汽车变革发展中的城市交通系统重构与研究综述

  • 杨晓光 , 1 ,
  • 朱际宸 1 ,
  • 王一喆 1 ,
  • 章程 2 ,
  • 时玉琦 1 ,
  • 马成元 1 ,
  • 康振 1
展开
  • 1.同济大学 道路与交通工程教育部重点实验室,上海 201804
  • 2.上海理工大学 管理学院,上海 200093

杨晓光(1959—),男,江苏宿迁人,博士,教授,博士生导师,研究方向为交通工程学、智能交通系统。E-mail:

收稿日期: 2022-06-13

  网络出版日期: 2022-07-05

基金资助

国家自然科学基金项目(52072264)

Reconstruction and Research Review for Urban Traffic System with Innovation and Development of Vehicles

  • YANG Xiao-guang , 1 ,
  • ZHU Ji-chen 1 ,
  • WANG Yi-zhe 1 ,
  • ZHANG Cheng 2 ,
  • SHI Yu-qi 1 ,
  • MA Cheng-yuan 1 ,
  • KANG Zhen 1
Expand
  • 1. Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China
  • 2. Business School, University of Shanghai for Science & Technology, Shanghai 200093, China

Received date: 2022-06-13

  Online published: 2022-07-05

摘要

道路交通系统是人类生存、生产、生活与发展所必需的关键基础,汽车是其重要的载体。历经百余年发展的汽车交通极大地促进人类进步与发展的同时,也带来了极为严峻的交通阻塞、事故、能耗与排放、资源消耗以及低效等问题。面对汽车交通问题日趋凸显的挑战,以及伴随新工业革命汽车不断出现的“轻量化、电动化、网联化、共享化、自动化与智能化”等“六化”变革发展趋势,本论文综述研究了道路交通以及综合交通系统重构和基础理论与关键技术的新发展。特别聚焦于未来汽车变革的基本特征与趋势,探讨因此可能产生的道路交通及其系统关联的影响与重构问题,以及新一代交通工程学(2.0)与关键技术发展方向。研究成果对于未来城市交通系统可持续创新发展、交通强国建设、实现“人享其行”目标,具有重要的前瞻性与引领性。

本文引用格式

杨晓光 , 朱际宸 , 王一喆 , 章程 , 时玉琦 , 马成元 , 康振 . 汽车变革发展中的城市交通系统重构与研究综述[J]. 交通运输研究, 2022 , 8(3) : 2 -20 . DOI: 10.16503/j.cnki.2095-9931.2022.03.001

Abstract

Traffic system is the key foundation of surviving, producing, living, and developing for human, and vehicle is one of the important traffic facilities in the system. After more than a century of development, vehicles have greatly promoted human progress, at the same time, it has also brought severe problems such as traffic congestion, traffic accident, energy consumption, traffic emission, and low efficiency. Facing the increasingly prominent challenges of traffic problems, the innovation and development of vehicles with the new industrial revolution, which includes downsize vehicle, electric vehicle, connected vehicle, sharing vehicle, automated vehicle, and intelligent vehicle, is one efficient solution. This study summarizes the reconstruction of road traffic system, and reviews the basic theories and key technologies with the innovation and development of vehicles. Focusing on the basic characteristics and development trend of future vehicle industry, the paper discusses the possible impact of road traffic under the innovation of vehicles, as well as the key technology and development direction in future traffic system science (traffic engineering 2.0). This study is important to foresee and guide the sustainable and innovative urban traffic system in future, and is also helpful to construct a country with strong traffic network and make people enjoy their travel.

0 引言

易经道“天地交而万物通也”。交通是人类生存、生产、生活及发展所依赖的人和物的移动,是世间万物的交(连接)与通(达)。因此,交通具有复杂巨系统性,不仅广泛地涉及与城市、经济、社会高度关联的交通需求,还须借助自行车、汽车、列车、船舶、飞机等运输工具实现人和物的移动。自第一次工业革命时期汽车诞生以来,极大地提升了人类移动的机动性。一方面,汽车历经百余年的变革与发展已深刻地融入了人类的生活,具有“人享其行”之基本性能。统计表明:2020年底我国的汽车保有量已超2.8亿辆(20辆/百人),超过美国汽车保有量2.7亿辆(81辆/百人)[1]。另一方面,为了修建城市及城市间的道路、停车设施付出了巨大的土地资源和投资。同时,汽车交通也始终面临着阻塞、事故、污染和资源消耗等方面的挑战,并在挑战中不断变革。
根据《未来城市出行蓝皮书(2020)》,2006—2016年,全国城市道路面积年复合增速为6%,但机动车保有量增速为其3倍以上,现有道路(包括行车和停车)基础设施远不能满足城市居民不断增长的机动车出行需求,还造成严重的土地与道路资源消耗、环境污染、交通事故等。因此,亟须破解如此尖锐的交通问题,打造连续、可靠、便捷、舒适、公平、适应各类出行者(老年、弱势出行群体等)的多功能道路交通系统,充分回归交通的“他服务”属性,大幅提升出行品质体验,实现“人享其行,物优其流”,促进城市及交通可持续融合发展。
与此同时,交通运输系统的能耗与排放问题也已给人类生存环境带来了巨大的挑战。统计表明:我国的交通运输行业碳排放量已约占碳排放总量的10%,其中道路交通运输约占全方式的84%[2];全球交通运输碳排放量约占碳排放总量的25%,高度工业化国家(如英国)该占比约为37%[3]。因此,节能减排的重要方向应是降低道路交通运输系统的能耗与碳排放。
优先发展公共交通是改善城市交通的关键。然而,常规的公共汽电车交通因受到通行环境与条件及运输成本的制约,其服务水平的保障和提升极为艰难,不少城市已开始或准备撤除公交专用道,甚至取消公交补贴。根据高德地图《2021 Q1中国主要城市交通分析报告》,中国超大城市、特大城市的平均公交换乘系数为1.518, 1.474,超大、特大和大中型城市换乘平均步行距离约为1 063m, 1 058m和943m,已超出法国巴黎和日本东京地铁换乘距离300~500m。
因此,国内外城市皆面临着在土地资源和环境条件高度约束条件下,如何发展面向未来的“节能减排、安全高效、人享其行、物优其流”交通运输系统的重大挑战。特别是如何发展已高度融合人类生活、连接综合交通运输、实现门到门出行的汽车交通,更是必须深入研究的重大课题。伴随着物联网、移动互联网、大数据和智能化等为特征的新工业革命(也称第四次工业革命)的兴起,新一轮科技进步和产业变革的浪潮正席卷全球,并正在深刻地变革着交通运输系统。20世纪80年代后期,工业化国家几乎同时面临着城市交通阻塞、事故、资源与环境等方面的严峻挑战,因此催生了第一代智能交通运输系统(Intelligent Transport Systems, ITS)。进入21世纪,全球的交通问题特别是交通能源与环境问题再次尖锐,移动互联网、大数据及人工智能科技迅速发展,2010年上海世博会上出现了新一代网联化、电动化和智能化车辆,标志着第二代智能交通运输系统发展的开启。
新工业革命和汽车交通问题的挑战,正在加快汽车及其交通系统朝着“轻量化、电动化、网联化、共享化、自动化和智能化”等“六化”方向发展。我国的《汽车产业中长期发展规划》指出,需要加快汽车产品向新能源、轻量化、智能和网联的方向发展,支持汽车共享技术的应用,加强汽车与新一代智能交通技术融合发展与应用[4]。显而易见,新型汽车的发展将对道路交通出行方式及其系统产生深刻影响,进而使得基础设施、土地资源与能耗、通行环境、通行规则、信息交互及整个交通系统结构发生巨大变革,必将催生出交通系统重构、交通科技研究与开发及应用的再发展。
因此,在全新的汽车及其群体环境下,如何重构新一代的道路交通体系,重构道路交通与综合交通运输协同体系,以及构建新一代交通系统科学与技术和方法及人才培养体系,赋能交通强国建设,已经成为亟待研究的重大课题。为了理清汽车变革及其对道路交通系统等方面更广泛的影响,本文综述了进行中的汽车“六化”革新与发展方向,及其所带来的交通系统变革与重构,包括交通系统需求、运输、设施、资源与能源、服务、管理与控制、综合治理、信息化与智能化等研究领域的新发展,新一代交通(系统)工程(2.0)体系等,并展望了未来发展趋势。研究成果对于未来城市交通与综合交通系统发展及其研究与应用具有重大的理论意义和实用价值。

1 汽车变革与发展方向

汽车自百余年前诞生以来,不仅为人类出行带来便利,甚至变革了人类生活。同时,也伴随交通阻塞、事故、资源消耗和环境污染等方面的挑战而不断变革。当代的汽车及其交通系统正呈现“轻量化、电动化、网联化、共享化、自动化、智能化”的“六化”特征。

