0 引言
在交通流理论和建模方面，已有成果可划分为宏观、中观、微观交通流模型[3-4]。宏观交通流模型主要研究路网或整个路段的运行参数[5-6]；微观交通流模型侧重于个体车辆行驶轨迹或其行驶状态[7-8]；而中观交通流模型介于两者之间。交通流建模仿真方法涵盖理论模型和行为控制模型，理论模型中，车辆按照既定跟驰或轨迹模型运动；而行为控制模型的代表有元胞自动机[9]、机器学习和推理模型[10]、多智能体模型[11]等。关于驾驶行为，部分学者采用控制实验[12-13]，研究特定环境或条件影响下的驾驶行为指标（加减速、跟车、换道等）差异[14-15]。围绕交通流状态演化和拥堵状态传播规律等，已有成果侧重于计算排队长度和拥堵持续时间等指标[16-17]。
综上所述，已有交通流仿真模型缺乏考虑碰撞事件对交通流的动态影响和反馈；也未将异质性驾驶行为特征与交通流模型充分耦合，研究驾驶行为对交通流变化的动态性和连续性影响。鉴于此，本研究将立足于中观尺度，充分考虑异质性驾驶行为特征，旨在运用多智能体建模技术构建3车道城市主干路路段交通流仿真模型，实现交通环境中车辆跟驰、换道和碰撞行为可视化仿真，进一步研究交通流动态演化特征。
1 多智能体系统模型构建
多智能体系统模型是一种基于行为控制的交通流模型，解决了元胞自动机模型在一般规则条件下需要分别设置单个车辆来研究异质性行为的问题，能够体现交通流状态的非线性变化；而使用NetLogo软件进行建模的优势在于快速构建多智能体系统模型并实现可视化仿真。因此，本研究在确定人-车-路多智能体系统架构、模型控制方法和仿真流程基础上，通过模型参数标定、仿真界面设计，运用NetLogo软件实现交通流模型仿真。
1.1 人-车-路多智能体系统模型架构
仿真模型中，驾驶人-车辆多智能体系统架构如图1所示。驾驶人感知外部交通环境信息和车辆运行状态，并结合自身的知识库、行车计划、操作属性和车辆属性等多个因素做出行为决策，这些决策最终会表现为自由驾驶、跟驰、换道或者遭遇碰撞等车辆行驶状态。在仿真模型具体实现过程中，驾驶人-车辆耦合为一个模型。
道路环境智能体的主要功能是感知车辆运行状态，在模型中规定了智能体车辆的系统边界、运行范围和主要输出数据，但其不对人-车多智能体系统产生影响，仅收集和输出数据。
1.2 基于规则-模糊逻辑的智能体模型控制方法
参照已有的车辆控制模型[26]，在驾驶人-车辆多智能体中，主要考虑驾驶人操作特性，涵盖车速控制和加减速特性。将车辆运行状态划分为行驶和碰撞两种状态，而行驶状态包括自由驾驶、跟驰、换道3种状态；碰撞状态包含碰撞事件和等待恢复两个过程。
自由行驶的智能体根据期望车速和安全距离阈值进行加减速控制。若后车 与前车 的车头间距 小于最小安全距离 与稳定区域距离 之和，智能体进入跟驰状态；当后车车速远小于期望车速，其耐心值下降，当耐心值减至0时产生换道动机，开始寻求目标车道，并通过评估换道间隙采取换道策略。其中，车辆间碰撞状态的设定规则基于自然现象，即当两车间隙小于0时，智能体发生碰撞并进入碰撞状态，智能体停止运行一段时间后恢复正常行驶，其间后方感知到此碰撞状态的智能体将会产生换道动机。智能体模型控制规则如图3所示。该图中， 为最高限速； 为期望车速； 为两车速度差（后车车速-前车车速）。
1.3 碰撞模型与异质性驾驶行为设置
表1 碰撞模型与驾驶行为异质性设定 |
| 属性 | 说明 | 仿真试验标定 |
|---|---|---|
| 碰撞事件 | 两车间距小于0时导致碰撞 | 智能体自主调整 |
| 智能体耐心值P | 谨慎型驾驶人 普通型驾驶人 激进型驾驶人 | =40 =20 =10 |
1.4 仿真流程
2 基于NetLogo的交通流仿真模型参数标定
采集西安市某主干路3车道无出入口路段实际交通流数据，基于上述模型框架和仿真流程，对已构建模型进行参数标定、验证并分析仿真结果。因所采集数据为非连续交通流数据，因此仅用于模型参数标定，在有效性验证时需选用大规模连续性高精度数据集。
2.1 仿真模型参数标定
表2 驾驶人-车辆多智能体模型参数设置 |
| 模型参数 | 参数说明 | 试验标定 |
|---|---|---|
| 车辆位置 | 经加减速或换道过程完成后的行驶位置 | 通过仿真获得 |
