孫立山 陳穎達 孔德文 張 桐 宋詠昌

（北京工業(yè)大學北京市交通工程重點實驗室 北京100124）

0 引 言

國內機動車保有量隨國民經濟的發(fā)展而逐年增長，截至2019 年底，北京市機動車保有量達到636.5萬輛[1]。汽車保有量的快速增長導致道路擁堵、交通事故頻發(fā)、行車延誤增加，制約城市健康發(fā)展?？焖俾纷鳛榇笮统鞘新肪W骨架，服務于城市中長距離的快速運輸，是城市各區(qū)域間和對外交通的大動脈[2]。因此，提升快速路立交路段的運行效率，是改善城市路網交通的重要任務[3]。近年隨信息通信、傳感檢測、車載雷達等技術的發(fā)展，使車路協(xié)同系統(tǒng)（cooperative vehicle-infrastructure system, CVIS）成為城市交通問題解決方案。該系統(tǒng)將車與車、車與路連接，采用高精度交通信息采集傳輸設備，實現駕駛員對周邊交通信息全方位實時感知，使車與車、車與路協(xié)同優(yōu)化，達到道路資源配置優(yōu)化、交通運行高效的目標[4-6]。

國內外學者針對車路協(xié)同技術對交通的影響進行了大量研究。Guler等[7]仿真驗證了車路協(xié)同系統(tǒng)可顯著提升不同交通條件及管控方案下交叉口的通行能力。Hartmann等[8]的仿真結果顯示網聯(lián)車可提升高速公路路網30%通行能力。Bujanovic 等[9]建立解析模型得出網聯(lián)車輛滲透率的提高可有效提升高速公路通行能力。王振華[10]使用Vissim二次開發(fā)驗證了車路協(xié)同可提升快速路交織區(qū)車輛行駛速度、降低運行延誤。陳霞[11]基于對車路協(xié)同環(huán)境下車輛軌跡的分析，選取平均車速、行程時間等指標構建了車路協(xié)同場景下交通流評價模型。曾華倩[12]建立了V2V 環(huán)境車輛跟馳模型，并使用該模型仿真驗證了采用V2V技術可顯著提升道路穩(wěn)定性及安全性。

目前研究主要集中于分析車路協(xié)同技術對車輛行駛速度、路段通行能力、交通運行延誤等基本參數的研究，無法直接指導車路協(xié)同條件下交通管理及道路建設方案的制定。為揭示車路協(xié)同技術對交通運行狀態(tài)及道路屬性的影響，不僅要分析車路協(xié)同場景下交通流狀況，還要對該場景下車輛行駛狀態(tài)進行研究。因此,本研究從車路協(xié)同場景下車輛的車速分布、車間距離、行駛軌跡等多角度研究了快速路典型立交復雜多場景在車路協(xié)同系統(tǒng)影響下的交通流變化情況。筆者采集快速路典型場景視頻數據標定常規(guī)駕駛行為模型參數，并基于車路協(xié)同場景下駕駛行為變化特征的分析對不同車間信息交互水平下的駕駛模型參數進行調整；提出車路協(xié)同場景下車輛及交通狀態(tài)評估指標，使用Vissim 對不同信息交互水平下交通流仿真結果進行評價，研究車路協(xié)同技術在不同信息交互水平下對交通流的影響程度。

1 車路協(xié)同系統(tǒng)對駕駛行為影響

傳統(tǒng)駕駛場景中，駕駛員通過“認知-反應-操縱”的循環(huán)作用控制車輛安全行駛，這一過程中駕駛員需判斷其與前車的距離Δxn(t)、速度差Δvn(t)等信息，并在其反應時間τ 之后調整車輛運行狀態(tài)，確保車輛以期望速度行駛。但這一過程受到駕駛員駕駛經驗及生心理狀況的影響，極易因判斷失誤、反應不及時等因素導致駕駛失誤[13]。