1.1 轻量化

汽车轻量化的概念最早起源于赛车运动,相关研究主要集中于汽车结构优化设计、轻量化材料研究以及制造工艺提升。其中,结构优化设计是以最小化结构质量或体积为目标,对汽车尺寸、几何外形、拓扑结构等进行多目标的优化设计,即小型化汽车[5]。以高强度钢、铝合金、镁合金、钛合金、新型塑料及复合材料等为代表的汽车轻量化材料已经成为当前汽车行业亟需开发的重点技术领域。轻量化汽车的制造工艺研究中也出现了许多的探索性应用,包括热冲压、胶接工艺、液压成形、激光焊接等技术。
轻量化汽车可以有效提高整车燃料经济性及操控稳定性,对于降低交通排放、提高通行能力具有重要意义。汽车轻量化所带来的车辆小型化变革如图1所示,是对应现实中大量的汽车出行为个体出行,而老龄及残障人群出行不便等特征而产生的。道路及其停车空间资源的制约,也促进了小型车辆的发展。因此,轻量化汽车并辅以电动化、自动化和智能化发展,将对全面实现汽车交通节能减排,减少运行与停放空间占用,促进所有人群便利、机动、连续出行产生深刻的影响。不久的将来,轻量化小型汽车甚至能够随电梯进入建筑物内部,最大限度地接近人们出行的出发地和目的地,真正意义上实现门到门出行服务。
图1 多模式小型电动汽车

1.2 电动化

汽车电动化即新能源化,是指采用非传统的车用电池等新能源燃料的汽车,这是解决传统燃料汽车高能耗且产生环境污染等问题的有效途径,主要包括纯电动汽车、混合动力汽车及燃料电池汽车等。
电动汽车的关键技术主要有电池技术、电机技术及电控系统等[6]。其中,电池技术是电动汽车的基础,目前主要有铅酸电池、氢镍电池、锂离子电池技术等;电机是电动汽车动力系统的核心,车用电机系统正朝着高度集成化方向发展,以增强电机效能,减少能源消耗;电控系统是电动汽车正常运行的保障,可监控和管理汽车的运行状态。
近年来,以电动汽车为代表的新能源汽车产销量与市场占比如图2所示。2021年新能源汽车全年产量同比增长高达152.5%,市场占有率达到13.40%。新能源汽车发展势头强劲,已成为未来汽车行业与交通系统研究极其重要的方向,将加快交通系统碳达峰与碳中和进程。
图2 2014—2021年中国新能源汽车产销量及市场占有率

1.3 网联化

网联汽车通过车载设备,利用无线通信技术与周围车辆、路侧设备等进行通讯,感知周围车辆信息与交通状态信息,从而实现提高通行效率、保障交通安全及高度智能化服务与管理等目标。从早期的专用短程通信(Dedicated Short Range Communications, DSRC)技术,到基于移动蜂窝网络LTE-V2X技术,再到5G通信环境下的新一代5G-V2X技术[7],网联汽车的通信技术在覆盖范围、感知距离、稳定性、传输时延等方面都有了巨大的进步。
汽车网联化与发展,为进一步实现汽车交通网联共享服务,以及汽车交通与综合交通系统协同管理,特别是为车路协同管理与控制、主动安全与车速引导及路径诱导管理等提供坚实的基础条件。同时,网联汽车还可提供极其丰富的交通系统基础数据,将传统的集计交通数据环境变革为实时非集计数据环境,从而为提高道路交通系统精细化、精准化主动协同管理及控制水平与智能决策支持能力等奠定基础。

1.4 共享化

共享汽车的核心意义在于驾驶员对车辆只有使用权而无需拥有所有权,是重复租赁制汽车。随着移动互联网的快速发展与电子钥匙、卫星定位系统、电子支付等技术的突破,共享汽车的行业规模不断增长。
目前关于共享汽车的经济效益、运营模式、用户选择意愿、政策导向[8-10]等方面都有较为成熟的研究与应用。共享汽车的出现,有助于减少城市汽车保有量,代替传统的私家车出行模式,缓解交通拥堵与污染问题,影响城市道路交通系统的需求结构与管理模式。

1.5 自动化

汽车自动化主要指汽车驾驶自动化,即车辆以自动的方式持续地执行部分或全部动态驾驶任务的行为,是以驾驶自动化系统(实现驾驶自动化的硬软件所共同组成的系统)为支撑。
汽车驾驶自动化功能,包括驾驶自动化系统在特定的设计运行条件内执行部分或全部动态驾驶任务的能力。一个驾驶自动化系统可实现一个或多个驾驶自动化功能,包括但不限于车辆横向运动控制与车辆纵向运动控制等。
基于驾驶自动化系统能够执行动态驾驶任务的程度,根据《国家车联网产业标准体系建设指南(智能网联汽车)》和在执行动态驾驶任务中的角色分配[11],以及有无设计运行范围限制,驾驶自动化被划分成0级至5级共6个等级。其中,0~2级为驾驶辅助,系统辅助人类执行动态驾驶任务,驾驶主体仍为驾驶员;3~5级为自动驾驶,系统在设计运行条件下代替人类执行动态驾驶任务,当功能激活时,驾驶主体则转变为系统。鉴于汽车自动化不仅是技术层面的,还涉及复杂的行驶环境与条件乃至法律等,所以,实现完全自动化是一个不断演进的过程。2021年5月上海车展会发布的信息表明,中国有望在2025年实现70%的量产新车型具备L3级别自动驾驶水平、L4级别自动驾驶水平汽车开始规模化应用,到2030年有望实现L5级别自动驾驶水平汽车的量产。因此,汽车自动化将深刻地变革交通系统基本要素与结构、规划、设计、管理、服务、决策、治理,及其科学与技术体系。

1.6 智能化

智能汽车搭载先进的传感系统、决策系统与执行系统,使汽车具备环境智能感知能力、智能决策与执行能力,反映汽车自动化的不同能级。
传感系统为智能汽车提供了智能感知的能力。目前相关研究主要针对传感器及数据处理技术,致力于提高传感器系统在极端条件下的可靠性和数据采集的精确度。决策系统是智能汽车的大脑,让汽车能够模仿人类驾驶员,利用传感系统的实时数据做出最优的智能决策,其中基于机器学习[12]、效用模型[13]、深度学习[14]等方法的智能决策框架已经有了较为深入的研究与应用。执行系统接收最优决策方案后,对车辆速度、加速度、转角等进行智能控制。
智能汽车的出现,不仅能够在汽车自动化能力的基础上更加智能化,解放人类驾驶员的双手,还能够充分地拓展城市道路交通系统的功能和性能。

2 汽车变革中的交通系统重构

汽车作为最关键的、基础的道路交通运载工具,不仅极大地提升了人类移动的机动性与便利性乃至改变了人们的日常生活,更深刻地影响并变革着整个综合交通体系乃至城市系统、经济系统和社会系统。具体体现在对交通系统要素,交通系统复杂网络有机关系,交通系统效能及目标达成,以及交通系统科学与技术体系的变革、重构和创新发展。

2.1 汽车“六化”变革对交通系统“七要素”的影响

交通系统不仅是道路交通系统,还包含轨道交通、航空交通、水运交通系统等综合交通体系。作为一个有机的交通系统,具有基本的“七要素”:①移动主体(人和物);②交通工具;③交通设施;④交通资源(时空与能源);⑤交通环境(含物理、生态、心理环境);⑥交通规则(含政策);⑦系统交互(信息与联系)等。因此,汽车“六化”变革对其可能产生的影响可归纳如表1
表1 汽车变革对交通系统要素的影响
系统要素 传统汽车与交通要素 汽车“六化”变革对交通要素的影响
移动主体 出行阻塞、低效能、交通不便、安全性低、成本高等 可实现人享其行、物优其流
运载工具 车辆资源利用率低、能耗与排放高、通行效率低 最大限度降低汽车负面效能,提供人享其行运载功能,有机衔接综合交通
交通设施 设施通行能力与通行效率低、安全性低、投资大等 充分提升设施效能,实现车路联网与协同化、设施智能化,
使空间资源得到最佳利用
交通资源 道路、车道和停车空间资源利用率低、能耗高 动静态充分利用交通系统时空资源,最大程度降低交通能耗
交通环境 通行环境不良、能耗与排放高、环境污染严重 最大程度改良通行环境与条件,降低能耗与污染
交通规则 不良的人为因素与法律、规则冲突严重 最大限度实现规则与交通行为协同,基于科学决策制定公共政策
系统交互 要素有机联系与信息化程度低 交通系统充分网联,趋于全息感知,基于大数据的系统调控能力全面变革

