0 引言
当前，应急车道或硬路肩的动态开放策略已成为研究热点。早期实地研究表明，在高峰拥堵时段动态开放硬路肩可以显著提高行程时间的可靠性[4-5]；Arora等[6]结合可变限速策略，进一步优化了路网管控与运行；Yao等[7]基于隐马尔可夫模型提出了动态硬路肩开放策略，并结合速度协调控制，将道路通行能力提高15%~30%。近年来，随着车联网技术和智能交通系统的发展，研究逐步结合仿真方法提出新的管控策略。Kuang等[8]提出基于车联网的动态缓冲区引导策略，实现了应急车道的实时路权分配，在提高应急车辆通行效率的同时减少了对整体交通流的干扰。秦严严等[9]研究了含卡车等大型车辆的混合交通流，发现智能网联车队在不同分布态势下的跟驰行为对通行能力具有显著影响。在仿真模型层面，元胞自动机（Cellular Automata, CA）模型因其灵活性被广泛应用于含自动驾驶车辆和应急车辆的混合交通流仿真[10-12] ；此外遗传算法[3]、微观交通仿真优化[13]等方法也为CA模型下应急车道的优化决策提供了新思路。尽管上述研究在应急车道动态管控领域取得了诸多成果，但仍存在两大局限：一是研究环境相对单一，多数策略基于传统单一人工驾驶环境进行研究，如文献[4,13]；二是管控响应不及时，管控方式往往依赖静态控制和非实时动态控制，难以适应交通流的动态需求，如文献[4-6]。为此，本文针对含智能网联车辆的混合交通流环境，提出一种新型虚拟应急车道管控策略。该策略基于实时交通状态信息动态调整车道分配，在保证应急车辆优先通行的同时可提高道路资源利用率；并通过元胞自动机仿真，验证策略在不同交通状态下的可行性与有效性；此外还将探讨智能网联汽车比例对策略适应性的影响，为未来智能交通系统设计提供理论参考。
1 虚拟应急车道动态管控策略
1.1 虚拟应急车道概念架构
高速公路应急车道作为紧急救援的专用通道，通常设置于最外侧车道或硬路肩，旨在为事故处理与应急救援提供快速通行路径。但现有固定式应急车道在实际应用中存在局限：一方面，无事故时应急车道常处于空闲状态，造成资源浪费。另一方面，当事故发生于非最外侧车道时，受限于固定应急车道位置，事故车辆难以及时转移，往往需要封闭部分正常车道进行原地救援，从而干扰下游交通流甚至引发二次事故。
为此，本文提出一种基于混合交通流环境的虚拟应急车道动态管控策略。该策略通过车联网信息交互实时分析事故发生位置，并动态调整道路资源分配，将传统固定应急车道转变为“动态阶梯式专用通道”。传统应急车道与虚拟应急车道运行路线见图1。
如图1所示，交通管理系统根据事故点位置动态划分道路片段的通行权限，并通过信号协同控制车道分配，从而形成分段式应急车道。
1.2 应急车道动态路权运行机制
在上述策略中，通过灵活调整车道使用状态为应急车辆提供高效、优先的通行路径。具体而言，从高速公路匝道开始，每条车道每隔500 m划分若干路段。系统实时获取事故位置和应急车辆位置，并动态判断是否启用某段车道作为虚拟应急通道。为最大程度减少驾驶员干预，本策略采用自动化提示方式，通过在每个片段入口处设置的路段指示灯和可变信息情报板，对社会车辆和应急车辆提供视觉提示与通行指引。如图1（b）所示，社会车辆可行驶片段以圆形标识显示，应急车道开放片段以十字形标识显示。“社会车辆”指普通小汽车、货车等非应急车辆（不包含CAV）。当应急车辆进入高速路段后，信息情报板根据其实时位置与事故点位置提前1个500 m的片段更新指引，逐步形成阶梯状换道模式，确保应急车辆能够高效抵达事故现场。
从应急车辆角度看，该策略下其通行过程分为3个阶段。首先是阶梯式换道阶段，应急车辆自匝道进入高速公路后，根据信息板的指引，逐段完成从外侧车道向事故车道的换道。随后进入直行通行阶段，应急车辆沿临近事故点的最后开放片段直达事故现场。最后是事故处理与撤离阶段，应急车辆抵达现场后封锁事故区域，并在事故处理完成后沿现有通道驶离。
本文重点关注应急车辆通行前两个阶段，阶梯式换道和直行通行阶段。通过优化道路资源分配，提升应急车辆快速抵达事故地点的效率，并兼顾整体交通流的稳定性与通畅性，减少事故对交通系统的影响。
