[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116935624B - 基于数字孪生的降雪天气智能网联交通事故风险评价方法 - Google Patents

基于数字孪生的降雪天气智能网联交通事故风险评价方法 Download PDF

Info

Publication number
CN116935624B
CN116935624B CN202310615320.7A CN202310615320A CN116935624B CN 116935624 B CN116935624 B CN 116935624B CN 202310615320 A CN202310615320 A CN 202310615320A CN 116935624 B CN116935624 B CN 116935624B
Authority
CN
China
Prior art keywords
traffic
vehicle
headway
speed
weather
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310615320.7A
Other languages
English (en)
Other versions
CN116935624A (zh
Inventor
付川云
逯兆友
丁乃侃
闫奕昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202310615320.7A priority Critical patent/CN116935624B/zh
Publication of CN116935624A publication Critical patent/CN116935624A/zh
Application granted granted Critical
Publication of CN116935624B publication Critical patent/CN116935624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Traffic Control Systems (AREA)

Abstract

基于数字孪生的降雪天气智能网联交通事故风险评价方法，涉及交通安全技术领域，针对现有技术中针对降雪天气交通事故风险评价的准确率低的问题，本申请充分考虑了降雪天气下驾驶行为特性和交通安全特性、交通安全效益评价指标、智能网联仿真环境构建三个方面。通过基于SUMO的总体设计，设置了仿真基础参数。提出了考虑不同车型对后车跟车距离影响的当量交通量计算方法，应用该方法综合考虑了降雪天气条件下各种车型对交通流运行的影响；另一方面，本申请通过基于遗传算法的跟驰模型参数标定算法，可以高效、准确地进行参数标定。进而提升了降雪天气交通事故风险评价的准确性。

