王靈麗，黃敏，薛田莉，李燁燾

中山大學(xué)智能工程學(xué)院/廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510006

當(dāng)前，傳統(tǒng)的增加供給的手段已經(jīng)無(wú)法滿足人們?nèi)找嬖鲩L(zhǎng)的出行服務(wù)需求。即時(shí)通信、物聯(lián)網(wǎng)、大數(shù)據(jù)等高新技術(shù)通過(guò)交通資源統(tǒng)籌分配實(shí)現(xiàn)了用戶出行需求與交通系統(tǒng)供給的全局優(yōu)化和匹配［1-2］。預(yù)約出行就是這樣一種需求管理手段。通過(guò)預(yù)約的方式（出行提前買(mǎi)票預(yù)約）來(lái)提前獲取需求信息從而優(yōu)化供需的匹配在鐵路、航空、航船等交通領(lǐng)域的也已成共識(shí)，但道路出行的預(yù)約模式尚未建立。隨著智能網(wǎng)聯(lián)汽車(chē)普及，無(wú)人駕駛技術(shù)已是大勢(shì)所趨［3］，道路交通系統(tǒng)變革條件趨于成熟，道路預(yù)約出行將迎來(lái)發(fā)展機(jī)遇。預(yù)約出行能夠通過(guò)促進(jìn)交通供需平衡的手段緩解道路交通擁堵，提升路網(wǎng)交通運(yùn)行效率，因此推廣道路預(yù)約出行具有重要意義。

目前關(guān)于道路預(yù)約出行的研究相對(duì)較少。北京交通發(fā)展研究院為國(guó)內(nèi)道路預(yù)約出行的主要倡導(dǎo)者，進(jìn)行了回龍觀道路預(yù)約出行實(shí)踐分析［4］、網(wǎng)聯(lián)車(chē)輛協(xié)同服務(wù)下的預(yù)約出行技術(shù)路線設(shè)計(jì)［5］、道路預(yù)約出行交通組織模式研究［6］等。在國(guó)外，Zhao 等［7］提出城市中心區(qū)域駛?cè)腩A(yù)約管理策略，建立了整數(shù)規(guī)劃模型進(jìn)行預(yù)約名額分配，有效緩解了城市中心區(qū)域擁堵?tīng)顩r；Menelaou 等［8］設(shè)計(jì)了一種考慮路段臨界飽和度的出行路線預(yù)約算法，通過(guò)SUMO 仿真驗(yàn)證了緩解實(shí)際路網(wǎng)交通擁堵的有效性。預(yù)約出行的相關(guān)研究主要集中在公路通行預(yù)約［9-11］，例如：Su 等［12］對(duì)一個(gè)小型公路網(wǎng)進(jìn)行了交通仿真，從總延誤時(shí)間和二氧化碳排放量?jī)蓚€(gè)評(píng)價(jià)指標(biāo)對(duì)有無(wú)預(yù)約系統(tǒng)進(jìn)行了比較，結(jié)果表明預(yù)約系統(tǒng)對(duì)交通狀況的優(yōu)化效果顯著；Liu等［13］基于Vickrey 瓶頸模型將預(yù)約需求與高速公路通行能力相匹配，發(fā)現(xiàn)可以有效緩解公路瓶頸交通擁堵。

但由于道路交通系統(tǒng)的復(fù)雜性，道路預(yù)約出行實(shí)施難度較大，仍處于起步階段。針對(duì)現(xiàn)有研究的不足，本文基于SUMO 二次開(kāi)發(fā)完成了道路預(yù)約出行仿真平臺(tái)，研究了預(yù)約車(chē)輛與非預(yù)約車(chē)輛混行情景下的個(gè)體層面和系統(tǒng)層面的出行效益變化規(guī)律。并進(jìn)一步提出了預(yù)約出行重點(diǎn)推廣對(duì)象的概念，研究?jī)深?lèi)重點(diǎn)推廣對(duì)象的預(yù)約出行對(duì)出行效益的提升效果。

1 預(yù)約出行仿真平臺(tái)開(kāi)發(fā)