1.3 管控策略的交通场景
为确保上述策略的现实可行性，本文选取沪常高速S26上海段作为实施策略的典型交通场景。该路段全长7.8 km，设计时速为100 km/h，双向6车道，两侧各设有1条应急车道，车道宽度为3.75 m。同时，该路段的最外侧硬路肩被设置为应急车道，宽度超过2.5 m，能满足车辆正常行驶需求，从而具备应用本策略的基础条件。
2 虚拟应急车道模型构建
本文基于元胞自动机模型构建虚拟应急车道的混合交通流仿真模型。在经典交通流元胞自动机NS（Nagel-Schreckenberg）模型[14]的基础上，加入各车道分片段管控，并结合应急情景的动态路权响应机制，形成虚拟应急车道的管控模型。
2.1 模型参数
本文模型中包含小汽车、卡车（truck）和应急车辆（Emergency Vehicle, EV）3类交通参与者，其中小汽车进一步分为智能网联车辆（CAV）和人工驾驶车辆（Human-driven Vehicle, HV），本研究中CAV特指具备通信与自动驾驶能力的智能网联小汽车。为统一模型框架并聚焦动态阶梯式专用通道的管控机制，本模型作出以下假设：仿真路段仅允许上述3类车辆通行；EV具备车联网功能，可与CAV进行实时通讯；车辆换道过程中忽略其加减速动态变化过程。此外，模型中引入以下变量和参数以支持后续仿真分析。
其中：
2.2 应急车辆优先通行控制模型
依据上述虚拟应急车道策略，系统在事故发生时启用多级协同控制机制：事故路段的指示灯立即亮起，禁止其他车辆进入事故区域；同时，随着应急车辆的行进，系统同步逐段更新路段指示灯完成虚拟应急车道的开放，并通过可变信息情报板实时更新指引，确保应急车辆不受社会车辆干扰，快速抵达事故现场。
表1 模型变量 |
| 变量 | 含义 |
|---|---|
| Si (t) | 元胞i在t时刻的车辆状态 |
| Li (t) | 元胞i在t时刻的指示灯状态 |
| xi (t) | 车辆i在t时刻的位置 |
| vi (t) | 车辆i在t时刻的速度 |
| vmax | 允许的最大车速 |
| di (t) | 车辆i与本车道前车的间距 |
1）事故车辆在发生交通事故后保持静止状态，即：
2）事故区域指示灯检测到事故车辆后，灯亮状态控制模型如下：
$\mathrm{if}v_{\mathrm{acc}}(t)=0,\mathrm{then}L_{f(x_{\mathrm{acc}})}(t+1)=1$
式（2）中： 为该位置所对应的信号灯状态， 表示该信号灯在下一个时间步被设置为亮起状态； 为事故地点的具体位置。式（2）定义了一个路段信号指示灯，用于指示虚拟应急车道路段所在位置。式（2）的索引函数为： ，用于将道路按500 m划分为若干片段，并对位置 所属片段进行编号，以便进行信息引导控制相关设置。
3）虚拟应急车道指示灯状态分段控制模型如下：
$L_i(t+1)=\begin{cases}1 & \quad f(x_{\mathrm{emer}})\leqslant i\leqslant f(x_{\mathrm{acc}}) \\0 & \quad i<f(x_{\mathrm{emer}}) \\0 & \quad i>f(x_{\mathrm{acc}}) & \end{cases}$
式（3）中： 为应急车辆实时位置。
2.3 社会车辆跟驰模型
为确保安全车距和行驶稳定，无论是否发生事故，所有车辆遵循统一的跟驰模型。
1）加速规则
当车辆当前速度低于最大速度且前方存在足够的加速距离时，车辆会采取相应的加速行动，加速规则如下。
①HV和truck：采用固定加速度模型，模拟普通车辆的加速过程，其加速度不因复杂环境因素而改变。
$v_{i}(t+1)=\operatorname*{min}[v_{i}(t)+1,v_{\mathrm{max}}]d_{i}>v_{i}(t)+1,v_{i}(t)<v_{\mathrm{max}}$