Description

基于数字孪生的降雪天气智能网联交通事故风险评价方法
技术领域
本发明涉及交通安全技术领域，具体为基于数字孪生的降雪天气智能网联交通事故风险评价方法。
背景技术
道路交通安全问题一直是影响人类社会安全、经济和可持续发展的世界性难题，提高道路交通安全会使交通运输的综合成本显著降低。近年来，随着智能网联交通技术的演进，网联自动驾驶车辆被认为是更加安全可靠的交通工具。然而，由网联自动驾驶车辆与人驾车辆组成的混合交通流在降雪天气下的安全效益尚不明确。降雪天气是我国北方地区常见的天气类型，其对交通安全影响巨大。探究智能网联混合交通流在降雪天气下的安全效益可为交通规划与管理提供理论依据和实践基础，其成果具有广阔的应用前景。
随着智能网联技术的发展，我国正在逐步开展网联自动驾驶车辆的研发和智能网联交通基础设施的建设工作。在智能网联交通系统部署的不同阶段中，会存在各个级别的自动驾驶车辆与传统手动驾驶车辆混合行驶的交通流。混合交通流的出现会对驾驶人的驾驶习惯和交通系统的管理与控制造成影响，分析混合交通流在理想天气条件和不利天气条件下的安全效益有助于智能网联交通系统的发展和完善。然而，以不同市场渗透率混入网联自动驾驶车辆的混合交通流在不利天气下的安全效益尚不明确。其中，降雪作为我国北方地区常见的不利天气条件对交通安全影响巨大，而现有技术中并未充分考虑交通流在降雪条件下对安全效益风险评价的影响，仅通过常规安全效益风险评价方法进行评价，因此，现有技术针对降雪天气交通事故风险评价的准确率较低。
发明内容
本发明的目的是：针对现有技术中针对降雪天气交通事故风险评价的准确率低的问题，提出基于数字孪生的降雪天气智能网联交通事故风险评价方法。
本发明为了解决上述技术问题采取的技术方案是：
基于数字孪生的降雪天气智能网联交通事故风险评价方法，包括以下步骤：
步骤一：获取高峰小时的降雪天气交通视频数据，并利用YOLO-v8识别交通视频数据每一帧图像中车辆的数量，进而得到高峰小时的交通量数据，之后获取交通视频数据每一帧图像中车辆的位置信息，并基于每一帧图像中车辆的位置信息，得到车辆的速度及车头时距；
步骤二：获取交叉口几何结构数据以及管控措施，所述管控措施包括限速、限行、交通信号控制，之后将交叉口几何结构数据在SUMO中构建仿真路网，再根据管控措施构建交通控制模型；
步骤三：利用车辆的位置信息以及车辆的速度，在SUMO中构建交通仿真模型；
步骤四：通过考虑不同车型对后车跟车距离影响的当量交通量计算方法将交通量数据转换为当量交通量数据；
步骤五：利用车辆的速度、车头时距以及当量交通量构建真实数据集，并将真实数据集输入交通仿真模型中作为基础数据，以此构建SUMO中跟驰模型；
步骤六：根据SUMO中跟驰模型的参数，选取降雪天气交通场景中的加速度，减速度、最大车速、车头时距和静止时的安全距离作为目标参数输入交通仿真模型中，得到交通仿真模型输出的车头时距、车辆的速度以及当量交通量数据，当交通仿真模型输出的车头时距和车辆的速度与真实数据集中车头时距和车辆的速度通过KS检验时，则执行步骤七，否则，将目标参数通过遗传算法进行迭代更新，直至通过KS检验；
步骤七：判断交通仿真模型输出的当量交通量数据与真实数据集中当量交通量是否通过GEH检验，若通过，则执行步骤八，否则，重复步骤六；
步骤八：在交通仿真模型中设置自动驾驶车辆的市场渗透率，并结合仿真路网以及交通控制模型得到最终交通仿真模型；
步骤九：利用SSM，即交通安全替代指标对最终交通仿真模型中车辆交通事故风险进行评价。
进一步的，所述步骤四中当量交通量表示为：
QE＝Q×PCE
其中，QE为当量交通量，Q为实测交通量，PCE为折算系数，PCEobjective为目标车型的PCE，hbus为公交车的平均车头时距，hvan为小型货车的平均车头时距，h′bus为公交车后车的平均车头时距，h′van为小型货车后车的平均车头时距，h′standard为标准小汽车后车的平均车头时距。
进一步的，所述步骤六中遗传算法的适应度函数为：
其中，为仿真得到的区间车速均值，为实测得到的区间车速均值。
进一步的，所述步骤六中通过KS检验具体为车速分布和车头时距分布检验结果均大于0.05。
进一步的，所述步骤九中SSM为基于车速或加速度的交叉口区域碰撞风险熵，基于车速或加速度的交叉口区域碰撞风险熵表示为：
其中，DCREk(Vnv)为基于车速的交叉口区域碰撞风险熵，DCREk(anv)为基于加速度的交叉口区域碰撞风险熵，为第nv辆车的车速Vnv所在区间的所有车辆的车速出现的概率，为相同区间车速出现的数量，NV为车速数据的总样本量，为第nv辆车的加速度anv所在区间的所有车辆的车速出现的概率，为相同区间加速度出现的数量，Na为加速度数据的总样本量。
进一步的，所述步骤九的具体步骤为：利用SSM得到冲突数量Y，之后判断Y与QE的比值，比值越大，则交通事故风险越大。
进一步的，所述Y表示为：
其中，hd为前后两车的车头间距，SWDH为手动驾驶安全预警距离，SWDA为自动驾驶安全预警距离。
进一步的，所述SWDH表示为：
其中，as＝φ·g，as为车辆最大制动减速度，g为重力加速度，Vf为后车的速度，Vl为前车的速度，T为驾驶人反应时间，d0为车辆静止时的安全距离，t1为制动协调时间，t2为制动器制动力增长过程所需的时间，d为车身长度，φ为道路附着系数，θ为变道角度。
进一步的，所述SWDA表示为：
进一步的，所述变道角度θ表示为：
其中，dx为车辆横向移动距离的微分，dy为车辆纵向移动距离的微分，xm和ym为变道过程中间时刻tm的位置，lim表示取极限，tm为变道过程中间时刻，xs和ys为变道开始时刻的横纵坐标，ts为变道开始时刻。
本发明的有益效果是：
本申请充分考虑了降雪天气下驾驶行为特性和交通安全特性、交通安全效益评价指标、智能网联仿真环境构建三个方面。通过基于SUM0的总体设计，设置了仿真基础参数。提出了考虑不同车型对后车跟车距离影响的当量交通量计算方法，应用该方法综合考虑了降雪天气条件下各种车型对交通流运行的影响；另一方面，本申请通过基于遗传算法的跟驰模型参数标定算法，可以高效、准确地进行参数标定。进而提升了降雪天气交通事故风险评价的准确性。
本申请根据信息熵理论构建了队列碰撞风险感知模型，基于车头时距、车速、加速度的分布不确定性提出了车辆队列碰撞风险评估的量化指标；将安全制动距离模型进行了扩展，构建了适用于网联自动驾驶车辆和降雪天气的、可同时评价纵向(追尾)冲突和横向(变道)冲突的交通安全替代指标。
本申请在智能网联仿真环境的构建上，设置了不同渗透率场景以模拟不同网联化阶段的混合交通流。为了精确标定各天气场景下的跟驰模型参数，提出了考虑不同车型对后车跟车距离影响的当量交通量计算方法和基于遗传算法的跟驰模型参数标定方法。
本申请应用基于信息熵理论的队列碰撞风险感知模型分析了降雪天气下的队列碰撞风险，探究了不同天气场景下的碰撞潜在影响因素；利用基于安全制动距离的安全替代指标结合碰撞时间(TTC)和后侵入时间(PET)分析了各天气场景下在不同市场渗透率的纵向冲突和横向冲突，研究了市场渗透率对冲突区域分布的影响，并分析了本文所提出的安全替代指标在降雪天气和智能网联环境下的适用性。
附图说明
图1为本申请整体技术方案示意图；
图2为各场景下的区间车速分布图；
图3为各场景下的车头时距分布；
图4为车辆制动过程示意图；
图5为车辆跟驰和变道过程示意图；
图6为车辆变道轨迹示意图；
图7为各车型对后车跟车间距影响示意图；
图8为跟驰模型参数标定算法流程图。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于数字孪生的降雪天气智能网联交通事故风险评价方法，包括以下步骤：
步骤一：获取高峰小时的降雪天气交通视频数据，并利用YOLO-v8识别交通视频数据每一帧图像中车辆的数量，进而得到高峰小时的交通量数据，之后获取交通视频数据每一帧图像中车辆的位置信息，并基于每一帧图像中车辆的位置信息，得到车辆的速度及车头时距；
步骤二：获取交叉口几何结构数据以及管控措施，所述管控措施包括限速、限行、交通信号控制，之后将交叉口几何结构数据在SUMO中构建仿真路网，再根据管控措施构建交通控制模型；
步骤三：利用车辆的位置信息以及车辆的速度，在SUMO中构建交通仿真模型；
步骤四：将交通量数据通过考虑不同车型对后车跟车距离影响的当量交通量计算方法转换为当量交通量数据；
步骤五：利用车辆的速度、车头时距以及当量交通量构建真实数据集，并将真实数据集输入交通仿真模型中作为基础数据，以此构建SUMO中跟驰模型；
步骤六：根据SUMO中跟驰模型的参数，选取降雪天气交通场景中的加速度(ACC)，减速度、最大车速、车头时距和静止时的安全距离作为目标参数输入交通仿真模型中，得到交通仿真模型输出的车头时距、车辆的速度以及当量交通量数据，当交通仿真模型输出的车头时距和车辆的速度与真实数据集中车头时距和车辆的速度通过KS检验时，则执行步骤七，否则，将目标参数通过遗传算法进行迭代更新，直至通过KS检验；
步骤七：判断交通仿真模型输出的当量交通量数据与真实数据集中当量交通量是否通过GEH检验，若通过，则执行步骤八，否则，重复步骤六；
步骤八：在交通仿真模型中设置自动驾驶车辆的市场渗透率，并结合仿真路网以及交通控制模型得到最终交通仿真模型；
步骤九：利用SSM，即交通安全替代指标对最终交通仿真模型中车辆交通事故风险进行评价。
在交通智能化与网联化发展的进程中，自动驾驶车辆的安全问题受到了消费者、交通管理者和学者们的广泛关注。其中，有关智能网联车辆的安全研究主要集中在行车安全和信息安全。Kutti等和张毅等指出，在智能网联车辆行车安全技术和信息安全技术的研发中需要考虑不利天气的影响。影响交通运行效率和安全的不利天气主要包括：雨，雪，其他(风、雾等)。其中，降雪天气作为我国北方地区常见的不利天气对交通系统的影响具有以下特点：(1)降雪天气下交通事故率提高；(2)降雪天气下交通事故造成的经济损失严重。然而，现有研究缺乏对网联自动驾驶车辆在降雪天气下的交通安全的关注。为了补充智能网联交通系统在降雪天气下的安全特性研究，需要探究以不同市场渗透率混入网联自动驾驶车辆后的混合交通流在降雪天气下的安全效益。本申请拟从降雪天气下的交通安全特性和驾驶行为特性分析、交通安全效益评价指标研究、智能网联仿真环境构建和交通安全效益评价等方面展开分析和讨论。
交通安全效益评价方法通常包括基于交通事故数据的评价方法和基于安全替代指标的评价方法，然而前者需要大量的交通事故历史数据，因而具有明显的局限性。Wang等总结归纳了安全替代指标(Surrogate Safety Measures，SSM)及其在智能网联车辆安全分析中的应用，并把安全替代指标划分为三类：基于时间的SSM，基于减速度的SSM和基于能量的SSM。