預(yù)約出行系統(tǒng)根據(jù)出行者的預(yù)約信息，包括出發(fā)時(shí)間和出行起訖點(diǎn)，為出行者安排出行方案。本文將所有出行需求視為剛性需求，對(duì)于預(yù)約出行者的預(yù)約請(qǐng)求均予以響應(yīng)。從微觀仿真角度出發(fā)，本文采取利用Python 編程語(yǔ)言和SUMO 軟件的TraCI 接口技術(shù)，基于真實(shí)路網(wǎng)和個(gè)體出行需求開(kāi)發(fā)了預(yù)約出行仿真平臺(tái)。該平臺(tái)可實(shí)現(xiàn)基于實(shí)時(shí)路況信息的個(gè)體預(yù)約出行路線規(guī)劃與仿真，直觀反映道路網(wǎng)絡(luò)的交通運(yùn)行狀況，輸出個(gè)體和系統(tǒng)出行效益評(píng)價(jià)參數(shù)，為城市道路預(yù)約出行規(guī)劃的設(shè)計(jì)與評(píng)估提供支持。

1.1 仿真路網(wǎng)搭建

仿真路網(wǎng)包括基礎(chǔ)路網(wǎng)生成、信控方案設(shè)置以及虛擬停車(chē)場(chǎng)構(gòu)建?；A(chǔ)路網(wǎng)通過(guò)NETCONVERT 應(yīng)用程序?qū)隣SM 文件到SUMO 中生成，實(shí)現(xiàn)將真實(shí)路網(wǎng)轉(zhuǎn)換成SUMO 可讀的XML 文件格式。SUMO 的路網(wǎng)模型是以XML 文件格式描述的一個(gè)有向圖。生成基礎(chǔ)路網(wǎng)后，根據(jù)真實(shí)路網(wǎng)的信號(hào)控制方案設(shè)置信號(hào)燈，完善路網(wǎng)通行規(guī)則，以提升仿真可靠性。進(jìn)一步地，將交通路網(wǎng)中被閉合鏈分隔出的空間區(qū)域定義為虛擬停車(chē)場(chǎng)，如圖1所示。以虛擬停車(chē)場(chǎng)作為車(chē)輛出行起訖點(diǎn)，可以實(shí)現(xiàn)車(chē)輛出行的完整封閉描述。車(chē)輛作為交通系統(tǒng)中的移動(dòng)對(duì)象，其建模及描述應(yīng)具有封閉性，即：車(chē)輛作為基本計(jì)算單元，即使完成某次出行，也不能直接從系統(tǒng)中消失。也就是說(shuō)，車(chē)輛的駐停及運(yùn)動(dòng)都應(yīng)被完整刻畫(huà)。因此，引入虛擬停車(chē)場(chǎng)可以彌補(bǔ)地面空間在道路網(wǎng)絡(luò)之外的空白，實(shí)現(xiàn)仿真路網(wǎng)作為道路交通系統(tǒng)信息承載平臺(tái)的空間封閉性。一般來(lái)說(shuō)，車(chē)輛的在途狀態(tài)是以路段（或節(jié)點(diǎn)）來(lái)承載，車(chē)輛的駐停狀態(tài)則以虛擬停車(chē)場(chǎng)來(lái)承載。因而，車(chē)輛在系統(tǒng)中的運(yùn)動(dòng)狀態(tài)都能被描述和加載，車(chē)輛對(duì)象的行為是封閉的，更符合真實(shí)交通運(yùn)行。

圖1 仿真路網(wǎng)示意圖Fig.1 Schematic diagram of simulation road network

1.2 仿真車(chē)流輸入

首先，對(duì)車(chē)輛類(lèi)型參數(shù)進(jìn)行設(shè)置。車(chē)輛類(lèi)型參數(shù)包括車(chē)型、跟馳模型、換道模型等，不同車(chē)輛類(lèi)型的主要參數(shù)取值如表1所示。其余參數(shù)統(tǒng)一取值，具體為跟馳模型使用Krauss 模型，換道模型使用LC2013，最小間隙距離取2.5 m，駕駛員反應(yīng)時(shí)間取0.5 s， 駕駛員熟練程度系數(shù)取0.05［14］。

表1 不同車(chē)型的參數(shù)取值Table 1 Parameter values of different vehicle types

需要一提的是，不同于當(dāng)前許多交通仿真研究通過(guò)集計(jì)的方式輸入車(chē)流［15］或者輸入虛擬車(chē)流［16］，本文所開(kāi)發(fā)的仿真平臺(tái)對(duì)每一真實(shí)個(gè)體出行行為進(jìn)行了精細(xì)化模擬與管控，明確了每一個(gè)體的出發(fā)時(shí)刻和出行路徑，并通過(guò)在網(wǎng)個(gè)體出行行為的累加，刻畫(huà)真實(shí)道路系統(tǒng)狀態(tài)。其中，車(chē)流的輸入分為非預(yù)約車(chē)輛輸入和預(yù)約車(chē)輛輸入兩部分。

