自动驾驶对交通运输系统规划的影响综述

胡笳，罗书源，赖金涛，徐恬，杨晓光*

(1.同济大学，道路与交通工程教育部重点实验室，上海201804；2.霹图卫软件科技有限公司，交通规划与技术部，卡尔斯鲁厄76131,德国)

0 引言

自动驾驶技术的发展已上升为国家战略规划的重要内容。2020年2月国家发展改革委员会等11 个部门联合印发《智能汽车创新发展战略》，提出，到2025年中国标准智能汽车的技术创新、产业生态、基础设施、法规标准、产品监管和网络安全体系基本形成，并实现自动驾驶汽车(Autonomous Vehicles，AV)规模化生产。预计到2050年，AV 在中国将达到90%的渗透率[1]。由此可见，自动驾驶技术的大规模落地应用势在必行。

自动驾驶技术将引发交通运输系统变革，因为自动驾驶技术使交通运输系统的供给端和需求端均发生显著变化。在供给端，自动驾驶技术的发展和应用将改变交通运输系统的供给特征，例如，在完全自动驾驶的条件下，交通供给能力最大可提高50%以上[2]；在需求端，自动驾驶技术会显著降低出行者的出行成本，提高出行需求量，并改变出行需求时空分布特征。

自动驾驶技术带来的深刻变革需要对交通运输系统进行再认知，再改造。交通运输系统规划(即交通规划)，作为认知及改造交通运输系统的重要工具，其理念方法及技术体系均需要重新构建。随着自动驾驶技术的日益成熟，对城市交通机动性、可达性将产生深刻影响，进而使得道路基础设施、土地利用、城市空间格局等发生巨大变革，必将催生出新的交通规划理念、模型与方法。例如，传统的交通规划理念和方法已不能满足自动驾驶环境下新交通方式、新出行结构、新供需特征的需求预测，以四步法为代表的经典需求预测方法框架将向模型组合化、出行行为一体化分析的方向发展。因此，需在交通规划层面总结归纳自动驾驶技术带来的影响及挑战，并思考应对这些挑战的对策。

本文研究自动驾驶技术对交通运输系统规划的影响，梳理国内外相关文献，并参照经典交通规划的理论及技术分析架构，总结自动驾驶环境下的交通数据采集与管理，土地利用与选址，交通供需，交通需求预测，城市交通网络布局设计，发展趋势和重点、难点。其中，交通数据采集与管理为交通规划提供基础数据来源，土地利用与选址为交通规划过程中的需求分析提供核心依据，交通供需、交通需求预测是交通规划中的关键分析要素和重要分析手段，城市交通网络布局设计是交通规划的重点内容。本文总结自动驾驶技术对以上交通规划理论与方法的影响、变革及应对措施，为未来城市交通规划中城市空间布局与土地利用、交通网络布局架构、道路设计等提供参考。

1 交通数据采集与管理

1.1 数据采集

1.1.1 采集手段

自动驾驶环境下，交通数据采集手段将由人工采集、定点采集为主的手段转变为自动化采集、可移动采集为主的手段。传统交通数据采集可以通过人工调查完成，常见的途径有问卷调查、交通流量统计调查等；也可以通过定点检测器采集完成，例如，交通卡口采集、定点线圈采集等。自动驾驶环境下，利用车载和路端传感器的协同自动化采集手段，完成全时空数据采集，可以采集到高频率、高鲜度、高精度的实时交通数据。

1.1.2 数据类别与运用

交通数据呈现大容量、多样性、细粒度、高精度等特征。自动驾驶环境下可获取个体车辆实时位姿信息以及出行信息[3-4]，涵盖车辆位置、速度、加速度、航向角、起讫点、路径选择、出行目的等；同时可获取外部环境信息，包括由高精度地图获取的静态道路信息以及实时路况信息。这些更为细粒度、高传输速度和高准确度的数据，有助于提高交通状态估计精度，能够服务于交通规划中的模型校正和系统评估[5-7]。

1.2 数据管理

自动驾驶环境下采集的数据通过分布式云计算框架存储、分析和处理[8]，数据的储存、分类、聚类、聚合与传统交通规划数据的处理有所区别。

1.2.1 数据存储

数据存储方法从集中式存储向分布式存储和冗余存储转变。区别于传统方式以各个站点或部门为中心的集中式数据存储模式，自动驾驶环境下，通过构建基于Hadoop 的分布式文件系统(Hadoop Distributed File System,HDFS)实现交通数据云存储，解决交通海量数据存储难题，降低实施分布式文件系统的成本[9-10]。

1.2.2 数据聚合

自动驾驶环境下的交通数据汇总、归纳和聚合将由散乱的、无目的的聚合形式向指定用途目的聚合形式转变。传统数据以全量的形式被收集和储存，难以直接获得目标用途的有效交通信息，需要经过复杂繁琐的数据预处理工作，增加了交通规划数据获取的时间、人力和经济成本。自动驾驶环境下，以目标为驱动的数据聚合很大程度上降低了成本[3]。例如，对自动驾驶数据进行行程级和空间级数据聚合，可推测车辆行驶轨迹和出行需求时空分布，作为交通规划需求预测的基础。