(1)基于时间的SSM
TTC是目前使用最为常见的基于时间的SSM之一，是评价纵向冲突的重要指标，最早由Hayward提出。TTC计算简便且具有较强的物理意义，因此得到了广泛的推广。然而，由于在计算中需要以速度差作为分母，因此TTC的应用在前后两车速度差不大时受到局限。针对该问题，Chin等提出将TTC值取倒数得到新的安全替代指标mTTC，其扩充了TTC的应用范围。Ding等进一步提出计算两断面之间mTTC的变化率来刻画断面间冲突风险的变化情况。
另一方面，研究者们在应用TTC进行安全效益评价时往往需要根据不同的冲突程度来设定相应的风险阈值，选取TTC风险阈值的优势在于能够更加直观的判定车辆运行是否处于高风险状态。基于TTC风险阈值，研究者们又将TTC进一步整合得到新的SSM，如TET和TIT。目前比较常见的TTC阈值取值为：1s，1.5s和2s,。此外，Li等和Rahman等在研究中选取多个阈值，通过灵敏度分析法对各个阈值下的结果进行综合比较。Mousavi等将手动驾驶车辆和自动驾驶车辆的阈值进行区分，手动驾驶车辆的阈值设置为1.5s，自动驾驶车辆则设置为1s，然而该方法的准确性并没有得到验证。
但是，由于TTC及其演化而来的SSM需要以假设车辆速度恒定为前提，因此忽略了车辆的制动避碰行为。PET则避免了车速恒定的假设，并且在定义上，PET作为一种基于时间差的指标既可以评价纵向冲突也可以评价横向冲突。类似的时间差指标还有车头时距，即前车前部通过道路上某一点与后车前部通过同一点之间所经过的时间差。
(2)基于减速度的SSM
现有研究表明，基于时间的SSM在评价交通安全效益时具有计算简便、适合微观仿真等优势，然而其忽略了车辆自身的机动性。因此，关于安全效益评价的研究中往往在使用基于时间的SSM的同时，还会增加对基于加速度和基于能量的SSM的考虑。其中，DRAC是广泛应用于交通安全效益评价研究中的基于减速度的SSM。从定义来看，DRAC是避免碰撞的最小减速度，其计算简单且具有较强的物理意义。与之相似的SSM还有MADR，其被定义为驾驶人采取制动操作时车辆可以达到的最大减速度。DRAC需要假定后车车速大于前车，而MADR需要考虑道路和环境条件，是一种道路交通属性。因此，MADR往往作为DRAC的阈值来评价交通安全效益。Cunto认为当DRAC大于MADR时车辆处于高碰撞风险状态，提出了碰撞潜在指数CPI来评价交通安全效益。Oh等发现当前车采用MADR进行制动时，如果后车的制动距离大于前车则存在追尾风险，以此提出了追尾碰撞风险指数RCRI。基于上述研究，Rahman和Abdel-Aty提出了随时间累积的RCRI，即TERCRI。然而，MADR受道路条件和天气条件影响较大，不同的场景往往有不同的MADR值，因此考虑道路条件和天气条件影响的MADR计算尚待研究。
(3)基于能量的SSM
基于时间和基于减速度的SSM是评价车辆间的碰撞风险，而基于能量的SSM是对碰撞产生的后果进行估计。DeltaV是根据当前车辆运行状态来预测车辆碰撞后的速度变化的SSM。DeltaV的优势在于计算简便，能够估计前后两车的碰撞后果，但是没有考虑避碰动作并且假设车辆碰撞为非弹性碰撞。Bagdadi和Omar将基于时间的SSM(TA)、基于减速度的SSM(MADR)与基于能量的SSM(DeltaV)进行融合，提出了CS来补充并扩展DeltaV。然而，该研究提出的CS并没有解决MADR的取值问题。其他针对基于能量的SSM的研究也没有充分考虑到车辆在不同道路条件和天气条件下的机动性(Alhajyaseen和Kaan等)。
在智能网联交通系统的研究中，仿真实验是在道路测试前验证车辆性能和交通流特性的有效方法，其可以节省大量人力、物力、财力和时间成本。邓伟文等总结了自动驾驶仿真实验的研究现状，指出现阶段自动驾驶仿真场景包括4层：场地、交通、气象和特定任务需求。
(1)场地
场地包括道路、交通设施和路边建筑，是仿真过程中的基础场景。目前，网联自动驾驶车辆的相关研究中，主要的研究场景包括：高速公路、主干路和交叉口。其中，在仿真场地构建中应用最为广泛的仿真平台有VISSIM和SUMO等。
(2)交通
交通包括交通参与者的物理特性和运动特性，在交通流的仿真研究中通常认为某一车辆类型中的所有车辆具有相同的物理特性和运动特性。国内外关于智能网联混合交通流的仿真研究中，通常认为智能网联车辆的发展需要经过几个阶段：手动驾驶车辆(Human-Driven Vehicle,HDV)，网联车辆(Connected Vehicle,CV)，自动驾驶车辆(AutomatedVehicle,AV)和网联自动驾驶车辆(Connected and Automated Vehicle,CAV)。其中，各种车辆类型之间最显著的差异是驾驶行为特性的不同，在仿真平台中表现为跟驰模型的差异。
在HDV的跟驰模型选择时，Mousavi等和Virdi等直接选择了Wiedemann 74模型的默认参数。然而，由于不同研究地点在道路条件和天气条件等因素上存在差异，默认参数并不适合所有场景。Arvin等修改了Wiedemann 74模型中的α值和β值以符合特定研究地点的驾驶行为特性。Essa和Sayed采用两步综合标定法对Wiedemann 74模型中的参数进行了精确标定。Rahman等根据相关文献中已有的研究成果对Wiedemann 74模型中的参数进行了标定，并采用Kolmogorov-Smirnov检验对标定结果进行了验证。更进一步地，Li等和Wang等在HDV的仿真中采用了IDM(Intelligent Driver Model)模型。目前关于CV的研究中，Essa和Sayed采用了修改参数后的Wiedemann 74模型，而Rahman等采用了IDM模型以与HDV进行区分。针对AV的跟驰模型选择，Rahman等考虑了只包括车道保持和刹车辅助功能的低级别AV，重新标定了Wiedemann 74模型。Arvin等采用了Xiao等提出的ACC(Adaptive CruiseControl)模型来标定AV。在CAV的跟驰模型选择中，Li等借助于其他学者们的相关研究成果对IDM模型的参数进行了标定，然而该方法缺乏对特定地点交通条件的考虑。目前，CACC(Cooperative Adaptive Cruise Control)模型被证明能够更好地应用于CAV。
(3)气象
气象的设置需要根据不同天气条件下的道路条件和交通条件来模拟真实场景。针对降雪天气，何永明和丁柏群、He等和Wang等通过标定仿真软件中的跟驰模型参数来模拟由手动驾驶车辆构成的交通流。但是，目前缺乏面向智能网联交通系统在降雪天气下的仿真平台构建研究。类似的研究中，Rahman等评价了雾天时CAV的安全效益，在构建雾天仿真场景时，采用灵敏度分析法对跟驰参数进行了标定，并通过对仿真结果和实测数据中的车头时距分布进行卡方检验来验证标定的准确性。
(4)特定任务需求
特定任务需求包括功能设计需求、研发测试需求和测试评价需求。在目前的仿真研究中，研究者们认为道路交通将出现前述车辆类型的混合交通流，且随着智能网联技术的发展CV，AV和CAV在交通流中的占比会提升。仿真研究中通常采用市场渗透率(MarketPenetration Rate，MPR)来刻画不同发展阶段下的混合交通流中的各种车辆的占比，以此来测试和评价智能网联交通系统在逐渐部署过程中的性能。Arvin等，Virdi等，Sander和Lubbe，Park和Oh，Abdel-Aty等在进行智能网联交通系统仿真实验时，将MPR的设置以10％为步长从0取到100％，以每一个MPR为一组场景，共计11组场景。该方法的好处是可以更细致的模拟智能网联环境下混合交通流的各个发展阶段，能够更好的解释交通安全随着MPR增加的变化趋势。
(1)已有的研究成果中缺乏针对降雪天气下智能网联混合交通流安全效益评价的相关研究。大多数研究针对能见度、附着系数、车辆类型等因素探究降雪天气下的车辆运行安全效益。然而，上述因素对交通流运行特性的影响尚不明确，降雪天气下网联自动驾驶车辆在混合交通流中的安全效益也有待探索。
(2)现有研究中通常采用SSM来评价智能网联混合交通流的安全效益，然而Wang等[23]的综述研究表明目前的研究对智能网联环境下交通流安全特性的认知不足，SSM在不同MPR下的适用性有待进一步验证，风险阈值的确定也有待进一步研究；同时，现有SSM缺乏对降雪条件的考虑。基于时间和基于减速度的SSM(如TTC、PET和DRAC等)在低速情况下的应用仍存在局限性。针对降雪天气下的交通特性，对SSM进行改进和扩展值得深入研究。
(3)现有智能网联仿真实验中，智能网联混合交通流的构建通常通过标定各种车辆类型的跟驰模型参数来实现。但是目前缺乏对降雪天气的考虑，Rahman等在雾天的研究值得借鉴，雾天和降雪天气的交通特性类似，但是在雪天需要考虑的影响因素更为复杂，因此需要改进和调整参数的标定方法和验证方法。
(1)降雪天气下的交通安全特性和驾驶行为特性分析
运用实证研究法分析降雪天气下的交通安全特性和驾驶行为特性。首先采用文献调研法分析降雪天气对交通流运行状态的影响并提取关键影响因素，然后通过现场调研法采集现场数据并利用统计方法对数据进行处理分析，最后采用对比研究法对不同天气条件下的交通安全特性和驾驶行为特性进行分析。
(2)交通安全效益评价指标研究
通过文献调研法确定符合降雪天气应用条件的安全替代指标并分析其优势和局限。针对现有安全替代指标在雪天应用的不足，采用统计分析、数据挖掘等数学方法系统分析降雪天气下交通冲突风险的微观成因，并结合智能网联车辆的运行特性改进传统的安全替代指标。
(3)智能网联仿真环境构建
依据现场调查法得到的交通调查数据，在SUMO仿真软件中创建路网和交通控制模型，参考并改进已有研究中的雪天场景仿真参数设置；采用文献调研法归纳总结智能网联环境下市场渗透率设置和驾驶行为参数标定方法的研究现状与不足，总结归纳混合交通流中的交通构成，选择各种车辆类型所对应的跟驰模型；运用遗传算法标定跟驰模型参数，通过Kolmogorov-Smirnov检验对仿真结果中的车头时距分布和车速分布与实地交通调查数据进行统计检验，最后采用GEH统计分析仿真交通量与实际交通量的差异，以此来确定参数标定的准确性。
(4)仿真实验及结果分析
通过Python编程控制整个仿真实验的运行：首先通过Python在SUMO中为每辆车配置检测器，然后通过SUMO中的Python接口控制仿真实验循环运行并收集实验数据，最后将原始数据进行预处理，数据清理归类后存储在数据库中；基于安全替代指标通过Python进行数据分析深入挖掘潜在的交通冲突风险，采用统计学方法、图形法、定量分析法等方法对仿真得到的车速、车头时距和交通冲突等结果进行分析与讨论。本申请整体技术方案如图1所示。
降雪天气下的驾驶行为特性分析
(1)区间平均车速