1.2.1 非預(yù)約車(chē)輛出行路徑還原對(duì)于非預(yù)約車(chē)輛，出行路徑由駕駛員主觀意愿決定。假設(shè)非預(yù)約車(chē)輛出行習(xí)慣固定，不輕易改變出行行為。那么，非預(yù)約車(chē)輛可根據(jù)原始需求文件，于原始時(shí)刻出發(fā)按照其原始出行路徑行駛。

基于車(chē)牌識(shí)別數(shù)據(jù)，本文利用基于行程時(shí)間估計(jì)的車(chē)輛出行路徑重構(gòu)方法［17］還原了車(chē)輛出行路徑，生成了原始需求文件。通過(guò)車(chē)牌識(shí)別數(shù)據(jù)特征，該方法以路徑行程時(shí)間作為重要判別依據(jù)，來(lái)實(shí)現(xiàn)車(chē)輛出行鏈的提取與出行路徑的補(bǔ)全。然后，基于原始需求文件，生成SUMO 仿真可讀取的rou 文件，實(shí)現(xiàn)每一非預(yù)約車(chē)輛的出發(fā)時(shí)刻和出行路徑在仿真平臺(tái)上的精準(zhǔn)還原。

1.2.2 預(yù)約車(chē)輛出行路徑實(shí)時(shí)規(guī)劃預(yù)約出行的內(nèi)涵是根據(jù)出行需求及實(shí)時(shí)路網(wǎng)運(yùn)行狀況，為車(chē)輛出行分配道路資源，實(shí)現(xiàn)交通資源供給和車(chē)輛需求的匹配。對(duì)于預(yù)約車(chē)輛，系統(tǒng)采取中心式誘導(dǎo)策略，即：針對(duì)具體OD，基于所采集的路網(wǎng)運(yùn)行狀態(tài)參數(shù)，計(jì)算得到最優(yōu)出行路徑，并下發(fā)給預(yù)約車(chē)輛。車(chē)輛個(gè)體與系統(tǒng)的交互如圖2所示。

圖2 預(yù)約出行模式示意圖Fig.2 Schematic diagram of travel reservation mode

1.3 仿真交互實(shí)現(xiàn)

預(yù)約車(chē)輛出行仿真利用SUMO 的TraCI接口與Python 編程語(yǔ)言進(jìn)行仿真平臺(tái)的二次開(kāi)發(fā)實(shí)現(xiàn)。基于TraCI接口，仿真過(guò)程中SUMO 與Python的交互如圖3所示。

圖3 基于TraCI接口的仿真交互Fig.3 Simulation interaction based on TraCI interface

Python 通過(guò)TraCI 接口控制SUMO 仿真進(jìn)程為：

（1）仿真初始化。Python 通過(guò)一系列仿真加載語(yǔ)句實(shí)現(xiàn)SUMO 仿真初始化，初始化內(nèi)容包括路網(wǎng)模塊、需求模塊以及檢測(cè)器模塊等。

（2）仿真步進(jìn)。Python 控制仿真步進(jìn)；并利用TraCI 接口獲取路段平均速度和平均空間占有率，計(jì)算路段平均行程時(shí)間，更新加權(quán)網(wǎng)絡(luò)；針對(duì)特定OD 執(zhí)行預(yù)約出行路徑規(guī)劃算法，為預(yù)約車(chē)輛指定最優(yōu)路徑出行，進(jìn)行SUMO仿真。

（3）仿真結(jié)束。Python 設(shè)定仿真時(shí)長(zhǎng)，當(dāng)仿真運(yùn)行到設(shè)定時(shí)長(zhǎng)，SUMO結(jié)束仿真進(jìn)程并關(guān)閉。

1.4 出行效益評(píng)價(jià)指標(biāo)

本文選取車(chē)均行程時(shí)間作為個(gè)體出行效益評(píng)價(jià)指標(biāo)，選取路網(wǎng)運(yùn)行指數(shù)、路網(wǎng)流量分布均衡指數(shù)作為系統(tǒng)出行效益評(píng)價(jià)指標(biāo)。

路網(wǎng)交通運(yùn)行指數(shù)（TPI，traffic performance index）是指路網(wǎng)平均車(chē)速與路網(wǎng)平均自由流車(chē)速之比，用于衡量交通運(yùn)行效率。其計(jì)算公式為

