基于AnyLogic的道路交通拥堵仿真分析

刘格格 万传风 李欣 刘睿

（1.北京交通大学土建学院，北京 100044；2.中公通达（北京）认证有限公司，北京 122000）

随着我国城市道路交通迅速发展，人民生活水平不断提高，高效、舒适、智能的出行方式逐渐成为人们的追求。对此，各国专家学者对城市道路交通拥堵的预测和快速疏解做了大量的研究。

虽然很多学者使用数学模型详细地研究了交通拥堵的产生和疏散机理，但并没有提出疏解交通拥堵的有效措施。随着先进的信息技术应用于交通管理领域，交通拥堵的实时预测和快速疏解技术也逐渐成为研究重点。

本文着眼于交通拥堵仿真模型，从具体路段入手，实地调研，收集并研究了某一段时间内早晚高峰的交通数据，运用AnyLogic软件仿真得到初步交通拥堵模型，然后对其不断优化，从而提出疏解拥堵的有效措施。

一、路段基本交通情况调查和拥堵原因分析

（一）路段基本交通情况调查

选取北京交通大学附近的高梁桥斜街-榆树馆桥-展览馆路为研究对象，该路段北起大慧寺路与高梁桥斜街交叉口，南至车公庄交叉口，长约2.5公里。基本位置如图1所示，周围商业建筑多，衔接多条道路，分布有北京交通大学、北京建筑大学等人流密集地点（用红色方框标出），交通压力大，在早晚高峰时间段易形成拥堵。

（二）道路实地调研分析

在2020年9月25日至11月6日实地调研路段车流量，处理并分析调研数据。图2为路段卫星观测图，图中标注了在实地调研中选取的7个特征明显的观测点。

图1 路段区位位置图

图2 路段卫星观测图

通过处理分析各测点的数据发现，相同时间内通过测点1（由南向北）的车辆数多于测点7（由北向南）；各测点通过车辆数量峰值不同，测点1最高，为70辆/min，测点7最少，为15辆/min；相同时间内通过同一测点不同方向的车辆大概相差10辆，由南向北的交通量大于由北向南。由此经初步分析得出，该路段早高峰时段由北向南较反方向更为拥堵。

（三）道路拥堵原因分析

北京交通大学西门距路段北侧交叉口不足150m，在早晚高峰陆续有车辆排队驶入西门，造成后续东流刹车减速甚至完全停下来，易形成拥堵。

车公庄西交叉口处，南北信号灯通行时间分别为53s和30s，时间较短。早晚高峰时段，庞大的车流量，可能无法一次性通过交叉口，易造成二次排队，形成拥堵。

道路交通拥堵很大程度受驾驶员驾驶习惯的影响[1-3]。新手上路容易紧张，反应不及时，容易急刹车减速，形成一个隐形十字路口，使得后车刹车减速，形成拥堵。在多车道路段，司机为了超车或走快速车道而改变行驶路径时，都可能造成后方车辆的拥堵[4]。

二、基于速度的交通拥堵状态评价模型

建立用速度和车头间距共同判断交通拥堵情况的评价模型。车头间距是指在同一车道上行驶的车辆队列中，前后相邻两车车头之间的距离。计算公式如下：

式中：hs是车头间距，m；ht是车头时距，s；v是汽车行驶速度，km/h。

安全距离是指后方车辆为了避免与前方车辆发生意外碰撞在行驶中与前车所保持的必要间隔距离。当车辆以车速v行驶时，通过下式得到车辆间的安全距离：

式中：v是车辆的行驶速度，km/h；t是驾驶员的感知反应时间，取2.5s；g是重力加速度（g=9.8m/s2）；φ是滑动摩擦系数，一般取0.6；i是坡度，按0.5%计算。

代入城市快速路判断拥堵的分级速度(km/h)，计算得到对应的安全距离(m)如表1所示：

表1 分级速度对应的安全距离

车头间距=安全距离+标准汽车长度，其中标准汽车长度取3m，则计算得到与城市快速路判断拥堵的分级速度相对应的车头间距（m）如表2所示：

表2 分级速度对应的车头间距

通过车头时距和汽车行驶速度计算得到实际车头间距，并与表2比对，判断路段拥堵情况。

三、基于AnyLogic的模型仿真分析

研究使用AnyLogic作为分析交通拥堵[5-8]的工具，形象地展示了交通拥堵的全过程。AnyLogic建模仿真的基本流程为：建立基本的道路模型和车辆运行流程图、设置各模块参数、运行模型、仿真模拟、展示三维效果、输出数据。