降雪天气对能见度和道路的附着系数有显著影响，而这种影响直接决定了车辆的运行速度。此外，还有研究表明不良天气会影响驾驶人在驾驶过程中的精神状态，从而对车速产生影响。
在本申请研究的交叉口中，小雪天气下的区间平均车速比夏季晴天时下降9.76km/h，降幅为31.8％。对小雪天气和夏季晴天的区间车速进行方差齐性检验，得到P＝0.33>0.05不具有显著性差异，即具有方差齐性。进一步对小雪天气和夏季晴天的区间车速进行t检验，得到P<0.001，即小雪天气和夏季晴天的区间车速分布具有显著性差异。小雪天气与冬季晴天相比，下降5.04km/h，降幅为19.9％。对小雪天气和冬季晴天的区间车速进行方差齐性检验，得到P＝0.40>0.05不具有显著性差异，即具有方差齐性。进一步对小雪天气和冬季夏天的区间车速进行t检验，得到P<0.001，即小雪天气和冬季晴天的区间车速分布具有显著性差异。中雪天气下的区间平均车速比夏季晴天时下降11.96km/h，降幅为39.0％。对中雪天气和夏季晴天的区间车速进行方差齐性检验，得到P＝0.43>0.05不具有显著性差异，即具有方差齐性。进一步对中雪天气和夏季晴天的区间车速进行t检验，得到P<0.001，即中雪天气与夏季晴天的区间车速具有显著性差异。中雪天气与冬季晴天相比，下降7.24km/h，降幅为27.9％。对中雪天气和冬季晴天的区间车速进行方差齐性检验，得到P＝0.35>0.05不具有显著性差异，即具有方差齐性。进一步对中雪天气和冬季晴天进行t检验，得到P<0.001，即中雪天气与冬季晴天的区间车速具有显著性差异。据此可知，各场景下的车速下降数值和降幅与典型冰雪条件下的车速特性研究相符，并且小雪天气和中雪天气对交叉口车速的影响比降雪天气对城市快速路和降雨天气高峰时期的影响更加显著。
另一方面，冬季晴天的区间车速比夏季晴天下降15.38km/h，降幅为15.4％。对冬季晴天和夏季晴天的区间车速进行方差齐性检验，得到P＝0.90>0.05不具有显著性差异，即具有方差齐性。进一步对冬季晴天和夏季晴天的区间车速进行t检验，得到P<0.001，即冬季晴天和夏季晴天的区间车速分布具有显著性差异。在不同季节的晴天下，造成车速差异的原因被认为是温度对车辆工况产生了影响。区间车速分布如图2所示。其中，受气温影响的车速降幅要小于受降雪影响的车速降幅。
(2)车头时距
降雪天气对驾驶行为特性的影响还体现在车头时距上，特别是在交叉口停车线附近会因为车辆排队形成一层薄冰，从而影响驾驶人的驾驶行为。因此，需要对各场景下的车头时距分布进行进一步分析。
首先，对各场景下的车头时距进行方差齐性检验，检验结果如附表1。检验结果表明，各场景的车头时距两两之间不都存在方差齐性，只有夏季晴天和冬季晴天、小雪天气和中雪天气之间P>0.05，具有方差齐性。因此在各场景两两之间进行t检验时需要根据是否具有方差齐性进行检验。各场景下车头时距的t检验结果如附表2，各场景之间的P值均小于0.05，具有显著性差异。
小雪天气的平均车头时距比夏季晴天增加0.62s，增幅30.0％；比冬季晴天增加0.44s，增幅19.6％。中雪天气的平均车头时距比夏季晴天增加0.84s，增幅40.6％；比冬季晴天增加0.66s，增幅29.3％。此外，冬季晴天的平均车头时距比夏季晴天增加0.18s，增幅8.9％。各场景下的车头时距分布如图，可以看到冬季场景下的车头时距分布更加分散，说明如图3所示冬季环境(温度、能见度、附着系数、驾驶人精神状态)对驾驶人的驾驶行为有显著的影响。该趋势与任园园的研究结果相同，但是平均车头时距随车速下降的数值和降幅低于刘力力等在城市快速路的研究结果。
(3)启动损失时间
由于低温对车辆工况的影响、交叉口停车线附近不均匀的薄冰对道路附着系数的影响以及降雪对行车能见度的影响，各天气场景下车辆在绿灯相位开始时的启动损失时间会存在差异。通过调查绿灯相位开始后前5辆车的启动情况，得到各场景下的启动损失时间如表1所示。小雪天气的启动损失时间比夏季晴天增加2.6s，增幅41.3％；比冬季晴天增加1.9s，增幅27.1％。中雪天气的启动损失时间比夏季晴天增加3.6s，增幅57.1％；比冬季晴天增加2.9s，增幅41.4％；此外，冬季晴天的启动损失时间比夏季晴天增加0.7s，增幅11.1％。
表1各场景下的启动损失时间
从增幅来看，降雪对启动损失的影响要大于低温，即影响启动损失时间的主要因素是道路附着系数和能见度。其中，小雪和中雪对启动损失的影响与Perrin等(增幅23％)和Martin等(增幅50％)的研究相近。
降雪对交通效率和交通安全都有显著影响，要探索降雪天气下的交通安全特性需要结合驾驶行为特性综合分析。本申请从交叉口的通行能力、饱和流率、冲突数等方面展开讨论。
(1)饱和流率
通过上文所述的车头时距计算饱和流率，计算方法如下：
式中，S为饱和流率，veh/(ln·h)；hs为车头时距，s。
(2)交叉口通行能力
交叉口通行能力需要考虑饱和流率和绿信比，其中有效绿灯时长可以通过实际绿灯时长减去启动损失时间得到，计算交叉口单相位的单车道通行能力，具体计算方法如下：
cij＝Sij×geij/C
式中，cij为相位i第j条车道的通行能力，veh/h；Sij为相位i第j条车道的饱和流率，veh/h；geij为相位i第j条车道的有效绿灯时间，s；C为信号周期长度，s。
再计算交叉口单相位的通行能力，计算方法如下：
式中，ci为相位i的通行能力，veh/h；为处于相位i的车道数量。
最后求各相位的通行能力之和得到交叉口通行能力，计算方法如下：
式中，np为信号相位数。
(3)交通冲突
交通安全的评价通常包括两种方法：1.基于交通事故数据的评价方法；2.基于交通冲突的评价方法。前者需要基于大量的数据来进行，而交通事故属于小概率事件，因此后者有着更广泛的应用。如绪论所述基于交通冲突的安全替代指标的相关研究非常丰富，其中应用最广的是TTC，其计算公式如下：
式中，TTC(t)是t时刻的TTC值，s；S(t)是t时刻前后两车的间隔距离，m；Vl(t)是t时刻前车的速度，m/s；Vf(t)是t时刻后车的速度，m/s。
然而，本申请研究的交叉口交通环境复杂，不利于TTC的实时计算。因此，采用Essa和Sayed提出的模型来估计冲突数，该方法可以估计TTC＜1.5s为界限的冲突数，计算方法如下：
E(Y)＝v1.571exp(-1.768-1.266P)
式中，E(Y)为冲突数Y的期望；v为交通量，pcu/h；P为队列率。
(4)综合分析
各场景下的饱和流率、通行能力、冲突数等计算结果如表2。
表2各场景下的交通效率和安全指标估算结果
小雪天气的饱和流率比夏季晴天下降405veh/(ln·h)，降幅23.2％；比冬季晴天下降263veh/(ln·h)，降幅16.4％。中雪天气的饱和流率比夏季晴天下降506veh/(ln·h)，降幅29.0％；比冬季晴天下降364veh/(ln·h)，降幅22.8％。此外，冬季晴天的饱和流率比夏季晴天下降142veh/(ln·h)，降幅8.9％。在降雪天气下的相关研究中，刘力力等研究发现饱和流率下降25％；Martin等研究发现饱和流率下降11.1％。本申请研究结果与前者相近并且趋势相同，饱和流率降幅比后者大。此外，小雪天气和中雪天气下的饱和流率比HCM推荐值分别低25.9％和31.5％。虽然结果受降雪量、研究地点、交通量等因素影响，但是受降雪的影响程度和趋势仍有对比意义。
小雪天气的通行能力比夏季晴天下降3562veh/h，降幅36.3％；比冬季晴天下降2351veh/h，降幅27.3％。中雪天气的通行能力比夏季晴天下降4490veh/h，降幅45.7％；比冬季晴天下降3279veh/h，降幅38.1％。冬季晴天的通行能力比夏季晴天下降1211veh/h，降幅12.3％。
交通冲突方面，小雪天气与夏季晴天相比冲突数下降55.9％；比冬季晴天下降11.1％。中雪天气与夏季晴天相比冲突数下降62.6％；比冬季晴天下降24.5％。此外，冬季晴天的冲突数比夏季晴天下降50.4％。然而，在以往的研究中，随着降雪量的增加车辆将面对更高的碰撞概率。在降雪天气下的驾驶行为特性分析中发现，车速随降雪量的增加而降低，而车头时距随降雪量的增加而增加。因此，在交通量骤减的前提下，车头时距增加，车速降低，基于TTC的冲突数也必然下降。
进一步计算车均冲突数，计算结果如表3。车均冲突数与总冲突数的趋势相同，其中，小雪天气的车均冲突数比夏季晴天下降37.8％；比冬季晴天下降3.8％。中雪天气的车均冲突数比夏季晴天下降45.1％；比冬季晴天下降15.1％。此外，冬季晴天的车均冲突数比夏季晴天下降35.4％。在相关研究中发现，车辆在低附着系数路面行驶时制动性能会严重下降。当计算冲突时，如果不考虑制动性能的折减，车速降低、车头时距增大、交通量下降必然会使冲突减少。此外，在降雪天气下，驾驶人精神状态和能见度的影响会和车辆性能叠加影响交通运行安全。因此，综合相关研究发现，虽然降雪天气下的冲突率下降，但是其提高了冲突转化为实际碰撞的可能性。
表3车均冲突数计算结果
在信息论领域，熵被用于衡量一个随机过程的不确定性，即不可预测程度。信息量的大小与随机事件的概率相关，随机事件的概率越大则信息量越大，反之则信息量越小。信息熵是表征所有可能的随机事件结果产生信息量的期望。其计算方法如下：
式中，H(xr)为随机事件xr的信息熵；nr为随机事件的数量；为第e个随机事件发生的概率。
上述公式中，对数的底数与信息熵的评价结果无关，当底数为e≈2.71828时，熵的单位为nat，当以2为底时，熵的单位是bit。
信息熵同时作为系统复杂程度的度量，系统越复杂、不确定性越大，则信息熵越大。因此，信息熵在交通系统领域得到了广泛的应用。在交通运输系统的评价研究中，刘勇引入熵判据，从系统的角度出发研究了熵权法在道路交通系统评价中的应用。于世军等提出了交通运输结构信息熵，通过对影响交通运输结构变动的主要动力因子进行分析，为交通运输结构优化决策提供理论依据。
另一方面，学者们发现信息熵理论可以作为有效的交通安全评价方法。焦妮沙等引入信息熵量化了高速公路改扩建施工区的交通运行稳定性、效率和安全性。蔡晓禹等提出了改进熵权法的道路交通安全熵，实例验证表明，道路安全熵与交通事故表征的道路交通安全状态趋势一致。高婷婷等建立了信息熵模型，对交通事故数、死亡人数和受伤人数数据进行分析研究，结果表明，与传统评价方法相比该方法对道路交通安全的分析更加客观。
同时，信息熵在城市信号控制交叉口的应用也非常广泛。余陆敬以信息熵作为评价交叉口相位车均延误公平性的指标对交叉口信号控制进行优化研究。Kim等的研究发现，熵在统计交叉口的总事故数、白天事故和涉及游客的事故上起着重要的作用。朱兴琳综合层次分析法和信息熵理论确定了平面交叉口各评价指标的权重系数，并对交叉口进行了运行评价研究，结果表明该方法具有较好的科学性和可操作性。