其中vˉ為路網(wǎng)平均車(chē)速；為路網(wǎng)平均自由流車(chē)速。路網(wǎng)運(yùn)行評(píng)價(jià)標(biāo)準(zhǔn)如表2所示。

表2 路網(wǎng)交通運(yùn)行評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)［18］Table 2 Grading standards of road network traffic operation evaluation［18］

路網(wǎng)流量分布均衡指數(shù)（TDEI，traffic distribution equilibrium index）是指所有路段負(fù)荷度方差，表征全路網(wǎng)所有路段負(fù)荷度的離散程度，用于衡量路網(wǎng)流量分布均衡程度。其計(jì)算公式為

其中n為路段總數(shù)；fij為有向路段eij的負(fù)荷度，是路段實(shí)際交通流量qij與通行能力cij的比值，即fij=qij cij；為所有路段的負(fù)荷度均值，

2 預(yù)約出行路徑規(guī)劃模型與算法

本文假設(shè)預(yù)約車(chē)輛服從率為100%，會(huì)嚴(yán)格按照預(yù)約路線出行。

2.1 實(shí)時(shí)路徑規(guī)劃模型

出行路徑實(shí)時(shí)規(guī)劃是預(yù)約出行的核心。本仿真平臺(tái)在保障系統(tǒng)效益、促進(jìn)路網(wǎng)均衡的前提下為用戶提供最小化個(gè)體出行成本的路徑?？紤]路段負(fù)荷度，以出發(fā)時(shí)刻計(jì)算得到的行程時(shí)間最短路徑，作為預(yù)約車(chē)輛的最佳出行路徑。其中，行程時(shí)間是時(shí)變的。將道路交通網(wǎng)絡(luò)抽象成有向加權(quán)時(shí)變網(wǎng)絡(luò)G( )V，E，Wt. 其中，路段結(jié)點(diǎn)集表示為V={vi}，vi為路段結(jié)點(diǎn)，用于描述交叉口或道路端點(diǎn)；E={eij}為有向路段集，eij表示連接以路段結(jié)點(diǎn)vi為起點(diǎn)、以vj為終點(diǎn)的有向路段，可記為eij=(vi，vj)；Wt={}為有向路段權(quán)值集，為時(shí)刻t對(duì)應(yīng)的有向路段eij的權(quán)值，具有時(shí)變性。從起點(diǎn)s到訖點(diǎn)r的預(yù)約出行路徑規(guī)劃模型為

2.2 基于A*算法的實(shí)時(shí)路徑規(guī)劃算法

A*算法是一種啟發(fā)式的靜態(tài)路網(wǎng)最短路徑搜索算法，結(jié)合了廣度優(yōu)先搜索和深度優(yōu)先搜索，搜索效率高于經(jīng)典路徑搜索算法［19-20］，如Dijkstra算法、Floyd算法等，其估價(jià)函數(shù)為

其中fs，r(n)表示從起點(diǎn)s經(jīng)由節(jié)點(diǎn)n達(dá)到訖點(diǎn)r的最小代價(jià)估計(jì)；gs(n)表示從起點(diǎn)s到節(jié)點(diǎn)n的實(shí)際最小代價(jià)；hr(n)表示從節(jié)點(diǎn)n到訖點(diǎn)r的最小代價(jià)估計(jì)。

顯然，A*算法的搜索效率以及搜索結(jié)果的優(yōu)劣主要取決于啟發(fā)式函數(shù)hr(n)的選取與改進(jìn)。hr(n)越接近從節(jié)點(diǎn)n到訖點(diǎn)r的實(shí)際代價(jià)，搜索效率越高，結(jié)果越準(zhǔn)確。為了對(duì)時(shí)變網(wǎng)絡(luò)下的預(yù)約出行路徑規(guī)劃模型進(jìn)行求解，提升求解效率和保證求解結(jié)果的準(zhǔn)確性，對(duì)A*算法中的hr(n)進(jìn)行了模型適應(yīng)性改進(jìn)，使之適用于動(dòng)態(tài)時(shí)變交通網(wǎng)絡(luò)。具體如下：

（1）t=0，即正式仿真起始時(shí)刻，基于Dijkstra算法計(jì)算路網(wǎng)全源行程時(shí)間最短路徑，并記錄全源最短行程時(shí)間(r)，以此作為下一時(shí)刻A*算法確定搜索方向的啟發(fā)式信息。