②CAV：智能网联车辆更容易感知车辆间距和速度差以及相对速度等因素，故本文引用Treiber等[15]提出的经典智能驾驶人模型（Intelligent Driver Model，IDM），设定动态加速度实现车辆加速行为：
$v_i(t+1)=\min[v_i(t)+\bar{a},v_{\max}]$
式（5）~式（7）中： 为基于IDM模型计算得出的动态加速度； 为最大加速度； 为期望速度，即车辆在自由流条件下希望达到的速度； 为加速指数，通常取值为4； 为当前时刻相邻车辆速度差，即前车速度减本车速度的值； 为安全距离； 为最小车距； 为安全车头时距，表示在理想情况下车辆希望与前车保持的时间差； 为舒适减速度，即计算安全车距时，车辆以驾驶员主观感受舒适的方式减速所采用的减速度大小。
2）减速规则
当本车与前车距离 小于期望车头间距 时，为保障行车安全，车辆减速，减速规则如下。
①HV和truck：
②CAV：
式（9）中： 为静态时的最小安全距离，用于计算与前车保持的最小安全间隔。减速至车头间距等于期望车头间距时，车辆将进行匀速跟驰。
3）随机慢化
在实际交通流中，人工驾驶车辆（HV）存在一定概率的随机减速行为，智能网联车辆（CAV）不考虑该随机性。为模拟这一现象，定义HV以概率 出现随机减速操作，反映其不确定性行为特征：
$v_i(t+1)=\max\left[v_i(t)-b_i-w,0\right]$
$w=\begin{cases}b_i & \mathrm{rand}()<p_\mathrm{slow} \\0 & \text{其他} &\end{cases}$
$p_{\mathrm{slow}}=0.1+0.5(1+M\mathrm{e}^{-0.05\rho})^{\frac{1}{-0.95}}$
式（10）~式（12）中： 为额外的随机减速； 为随机慢化情况； 在MATLAB中表示生成一个0~1的随机小数； 为基于Richards的植物生长曲线调整的随机概率[16]； 为每千米长度的车道上最多容纳的车辆数； 为道路的车流密度。
4）位置更新
2.4 社会车辆换道模型
换道行为的前提条件包括换道动机和换道安全性判断。根据Chowdhury等[17]提出的STCA模型，结合高速公路场景中应急车辆与常规车辆的交互特点，对换道行为进行了改进，以适应虚拟应急车道的动态管理需求。
2.4.1 有应急车时的换道模型
在有应急车辆的场景下，社会车辆的换道行为需综合考虑车路协同系统的引导信息，包括虚拟应急车道路段的指示灯状态以及各片段入口处的信息显示屏指引。因此，社会车辆需根据实时提示完成换道操作，以确保应急车道的畅通。
1）换道动机
基于车路协同系统引导信息，结合本车与相邻车道前车距离，按照以下规则判断换道动机 ：
$\begin{cases}d_i(t)<\Delta t\min[v_i(t)+a,v_{\max}] \\d_{i,\mathrm{sidefront}}(t)>d_i \\L_{f(x_i)}(t)=0 & \end{cases}$
式（14）中： 为本车与相邻车道前车车距。
2）换道安全条件
①HV和truck：人工驾驶车辆依赖驾驶员个人感知，故引入感知距离进行判断：
$\begin{cases}x_i(t)-500\times\left\lfloor\frac{x_i(t)}{500}\right\rfloor<50 \\ \\L_{f(x_i)}(t)=0 \\ \\d_{i,\mathrm{sidefront}}(t)>d_i \\d_{i,\mathrm{sideback}}(t)>v_i(t)T & \end{cases}$
根据《道路交通标志和标线 第1部分：总则》（GB 5768.1—2025）[18]中关于标志设置视认距离原则，结合驾驶员平均反应时间（约1.5~2 s）及常见城市路段行驶速度（40~60 km/h）推算制动距离，设定感知范围为50 m；并通过 判断车辆当前位置是否处于距目标点小于感知范围内的划分路段（500 m）中，用以表示满足信号灯视觉感知的距离需求。
