高速公路饱和路段动态应急车道开放决策模型研究

2022-08-04石英杰

公路工程 2022年3期

杨阳，刘强，石英杰

(1.同济大学道路与交通工程教育部重点实验室，上海 201804；2.江苏中路工程技术研究院有限公司，江苏南京 211008)

1 概述

随着国民经济水平的提升和城市间交通运输日益频繁，高速公路交通通行流量不断增加，交通大流量已呈现常态化，许多高速公路的通行流量已经趋于饱和，流量增加导致的高速公路拥堵现象频繁发生。

动态应急车道(Hard Shoulder Running)作为调整路段交通流运行现状的重要管理手段，可以在短时间内提供道路供给，有效提升瓶颈路段的通行能力。早在21世纪初，欧美国家就已经通过开放应急车道缓解的方式来解决路段的交通拥堵[1-2]，但其控制方式主要是在固定时刻提供给特种车辆的专用道，属于静态的控制手法。然而高速公路交通瓶颈的产生具有高频率、持续时间短的特点，不像城市快速路那样具有明显的早晚高峰。如果依然采用这类静态的管控方式，不但不能在固定时段发挥其充分的车道资源效益，在非瓶颈时期开放的应急车道还会带来一定的管理风险。因此，结合道路实际通行需求，动态决策应急车道的启用与否是十分有意义的。本文着眼于沪宁高速大流量路段无锡段动态应急车道应用现状，通过分析历史数据分析法确定应急车道开放决策阈值，建立动态应急车道开放决策管控模型，为应急车道智能化管控提供理论参考。

2 动态应急车道开放决策模型

2.1 交通拥堵指数

交通状态评价标准作为应急车道开放决策模型中动态应急车道开放的先决条件，主要依据交通拥挤程度决定。为此，项目以交通拥堵指数衡量交通拥挤程度，交通拥堵指数[3-4](Traffic Performance Index，即“TPI”)是根据道路通行情况设置的综合反映道路畅通或拥堵的概念性指数，相当于对拥堵情况进行了量化处理。交通指数取值范围为1～10，分为5个级别(即“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”)，数值越高表明交通拥堵状况越严重。具体数据规定如表1所示。

2.2 决策模型建立

基于沪宁高速现状交通实时交通流量，构建车道管控决策模型[5-7]。基于现状沪宁高速通行交通流量、车流速度,及占有率，构建交通状态评价算法，基本算法如下：

表1 交通拥堵指数分级Table 1 Traffic congestion index classification拥堵指数状态行程时间拥堵描述1～2畅通T基本无拥堵3～4基本畅通1.2T～1.5T少数路段拥堵5～6轻度拥堵1.5T～1.8T部分路段拥堵7～8中度拥堵1.8T～2.1T大量路段拥堵9～10严重拥堵>2.1T大部分道路拥堵

(1)

式中：γp(t)为在地点p的t时刻对应时段的交通拥堵指数；occp(t)为在地点p的t时刻的道路时间占有率；Qp(t)为在地点p的t时刻的交通流量；vp(t)为在地点p的t时刻的地点速度。

评判过程在设定阈值后，由上述交通拥挤指数可判断道路的拥堵情况，即与阈值相比较从而判断是畅通或者拥堵。但该计算结果仅为交通流判定的初步状态，可能存在一定程度的误判。为保证分析结论的稳定性和准确性，通常需要对检测维持其持续性，利用式(2)可确立更为准确地评判。

(2)

在给定交通拥挤指数和持续评判思想之后，通过判定交通拥堵状态，决定动态应急车道开放策略，基于交通数据的车道管控决策流程图如图1所示。

图1 基于交通数据的车道管控决策流程图

3 决策阈值确定

3.1 阈值确定方法

本文确定的阈值用以路段应急车道动态开放与关闭决策，在交通拥挤指数超过阈值后，区段在短时间内即会出现交通拥堵现象；在交通拥挤指数低于规定阈值时，区段不会出现交通拥堵现象。为了确定合理的应急车道开放阈值，本文基于沪宁高速历史交通拥堵数据，利用路段信息采集设备采集的易发拥堵路段处的速度、流量和占有率数据，确定应急车道开发阈值[8]。历史数据分析法主要包括以下3个步骤：

a.评估拥堵点的拥堵现象，确定交通拥堵现象发生模式，量化时空上的拥堵程度。

b.评估拥堵概率，基于历史数据，在拥堵瓶颈点应用概率方法来识别拥堵事件并量化拥堵时间出现时的交通流量。

c.估计初始决策阈值，基于交通流量和速度数据确定。

3.2 拥堵评估

通过对沪宁高速无锡段某常发拥堵点速度-时间分布进行统计分析，以下是该数据采集点速度-时间分布图。

由图2我们可以看出，1 d中平速度(红线)在0时至7时时段内路段车流处于自由流状态，在此之后路段整体运行速度出现下降；在10时至17点40分平均速度下降到自由流速度以下，该时间段道路对动态系统的需求较大；在17点40分后车流速度增加并逐渐恢复成自由流状态。

