崔居福,胡本旭,夏 輝,陳 飛,程相國
(青島大學 計算機科學技術學院,山東 青島 266071)
車載移動自組織網絡(簡稱車載網)是以中、高速運動的車輛為節(jié)點的分布式、自組織的移動通信網絡,是智能交通系統(tǒng)[1]的基礎技術之一。車輛通過信息交互和共享[2]實現(xiàn)碰撞避免、路徑規(guī)劃等目的。鑒于車載網通信協(xié)議和應用的實地測試成本較高,危險性較大,因此該類型研究和測試主要通過仿真實驗完成。構建實現(xiàn)一個相對真實的車載網仿真環(huán)境[3],需要明確模擬車輛節(jié)點的移動模式[4],并及時獲取模擬車輛的準確位置信息。其中車輛的移動模式直接關系到網絡拓撲結構的變化,進而影響到整個車載網的包傳遞率、吞吐量和傳輸延遲等性能指標的測量。因此,在仿真實驗中,選擇性能優(yōu)異的車輛移動模型是非常有必要的,可以最大程度地模擬路面交通的真實狀況,也是通信協(xié)議仿真和測試[5]的基礎。
根據(jù)交通特征的細化程度,可以將移動模型分為宏觀移動模型[6]和微觀移動模型[7]兩類。宏觀移動模型主要以車流為研究對象,忽略車輛的個體行為。因此,宏觀移動模型無法確切地描述車輛之間的制約關系。微觀移動模型主要以單個車輛為研究對象,詳細描述車輛的加速、減速、變道和超車等駕駛行為,更加適用于車載網應用的研究。微觀移動模型主要包括隨機移動模型[8]和車輛跟馳模型[9]。隨機移動模型指車輛隨機選擇速度、方向和目的地信息,但真實環(huán)境下車輛的移動并非完全隨機,而且受外界環(huán)境(如道路方向、周圍車輛)的影響,因而隨機移動模型無法刻畫車輛的真實運動狀態(tài)。相反,車輛跟馳模型以車輛與前車的行為關系為基礎進行建模,可以更加準確地反映真實交通狀況下車輛的駕駛行為。
Simulation of Urban Mobility(SUMO)[10]平臺是當前車載網交通仿真領域使用最為廣泛的模擬平臺之一。SUMO平臺內嵌多種車輛跟馳模型,并能夠對多種類型的道路交通網絡進行仿真。此外,SUMO平臺含有OpenStreetMap[11]的接口,能夠獲取世界各地真實的道路交通網數(shù)據(jù)。當前該平臺[12]下主要有CarFollowing-Krauss[13]、SmartSK、CarFollowing-Wiedemann[14]、CarFollowing-PWagner、CarFollowing-BKerner[15]和CarFollowing-IDM[16]6種常用的車輛跟馳模型。然而,到目前為止,筆者并沒有發(fā)現(xiàn)針對上述車輛跟馳模型所做的對比分析研究。
美國國立衛(wèi)生研究院基金要求遵守的相關要求和條款包括立項通知書中規(guī)定的相關條款和特別條款、聯(lián)邦基金相關法案的條款、《美國國立衛(wèi)生研究院資助政策聲明》的相關要求和條款。
針對上述問題,文中給出SUMO平臺下6種車輛跟馳模型多個性能的詳細對比分析。首先,詳細描述了SUMO平臺下6種車輛跟馳模型;其次,分析并引入影響移動模型性能最明顯的3種因素;最終,在多種影響因素的作用下,對比分析了SUMO平臺下6種跟馳模型在車輛密度、車輛平均速度、道路占用率等方面的性能。
對于平衡交通中車輛速度計算
ds≤dp+g,
(1)
式中:ds為當前時間段車輛行駛的距離;dp為前車緊急制動的距離;g為車間距。僅當公式等號成立時,所選擇的速度被稱為安全速度。
