車聯(lián)網(wǎng)環(huán)境下匝道匯入?yún)^(qū)瓶頸換道優(yōu)化

胡祥旺， 倪 穎， 孫 劍

（1. 蘇州大學 軌道交通學院，江蘇 蘇州 215100；2. 同濟大學 道路與交通工程教育部重點實驗室，上海 201804）

高快速路匯入?yún)^(qū)（即合流區(qū)）是道路交通路網(wǎng)中的常見瓶頸之一，匯入瓶頸的失效會加劇高快速路擁堵程度、增加行程時間，同時失效導致的交通振蕩向上游傳播會增大速度差誘發(fā)新的事故，匯入?yún)^(qū)瓶頸交通流運行管控優(yōu)化對于提升出行效率和安全均有重要意義。匯入瓶頸的失效表現(xiàn)為通行能力下降［1］或早發(fā)性失效現(xiàn)象［2］，大量實證研究表明觸發(fā)瓶頸失效的原因為車輛的低速匯入行為、速度方差過大、加速車道末尾強迫換道且擁堵橫向蔓延、駕駛行為的個體異質(zhì)性和車道異質(zhì)性等［2-4］。傳統(tǒng)的匝道信號控制和主線可變限速關(guān)注交通流的流量、密度、速度，屬于宏觀的集計式控制，即所有車輛遵循同樣的控制措施，無法全面且實時地感知微觀交通狀態(tài)變化因而改善效果有限。新興的智能網(wǎng)聯(lián)汽車技術(shù)（connected and autonomous vehicles， CAV）賦予了車車通信和車輛精確控制的能力，為匯入?yún)^(qū)瓶頸基于個體的精細化控制提供了可能性。目前CAV 環(huán)境下匯入?yún)^(qū)瓶頸交通流改善研究是熱點問題，其特征可總結(jié)如下：

（1） 大部分研究關(guān)注匝道車輛與主線外側(cè)車輛的協(xié)同匯入過程，較少關(guān)注主線控制措施。針對匯入?yún)^(qū)瓶頸問題，目前研究大多假定主線最外側(cè)車道，車道與匝道車輛交互，其方法通常是協(xié)調(diào)主線最外側(cè)車道和匝道車輛之間的間隙或采用車隊形式協(xié)同［5-6］，避免間隙過小導致匯入減速或間隙過大導致浪費等低效匯入行為。而實際的快速路通常是多車道，會同時包含匝道與主線外側(cè)車道協(xié)同匯入和主線其他車道的控制問題，后者問題同等重要但目前研究不足。

（2） CAV 環(huán)境和自動駕駛環(huán)境（autonomous vehicle， AV）環(huán)境關(guān)注多，車聯(lián)網(wǎng)環(huán)境（connected vehicles， CV）較少。一方面，受限于技術(shù)發(fā)展和安全問題，CAV 和AV 技術(shù)的成熟和大面積部署仍需要很長時間，落地應(yīng)用需要較長的時間。另一方面，目前大部分研究假定全CAV 環(huán)境［7］或部分CAV 環(huán)境［8］，設(shè)計車輛軌跡優(yōu)化模型，這種“硬控制”方法假設(shè)CAV車輛是完全受控，雖然這種方式可大幅提高匯入?yún)^(qū)的運行效率，但在落地應(yīng)用時對路側(cè)基礎(chǔ)設(shè)施、通信延遲、車輛動力控制精度要求很高。

綜合以上背景，本文聚焦于部分CV 環(huán)境下的匯入?yún)^(qū)瓶頸主線車輛運行優(yōu)化問題，采用建議式地“軟控制”，提出一種以最小化車道流量差異為目標的雙向換道建議優(yōu)化模型，該模型為混合整數(shù)線性規(guī)劃模型，可以實時滾動計算最優(yōu)解，進而提升匯入?yún)^(qū)瓶頸全局運行效率。