2 土地利用与区位选址

自动驾驶技术的应用和发展将影响未来的土地利用模式，进而影响停车需求和居民生活及生产区域的选址。即停车需求将减小、停车空间布局趋于紧凑；居民住宅选址会因不同类型AV 使用比例的变化而变化；自动驾驶技术的应用和发展对企业选址的影响间接加快了城市的去工业化趋势。

2.1 自动驾驶对土地利用的影响

自动驾驶对土地利用的影响主要表现为：空间可达性提高和区域扩张。AV 作为新的交通方式，具备便捷、快速、安全的特点，提高了出行者对出行时间和出行距离的接受度，以及各区域之间的连通性，从而提高空间可达性[11-12]，使得城市扩张、城市用地范围更广[13]。

2.2 停车需求及规划

停车设施规划是交通基础设施规划的重点内容，自动驾驶对停车设施的影响主要体现在停车空间需求及停车设施布局与规划方面[1]。

2.2.1 停车需求

影响停车空间总需求的因素主要有车辆保有量和单位车辆占用的停车空间。在自动驾驶环境下，这两个因素将受到较大影响。多数研究表明，自动驾驶将导致停车总需求减少。一方面，自动驾驶环境下车辆保有总量减少，从而降低停车总需求[14-17]。研究发现，私有自动驾驶汽车(Private Autonomous Vehicle, PAV)代替人类驾驶汽车(Human-driven Vehicle,HV)后，车辆保有量将下降9.5%；当AV 渗透率仅为5%时，仍将在目前的基础上减少4.5%的停车需求[18]。另一方面，自动驾驶环境下通过改变私人及共享交通方式分担比例影响停车需求[19-22]。在满足当前出行需求的基础上，全部使用共享自动驾驶汽车(Shared Autonomous Vehicle,SAV)可减少91%的私家车出行[14,23]，减少停车需求。虽然，停车需求的减少幅度受自动驾驶车队规模、乘客等待时间、拼车意愿、空车巡航策略等因素影响[22,24]，但是，SAV在减少停车需求方面的效益仍非常可观，即使在SAV 渗透率只有2%，其中50%的SAV提供合乘服务的情况下，所需停车位数量也可减少90%以上。

2.2.2 停车设施布局与规划

自动驾驶环境下，停车设施布局规划将向着集约化布局方向发展，最大程度提高停车场空间利用率。由于AV可实现自主泊车、代客泊车等功能，因此可减少停车场设施中不必要的预留空间，例如，人行空间，开车门以及乘客、驾驶员上下车的空间等。此外，利用AV的协同特性，例如，车与车之间、车辆与基础设施间的通信，根据停车需求时间分布动态优化停车设施布局，可以提升停车容量[25,27-30]。研究表明，与传统停车设施相比，AV停车设施的容量平均将提高87%。奥迪的“Urban Futures Initiative”计划[27]量化了AV停车设施对土地利用的影响，该计划预测到2030年，面向AV 的停车设施将节约60%的土地。

2.3 家庭及企业选址

自动驾驶将影响居民住宅及企业的选址。一方面，自动驾驶环境下城市和郊区人口数量的变化将影响居民住宅选址；另一方面，自动驾驶环境下各区域内不同产业工作岗位密度的变化将影响企业选址。

2.3.1 居民住宅选址

不同类型的AV 使用占比(或PAV 和SAV 使用的相对占比)对城市居民住宅选址有不同的影响。PAV 使用比例较高的情况下，城市呈现扩张态势，表现为城市人口减少，郊区及农村地区人口增加[13,31]；相反，在SAV 使用比例较高的情况下，城市更集约化、城市中心人口将更密集[11,15,32]。

2.3.2 企业选址

自动驾驶对企业选址的影响间接加快了城市的去工业化趋势。自动驾驶环境下企业选址的具体变化表现为：第二产业企业选址更倾向于郊区，第三产业企业选址更倾向于城区；SAV 通过改变城市商业用地及工业用地的可达性加速城市去工业化进程[22]。此外，由于自动驾驶技术提高了通勤效率和舒适性，进而提高了通勤者对通勤时间和距离的容忍度，因此，考虑企业用地成本，第二产业企业选址将更倾向于城市郊区或城市次中心[33]。

3 交通供需

自动驾驶技术的发展和应用将影响交通供给和交通需求，从而改变交通供给特征和出行需求时空分布特征。即自动驾驶环境下，道路供给能力和系统可靠性均有一定程度提高，出行需求分布将呈现空间分散、时间均匀的特点。

3.1 交通供给

3.1.1 供给特征

自动驾驶技术的发展和应用将提高交通供给能力和交通系统可靠性。

(1)自动驾驶技术的应用将对交通供给能力产生较大影响。主要表现为：自动驾驶将很大程度上提高道路通行能力。自动驾驶环境下，道路通行能力将受到交通流特性变化，交通方式构成变化，AV渗透率的变化，道路网络规划和拓扑结构变化等多方面的影响。