②CAV：基于车辆与相邻车道前后车的实时距离进行判断，当满足以下规则时，车辆具备换道安全性：
$\left\{\begin{array}{l}L_{f\left(x_{i}\right)}(t)=0 \\d_{i, \text { sidefront }}(t)>d_{i} \\d_{i, \text { sideback }}(t)>v_{i}(t) T\end{array}\right.$
式（16）中： 为本车与相邻车道后车车距。
2.4.2 无应急车时的换道模型
无应急车时，车辆的换道行为主要依据个体交通状态判断是否存在换道动机和满足换道安全性。
1）换道动机
综合本车速度、加速度、与相邻车道前车距离等自身行驶参数，按照下式判断换道动机：
$\left\{\begin{array}{l}d_{i}(t)<\Delta t \min \left[v_{i}(t)+a, v_{\max }\right] \\d_{i, \text { sidefront }}(t)>d_{i}(t)\end{array}\right.$
2）换道安全条件
①HV和truck：由于人工驾驶车辆的驾驶员无法准确判断换道目标车道后方来车的准确速度，为保障安全，默认以 前进，则安全条件如下：
$d_{i, \text { sideback }}(t)-v_{\max }+\min \left[v_{i}(t)+a_{i}, v_{\max }\right]>1$
②CAV：不同于HV和truck依赖驾驶员经验判断，智能网联车辆借助车联网技术实时精准感知周围车辆的速度和位置，进而判断安全车距和换道时机，实现更精准、更安全的换道决策。为量化和规范智能网联车辆的换道决策过程，引入如下安全条件：
$\begin{array}{c}d_{i, \text { sideback }}(t)-\min \left[v_{i+1}(t), v_{\max }\right]+ \\\min \left[v_{i}(t)+a, v_{\max }\right]>1\end{array}$
3 混合交通流下虚拟应急车道策略仿真验证
3.1 仿真参数和边界条件
本文使用MATLAB软件实现元胞自动机模型，对虚拟应急车道管控策略进行仿真模拟。基于上述管控策略的交通场景基础条件，选择总长度L=2000m的高速公路路段进行模拟，路段设置为4车道，其中包括3个普通车道和1条最外侧应急车道。采用更精细的元胞单位，即每1 m为1个元胞单位（cell），共对应2 000 cells。模拟时间设定为2 000 s，时间步长按1 s进行迭代。
根据1.3节的车辆设定及对应交通场景描述，并参考文献[10,13,15,17]，设置小汽车、卡车和应急车辆的长度分别为5、10、6 m，对应元胞数依次为5、10、6 cells；所有车辆限速为120 km/h，即33 cell/s；HV, CAV, EV和truck的最大速度分别为30、30、33、30 cell/s，初始速度分别为25、27、33、25 cell/s。仿真设置开放性边界条件，入口处车辆生成概率为递增数列，出口处流量控制概率为递减数列，模拟交通流从自由流向拥堵状态的过程[19-21]。此外，考虑事故发生的随机性，设置在300~1000 s随机生成应急车辆，以模拟现实情况中的突发事件。表2给出了仿真中其他相关参数的取值。
表2 元胞自动机参数取值 |
| 符号 | 取值 | 单位 | 含义 |
|---|---|---|---|
| C | 1 | m/cell | 元胞尺寸 |
| L | 2 000 | m | 道路长度 |
| Segment | 500 | m | 小片段长度 |
| a | 1 | cell/s2 | 最大加速度 |
| b | 1 | cell/s2 | 舒适减速度 |
| vdes | 33 | cell/s | 期望速度 |