1 研究綜述

目前國內(nèi)外關(guān)于CV或CAV環(huán)境下?lián)Q道建議控制已有一些研究，換道建議不僅可應(yīng)用于匯入?yún)^(qū)瓶頸［9］，同時可以用于緩解高快速路下匝道［10］和車道減少區(qū)或臨時車道封閉［11］等交通瓶頸的擁堵。從換道建議研究側(cè)重點來看，可以分為換道建議最優(yōu)位置選擇和車道流量分布控制兩種。從控制方法論來看，現(xiàn)有研究可以分為三類：①基于規(guī)則策略的控制；②反饋控制方法；③優(yōu)化模型控制方法。第一類中，Mehr等［11］通過計算車輛在到達車道封閉終點前成功換道的概率，在此概率低于一個閾值之前進行提前換道建議；類似的，He 等［12］通過IDM（intelligent driver model)跟馳模型、MOBIL 換道模型和換道間隙接受模型進行微觀交通流建模，通過數(shù)值仿真確定最佳的換道建議位置；Nagalur等［13］綜合考慮各車道流量分布及其通行能力，通過解析式計算的方法設(shè)計CAV 車輛的多種車道分配策略，Zhang 等［14］針對可變限速控制不能充分解決瓶頸區(qū)失效的問題，組合設(shè)計了可變限速控制和換道建議方法，該換道建議方法包含了與換道位置和換到空間長度相關(guān)的5 條規(guī)則。第二類中，Roncoli 等［15］依據(jù)車道均衡原則，設(shè)計了一種線性二次調(diào)節(jié)器反饋控制方法，追蹤交通流的臨界密度從而提高瓶頸區(qū)域的通過量，并進一步考慮了特殊管控需求下（如靠右行駛、內(nèi)側(cè)車道只能超車等）的車道流量不均衡情況下的反饋控制［16］；Markantonakis 等［17］則分別對主線的可變限速控制和換道建議控制設(shè)計了兩組線性反饋控制器；Tajdari 等［18］結(jié)合了傳統(tǒng)的匝道信號控制和主線的換道建議控制，同時考慮了所涉及的反饋控制的的閉環(huán)系統(tǒng)穩(wěn)定性問題，仿真測試表明該方法顯著優(yōu)于經(jīng)典匝道控制方法；第三類中，Gong等［19］研究了快速路下匝道的最優(yōu)換道建議位置點，將下匝道上游分為綠色的可安全順暢換道區(qū)和黃色的需要減速才能換道區(qū)域，通過建立優(yōu)化模型最小化強制換道導致的延誤尋找綠色區(qū)域的起始點，即最優(yōu)換道建議點；Subraveti 等［20］基于一階宏觀交通流模型量化延誤，建立優(yōu)化模型最小化總行程時間，此研究更關(guān)注宏觀的橫向流量控制，并未給出具體的基于個體車輛的換道建議；Ramezani 等［21］提出雙層換道建議方法優(yōu)化瓶頸區(qū)車道密度分布，上層通過交通流基本圖確定最優(yōu)密度決定每個車道需要換道的車輛數(shù)，下層則是綜合考慮匝道匯入車輛和主線車輛的沖突給出換道建議?？傮w來說，基于規(guī)則策略的換道建議控制方法對交通流的微觀建模考慮較少；反饋控制方法通常需有控制設(shè)定數(shù)值（大多為交通流臨界密度），在此基礎(chǔ)上進行反饋調(diào)節(jié)，這個數(shù)值的尋優(yōu)也是一個問題；優(yōu)化模型方法相對來說可以靈活處理各種交通流輸入條件，且合理的目標函數(shù)設(shè)定可以保證控制效果。

本文立足于換道建議控制中車道流量分布問題，針對以往基于優(yōu)化的換道建議模型需要依賴交通流基本圖而導致的不準確和大部分只能進行單向換道建議的問題，提出一種可以雙向換道建議的混合整數(shù)線性規(guī)劃模型，該方法不依賴于交通流基本圖設(shè)定的臨界密度，通過最小化車道間流量的差異平衡各車道流量，微觀交通仿真軟件測試結(jié)果表明，該方法可以有效減小快速路匯入?yún)^(qū)瓶頸的車均延誤。

