LIFT模型:精准模拟城市信号控制路网中断流交通动力学的新方法

《Simulation Modelling Practice and Theory》:Simulating link-level interrupted flow traffic dynamics and the comparison between different models for urban road networks

【字体: 大 中 小 】 时间:2026年01月16日 来源:Simulation Modelling Practice and Theory 4.6

编辑推荐:

  为解决现有宏观和介观交通模型在模拟城市信号控制路网中断流交通动力学时存在的队列动态简化、溢出回馈监控不准确及FIFO遵循问题,本研究提出了一种基于事件的介观模型LIFT。该模型通过模拟基于边界事件供需的车辆传输、利用后向传播空间监控队列溢出回馈、确保拥堵情况下交叉口严格FIFO,显著提升了拥堵条件下链路密度和平均路径速度演化的模拟精度,且在计算效率上优于微观仿真,为需要精细细节的仿真优化或控制问题提供了可靠工具。

  
在城市交通管理中,准确模拟信号控制路网中交通拥堵的时空传播模式至关重要。然而,现有模型面临诸多挑战:宏观模型(如CTM、LTM)虽计算高效,但常简化车辆运动与交通波传播,难以精确刻画城市道路因信号控制导致的频繁排队积累与消散过程;介观模型(如DynaMIT、SUMO中的Eissfeldt模型)虽能追踪个体车辆或车组,但其队列尾部位置更新机制往往高估下游链路可用空间,导致车辆传输过快,无法真实反映溢出回馈效应。尤其在多用户流(multi-commodity flow)场景下,宏观模型难以保证先进先出(FIFO)原则,而某些介观模型对链路内部交通状态同质性的假设与城市交通流的非稳态特性相悖。这些问题使得现有模型在模拟城市中断流交通动力学(Interrupted Flow Traffic Dynamics)时准确性不足,限制了其在交通管理策略评估与状态预测中的应用。
为克服上述局限,来自苏黎世联邦理工学院(ETH Zurich)交通工程组的Ying-Chuan Ni、Anastasios Kouvelas和Michail A. Makridis在《Simulation Modelling Practice and Theory》上发表研究,提出了一个名为LIFT(Link-level Interrupted Flow Traffic dynamics)的事件驱动介观模型,旨在精准模拟城市信号控制链路层面的中断流交通动力学。
本研究采用理论建模与案例验证相结合的方法。研究人员首先系统回顾了宏观与介观层面的链路级城市交通流模型(如SaF、eSaF、LTM、DynaMIT、Eissfeldt模型),指出其在模拟城市中断流时存在的核心问题。在此基础上,提出了LIFT模型,其核心创新在于:将每个道路链路视为存储车辆的队列系统,基于链路长度和自由流速度确定车辆最小行程时间;引入“后向传播空间”(Backward Traveling Space)概念来精确监控队列溢出回馈条件,该空间以速度Vspace= leff/r(其中leff为有效车辆长度,r为反应时间)向上游传播,其到达上游边界的时间决定了新的车辆可进入链路的时机;采用事件驱动(Event-based)的分辨方案,在每一事件步更新车辆在链路边界处的进入供给时间(Entry Supply Time)和退出需求时间(Exit Demand Time),确保拥堵情况下交叉口处的严格FIFO。模型通过算法实现了车辆进入、退出及空间到达事件的连续时间处理,避免了离散时间模型因步长限制导致的精度损失。
为验证模型性能,研究设计了四个案例研究:案例1为单车道走廊,包含均匀链路长度和协调信号控制,通过引入次要路径转弯交通制造瓶颈,考察队列溢出回馈的传播与消散;案例2扩展至2x4单向单车道网络网格,测试模型在多OD路径、存在分流阻塞(Diverge Blocking)场景下处理FIFO的能力,车辆到达间隔服从指数分布以模拟随机性;案例3和案例4分别在案例1的走廊基础上引入期望速度异质性(Desired Speed Heterogeneity)和多车道条件,评估模型在更复杂驾驶行为下的适应性。所有案例均以SUMO微观仿真结果作为基准真值(Ground-truth),对比分析LIFT与所选宏观、介观模型在链路密度演化、平均路径速度等指标上的精度。关键参数设置如下:自由流速度Vf、饱和流率qsat、有效车辆长度leff=7.5米、后向空间速度Vspace=7.5米/秒(对应于三角形基本图(Fundamental Diagram)中的反向波速)。
