《Applied Research》：A Multi-Model Intelligent Assessment Framework for Temporary Median Opening Design in Expressway Reconstruction and Expansion
编辑推荐：
研究人员针对高速公路改扩建中临时中央分隔带开口长度缺乏系统性、数据驱动评估方法的问题，开发了一种智能评估框架，整合了基于微观仿真的VISSIM、CRITIC客观权重法以及四个平行评估模块：TOPSIS（逼近理想解排序法）、一维云模型（One-Dimension
研究人员针对高速公路改扩建中临时中央分隔带开口长度缺乏系统性、数据驱动评估方法的问题，开发了一种智能评估框架，整合了基于微观仿真的VISSIM、CRITIC客观权重法以及四个平行评估模块：TOPSIS（逼近理想解排序法）、一维云模型（One-Dimensional Cloud Model）、多维云模型（MDCM，Multi-Dimensional Cloud Model）和多维有限区间云模型（MDFICM，Multi-Dimensional Finite Interval Cloud Model）。在低、中、高饱和度水平下，对车道减少、车道扩展、车道保持三种典型开口形式进行了评估，开口长度分别为100 m、200 m和300 m。从仿真监测中提取了延误、冲突率、速度差和燃油消耗四项性能指标。交叉验证结果显示：在车道保持场景中，所有四个模块在所有饱和度水平下均一致推荐100 m；在车道减少场景中，最优长度随饱和度变化，即低饱和度和高饱和度下推荐100 m，中饱和度下偏好300 m；在车道扩展场景中，中饱和度下四个模块一致推荐100 m，而低饱和度和高饱和度下推荐意见出现分歧；低饱和度下，100 m获得最大支持（4个模块中的2个），但未形成多数共识，高饱和度下，100 m获得四个模块中三个的支持。平行多模块架构通过从互补的理论视角进行交叉验证，有效减轻了单模型偏差。所提出的框架为高速公路改扩建中的临时交通组织设计提供了一种稳健、数据驱动的决策支持工具。
在中国，早期建成的四车道高速公路改扩建已成为缓解公路运输供需失衡、提升路网通行能力的重要举措。改扩建工程通常分为全封闭、半封闭和不中断交通三种施工模式，其中不中断交通模式对周边路网影响较小，是目前的主流做法。然而，该模式会造成施工区段通行能力和服务水平显著下降，并给行车和施工安全带来风险。为满足施工组织需要，常需在既有中央分隔带局部开设临时开口，引导车辆安全有序地转换到对向车道。开口长度若不足，车辆转弯半径过小，不利于行车安全；若过长，则影响施工组织并可能延误工期。因此，系统化、数据驱动的开口长度评估成为保障改扩建工程安全与效率的关键技术问题。
已有研究在开口长度评价方面取得了进展，但仍存在三方面不足：一是缺乏统一客观赋权框架，难以充分考虑指标间的相关性与变异性；二是多数采用单一评价模型，如TOPSIS或云模型，难以同时满足客观赋权、多维耦合表征和边界模糊性处理等要求，结果易受模型本身理论偏好影响；三是很少在统一赋权框架下并行部署多个模型并开展交叉验证。为此，研究人员开发了一种融合仿真监测与平行多模型评估架构的智能评估框架。
研究人员以VISSIM微观仿真平台为监测工具，构建车道减少、车道扩展和车道保持三种典型开口场景，分别在低、中、高饱和度以及100 m、200 m、300 m开口长度下进行模拟，提取延误、冲突率、速度差和燃油消耗四项性能指标；采用CRITIC方法客观确定指标权重；随后并行部署TOPSIS、一维云模型、多维云模型（MDCM）和多维有限区间云模型（MDFICM）四个评估模块，对备选方案进行比较和交叉验证。研究结果表明，车道保持场景中四个模块在所有饱和度下均一致推荐100 m；车道减少场景中低、高饱和度推荐100 m，中饱和度推荐300 m；车道扩展场景中中饱和度一致推荐100 m，低和高饱和度出现分歧。该框架通过多理论视角的交叉验证减轻了单模型偏差，为临时交通组织设计提供了稳健、数据驱动的决策支持工具。