基于车头时距的队列碰撞风险熵
碰撞风险或碰撞本身并非仅仅是由于风险感知而产生的微观行为结果，其存在受交通流动力学影响的外部宏观原因。通常的车辆跟驰模型的稳定性理论认为：不稳定的交通流可以在队列中传播，从而使车辆面临更高的碰撞风险。此外，学者们普遍认为，在碰撞发生之前，交通流的短时间扰动可以触发碰撞。特别是车祸发生前5-10分钟的交通量与车祸的关联最为显著。此外，队列的长度对碰撞风险也有影响。Seraj等研究发现，车辆队列长度越小，跟车车辆的安全性改善越大，车头时距增加的幅度与最大队列长度有关。此外，Hyun等的研究报告称，车队中涉及的车辆越多，即在一定道路空间内车辆之间的车头时距越小，就会增加碰撞风险和碰撞严重程度，如果有卡车存在，风险可能会更高。因此，从以上研究可以得出，交通流动力学对碰撞风险的影响可以很好地体现在某一车流的交通量、组成(重型车辆比例)和队列长度(涉及车辆的数量)上。
队列碰撞风险与队列潜在的碰撞风险状态有关，可以用队列车辆在时间和空间上的不均匀分布特征来表征，也可以解释为队列车辆的不确定性。因此，受Lyu等的启发，利用信息熵理论的方法，根据车头时距方向的分布，提出了衡量队列碰撞风险变化的队列碰撞风险熵(Platoon Crash Risk Entropy,PCRE)指标和PCRE的变化率，如下所示：
式中，pnv是第nv辆车在sx断面上的车头时距hnv在所有车辆的车头时距出现的概率；是相同的车头时距出现的数量(不同的车辆即使在0.01s的差异水平上也有相同的车头时距值)；N是车头时距的总样本量；nv是总车辆数；PCREk(sx)是队列k在断面sx上的PCRE值；rPCRE是断面sx+△sx和sx的PCRE变化率。
在实践中，车头时距的概率(pnv)是由车辆nv的每个车头时距(hnv)数据点在总数据样本中出现的频率来近似的。这个频率可以很容易地从车头时距分布直方图中得到。
车速和加速度(包括减速度)的分布已经被证明是交叉口运行稳定性的关键评价因素。龙岩松等的研究表明，在交叉口范围内，加速时的断面速度分布比减速时的断面速度分布更收敛。黄明霞等探究了夏季和冬季交叉口的减速度分布，结果表明在设有倒计时的信号交叉口，夏季最大减速多发生在停车线前60～80m，冬季最大减速多发生在40～60m。程国柱等给出了不同冰雪路面的行车最高车速计算方法，结果表明降雪天气对交叉口的车速具有显著影响。此外，与车头时距不同，车速和加速度是单车运行的连续值，而车头时距是在跟驰状态下受前车影响(需设置参照断面)产生的离散值。因此，车速和加速度的分布不受参考断面影响，可以作为交叉口全局的稳定性的评价依据。鉴于此，本申请将基于车头时距的队列碰撞风险熵PCRE进行扩展，得到基于车速或加速度的交叉口区域碰撞风险熵(Domain Crash Risk Entropy,DCRE)。其计算公式如下：
式中，是第nv辆车的车速Vnv所在区间的所有车辆的车速出现的概率；是相同区间车速出现的数量；NV是车速数据的总样本量；DCREk(Vnv)是基于车速的DCRE；是第nv辆车的加速度anv所在区间的所有车辆的车速出现的概率；是相同区间加速度出现的数量；Na是加速度数据的总样本量；DCREk(anv)是基于加速度的DCRE；和均可以通过相应的分布直方图得到。
制动距离与车辆的行驶安全有直接的关系，影响制动距离的因素包括：制动踏板力、道路附着系数、温度等多种因素。图4为车辆制动过程中制动踏板力Fp和制动减速度ab简化后的曲线，车辆制动包含四个阶段：驾驶人反应阶段、制动器作用阶段、持续制动阶段、放松制动器阶段。
1)驾驶人反应阶段。从a点到b点经过的时间T＝T'+T"为驾驶人反应时间，其中T'为驾驶人意识到需要采取制动措施所需要的时间，T"为驾驶人意识到需要采取制动措施到实际执行制动措施所需要的时间。
2)制动器作用阶段。从b到c点经过的时间t1是制动协调时间，此后车辆开始减速。到达d点后制动力Fp达到最大值，由于车辆机械结构的原因，e点后制动减速度ab到达最大值。
3)持续制动阶段。从e点到f点车辆保持最大制动减速度进行减速。
4)放松制动器阶段。从f点开始驾驶人取消制动措施，制动力Fp到g点时消失。
在计算车辆制动距离S时，需要考虑驾驶人反应阶段行驶的距离S1、制动器作用阶段S2和持续制动阶段S3。其计算方法如下：
式中，v0为车辆初速度，m/s；as为车辆最大制动减速度，m/s2。
安全制动距离是在车辆实际制动距离的基础上计算的保证车辆能够安全停车的距离。假设忽略前车的初速度与后车相同并且停车距离相等，在计算车辆安全制动距离Ssafe时，需要考虑车辆静止时的安全距离d0，d0通常取3～5m。其计算方法如下：
降雪天气下智能网联混合交通流安全预警距离模型
智能网联交通环境下自动驾驶车辆以一定比例的市场渗透率(MPR)混入交通流后，会产生与纯手动驾驶交通流不同的冲突机理。在交叉口中这种冲突主要表现为跟驰过程中的纵向冲突和变道过程中的横向冲突(如图5)。相关研究表明，基于车辆制动距离的安全预警系统可以有效、精确的应用于智能网联环境下的自动驾驶车辆上。本节的研究目标是根据车辆制动性能来构建安全预警距离(Safety Warning Distance，SWD)模型，以达到评价不同天气下纵向(跟驰)和横向(变道)冲突的目的。此外，根据车辆类型将SWD区分为手动驾驶的SWD模型(SWD of Human-driven Vehicles,SWDH)和自动驾驶的SWD模型(SWD ofAutomated Vehicles,SWDA)。
车辆跟车行驶过程中，与前车的冲突主要表现为后车车速大于前车并且其制动能力不足以满足在追尾前停驻。因此，在计算SWDH模型时需要考虑相对速度的影响(注：本申请中的相对速度在计算时规定后车车速大于前车车速，SWD模型计算单位为m)，t时刻下的SWDH计算方法如下：
自动驾驶车辆可以在极短时间内识别前车并启动相应制动机制，因此，可以通过将驾驶人反应时间取0来计算SWDA。t时刻下的SWDA计算方法如下：
在车辆变道过程中，变道车辆会与车道方向形成夹角θ，从而产生沿车道方向的速度分量。并且车身长度的影响在微观情况下是不可忽略的，因此变道车辆沿车道方向还会产生车身长度的分量。变道过程中的速度分量和车身长度分量会对后车行驶产生影响，因此在计算SWD模型时需要考虑这两个分量。t时刻下考虑变道行为的SWDH和SWDA计算方法如下：
通过上述内容可知，跟驰状态是一种在θ＝0时的特殊状态，因此，为了不失一般性，上述公式作为跟驰和变道过程中的SWDH和SWDA的计算方法。
降雪天气下车辆制动需要考虑道路附着系数的影响。最大制动减速度与道路附着系数之间的关系如下：
as＝φ·g
式中，g为重力加速度，m/s2。
其中，在交通流仿真研究中，as可以根据参数标定得到，从而间接反应的影响。
SWD计算得到的结果是在某时刻下保证安全的前提下需要进行预警的距离，其与该时刻前后两车的车头间距hd进行比较即可得到当前状态是否为一次冲突。冲突数量Y计算方法如下：
考虑仿真中瞬时变道模型的安全预警距离计算方法
SWD模型在计算横向冲突时需要考虑车辆并道角度，然而在仿真研究中存在不考虑并道角度的瞬时变道模型，如LC2013。因此，在瞬时变道模型中使用SWD模型需要根据车辆变道轨迹估算并道角度。如图6所示，在瞬间变道模型中，车辆变道的时间非常短，需要通过微元法取车辆横向移动距离dx和纵向移动距离dy，以此进一步求得并道角度θ。
本申请中车辆变道轨迹采用基于曲线插值法构建的多项式曲线，其可以满足可行性、舒适性、车辆动力学及其他约束条件。车辆的完整变道轨迹可以划分为横向分量x(t)和纵向分量y(t)，这两个分量可以分别用如下五次多项式表达：
x(t)＝α0+α1t+α2t2+α3t3+α4t4+α5t5
y(t)＝β0+β1t+β2t2+β3t3+β4t4+β5t5
式中，α0～α5为横向分量x(t)的多项式系数；β0～β5为纵向分量y(t)的多项式系数；t∈[ts，te]，ts为轨迹开始时刻，te为到达目标点的时刻。
分别对上述2个公式求导，得到横向、纵向的速度再分别对横向和纵向速度求导，得到横向和纵向的加速度据此，可以得到车辆变道过程的初始状态为 目标状态为通过初始状态量可以求解多项式系数，定义矩阵Kt为：
将多项式系数改写成矩阵形式，即：
A＝[α0 α1 α2 α3 α4 α5]
B＝[β0 β1 β2 β3 β4 β5]
可得到如下关系：
据此，解出各个多项式系数。取极小时间差，即可得到中间时刻tm的位置(xm,ym)。此时，车辆横向移动距离dx和纵向移动距离dy为：
最后，得到估计并道角度θ：
将θ分别代入公式dx和dy中即可得到SWDH和SWDA。
本申请仿真研究采用SUMO(Simulation of Urban MObility)仿真平台，该平台是由德国航空航天中心运输系统研究所开发的开源、高度便携、微观和连续的交通模拟包。可以利用SUMO中自带的Python接口通过traci库进行二次开发，其开发自由度高，内置的模型丰富。因此，SUMO常用于智能网联交通系统的仿真研究。
(1)路网构建
SUMO中有多种方式构建路网，其中包括外部导入、可视化界面绘制和XML文件中编写关键参数构成路网等方法。外部导入兼容OpenStreetMap、VISUM、VISSIM、OpenDRIVE、MATsim、ArcView、DlrNavTeq、Robocup Simulation League等主流地图或仿真平台的文件类型。可视化界面可以方便、直观、快速地绘制路网，但是其缺点是精度相对较低。本申请采用编写XML文件的方法构建路网，通过编写点文件(nod.xml)构建关键道路节点；编写边文件(edg.xml)构建各个路段；编写路线文件(rou.xml)构建交通流；编写附属文件(add.xml)设置检测器；最后生成路网文件(net.xml)。
(2)跟驰模型
SUMO中内置了多种跟驰模型，可适用于多种不同场景。本申请中涉及HDV和CAV，其中，HDV采用参数数量少、意义明确且符合经验的智能驾驶模型IDM模型；CAV采用基于车-车无线通信机制的协同自适应控制CACC模型。
(3)变道模型
SUMO中的常用的变道模型包括LC2013和SL2015。LC2013模型是SUMO默认的变道模型，其为瞬时变道模型，即符合变道要求后省略车辆改变行进角度并入目标车道再调正车身角度的过程，而在瞬间发生横向平移变道。SL2015模型更接近真实变道场景，通过设置若干虚拟车道模拟车辆完整的变道过程。然而，CACC跟驰模型是基于LC2013变道模型开发测试的，在SL2015变道模型上运行CACC模型会使车辆路径异常，造成车道占用率低、车辆延迟变道等问题。因此，本申请采用LC2013模型作为变道模型。