| 耐心值 | 发生拥堵导致智能体停车排队时耐心值减小，该值减至0时 智能体产生换道动机 | 通过试验设定（见表1） |
| 速度/ （patch/tick） | 智能体行驶速度 | 智能体自主 调整 |
| 最高限速/（patch/tick） | 对照城市主干路的最高限速 设置 | 0.3 |
| 减速度/（patch/tick2） | 智能体制动过程的减速度 | 0.011 |
| 加速度/（patch/tick2） | 智能体加速过程的加速度 | 0.005 |
| 目标车道 | 换道过程中智能体判断的目标车道 | 智能体根据环境自主判断 |
| 安全距离/patch | 根据车速调整的距离，避免在跟驰与换道中发生碰撞 | 1.5+ |
| 视域/ （patch/180°） | 智能体在跟驰、换道过程中感知判断“前方”的范围 | 10 |
注：仿真过程中距离单位为patch，时间单位为tick。 |
2.2 路网系统参数标定
采集西安市某主干路3车道无出入口路段实际交通流数据，根据实际数据标定仿真环境交通流密度。路网系统参数标定如表3所示。
表3 路网系统参数标定 |
| 属性 | 说明 | 参数标定 |
|---|---|---|
| 总车辆数/pcu | 仿真环境中所有智能体车辆数量 | 82 |
| 交通流密度 /（pcu/km） | 与现实环境中的1 km路段1个车道某一瞬时的车辆数对照 | 91 |
| 车速 /（patch/tick） | 所有智能体车辆的行驶速度 | 智能体车辆自我调整 |
| 车辆分布 | 仿真环境中每条车道的 车辆数 | 通过仿真 获得 |
2.3 仿真界面设计
3 仿真结果分析
3.1 模型有效性验证
NGSIM（Next Generation Simulation）数据是现有规模最大的自然车辆轨迹数据集，主要包括I-80、US-101、Lankershim Boulevard、Peachtree Street等4个路段的高精度车道级数据。因其覆盖路段种类多，数据规模大、精度高，被广泛应用于车辆跟驰、换道、轨迹预测等方面研究[32]。本文选择NGSIM数据集中的拥堵数据进行模型有效性验证。
该数据集经折算后，道路密度约为67 pcu/km，数据集并未标注是否发生碰撞。运用该数据集绘制车辆实际运行时空轨迹如图6（a）所示，从该图中可以看出，此段轨迹中发生了交通拥堵（随着仿真时间增加，车辆纵向位置并未改变），拥堵一段时间后交通流重组（随着仿真时间增加，车辆纵向位置发生变化）。
3.2 车速与碰撞事件时空分布仿真结果
图7显示了交通流从自由流、拥堵形成到消散过程中智能体运行加速度和速度的分布规律。在统计的7 000 ticks持续时间周期中，智能体车辆速度降低，并出现了约100 ticks持续时间的空隙，这导致交通流中断；在这种情况下，部分车辆会加速换道至该空隙，进一步形成自由流，导致在拥堵后的空隙路段加速度大于（ ）（ 分别为加速度均值与标准差），而速度均值小于（ ）（ 分别为速度均值与标准差）；随着拥堵程度降低，交通流再次恢复连续性。
12处交通瓶颈时空窗影响时间和范围统计结果如图10所示。标号为3的交通瓶颈发生了2处碰撞，影响持续时间达800 ticks，影响空间范围达10 patches，是本次仿真中影响最大的交通瓶颈。
3.3 车道车辆动态分布仿真结果
进一步关注车道车辆分布差异，图12为3条车道车辆动态分布仿真结果。从该图可以看出，在仿真的初始阶段并未产生交通瓶颈，各车道的车辆动态分布相对均匀；在时间约为500 ticks时，由于车道1和车道3发生碰撞事件，导致瓶颈和拥堵现象发生，随后车辆选择换道至车道2；待事故解除后，即在仿真时间约800 ticks处，车道1和车道3车辆数量增加，而车道2的车辆数量减少，从而使各车道车辆分布逐渐恢复均匀。在这个过程中，尽管碰撞事件造成了瓶颈，使得车道上车辆的分布局部失衡，但在较长时间范围内，车道车辆分布呈现动态平衡的状态。因此，该模型能够反映交通流车道分布的动态特性。
由于交通事件发生会影响交通流的连续性和完整性，从整体来看，车道车辆分布均匀；但在事件发生过程中，某一期间内车辆分布并不均匀。相对于传统机理模型和深度学习模型，运用多智能体建模可以体现交通事件影响下交通流的非线性和动态性，具备一定建模优势。