大量研究表明，駕駛員反應時間τ 將直接影響到車輛運行穩(wěn)定性：τ 越小，駕駛員的感知能力越強，對車間距離及速度差的估計值與真實值偏差越小，行駛越安全；隨著反應時間τ 的增大，發(fā)生交通事故的可能性增大[14]。引入車路協(xié)同系統(tǒng)后，通過車輛與路側設施以及車輛與車輛間的通信，駕駛員可精確感知周邊交通態(tài)勢以及道路信息，如車輛超車、加速行駛、減速行駛、變更車道以及跟隨行駛等駕駛信息以及道路基礎信息[15]。駕駛員可通過車內信息顯示或語音提示直接了解這些信息，從而將其注意力集中于對自身車輛狀態(tài)的控制上。車路協(xié)同場景下，車輛行駛特征將會呈現以下3 種變化：①車路協(xié)同場景下駕駛員反應時間τ 降低，降低幅度與車路協(xié)同場景下的車間信息通訊效率有關；②通過車路協(xié)同系統(tǒng)信息，駕駛員可提前感知前后方交通狀況，并提前對車輛狀況進行調整以適應交通流變化，避免車輛急加速急減速；③由于駕駛員對前方車輛狀態(tài)的精準獲取，車輛停車視距降低，因此車路協(xié)同場景下車頭間距Δxn(t)普遍縮小[16-18]?？梢娚鲜鲎兓扰c車間信息交互水平密切相關，隨著信息交互水平的提升，車輛可獲取的信息將更為全面和精確，駕駛員可更為準確的對附近交通狀況做出判斷，并在更少的時間內操縱車輛運行。

基于以上駕駛行為分析可知在車路協(xié)同場景下跟馳及換道行為均有改變，見表1。本研究通過對不同駕駛行為在車路協(xié)同場景下的變化特征分析，對傳統(tǒng)駕駛行為模型參數進行調整，以匹配車路協(xié)同場景下的車輛行駛狀況，從而實現不同信息交互水平的交通運行狀況分析。

2 仿真模型參數標定

2.1 參數標定

當前車路協(xié)同技術尚未落地實施，難以獲取實車駕駛交通流特征，故此類問題主要采取仿真手段進行研究。本文使用Vissim實現車路協(xié)同場景下的交通仿真，該軟件可通過COM接口二次開發(fā)或合理調整駕駛模型參數實現車路協(xié)同場景下交通狀態(tài)仿真分析。駕駛行為模型參數的精度會對仿真結果造成較大影響，本文研究的車輛包括在傳統(tǒng)駕駛場景下的普通車輛及車路協(xié)同場景下實現車間信息通信的網聯(lián)車輛，因此針對不同類型車輛采取不同的參數標定方法。對于普通駕駛車輛，本研究使用車輛視頻數據對Vissim內置的Wiedemann74（適用于城市道路）跟馳模型及基于行為閥值的換道模型[19-20]進行仿真參數標定。對于網聯(lián)車輛，本文基于文獻[21]中對網聯(lián)車輛的分類分級標準首先將車間信息交互水平由弱至強分為4級～1級，再基于上節(jié)分析改變普通車輛駕駛行為參數從而反映網聯(lián)車輛駕駛狀況。

Wiedemann“生理-心理”跟馳模型將駕駛行為分為制動避禍區(qū)、逼近前車區(qū)、跟馳行駛區(qū)、脫離前車區(qū)、自由行駛區(qū)這5個反應區(qū)[20]。駕駛員根據自車與前車車頭間距Δxn(t)以及車速差Δvn(t)判斷自車所處的反應區(qū)，從而做出該反應區(qū)內相應的駕駛操作。車路協(xié)同場景中，駕駛員通過實時精確獲取前方車輛狀態(tài)變化情況（如前車開始減速，而Δvn(t)還未發(fā)生變化），提前預知自車將處于哪1 個反應區(qū)內，從而做出相應的駕駛操作，確保車輛以期望速度行駛。為準確評價車路協(xié)同條件下不同信息交互水平對交通狀況的影響，本研究基于前文分析將駕駛員在不同反應區(qū)中的反應狀況進行調整，選取駕駛安全距離、前/后視范圍、走神狀況、決策時間、加減速操作等相應參數進行調整。

表1 各類駕駛行為在車路協(xié)同場景下的變化對比表Tab.1 Comparison of changes in various driving behaviors under vehicle-road collaboration scenarios

表2 仿真模型參數取值Tab.2 Parameter values of the simulation model

圖1 駕駛行為標定界面Fig.1 Driving-behavior calibration interface

本文使用軌跡標定軟件從北京市四方橋快速路段早高峰視頻數據中提取車輛運動軌跡數據，數據包括車身屬性和運行狀態(tài)，采樣間隔0.1 s。車輛軌跡標定界面見圖1。通過數據標定，確定該路段現狀跟馳及換道模型參數，并基于車路協(xié)同場景下交互信息的完整度與及時度，分析不同信息交互水平下車輛駕駛行為的區(qū)別，確定各水平下模型參數。各參數取值見表2。