2 換道建議優(yōu)化模型

換道建議控制的基本原理是通過給CV發(fā)送換道建議解決匯入?yún)^(qū)各車道流量不均衡的問題。通常匝道車輛匯入導致主線外側(cè)車道擁堵，部分主線外側(cè)車道車輛向更內(nèi)側(cè)車道轉(zhuǎn)移，擁堵向內(nèi)蔓延，導致匯入?yún)^(qū)整體失效，頻繁換道導致車輛減速且延誤增加。CV換道建議算法通過讓部分CV在匯入點更上游處提前換道，使匯入?yún)^(qū)附近車輛間的交互沖突分散在更大的范圍，由于外側(cè)車道已經(jīng)騰出間隙，主線車輛與匝道車輛的沖突減少。在另一種情況中，主線車輛可能為了避讓匝道車輛大量分布在內(nèi)側(cè)車道，此時CV換道建議算法會建議部分內(nèi)側(cè)車道車輛轉(zhuǎn)移至外側(cè)車道。盡管本研究的換道建議會在匯入點上游引入新的沖突，但這種沖突程度相比于匯入沖突集中于下游的情況更小，由于在優(yōu)化模型中引入上游沖突會使得模型高度非線性且求解不穩(wěn)定，本文暫不考慮上游交通流換道建議帶來的新的換道沖突。整體來說，本模型通過平衡個車道流量且分散匯入沖突從而提高整個匯入?yún)^(qū)的運行效率。圖1為匯入?yún)^(qū)換道建議示意圖。

圖1 匯入?yún)^(qū)換道建議示意圖Fig. 1 Schematic of lane changing advisory at a merging area

如圖1所示，以主線為N車道的匯入?yún)^(qū)（此處以主線4車道匝道1車道為例，車道編號以最外側(cè)即路肩側(cè)為1，向內(nèi)依次增加），假定車流中有一定滲透率的CV車輛，路側(cè)有通信與計算中心，該中心能夠感知各個車道的實時車輛數(shù)，并收集CV 車輛的位置信息，每隔一定時間通過計算換道建議優(yōu)化模型得出每一輛CV應(yīng)該向左、向右或者保持當前車道，并將換道建議結(jié)果發(fā)送至相應(yīng)的CV 車輛。換道建議優(yōu)化模型變量說明如表1所示。

表1 換道建議優(yōu)化模型變量Tab. 1 Variables in lane changing advisory optimization model

目標函數(shù)：

約束條件：

該模型中，控制變量是 ri，j和 li，j，即每一輛CV是否需要向左變道或向右變道，狀態(tài)變量是每一個車道內(nèi)的當前車輛數(shù)和CV 變道后的每個車道內(nèi)的（預期）車輛數(shù)，目標函數(shù)（1）則是CV變道后每個車道內(nèi)的最大車輛數(shù)與最小車輛數(shù)之差，這個目標函數(shù)可以平衡各個車道的車輛數(shù)。約束條件（2）是最外側(cè)車道的車輛不能向右變道，約束條件（3）是最內(nèi)側(cè)車道車輛不能向左變道，約束條件（4）是只能有一個換道建議（向左、向右或保持當前車道），約束條件（5）是計算所有車輛執(zhí)行換道后每個車道的（預期）車輛數(shù)，約束條件（6）是CV 換道后的最大車道車輛數(shù)，約束條件（7）是CV 換道后的最大車道車輛數(shù)，約束條件（6）和（7）的引入可以避免優(yōu)化模型中出現(xiàn)取最大值和取最小值運算，保持整個模型的線性。

