文摘
合并控制模型提出了工作区域分为两种类型(硬控制合并(HCM)模型和软控制合并(SCM)模型)根据自己的控制强度和与新模式相比,称为个体主观能动性合并(ISIM)模型,基于线性换道概率策略合并区域。本文的关注了个人主观能动性的积极影响整个交通系统。三个模型(ISIM、HCM和SCM)建立并与对方通过二阶参数,即系统输出和车辆的平均旅行时间。最后,数值结果表明,ISIM和单片机执行优于HCM。与单片机相比,ISIM是20辆汽车每小时的产量更高的对称输入条件下和非对称输入条件下更稳定。同时,ISIM是2000次的平均旅行时间不太过饱和的输入条件下的步骤。
1。介绍
在过去的几十年里,许多方法和规则(1- - - - - -9)提出了工作区域系统由double-lane (DL)模型和单线(SL)模型。其中,许多已经实现或在实践中检验和有效的实际交通系统。他们名字命名的特征模型,策略,作者等等,但是当我们专注于控制强度,我们可以简单划分成两种类型:(1)努力控制合并(HCM)模型的控制强度强,如lane-based信号系统(10]);(2)软控制合并(SCM)模型(控制强度的温和,如动态合并后期系统和lane-based动态合并系统(11])。但这两种模型忽视个人主观能动性的影响整个系统,它是我们关注的点。
在下个部分,三个模型与不同的车辆换道规则和输入方法介绍。给出了仿真结果和分析。在上一节给出结论和进一步的研究。
2。模型
我们引入细胞自动机(CA) (12,13)这是一个离散模型和现在三个模型基于CA。CA模型由正则网格细胞的有限数量的州。对于每个单元格,一组细胞称为社区的定义是相对于它。初始状态是由的选择模型。创建新一代根据一些固定的规则,确定每个单元的新国家的考虑细胞的当前状态和它的邻居。通常,规则更新细胞的状态是相同的每一个细胞,不随时间改变。最重要的是,它同时应用于整个电网。
2.1。基本的更新规则
介绍了基本的更新规则根据NS模型(14),和更新规则th车辆在时间步如下。(1)加速的时间步长 (2)安全打破时间步长 (3)随机减速的时间步长 (4)移动的时间步长 吗?在哪里的速度吗th车辆在时间步长,的位置吗th车辆在时间步长,的向前进展吗th车辆在th时间步,是减速概率。
2.2。基本模型
基本的模型图1。工作区域系统是由一个100 -晶格长DL模型和100 -晶格SL模型(一个晶格等于7.5米)。我们的名字上巷巷2巷1和其他。我们将DL模型分成两个部分:第1部分长94 -晶格,第2部分6-lattice长。第1部分是核心区域的模型,和基本模型转化为不同的合并模型,当我们在第1部分中引入不同的换道规则。我们使用不同的换道概率()来模拟不同换道规则。换道概率越高,越可能车辆变更车道。第2部分是强制换道区。在本部分中,车辆在车道1合并点之前必须改变车道,车道上车辆2是不允许改变车道。因此,在第2部分中,车辆的换道概率总是1巷和车辆在车道上2的概率是0。
2.3。合并模型
我们介绍三种不同的换道规则的基本模型,然后得到三个模型:(1)ISIM, (2) HCM, (3) SCM。
(1)ISIM。的换道概率ISIM图所示2。然后我们设置在车道车辆的概率1巷2变化如下: 和车辆的概率巷2巷1是变化的
与线性换道概率,我们试图执行一个更现实的模拟,找出个人主观能动性的影响整个系统。
(2)HCM。HCM的换道概率呈现在图3。第1部分中的两车道分开。根据这个,车道改变是不允许的,车道上的车辆将继续开始注射。我们把94晶格之间的信号和第95格,且只有一个车道是允许在每个间隔根据驱动信号(两个相邻信号之间的时间间隔设置为30时间变化步骤)。我们可以使用这个模型来模拟lane-based信号系统。
车辆的概率巷2巷1改变 和车辆的概率巷2巷1是变化的 (3)SCM。SCM的换道概率如图4。车辆的概率巷2巷1改变 和车辆的概率巷2巷1是变化的
ISIM和SCM的区别是车辆的换道概率巷2。光交通需求时,车辆在车道1可以很容易地更改车道上游的DL模型(如静态早期合并在11])。当交通需求高,模型是拥挤的,他们可能不会轻易改变在上游的DL巷2模型和必须改变巷附近的DL模型(如静态晚期合并在11])。因此,随着交通需求的增加,真正的融合点会不断后退。同时,静态早期合并将转换为静态晚期逐渐合并。根据这一点,我们可以用它来模拟lane-based动态合并在某种程度上但我们不设置一个明确的控制阈值。
2.4。车辆输入方法
介绍了概率分布函数来获得每个时间步到达车辆的数量。根据交通流理论,泊松分布函数自适应光流量条件下,二项分布函数是选择在拥挤的条件下(15]。这里我们设置阈值为0.25车辆每个时间步(每小时等于900辆(vph))。
泊松分布函数 和二项分布函数 在哪里的概率是车辆到达在时间的步骤,内到达车辆的数量吗时间步长(这里),的最大数量是每个时间步到达车辆。
在得到到达车辆的数量后,我们不会直接输入到模型。相反,我们把它们放在一个堆栈并设置序号和到达时间。然后依次输入到模型(根据先进先出原则)考虑实时条件下的车道和堆栈。
3所示。仿真结果和分析
我们基于上述三种模型进行模拟。然后结果,如输出和旅行时间,在不同的输入条件下收集。所有的数据收集在3600年的第14401时间步的时间步的18000时间步。
3.1。理论工作区域系统的输出
我们模拟两个基本模型进行比较:200 -晶格长SL模型和200 -晶格DL模型。短暂,工作区域模型由SL模型和DL模型,所以SL的模拟和DL模型帮助我们得到的理论局限性的输出工作区域系统图5(一个)。为了更好的讨论,我们的配件行SL和DL模型图的输出5 (b)。,我们注意到大于。一个表现良好的DL模型可以减少以下车辆的负面影响16]。根据这个,它是充分利用DL的逻辑结果与安全换道规则模型。工作区域系统的输出将由SL模型,抑制理论工作区域的系统类似于1160 ? vph。与SL模型相比,DL模型可以支持更高的只能输入值与合理的合并规则,所以工作区域的理论价值可能略高于1160 ? vph。我们无法确切的数字,所以我们用SL的结果模型的理论值工作区域系统。
(一)
(b)
3.2。在对称输入条件下的输出
我们三个模型分别模拟,结果见图6(一)。在图6 (b),我们比较三个模型的结果与理论价值。的是最大的,这两个和比的理论价值。ISIM的良好的性能和SCM是由于个人主观能动性,在这两个模型可以改变车道和车辆安全换道规则。这种行为DL模型的充分利用,导致更好的输出结果。如图6,似乎ISIM结果略优于SCM。然而,我们会发现ISIM的优点是更加明显与单片机相比,当我们观察下一节中给出的旅行时间。与别人相比,HCM的结果是令人不满意的和更低效率不仅比其他两个模型也比理论值。HCM,车辆必须减慢甚至停止等待“通过”信号,最后这种行为导致最低的输出。
(一)
(b)
3.3。在非对称输入条件下的输出
接下来,我们运行三个模型在不对称输入条件下(13),输入设置为1500 ?vph根据上述理论价值:
结果呈现在图7。
(一)
(b)
(c)
从图7 (b)我们可以发现HCM敏感不对称输入。一旦不对称两个通道的输入,输出将会很快下降。然后,我们现在图的剖视图8在哪里更好的观察。
从图很明显8为HCM,输出方法的最大输入时每个车道也同样平等,并注意到非对称输入输出的条件导致的巨大波动。最大值大于最小值27.3%,下降斜率测量从配件行插入大约等于1。根据这个,我们应该平衡每个车道时仔细HCM的输入模型实现。SCM是不敏感的不对称输入说明。但是我们仍然可以发现当单片机的输出是一个比这更好的。结果,车辆必须改变车道早期当注入更多的车辆车道1,和这种行为会让DL模型开始被动生效。与前两个模型相比,ISIM更令人满意。是不敏感的非对称输入条件,可以获得更好的输出结果甚至比SCM。更可选换道规则,车辆每车道可以平衡自己自发。因此DL模型效果更好,优势将更加明显,当我们关注旅行时间的结果。
3.4。对称输入条件下的出行时间
类似于输出的讨论,我们模拟SL和DL模型获得的理论旅行时间和SL和DL模型的结果和其他三种模式呈现在图9。
当输入增加各自的,旅行时间开始增加,如图9尤其是HCM旅行时间的增加迅速。可以估计,如果工作区域模型建立,它的旅行时间将在DL和SL模型之间。然后我们关注旅行时间三个模型的结果。HCM和SL模型重叠的结果,而ISIM和供应链管理优化的结果,他们都出现在DL和SL模型的价值。根据这个,我们说明ISIM和SCM的结果图10分开。
在图10我们将输入空间划分为两个区域根据SL的理论价值模型:吗?区域:;吗?B:区域。
在区域中,输入小于理论值,和两个模型的旅行时间结果58时间步骤,所以车辆的平均速度通过该系统约3.4每个时间步晶格。根据最大速度(每个时间步4格),这是一个令人满意的价值。在B区,一旦输入大于理论值,SCM的旅行时间结果大大增加。ISIM显然是更好的结果。绕点(ISIM之后结果迅速增加)大约是1350吗?vph大概是200 ?vph高于理论值的SCM。此外,ISIM的旅行时间是2000时间步少当输入达到1500 ?vph,这是一个巨大的优势在更短的时间内移动车辆。注意到,个人主观能动性ISIM可以改善交通的速度和能力。
4所示。结论和进一步的研究
在本文中,我们试图让比较三个模型:ISIM HCM, SCM。HCM模型执行不能令人满意地输出和平均旅行时间,因为它的控制方法是纯粹的机械。的车放慢甚至停止的信号,和个人主观能动性不考虑。HCM实现时,应该考虑许多因素,如小心的输入控制和信号之间的间隔变化。同时,供应链管理模式,由于被动DL的性能模型,执行优于HCM模型在交通是拥挤。ISIM模型中表现最好的三个模型在不同流量条件下由于设计良好的个人主观能动性。旅行时间的巨大优势的结果相比,供应链管理是不容忽视的。汽车可以平衡自己更积极地,这使得系统执行最好的输出结果,和旅行时间的结果。个人主观能动性有利于车辆良好的利用系统资源,使系统更加灵活。
在进一步的研究中,我们将尽量考虑ISIM模型的更多细节,比如复杂driver-vehicle行为(17]。我们试图建立一个更现实的模型,并为进一步的研究做一个合理的参考模型。
确认
这部分工作是由中国国家自然科学基金(70631002,10774112)和新世纪优秀人才计划的大学(ncet - 08 - 0406)。