2.2 現狀場景參數標定驗證

為確保標定結果的可靠性，本研究選取平均誤差（ME）、平均絕對誤差（MAE）、平均絕對相對誤差（MARE）和均方根誤差（RMSE）這4 個統(tǒng)計學指標進行計算驗證[22-24]。

本研究選取速度、位置作為驗證指標。首先將表2 的現狀參數標定結果輸入到搭建完畢的Vissim仿真模型中，記錄仿真輸出值；再提取未標定的實際視頻數據，計算仿真值與輸出值在各個統(tǒng)計學指標下的誤差，得到表3中的結果。

表3 模型驗證結果Tab.3 Results of model validation

由表3 可以確定，仿真模型的速度和位置整體輸出值與現實情況偏差較小，參數標定結果擬合度較好，可反映交通流真實狀況。

本研究通過標定并調整駕駛參數實現駕駛行為特征精準刻畫，反映車路協(xié)同場景下車輛行駛狀況，為仿真分析車道特征、交通組成、車速限制等約束條件下的交通流狀況，進而研究不同車路協(xié)同條件對交通流的改善情況提供可靠支撐[25]。

3 典型場景建模仿真

本研究選取北京市四方橋城市快速路段作為建模仿真路段，該路段雙向6 車道，仿真路段包含直線路段、上/下坡路段、分流/合流路段，其中直線路段長311 m，上/下坡路段長256 m，高架橋直線路段210 m，分流/合流路段325 m。路段包含分流區(qū)、合流區(qū)、交織區(qū)及直線路段，可較好反映車路協(xié)同系統(tǒng)對快速路交通流的影響。該路段見圖2。

圖2 北京市四方橋路段Fig.2 Sifang Bridge section in Beijing

基于路段基礎調查數據，在Vissim 中搭建仿真模型，并在模型關鍵部位設置檢測器。圖3 為仿真模型中的關鍵路段，設定路段小型車比例為80%，其余車輛為大型車；信息交互后引起的駕駛行為變化主要為表2標定參數，將對應參數標定結果輸入仿真平臺；各信息交互水平下的車輛輸入均為高峰時段車輛數1 000 pcu/h/ln，路段限速80 km/h[26]。分別使用不同隨機種子數進行5 次獨立仿真，每次仿真運行持續(xù)3 600個仿真秒（1個仿真秒=1個真實秒），將前400 個仿真秒作為預熱時間，確保仿真交通流數據符合實際交通狀況，取各獨立仿真結果均值作為不同信息交互水平下的交通運行數據。

圖3 仿真運行界面Fig.3 Simulation operation interface

4 仿真結果評價

4.1 仿真評價指標

為客觀全面地分析車路協(xié)同不同信息交互水平對城市快速路交通流特征的影響，本研究基于實地調查與仿真數據，從車輛運行效率和道路利用效率2個角度選取期望速度行駛車輛占比、橫向車距收縮比、縱向車距收縮比、車輛橫向偏移距離縮小比、通行能力拓展比5項指標評價車路協(xié)同技術對路段交通運行效率的改善程度。

4.1.1 期望速度行駛車輛占比

仿真時段內以期望速度駛過仿真路段的車輛數與仿真時段內路段流量的比值，該指標反映不同信息交互水平對車輛運行效率的影響程度。該指標值越大，車輛間影響程度越小，車輛行駛越順暢，交通延誤越小。該指標可為交通管理者判斷當前道路車輛運行狀態(tài)提供依據。

期望車速：駕駛員在道路上行駛受到道路條件約束但無其它車輛影響時，期望達到的安全行駛車速[27]。本研究確定期望車速為72～80 km/h。

式中：α為期望速度行駛車輛占比，%；n1為仿真時段內持續(xù)以期望車速駛過仿真路段的車輛數，pcu；n2為仿真時段內路段通過車輛數，pcu。

4.1.2 橫向車距收縮比

信息交互后車間平均橫向距離縮小值與未實現信息交互時車間平均橫向距離的比值，該指標反映不同信息交互水平對車輛橫向行為的影響程度。該指標值越大，車間橫向干擾程度越低，相同車道寬度下車輛行駛越安全。該指標可直接體現車路協(xié)同場景下車輛橫向安全水平，指導交通管理者提出不同信息交互水平下的車道管理方案。由于Vissim仿真軟件無法直接輸出車間橫向距離，該指標值需通過對仿真輸出的車輛軌跡數據標定得到。