整個CV 換道建議模型是一個混合整數(shù)線性規(guī)劃模型（mixed integer linear programming， MILP），對于MILP，典型的商業(yè)求解器（如IBM CPLEX，GUROBI， FICO， MOSEK）和開源求解器（如SCIP， GLPK， LP_Solver， CMIP）均可以較快求解。此研究中的MILP 模型規(guī)模不大，采用最快的開源求解器SCIP［22］即可。測試表明，假定匝道車輛數(shù)為15，主線4個車道各有20輛車，在CV滲透率為100 %時（滲透率越大，計算開銷越大），在普通的Intel（R） Core （TM） i7-6700 CPU @3.40GHz 處理器計算下，模型求解速度為0.018 s，因此CV換道建議算法可以滿足實時性要求。

3 仿真評估平臺與場景設(shè)計

3.1 仿真平臺框架

為了綜合評測以上提出的匯入?yún)^(qū)換道建議控制算法，本研究使用VISSIM 7.0版本作為仿真測試平臺，VISSIM COM結(jié)合Python程序設(shè)計語言構(gòu)成的測試平臺框架如圖2 所示。其信息流的傳遞過程為：首先VISSIM 路網(wǎng)中的交通流信息通過VISSIM COM傳遞到Python環(huán)境，然后這些信息作為優(yōu)化模型的參數(shù)輸入進入SCIP 的官方求解包Pyscipopt，優(yōu)化結(jié)果存儲在數(shù)據(jù)庫控制表，控制指令一方面通過VISSIM COM傳遞回路網(wǎng)執(zhí)行，另一方面保存成軌跡用于最終的結(jié)果評估。

圖2 基于VISSIM和Python的仿真測評平臺框架Fig. 2 Framework of simulation and evaluation platform based on VISSIM and Python

3.2 仿真評估實現(xiàn)

基于上海市中環(huán)國和路上匝道衛(wèi)星云圖，建立匯入?yún)^(qū)VISSIM路網(wǎng)，如圖3所示。該匯入?yún)^(qū)主線有4 車道，匝道有1 車道，匯入?yún)^(qū)總長度約為610 m，上匝道長度約為250 m，道路限速為80 km·h-1。VISSIM 軟件駕駛行為設(shè)定為類型3（即快速路，自由選擇車道），車輛組成為默認的98 %小型車和2 %大型車。由于默認的VISSIM 駕駛行為參數(shù)在多車道匯入?yún)^(qū)仿真中會出現(xiàn)主線車道車輛速度過大、匝道匯入車輛無法匯入進而排隊等現(xiàn)象，因此需要對駕駛行為類型3 中的換道行為參數(shù)微調(diào)，在設(shè)定中勾選協(xié)同換道，同時適當減小安全距離減小系數(shù)，本文中這個數(shù)值設(shè)定為0.35。對于CV的模擬，在小汽車駕駛?cè)四Ｐ偷幕A(chǔ)上新建一種車輛類型作為CV，這些CV 與普通的VISSIM 內(nèi)部小汽車駕駛行為沒有區(qū)別。此外，不同CV 的滲透率通過交通組成比例模擬。

圖3 上海中環(huán)國和路匯入?yún)^(qū)瓶頸Fig. 3 On-ramp bottleneck on Guohe Road of Shanghai Middle Ring Road

本文設(shè)定3 個場景變量綜合評估CV 換道建議優(yōu)化模型：①控制方案，包含無控制和CV換道建議控制兩種方案；②交通流量組合，其中匝道4種流量為900，1 200，1 500，1 800 veh·h-1，主線4 種流量水平4 700，5 200，5 700，6 200 veh·h-1，因此共構(gòu)成16種交通流量組合；③CV 滲透率，即0.1～0.9 范圍內(nèi)以0.1遞增，共9種水平。16種交通流量組合水平從單車道1 400 veh·h-1的低流量到過飽和的2 000 veh·h-1，范圍較廣，可以測試本文提出方法的流量適用范圍。