2.2 汽车“六化”变革对交通系统“八网络”的影响

交通系统构成要素的内外在有机联系以及系统功能与性能,主要通过以下“八网络”(如图3所示)实现:①需求网(与经济、社会、城市密切关联);②运输网(不同运载模式);③设施网(支撑不同运载模式与功能和性能);④能源网(支撑运载能耗);⑤服务网(支撑不同服务需求);⑥管控网(提供运行与运营保障);⑦治理网(提供政策和机制保障);⑧信息网(支撑系统要素和复杂网络感知与交互通信及互联)。汽车“六化”变革对交通系统“八网络”可能产生的影响可归纳如表2
图3 交通系统与复杂网络基本关系
表2 汽车变革对交通系统复杂网络的影响
复杂网络 传统汽车与交通网络 汽车“六化”变革对交通系统网络的影响
需求网络 交通与城市融合程度低,多模式出行不协同、
低效能、成本高等
可实现交通与城市和社会高度融合,需求与供给最佳协同,
人享其行、物优其流
运输网络 汽车出行效能低,与多模式运输不整合、
不协同、不连续,矛盾突出
汽车交通与多模式交通最佳协同、零换乘,支撑人享其行、
物优其流的配送运载功能,实现运输网络服务与绩效最佳化
设施网络 设施通行能力与通行效率及安全性低、
投资大等
通行与停放等交通设施效能充分提升,
车路及多模式交通设施联网与最佳协同,设施资源得到充分利用
能源网络 能耗高,能源局限于非网联化燃油加油站等 多模式能源以及充电网络化,充分支撑降低交通能耗与排放
服务网络 自服务为主,服务碎片化,品质与绩效低、
成本高
高度网联化,全面支撑出行链与服务链,实现高品质、高绩效、
伴随式服务
管控网络 道路交通管理与控制,以及多模式交通协同
能力弱、效果差
最大程度地实现服务导向型道路交通的高效能管控,多模式交通
最佳协同管控
治理网络 汽车交通与城市协调发展及其规划-设计-管理-服务-政策-决策综合治理能力弱 汽车交通与城市及社会最大程度实现协调、可持续发展和综合治理科学化、精细化与精准化
信息网络 车路联网及车与系统联网(V2X)程度低、
能力弱,难以有效感知、通信与交互
可实现道路交通及其出行全息感知与联网,支撑汽车交通与综合交通运输系统高效能规划、设计、管理、服务与决策

2.3 汽车“六化”变革对交通系统“九效能”的影响

交通系统的终极目标是实现其效能并达成目标。《交通强国建设纲要》提出我国交通强国建设的总目标是“人民满意、保障有力、世界前列”;《国家综合立体交通网规划纲要》进一步确立了我国综合立体交通系统发展的效能与目标。面向“现代交通+”城市与社会和经济协同发展,以及智能交通与智慧城市、智慧社会和智慧经济发展的趋势,可将交通系统发展的效能和目标归纳为以下九个方面:①便利顺畅;②经济高效;③绿色集约;④智能先进;⑤安全可靠;⑥公平持续;⑦城市融合;⑧社会融合;⑨整合集成。汽车“六化”变革对交通系统“九效能”可能产生的影响可归纳如表3
表3 汽车变革对交通系统效能的影响
系统效能 传统汽车与交通效能 汽车“六化”变革对交通效能的影响
便捷顺畅 出行阻塞、低效能、不便利、安全性低、成本高等 可实现人享其行、物优其流
经济高效 道路和停车场库时空资源利用率低,出行易阻塞,时耗与
能耗高,交通供需不协调,多模式交通效率低,经济贡献小
动静态充分共享,高度利用道路及多模式交通系统时空资源,最大程度协同供需、降低汽车出行成本、有机衔接并与综合
交通模式及智慧经济高度融合发展
绿色集约 汽车能耗与排放高,人均车辆及道路利用率低,非绿色集约 汽车低能耗、低排放,人均、车均资源利用率高,充分利用交通系统时空资源,与多模式公共交通最佳融合
智能先进 通行环境不良,能耗与排放高,环境污染严重 最大程度改良通行环境与条件,
降低能耗与减少污染
安全可靠 事故高发、交通阻塞频繁,
导致交通功能和出行时间不可靠
充分实现车路协同,汽车出行趋于
零事故、零阻塞,交通安全性高、可靠性高
公平持续 路面交通资源按车而非按人分配,且混合交通矛盾突出,
不可持续发展
接近于按人分配资源,改善非机动化出行与混合交通,减少资源消耗与环境污染,可持续发展
城市融合 汽车交通与城市发展弱整合,智能交通与智能城市融合度低 轻量、网联、共享和智能交通高度地与智慧城市融合发展
社会融合 汽车交通与法规及社会发展
弱融合,综合治理不足
高度提升交通公平性、安全性、资源利用效率,交通与社会融合,实现综合治理
整合集成 汽车与综合交通及城市、社会、经济未形成网联化融合发展,
非一网通管与一网统管
极大地促进综合交通运输系统多网络高度网联化,
实现智能交通与智慧城市、智慧社会、智慧经济一网统管与
一网通管融合发展

3 汽车变革中交通系统科学与关键技术研究的发展

3.1 交通(系统)工程学2.0发展

交通系统科学与关键技术研究,可追溯到20世纪30年代,伴随着第一次工业革命而诞生的汽车及其交通问题凸显而创立的,研究汽车交通为主的交通工程(1.0)学科专业体系。历经90多年的发展,交通工程学科的内涵与外延已发生了深刻的变化,从早期的汽车交通系统为主,逐步发展为综合交通系统科学与技术研究,在我国还专门设立了“交通运输工程”学科,研究铁路、道路、水路、航空运输系统及其基础设施的布局规划与设计、载运工具运用工程、交通信息与控制工程、交通运输运行与运营管理、交通运输安全与环境工程等,并培养相关人才。然而,其研究对象和主要内容仍多局限于早期的学术框架。以物联网、互联网、大数据、人工智能为特征的新一代科技带来了汽车及综合交通系统的不断变革,正在深刻地影响并导致了道路交通乃至综合交通系统重构。因此,新一代交通(系统)工程学2.0正在初步形成[15],其研究对象、研究目标、研究条件、研究内容、研究方法等要旨如下。
(1)研究对象重构
伴随着信息化与智能化发展,交通(系统)工程学2.0研究对象如表4所列,较交通(系统)工程学1.0所研究的系统要素间作用和反作用关系及对其认识的有限性,新的交通系统要素皆已发生质的变化,其有机联系性和相互作用与反作用性强、系统趋于透明化,具备充分的可认知性。
表4 交通系统要素及研究对象
系统
要素

/物
交通工具 交通
设施
交通资源 环境 规则
/政策
信息+ 互联网/物联网/
区块链
智能车辆 智能交通设施 经济+生态驾驶 全息
感知
智能决策
(2)研究目标重构
交通(系统)工程学2.0相关的研究目标(如表5所示)将进一步加强与城市和社会及经济的结合,进一步揭示复杂交通系统的规律,建立科学体系,关注应用研究。
表5 交通系统研究目标
研究目标 规律揭示 面向
规划
面向
建设
面向
管理
面向服务 面向
决策
交通(系统)工程学1.0 √ √
交通(系统)工程学2.0 √√√ √√ √√√ √√√ √√√
(3)研究条件重构
交通(系统)工程学2.0相关的研究条件将发生巨大的变化(见表6),包括观测条件、实验条件、计算条件、研究需求、研究规模和研究复杂性等全面重构。
表6 交通系统研究条件
研究条件 观测
条件
实验
条件
计算
条件
研究需求 系统规模 复杂性
交通(系统)工程学1.0
交通(系统)工程学2.0 √√√√√ √√√√ √√√√ √√√√ √√√√ √√√√
(4)研究内容重构
交通(系统)工程学2.0相关的研究内容将发生极其丰富的变化(见表7),主要包括:基于交通数据分析与建模方法研究,网联与信息环境下交通系统解析,主动智能交通管理,主动智能交通控制,主动与共享服务,以及多目标评价与决策等。
表7 交通系统研究内容
研究内容 数据分析与建模方法 信息环境下系统解析 主动
管理
主动
控制
主动与共享
服务
多目标评价与决策
交通(系统)
工程学1.0
交通(系统)
工程学2.0
√√√√√ √√√√√ √√√√√ √√√√√ √√√√√ √√√√√
(5)研究方法重构
交通(系统)工程学2.0相关研究方法将发生革命性变化(见表8),包括:理论解析法、实验分析法、计算实验法、平行系统法、虚拟现实法以及综合研讨法等。
表8 交通系统研究方法
研究方法 理论
解析法
实验
分析法
计算
实验法
平行
系统法
虚拟
现实法
综合
研讨法
交通(系统)
工程学1.0
交通(系统)
工程学2.0
√√ √√√√√ √√√√√ √√√√√ √√√√√ √√√√√