（2）t≠0，令(n)等于上一時(shí)刻求解的起點(diǎn)n到訖點(diǎn)r的最短路徑行程時(shí)間(r)，即

所提出的實(shí)時(shí)路徑規(guī)劃算法不考慮突發(fā)擁堵情況，核心思想認(rèn)為連續(xù)短時(shí)間內(nèi)的路網(wǎng)交通狀況變化小，故將最小代價(jià)估計(jì)取上一時(shí)刻求解的節(jié)點(diǎn)n到訖點(diǎn)r的最短路徑行程時(shí)間。以此在保證求解結(jié)果準(zhǔn)確性的同時(shí)，快速找到準(zhǔn)確的搜索方向，減少拓展節(jié)點(diǎn)數(shù)，提高算法效率。對(duì)于某一時(shí)刻t(t≠0)，產(chǎn)生的多對(duì)OD 需求，具體算法流程如圖4所示。

圖4 基于A*算法的實(shí)時(shí)OD路徑規(guī)劃算法流程圖Fig.4 Flow chart of real-time OD path planning algorithm based on A*algorithm

3 實(shí)例分析

選取安徽省宣城市的中心城區(qū)路網(wǎng)作為研究區(qū)域，如圖5 所示。車(chē)輛個(gè)體出行數(shù)據(jù)為2018 年12月27日7：15～8：30的車(chē)牌識(shí)別數(shù)據(jù)。

圖5 研究區(qū)域Fig.5 Study area

3.1 仿真場(chǎng)景構(gòu)建

利用SUMO 仿真軟件完成路網(wǎng)搭建以及通行規(guī)則設(shè)置等構(gòu)建工作，如圖6所示。其中，通行規(guī)則設(shè)置內(nèi)容包括車(chē)道轉(zhuǎn)向規(guī)則設(shè)置、交叉口信號(hào)控制方案設(shè)置以及虛擬停車(chē)場(chǎng)的構(gòu)建。實(shí)驗(yàn)路網(wǎng)共包含19 個(gè)交叉口（其中16 個(gè)信號(hào)交叉口），27 個(gè)路段以及9個(gè)虛擬停車(chē)場(chǎng)。

圖6 SUMO仿真基礎(chǔ)模型Fig.6 Basic modeling of SUMO simulation

仿真實(shí)驗(yàn)基于真實(shí)獲取的車(chē)牌識(shí)別數(shù)據(jù)，通過(guò)基于行程時(shí)間估計(jì)的車(chē)輛出行路徑重構(gòu)算法還原車(chē)輛出行路徑，生成仿真實(shí)驗(yàn)所需的出行需求數(shù)據(jù)，其具體屬性如表3所示。在該研究區(qū)域，當(dāng)天早高峰（7：30～8：30）出行車(chē)輛數(shù)為9 995 輛，總出行次數(shù)為12 384次。

表3 出行需求數(shù)據(jù)屬性說(shuō)明1）Table 3 Attribute description of travel demand data

基于早高峰的車(chē)輛出行需求數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，于特定時(shí)空精準(zhǔn)投放車(chē)輛，以模擬真實(shí)交通運(yùn)行場(chǎng)景。首先，在仿真預(yù)熱階段輸入7：15～7：30的車(chē)輛真實(shí)出行數(shù)據(jù)；然后，在正式仿真階段以7：30～8：30的車(chē)輛出行數(shù)據(jù)作為需求數(shù)據(jù)輸入仿真系統(tǒng)，非預(yù)約車(chē)輛按照需求數(shù)據(jù)中的原始出行路徑行駛，預(yù)約車(chē)輛則根據(jù)預(yù)約出行路線規(guī)劃算法重新規(guī)劃的路徑行駛。仿真運(yùn)行場(chǎng)景如圖7所示。

圖7 仿真運(yùn)行場(chǎng)景Fig.7 Simulation operation scenario

3.2 預(yù)約出行漸進(jìn)推廣效益

基于城市道路預(yù)約出行仿真平臺(tái)，研究預(yù)約出行漸進(jìn)推廣過(guò)程中預(yù)約車(chē)輛與非預(yù)約車(chē)輛混行情景下的出行效益變化。預(yù)約車(chē)輛的確定方法為采取分層抽樣方法，以各起點(diǎn)為統(tǒng)計(jì)單位從出行車(chē)輛中按預(yù)約比例隨機(jī)抽取。在本實(shí)驗(yàn)中，控制預(yù)約出行率從0 到100%并以10%的幅度遞增，即共10 組實(shí)驗(yàn)。出于對(duì)仿真隨機(jī)性的考慮，重復(fù)實(shí)驗(yàn)20次，取樣本均值作為結(jié)果指標(biāo)值。

3.2.1 個(gè)體出行效益隨著預(yù)約出行率的提高，預(yù)約車(chē)輛、非預(yù)約車(chē)輛和全體車(chē)輛的車(chē)均行程時(shí)間變化情況如圖8所示，由圖可以看出：

圖8 不同預(yù)約比例下的車(chē)均行程時(shí)間Fig.8 Average travel time with different reservation ratios

（1）對(duì)于預(yù)約車(chē)輛：交通供給和需求一定時(shí)，預(yù)約車(chē)輛的平均出行時(shí)間基本不隨預(yù)約出行率的改變而改變，本文的預(yù)約車(chē)輛平均出行時(shí)間穩(wěn)定在307 s左右，降幅達(dá)17%。

（2）對(duì)于非預(yù)約車(chē)輛：隨著預(yù)約出行率的不斷提高，非預(yù)約車(chē)輛的平均出行時(shí)間逐漸下降，下降速度整體呈現(xiàn)先快后緩的趨勢(shì)。

（3）對(duì)于全體車(chē)輛：路網(wǎng)中全體車(chē)輛的平均出行時(shí)間隨預(yù)約出行率的提高而降低，并在預(yù)約出行率達(dá)到60%時(shí)趨向穩(wěn)定；再進(jìn)一步提高預(yù)約率，車(chē)均行程時(shí)間下降幅度變化微小。

綜上所述，道路預(yù)約出行系統(tǒng)中，車(chē)輛個(gè)體選擇預(yù)約出行能夠得到基于實(shí)時(shí)路況的集中式路徑規(guī)劃方案，從而使出行效益得到明顯提升。隨著預(yù)約出行的漸進(jìn)推廣，預(yù)約出行率逐步提升，預(yù)約車(chē)輛不再往幾條道路上擠，路網(wǎng)流量分布更為均衡，非預(yù)約車(chē)輛的平均出行效益也隨之得到一定程度的提升，但提升幅度沒(méi)有預(yù)約車(chē)輛大。與此同時(shí)，全體車(chē)輛的平均出行效益也隨著預(yù)約出行率的提高而提高，并在預(yù)約出行率達(dá)到一定比例時(shí)趨向穩(wěn)定，即：交通供給和需求一定時(shí)，預(yù)約出行率達(dá)到一定比例后，預(yù)約車(chē)輛和非預(yù)約車(chē)輛的出行開(kāi)始到達(dá)一個(gè)平衡狀態(tài)，即使進(jìn)一步增加預(yù)約出行受益群體，個(gè)體的平均收益變化小。這說(shuō)明道路交通系統(tǒng)不需要達(dá)到100%的預(yù)約出行率就可以達(dá)到一個(gè)對(duì)于用戶較優(yōu)的平衡狀態(tài)。

3.2.2 系統(tǒng)出行效益隨著預(yù)約出行率的提升，路網(wǎng)運(yùn)行指數(shù)變化如圖9所示，路網(wǎng)流量分布均衡指數(shù)變化如圖10所示。從圖中可以看出：

圖10 不同預(yù)約比例下路網(wǎng)流量分布均衡指數(shù)Fig.10 TDEI with different reservation ratios

（1）路網(wǎng)交通運(yùn)行指數(shù)隨車(chē)輛預(yù)約比例的上升而上升，呈現(xiàn)先急后緩的趨勢(shì)，相應(yīng)比例從0.349 7 提升至0.456 6，漲幅達(dá)31%，實(shí)現(xiàn)了高峰時(shí)段路網(wǎng)交通運(yùn)行評(píng)價(jià)等級(jí)從“擁擠”到“較暢通”的飛躍。預(yù)約出行推廣初期，路網(wǎng)交通運(yùn)行指數(shù)提升明顯，道路交通系統(tǒng)運(yùn)行明顯更為暢通；預(yù)約出行推廣后期，路網(wǎng)交通運(yùn)行指數(shù)漲幅放緩，即道路交通系統(tǒng)已達(dá)到相對(duì)平衡狀態(tài)，進(jìn)一步轉(zhuǎn)化非預(yù)約車(chē)輛，亦無(wú)法實(shí)現(xiàn)路網(wǎng)運(yùn)行效率較大的提升。