3.4 碰撞事件影响下异质性驾驶人车速控制差异
此处主要考虑碰撞事件影响下异质性驾驶人的车速控制差异，如图13所示。在仿真初期，3个车道上的车辆分布均匀，不同类型驾驶人车速控制并无明显差异；在仿真时间接近450 ticks处，发生了车辆碰撞事件，并在此过程中导致最多5次碰撞事件，影响持续时间为800 ticks。由于这些事件发生，导致整体车速呈现出明显下降趋势。其中，与谨慎型和普通型驾驶人相比，激进型驾驶人平均车速下降幅度更小，而谨慎型和普通型驾驶人的车速变化之间没有显著性差异（p>0.45）。在仿真时间接近1 200 ticks时，碰撞事件消失，拥堵状态得到缓解，整体车速恢复至约最高车速的70%。经数据统计，在这个过程中，相对于普通型驾驶人，激进型与谨慎型驾驶人恢复加速的过程更快。然而，在拥堵情况未完全消散时，仿真时间1 250 ticks处再次发生持续1 750 ticks的碰撞事件，共产生11次碰撞，这导致整体平均车速降低至最高车速的21%，并持续一段时间。
统计发现，激进型驾驶人、普通型驾驶人和谨慎型驾驶人的车速标准差分别为0.26, 0.23和0.21，即异质性驾驶人的车速控制有所差异，这和既有相关研究的结论一致[15]。相对于普通型驾驶人和谨慎型驾驶人，激进型驾驶人的车速控制策略更加离散。
3.5 碰撞事件影响下异质性驾驶人换道行为差异
定义产生换道动机驾驶人占比为耐心值降为0的驾驶人数量占此类驾驶人总数的比例。图14（a）为异质性驾驶人耐心值的变化曲线，图14（b）为驾驶人换道动机占比。从图14可以看出，激进型驾驶人更易产生换道动机；随碰撞事件演化拥堵程度增大，3类驾驶人耐心值P的下降速率也不同；在仿真时间为500 ticks处，碰撞群仅有2辆车时，谨慎型驾驶人由于倾向于排队导致耐心值下降得最快；随碰撞事件数量增加，拥堵程度增大，3类驾驶人产生换道动机时刻差异不明显。耐心值P降为负数表明，尽管驾驶人产生了换道动机，但没有足够的换道间隙使驾驶人及时换道至目标车道，此时驾驶人会继续在当前车道排队等待足够的换道间隙。在仿真时间为800 ticks和1 800 ticks处，多车碰撞事件导致路段较拥堵时，几乎全部的激进型驾驶人产生换道动机，而产生换道动机的谨慎型驾驶人占比为52%；在仿真时间2 400 ticks处，因碰撞事件导致拥堵特别严重时，3类驾驶人均产生换道动机，所有驾驶人均希望通过换道提高行车速度。
综上可知，当发生多车碰撞事件导致拥堵严重时，异质性驾驶人均会产生换道动机，而积极的换道策略可能会提高通行能力。
3.6 模型对比评价
4 结论
本文从中观交通流建模尺度，考虑了异质性驾驶行为特征，基于规则和模糊控制算法，提出了人-车-路多智能体系统模型，并以西安市某路段为案例，构建了3车道城市主干路路段交通流仿真模型，运用NetLogo软件实现了车辆跟驰、换道、碰撞等行为可视化仿真，研究了交通事件影响下的动态交通流演化特征，并与其他仿真模型进行了对比。主要得出以下结论。
1）通过对比NGSIM数据集和仿真数据集结果发现，二者显示的交通流拥堵产生和消散具有相同的变化趋势，说明本文所构建的基于多智能体的交通流仿真模型有效。
2）由于交通动态事件发生会影响交通流的连续性和完整性，从整体来看，车道车辆分布均匀；但在事件发生过程中，某一段时间内车道车辆分布并不均匀。在发生交通事件时，驾驶行为将受到不同程度影响。仿真分析结果表明，尽管碰撞事件消失且拥堵状态得到缓解，但交通流的平均车速无法完全恢复至原来的状态。
3）异质性驾驶人的车速控制行为有所差异，这和既有相关研究的结论一致。相对于谨慎型和普通型驾驶人，激进型驾驶人的车速控制策略更加离散；当发生多车碰撞事件导致拥堵严重时，异质性驾驶人均会产生换道动机，而积极的换道策略可能会提高通行能力。
4）与VISSIM仿真模型相比，基于多智能体的交通流仿真模型能够揭示交通瓶颈和碰撞事件之间的关系，为中微观交通流仿真提供了参考。
本研究所构建的多智能体系统中观交通流仿真模型融入异质性驾驶行为，弥补了现有驾驶行为和交通流仿真的不足，体现了动态交通事件产生和消散过程对交通流的影响，为中微观交通流仿真提供了方法借鉴。研究受限于数据采集手段，未采集到全路段全样本高精度连续交通流数据，后续可重点考虑如何运用实际数据优化模型，进一步提高仿真模型精度。