①AV的应用会改变交通流特性，进而提高道路通行能力。AV 的决策反应时间比人类短、控制精准度比人类高，可缩小车头时距，提高平均自由流速度和平均拥堵速度，从而提高道路通行能力[34,35]。例如，FRIEDRICH 等[34]认为与HV 相比，AV 的车头时距减小75%，车头间距减小62%。CHILDRESS等[36]发现自动驾驶环境下道路通行能力将增加30%。HUNGNESS 等[37]研究表明，在自动驾驶场景下，盖恩斯维尔的拥堵速度提高了3.2% ，麦迪逊的拥堵速度提高了1.1% 。NOWAKOWSKI等[38]通过测试得到AV乘客能够接受的最短车头间距，发现该车头间距小于HV车头间距，可显著提高道路通行能力。

②交通方式构成的改变会影响道路通行能力。TIENTRAKOOL等[39]发现在所有AV均为PAV且可车－车通信时，道路通行能力将提升273%；当PAV 和SAV 共存时，通行能力最大可提升400%[40]。SHLADOVER 等[41]研究发现，使用具有协同自适应巡航控制(CACC)功能的AV 可提高道路通行能力，当使用比例从0增加到100%时，道路通行能力从2000 veh·h-1增加到4000 veh·h-1。

③AV渗透率的变化会影响道路通行能力。利用交通流基本图可解释AV渗透率对道路通行能力的影响[42]。一方面，由于车头间距的减小，临界密度点以及整个流量－密度和流量－速度曲线会右移，体现了临界通行能力的增加；另一方面，由于AV 的不稳定因素比HV 少，因此，基本图中临界密度点右侧的不稳定区域出现概率更低，不容易出现通行能力下降的现象[43]。总体而言，随着AV 渗透率升高，道路通行能力将会增加。KOCKELMAN等[44]研究发现，AV 渗透率从10%增加到90%，道路通行能力将提高10 倍以上。AMBüHL 等[45]发现，AV渗透率为100%的条件下，道路通行能力将提高3倍。

④道路网络拓扑结构变化会影响路网通行能力。

自动驾驶环境下，由于需要规划AV 专用道和专用路等空间，网络拓扑结构会发生变化，而拓扑结构的变化会影响路网通行能力。已有学者对此展开研究。例如，CONG 等[46]应用迭代优化框架，得到自动驾驶条件下的网络拓扑设计方案，提高了路网通行能力。SUN 等[47]通过网络拓扑参数与网络容量的关系研究表明，自动驾驶将弱化道路等级，从而改变拓扑参数，使网络容量显著增加。

(2)自动驾驶技术通过提高出行时间可靠性和安全性，提高交通系统的可靠性。

时间可靠性方面，可通过对AV进行准确、实时的速度和时间预测，减小延误，提高出行的时间可靠性[41]。TETTAMANTI等[43]研究发现，自动驾驶公交可稳定保持最佳车头时距，避免公交车聚串，提高公交时刻表可靠性。安全性方面，AV 可通过精准的车辆控制，提高驾驶的平顺性和安全性，大幅降低事故率[48-50]。

3.1.2 交通供给变化带来的影响

交通供给特征尤其是供给能力的变化将直接影响出行时间、出行费用、出行时间效益(Value of Travel Time,VOTT)等出行特征：

(1) 出行时间减少[32]。STEPHENS[51]预测PAV的出行时间成本下限将降低35%～45%，上限降低的幅度较小；对于具有合乘服务的AV，时间成本的上限、下限将分别降低45%和75%。

(2) 出行成本降低。BURNS 等[52]研究表明，SAV 的使用能减少高达10 倍的出行费用。FAGNANT等[53]研究发现，相比于传统出租车出行，基于SAV 的出行费用将降低50% ～65%[54]。WALKER[55]估计，在SAV的运营成本基础上加30%的利润率，仍比传统出租车费用减少约50%。BöSCH等[2]研究认为，相比于HV，AV的运营成本大幅降低，尤其SAV 的运营成本将进一步降低。STEPHENS等[51]发现，具有合乘服务的SAV比不具有合乘服务的SAV 每乘客英里成本约降50%～80%。HAZAN等[56]估计，在欧洲，合乘SAV可以以每乘客英里0.09欧元的成本运营，低于欧洲现有的所有机动交通方式。若AV为电动车，CHEN等[21]估计电动SAV每英里的成本比使用汽油的SAV更低。

(3) VOTT(Value of Travel Time) 降 低[57]。THAKUR P. 等[11]认为AV 渗透率达到100%时，VOTT 将减少50%。CHILDRESS 等[36]研究发现，AV 将使高收入家庭出行的VOTT 降低35%。ZHONG等[58]研究AV对通勤者VOTT的影响，结果表明，VOTT 同时受到出行方式和空间位置的影响，乘坐PAV 的郊区、城市和农村司机的通勤VOTT分别降低了32%、24%和18%，而乘坐SAV则分别降低了14%、13%和8%。