（2）路網(wǎng)流量分布均衡指數(shù)則隨車(chē)輛預(yù)約比例的上升而逐漸下降，同樣呈現(xiàn)先急后緩的趨勢(shì)，指數(shù)數(shù)值從0.185 4 降低至0.133 7，降幅達(dá)28%。預(yù)約車(chē)輛對(duì)路網(wǎng)流量分布均衡的改善明顯，使道路資源得到優(yōu)化配置，有效促進(jìn)了供需平衡。路網(wǎng)流量分布均衡指數(shù)降幅先下降后趨向平穩(wěn)的主要原因?yàn)椋涸陬A(yù)約出行比例達(dá)到40%之前，隨著預(yù)約車(chē)輛的不斷轉(zhuǎn)化，路網(wǎng)流量分布逐漸均衡；在預(yù)約比例達(dá)到40%時(shí)，達(dá)到該供給和需求條件下的路網(wǎng)流量分布均衡狀態(tài)；在預(yù)約出行比例達(dá)到40%之后，路網(wǎng)流量均衡可調(diào)整空間較小，路網(wǎng)流量分布均衡指數(shù)趨向平穩(wěn)。

實(shí)施全體車(chē)輛預(yù)約出行前后的路網(wǎng)交通運(yùn)行狀態(tài)，如圖11 所示。該圖直觀反映出預(yù)約出行的優(yōu)越性，可以提升道路交通網(wǎng)絡(luò)系統(tǒng)出行效益，使流量分布更均衡、道路交通運(yùn)行更高效。

圖11 路網(wǎng)交通運(yùn)行狀態(tài)對(duì)比Fig.11 Comparison of road network traffic operation state

3.3 重點(diǎn)推廣對(duì)象的預(yù)約出行效益

預(yù)約出行是未來(lái)車(chē)聯(lián)網(wǎng)環(huán)境下緩解城市道路交通擁堵的最優(yōu)解決方案，在推廣過(guò)程中需輔以激勵(lì)政策［21］。激勵(lì)力度不僅視推廣階段而定，還應(yīng)視推廣對(duì)象而定，因?yàn)椴煌?lèi)型個(gè)體改變出行對(duì)效益的提升幅度有所不同。本文認(rèn)為途徑瓶頸路段的規(guī)律出行群體和遠(yuǎn)距離出行群體的出行改變對(duì)效益的提升程度大，因此本節(jié)將研究上述兩類(lèi)群體實(shí)施預(yù)約出行的出行效益變化，為預(yù)約出行的激勵(lì)方案設(shè)計(jì)提供一定的依據(jù)。

3.3.1 途徑瓶頸路段規(guī)律出行群體從圖11 可以看出，實(shí)現(xiàn)車(chē)輛全體預(yù)約后仍存在部分擁堵路段。其中，路段1012 的交通運(yùn)行指數(shù)最?。?.13），為路網(wǎng)的瓶頸路段，是路網(wǎng)擁堵產(chǎn)生的主要源頭?？紤]對(duì)途經(jīng)瓶頸路段的車(chē)輛群體（占比16%）實(shí)施出行預(yù)約，研究其出行效益變化，結(jié)果如圖12 和13所示。從圖中可以看出：

圖12 途徑瓶頸路段群體預(yù)約前后的車(chē)均行程時(shí)間Fig.12 Average travel time of passing through the bottleneck before and after group reservation

（1）對(duì)比預(yù)約前，預(yù)約車(chē)輛的車(chē)均行程時(shí)間降幅達(dá)41%，非預(yù)約車(chē)輛的車(chē)均行程時(shí)間也隨之下降7%。總體上來(lái)看，全體車(chē)輛的車(chē)均行程時(shí)間下降15%，為314 s。這接近全體預(yù)約出行的個(gè)體出行效益峰值水平，說(shuō)明對(duì)途經(jīng)瓶頸路段的車(chē)輛群體實(shí)施出行預(yù)約，個(gè)體出行效益提升顯著。

圖13 途經(jīng)瓶頸路段群體預(yù)約后路網(wǎng)交通運(yùn)行狀態(tài)Fig.13 Traffic runing stateof passing through the bottleneck before and after group reservation