式中：β為橫向車距收縮比，%；x1為未實現信息交互時的平均橫向車距，m；x2為實現信息交互時的平均橫向車距，m。

4.1.3 縱向車距收縮比

信息交互后平均縱向車頭間距縮小值與未實現信息交互時平均縱向車頭間距的比值，該指標反映不同信息交互水平對車道縱向利用效率的影響程度。該指標值越大，車頭間距越小，路段通行效率越高，高峰期車道空間利用率越高。該指標可為道路管理者判斷當前道路交通流態(tài)勢提供依據。該指標值通過對仿真輸出的車輛軌跡數據標定得到。

式中：γ為縱向車距收縮比，%；y1為未實現信息交互時的車頭間距，m；y2為實現信息交互時的車頭間距，m。

4.1.4 車輛橫向偏移距離縮小比

信息交互后車輛平均橫向偏移距離縮小值與未實現信息交互時車輛平均橫向偏移距離的比值，該指標反映不同信息交互水平下車輛行駛的橫向穩(wěn)定性以及不同信息交互水平下車輛安全行駛所需車道寬度的變化幅度。該指標值越大，車輛行駛越穩(wěn)定，保證車輛安全行駛所需車道寬度越小。該指標可為道路設計者合理設計車路協(xié)同條件下車道寬度及路幅寬度提供依據。該指標值通過對仿真輸出的車輛軌跡數據標定獲取。

車輛橫向偏移距離。車輛在道路上行駛過程中，受到駕駛員、車輛、交通環(huán)境等多方面的影響，車輛行駛軌跡與車道中心線并不完全重合，而存在一定程度的左右偏移[28]，車輛橫向偏移距離O為車輛行駛過程中車道中心線與車輛中心線的距離。

式中：η為車輛橫向偏移距離縮小比，%；O1為未實現信息交互時車輛平均橫向偏移距離，cm；O2為實現信息交互時的車輛平均橫向偏移距離，cm。

4.1.5 通行能力拓展比

信息交互后路段最大飽和通行能力增加量與現狀最大飽和通行能力的比值，該指標反映不同信息交互水平對道路資源利用效率的影響程度。該指標值越大，道路資源利用越充分。該指標可在實現車路協(xié)同后為道路設計者確定車道設計通行能力及為道路管理者判斷車道實際通行能力提供依據。

式中：μ為通行能力拓展比，%；C1為未實現信息交互時路段最大飽和通行能力，pcu/h；C2為實現信息交互時路段最大飽和通行能力，pcu/h。

4.2 仿真結果評估

通過在仿真模型中設置檢測器，可直接獲取仿真過程中的車輛速度、道路通行能力等信息數據，同時Vissim 仿真結果還將生成車輛行駛軌跡文件，利用軌跡標定軟件分析這些軌跡文件，提取仿真車輛在任意仿真時刻的坐標、偏轉角度等信息，計算得到車間距離。采集計算的仿真數據見表4。

分析表4 結果，隨信息交互水平提高，橫向車距、縱向車距、車輛平均橫向偏移距離都有一定程度上的縮小，道路最大飽和通行能力、最優(yōu)速度樣本量隨交互水平的增加而明顯提高?；诟黜椃抡孑敵鲋涤嬎阍u價指標，定量評價不同信息交互水平對交通流的影響作用，指標計算結果見表5。

表4 仿真輸出結果Tab.4 Simulation output result

表5 仿真評價指標計算值Tab.5 Calculated values of simulation evaluation indices %

由表5 可知，車間的信息交互將直接影響駕駛人駕駛行為的變化，基于所獲取的交通信息數量及精度的不同，將做出不同程度的駕駛行為調整。較未實現信息交互水平情況，在信息交互場景中，仿真時段內以期望速度行駛的車輛比例、路段通行能力均有所增加，同時橫向車距、縱向車距、車輛橫向偏移距離均有不同程度的收縮。說明車路協(xié)同系統(tǒng)可改變車輛運行狀態(tài)，同時提升城市快速路運行效率。為研究各指標隨信息交互水平變化而變化趨勢，見圖4。