3.2 交通系统信息环境特征转变

电子与信息技术的发展推动了交通信息采集技术由基于固定检测器,如检测线圈、雷达、红外线等方式采集较短时间间隔内的流量、占有率、平均速度等信息,进一步向基于射频自动识别(Radio Frequency Identification, RFID)、汽车牌照视频识别、浮动车数据及网联交通轨迹数据等移动式信息采集技术的快速发展。
汽车的轻量化、电动化、共享化、网联化与智能化发展,可以为道路交通系统提供更加丰富和完善的基础信息,包括车辆类型、OD信息、排放、车载人数等,采集精度也由以往的长间隔、粗粒度拓展为短延时、细粒度,时间维度从单一集计采集方式发展为时间与空间两个维度上全时段、全要素无缝覆盖的非集计采集方式,推动道路交通及综合交通系统进入大数据时代,如表9所示。
表9 汽车变革中的交通系统信息环境特征
类别 传统汽车交通
信息环境
汽车变革中的交通系统
信息环境
采集方式 人工检测、
固定/移动式检测器
网联通信信息、
共享数据信息
信息种类 集计数据(流量、
占有率、平均速度等)
非集计数据(位置、速度、
转向需求、排放、车载人数、轨迹等)
采集频率 时间间隔较长 实时
覆盖范围 受限于检测器布设
位置与精度
全时空、全要素、全息覆盖
可靠性 较低 较高

3.3 交通出行模式与结构变革

传统汽车仅局限为道路交通中的一种单纯的交通运载工具。随着汽车变革,人类将逐渐从驾驶中解放出来,出行者对于移动空间的功能性要求也会提高,汽车正在成为道路交通系统中的一个综合性第三空间(居住、工作之外的休息空间),从而改变现有的出行模式与结构。

3.3.1 交通出行模式变革

汽车轻量化(特别是小型化)和网联化所具有的高度机动性,将与公共交通深度融合、协同发展,极大地改善“最后一公里”的交通出行与服务,小型汽车甚至可以乘电梯开进居民住宅或办公空间,真正意义上实现门到门出行。网联化、自动化与智能化汽车将解放驾驶员的双手,在自动驾驶技术的加持下,出行者能够充分地利用在途时间,享受舒适安心的交通出行环境以及更多的功能。共享汽车的发展亦将促进全新的出行模式出现,由传统的私家车出行转变为预约共享出行,实现汽车出行供需的最佳协同、按需调度,提升出行服务质量。此外,电动汽车还将推动践行绿色与安全出行等理念。
技术的变革与发展推动汽车朝着综合性的移动空间方向发展,成为集出行、预约、社交、办公、娱乐、支付等功能为一体的应用终端,改变出行及其服务模式结构。因此,方便快捷、绿色环保、智能互联、预约共享、门到门出行模式将是未来的发展方向。

3.3.2 交通出行结构变革

新型汽车对居民出行结构的影响,将反映在未来的公共交通、汽车出行、慢行交通等出行结构及其最佳匹配关系的重构,从而极大地促进以公交为主体的综合交通系统和谐发展。

3.4 交通规划与设计体系变革

3.4.1 交通规划体系变革

交通规划是基于交通发展的目标和需求及其资源条件,通过技术方法和政策研究而形成的面向近、中、远期的交通系统建设、管理及服务方案。传统的基于交通需求四阶段分析的规划方法依据十分有限的抽样调查数据展开,存在调查成本高、主观性大、预测分析不准确等问题。汽车“六化”变革将带来全新的交通系统“七要素”、“八网络”及“九效能”体系的重构,亦即新交通方式、新出行结构、新数据环境等的结构性变化。因此,交通规划及其决策理念、方法和技术亟须创新发展,以适应汽车变革中综合交通系统规划要求。
(1)土地利用高能化
未来汽车变革所带来的便捷、高效、快速等特点,将大幅提升城市空间的可达性与连通性,由此改变土地利用模式与选址布局。研究发现,未来共享化与智能化汽车可减少90%以上的私家车出行[16];轻量化汽车将减少单位车辆占用的通行及停车空间;网联化汽车有助于实现停车设施的动态优化布局[17],从而实现城市停车用地的集约化管理。此外,汽车变革也将带来居民住宅用地规划、工业用地规划等发生结构化的变革[18]
(2)交通设施高效化
汽车的变革还将充分地提升道路交通系统的本质供给(人和物的通行)能力,通过设置专用车道和专用路等影响道路网的拓扑结构,由此提高路网通行能力[19]。如Wu等[20]在网联汽车环境下提出了公交专用道动态优先策略,为路网内公交专用道规划与管理提供了参考。此外,也有学者研究了基于共享出行的城市街道空间规划方法[21]
(3)能源网与设施网高度耦合
随着新型汽车,特别是新能源汽车的发展与普及,未来交通系统的能源网与设施网耦合将更加密切[22]。相关研究旨在满足能源负荷与交通需求的前提下,对基础设施进行布局优化,特别深刻地影响城市道路交通出行与能源网络的结构。
目前的研究主要在电力网络与充电设施的耦合规划方面:Zhang等[23]考虑了电动汽车的行驶范围与随机需求,以配电网络投资和运行成本最小为目标,设计了充电站的选址规划模型;He等[24]结合直流最优潮流(Direct Current Optimal Power Flow, DCOPF)模型与用户均衡(User Equilibrium, UE)准则,对城市道路交通系统的充电站选址与定容进行了规划;还有许多研究是关于考虑能量损耗、发电成本、出行时间、充电站服务能力等多目标耦合的规划模型[25-26]
未来,随着氢燃料电池等为代表的新型能源技术的变革与突破,多类型能源网络与交通设施网络耦合互动的场景越来越多[27],如何对不确定交通需求与时变能源传输特征进行建模,实现能源与交通系统高效协同优化,提高耦合系统应对事故风险的韧性与可靠性,应给予更多的关注。
(4)交通需求变革
汽车变革将显著地改善出行的最后一公里乃至最后一百米的便捷性,诱增了出行意愿,老年人与未成年人的出行也将增加[28],进而产生更多的汽车出行需求。在全新的汽车条件下,出行者对于出行成本与效用的敏感性将发生改变[29-31],深刻地影响交通需求与方式分布。同时,可以利用汽车变革带来的丰富的高精度数据,更准确地预估和把握个体出行需求;也为交通分配研究提供了新的方法和思路,如基于交叉口效益[32]、换乘需求[33]等的分配模型研究。

3.4.2 交通设计体系变革

交通设计[34]是基于城市与交通规划的理念和成果,以交通通畅、安全、便利、公平与环境和谐为目标,系统“资源”(时间资源、空间资源、环境容量、投资等)为约束,对现有和未来建设的交通系统及其设施进行优化设计,寻求最佳交通系统结构与关系、改善交通的方案,最佳地确定通行权、系统的时间和空间要素、管理与服务方案及设施布局等,中微观性,体现构思、创造、优化、组合、整合性。交通设计上接城市与交通规划,下接交通管理,直接交通设施工程设计,间接工业设计,基于系统工程(最佳化)原理,促使交通建设与改善方案适应交通系统功能与微观特征,从而整合交通系统各构成要素,以实现交通系统和设施的最佳建设[35]。随着汽车“六化”变革,交通系统发展的新思想、新理论、新方法和新技术层出不穷,如何重构交通设计方法体系,基于新型汽车特征更加动态化、精细化、以人为本设计道路交通乃至综合交通系统,重新配置时空资源,最大化利用并提升系统效能,将是交通设计理念、理论与方法发展的新方向。
(1)交通设计精细化与精准化
轻量化汽车的出现将导致交通通行空间,如车道宽度、几何线形及交通标志标线等设计要素的标准规范重新制定,以更好地适应轻量化汽车便捷性、高机动性等特征;智能化与网联化汽车将促使道路交通系统的时空资源利用从传统的静态转变为动态,可变车道功能设计、交叉口流线组织等设计内容将更趋动态化。
(2)资源重构交通设计
汽车的轻量化将极大地变革道路空间资源利用和优化设计方法。一方面,Zahiri等[36]证明了轻量化汽车环境下,城市道路交通系统的平均行驶速度更高,污染和排放也将明显减少,从而全面地提升交通的机动性。另一方面,车道宽度可以更窄、纵向容量更大,从而充分地利用道路空间资源,提高其通行能力[37]。在大型车辆和轻量化车辆混行的条件下,Zhao等[38]探索了如图4所示的特殊车道设计在现实中的适用性:既可以是单个车道作为一辆轻量化汽车的行车道,也可以两个车道合并为一个大型车辆的行车道。研究结果证明,当大型车辆的数量较少时,交叉口的通行能力提高幅度能够达到75%。文献[39]进一步分析了这种特殊车道对于信号配时、交叉口设计方案等因素的敏感度。同时,停车场库的资源重构交通设计也有诸多亟待研究的课题[40]。有关资源重构的交通设计研究方兴未艾。
图4 轻量化汽车行驶车道精细化设计[38]
(3)包容性交通设计
新型汽车还带来了汽车的智能性和可控性显著提升,因此对全新的交通设计理念和通行规则也有诸多研究。Li[41]提出的智能化汽车环境下“对称交叉口”设计,改变了传统车辆必须全部靠左或靠右行驶的规则,减少了交叉口内部的冲突点,并提高了其通行能力。Wang等[42]提出了双停车线设计并配以预信号,有效利用信号控制交叉口的绿灯间隔时间。此外,可变车道设计也更加动态化、精准化:在网联化、智能化汽车环境下,Levin等[43]构建了车道功能动态变化模型,使得车道在时空上均能够适应功能变化。
(4)集成化交通设计
道路交通系统的干线或者网络层的设计在未来的研究中是十分重要的,可以基于汽车的“六化”变革充分地挖掘系统效能。此外,针对多种交通创新设计进行最佳组合、集成优化,更是未来的发展方向。因此,随着汽车转型发展,亟需开展新型的交通设计理论与方法研究,并不断进行实地应用。