2.1 臨床特征及病理診斷 3例病例均為雙胎之一完全性葡萄胎。1例體外受精-胚胎移植(in vitro fertilization and embryo transfer, IVF-ET)受孕,1例為雙子宮受孕。孕婦平均年齡27歲(22~31歲),見表1。
因為Krauss是無碰撞模型[17],所以車輛行駛速度不會超過安全車速,并且在每一個仿真步長,都會重新計算安全車速,根據(jù)式(1)可以得出安全速度的計算公式為
(2)
式中:vp為前車速度;g為車間距;v為當前車速;a為車輛最大減速度;τk為駕駛員反應時間。
由于安全速度并不是下一個仿真步長(通常為1 s)要選擇的車速,因此需要一個確定車速的更新策略,Krauss模型更新策略如下:
隨后,寧波一院開始探索通過醫(yī)聯(lián)體建設把慢病管理做實,組織三甲醫(yī)院糖尿病、高血壓、冠心病、腦卒中等疾病專家,跟二級醫(yī)院、社區(qū)醫(yī)生組成“3+2+1慢病管理團隊”。
v1=min[vt+b,vmax,vsafe],
v0=v1-ε{v1-[vt-b]},
vt+1=vran,v0,v1,
xt+1=xt+vt+1,
(3)
式中:vt是t時刻的車速;b是車輛最大加速度;vmax是道路限制最大車速;vsafe是安全車速;v1是車輛期望速度;v0是由于駕駛員的不完美駕駛,與期望速度所產生最大差值時的速度;vt+1是下一個仿真步長所選擇的車速,它在v0-v1中隨機選擇;xt+1為下一個仿真步長車輛的位置。
由于SamrtSK模型下車輛的運動規(guī)則與Krauss模型類似,文中不再詳細描述。
(4)
楊梅的爸爸楊凱是一個身家上億的富豪,也許在外面做生意遇到仇家。綁匪用膠帶把楊梅從肩膀到腳纏了一圈兒又一圈兒,又從工具包里拽出一個編織袋,對楊梅說:“千萬別出聲,我身上可帶著刀,把你的手機給我?!睏蠲酚醚凵窨戳丝床鑾?,綁匪抓起楊梅的手機,隨后將楊梅裝進了編織袋,拖出家門上了電梯。楊梅感覺到,她從電梯里被拖出來之后,是被兩個人扔進了一輛轎車的后座。
半夜里,念蓉被她的夢嚇醒。夢里的靜秋忽而變得花枝招展,忽而變得兇神惡煞。靜秋點燃一團烈火,沖楚墨招招手,楚墨便毫不猶豫地跳了進去。她看到楚墨開始燃燒,皮膚爆裂,表情扭曲……
(5)
擁堵距離s1=0時,IDM加速度包含以下幾種模式:
(6)
Krauss模型基于安全距離來進行建模。在該模型中,后車根據(jù)上一個時間段前車與后車的距離和速度,來選擇當前時間段它應保持的車速。因此,下一時間段的車速應滿足:
(7)
以及
Ve(s)|δ→∞=min{v0,(s-s0)/T}。
(8)
2)加速到期望速度:當車輛已達到期望速度,并且車流量密度很低,車輛間的相互影響可忽略,IDM的加速度會減小到af(v)=a(1-v/v0)δ。
公式(4)是對以下2種計算加速度方法的改進:當路上車輛較少時,車輛用af(vα)=aα[1-(vα/v0α)δ]計算加速度;當車輛α靠近前方車輛時,用-bint(sα,vα,Δvα)=-aα(s′/sα)2計算減速度。其中,期望最小車間距s′可表示為
IDM模型參數(shù)如表1所示。
表1 IDM模型參數(shù)
首先通過一系列閾值來區(qū)分不同的車輛駕駛行為,然后使用當前車輛與前車的距離和相對速度來判斷車輛屬于哪種駕駛狀態(tài),最后根據(jù)該狀態(tài)下加速度公式求出加速度。該模型充分考慮了駕駛員的生理、心理因素[18]對駕駛行為的影響和制約,及由此而產生的不同駕駛行為,從建模方法上更接近實際情況,最大限度上仿真實際車輛的駕駛行為。