圖4 仿真評價指標變化趨勢Fig.4 Variation trend of simulation evaluation indices

由圖4 可知：以期望速度行駛的車輛占比在信息交互水平為1 級和4 級時分別為26.6%和30.7%。實現信息交互后，高峰時以期望車速駛過路段的車輛比例增加，表明車間的信息交互可提升道路車輛運行效率，但該比例隨信息交互水平的提升而增加的幅度較緩慢。這是因為高峰時仿真路段交通量較高，車輛間交織嚴重，即使駕駛員通過信息交互手段獲知了周邊車輛信息，但是由于在交織路段頻繁有匝道匯入、變道駛出等行為的車輛，路段車輛行駛受到嚴重干擾，駕駛員為確保行駛安全，需要與附近車輛保持一定安全距離，致使車輛行駛狀態(tài)需要不斷調整，難以保持最優(yōu)期望速度通過路段。

隨信息交互水平的增加，橫向車距收縮比、縱向車距收縮比、車輛橫向偏移距離縮小比逐漸提升。橫向車距收縮比在信息交互水平為4級時降低比例為6.85%，3級時降低12.90%，2級時降低20.97%，交互水平達到1級時，降低比例達到26.21%；縱向車距收縮比降低比例從信息交互水平為4 級到1 級分別為8.80%，13.89%，17.82%，24.77%；車輛橫向偏移距離縮小比則分別為4.53%，8.53%，13.87%，17.33%。由此可見車間信息交互可提升車輛在換道及交織過程中的行駛效率。且信息交互水平越高，對車輛行駛橫向穩(wěn)定性及安全性的提升效果越明顯。但較低的信息交互水平對這些指標提升效用較低，這是因為在低信息交互水平下車間信息傳輸速度慢，所獲取的信息不完善不準確，此時的車路協(xié)同技術僅能提供輔助作用，駕駛員主要還是依靠自身駕駛經驗做出判斷和決策，車輛行駛狀態(tài)變化不明顯。因此車路協(xié)同技術對道路車輛行駛狀態(tài)層面的革新還需待信息交互水平較高時才能得以體現。

信息交互水平的高低對于通行能力拓展比的影響較為顯著，信息交互水平從4 級提升至1 級，通行能力拓展比例為19.42%，28.06%，46.48%直至74.62%，可見信息交互水平可較大程度提升路段通行效率，且隨交互水平等級的提升，通行能力的增長幅度增大。特別是在信息交互水平較高時，路段飽和通行能力顯著提升。出現這種現象的原因是隨著信息交互水平的增加，車輛之間干擾減少、車頭間距降低、車輛換道行為更為靈敏等多因素的共同作用，使道路交通流運行更穩(wěn)定，道路空間利用更充分，并且發(fā)生路段擁堵更少，多因素的共同改善作用最終使路段飽和通行能力發(fā)生由量變到質變的躍遷。

綜上，對車路協(xié)同場景下指標計算值分析可知，車間信息交互水平越高，車輛可獲取的交通狀況越精確，越能使駕駛員及時做出合適的行為決策，使車輛運行速度、車間距離以及運動軌跡等微觀交通流特性發(fā)生良性變化。并進一步引起道路屬性變化，車輛安全行駛所需車道寬度減小，同一車道的通行能力提升。在提升車輛運行效率的同時增加道路資源利用率，且信息交互水平越高越有利于城市快速路交通的安全高效運行。

4.3 仿真結果討論

由于車路協(xié)同技術尚未市場化普及，雖然有試驗場滿足了車路協(xié)同場景功能，并已有學者進行了實車試驗，但這些試驗數據均在車流量較小、交通組成簡單、道路線形平順的狀況下進行的，僅能獲得理想交通流數據[29]，僅能使研究人員了解車路協(xié)同下車輛行駛特性以及該技術可能存在的技術瓶頸，難以獲知在復雜交通組織下的車輛運行狀態(tài)。交通仿真技術雖然可以構建車路協(xié)同場景下的各種交通狀況，但是其難以完全實現對設備通訊距離限制、信息傳輸延遲丟包、車間交互信息失效等交互設備真實狀況的描述，并且車輛行駛模型和交通參數普遍基于現狀駕駛數據以及理想試驗數據進行標定[30]，仿真結果僅能展現車路協(xié)同場景下交通流演化趨向，難以提供更為精細的，考慮技術限制的交通運行數據，然而這一設備局限性卻有可能成為未來車路協(xié)同技術實際應用中阻礙交通效率提升的重要因素。