3.5 交通系统控制与管理体系变革

交通控制是调控与疏导交通流、保障交通系统安全与畅通的重要手段。伴随着汽车的百余年发展,交通控制理论与方法不断与时俱进。交通控制对象从单点交叉口扩展到干线,再扩展到路网(如图5所示),基础数据来源也从历史统计数据、检测器数据发展到多源数据融合与轨迹数据,从传统的被动式控制方法逐渐转变为主动式预测控制[44]。然而,以往的交通信号控制,更多的是对交叉口及多路口的通行权进行分配与协调,由于传统车辆运行存在极强的随机性和不可预测性,交通控制方案仍然面临着极大的不精细和失效风险。
图5 交通控制发展历程
汽车变革发展将充分拓展交通控制的能力和边界,为实现多功能、多需求和多目标交通控制提供可能。汽车的海量非集计数据丰富和扩展了交通控制方法,并为多目标优化控制提供了支撑[45];新型汽车的可控性及调节交通流的能力,也将改变现有交通控制理论体系,推动交通控制从传统的“灯控”转变为“车控”,形成全新的交通控制主体;车路联网与协同、人工智能、云边协同等技术也将赋能交通控制,信号优化配时参数计算方式迎来了革新[46-47],更多先进的理念与方法将充分地应用于交通控制领域。

3.5.1 交通控制目标与手段变革

(1)交通控制目标发生变化
新型汽车丰富的数据与信息环境,促进了多功能、多目标交通优化控制研究,除了传统的减少延误、提高通行能力等目标外,基于汽车驾乘体验的新控制目标,如减少排放与能源消耗[48]、提高舒适性[49]、提高公平性[50]等,皆有相关进展。
(2)主动、精细的交通控制
新型汽车可为交通信号控制系统提供更加详尽的轨迹数据与信息,包括位置、速度、转向需求、排队等待时间等,进而促使交通控制手段更加主动。如,He等[51]基于车队信息以及特殊车辆优先通行请求,构建了信号配时的混合整数线性规划模型;Bin Al Islam等[52]利用网联化汽车提供的位置与状态信息,构建了分布式的城市道路网交通信号协同优化模型。此外,基于交通状态预测的主动信号控制也有较多的研究[53-56]
(3)交通控制对象发生变化
新型汽车可控性将交通控制对象精细到每辆车,使得汽车与信号协同优化成为可能。Yu等[57]建立了统一框架下信号配时和车辆轨迹的集成优化模型,以达到延误最小的目标,并采用滚动规划时间窗以实现动态优化。Yao等[58]提出了一个分布式控制模型,对信号配时和车辆的纵向跟驰行为进行优化,以最小化每辆车的行驶时间、燃油消耗和安全风险。目前的研究大多集中于车辆在车道上的纵向轨迹与信号配时的协同优化,因此Ma等[59]提出了横纵向轨迹耦合的信号与车辆协同优化模型,以最小化车辆延误、燃油消耗和换道成本,通过并行蒙特卡洛树搜索算法提高换道策略的搜索效率。
(4)新型交通控制
汽车变革仍处于发展阶段,传统汽车与新型汽车组成的新型混合交通环境将长期存在,如何实现多控制主体的多功能、多需求与多目标协同控制,将是未来的主要研究方向。此外,由于交通控制问题的高度复杂性,如何设计分布式、自组织等高效求解算法,也将是今后研究的热点。未来,无信号控制交叉口将成为可能,传统的交通控制也将被更加精细与精准化的汽车协同驾驶替代[60-62],相关研究值得期待。

3.5.2 汽车调度技术研究

在汽车共享化与智能化的影响下,如何进行汽车的运营调度管理,以实现全时空范围内匹配乘客的出行需求,提高道路交通系统的运行效率,已成为另一重要的研究领域。
(1)共享交通调度管理
汽车调度技术研究的主要目的是在降低调度运营成本的同时,尽可能满足乘客出行需求。Vasconcelos等[63]提出了共享化与电动化汽车环境下,车辆调度运营商关于成本与环境效益的评估方法;Bruglieri等[64]构建了调度工作量最少与用户需求满足最大化的多目标优化模型,利用两阶段求解方法探求多个目标的平衡点,为共享汽车公司的车辆运营提供建议;Levin等[65]将共享化与智能化汽车作为公交车的一种补充,建立了线性规划模型以确定最佳的智能共享汽车与公交车调度方案,以解决最后一公里问题;Yi等[66]在自动驾驶环境下,提出了以车队为单位共享汽车调度与收费决策方法,证明了车队的运营形式能够显著减少车辆空载里程,从而降低运营成本。
除了基于模型的方法,强化学习方法在车辆调度技术中也有较为广泛的应用,如:Lin等[67]提出了一个组合的多智能体强化学习框架,以捕捉高维空间中复杂、随机的供需变化;Mao等[68]基于表演者-批评家(actor-critic)的强化学习框架,提出了匹配出行需求与车辆供应的学习方法,以考虑不同的用户优先级,保证公平性。同时,考虑电动汽车充电行为的调度运营策略也有相关的研究[69]
(2)多需求与多目标调度管理
汽车调度与交通系统出行结构及其需求水平息息相关,对于不确定需求的预测是未来车辆调度技术研究与应用的基础。关于车辆调度的目标,不仅局限于运营效益最大化,还应当考虑用户体验与公平性等目标。此外,对于出行需求相似的乘客,动态优化汽车调度方案,以匹配城市路网合乘拼车需求[70],也是未来研究的重点。

3.5.3 预约出行研究

(1)出行预约
随着共享化、网联化等汽车技术的发展,预约出行成为改善交通系统需求时空不均衡问题的重要手段:通过准确掌握出行需求的时空分布特征,为个体交通出行编排时间表、提供出行方案,从而达到缓解交通拥堵、避免途中排队、降低出行过程中的无效损耗等目标,将交通系统线下排队转化为线上排队和在家等待[71]
(2)车道预约通行
Liu等[72]首先对高优先级的汽车设计了车道预约系统,然后对专用车道的使用权进行分配以提高专用车道的利用效率;Su等[73]建立了预约出行系统的仿真模型,基于车路通信环境,道路交通系统可以为出行者预留一定的容量,仿真结果显示,在交通需求水平较高的情况下,预约出行可减少58.6%的延误和18.3%的二氧化碳排放;Roca-Riu等[74]结合共享汽车调度问题,设计了出行时间的预约订购机制和租金收费模式,在保障运营商收益的同时满足消费者的出行需求;Perronnet等[75]利用预约出行方法来避免城市道路交通网络死锁现象,并提出了分层结构的城市道路交通网络协同管理方法,证明了预约出行对于避免严重的拥堵具有重要意义。
(3)预约机制
预约出行机制是在拥堵收费、可交易路权等需求管理手段的基础上,结合汽车的变革,形成的一种更加高效和精准的交通供需平衡手段。未来,道路交通及多模式交通协同的预约出行机制相关技术支撑研究,包括实时通信、路况监测、仿真计算、收费标准、制度保障、多模式交通服务等方面[76],尚待进一步的探索。

3.6 交通系统分析理论与方法

交通是一个综合、复杂、开放、动态的系统,如何建立评价分析和计算理论及方法体系也是当前的研究重点。以往城市道路交通评价分析多聚焦于交叉口和路网,在传统车辆环境下,其评价多局限于单一指标,未考虑多目标之间的有机关系和综合性,对于不同地区评价指标选取及其适用范围的确定也需更加专业化与科学化。