图2 采集点速度-时间分布图

3.3 拥堵概率评估

拥堵概率评估需要利用信息采集设备收集速度、流量和密度等数据，信息采集设备应该布设于现有所有瓶颈点和潜在瓶颈点上游位置。本文基于当前时间间隔中区段车流流速和交通量状况，以此确定下一时间间隔内交通流出现中断(交通拥堵)的概率。Brilon等人基于细化的交通流量数据，构建交通流中断概率模型[9-10]，模型如下：

(3)

式中：q是每1 h每车道的车辆通过量,veh/(h·ln)；c是容量,veh/(h·ln)，即通行能力；P(c≤q)是容量小于观察到流量的概率；qi是在间隔i处观察到的交通流量，它表示速度下降之前的交通流量；ki是指q≥qi的时间间隔数；di是指交通流量达到qi时的时间间隔数，当每一个拥堵被单独考虑时，di=1；B是拥堵间隔{B1，B2，…}的集合。

为了对拥堵概率分布进行参数估计，必须预先确定分布的函数类型。可以通过应用最大似然技术来估计分布参数。对于容量分析，似然函数为：

(4)

式中：fc(qi)是容量c的统计密度函数；Fc(qi)是容量c的累积分布函数；n表示时间间隔数；δi=1，时间间隔i内包括未审查对象；δi=0，时间间隔i内不包括未审查对象。

3.4 估计初始决策阈值

3.4.1拥堵速度阈值选择

通过对沪宁高速无锡段某常发拥堵点2019年全年可能出现拥堵的时间段内的各车道车辆速度、流量进行统计，得到速度-流量关系图，如图3所示。

图3 拥堵速度、流量分布图

从图3可以看出，车辆平均速度超过80 km/h表示不拥堵状态；车辆平均速度低于60 km/h表示拥堵状态；车辆平均速度在60～80 km/h表示可能出现拥堵状态。故速度阈值选择60 km/h。

3.4.2拥堵流量阈值选择

通过分析处理沪宁高速无锡段某常发拥堵点2019年全年可能出现拥堵的时间段内的各车道车辆速度、流量数据，并结合上一节交通流中断概率模型，得出拥堵概率与交通流量分布情况，如图4所示。

图4 拥堵概率、流量分布图

从图4可以看出，拥堵速度范围内，不同交通流量下对应的拥堵概率基本相同。由图4还可以看出，单车道交通流量达到1 600 veh/(h·ln)时，在接下来15 min内，不同速度下交通流拥堵概率超50%。考虑到应急车道开放前需要5～10 min供管理人员检查应急车道是否通畅，选取单车道交通流量1 600 veh/(h·ln)为应急车道开放阈值符合现场要求。

4 工程应用

4.1 工程概况

沪宁高速作为长三角地区客货运输的主要干线，从总体流量来看，截至2018年，沪宁高速日均断面流量已达12.65万pcu，东段达到了18.2万pcu，远远超过了八车道设计饱和流量11.5万pcu。面对日益增长的通行保畅压力，2019年，沪宁高速在超饱和流量路段无锡段率先实施动态应急车道管控，以东桥枢纽至无锡枢纽间，共构建了42 km范围的管控区域。管控期间，控制人员根据路段流量和交通拥堵状况，动态分区段开放应急车道。

4.2 效果验证

4.2.1管控效果

2019年国庆前，项目组在沪宁高速无锡段应用智慧管控决策模型，实现了车流自主感知、运行状态自动判别和管控策略自主决策的智慧化管控，解决了前期依赖人工判别启闭应急车道的问题，全面提升路段管控智能化。管控期间，通行流量、通行速度明显提升，拥堵次数、拥堵长度和交通事故明显降低，管控效能显著提升。

4.2.2决策模型阈值的验证

一般情况下，道路通行能力一定时，道路处于正常通行状态下，车流运行速度与交通流量之间存在一定关系。为了进一步准确评价路段实时交通运行状态，选取上一节南京方向与上海方向流量均较大的无锡枢纽至无锡东互通流量高峰期间单位小时流速-流量数据，得出速度-流量散点图。

由图5和图6可以看出，无论是南京方向还是上海方向，速度-流量分布趋势基本相同，具有以下变化特征：

图5 无锡-无锡东南京方向速度-流量散点图

图6 无锡-无锡东上海方向速度-流量散点图

流量在0～3 000 veh/h时，车流速度集中在速度上游，平均速度在60～80 km/h之间，且平均速度随流量增加基本不变，这说明此时交通流处于稳定交通流状态，这与路段此时处于一级服务水平情况相符。

流量在3 000～4 800 veh/h时，平均速度产生波动，整体波动范围随着流量的增加逐渐变小。此时车速以60～80 km/h区间车速为主，部分车辆处于较低速度状态。

流量大于4 800 veh/h时，车辆速度平均分布在30～80 km/h之间，整体波动范围随着流量的增加逐渐变小。此区间整体车流速度波动较大，说明此时车流处于不稳定状态，车辆间的相互影响较大。

为了进一步确定拥堵状态下的流量-速度，对沪宁高速无锡段交通道路养护、交通事故等全方面进行统计分析，并匹配对应时间下的交通流量-速度值。在发生事故后，如果接下来一段时间内路段速度下降明显，这说明事故导致路段缓行或者拥堵，选取此类特征点得到交通事故和养护期间交通缓行、拥堵状态下路段车流运行速度与流量关系图，如图7所示。