在本研究中，仿真數據顯示隨著車間信息交互水平的提升，車輛運行效率隨之增大。但是由于交通仿真技術存在局限性，特別是難以展現高峰期間，交通組織極為復雜、通訊數據激增、系統(tǒng)受攻擊概率提升情況下引發(fā)的數據傳輸延遲甚至大范圍設備宕機等意外事件下的交通運行狀況，而隨著信息交互系統(tǒng)的失效，路段交通流退化為信息交互前的傳統(tǒng)交通流，有研究顯示此時駕駛員將產生較長一段反應時間以適應無信息交互下的駕駛模式，而在這一反應時間內駕駛員將難以平穩(wěn)操縱車輛[31]，急切增大與周邊車輛距離，導致車輛發(fā)生急減速行為。而高峰期間若車輛行駛發(fā)生擾動，將導致交通流出現走-停波甚至交通擁堵，降低整體交通效率，增大發(fā)生交通事故的概率，而這些現象都是仿真技術難以獲知的。

因此在未來車路協(xié)同技術實際運用過程中應著重對相關設備運作狀態(tài)進行監(jiān)測，技術人員在提升設備信息傳輸實時性和精確度的同時也要加強設備組件的抗干擾能力及應對高信息壓力的能力，進而提升車路協(xié)同系統(tǒng)穩(wěn)定性。與此同時，在下一步研究中，應充分結合實地試驗和仿真模擬的優(yōu)勢，通過在實地測試中人為增加通訊數據量、信息干擾、冗余信息等方法模擬車輛在高密度交通流下的運行狀態(tài)，進而提取相應軌跡數據輸入至仿真軟件，從而更準確的對車路協(xié)同場景下復雜交通狀況的分析，為車路協(xié)同技術落地實施提供更可靠的數據支撐。

5 結束語

車間信息交互是車路協(xié)同系統(tǒng)的重要組成部分，不同等級的信息交互水平將直接影響駕駛員的駕駛行為和決策，進而影響到整個交通系統(tǒng)運行效率。

本研究為評價不同車間信息交互水平對車輛行駛狀態(tài)及道路交通屬性的影響程度，基于路段實測視頻數據以及車路協(xié)同場景下車輛行駛性對Vissim內置駕駛模型參數進行了重新標定，并搭建調研路段——北京市四方橋快速路段微觀仿真模型進行仿真，選取車輛運行效率（期望速度行駛車輛占比、橫向車距收縮比、縱向車距收縮比、通行能力拓展比）和車輛空間占用率（車輛橫向偏移距離縮小比）這2個角度指標作為評價標準，分析了不同信息交互水平對道路交通的影響，得到如下結論。

1）在車路協(xié)同場景下，隨著車間信息交互水平的提升，車輛運行穩(wěn)定性、交通運行狀態(tài)、道路利用效率均會有不同程度的提升，且信息交互水平越高，其對快速路道路交通狀態(tài)的改善效果越明顯。

2）指標中，期望速度行駛車輛占比、橫向車距收縮比、縱向車距收縮比、車輛橫向偏移距離縮小比4 個指標值隨信息交互水平的提升而提升的幅度較小，而路段通行能力拓展比在信息交互水平為4 級時提升幅度為19.42%，在1 級時達到了74.62%，提升顯著。可見車路協(xié)同技術將極大限度的發(fā)揮道路資源使用效率，提升高峰期間路段車輛的通過能力。

3）提出橫向車距收縮比和車輛橫向偏移距離縮小比指標對車路協(xié)同場景下車輛行駛狀態(tài)進行分析，可為合理設置未來不同車間信息交互水平下車道管理措施、車道標志標線提供借鑒依據?；谠撝笜丝捎嬎惬@得車間信息交互下車輛軌跡分布以及車輛安全橫凈距，從而為未來車路協(xié)同技術落地后合理設計路基路面結構以及制定病害防控措施提供參考。

可以預見，隨車路協(xié)同信息交互技術的不斷發(fā)展，未來道路交通組織將更為高效，車輛運行將更為安全，道路建設將更為環(huán)保。本研究的仿真場景較為理想，未考慮實際交通中各種因素（駕駛特性、車型特征、道路線型、交通流量等）對交通流的影響。此外，對于車路協(xié)同場景下道路設施建設方案的定量研究也是需要在未來進一步深入分析的方向。