3.2 出行需求时空特征

3.2.1 出行需求空间分布

从空间分布特征来讲，由于自动驾驶技术降低了VOTT 及出行成本，出行距离可能增加[59]，同时居民活动空间和范围增加，使得分配到路网上的交通量增加[60]。

3.2.2 出行需求时间分布

自动驾驶出行将会增加出行时间，并且使得出行时间在全天各时段的分布趋于均匀。由于自动驾驶出行使VOTT降低，出行者对于长时间或长距离出行的接受度提高[11]，故自动驾驶出行可能使出行时间增加。同时，自动驾驶技术可助力个体出行需求信息(OD、路径、方式等)的实时获取，从而提高非集计出行需求的预测精度。交通管理者可利用高精度的个体出行需求数据，通过精细化的“削峰填谷”策略动态引导出行需求，均衡各时段的出行需求，使得出行活动在全天各时段的分布更均匀[59]。

3.2.3 出行需求时空特征变化带来的影响

自动驾驶环境下，出行需求时空特征的变化将影响交通规划过程的各个方面，例如，交通需求预测、网络布局设计等。由于自动驾驶条件下居民出行活动的空间范围变广，分配到路网的交通量更大，因此，进行道路网络布局设计时，要考虑设计足够大的路网容量，并考虑AV 专用道或专用路的设置。LIU 等[61]研究表明，在自动驾驶出行需求较大的空间区域合理规划AV 专用道，可以保证充足的路网容量，提升自动驾驶出行效率。由于自动驾驶条件下，出行活动在全天各时段的分布变得均匀，因此，在交通规划的需求预测阶段不应只考虑高峰时间段的交通分配，而应考虑全天各时段的交通分配。

4 交通需求预测

区别于传统交通需求预测的四阶段法(出行生成、交通分布、方式划分、交通分配)，自动驾驶环境下的交通需求预测向着模型组合化、出行行为一体化分析的方向转变。在需求预测的过程中，需要充分考虑AV 对车辆行驶里程(Vehicle-mile Traveled,VMT)、车辆行驶时间(Vehicle-hour Traveled,VHT)、出行方式结构等模型参数的影响，考虑自动驾驶环境下VOTT大幅下降的特点，利用AV特有的海量、高精度、非集计用户数据，针对性地构建不同出行者的用户画像，更准确地预测个体出行者的出行行为，从而进行精细化的需求预测模型构建、分析和求解，满足需求预测的前瞻性和准确性要求。

4.1 需求预测框架

自动驾驶环境下，交通需求预测框架将发生结构性变化。主要体现在自动驾驶环境下的需求预测不再按照传统四阶段框架进行，而是通过模型组合化和出行行为一体化的框架展开。传统四阶段法囿于数据量有限且数据精度不高，只能将各个阶段分别预测，然而真实的交通生成、分布、模式划分及分配的过程往往是相互贯穿、相互影响的，故基于四阶段框架的需求预测准确性不高。在自动驾驶环境下，海量的非集计数据为交通分配的模型组合分析、一体化出行行为研究提供有力支撑，新的预测框架将提高需求预测的准确性及合理性。新框架的主要研究思路是省略、合并、增加或突出四阶段中的一个或几个阶段，例如，研究方式划分与交通分配的组合问题，交通分布、方式划分与交通分配的组合问题，或研究集成4个阶段的组合问题等。对于自动驾驶环境下交通需求预测的框架结构，学者们众说纷纭，未有定论。例如，DIAS 等[62]提出一个扩展性的需求预测框架，即在现有的四阶段模型中考虑AV 使用者出行决策的变化以及AV对交通网络效益的影响等因素。MAHMASSANI等[63]认为交通需求预测框架应包含4个主要组成部分：交通供给变化、需求变化、网络效益和网络集成。MCNALLY 等[64]利用具有收敛反馈结构的交通分布模块、出行方式划分模块与交通分配模块，使整个需求预测框架构成反馈闭环。

4.2 需求预测影响因素

交通需求预测需要考虑多种受到自动驾驶影响的因素：VMT、VHT、出行方式结构等。

(1)自动驾驶将对VMT产生较大影响。

在大部分自动驾驶场景下，PAV和SAV的使用会导致VMT 增加。CORREIA 等[57]认为只有PAV的情况下，VMT 会增长17%。MARTINEZ 等[16]认为使用SAV 提供出行服务，会使VMT 增加10%以上。FAGNANT 等认为用SAV 提供3.5%的出行服务，VMT将会增加11%[65]；用SAV提供1.3%的出行服务，VMT会增加8%[66]。FRIEDRICH等[67]认为若所有机动车出行都使用SAV，VMT 增长可能超过30%。AULD 等[68]研究表明，AV 的使用会使VMT最高增长79%。此外，由于AV 不需要在目的地周围寻找停车位，因此，产生的部分空车行程使得VMT增长。CHEN等[21]研究发现，在SAV满足10%出行需求的前提下，仅由空车行程增加而产生的VMT 将增长7%。SHOUP[69]估计，在中心城区，将有2%～11%的VMT花在寻找停车位上。

然而，在少数场景中，VMT 有可能降低[65]，例如，当SAV 出行成本非常高且出行距离较短时，VMT将会大幅降低。BURGHOUT等[70]研究发现，当用不提供合乘服务的SAV 代替所有的PAV 时，VMT 将会增加24%；但若使用提供合乘服务的SAV，VMT 会降低11%～24%。HEILIG 等[71]研究发现，在提供合乘服务的SAV 场景中，VMT 将降低20%。MARTINEZ 等[16]认为所有的出行需求都由提供合乘服务的SAV 满足时，VMT 会降低25%。MORENO等[72]用SAV代替小部分PAV，结果表明，VMT将小幅增加，但不同比例的SAV对VMT的结果影响不显著。MEYER 等[73]预测，由于停车次数的减少，VMT会下降5%～11%。

(2)自动驾驶将对VHT有较大影响。

与传统交通环境相比，自动驾驶环境下VHT一般将会增加。CHILDRESS[36]研究发现，自动驾驶会导致VHT 增加10%～20%。MILLER[74]研究表明，自动驾驶将使VHT增加10%以上。KIM等[75]认为，当交通供给能力大幅增加，并且PAV 停车费大幅减少时，VHT 将增加10%以上。BURGHOUT等[70]研究发现，当乘客可接受的出行时间增加幅度由30%增加到50%时，VHT将增加13%～25%。

虽然在一般情况下，AV 的VHT 会增加，但也有研究表明，假设AV 的停车费用与HV 相同时，VHT 甚至会有小幅度的降低[34]。此外，当AV 组成比例变化时，VHT 也将发生变化。VHT 将随着PAV 占比的提升而增加，随着SAV 占比的提升而减少。若所有车辆都为SAV，则将使VHT 降低约40%[34]。

(3)自动驾驶将改变现有出行方式的结构。

PAV 和SAV 的应用将导致公共交通和慢行交通比例降低。KROGER 等[76]认为，在VOTT、停车费用、车辆运营成本均大幅降低的条件下，PAV 的出行方式比例大幅增加，但公共交通的出行分担率将降低约15%。BOSCH 等[77]认为，相对于PAV，SAV的VOTT和运营成本大幅减少，故SAV的使用将使公共交通的分担率下降25%，慢行交通分担率下降23%。虽然如此，SAV的使用也会降低私家车的分担率(可降低25%)，而PAV 的使用却会导致私家车的增加[78]。

然而，若所有自动驾驶出行方式都为SAV，公共交通和慢行交通比例将增加[34]。尤其当出行距离较短时，人们为了降低出行费用，更倾向于选择公共交通或者步行。例如，HEILIG 等[71]发现，用SAV代替所有PAV时，公共交通分担率的增长将高达30%，慢行交通比例将增长约40%。

4.3 需求预测方法

交通需求预测方法将因自动驾驶技术的发展和应用而发生非结构性的变化，即在出行生成、出行分布、方式划分和交通分配等阶段中，预测模型的建模方法或模型参数会发生改变[79]。

(1)出行生成。出行生成侧重于对交通量的影响分析，主要分析出行生成预测中各因素对出行生成率的影响[62]。停车的便利性将诱导更多的车辆出行；空载AV的重新定位也将增加车辆出行次数；最后一公里的便捷性提高，使得出行者出行意愿更强烈[80-81]；部分不适宜使用HV 的人群，例如，老年人或未成年人的出行次数将增加[82]。

(2)出行分布。出行分布预测需要考虑自动驾驶环境下阻抗的变化。例如，KOLAROVA 等[83]以AV 出行的阻抗为基准，调整并估算其他出行者的阻抗，得到AV 对出行分布的影响。由于VOTT 的减小，自动驾驶出行者对行程时间敏感性降低，因此，在出行分布预测模型中，需区别分析不同出行方式的行程时间敏感性[84-86]。

(3)方式划分。交通方式划分中最主要的变化体现在出现了新的交通工具，新交通工具的出现将很大程度地影响出行成本函数，从而影响出行方式的选择。

自动驾驶环境下，出行方式选择模型中出行成本函数将发生变化。可使用包含出行时间、货币费用和燃料消耗等在内的广义成本函数分析自动驾驶对出行方式选择的影响[41]。由于AV 出行的VOTT 变化较大，所以，应将VOTT 转化为货币成本，加入到成本函数中[87]。此外，自动驾驶环境下，出行方式选择模型会发生变化。首先，应将AV 作为一种特殊的交通工具加入到出行方式选择中，并定量预测它对其他出行方式所占总出行量比例的影响；其次，应量化评估自动驾驶环境下产生的新的停车方式对出行方式选择的影响。例如，由于AV 不需停在目的地附近，在乘客到达目的地后有多种选择，就近停车、车辆继续载客或让车辆停到距离较远、停车费用较低的区域。不同的选择，停车费用及燃油费用差异较大，因此，需要将不同的停车方式对出行方式选择的影响加入出行方式选择模型。KOCKELMAN 等[88]使用三重嵌套Logit模型确定乘客到达目的地后选择何种停车方式，新的出行方式划分由嵌套的Logit模型根据每种出行方式的效用确定。