仿真实验的目的是探究CAV在降雪天气下的交通安全效益，因此需要设置不同降雪场景对比分析，并研究CAV的占比对交通安全效益的影响。此外，还需要考虑作为参照的基准场景。本申请中的仿真实验设计如下：
(1)仿真场景设置。分别设置夏季晴天、冬季晴天、小雪天气和中雪天气场景，并根据调查数据构建交叉口几何结构和控制系统，确定车辆流率和路径。
(2)仿真参数标定。根据调查数据标定相关跟驰模型参数，并验证标定后的仿真交通流特性与真实交通流特性无显著性差异。
(3)智能网联场景设置。以CACC模型作为CAV的跟驰模型，设置不同的MPR场景，以CAV在交通流中出现的概率作为MPR值。
(4)仿真结果及分析。不同天气场景下的各个MPR场景分别运行并计算相应的安全替代指标，可视化冲突分布以分析降雪天气下CAV对交通安全效益的影响。
仿真基础参数设置
交叉口运行环境设置
(1)交叉口几何结构
交叉口几何结构按照交通调查情况进行设置，以交叉口几何中心为原点，250m为半径划定仿真区域。
(2)交通控制
交通信号控制依据调查结果采用固定信号配时，其中，信号周期长度为190s；信号相位分别为第一相位：南北直行；第二相位：南北左转；第三相位：西向直左；第四相位：东向直左。具体信号配时方案如图2。
(3)MPR
每个天气场景下设置11组MPR场景，分别是0(全部为手动驾驶车辆，与调查场景相同)、10％、20％、30％、40％、50％、60％、70％、80％、90％、100％(CAV完全部署)。
(4)车辆输入
本申请以当量交通量为输入交通量，考虑不同车型对后车跟车距离影响的当量交通量计算方法。
交通量是在交通规划和交通管理与控制中重要的参数，在交通量统计中，各种车型的尺寸、载重、动力性能各不相同。为了统一各车型在交通运行中的影响，往往通过计算当量交通量对各车型的流量进行标准化。当量交通量的计算需要根据各车型在道路行驶中相对于标准小汽车的运行特性差异来得到小客车折算系数PCE(Passenger CarEquivalency)，再通过PCE将其他车型换算为相对于小汽车的数量。目标车型的PCE可以根据各车型的评价车头时距进行计算，计算方法如下：
式中，PCEobjective为目标车型的PCE；hobjective是目标车的平均车头时距，s；hstandard是标准小汽车的平均车头时距，s。
PCE按照车型一般分为：小汽车，中型车，大型车和汽车列车。各种车型在跟驰行驶过程中由于尺寸、载重和动力性能的差异会产生不同的跟驰特性。特别是在不良天气下，不同车型的运行特性差异更加显著。Zahiri和Chen将SUV作为单独的车型来进行研究，并按照晴天和雨天分别计算折算系数，结果显示，SUV与标准小汽车的折算系数有显著差异，并且在雨天时这种差异更为明显。景鹏和孟祥海比较分析了非冰雪期和融冻期车辆折算系数的差异，得出在这两个时期不仅车辆类型划分不同，而且折算系数也有很大差异的结论。然而，现有计算PCE的方法主要关注各车型自身运行特性与标准小客车的差异，而缺乏考虑各车型对跟随车辆的影响。将分析各天气场景下各车型的运行特性差异和对后车的影响，提出降雪天气下的PCE计算方法。
各场景下各车型分别作为前后车的平均车头时距如表4。小汽车在各场景下作为前车或后车的平均车头时距相差0～0.04s，差异不足0.05s；公交车在各场景下作为前车或后车的平均车头时距相差0.21～1.5s；小型货车在各场景下作为前车或后车的平均车头时距相差0.05～0.52s。可见，小汽车作为前车或后车的车头时距基本保持一致，公交车作为前车或后车的车头时距差异最大。要探究各车型对后车车头时距的影响是否能成为PCE计算的因素，还需要进一步验证不同车型作为前车或后车的车头时距在各场景下是否具有统计性差异。
表4各场景下各车型作为前车和后车时的平均车头时距统计结果
(1)各车型在不同天气场景下对后车车头时距的影响分析
小汽车在小雪天气下作为前车时后车的车头时距比夏季晴天增加0.60s，增幅29.9％；比冬季晴天增加0.40s，增幅18.1％。小汽车在中雪天气下作为前车时后车的车头时距比夏季晴天增加0.78s，增幅38.9％；比冬季晴天增加0.58s，增幅26.2％。
公交车在小雪天气下作为前车时后车的车头时距比夏季晴天增加1.66s，增幅56.5％；比冬季晴天增加1.63s，增幅54.9％。公交车在中雪天气下作为前车时后车的车头时距比夏季晴天增加1.90s，增幅64.6％；比冬季晴天增加1.87s，增幅63.0％。小型货车在小雪天气下作为前车时后车的车头时距比夏季晴天增加0.76s，增幅36.5％；比冬季晴天增加0.21s，增幅8.0％。小型货车在中雪天气下作为前车时后车的车头时距比夏季晴天增加0.78s，增幅37.5％；比冬季晴天增加0.23s，增幅8.7％。
(2)不同天气场景下各车型对后车车头时距影响分析
夏季晴天时，公交车作为前车时后车的车头时距比小汽车增加0.93s，增幅46.3％；小型货车作为前车时后车的车头时距比小汽车增加0.07s，增幅3.5％。
冬季晴天时，公交车作为前车时后车的车头时距比小汽车增加0.76s，增幅34.4％；小型货车作为前车时后车的车头时距比小汽车增加0.42s，增幅19.0％。
小雪天气时，公交车作为前车时后车的车头时距比小汽车增加1.99s，增幅76.2％；小型货车作为前车时后车的车头时距比小汽车增加0.23s，增幅8.8％。
中雪天气时，公交车作为前车时后车的车头时距比小汽车增加2.05s，增幅73.5％；小型货车作为前车时后车的车头时距比小汽车增加0.07s，增幅2.5％。
(3)当量交通量计算
根据上文对各天气场景下各车型对后车车头时距影响的分析中可知，在所有天气场景下公交车和小型货车作为前车时后车的车头时距与小汽车相比均会增加；公交车作为前车时对后车的车头时距影响最大；小汽车和小型货车对后车的车头时距影响基本相同。各类车型会对驾驶人的跟车判断产生影响如图7所示。本申请研究场景中，小汽车的车头时距与小汽车后车的车头时距基本相等；小型货车后车的车头时距略大于小型货车的车头时距，后车驾驶人在面对小汽车或小型货车时保持的跟车间距基本相等，但是由于小型货车的尺寸较长会影响与后车的车头时距；公交车对前后车的影响最大，公交车在跟车时会保持更大的间距，同时，其他车型驾驶人跟行公交车时也会刻意保持较大间距。
鉴于此，本申请提出一种考虑车型对后车跟车距离影响的PCE计算方法。为了反应车身长度对车辆跟车距离的影响，该方法采用各车型分别作为前车和后车的车头时距计算PCE，计算方法如下：
式中，PCEobjective是目标车型的PCE；hbus是公交车的平均车头时距，s；hvan是小型货车的平均车头时距，s；h′bus是公交车后车的平均车头时距，s；h′van是小型货车后车的平均车头时距，s；h′standard是标准小汽车后车的平均车头时距，s。
各场景下的PCE和当量交通量计算结果如表5。
表5各场景的PCE和当量交通量计算结果
基于遗传算法的跟驰模型参数标定算法
遗传算法原理
遗传算法是受进化论和群体遗传学启发而产生的搜索算法，其具有迭代学习能力可以为优化问题提供高效的解决方案。遗传算法的运行过程包括6个部分，分别是：初始化、个体评价、选择、交叉、变异、更新、终止条件。
遗传算法被证明应用在交通仿真研究的参数标定中时具有良好、高效的表现。为了提高灵敏度分析法的标定效率，本申请将采用遗传算法来标定夏季晴天、冬季晴天、小雪天气和中雪天气的跟驰模型参数。跟驰模型参数选取加速度(ACC)，减速度(DEC)、最大车速(SPE)、车头时距(TAU)和静止时的安全距离(GAP)作为目标参数。算法流程图如图8所示：
(1)初始化
本申请编码形式采用二进制编码，将跟驰模型参数的表现型转换成基因型，每个参数的基因保存在固定区域。二进制编码的缺点是不能表征连续值。为了克服该问题，本申请中每个参数的基因区域包括两部分：整数部分和小数部分。在基因型和表现型互相转换时，整数部分和小数部分分别运算，最后将二者进行整合，从而表征连续值。每个参数的基因数量由该参数的取值范围决定。此外，最大迭代次数设置为200代，种群规模设置为50。
(2)个体评价
个体评价以仿真结果和实测数据的平均区间车速误差最小为目标z。适应度函数如下：
式中，是仿真得到区间车速均值，m/s；是实测得到区间车速均值，m/s。
由于适应度函数是求最小值，因此在计算被选择的概率Pch时需要根据适应度函数非负原则转换为求最大目标值的形式。计算方法如下：
式中，zch是第ch个染色体的适应度值；nch是染色体的数量，等于种群规模。
(3)选择
本申请选择过程采用轮盘赌选择法，以上式所得概率为参照进行选择，被选择的染色体数量为种群规模的1/2，即25个。
(4)交叉
为了提高算法效率并避免陷入局部最优解陷阱，本申请采用随机点位交叉。先随机产生需要交叉的基因点位数，再随机确定基因点位位置。最后，以随机产生的基因点位进行交叉。
(5)变异
为了进一步避免陷入局部最优解陷阱，变异过程选择基本位变异，以变异概率随机选取一位或几位基因进行变异。本申请中，变异率取0.8，变异率随迭代进行而降低，降低幅度随机生成。
(6)更新
更新过程将新产生的子个体替换掉所有劣势个体，形成新的种群，这样既保证了种群规模不变又实现了优胜劣汰。
(7)终止条件
为了保证跟驰模型参数能准确反应降雪天气下的交通流运行特性，本申请提出的算法要求仿真结果的车速分布和车头时距分布与实测数据的车速分布和车头时距分布均无显著性差异。其中，采用ks(Kolmogorov-Smirnov)检验对车速分布和车头时距分布进行统计性检验。当车速分布和车头时距分布检验结果均大于0.05时，迭代终止。
跟驰模型参数标定算法验证
各场景下跟驰模型参数标定结果及SUMO默认参数如表6所示。
表6各场景下跟驰模型参数标定结果及默认参数
为了验证参数标定的准确性，本申请通过交通量误差率Eq和GEH统计来进行评价。其中，交通量误差率Eq计算如下：
式中，Qe是当量交通量，pcu/h；Qs是仿真交通量，pcu/h。
GEH计算过程如下：
其中，GEH小于5时可认为参数标定结果可靠。
各场景下的交通量误差率Eq及GEH值计算结果如表7。所有场景下的交通量误差率Eq均小于0.05，且GEH均小于5，因此可以认为跟驰模型参数标定结果是可靠的。
表7各场景下交通量误差率Eq及GEH值
本申请基于SUMO的仿真实验的总体设计，设置了仿真基础参数。提出了考虑不同车型对后车跟车距离影响的当量交通量计算方法，应用该方法综合考虑了不同天气条件下各种车型对交通流运行的影响；另一方面，提出了基于遗传算法的跟驰模型参数标定算法，该算法可以高效、准确地进行参数标定。此外，对标定参数进行了验证，结果证明了所提出的跟驰模型标定算法的可靠性。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (5)