如圖1所示,Wiedemann模型有4種駕駛狀態(tài),分別為自由駕駛、接近駕駛,跟隨駕駛和緊急剎車,并由閾值Dmin,Gmin,Gmax,O,B來進行劃分。以下為這些閾值的含義及計算方法:
圖1 Wiedemann模型的閾值劃分
Dmin=Ln-1+Dadd,
(9)
式中:Dmin表示前車和后車之間的最小距離,若車間距小于Dmin則表示發(fā)生碰撞;Ln-1為前車長度;Dadd為校準參數(shù)。
發(fā)動機服務性資料模塊化數(shù)據(jù)配置管理的研究………………………… 閆玉,劉棟,李小燕,譚磊,傅連朋(1-273)
Gmin=Dmin+b,
(10)
式中:Gmin為車輛跟隨過程中的最小車間距;bmult為校準參數(shù);v是前車速度和后車速度中的最小值。
智能建筑不僅僅是智能技術在建筑工程上的簡單應用,而是基于建筑設計、施工、運營、服務等各環(huán)節(jié)與高新技術開發(fā)、嵌入、使用等各方面的深度融合,需要多專業(yè)、多學科、多工種的共同努力與配合才能最終實現(xiàn)高質量的發(fā)展。
Gmax=Gmult*Gmin,
(11)
式中:Gmax為車輛跟隨過程中的最大車間距;Gmult為校準參數(shù)。
(12)
式中:B是接近邊界,用來劃分接近駕駛與其他駕駛狀態(tài),其中,C為校準參數(shù)。
O=B*Oadd,
(13)
式中:O是用來劃分前車速度比較大時的無反應駕駛和跟隨駕駛,其中Oadd為校準參數(shù)。
目前在交通控制方面主要是基于交通燈機制[20]調控交通流。交管部門通過在一定時間段內對某一路口的過往車輛進行統(tǒng)計分析,從而制定相應的交通信號燈轉換策略。首先,路口處的交通燈會影響車輛的速度,紅燈路口處的車輛密度高;其次,由于交通信號燈策略是固定的,不能實時應對不同方向的不同車輛數(shù),有可能導致車輛很多的路口依然是紅燈。不同的移動模型針對車輛在路口處的駕駛行為提出不同的調控策略。
bmax=Bmaxmult*(vmax-v*Faktor),
(14)
式中:Bmaxmult和Faktor為校準參數(shù);vmax是車輛最大速度。當車輛從自由駕駛狀態(tài)下進入接近狀態(tài)時,加速度為
(15)
式中,bn-1為前車的加速度。
因為車輛可以從不同的狀態(tài)進入跟隨駕駛狀態(tài),所以跟隨駕駛狀態(tài)下的加速度可分為:通過閾值O或Gmax進入跟隨駕駛狀態(tài),此情況下的加速度為正值;通過閾值B或Gmin進入跟隨駕駛狀態(tài),此情況下的加速度為負值。
跟隨狀態(tài)下加速度絕對值的計算公式為
anull=anull,mult*RND3α,
(16)
式中:anull,mult為校準參數(shù);RND3α是服從正態(tài)分布的駕駛因變量。
當車間距小于Gmin時,車輛進入緊急剎車狀態(tài),加速度為
bmin=bminadd+bminmult*vn,
(17)
式中:bminadd和bminmult是校準參數(shù);vn是當前車輛的速度。
Bkerner模型基于隨機三相交通流建模。車輛更新規(guī)則如下:
(18)
式中:
(19)
式(18)中的參數(shù)因子ξn表示:在隨機加速或隨機減速過程中,車輛是否繼續(xù)加速或減速;或是維持當前車速
(20)
式中:ξa和ξb表示車輛隨機減速或是隨機加速。
(21)
式中,k>1,ψ是常數(shù)。
式中:Xd(u)=bτ2(αβ+α(α-1)/2);b是常數(shù),α是u/bτ的整數(shù)部分,β是其小數(shù)部分;vl(a)表示期望速度。
翻轉課堂教學模式;評估在完成跨職業(yè)教育(Inter Professional Education,IPE)課程前后藥學和護理學生觀點的變化;學生復合技能的準確性與保留性分析;多學科溝通課程對護士、藥學生和醫(yī)學生溝通技巧自我效能的影響;逐步開展跨專業(yè)在線全球健康課程;學生的自我測試提高了藥學課程的表現(xiàn);在六年制藥學博士課程中評估學生的批判性思考和解決問題的能力;在入門藥學實踐課程中學生互助教學的評價。關于課堂教學5年來研究的重點是翻轉課堂、主動學習以及跨職業(yè)教育合作。
vn(safe)τ+Xd(vn(safe))=gn+Xd(vl,n)。
(22)
在式(18)中,vs,n=min(vn(safe),gn/τ+vl(a))是一個安全速度,其中vn(safe)是Gipps方程的解。
車輛在計算加速度或減速度方面,考慮了駕駛員的反應延遲,式(19)中的an和bn采用以下隨機函數(shù):
(23)
式中:a表示最大加速度;r1是(0,1)之間均勻分布的隨機值;當z<0時,θ(z)=0,當z>=0時,θ(z)=1;概率p0(v),p2(v)給出速度函數(shù),概率p1是模型參數(shù),車輛加速和減速的隨機反應延遲分別用1-P0和1-P1表示。Sn描述車輛移動的狀態(tài)(Sn=-1表示減速,Sn=1表示加速,Sn=0表示恒定速度)。
Commended by him not to move,but only grow in the SouthCountry[14]178.
隨著人口老齡化的不斷加劇,養(yǎng)老問題成為一大難題。我國人口老齡化易呈現(xiàn)家庭小型化、空巢化,養(yǎng)老模式由單一的家庭養(yǎng)老逐步向多樣化的社會化養(yǎng)老演變。
(24)
式中,δ是常數(shù)。
PWagner模型即人類行為的行動點模型。駕駛員可以在任意的時間步長隨機決定是否改變當前的加速度。如果改變,則加速度的值設置為
a(t)=asafe-σaξ,
(25)
式中:asafe是車輛安全加速度;σa是加速度影響因子;ξ是[0,1]之間的隨機數(shù)。σa的取值范圍0.2~0.5 m/s2。如果當前加速度大于asafe,則車輛的加速度會被強制設置為式(25)中所提供的新值。加速度的選擇可根據(jù)以下不等式確定,如果不等式成立,則加速度是安全的:
d(v+aτ)+vτ+1/2aτ2≤d(V)+Δv-l,
(26)
式中:τ表示車輛最小車間距;l表示車輛長度;函數(shù)d(v)表示車輛的制動距離;V表示前車的速度。用d(v)=v2/(2b)可求解此方程,得到安全加速度為
(27)
SUMO是一個多模態(tài)的移動模型仿真器,所涉及的模型不僅包含各種不同的車輛,還包括行人、各種基礎設施等,同時可以仿真不同的道路交通網絡,如城市道路網絡和高速公路網絡。目前學術界和工業(yè)界主要關注如何解決城市道路交通擁堵問題和安全問題[19],因此常用車輛跟馳模型的仿真環(huán)境基本以城市道路網絡為仿真實驗場景。道路網絡結構、交通控制策略和單位車輛行為都會影響車載網移動模型的構建。
有研究表明,白芍中的芍藥苷對模型大鼠腦缺血后的血腦屏障具有保護作用[2],對腫瘤細胞的生長有一定抑制作用[3],對肝臟具有保護作用[4];牡丹皮中的丹皮酚具有抗腫瘤[5]、抗神經系統(tǒng)氧化應激損傷[6]、抗動脈粥樣硬化[7]和改善血液循環(huán)[8]等作用;梔子中的梔子苷具有保肝利膽[9]、改善腦缺血[10]、調節(jié)血糖[11]和鎮(zhèn)痛抗炎[12]等作用。由此可見,梔子苷、芍藥苷和丹皮酚這3個成分與丹梔逍遙散養(yǎng)血健脾、疏肝清熱的攻效相呼應,均為該方重要的活性成分。此外有研究表明,該方中梔子苷、芍藥苷和丹皮酚含量均較高[13]。因此,本試驗選擇梔子苷、芍藥苷和丹皮酚為指標成分。
車輛的移動會受到道路網絡的限制,包括車的速度、方向。道路網絡的交叉口,每條道路上車道的數(shù)量、單車道或是多車道等都會影響車輛的行為。當車輛到達路口,或出于轉向的考慮,車輛會適當減速。為保障行駛車輛的安全,每條道路也都有相應的最高速度限制,車輛時速必須低于道路的最高限速。
Wiedemann模型下,如果車輛處于自由行駛狀態(tài),該車會逐漸加速到期望速度,并以期望速度行駛,直到進入其他行駛狀態(tài),其加速度為
每輛車不僅受到道路最高時速的限制,同時也會受到周圍車輛行為的影響。一輛車可能會被迫進入加速、減速、變道的狀態(tài),道路上車輛較少時,車輛應有較高的平均速度,從而提高到達目的地的效率。
目前,車載網應用背景下對路經規(guī)劃、交通狀況預測以及通信協(xié)議的驗證大部分是以城市道路網絡為實驗場景。移動模型在城市道路仿真環(huán)境下的性能優(yōu)劣對路徑規(guī)劃和通信協(xié)議的評估和驗證[21]至關重要。而且IDM作為車輛跟馳模型,基于速度、車間距以及后車與前車的速度差進行建模,考慮了人為因素(反應時間、估計誤差)對模型的影響,對車輛的控制和實際車輛行駛狀態(tài)更接近,目前在交通仿真領域具有很大優(yōu)勢。并且Li等[22-23]將其作為研究交通動態(tài)變化的基礎模型。但實際車輛運行狀態(tài)受到所處環(huán)境的影響,如,城市快速道路上車速快,超車頻繁;城市中心道路車速慢,超車受限等。Li等沒有明確指出具體環(huán)境對車輛跟馳模型的影響。文中以IDM為基礎,設置不同場景對五種車輛跟馳模型與IDM性能進行對比分析。
實驗分為以下3個仿真場景:首先,采用長約5 km的單行道網絡拓撲,其目的是在不存在交通燈、變道、控制策略等外界因素的影響下觀察不同車輛跟馳模型的性能表現(xiàn);其次,采用長約8 km的雙向雙車道且路口處設有交通燈的環(huán)形網絡拓撲,其目的是模擬真實城市道路網絡場景,對比不同車輛跟馳模型的性能差異;最后,由于車輛跟馳行為不受網絡拓撲影響,為便于模擬和觀察,微觀車輛跟馳實驗選用單行道網絡拓撲環(huán)境對不同模型下單個車輛的跟馳行為進行分析。
本實驗主要從車輛平均速度、道路占用率和車輛密度3個方面對不同的車輛跟馳模型在單行道環(huán)境下所表現(xiàn)的性能進行分析對比。單行道仿真設置為:每隔1.25 s在起點處發(fā)一輛車,車輛總數(shù)為50,實驗中每隔10 s對平均速度、占用率以及車輛密度測試1次。
由圖2可以看出,每個移動模型中車輛在經過一段緩沖加速過程后速度趨于穩(wěn)定。其原因是不同移動模型下道路上的車輛數(shù)都達到相對穩(wěn)定的數(shù)值。當有較少的車輛進入道路時,平均速度都有一定程度的升高。根據(jù)圖3和圖4描述,Wiedemann和IDM在車輛行駛過程中兩車之間要保持相對較大的車間距,因此,Wiedemann和IDM模型在完成整個車輛仿真過程用時大于其他模型。相較于IDM,Wiedemann和PWagner都有相對較低的道路占用率,PWagner的車輛密度和道路占用率最低并且沒有穩(wěn)定階段,在低密度、低占用率期間(200 s左右)車速波動且速度較低,因此會導致較低的通行效率。