3.6.1 车辆运行机理解析

(1)个体车辆运行
车辆跟驰与换道模型是个体车辆运行机理解析的重要组成部分,是道路交通系统建模与仿真的关键基础。传统汽车的跟驰与换道模型主要任务是揭示和刻画人类驾驶行为对周围车辆的影响规律。汽车的变革将带来车辆性能与特征的变化,导致微观乃至细观驾驶模型出现。
在电动汽车能耗模型的基础上,以最小化车流总体能耗为目标建立跟驰模型[77]。受限于汽车的电池容量,Tang等[78]在行驶里程约束下,考虑汽车在充电站更换电池的行为,拓展了现有的跟驰模型。Yang等[79]还讨论了跟驰行为对汽车电池寿命的影响,研究结果表明,在平稳的驾驶行为下,电池系统更加稳定,从而电池寿命得以延长。
网联化与智能化汽车环境下,自适应巡航控制(Adaptive Cruise Control, ACC)是研究中一类重要的纵向跟驰技术,其模型主要包括智能驾驶模型(Intelligent Driver Model, IDM)[80]、PATH模型[81]等,以提高车辆微观驾驶的机动性、安全性和稳定性。与此同时,协同的换道模型在新型汽车条件下也成为可能。Huang等[82]构造了车辆与周围环境的人工势场,利用势场函数建立了多目标优化的协同换道轨迹规划模型;Yao等[83]提出了一个分布式智能网联车辆换道轨迹优化模型,在自动驾驶和人类驾驶车辆混行环境下,能够提高车辆微观换道的舒适性和路段通行能力。
现有的研究中,车辆个体运行建模与分析工作大多基于数值仿真手段,缺乏系统性的理论解析,难以捕捉汽车微观运行与车流宏观状态之间的关系,因此,相关理论解析研究将是重点方向。以往针对未来汽车环境下不同特征的汽车运行状态研究进展较为缓慢,有关新型汽车与传统汽车混合行驶条件下的交通流解析将是亟待深入研究的领域。
(2)群体车队运行
在汽车变革的推动下,道路上的车辆可以成车队运行,通过优化调控群体车辆的状态,降低交通流能耗与排放,并提高其通行能力[84]
在汽车微观跟驰换道模型的基础上,车辆编队控制方法主要集中于纵向控制和横向控制。纵向控制决定了车队的运行状态与稳定性,如协同自适应巡航技术(Cooperative Adaptive Cruise Control, CACC)。纵向控制一般以降低油耗、提高稳定性作为控制目标,如比例-积分-微分控制[85]、模型预测控制[86]、深度学习方法[87]等都有极强的适应性,可以解决纵向动力学的非线性、不确定性等问题。车队横向控制则是针对车队的形成与消散过程,以避免碰撞和保障安全为目标,决定汽车如何以及何时执行换道操作加入或离开车队[88]
此外,关于车辆编队的稳定性分析方法也有较为深入的研究。Ngoduy[89]提出了一种宏观交通流动力学模型,将各个车队之间视为跟驰,利用特征方程法推导了线性稳定条件;Zhou等[90]推导了网联化与智能化汽车组成的车队其稳定性与排队强度、通信时延等之间的关系,并考虑最大化道路容量和保证车队稳定性两个目标,给出了车队规模的帕累托最优解。未来,考虑多辆前后车信息交互[91]、人类驾驶员属性[92]等条件下车队稳定控制,将是研究的重点。

3.6.2 交通系统再认知与评价和分析计算

(1)交通系统分析与计算
交通系统解析与分析计算是极其重要的理论基础。随着汽车变革与发展,交通及其系统行为和状态数据的采集与感知方法越来越丰富多样,为包括安全、效率、排放、经济、公平等相关特征与机理解析和多目标综合交通评价体系构建,提供了有力的数据支撑。智能化、网联化、共享化汽车运行所产生的实时、高精度、多颗粒度信息,有助于复杂交通系统解析、评价与动态分析计算,改变了传统的集计统计分析计算方法。轻量化、电动化汽车将改变传统交通驾驶行为,车辆正常运行、加减速、怠速时的动力学模型与评价分析方法也将重构。
(2)交通系统体检与健康诊断系统
交通系统要素、复杂网络及其效能间的不协同,将产生交通阻塞、事故、高能耗与排放等问题,即“交通病”。因此,对交通系统进行体检、健康诊断对于交通病治理与交通改善具有极其重要的理论和应用价值。交通体检与诊断,旨在解析交通系统的基础上,对系统运行状态及其交通病若干关键指标进行体检,诊断交通病致因,进一步形成健康诊断系统,为快速致因诊断分析,保障交通系统可持续发展提供支撑。我国自然资源部和住房城乡建设部已开展了包括交通体检在内的城市体检工作,并编制了相关规程[93]
汽车变革所带来的全新交通系统数据环境已为交通安全诊断与交通拥堵诊断、交叉口健康诊断、交通环境诊断等方面研究奠定了基础,如:杨莹等[94]构建了组合权重诊断模型和神经网络诊断模型,在汽车技术发展的加持下,基于海量的汽车驾驶数据与路网运行数据,对城市道路交通安全态势感知与诊断进行研究;Kim等[95]提出了一种贝叶斯网络分析方法,在汽车变革带来的全新数据环境下,基于天气、事件、车辆运行状态、相邻路段交通状态等变量,诊断交通拥堵发生的概率及其可能的原因组合;江泽浩[96]通过问题库、致因库、诊断库构建了交叉口健康诊断系统,分析了交叉口诊断指标、诊断标准、诊断实施、交通病致因等,并研究了交叉口安全与效率的诊断方法。
未来的交通健康诊断系统需要打破以往交通系统评价与体检指标单一、评价和诊断及治理与城市、综合交通系统脱节的局限,推动综合化理论体系研究,充分利用全新的系统理念、数据环境与先进的模型算法研发标准化、封装化的系统并推广应用。

4 结语

汽车的变革与发展是一个与时俱进的过程,其应用也须循序渐进,相关影响已不仅局限于道路交通系统,还全面、深刻地影响综合交通运输系统,正带来交通系统及其理论和关键技术的重构,为新一代交通(系统)工程学2.0研究创造了全新的场景、环境及条件。本文系统深入地分析了汽车变革发展的方向、特征与优势,解析了变革特征与优势,并阐述其交通系统的重构特征;梳理分析了未来交通系统及其规划、设计、管理与控制、服务方面研究的新理念、新方法和关键技术的创新发展方向,以及变革中的车辆及其交通系统运行机理与解析方法,并对交通体检、健康诊断等方面研究进行了展望。
新型汽车发展所带来的不只是汽车制造业、互联网行业的革新,其对交通系统的影响更是颠覆性的,深刻地影响未来人类的生存、生产、生活与发展。受限于资源和环境约束的交通系统的发展,将为2050年“人享其行,物优其流”交通强国建设目标的实现奠定坚定的基础。与此同时,还将进一步推进“现代交通+”、智能交通、智慧城市、智慧社会和智慧经济的可持续融合发展。希望本论文能为交通行业及其学科专业体系创新发展产生引领作用。
[1]
国家统计局. 中华人民共和国2020年国民经济和社会发展统计公报[R/OL]. (2021-02-28)[2022-04-25]. http://www.stats.gov.cn/tjsj/zxfb/202102/t20210227_1814154.html.

[2]
郭继孚, 刘莹, 余柳. 城市交通实现双碳目标的对策建议[J]. 中国道路运输, 2022(3):60-61.

[3]
Department for Transport. Decarbonising transport: a better, greener Britain[R/OL]. (2021-07-14)[2022-04-25]. https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1007194/decarbonising-transport-a-better-greener-britain.pdf.

[4]
工业和信息化部,发展改革委,科技部. 汽车产业中长期发展规划[EB/OL]. (2017-04-06). [2022-04-25]. http://www.gov.cn/gongbao/content/2017/content_5230289.htm.

[5]
李光霁, 刘新玲. 汽车轻量化技术的研究现状综述[J]. 材料科学与工艺, 2020,28(5):47-61.

[6]
马建, 刘晓东, 陈轶嵩, 等. 中国新能源汽车产业与技术发展现状及对策[J]. 中国公路学报, 2018,31(8):1-19.

[7]
MOLINA-MASEGOSA R, GOZALVEZ J. LTE-V for sidelink 5G V2X vehicular communications: a new 5G technology for short-range vehicle-to-everything communications[J]. IEEE Vehicular Technology Magazine, 2017, 12(4): 30-39.

[8]
KIM D, KO J, PARK Y. Factors affecting electric vehicle sharing program participants′ attitudes about car ownership and program participation[J]. Transportation Research Part D: Transport and Environment, 2015, 36: 96-106.