**关键技术方法**
研究人员采用的主要技术方法包括：基于VISSIM的微观交通仿真，构建三种开口形式在三种饱和度与三种开口长度下的组合方案；利用VISSIM与SSAM联合仿真计算冲突率，并利用内置检测器采集延误、速度差和燃油消耗；采用CRITIC方法，通过指标变异性与冲突性计算客观权重；并行部署四种评估模块——TOPSIS（逼近理想解排序法）、一维云模型、MDCM（多维云模型）和MDFICM（多维有限区间云模型），分别从距离排序、模糊随机性、指标耦合和有限区间边界等理论视角进行评估。所有数据均来源于仿真监测，未涉及真实样本队列。
**研究结果**
**车道减少场景的评估结果。** 在车道减少场景中，低饱和度下，MDFICM模块推荐200 m，而TOPSIS、一维云模型和MDCM推荐100 m，反映出未饱和条件下不同理论视角的分歧。中饱和度下，TOPSIS、MDCM和MDFICM一致推荐300 m，以提供足够的变道空间，一维云模型则推荐200 m，表明其在中等交通需求下偏于保守。高饱和度下，TOPSIS、一维云模型和MDFICM推荐100 m以压缩交织区，MDCM推荐200 m，强调极端拥堵下变道缓冲空间的需求。模块间的分歧与互补共同验证了框架捕捉不同理论视角的能力。
**车道扩展场景的评估结果。** 低饱和度下，TOPSIS和MDFICM推荐100 m，MDCM推荐300 m，一维云模型推荐200 m，各模块意见最为分散。中饱和度下，四个模块一致推荐100 m，形成强交叉验证证据，说明在中等交通流下100 m开口的优势具有跨理论视角的稳健性。高饱和度下，TOPSIS、一维云模型和MDFICM支持100 m，MDCM推荐300 m。中饱和度下的收敛验证了框架在交通需求均衡场景中的可靠性，低和高饱和度下的分歧则揭示了模块间的理论差异。
**车道保持场景的评估结果。** 车道保持场景中，四个模块在低、中、高饱和度下均一致推荐100 m开口方案。由于该场景不涉及车道数变化，100 m开口的综合优势不受理论逻辑差异和交通量变化影响，四个模块从不同理论基础出发收敛于同一推荐，相互印证了框架的稳健性和有效性。
**指标权重结果。** CRITIC计算结果显示，燃油消耗权重最高（0.4946），延误（0.1912）、冲突率（0.1643）和速度差（0.1498）次之。燃油消耗的信息量最大、独立系数最高，能反映其他指标无法捕捉的信息，如急加速、怠速时长、道路纵坡和路面粗糙度的影响，且对运行状态劣化具有非线性敏感性。
**共识与分歧模式。** 综合全部场景可归纳出：在车道保持场景所有饱和度和车道扩展场景中饱和度下，模块间形成完全共识；在车道减少场景所有饱和度和车道扩展场景低、高饱和度下，模块间表现出互补性分歧。TOPSIS在线性可分评价空间中表现稳定，但缺乏对指标非线性耦合的敏感性；一维云模型对单项指标波动敏感，在强耦合条件下可能偏保守；MDCM强调指标协同效应，在极端拥堵时倾向推荐更长开口以提供变道缓冲；MDFICM在明确区间边界下区分能力最强，但在低饱和度下因边界过渡区处理可能引入偏差。
**讨论与结论**
讨论部分指出，当所有模块输出收敛时，可形成可靠决策；当出现分歧时，决策者可依据预期饱和度、安全与效率的优先权重、指标耦合程度等条件，有选择地参考最适用的模块输出，从而充分发挥平行多模型验证框架的价值。研究结论如下：第一，交叉验证的关键发现是，在所研究的场景空间和100、200、300 m三个候选开口长度中，100 m方案被四个评估模块最频繁推荐，表明较短开口长度在许多模拟条件下可能提供较好的综合性能，但最优设计仍需根据具体交通需求、几何条件和设计要求确定。第二，在统一CRITIC权重框架下平行部署四个模块并交叉验证，揭示了清晰的收敛和分歧模式；没有任何单一模块具有普遍优势，平行架构为决策者提供了多种理论视角。第三，比较结果为模块选择提供了初步指导：TOPSIS适用于重视计算简洁和直观排序的场景；一维云模型适用于需要显式表示单项指标不确定性的场景；MDCM适用于关注指标间耦合的场景；MDFICM适用于备选方案接近预设等级边界的场景。第四，评价模型的选择在某些交通条件下会影响推荐结果，凸显了多模型交叉验证在工程决策中的实际价值；该框架有望与未来数字孪生平台和实时交通监测系统集成。