具體仿真流程如圖4 所示，首先Python 通過調(diào)用VISSIM COM 啟動仿真程序，提取VISSIM 靜態(tài)信息的提?。窂?、路段長度等）用于VISSIM 內(nèi)部坐標（所在路段和路段內(nèi)局部坐標）和全局一維坐標（其中匝道與主線交點處全局坐標為0）的轉(zhuǎn)換，接著進入單場景的仿真測評，設(shè)定主線和匝道的交通流量、CV滲透率等參數(shù)，隨后仿真預熱480 s。進入仿真步長為0.2 s的單步仿真階段后，如果是原方案則不作任何控制，直接在每一個仿真步長末提取當前時刻所有車輛的相關(guān)信息（路徑、路段、位置、速度等），并保存全局坐標下的軌跡；如果是CV 換道建議方案且到達計算間隔，則提取動態(tài)的交通流信息，即當前時刻換道建議區(qū)內(nèi)各車道的實時總車輛數(shù)和CV 車輛信息，在本研究案例中，換道建議區(qū)的范圍是匯入點上游200 m到匯入點之間。其后動態(tài)交通流信息輸入換道建議優(yōu)化模型，在Python 中調(diào)用SCIP 的官方包Pyscipopt，實時求解MILP 換道建議模型，并將結(jié)果通過VISSIM COM 接口返回到VISSIM路網(wǎng)中，設(shè)定相應(yīng)的CV車輛的期望車道和綠色顏色標識，最終VISSIM單步仿真執(zhí)行CV換道建議算法的優(yōu)化結(jié)果。為了防止車速過低的換道對主線交通效率產(chǎn)生嚴重影響，本文控制換道建議時，如果車輛速度低于3 m·s-1則取消此次換道建議。此外，該換道建議算法每隔一個固定的時間計算一次，如果這個時間太短，駕駛員可能來不及反應(yīng)，接受度會降低，如果時間太長，則換道建議算法跟不上匯入?yún)^(qū)內(nèi)各車道的實時車輛數(shù)，控制效果變差，本文中這個控制步長取5 s。仿真達到4 200 s后結(jié)束，進入評估階段，利用保存的車輛軌跡數(shù)據(jù)（從600 s 到4 200 s期間的軌跡數(shù)據(jù)用于評估），可視化各車道所有車輛的軌跡，同時計算該場景下的車均延誤，最后進入下一個場景并重復前述過程。

圖4 仿真測試實現(xiàn)流程圖Fig. 4 Flowchart of simulation test

4 模型效果評價

模型效果評價從三方面考慮，其一是定性的軌跡與流量評價，其二是通過計算車均延誤進行定量評價，最后進行敏感性分析研究CV 滲透率對換道建議控制算法的影響。

4.1 軌跡與流量評價

圖5 和圖6 分別展示了主線5 200 veh·h-1匝道1 800 veh·h-1流量下原方案和換道建議控制方案的各車道軌跡，時間范圍為600～1 000 s，其中換道建議方案軌跡中CV滲透率為0.5。其中車道1部分是主線最外側(cè)車道和匝道車道的車輛軌跡，車道2/3/4部分分別是從外到內(nèi)的3個內(nèi)側(cè)車道軌跡。

圖5 原方案各車道軌跡Fig. 5 Trajectories of original scheme

圖6 換道建議方案各車道軌跡Fig. 6 Trajectories of lane changing advisory control scheme

在原方案中，從內(nèi)到外各車道交通狀態(tài)逐漸惡化，車道4受到的匯入沖突影響小，所有車輛均很少減速，迅速通過匯入?yún)^(qū)，車道3 略微受到影響，車輛有一定程度減速，車道2 由于車道1 的車輛橫向轉(zhuǎn)移，又較明顯減速，車道1由于直接有大量匝道車輛匯入，沖突多，車輛明顯減速甚至停車排隊，因而延誤大，同時車道1 通過的車輛數(shù)也較多。原方案軌跡示意圖充分顯示了匯入?yún)^(qū)因外側(cè)車道流量過飽和而帶來的失效，這也是使用CV 環(huán)境對匯入?yún)^(qū)進行換道建議控制的基本出發(fā)點。