[9]
余大本. 基于时空大数据的城市共享汽车系统运营优化研究[D]. 成都: 西南交通大学, 2021.

[10]
KASPI M, RAVIV T, TZUR M, et al. Regulating vehicle sharing systems through parking reservation policies: analysis and performance bounds[J]. European Journal of Operational Research, 2016, 251(3): 969-987.

[11]
工业和信息化部, 国家标准化管理委员会. 国家车联网产业标准体系建设指南(智能网联汽车)[EB/OL]. (2017-12-27)[2022-04-25]. http://www.caam.org.cn/bmsite_v3/chn/9/cate_152/con_5214348.html.

[12]
KAMBLE S J, KOUNTE M R. On road intelligent vehicle path predication and clustering using machine learning approach[C]// Proceedings of the third international conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC). Coimbatore, India: IEEE, 2019: 501-505.

[13]
陈伟轩. 复杂交通场景下的智能汽车驾驶行为决策算法[D]. 长春: 吉林大学, 2021.

[14]
FAYYAD J, JARADAT M A, GRUYER D, et al. Deep learning sensor fusion for autonomous vehicle perception and localization: a review[J]. Sensors, 2020, 20(15): 4220.

[15]
杨晓光. 中国交通工程学科与专业再发展之思考——交通工程2.0[R]. 北京: 2019年世界交通运输大会, 2019.

[16]
BISCHOFF J, MACIEJEWSKI M. Simulation of city-wide replacement of private cars with autonomous taxis in Berlin[J]. Procedia Computer Science, 2016, 83: 237-244.

[17]
NOURINEJAD M, BAHRAMI S, ROORDA M J. Designing parking facilities for autonomous vehicles[J]. Transportation Research Part B: Methodological, 2018, 109: 110-127.

[18]
THAKUR P, KINGHORN R, GRACE R. Urban form and function in the autonomous era[R]. Melbourne:38th Australasian Transport Research Forum, 2016.

[19]
胡笳, 罗书源, 赖金涛, 等. 自动驾驶对交通运输系统规划的影响综述[J]. 交通运输系统工程与信息, 2021,21(5):52-65,76.

[20]
WU W, HEAD L, YAN S, et al. Development and evaluation of bus lanes with intermittent and dynamic priority in connected vehicle environment[J]. Journal of Intelligent Transportation Systems, 2018, 22(4): 301-310.

[21]
张伯楠. 基于共享交通模式的城市街道空间体系研究[D]. 天津: 天津大学, 2019.

[22]
李佳琪, 徐潇源, 严正. 大规模新能源汽车接入背景下的电氢能源与交通系统耦合研究综述[J]. 上海交通大学学报, 2022,56(3):253-266.

[23]
ZHANG H, MOURA S J, HU Z, et al. A second-order cone programming model for planning PEV fast-charging stations[J]. IEEE Transactions on Power Systems, 2017, 33(3): 2763-2777.

[24]
HE F, WU D, YIN Y F, et al. Optimal deployment of public charging stations for plug-in hybrid electric vehicles[J]. Transportation Research Part B: Methodological, 2013, 47: 87-101.

[25]
WEI W, MEI S, WU L, et al. Optimal traffic-power flow in urban electrified transportation networks[J]. IEEE Transactions on Smart Grid, 2016, 8(1): 84-95.

[26]
MANSHADI S D, KHODAYAR M E, ABDELGHANY K, et al. Wireless charging of electric vehicles in electricity and transportation networks[J]. IEEE Transactions on Smart Grid, 2017, 9(5): 4503-4512.

[27]
KANG J E, BROWN T, RECKER W W, et al. Refueling hydrogen fuel cell vehicles with 68 proposed refueling stations in California: measuring deviations from daily travel patterns[J]. International Journal of hydrogen energy, 2014, 39(7): 3444-3449.

[28]
TRUONG L T, DE GRUYTER C, CURRIE G, et al. Estimating the trip generation impacts of autonomous vehicles on car travel in Victoria, Australia[J]. Transportation, 2017, 44(6): 1279-1292.

[29]
ZHAO Y, KOCKELMAN K M. Anticipating the regional impacts of connected and automated vehicle travel in Austin, Texas[J]. Journal of Urban Planning and Development, 2018, 144(4): 04018032.

[30]
BERNARDIN V, MANSFIELD T, SWANSON B, et al. Scenario modeling of autonomous vehicles with trip-based models[J]. Transportation Research Record, 2019, 2673(10): 261-270.

[31]
SHLADOVER S E, SU D, LU X Y. Impacts of cooperative adaptive cruise control on freeway traffic flow[J]. Transportation Research Record, 2012, 2324(1): 63-70.

[32]
DRESNER K, STONE P. Multiagent traffic management: an improved intersection control mechanism[C]// Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. New York: ACM Press, 2005: 471-477.

[33]
HOU B, ZHAO S, LIU H. A combined modal split and traffic assignment model with capacity constraints for siting remote park-and-ride facilities[J]. IEEE Access, 2020, 8: 80502-80517.

[34]
杨晓光. 城市道路交通设计指南[M]. 北京: 人民交通出版社, 2003.

[35]
杨晓光, 白玉. 交通设计[M]. 2版. 北京: 人民交通出版社, 2021.

[36]
ZAHIRI M, LIU J, CHEN X M. Taxi downsizing: a new approach to efficiency and sustainability in the taxi industry[J]. Sustainability, 2019, 11(18): 4944.

[37]
CHANDRA S, KUMAR U. Effect of lane width on capacity under mixed traffic conditions in India[J]. Journal of Transportation Engineering, 2003, 129(2): 155-160.

[38]
ZHAO J, LIU Y, WANG T. Increasing signalized intersection capacity with unconventional use of special width approach lanes[J]. Computer-Aided Civil and Infrastructure Engineering, 2016, 31(10): 794-810.

[39]
ZHAO J, KIGEN K K, WANG M. Modelling the operation of vehicles at signalised intersections with special width approach lane based on field data[J]. IET Intelligent Transport Systems, 2020, 14(12): 1565-1572.

[40]
孔悠. 面向自动驾驶车的停车场布局方法研究[D]. 成都: 西南交通大学, 2020.

[41]
LI X. The symmetric intersection design and traffic control optimization[J]. Transportation Research Part C: Emerging Technologies, 2018, 92: 176-190.

[42]
WANG F, YANG X, JIN H. Optimal design of an isolated signalized intersection with double stop lines for mixed traffic[J]. Journal of Transportation Engineering Part A: Systems, 2021, 147(12): 04021091.

[43]
LEVIN M W, BOYLES S D. A cell transmission model for dynamic lane reversal with autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2016, 68: 126-143.

[44]
李鹏凯, 杨晓光, 吴伟, 等. 车路协同环境下信号交叉口车速引导建模与仿真[J]. 交通信息与安全, 2012,30(3):6.

[45]
张立立, 王力, 张玲玉. 城市道路交通控制概述与展望[J]. 科学技术与工程, 2020,20(16):6322-6329.

[46]
梁海伦. 信号控制交叉口新型混合交通流延误计算方法研究[D]. 上海: 同济大学, 2021.

[47]
ZHANG Y, ZHOU Y. Distributed coordination control of traffic network flow using adaptive genetic algorithm based on cloud computing[J]. Journal of Network and Computer Applications, 2018, 119: 110-120.

[48]
KURAL E, JONES S, PARRILLA A F, et al. Traffic light assistant system for optimized energy consumption in an electric vehicle[C]// Proceedings of 2014 International Conference on Connected Vehicles and Expo(ICCVE 2014). Vienna, Austria: IEEE, 2014: 604-611.

[49]
TANG X, DUAN Z, HU X, et al. Improving ride comfort and fuel economy of connected hybrid electric vehicles based on traffic signals and real road information[J]. IEEE Transactions on Vehicular Technology, 2021, 70(4): 3101-3112.

[50]
RAEIS M, LEON-GARCIA A. A deep reinforcement learning approach for fair traffic signal control[C]// 2021 IEEE International Intelligent Transportation Systems Conference (ITSC). Indianapolis, USA: IEEE, 2021: 2512-2518.

[51]
HE Q, HEAD K L, DING J. PAMSCOD: Platoon-based arterial multi-modal signal control with online data[J]. Transportation Research Part C: Emerging Technologies, 2012, 20: 164-184.

[52]
BIN AL ISLAM S M A, HAJBABAIE A. Distributed coordinated signal timing optimization in connected transportation networks[J]. Transportation Research Part C: Emerging Technologies, 2017, 80: 272-285.

[53]
AL ISLAM S M A B, HAJBABAIE A, AZIZ H M A. A real-time network-level traffic signal control methodology with partial connected vehicle information[J]. Transportation Research Part C: Emerging Technologies, 2020, 121: 102830.