(4)交通分配。自动驾驶环境下，出现了新的交通分配方法。例如，路径选择和停车位置协同的路径分配方法，基于车辆行程信息的动态分配方法[89]，基于交叉口通行效益的分配方法[90]，基于大数据的路网流量分配方法[86]等。协同路径分配方法，同时考虑出行者从出发地到目的地以及出行者下车后车辆从下车点行驶到停车点两段路径的选择，以路网综合效益最优为目标进行交通分配。基于车辆行程信息的动态分配方法，基于车辆行程信息进行动态路径调整和交通流分配。基于交叉口通行效益的分配方法，以整体路网交叉口通行效益最优为目标进行交通分配。基于大数据的路网流量分配方法，采用一种简化的方法对AV 的道路容量占用率建模，在此过程中不仅考虑单个子网络的路网交通量，也考虑全局范围的路网效益，由此调整所有路径上分配的交通量。此外，还可采用多类别交通分配方法[34,41,62,84]，但由于这类问题中目标函数往往是非凸的[89]，会导致交通分配算法不收敛，求解难度大幅提高。

5 城市交通网络布局设计

自动驾驶环境下，城市交通网络布局设计框架和方法亟待变革，解决传统交通网络布局设计的时滞性问题。囿于传统交通数据获取的滞后性，交通网络布局设计难以适应并服务于动态变化的土地利用及交通需求[91]。而在自动驾驶环境下，交通数据可以在连续时间域上获取，能够及时反映交通需求每隔一段时间(例如，半年到一年)的动态变化。因此，自动驾驶环境下，通过充分利用连续的交通数据，进行连续时域上的优化布局设计，能够使城市交通网络及时调整布局并服务于变化的交通需求[92]。

5.1 城市交通网络布局设计框架

自动驾驶环境下，城市交通网络设计框架将从单一时间片架构向连续时间域架构转变。传统单一时间片的网络布局设计框架是静态决策框架，假设网络设计方案具有规划即实现的特征，且不考虑交通需求对网络设计方案的动态适应过程。整个设计架构是静态的双层架构[93]，上层是以政府部门为代表的管理者决策，通过设计科学合理的规划方案，一次性确定交通网络的最终形态及布局，网络设计过程只考虑交通需求在网络达到均衡后的最终表现，而不关心达到均衡的过程；下层是对交通需求均衡状态的预测，可为上层所用，下层模拟出行者的出行选择过程，即根据最终确定的交通网络形态及布局的网络特性及时调整出行方式及路径，使自己的出行成本最小，该出行选择过程认为网络形态和布局是固定的，而不随时间动态变化。连续时间域上的网络布局设计框架充分考虑土地利用及需求的时变性，以自动驾驶环境下的连续动态规划数据作为支撑，构建连续时域上的网络布局设计框架。该框架是动态的双层架构[94]，上层网络布局决策不再只确定交通网络的最终形态及布局，而是逐步确定网络在不同时段的中间形态及布局，网络设计过程中有可能会考虑交通需求达到均衡过程中的系统效益和成本；下层出行行为预测不再基于交通网络形态和布局固定的认知，而是随着规划方案实施落地的不同阶段以及土地利用形态的演变而动态变化。

5.2 城市交通网络布局设计方法

自动驾驶环境下，城市交通网络设计方法会发生变化。传统城市交通网络布局设计方法的核心设计思路是[93]：在单次网络布局设计过程中，预测出行者在交通网络中的出行行为选择，得到交通系统运行的均衡状态；与此同时，以最大化交通运行效益为目标，通过优化配置网络拓扑结构，确定交通网络整体布局及形态。自动驾驶环境下，城市交通网络布局设计方法的核心设计思路是[94]：进行多次交通网络设计，单次设计会完成一次交通网络布局的提升；每次设计会考虑未来多次设计引起的交通需求动态演变，并通过最大化动态交通运行效益，完成多阶段的网络布局优化，实现多阶段网络设计方案的动态平滑衔接；此外，利用自动驾驶环境下获取的连续、海量的交通数据，每次网络设计(例如，道路网络设计、公共交通网络设计等)后的交通运行效果都能被及时地观测与反馈，反馈信息可以作为下一阶段网络设计的输入，实现交通网络布局每隔一段时间(例如，半年至一年)的动态调整，以适应不断变化的交通需求。

无论是传统方法还是自动驾驶环境下的新方法，在网络设计过程中都需要构建及求解网络设计的双层规划模型。受自动驾驶的影响，双层规划模型中的上层模型及下层模型均需要重构。

上层模型为网络布局决策模型。自动驾驶环境下，目标函数及网络拓扑决策变量均会发生变化。目标函数需要引入对AV 出行时间价值的衡量[95]。传统网络布局决策模型中，出行时间在被引入目标函数中时，往往被当作是被消耗的代价或成本且不产生价值；自动驾驶环境下，出行时间有可能会产生价值，因为自动驾驶可辅助驾驶员和乘车人利用出行时间进行其他有价值的活动，例如，娱乐、办公等。传统的网络拓扑决策变量一般用来表征节点的添加与否，连线的添加与否，连线容量等。自动驾驶环境下，网络拓扑决策变量还需要能够表征自动驾驶专用车道、专用路或专用区的设置[96]。未来AV 与HV 长期混行的背景下，专用道、专用路或专用区的设置是必要的。通过为AV开辟专用运行空间提升整体交通网络的效益，将成为未来交通网络布局设计中需要重点考虑的手段。

下层模型为出行行为预测模型。自动驾驶环境下，目标函数及约束条件均会发生变化。传统出行行为预测模型中，目标函数单独采用系统最优的效用函数或是用户均衡的效用函数；在自动驾驶环境下，模型需要采用系统最优及用户最优的混合效用函数。因为混行条件下AV与HV的运行特征存在显著差异，故需采用不同的效用函数[97]。AV 直接可以实现相互协同而达到系统最优的均衡状态，故需在目标函数中加入系统最优的效用函数；HV会通过车辆间的相互博弈达到用户均衡，故需在目标函数中加入用户均衡的效用函数。约束条件中需要引入自动驾驶环境下的新型路阻函数[98]。路阻函数直接反应时间阻抗与交通流量之间的关系。传统路阻函数对流量较敏感，而由于AV 的协同特性，高流量条件下车辆亦能高速行驶，故AV出行时间阻抗的流量敏感性下降，需要采用新型路阻函数予以表征。

6 发展趋势和重点、难点

6.1 发展趋势和重点研究方向

6.1.1 自动驾驶与交通安全规划

自动驾驶环境下，交通安全仍然是首先需要考虑的因素。全球每年有上百万人死于交通事故，其中90%以上事故由人为因素造成[99]。而自动驾驶技术可以通过有效减少人为因素导致的事故，提升道路交通安全[100]。

但是，近年来发生多起与AV 相关的道路交通事故，分析提示在自动驾驶环境下交通安全方面仍存在一系列亟需深入研究和完善的问题。目前，与自动驾驶安全相关的研究大多停留在车辆[101-102]或车流层面[103]，缺少从交通网络层面对整体交通安全做相应的分析与规划。为应对自动驾驶技术带来的安全风险，需要从交通规划层面做好应对措施。一方面，自动驾驶专用车道、专用自行车道、专用人行道的规划设计能减少AV和其他道路使用者的冲突；另一方面，通过规划数据、事故数据的共享和分析，并利用V2X 通信实时监测，可以向AV 提供事故预警，提高安全性。

因此，基于自动驾驶诱生的分布式大容量异构数据，通过车载和路端传感器协同式感知技术，构建多模式城市交通网络的安全风险清单，识别AV的安全隐患区域；充分运用连续时域的交通规划框架及方法，规划连续时间域的自动驾驶交通专用网络，保障自动驾驶背景下网络层级的动态交通安全，是未来重点研究方向之一。

6.1.2 自动驾驶与公共交通规划

目前，仅有少数研究探讨自动驾驶对公共交通调度运营的影响[104]，缺少对自动驾驶环境下公共交通规划的研究。在利用自动驾驶技术对交通系统进行转型升级的过程中，公共交通规划将面临新的挑战和机遇，自动驾驶技术带来的利弊需要客观分析并予以应对。因此，充分运用自动驾驶及其衍生技术，合理规划布局新型公共交通网络，促进公共交通的发展，是未来研究的重点之一。

一方面，自动驾驶可能会对公共交通发展造成负面影响。成本较低的SAV 可能使公共交通分担率大幅降低。由于新土地利用模式下空间可达性提高，区域扩张使得出行距离增加；且AV很大程度提高了出行机动性，因此，AV不仅可以深入路网的“毛细血管”中，还可以在长距离出行中保持舒适性，这是公共交通无法比拟的。另一方面，自动驾驶技术在公交系统中的应用将提高公交系统可靠性、舒适性、安全性以及服务水平，促进公共交通系统的发展。

因此，面向乘客对低成本、高舒适性、高便捷性的公交服务需求，充分运用适用于公共交通系统的自动驾驶装备及技术，解析多模式交通网络的竞争合作关系，构建新土地利用模式下的新型公交网络，应对空间可达性提高和区域扩张带来的挑战，提升公共交通服务水平及分担率，是未来研究的重点之一。

6.1.3 自动驾驶与慢行交通规划

AV 可能会对慢行交通出行者产生不利影响。第一，AV 可能会对慢行交通出行者的安全性造成负面影响[105]。由于与HV相比，AV车头时距较小，因此，行人、非机动车过街时间间隔减小，过街安全性降低。第二，AV 专用道可能会侵占慢行交通出行者的道路空间，增加行人与非机动车、非机动车与非机动车之间的冲突，影响安全性和舒适性。第三，较低的AV 出行成本可能导致更多的城市向郊区扩张，致使出行距离增加，无法通过慢行交通方式覆盖，降低人们使用慢行交通方式出行的意愿[106]。

但是，AV 也可能造福慢行交通出行者。一方面，与HV 相比，AV 所需的道路宽度和停车空间均较小，节约的道路空间和路边停车空间可以改造为非机动车道或人行设施[107]。另一方面，SAV一定程度上能解决“最后一公里”问题，既可以提高出行效率和舒适性[5]，也能提高公共交通吸引力。

因此，以全局交通参与者效益最优为目标，深入剖析慢行交通与机动车交通的相互作用机制与影响机理，构建自上而下的全景式交通规划管理模式，建立兼顾两者需求的慢行交通规划体系，是未来研究的重点之一。

6.1.4 规划结果验证

为验证所提出的面向自动驾驶背景的新规划方法和模型的适用性，需要对大量自动驾驶场景进行建模和仿真验证。目前大多数面向自动驾驶的规划模型是基于多重假设和简化模型而建立的，而交通需求对影响因素的敏感性差异较大，为弱化不确定性因素对规划结果的干扰，亟需构建仿真测试和验证平台。

因此，以减小交通规划过程中的不确定性为目标，充分运用自动驾驶仿真及验证技术，进行自动驾驶背景下的交通规划场景库设计和测试方法标准化，细化各场景中的模型假设，构建多模式交互验证系统，验证规划结果的合理性，是未来研究的重点之一。

6.2 难点

6.2.1 缺乏大规模应用自动驾驶的调研和仿真数据

目前，在自动驾驶技术对交通规划影响的研究方面，最大的难点是缺乏大规模应用自动驾驶的出行需求调研数据和大规模城市交通仿真数据。由于缺乏数据，相关研究对假设条件(例如，停车费率、专用道设置等)的依赖很大，难以基于充分的依据分析自动驾驶对交通规划各要素的影响程度，即难以开展基于循证的交通规划。目前，大量研究分析AV的应用对宏观、微观交通运行的影响，以此为基础预测交通供给能力和出行需求。但是，这些研究结论均未经过大规模应用自动驾驶的出行需求调研和仿真数据的验证，若以此为基础进行新的道路交通网络规划，可能会造成新的交通问题[108]。

因此，加快完成自动驾驶条件下的出行需求调研及大规模城市交通仿真，获得充足的交通调研数据及仿真数据，准确地量化自动驾驶对交通规划各要素的影响，并以此为基础预测交通需求和交通供给，是开展自动驾驶环境下的交通规划亟待解决的难题。

6.2.2 异构交通阶段的问题

在AV 渗透率达到100%之前，将长期处于HV与不同等级AV 共存的阶段，即异构交通阶段。该阶段的交通系统特点、交通规划的发展趋势都亟待研究。由于异构交通阶段HV、不同等级AV及慢行交通之间的相互作用机理极其复杂，如何开展异构交通背景下的规划工作可能成为未来几十年长期存在且难度较大的问题。

一方面，对于交通供给、居民出行行为及需求特征等要素，异构交通阶段与完全自动驾驶阶段或人工驾驶阶段存在较大差异。异构交通阶段可能面临车辆总行驶里程增加、道路通行能力降低等问题，也可能面临排放增加等环境问题，以及由自动驾驶专用车道引起的公平性问题，因此，需要谨慎评估在异构交通阶段AV对交通系统及其他社会效益产生的影响，并提出可靠的土地利用分析方法、交通供需分析方法、交通需求预测方法、交通网络布局方法等[95]。

另一方面，由于在异构交通阶段AV 渗透率不断发生变化，且不同等级AV 运行特征存在显著差异，因此，交通流将长期处于多等级自动驾驶与人类驾驶混行且不稳定的状态。相应地，交通系统可能处于系统最优与用户均衡的动态博弈过程中，交通分配问题将从本质上发生变化，为应对变化，在面向异构交通的规划过程中需构建兼顾系统最优与用户均衡的交通分配方法[97]。

6.2.3 交通需求反弹引起的供不应求

虽然自动驾驶技术的发展和应用将大规模提升供给能力，同时减少机动车保有量，但居民的出行频率和出行距离也将显著提高(AV提高机动性，诱生新的出行需求)。因此，交通系统可能再次出现供不应求的情况，即出行需求再次达到交通供给能力的上限。主要是由于AV 带来的积极影响(例如，降低出行成本、提升出行舒适度等)将使出行者有增加出行次数的意愿，这种潜在的效应被称为“反弹效应”。

目前的研究较少考虑需求反弹效应。因此，如何在无需大规模新建道路的前提下，以满足自动驾驶环境下的出行需求为目标，合理运用模型组合化、出行行为一体化分析等需求预测方法，准确分析及预测潜在的弹性需求，从优化交通规划、引导出行需求的角度进一步消化增加的交通需求，是未来研究的难点之一。

6.2.4 交通系统外部成本难以衡量

自动驾驶技术的发展和应用可能对交通系统以外的其他方面造成影响，例如，经济、社会、环境和劳动力等[109]。目前的研究大多侧重于自动驾驶技术的应用对交通系统本身的影响，忽略社会经济效益和环境影响，而这些外部效益也可能间接对交通系统产生影响。例如，目前研究倡议AV 使用专用道，但如何量化分析AV 特有路权带来的不公平性，值得深思。

因此，在自动驾驶环境下，如何在规划过程中充分考虑交通系统及其外部系统的平衡，如何在最大限度发挥自动驾驶技术优势的同时保障社会公平、提升经济效益、实现可持续发展，是未来研究的难点之一。