作為對比，在CV換道建議算法控制下軌跡圖中，其中加粗圓點部分的軌跡代表正在執(zhí)行換道建議控制（注意，保持當前車道也算是一種控制），在算法的影響下，最外側(cè)車道大量車提前向內(nèi)側(cè)車道轉(zhuǎn)移，減小了匝道匯入車輛與主線外側(cè)車輛的沖突，車道1車輛數(shù)明顯減小，很少車輛大范圍減速。車道2/3的部分車輛也提前向內(nèi)側(cè)轉(zhuǎn)移，沖突分布廣泛，因此減速也不明顯，車道4相比原方案也是略微提升。

為具體評估車道流量分布情況，本文避免僅對某一空間點流量進行采集，因為擁堵發(fā)生的空間不均勻性會導致評估出現(xiàn)偏差。本文采用Edie’s交通流參數(shù)定義，其中流量定義為交通流中所有車輛在特定的時間和空間范圍內(nèi)所行使的總里程（單位為m），在評估過程中將流量分為總流量、上游流量和下游流量。其中總流量時空范圍包括了所有評估時間的所有路段上的軌跡，上下游流量統(tǒng)計則以匯入點（全局坐標0）作為分界線，各車道總流量和上下游流量如表2所示?？梢钥吹?，主線外側(cè)車道（編號1）的流量明顯高于其他車道，相比于控制前，控制后的車道1 總流量明顯減少，并部分轉(zhuǎn)移至內(nèi)側(cè)車道。觀察車道1 減小的流量，可以發(fā)現(xiàn)主要來源于上游流量的減少，這些流量轉(zhuǎn)移至2/3/4 車道可以使上游的流量相對均衡。

表2 基于Edie’s定義的交通流量車道分布Tab. 2 Traffic flow lane distribution based on Edie’s definition

總體來說，CV換道建議算法減小了匯入?yún)^(qū)各車道的流量差異，使得匯入導致的沖突不再集中于加速車道附近區(qū)域，匝道匯入車輛減速現(xiàn)象明顯變少，內(nèi)側(cè)車道交通流也無惡化現(xiàn)象。盡管如此，匯入?yún)^(qū)的總體車均延誤是增加還是減小，仍然需要做定量評估。

4.2 車均延誤評價

本文定量評估指標為車均延誤，定義為：

表3 總體車均延誤對比Tab. 3 Comparison of overall average vehicle delays

表4 主線車輛車均延誤對比Tab. 4 Comparison of mainline average vehicle delays

在各個表中，換道建議方案相比原方案車均延誤降低5 %以上的數(shù)值標為粗體，這些場景可以認為有明顯的正優(yōu)化改善效果。對匝道車輛來說，只要匯入?yún)^(qū)沒有完全過飽和，在中低或中高流量下車均延誤均有明顯改善，而對于主線車輛車輛來說，流量過低或過高時換道建議都會造成一定的延誤增加。

從總體角度考慮，考察表3可以發(fā)現(xiàn)，有正優(yōu)化的場景集中分布在對角線處，這些場景的總流量范圍在6 200 ～7 200 veh·h-1之間（即單車道平均流量1 550 ～1 800 veh·h-1），屬于匝道匯入?yún)^(qū)瓶頸臨界失效流量區(qū)間，而左上角低流量水平和右下角過飽和流量水平場景中，換道建議反而會使得車均延誤一定程度增加。原因為：（1）流量過低時，主線各車道交通流原本就很通暢，外側(cè)車道并未發(fā)生明顯擁堵，換道建議對主線外側(cè)車道改善本身就不明顯，反而在內(nèi)側(cè)車道引入額外沖突增加主線車輛延誤，盡管匝道車輛車均延誤有一定降低，總體車均延誤還是有一定幅度的增加；（2）流量處于過飽和水平時，此時匯入?yún)^(qū)已經(jīng)失效，即使外側(cè)車道已經(jīng)騰出間隙，也不能大面積減小匯入沖突導致的延誤，同時內(nèi)側(cè)車道的車輛本身速度已經(jīng)很低，大量換道建議帶來的減速交通波不斷傳播向上游，因此總體延誤大幅度增加。綜合來看，換道建議方案有其特定的適用流量范圍，中高流量水平控制效果較好，原因是此時匯入?yún)^(qū)處于失效臨界狀態(tài)，一旦沖突過大匯入?yún)^(qū)隨時會失效，但恰當?shù)目刂茀s可以避免失效，同時降低主線和匝道匯入車輛的延誤。