| δ | 4 | — | 加速度加速指数 |
| T | 1.5 | s | 安全车头时距 |
| alpha | 0∶1 | — | 车辆生成概率 |
| beta | 1∶0 | — | 出口封闭概率 |
3.2 交通流基本图分析
表3 pcu换算系数 |
| 车辆类型 | pcu换算系数 |
|---|---|
| HV和CAV | 1.0 |
| Truck | 2.0 |
| EV | 1.5 |
图2展示了当CAV占小汽车的比例为30%时，采用虚拟应急车道管控策略时的交通密度-流量曲线。在低密度阶段（0~20 pcu/km），流量随交通密度近似线性增长，属于自由流状态；当密度超过20 pcu/km，流量开始下降，进入同步流阶段，车辆间相对速度较低；当密度达到70 pcu/km，流量急剧下降，进入拥堵流阶段，车辆速度逐渐减少至0。这一变化趋势符合交通流理论，验证了所建模型的合理性。
图3进一步对比了同等条件下现有高速公路固定应急车道管控策略与本策略的流量-密度曲线。结果表明，在自由流状态下，两种策略的交通行为差异不大，均能有效保障车辆高效通行。而进入同步流阶段时，虚拟应急车道策略展现出更高的通行能力，系统流量峰值达到8 902.8 pcu/h，比固定车道管控策略的流量峰值6 837.6 pcu/h提升了30.2%。说明该策略在中高密度交通流下显著提高了道路通行效率。
3.3 交通拥堵特性分析
式（20）中： 为拥堵车辆比例； 为拥堵车辆数； 为路段总车辆数。
总体来看，虚拟应急车道策略在中低密度交通条件下显著提升了道路资源利用率，降低了拥堵程度，从而提升了整体通行效率。
3.4 CAV比例对虚拟应急车道策略的影响分析
随着智能网联技术的发展，CAV占比的增加对交通系统的影响日益显著。自动驾驶车辆能更好地协同行驶并保持恒定的车头间距，减少人为驾驶产生的速度波动，因此交通流在高密度条件下能维持较大的通行能力。本文考虑CAV占比为10%、30%、50%、70%和90%等5种情况，研究不同CAV比例对管控效果的影响。如图6所示，随着CAV占比从10%逐步提升至90%，虚拟应急车道策略的流量-密度曲线峰值对应的密度明显右移，曲线“右尾”明显延展，表明系统在高密度状态下仍具较强的通行能力与运行稳定性。由此可见，该策略在高CAV比例下表现出良好的适应性，具备显著提升高密度交通通行效率的潜力。
图7对比了不同CAV占比下虚拟应急车道和现有应急车道的密度-流量关系。结果显示，在所有考虑的CAV占比下，虚拟应急车道策略的密度-流量曲线均高于现有策略，流量峰值整体上浮且提升幅度显著。具体来看，虚拟应急车道策略在上述CAV占比下相较现有高速公路应急车道策略的峰值提升幅度约为35.3%、30.2%、33.5%、26.4%和36.6%，平均提升约32%。这一结果进一步表明，在高CAV占比下，车辆能更好地利用开放车道资源，使虚拟应急车道策略展现出更强的通行能力和抗拥堵性能。
4 结束语
本文针对含智能网联车辆的高速公路混合交通流环境，提出了一种基于动态路权分配的虚拟应急车道管控策略，并基于元胞自动机模型进行仿真验证。结果表明，该策略可根据交通实时状态灵活调整车道使用权限，提高应急车道的利用率和道路通行效率。在CAV占比为30%时，本策略的流量峰值达8 902.8 pcu/h，较现有策略提升了30.2%；同时，在低中等密度下使拥堵比例下降10%~27%。进一步分析显示，在CAV占比为10%~90%时，该策略的流量峰值较现有高速公路应急车道策略平均提升约32%，最高提升幅度可达36.6%。这一结果表明，该策略在多种CAV占比下均展现出良好的适应性，在提升道路通行能力和抗拥堵性能方面具有明显优势。
由于模型简化了驾驶行为的多样性，未充分考虑复杂路网结构和事故现场救援对交通流的影响，以及应急情况下可能出现的停车需求和安全保障等问题，导致本文存在局限性。未来将结合实测数据进行模型校准，拓展策略在多种场景下的适应性评估，进一步完善综合管控方案，以增强策略的实用性和可靠性。