1.基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于包括以下步骤：
步骤一：获取高峰小时的降雪天气交通视频数据，并利用YOLO-v8识别交通视频数据每一帧图像中车辆的数量，进而得到高峰小时的交通量数据，之后获取交通视频数据每一帧图像中车辆的位置信息，并基于每一帧图像中车辆的位置信息，得到车辆的速度及车头时距；
步骤二：获取交叉口几何结构数据以及管控措施，所述管控措施包括限速、限行、交通信号控制，之后将交叉口几何结构数据在SUMO中构建仿真路网，再根据管控措施构建交通控制模型；
步骤三：利用车辆的位置信息以及车辆的速度，在SUMO中构建交通仿真模型；
步骤四：通过考虑不同车型对后车跟车距离影响的当量交通量计算方法将交通量数据转换为当量交通量数据；
步骤五：利用车辆的速度、车头时距以及当量交通量构建真实数据集，并将真实数据集输入交通仿真模型中作为基础数据，以此构建SUMO中跟驰模型；
步骤六：根据SUMO中跟驰模型的参数，选取降雪天气交通场景中的加速度，减速度、最大车速、车头时距和静止时的安全距离作为目标参数输入交通仿真模型中，得到交通仿真模型输出的车头时距、车辆的速度以及当量交通量数据，当交通仿真模型输出的车头时距和车辆的速度与真实数据集中车头时距和车辆的速度通过KS检验时，则执行步骤七，否则，将目标参数通过遗传算法进行迭代更新，直至通过KS检验；
步骤七：判断交通仿真模型输出的当量交通量数据与真实数据集中当量交通量是否通过GEH检验，若通过，则执行步骤八，否则，重复步骤六；
步骤八：在交通仿真模型中设置自动驾驶车辆的市场渗透率，并结合仿真路网以及交通控制模型得到最终交通仿真模型；
步骤九：利用SSM，即交通安全替代指标对最终交通仿真模型中车辆交通事故风险进行评价；
所述步骤四中当量交通量表示为：
QE＝Q×PCE
其中，QE为当量交通量，Q为实测交通量，PCE为折算系数，PCEobjective为目标车型的PCE，hbus为公交车的平均车头时距，hvan为小型货车的平均车头时距，h'bus为公交车后车的平均车头时距，h'van为小型货车后车的平均车头时距，h'standard为标准小汽车后车的平均车头时距，hstandard为标准小汽车的平均车头时距；
所述步骤九中交通安全替代指标基于交通安全预警距离模型得到，SWDH表示为：
其中，as＝φ·g，as为车辆最大制动减速度，g为重力加速度，Vf为后车的速度，Vl为前车的速度，T为驾驶人反应时间，d0为车辆静止时的安全距离，t1为制动协调时间，t2为制动器制动力增长过程所需的时间，d为车身长度，φ为道路附着系数，θ为变道角度；
SWDA表示为：
变道角度θ表示为：
其中，dx为车辆横向移动距离的微分，dy为车辆纵向移动距离的微分，xm和ym为变道过程中间时刻tm的位置，lim表示取极限，tm为变道过程中间时刻，xs和ys为变道开始时刻的横纵坐标，ts为变道开始时刻，SWDH为手动驾驶安全预警距离，SWDA为自动驾驶安全预警距离。
2.根据权利要求1所述的基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于所述步骤六中遗传算法的适应度函数为：
其中，为仿真得到的区间车速均值，为实测得到的区间车速均值。
3.根据权利要求2所述的基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于所述步骤六中通过KS检验具体为车速分布和车头时距分布检验结果均大于0.05。
4.根据权利要求3所述的基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于所述步骤九的具体步骤为：利用SSM得到冲突数量Y，之后判断Y与QE的比值，比值越大，则交通事故风险越大。
5.根据权利要求4所述的基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于所述Y表示为：
Y=∑(SWDH(t)orSWDA(t)≥hd？1:0)
其中，hd为前后两车的车头间距，SWDH为手动驾驶安全预警距离，SWDA为自动驾驶安全预警距离。
CN202310615320.7A 2023-05-29 2023-05-29 基于数字孪生的降雪天气智能网联交通事故风险评价方法 Active CN116935624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310615320.7A CN116935624B (zh) 2023-05-29 2023-05-29 基于数字孪生的降雪天气智能网联交通事故风险评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310615320.7A CN116935624B (zh) 2023-05-29 2023-05-29 基于数字孪生的降雪天气智能网联交通事故风险评价方法