另一方面，表3 結(jié)果還表明當主線流量不高但匝道流量較高時，換道建議方案對車均延誤的減少幅度最大。最佳的延誤變化百分比出現(xiàn)在主線流量5 200 veh·h-1、匝道流量1 800 veh·h-1的場景，車均延誤降低可以達到48 %，其原因是匝道流量高時，原方案匝道車輛大量匯入會使匯入?yún)^(qū)迅速失效，而換道建議方案中，主線流量不高使得換道建議影響較小，同時外側(cè)車道讓出的間隙可大大減小匯入沖突。

4.3 CV滲透率敏感性分析

進一步，本文對不同CV滲透率下?lián)Q道建議前后的車均延誤變化百分比做了敏感性分析，即計算同一CV滲透率下，所有不同流量方案的延誤變化百分比并取平均值，其結(jié)果如圖7所示。結(jié)果表明，CV滲透率小于0.5時，換道建議方案對匯入?yún)^(qū)延誤的改善隨著滲透率提高而提高；CV滲透率大于0.5時，延誤變化百分比無明顯變化，說明過高的CV滲透率不是必要的。綜上，本文提出的換道建議方案在CV滲透率在0.2～0.5時，即可達到較好的降低匯入?yún)^(qū)延誤效果。

圖7 不同滲透率下?lián)Q道建議前后延誤變化平均百分比Fig. 7 Percent change of delay before and after CV lane changing advisory

5 結(jié)語

本文旨在解決多車道匯入?yún)^(qū)各車道流量分布不均導致的匯入?yún)^(qū)運行效率降低問題，借助車聯(lián)網(wǎng)環(huán)境提出一種換道建議算法以降低匯入?yún)^(qū)的車均延誤，并通過仿真軟件二次開發(fā)對模型進行了系統(tǒng)的實驗測試，主要貢獻和結(jié)論總結(jié)如下：

（1）聚焦匯入點上游主線車輛的換道行為，采用建議式地“軟控制”方法，提出一種基于優(yōu)化模型的精確到個體車輛的換道建議方法，輸入條件為匯入?yún)^(qū)各車道的車輛數(shù)，目標函數(shù)為最小化各車道車輛數(shù)差異，該模型為混合整數(shù)線性規(guī)劃模型，可以實時滾動計算最優(yōu)解；

（2）在VISSIM 交通仿真軟件中測試了不同流量組合下算法的有效性，定性軌跡和定量車均延誤結(jié)果表明在單車道平均流量1 550～1 800 veh·h-1區(qū)間（匯入瓶頸失效關(guān)鍵流量區(qū)間）下?lián)Q道建議方案相比原方案能顯著改善匯入?yún)^(qū)的運行效率，車均延誤可降低10 %～50 %左右；且在此范圍內(nèi)，匝道匯入流量越高，改善效果越好；

（3）對不同CV滲透率敏感性分析結(jié)果表明在較低的0.2～0.5滲透率下即可達到減小延誤的目的。

作者貢獻聲明：

胡祥旺：研究框架制定，模型提出與驗證，論文寫作和修改。

倪穎：研究框架制定，研究指導，論文修改。

孫劍：研究框架制定，研究指導，論文投稿與修改。