拓展提供可能。

当前多源信息在实时性、交互性、处理能力、精度、信息量等方面具有了显著提升，其发展经历了以下3个阶段。

1）第一阶段的信息采集主要依靠固定检测器以及少量的浮动车，由于信息处理及传输的限制，无法实现实时监测，且不同信息源、数据源互相独立。

2）第二阶段以多源信息为特征，通过数据中心汇聚多源信息，打破了数据孤岛的困境，与此同时，数据存储能力大大提高，数据采集精度得到提升，时间颗粒度达到秒级。然而，多源信息的融合成为难点，另外，数据中心的“云端”模式带来了传输时延、可靠性、安全性等方面的问题。

3）第三阶段以边缘计算为特征，边缘计算具有低时延、高带宽、高可靠、海量连接、异构汇聚和隐私保护等特点，依托边缘计算，交通信息处理变“云端” 为“车端”，形成更短的闭环，实现物理世界的实时监测。5G 强大的通信能力将进一步缩短信息传输时延，降低计算成本，实现全覆盖、实时的交通监测，保障车辆更安全、更高效的运行。

当前多源信息的采集方法主要包括以下4 种（见表4）。

1）固定检测器。对于道路断面每隔一段时间（如5 min）统计1 次交通流参数，如交通流量、平均速度、占有率等。

2）移动检测器。安装于车辆上以采集浮动车数据，通常每30 s返回1次车辆位置、车辆速度等行驶状态，其信息采集不局限于某一道路断面，但浮动车的样本量往往远小于总体交通量。

3）车辆自动识别。通过路侧设备与车辆之间的通信（如RFID）或是通过车辆特征匹配（如车牌识别），为车辆分配唯一标识符，从而对不同位置的同一车辆进行匹配，获得OD、行程时间等信息。

4）车联网V2X 技术。通过车路通信及车车通信，实时获取车辆轨迹，包括瞬时速度、加减速、换道等连续车辆行驶状态。但相关技术目前在大多数城市通路尚未得到普遍应用。

表4 当前多源信息的采集方法Tab. 4 Current multi-source information collection

除此之外，交警执勤执法、网络舆情、无人机拍摄等产生的非结构化数据也为多源信息提供了补充。

5 研究发展方向展望

在过去几十年间，城市快速路交通走廊控制相关理论及实践得到了长足的发展。控制的协同性不断增强，控制范围从局部瓶颈，扩大到城市快速路的多个区段及匝道，再进一步拓展到相邻的地面道路及交叉口。面对日益严峻的交通拥堵问题，未来不仅需要采集拥堵区域的信息，还需要获取周边路网的交通信息，以及导致拥堵的车辆来源和去向，从更大范围调控交通需求，通过快速路主线、匝道出入口、地面主干路、地面交叉口以及车辆之间的高度协同，实现交通走廊道路资源的充分利用。

另一方面，随着多源信息的发展，实时监测、信息交互以及运算存储能力增强，信息采集对象逐渐从集计交通流精确至个体车辆，控制对象也发生了相应的转变。信息采集精度与采集频率的提高带来了控制精准性与实时性的提升，这些技术发展为智能网联车辆以及自动驾驶车辆的普及提供可能。

未来研究发展方向及需要解决的问题归纳为以下4个方面。

1）自动驾驶车辆环境下的控制问题。随着车辆感知及交互技术的发展，自动驾驶车辆的轨迹优化成为可能，可对每一辆车的行驶速度、换道行为、路径选择进行规划与控制[71-72]。在获得车辆控制权后，原先的诱导或建议方案可以被完全遵从，因此不适当的加减速、换道或是只考虑利己的路径选择可被避免[73]。面向自动驾驶车辆环境的控制问题仍是后续研究的重点，提升控制模型求解效率以支撑大范围的实时计算是仍待解决的问题。

2）多模式车辆环境下的控制问题。智能网联及自动驾驶车辆的普及是一个逐步发展的过程，可以预见未来数十年之内交通流将由人类驾驶车辆、智能网联车辆、自动驾驶车辆混合组成。针对这3类车辆驾驶行为的不同，一些研究分别对它们提出了控制方案[74]。智能网联及自动驾驶车辆的混入将对传统交通流产生影响，可通过对部分车辆的控制，调节交通流以及交通网络需求[75]。考虑到智能网联及自动驾驶车辆发展初期的低渗透率，如何结合传统控制措施实现有效的交通走廊控制，也是值得进一步关注的问题。

3）交通管理控制与出行服务一体化。智能网联车辆以及自动驾驶车辆的出现使得传统对交通流的控制转变为对车辆的控制。与此同时，人们对出行服务提出更高要求，交通管理控制即服务的概念正在受到关注[76-77]。未来交通管理控制可通过信息服务以及积分奖励等方式，从出发时间、行驶路径、交通方式选择等方面调控交通需求[78]，同时为出行者提供“点到点”的一站式出行方案。如何实现用户最优和系统最优的最佳组合是需要解决的问题。

4）相关技术及领域的交叉应用。人工智能、5G 通信、移动互联网、大数据等技术发展将驱动控制理论以及实践的创新[79]。交通控制手段结合逐渐完善的社会信用体系[80]，或成为交通治理的新模式，例如拥堵收费结合预约出行以及奖惩机制，可更有效平衡交通供需[81]。相关技术的发展也为多源信息提供了补充，例如网络舆情可使交通事件检测更及时[82]，手机地图软件收到的导航请求将有助于交通需求预测以及主动交通控制[83]。这些问题在未来需要得到深入探索与研究。