（2）從系統(tǒng)效益層面上看，實(shí)施出行預(yù)約后，路網(wǎng)交通運(yùn)行指數(shù)上升至0.444 3，路網(wǎng)流量分布均衡指數(shù)降低至0.128 1，系統(tǒng)出行效益得到顯著提升。路網(wǎng)交通運(yùn)行狀態(tài)直觀反映了路網(wǎng)運(yùn)行狀態(tài)的改善，雖然路段1012 仍處于擁堵?tīng)顟B(tài)，但交通運(yùn)行指數(shù)已提升了110%，通行效率上升。對(duì)途經(jīng)瓶頸路段的車(chē)輛群體實(shí)施出行預(yù)約，使其中15%車(chē)輛出行不再經(jīng)過(guò)瓶頸路段，有效緩解了瓶頸路段擁堵，進(jìn)而提升了系統(tǒng)出行效益。因此，基于歷史出行數(shù)據(jù)，將途經(jīng)瓶頸路段的規(guī)律車(chē)輛群體列為重點(diǎn)推廣對(duì)象，可以更大程度地提升預(yù)約出行效益。

3.3.2 遠(yuǎn)距離出行群體對(duì)遠(yuǎn)距離出行的車(chē)輛群體（占比13%）實(shí)施出行預(yù)約，研究出行效益提升幅度。結(jié)果如圖14和15所示。

圖14 遠(yuǎn)距離出行群體預(yù)約前后的車(chē)均行程時(shí)間Fig.14 Average travel time before and after group reservation

圖15 遠(yuǎn)距離出行群體預(yù)約后的路網(wǎng)交通運(yùn)行狀態(tài)Fig.15 Traffic running state of traveling long distance after group reservation

對(duì)比出行預(yù)約前，預(yù)約車(chē)輛的車(chē)均行程時(shí)間降幅達(dá)32%，非預(yù)約車(chē)輛的車(chē)均行程時(shí)間也隨之下降11%。從總體上來(lái)看，全體車(chē)輛的車(chē)均行程時(shí)間下降14%，為317 s。這接近全體預(yù)約出行的個(gè)體出行效益峰值水平，說(shuō)明對(duì)遠(yuǎn)距離出行的車(chē)輛群體實(shí)施出行預(yù)約，個(gè)體出行效益提升顯著。

從系統(tǒng)效益層面上看，實(shí)施出行預(yù)約后，預(yù)約車(chē)輛對(duì)道路交通產(chǎn)生積極影響，路網(wǎng)交通運(yùn)行指數(shù)上升至0.447 1，路網(wǎng)流量分布均衡指數(shù)降低至0.118 9，系統(tǒng)出行效益顯著提升。路網(wǎng)交通運(yùn)行狀態(tài)直觀反映了路網(wǎng)運(yùn)行狀態(tài)的改善。對(duì)遠(yuǎn)距離出行的車(chē)輛群體實(shí)施出行預(yù)約，可使流量分布更均衡，有效提升路網(wǎng)的運(yùn)行效率。類(lèi)似地，吸引更多遠(yuǎn)距離出行車(chē)輛選擇預(yù)約出行，可以更大程度地提升預(yù)約出行效益。

4 結(jié) 論

本文設(shè)計(jì)開(kāi)發(fā)了一個(gè)城市道路預(yù)約出行仿真平臺(tái)。該仿真平臺(tái)基于SUMO 構(gòu)建仿真路網(wǎng)，以真實(shí)出行需求數(shù)據(jù)作為非預(yù)約車(chē)流輸入，同時(shí)結(jié)合Python 進(jìn)行二次開(kāi)發(fā)，實(shí)現(xiàn)了基于A*算法的實(shí)時(shí)路徑規(guī)劃，為預(yù)約車(chē)輛規(guī)劃出行路徑，以達(dá)到模擬不同預(yù)約車(chē)輛集合下的混行交通運(yùn)行場(chǎng)景的目的。通過(guò)仿真實(shí)驗(yàn)，得到主要結(jié)論如下：

1）預(yù)約出行可以提升個(gè)體出行效益和系統(tǒng)出行效益，有效緩解路網(wǎng)交通擁堵?tīng)顩r。

2）隨著預(yù)約出行的漸進(jìn)推廣，預(yù)約出行率上升，出行效益隨之提高，但總體增幅呈減小趨勢(shì)。

3）將途徑瓶頸路段規(guī)律出行群體和遠(yuǎn)距離出行群體列為重點(diǎn)推廣對(duì)象，能夠?qū)崿F(xiàn)出行效益的大幅度提升。實(shí)例表明，本文所開(kāi)發(fā)的城市道路預(yù)約出行仿真平臺(tái)可以模擬預(yù)約機(jī)制下的給定路網(wǎng)中由多個(gè)車(chē)輛個(gè)體組成的特定交通流狀況，為城市道路預(yù)約出行規(guī)劃、實(shí)施策略的設(shè)計(jì)與評(píng)估提供技術(shù)支持，具有廣泛應(yīng)用前景。