SmartSK, Krauss和BKerner模型在車輛密度和道路占用率2個方面高于IDM,并且3個模型的車速比IDM快,相應提高了車輛的通行效率。在單行道網絡拓撲中,移動模型有較高的車輛密度、道路占用率和平均速度,才能保證車輛有較高的通行效率。除此之外,實驗還考慮車輛初速度,發(fā)車間隔對實驗結果的影響。當發(fā)車間隔太長,會導致車間距過大,車輛跟馳模型不工作;發(fā)車間隔太短,則會導致發(fā)車延時。經過多次測試實驗,選取合適的發(fā)車間隔,并且在不同的初速度下,設置多組實驗。實驗結果與給出的圖2~圖4相同,表明在單行道場景下,相對于IDM,Krauss、SmartSK和BKerner有更好的交通調控效率。
圖2 單行道車輛速度變化
圖3 單行道車輛密度變化
圖4 車道占用率
實驗設置道路網絡拓撲為封閉的環(huán)路,左右兩條道路長各為1 000 m,上下兩條道路長各為3 000 m,路口處設有交通燈。為體現(xiàn)城市道路特點,在上下兩條道路的中點各加入一個交通燈,以便更好地調節(jié)交通流量。車道設置為雙向雙車道,可以突顯每個模型在控制車輛過程中出現(xiàn)的變道超車行為。實驗場景中車輛總數(shù)為200,設置node7交通燈(道路網絡拓撲左上角)為車輛的發(fā)車點,并且車輛繞環(huán)路行駛一周在此節(jié)點處離開實驗場景。仿真過程中車輛分多個批次出發(fā),每個批次內的發(fā)車間隔由具體模型決定,每批次之間間隔10~15 s。
宏觀上,車輛移動模型主要體現(xiàn)在對車流的控制,包括車流的速度、方向和密度等。為研究每個移動模型在城市道路中對交通流的不同控制性能,實驗中對車輛所經過的每條道路上的車輛數(shù)據(jù)進行統(tǒng)計分析,主要從車輛密度,道路占用率和車輛平均速度3個方面分析Krauss,IDM,Wiedemann,BKerner,PWagner和SmartSK 6個車輛跟馳模型在城市道路中所表現(xiàn)出的性能差異。
由圖5和圖6可以看出,每條道路上車輛密度和道路占用率在宏觀上有大致相同的趨勢。車輛出發(fā)后經過E1E2的緩沖加速,車速達到平穩(wěn)狀態(tài)并進入道路E3。Wiedemann和SmartSK模型在E3邊上的車輛密度和道路占用率高于IDM,并且Wiedemann和SmartSK在仿真過程中出現(xiàn)圖7(a),(b)的車輛擁堵現(xiàn)象。由于Wiedemann和SmartSK兩個移動模型在E3邊上都出現(xiàn)了相應的重度、中度的交通擁堵狀態(tài),而且在微觀角度分析,2個移動模型中的單個車輛具有相對較低的加速度,這使車輛在通過交通燈路口時花費的時間較長,繼而導致后面道路的車輛密度和車道占用率比較高。因此,Wiedemann和SmartSK模型完成200輛車的仿真過程用時大于IDM。如圖7(c),IDM模型對于車輛在交通燈處起步時的控制有一個弊端,經過綠燈時,2車道車輛同時起步后并行向前行駛并在較長的時間內保持同樣的行駛狀態(tài),與實際車輛駕駛行為不符。實際行駛中兩個車道內的車輛應該都有自己的車輛駕駛行為意識[24],例如:超車,變換車道等。
高鹽污水中低質量濃度氨氮的物理去除方法………………………………………………………………………熊紅英(1.18)
圖5 每條道路上的車輛密度
圖6 每條道路上的占用率
圖7 通過交通燈時的車輛狀態(tài)
E3邊上Bkerner模型的密度和占用率與IDM差距過大,由圖8(b)可以看出,Bkerner模型在E3邊上沒有出現(xiàn)車輛擁堵現(xiàn)象,但低密度低占用率導致道路上車輛數(shù)較少。Krauss模型的密度和占用率雖低于IDM,但差距不大并且車輛在通過node2交通燈之后相較于IDM也有較高的車輛密度和道路占用率,這就使Krauss模型完成整個車輛仿真的總時間不會高于IDM模型,車輛能夠在較短時間內到達目的地。Krauss模型沒有過高的車輛密度和道路占用率,同時也保證了在城市道路環(huán)境下交通不會出現(xiàn)擁堵現(xiàn)象。由表2可以看出,BKerner模型在仿真過程中車間距明顯小于閾值(最小車間距),這就說明在仿真過程中出現(xiàn)車輛碰撞現(xiàn)象。微觀角度分析,Bkerner模型對單個車輛沒有高度有效的控制,當車輛與前車距離接近閾值時不能有效地實施減速。相較于IDM,PWagner模型在車輛密度,道路占用率方面都保持一個較為平緩的趨勢,每個車道內的車輛分布比較均勻。但圖8(c)顯示,交通燈對PWagner模型沒有明顯的約束,可以看到紅燈亮時車輛并沒有減速或是停止。如表3所示,由于PWagner模型中時間點確定加速度是否改變,從而導致此模型出現(xiàn)較為嚴重的車輛碰撞現(xiàn)象。移動模型必須確保車輛移動的安全性,頻繁出現(xiàn)車輛碰撞的模型不適合完成車輛仿真模擬。
圖8 通過交通燈時的車輛狀態(tài)
表2 BKerner模型車輛碰撞數(shù)據(jù)
表3 PWagner模型車輛碰撞數(shù)據(jù)
如圖9所示,車輛在緩沖加速階段,Krauss和SmartSK模型的平均速度優(yōu)于IDM模型,Wiedemann模型的平均速度和IDM差距較大,導致車輛不能快速進入穩(wěn)定狀態(tài)。在SmartSK進入穩(wěn)定狀態(tài)后,其速度接近Wiedemann模型,這符合密度圖所反映的車流狀況。Krauss模型微觀上對單個車輛的加速,減速以及變道的控制較好,因此,在車輛達到平穩(wěn)狀態(tài)后的速度高于IDM模型。車輛通過E3街道末端的交通燈后進入E4街道,車輛數(shù)相對較少,每個移動模型下的車速都會有相應的提升,經過這條道路所花費的時間減少。由于在E5處車輛碰撞導致交通暫時性的擁堵,BKerner的平均速度明顯下降,車輛經過E5的時間提高。由于PWagner模型的加速度不依賴于前車數(shù)據(jù),并且每批次內的發(fā)車間隔較大,因此在仿真過程中始終高于IDM的平均速度。
44 Prevalence and risk factors of chronic kidney disease in high-risk population in Minhang District of Shanghai
圖9 每條道路上的平均速度
前車勻速行駛,后車高速接近并實施減速的行為,這種車輛跟馳現(xiàn)象在實際交通中時常發(fā)生。以這種跟馳行為為背景設置仿真實驗,可以更好地從微觀角度分析不同模型下單車的行為狀態(tài)。選擇單行道網絡拓撲為實驗場景,定義前車以15 m/s的速度勻速行駛,后車以28 m/s的速度接近,并記錄后車在不同跟馳模型下速度以及車間距的實時變化。
為清晰對比不同模型減速過程中車間距的變化,實驗選擇162~230 s時間段的數(shù)據(jù)進行分析。由圖10(a)可知,在BKerner模型下后車接近前車的過程中,車速總體呈波動下降趨勢??梢苑治龀鲈撃P筒荒芊€(wěn)定控制車輛的速度,當前車減速時,后車可能會處于加速狀態(tài),導致出現(xiàn)車輛碰撞,并且BKerner模型車輛開始減速的時間早于其他模型。由圖11減速過程中車間距的變化可以看出,BKerner車間距始終沒有達到穩(wěn)定值。
圖10 不同模型下減速過程中車速變化
圖11 不同模型下減速過程中車間距變化
結合圖10和圖11可以看出,Krauss,IDM,Wiedemann,SmartSK和PWagner開始減速的時間較BKerner模型晚。在170~180 s期間,車輛處于減速狀態(tài),在減速過程中5個模型對車速均有較好的控制。IDM的車間距大于Krauss和Wiedemann模型,而且減速時間也早于這2個模型。這表明IDM在距前車較遠的距離就開始實施減速,如果處在接近路口過程中,宏觀上整個車流過早進入減速狀態(tài),從而降低了車輛通過路口的效率。Wiedemann,SmartSK和PWagner模型在達到穩(wěn)定狀態(tài)時,速度開始頻繁波動。Wiedemann模型在180~280 s期間出現(xiàn)明顯的波動現(xiàn)象,其原因是車輛在接近模式和跟隨模式間不斷切換。SmartSK中加速度圍繞閾值變化較大,導致車速出現(xiàn)較大波動。PWagner的加速度變化取決于行動點的選擇。例如,在220~250 s期間沒有選擇行動點,車速保持恒定。當車間距較小時,PWagner模型車速出現(xiàn)波動,從微觀上看,該模型對單個車輛不能很好的控制,并且存在車輛碰撞的風險。而Krauss模型是在車間距相對較小的情況下開始減速,車輛整個減速過程中具有較高的效率,并且沒有出現(xiàn)速度頻繁波動的現(xiàn)象。這也表明微觀上Krauss模型對單個車輛具有較好的控制性能。
綜上所述,在單行道場景下,車輛跟馳模型所處環(huán)境簡單,道路沒有其他限制,因此對模型性能要求較低。實驗結果表明,Krauss、SmartSK和BKerner的密度和道路占用率都高于IDM模型,因此,單行道環(huán)境下3個模型對交通的調控效率優(yōu)于IDM。在雙向雙車道場景下,道路設置交通燈以及多車道,測試不同模型對車輛變道、交通燈前減速及起步的控制性能。在復雜場景下,模型對車輛的控制存在不同問題。Wiedemann和SmartSK由于密度和占用率過高,出現(xiàn)交通擁堵現(xiàn)象;Bkerner不能對車輛進行有效減速并且PWagner模型中沒有對交通燈進行相應設置,導致2個模型出現(xiàn)車輛碰撞現(xiàn)象。Krauss和IDM模型對交通的調控性能相近,但Krauss模型在一定程度上避免了交通出現(xiàn)擁堵現(xiàn)象,并且對經過交通燈后的車輛控制符合實際駕駛行為。根據(jù)微觀角度對模型的分析,Krauss模型對單個車輛高度的控制性能,對在城市道路環(huán)境下進行協(xié)議的仿真測試極為重要。
車輛移動模型的選取對車載網通信協(xié)議的分析與驗證至關重要。在仿真過程中移動模型能夠直接影響協(xié)議的吞吐量、包傳遞率以及傳輸時延等性能指標。因此,選擇盡可能真實反映車輛駕駛行為的移動模型是測試車載網通信協(xié)議的關鍵。
文中詳細闡述了SUMO仿真平臺下6種車輛跟馳模型的基礎理論,并根據(jù)車輛跟馳模型的特點設計了3類仿真實驗。在車輛平均速度、車輛密度、道路占用率3個指標以及微觀角度下對各模型的性能進行對比分析,為車載網仿真研究提供了模型選擇的依據(jù)和幫助。