（一）建立基于AnyLogic的交通拥堵模型

从谷歌地图获得研究路段的矢量数据[9]，导入软件作为底图，建立该路段物理模型。图3为建模效果图，图中标注了在后期数据分析中选取的重点横断面。根据路段实际交通状况，建立运行逻辑图，主要确定交叉口各方向的交通流量[10]和车辆行驶路径，如图4所示。然后设定模型参数，将交通调查数据及通过Python爬取的交通态势数据输入软件中，运行模型。

图3 建模效果图

图4 模型运行逻辑图

（二）交通仿真数据分析

分析仿真输出数据，该路段车流量在早高峰7∶00～8∶00达到峰值，平均行驶速度在8∶20达到最小值，接近30km/h，持续约1h，如图5所示。

图5 车辆行驶的平均速度

图6为由北向南和由南向北交通量随时间变化的情况：早高峰时段，均约在8∶10达到峰值，之后逐渐减小。由北向南交通量峰值为280辆，持续时间约10min，相反方向峰值为170辆，持续时间为5min左右。

图6 交通量随时间的变化情况

图7为由北向南和由南向北车辆平均行驶时间：早高峰时段，由北向南车辆平均行驶时间均值为5.36min；相反方向均值为2.4min。由北向南车辆平均行驶时间明显高于反方向，说明由北向南的拥堵情况比反方向严重。

图7 路段中车辆的平均行驶时间

分析输出数据，路段中车辆平均速度降低的时间滞后于拥堵发生时间[11]，说明只靠速度变化来预测拥堵发生时间有一定的延迟性，与实地调查得出的结论一致。结论如下：

一是在早高峰时段，该路段随着交通量增大逐渐形成拥堵，8∶20拥堵状况最严重。

二是拥堵主要发生在交叉口、出入口匝道、大量车辆变道点。

三是交通拥堵的发生不是瞬时的，是经过一段时间积累的[12]。该路段交通量开始增加且持续大约20min后，发生严重交通拥堵，在这个时间段内及时采取交通疏导措施，能够疏解该路段的交通拥堵。

（三）交通拥堵状况评级指标分析

在本文中采用新的评价指标即路段平均速度和车头间距判断拥堵情况。选取早高峰6∶00～9∶00，南向北C断面和北向南B断面的一个车道计算其平均速度和平均车头间距，得到路段不同断面拥堵级别，评级结果如图8和图9所示。

图8 断面C的交通拥堵级别

图9 断面B的交通拥堵级别

该路段从北向南拥堵状况较由南向北严重，且拥堵主要集中在7∶30～8∶40。同样分析其他断面不同车道的拥堵级别，结果接近实际情况，验证了交通拥堵状况评级指标的准确性。

四、结语

分析实地调研数据，得到该路段早高峰从7变化00开始拥堵，7变化40～8变化40为严重拥堵时段，9变化00拥堵开始消散。结合调研数据，在AnyLogic中建立交通拥堵仿真模型，经过优化，得到该路段形成拥堵的可能发生点，并验证了拥堵规律。道路交通拥堵会受到各种复杂因素的影响，且持续时间较久。因此，城市道路每天的交通量变化大致遵循相同的规律，交通量变化曲线大多具有一定的周期性和稳定性[13]。

结合实际情况，建立以速度和车头间距为指标的交通拥堵状态评价模型，验证了模型的准确性，更好地为交通管理与规划提供了决策依据。由结论可知，利用AnyLogic的交通仿真功能，识别路段中易发生拥堵的地点，提出改善措施，加强对该地点的监控管理具有实际意义。同时，AnyLogic能够模拟仿真优化后的交通状况，评价疏导措施的有效性。

治理道路交通拥堵要从源头做起，一方面要实时预测道路交通量，提前做出预报；另一方面要准确评价道路拥堵状况，合理引导交通流，实现交通流均衡分配。