模型性能验证与对比分析
通过案例研究,系统评估了LIFT模型在模拟城市中断流交通动力学方面的性能,并与现有宏观、介观模型进行了对比。
案例1:单车道走廊场景下的链路密度演化
在单车道走廊测试中,SUMO微观仿真结果显示,由于路径2(O2-D1)转弯交通的汇入,链路4首先出现拥堵,队列溢出回馈随后向上游传播至链路3、2、1,链路5和6未受影响。拥堵在路径2需求下降后开始消散。对比发现:
  • •
    宏观模型:SaF模型因忽略链路行程时间而延迟了拥堵发生;eSaF模型因高估下游可用空间加速了车辆积累,且在拥堵消散期链路1-4密度显著高于真值,表明其未能正确模拟溢出回馈。LTM模型得益于对反向波速的考虑,能捕捉密度演化大致模式,但离散时间 formulation 导致最大密度略高估。
  • •
    介观模型:DynaMIT表现出与eSaF相似的问题,链路1和4最大密度过高,且所有链路上拥堵消散过早,显示出错误的队列尾部位置更新。Eissfeldt模型因基于链路密度(而非精确空间可用时间)错误更新出口车头时距,延迟了拥堵传播并加速了消散,导致链路1-3最大密度偏小,恢复过早。
  • •
    LIFT模型:其密度演化与SUMO基准高度吻合,尤其是在拥堵累积与消散的关键阶段,准确捕捉了各链路的密度峰值与持续时间。平均绝对误差(MAE)均低于5 veh/km,显著优于其他模型(LTM的MAE低于10 veh/km,其他模型多高于20 veh/km)。
案例2:网络网格场景下的多路径FIFO处理
在网络网格测试中,SUMO结果显示,由于瓶颈路口绿灯时间缩短,链路1-3和10出现持续拥堵,链路4-6和垂直链路7、8也因下游溢出回馈出现队列。LIFT模型成功复现了所有链路的密度演化模式,最大密度与真值接近。在平均路径速度方面,LIFT准确捕捉了各路径因拥堵导致的速度下降与恢复,其波动范围与SUMO结果高度一致,证明了其在多商品流、存在分流阻塞情况下严格遵循FIFO的能力。相比之下,DynaMIT低估了路径1的拥堵影响,高估了路径2的影响。
计算效率优势
在计算时间上,LIFT展现出显著优势。案例1中,SUMO耗时约4秒,LIFT仅需1.2秒;案例2中,SUMO耗时约8秒,LIFT仅需2.1秒。这表明LIFT在保证精度的同时,计算效率远超微观仿真,尤其适用于大规模网络或需要大量仿真运行的优化控制问题。
案例3与案例4:行为异质性与多车道影响
案例3(单车道,期望速度异质性)显示,速度异质性显著降低了自由流速度和饱和流率,导致链路密度增加,拥堵持续时间延长。案例4(多车道)中,由于超车行为缓解了移动瓶颈效应,密度演化更接近均匀期望速度场景,但拥堵恢复仍有延迟。LIFT通过校准后的宏观参数(如降低的Vf和qsat),成功复现了这两种复杂场景下的交通动力学,链路密度演化与SUMO结果高度吻合。
结论与意义
本研究开发的LIFT模型,通过创新性地引入后向传播空间监控队列溢出回馈,并采用事件驱动方案确保多商品流下的严格FIFO,有效解决了现有宏观和介观交通流模型在模拟城市信号控制路网中断流动力学时存在的核心问题。案例研究证实,LIFT在模拟链路密度演化、平均路径速度以及处理复杂场景(如分流阻塞、驾驶行为异质性)方面,均能产生与微观仿真高度一致的结果,且计算效率显著提升。该模型为需要精细交通动态细节的大规模城市路网性能评估、交通管理策略优化(如信号配时、路径诱导)以及实时控制应用提供了高效、可靠的仿真工具。未来工作可进一步探索模型中纳入强制性车道变换行为、多模式交通流(如公交车、自行车)等扩展,以增强其在更复杂城市交通环境中的适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号