[54]
PANDIT K, GHOSAL D, ZHANG H M, et al. Adaptive traffic signal control with vehicular ad hoc networks[J]. IEEE Transactions on Vehicular Technology, 2013, 62(4): 1459-1471.

[55]
FENG Y, HEAD K L, KHOSHMAGHAM S, et al. A real-time adaptive signal control in a connected vehicle environment[J]. Transportation Research Part C: Emerging Technologies, 2015, 55: 460-473.

[56]
江航. 基于城市交通拥堵预测的主动信号控制方法研究[D]. 南京: 东南大学, 2016.

[57]
YU C, FENG Y, LIU H X, et al. Integrated optimization of traffic signals and vehicle trajectories at isolated urban intersections[J]. Transportation Research Part B: Methodological, 2018, 112: 89-112.

[58]
YAO H, LI X. Decentralized control of connected automated vehicle trajectories in mixed traffic at an isolated signalized intersection[J]. Transportation research Part C: Emerging Technologies, 2020, 121: 102846.

[59]
MA C, YU C, YANG X. Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment[J]. Transportation Research Part C: Emerging Technologies, 2021, 130: 103309.

[60]
LEVIN M W, REY D. Conflict-point formulation of intersection control for autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2017, 85: 528-547.

[61]
MIRHELI A, TAJALLI M, HAJIBABAI L, et al. A consensus-based distributed trajectory control in a signal-free intersection[J]. Transportation Research Part C: Emerging Technologies, 2019, 100: 161-176.

[62]
上官伟, 崔晓丹, 郑子茹, 等. 基于TdPN的无信号交叉口优化控制方法[J]. 中国公路学报, 2016,29(3):124-133.

[63]
VASCONCELOS A S, MARTINEZ L M, CORREIA G H A, et al. Environmental and financial impacts of adopting alternative vehicle technologies and relocation strategies in station-based one-way carsharing: an application in the city of Lisbon, Portugal[J]. Transportation Research Part D: Transport and Environment, 2017, 57: 350-362.

[64]
BRUGLIERI M, PEZZELLA F, PISACANE O. A two-phase optimization method for a multiobjective vehicle relocation problem in electric carsharing systems[J]. Journal of Combinatorial Optimization, 2018, 36(1): 162-193.

[65]
LEVIN M W, ODELL M, SAMARASENA S, et al. A linear program for optimal integration of shared autonomous vehicles with public transit[J]. Transportation Research Part C: Emerging Technologies, 2019, 109: 267-288.

[66]
YI Z, SMART J. A framework for integrated dispatching and charging management of an autonomous electric vehicle ride-hailing fleet[J]. Transportation Research Part D: Transport and Environment, 2021, 95: 102822.

[67]
LIN K, ZHAO R, XU Z, et al. Efficient large-scale fleet management via multi-agent deep reinforcement learning[C]// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. London: ACM, 2018: 1774-1783.

[68]
MAO C, LIU Y, SHEN Z J M. Dispatch of autonomous vehicles for taxi services: a deep reinforcement learning approach[J]. Transportation Research Part C: Emerging Technologies, 2020, 115: 102626.

[69]
张瑞友, 王朝鸣, 王德成. 考虑充电调度的共享电动汽车调运模型与优化[J]. 系统工程理论与实践, 2021,41(2):370-377.

[70]
谭卫民. 基于汽车的共享出行匹配和车辆调度优化[D]. 合肥: 合肥工业大学, 2020.

[71]
郭继孚, 刁晶晶, 王倩, 等. 预约在城市交通中的应用——北京市回龙观地区的预约出行实践[J]. 城市交通, 2020,18(1):75-82.

[72]
LIU K, SON S H, LEE V C S, et al. A token-based admission control and request scheduling in lane reservation systems[C]// Proceedings of the 14th International IEEE Conference on Intelligent Transportation Systems (ITSC 2011). Washington DC:IEEE, 2011: 1489-1494.

[73]
SU P, PARK B, LEE J, et al. Proof-of-concept study for a roadway reservation system: Integrated traffic management approach[J]. Transportation Research Record, 2013, 2381(1): 1-8.

[74]
ROCA-RIU M, MENENDEZ M. The potential of flexible reservations in a car sharing system with an auction scheme[J]. IEEE Access, 2019, 7: 154627-154639.

[75]
PERRONNET F, ABBAS-TURKI A, EL MOUDNI A. Vehicle routing through deadlock-free policy for cooperative traffic control in a network of intersections: reservation and congestion[C]// Proceedings of the 17th international IEEE conference on intelligent transportation systems (ITSC 2014). Qingdao, China: IEEE, 2014: 2233-2238.

[76]
郭继孚, 刁晶晶, 缐凯, 等. 预约出行模式展望[J]. 交通运输系统工程与信息, 2021,21(5):160-164,173.

[77]
LI Y F, ZHONG Z Y, ZHANG K B, et al. A car-following model for electric vehicle traffic flow based on optimal energy consumption[J]. Physica A: Statistical Mechanics and its Applications, 2019, 533: 122022.

[78]
TANG T Q, CHEN L, YANG S C, et al. An extended car-following model with consideration of the electric vehicle′s driving range[J]. Physica A: Statistical Mechanics and its Applications, 2015, 430: 148-155.

[79]
YANG S C, LI M, TANG T Q, et al. An electric vehicle′s battery life model under car-following model[J]. Measurement, 2013, 46(10): 4226-4231.

[80]
KESTING A, TREIBER M, HELBING D. Enhanced intelligent driver model to access the impact of driving strategies on traffic capacity[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2010, 368( 1928): 4585-4605.

[81]
MILANÉS V, SHLADOVER S E. Modeling cooperative and autonomous adaptive cruise control dynamic responses using experimental data[J]. Transportation Research Part C: Emerging Technologies, 2014, 48: 285-300.

[82]
HUANG Z, WU Q, MA J, et al. An APF and MPC combined collaborative driving controller using vehicular communication technologies[J]. Chaos, Solitons & Fractals, 2016, 89: 232-242.

[83]
YAO H, LI X. Lane-change-aware connected automated vehicle trajectory optimization at a signalized intersection with multi-lane roads[J]. Transportation Research Part C: Emerging Technologies, 2021, 129: 103182.

[84]
BADNAVA S, MESKIN N, GASTLI A, et al. Platoon transitional maneuver control system: a review[J]. IEEE Access, 2021.

[85]
MEMON Z A, JUMANI S, LARIK J. Longitudinal control of a platoon of road vehicles equipped with adaptive cruise control system[J]. Mehran University Research Journal of Engineering & Technology, 2012, 31(3).

[86]
KIANFAR R, FALCONE P, FREDRIKSSON J. A control matching model predictive control approach to string stable vehicle platooning[J]. Control Engineering Practice, 2015, 45: 163-173.

[87]
GUO X G, WANG J L, LIAO F, et al. CNN-based distributed adaptive control for vehicle-following platoon with input saturation[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 19(10): 3121-3132.

[88]
XU G, LIU L, OU Y, et al. Dynamic modeling of driver control strategy of lane-change behavior and trajectory planning for collision prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(3): 1138-1155.

[89]
NGODUY D. Platoon-based macroscopic model for intelligent traffic flow[J]. Transportmetrica B: Transport Dynamics, 2013, 1(2): 153-169.

[90]
ZHOU J, ZHU F. Analytical analysis of the effect of maximum platoon size of connected and automated vehicles[J]. Transportation Research Part C: Emerging Technologies, 2021, 122: 102882.

[91]
GE H X, ZHU H B, DAI S Q. Effect of looking backward on traffic flow in a cooperative driving car following model[J]. The European Physical Journal B-Condensed Matter and Complex Systems, 2006, 54(4): 503-507.

[92]
蒋阳升, 顾秋凡, 姚志洪. 智能网联混合交通流队列稳定性解析方法综述[J/OL]. 西南交通大学学报, 2022:1-15. (2022-03-31)[2022-04-25]. https://kns.cnki.net/kcms/detail/51.1277.U.20220330.1522.010.html.

[93]
自然资源部国土空间规划局, 北京市规划和自然资源委员会, 北京市城市规划设计研究院, 等. 国土空间规划城市体检评估规程:TD/T 1063—2021[S]. 北京: 自然资源部, 2021.

[94]
杨莹, 诸云, 王力祥. 道路交通安全态势感知的诊断模型[J]. 中国安全科学学报, 2016,26(7):52-57.

[95]
KIM J, WANG G. Diagnosis and prediction of traffic congestion on urban road networks using Bayesian networks[J]. Transportation Research Record, 2016, 2595(1): 108-118.

[96]
江泽浩. 基于数据的城市道路信号控制交叉口健康诊断理论研究[D]. 上海: 同济大学, 2020.

文章导航

/