Publications (2)

Publication Number Publication Date
CN116935624A CN116935624A (zh) 2023-10-24
CN116935624B true CN116935624B (zh) 2024-07-19

Family

ID=88393235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310615320.7A Active CN116935624B (zh) 2023-05-29 2023-05-29 基于数字孪生的降雪天气智能网联交通事故风险评价方法

Country Status (1)

Country Link
CN (1) CN116935624B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118397847B (zh) * 2024-07-01 2024-09-24 山东远东保险公估有限公司 基于大数据的交通数据智能化分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104916135A (zh) * 2015-06-19 2015-09-16 南京全司达交通科技有限公司 获取客货分离式高速公路货运车道通行能力的方法和系统
CN112224211A (zh) * 2020-10-19 2021-01-15 中交第一公路勘察设计研究院有限公司 基于多自主体交通流的驾驶模拟仿真系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4783414B2 (ja) * 2008-09-12 2011-09-28 株式会社東芝 交通状況予測システム
CN114818536B (zh) * 2022-04-25 2023-07-21 哈尔滨工业大学 一种基于理想流体力学模型的高速公路路段动态服务水平分级方法
CN115169890A (zh) * 2022-07-07 2022-10-11 深圳大学 一种基于微观交通仿真的智能网联车辆混合交通评价系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104916135A (zh) * 2015-06-19 2015-09-16 南京全司达交通科技有限公司 获取客货分离式高速公路货运车道通行能力的方法和系统
CN112224211A (zh) * 2020-10-19 2021-01-15 中交第一公路勘察设计研究院有限公司 基于多自主体交通流的驾驶模拟仿真系统

Also Published As

Publication number Publication date
CN116935624A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Zhang et al. Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook
Donkers et al. Influence of driving style, infrastructure, weather and traffic on electric vehicle performance
Yang et al. Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization
Kesting Microscopic modeling of human and automated driving: Towards traffic-adaptive cruise control
Yang et al. Impacts of large-scale truck platooning on Dutch highways
Coppola et al. An Integrated Simulation Environment to test the effectiveness of GLOSA services under different working conditions
Pi et al. Automotive platoon energy-saving: A review
CN113554877B (zh) 一种基于可变限速的长上坡交通流稳定性提升方法
Anya et al. Application of AIMSUN microsimulation model to estimate emissions on signalized arterial corridors
CN116206440A (zh) 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法
Kamalanathsharma et al. Agent-based simulation of ecospeed-controlled vehicles at signalized intersections
CN116935624B (zh) 基于数字孪生的降雪天气智能网联交通事故风险评价方法
Hyeon et al. Influence of speed forecasting on the performance of ecological adaptive cruise control
CN116596380A (zh) 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质
Danningera et al. Imperium-implementation of powertrain control for economic and clean real driving emission and fuel consumption
Luo et al. Evaluation on the Fuel Economy of Automated Vehicles with Data-Driven Simulation Method
CN117077286A (zh) 一种异构交通流下智能网联车辆跟驰模型仿真与测试方法
CN116740940A (zh) 恶劣天气高影响路段风险预测和安全管理方法、装置和设备
Cussigh et al. An all-electric alpine crossing: time-optimal strategy calculation via fleet-based vehicle data
Phan et al. A study of using a reinforcement learning method to improve fuel consumption of a connected vehicle with signal phase and timing data
Wang et al. Evaluation of freeway traffic management and control measures based on SUMO
Chen Highway transportation optimization control system based on OD forecast information
Barth et al. ECO-ITS: intelligent transportation system applications to improve environmental performance
Ahn et al. Remaining Driving Range Estimation of Medium-Duty Electric Trucks During Delivery
Gulhare et al. A Probabilistic Method to Estimate Emissions and Fuel Consumption using Connected Vehicle Data from a Mixed Fleet

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant