考虑驾驶行为异质性城市快速路合流区仿真模型

　　摘要：为研究城市快速路合流区车辆运行规律，基于车辆自然轨迹数据，提出了考虑驾驶行为异质性的合流区元胞自动机仿真模型。模型将合流区分为上游区域、合流区域、下游区域，且上述三个区域由 11 条路段组成;本文首先利用 Kalman 滤波算法对自然轨迹数据进行降噪处理，然后计算每辆车驾驶行为特征参数并进行 K-means 聚类分析,结合聚类效果评价指标 Silhouette 系数将驾驶行为分为保守-谨慎型、激进-谨慎型、保守-轻率型、激进-轻率型四种类型;最后依据分类结果，建立考虑加速度、随机慢化概率异质性的跟驰模型和考虑换道安全间距、换道决策的多级异质性换道模型。在各空间占有率的情境下，基于 Matlab 进行数值仿真，统计同质驾驶行为和异质驾驶行为条件下，合流区域车道的流量、密度、速度、时空位置、换道频率等参数。仿真结果表明：在空间占有为 10%-20% 时，同质交通流相对比异质交通流更容易产生局部交通拥堵及交通流失效情境，并且同质交通流量峰值比异质交通量小 27.1%;随着空间占有率的增加同质车辆和异质车辆驾驶频率均呈现增加-稳定-下降的趋势，而异质驾驶行为的换道频率的极大值比同质交通流高 20.74%。

　　关键词：交通工程;交通仿真;元胞自动机;自然轨迹数据;Kalman 滤波;K-means 聚类

　　帅斌; 米荣伟; 张锐; 雷渝 交通运输系统工程与信息 2022-01-17

　　0 引言

　　合流区是由机动车、道路、驾驶人等因素构成的复杂系统。为提高合流区运行效率、缓解合流区拥堵现状，大量学者对合流区交通运行特性进行深入研究。Yuan[1]基于驾驶模型器对交织区长度、交通状况、驾驶人特征与驾驶人强制换道行为关系进行了研究。但是上述思路较难反应驾驶人自身特性以及不同车辆占有率下道路运行状况等问题，因此大量学者尝试利用元胞自动机进行深入研究，Kong[2]提出了考虑卡车及小型汽车驾驶行为差异性的元胞自动机模型。邓建华[3]提出了考虑换道冲突异质性策略，车辆状态随机更新的元胞自动机模型。Xiang[4]在 STCA 模型的基础上引入动态换道概率，针对频繁换道现象提出 BL-STCA 模型。上述研究以城市快速路为情境对合流区交通特性展开了建模分析，但针对驾驶行为异质性在合流区内的交通仿真研究相对缺乏。为刻画车辆在道路中不对称换道及瓶颈区抢道行为，Karahi A [5]基于考虑车速异质性的元胞自动机模型，并对车辆间的速度与换道频率进行相关性分析。Ni[6]以加速度和安全距离为基础，提出了车辆加速度服从连续分布函数的城市元胞自动机模型。在既有研究中大量学者对异质驾驶行为参数采用人为标定，通常标定结果较为主观;部分学者尝试使用无人机、模拟驾驶系统进行驾驶行为特征数据收集，但实践过程中却较难真实全面收集路面所有车辆信息，影响模型参数标定效果。综上所述，本文以典型城市快速路合流区为情境，利用美国 NGSIM 数据对驾驶行为特征参数进行聚类分析，并基于聚类结果构建合流区元胞自动机多级换道决策模型，并对仿真模型进行检验与分析。

　　1.基于轨迹数据驾驶行为分类 1.1 数据简介

　　美国联邦公路署为了开发新一代交通微观仿真系统(NGSIM)，收集了洛杉矶 US101、加利福尼亚州 I-80、Lankershim Boulevard、Peachtree Street 四条道路详细车辆轨迹数据，其中 I-80、US101 为美国高速公路，Lankershim Boulevard、Peachtree Street 为城市道路(含多个交叉口)。考虑到国内收集轨迹数据较为困难、且精度较低，本文采用 I-80 路段合流区的车辆行驶轨迹数据对驾驶行为特征进行分析。

　　1.2 车辆轨迹数据处理

　　加利福尼亚州 I-80 路段车辆轨迹数据由固定摄像机拍摄并由 NG_Video 处理而成，因为数据收集过程中受到环境、测量仪器结构等因素干扰，所以轨迹数据测量值与真实值存在一定误差。为降低该误差对驾驶行为分析结果影响，本文采用 Kalman 滤波算法对数据进行降噪处理。卡尔曼滤波标准形式由状态转移方程、观测方程构成，其中状态转移方程是指：假设系统 t 时的状态是由 t-1 时刻状态演变而来;观测方程是指：根据系统 t 时估计状态和系统误差，计算 t 时系统的观察值，如式(1)、式(2)所示。 1 ˆ ˆ t t t t t t x F x B u w     (1) ˆ t t t y Hx    (2) 式中： ˆ t x :状态系统向量; Ft 、 H :状态转移矩阵、系统观测矩阵; Bt :控制输入矩阵; t u :控制输入变量; wt :状态随机误差，并且假定其符合均值为零，协方差矩阵为 Qt 的多元正态分布: (0, ) w N Q t k ; t y :观测系统向量;t :观测系统误差，并且服从协方差为 Rk 的多元正态分布 (0, ) t k N R 。

　　因为 NGSIM 数据采集过程时间间隔为 0.1 帧，所以数据源本身精度较高，并且在大量研究中输入控制矩阵经常省略，故本文的控制输入矩阵为零矩阵。在式(1)和式(2)中，因为实际数据误差具有高度离散性、随机性，所以误差协方差矩阵较难准确标定，根据其他学者处理思路[7]，本文采用回归模型对系统状态方程和观测误差协方差矩阵进行估计。卡尔曼滤波算法主要包含两个部分，第一部分是预估系统状态取值和系统协方差取值;第二部分是根据实际观测数据，修正第一部分估计出系统状态取值、系统协方差取值，NGSIM 速度数据滤波结果如下图 1 所示。

　　卡尔曼滤波结果与实际数据对比如图 2 和图 3 所示。为了更好地评估卡尔曼滤波算法对 NGSIM 轨迹数据的处理效果，本文选择相对均方根误差(RRMSE)、相对平均离差(RMAD)、最大误差、误差标准差四个指标对滤波结果进行评价[7-8]，如式(3-6)。式中： m 、 m ˆ 分别表示第辆车在时刻的实际数据、估计数据; M ：车辆总数; N ：数据收集的总帧数。表示第辆车在时刻的误差;表示所有误差的加权平均数。

　　根据式(3)-式(6)，使用卡尔曼滤波算法对 NGSIM 数据滤波结果与实际数据偏差如下表 1 所示，通过误差统计分析可以发现位置和车头时距的误差最大值较大，其原因是 NGSIM 数据集中位置、车头时距数据均以“米”为单位，实际数据采集值均在千米左右，在滤波过程中为了保证车辆轨迹连续性，部分数据“拐点”数据将产生较大误差。车辆位置数据主要用于车辆时空轨迹可视化，车辆车头时距数据主要是为安全车头间距提供参考取值。上述两类数据对元胞自动机模型较为影响较为有限，本文元胞自动机模型主要以车辆平均速度进行初始输入，后续元胞将在仿真情景内按照规则进行自主运行，故速度平均误差 1.1601km/h 和加速度平均误差 2.809 m/s2 均可以接受，数据滤波后的车辆时空轨迹如图 4 所示。

　　1.3 驾驶行为参数分类

　　车辆在行驶过程从宏观角度主要包含跟驰行为及换道行为，基于 NGSIM 数据中车辆轨迹数据，跟驰行为由最大速度、平均速度、平均加速度、车辆随机慢化概率四类参数表示;换道行为由向左换道概率、向右换道概率、安全车头时距、速度感知度四类参数表示，部分参数计算公式如式所示。考虑到上述八个参数指标可以较全面体现驾驶行为特征，与元胞自动机模型结合较为灵活，各参数之间的相关性较弱，故选择 I-80 路段合流区内车辆轨迹数据进行统计建立驾驶行为数据库。

　　式中： cll ：表示向左换道的频数; clr ：表示向右换道的频数; cl 表示车辆在合流区换道总频数; i 车辆通过合流区时间(秒); Vi 表示第 i 时刻的车辆速度; Vmax ：车辆行驶过程中最大速度; Vlim min  道路最低限速值; Vlim max  道路最高限速值; s sl ：非换道情景下降速的频数 sl ：表示车辆在合流区总共降速频率。为保证聚类算法高效性和准确性，本文选取 K-Means 算法对驾驶行为特征数据库进行聚类分析，核心算法如式(7)所示，在使用 K-Means 聚类的过程中，因为分类簇数需要作为输入数据，所以为了保证 K-Means 算法聚类精度，本文选择轮廓系数(如式 8-式 10 所示)确定聚类效果评价指标，基于轮廓系数值确定最佳聚类簇数。

　　式中： 2 ( , )i dist p c ：表示两点之间的距离; E ：表示数据集中所有对象的误差平方和; p ：空间中的点，表示给定的数据对象; i c 为各簇的形心。Sil 为样本 Aa 的 Silhouette 测度值; a b 为样本 Aa 到其它类内样本平均距离的最小值; a a 为样本 a A 到其所属类内其它样本的平均距离。

　　目前部分学者选择对驾驶行为参数统一进行聚类，这样提高了聚类效率但是弱化了各类参数的特征。为了使数据特征更加具有代表性，本文对上述参数独立聚类并按照顺序组合，最终得到各类驾驶行为的参数取值。在聚类过程中每一个驾驶行为参数取值在各簇中都可以计算得到一个 Silhouette 测度系数，为了保证样本整体聚类效果，利用平均 Silhouette 测度值作为评价指标，如式(11)所示。 1 1 ( ) m N a S silhouette a m   (11) 式中： m :样本点的数量; N ：聚类数目 将各参数的 Silhouette 测度平均值绘制成曲线如图 5 所示，由曲线效果可知各类参数均在 K=2 时取得最大值，在 K=10 是取得最小值，其中四类参数的平均轮廓系数从 K=3 到 K=6 下降趋势较为平缓，平均速度、最大速度在 K=4 取得极大值，加速度平均轮廓系数 K=3 到 K=4 基本持平，考虑到后续元胞自动机建模需求，本文决定将驾驶行为分成四类并对其进行分析，具体结果如表 3 所示。

　　从聚类结果可以看出驾驶行为可以分为四类，(1)保守-谨慎型：该类驾驶行为在合流区中行驶速度较小，虽然有时无法满足速度期望收益，但是该类驾驶行为不会通过换道方式提高行驶车速;(2)激进-谨慎型：该类驾驶行为虽然在合流区行驶车速较大，但是无法满足自身速度期望时，该类驾驶行为不会通过换道行为提高行驶车速;(3)保守-轻率型：该类驾驶行为在路段上行驶速度适中，当无法满足自身速度期望时，该类驾驶行为会通过换道行为改变行驶车速;(4)激进-轻率型：该类驾驶行为在路段上行驶速度较大，当无法满足自身速度期望时，该类驾驶行为会通过换道行为提高行驶车速。

　　2.构建仿真模型 2.1 合流区区域及车道设置

　　基于多车道分区的建模思想，仿真场景由 11 个路段和三大区域构成如图 6 所示。(1) 合流区上游路段共包含三个路段(1 车道、2 车道、3 车道、匝道汇入上游为 10 车道)，其受合流区路段影响较小，区域编号为 N1。(2)合流区路段(4 车道、5 车道、6 车道)，共包含四条道路，该区域内车辆受匝道合流车辆影响较大，区域编号为 N2。(3)合流区下游共包含三大路段(7 车道、8 车道、9 车道)，其受合流区的影响较小，区域编号为 N3。

　　2.2 车辆演化规则

　　在城市快速路合流区，车辆跟驰行为总共包括四个部分车辆正常加速、正常减速、不确定因素的随机慢化、车辆位置更新，车辆换道行为主要包括生成换道动机、判断换道条件、执行换道、车辆位置更新四个部分。在数值仿真中每一个元胞将被赋予一类驾驶行为属性，保证车辆演化过程中的差异性，对应的符号变量如下表所示。

　　2.2.1 车辆跟驰规则

　　根据驾驶行为特征的差异性改进了车辆跟驰规则，车辆加速规则充分考虑了车辆正常加速、车头间距判断、驾驶人对速度感知状况以及道路交通管制措施等;车辆减速规则考虑了车辆正常减速、车头间距判断、驾驶人对速度感等;在随机慢化时：当随机数大于随机慢化概率时车辆开始进行随机减速。加速： , , , , max lim , , , , ( ) min( ( ) , ( ) / , ( ), , ) n x n x n x n x i k i k i front i i k i k n v t t v t a d t t v t v v       (12) 减速： , , , , , , , ( ) min( ( ) , ( ) / , ( ),0) n x n x n x n x i k i k i front i i k v t t v t a d t t v t       (13) 随机慢化： , , , , ( ) min( ( ) (1, ),0), () n x n x s i k i k i i v t t v t rand a rand P      当 (14) 位置更新： , , , , , , , 1 , , , , , , , ( ) ( ) ( ), ( , ) ( ) ( ) ( ) ( , ) ( ) ( ) , ( , ) ( ) ( ) n n n x n n x i k i k i k i k i k n n n x n n x i k i k i k i k i k x t t x t v t Dis n x x t v t x t t Dis n x x t v t Dis n x x t v t                 ( ) (15)

　　2.2.2 车辆换道规则

　　快速路主线车道车辆和匝道汇入车辆在合流区交汇，使得合流区交通组织较为混乱。在城市快合流区上下游区域主要以自由换道为主，驾驶人往往会选择车间距较大、车辆数较少的车道以获得更大速度和安全性。因为在合流区内受到汇入车辆的干扰，车辆通常被迫进行车道改变以保证驾驶安全及行驶速度，所以合流区内车辆主要以自由换道和强制型换道为主。故在合流区上下游区域与合流区内换道动机产生以及换道间距判断有着较大差异，所以应该分别建立不同换道行为演化规则。

　　(1)合理区上下游换道模型

　　换道动机产生：车辆位于 N1 与 N3 区时，当车辆在下一时刻的速度大于前车间距并且速度大于前车速度时，即满足式(16)、式(17)时，车辆产生换道动机。 , max , , 1 min[ ( ) ( ) , ] ( ) 2 n x n x i k i i front v t t a t t v t d t            (16) , , , , 1 ( ) ( ) n x n x i k i k v t v t   (17)

　　换道间距判断：在合流区上下游路段，1 路段、4 路段、7 路段车辆位于快速路内侧只能向右侧换道;2 路段、5 路段、8 路段位于快速路中部则可以向左和右换道;3 路段、6 路段、9 路段位于快速路外侧只能向左侧换道。车辆在换道过程中需要判断相邻车道，前后车之间的距离是否满足换道条件，如式(18)-式(21)所示。 , 1, min( ( ) , ) , , n x safe n x i k i L front v t t d d    (18) , 1, min( ( ) , ) , , n x safe n x i k i L back v t t d d    (19) , 1, min( ( ) , ) , , n x safe n x i k i R front v t t d d     (20) ,, 1, min( ( ) , ) , , n x safe n x i k i R back v t t d d    (21)

　　合流区内车辆需要在较短距离换道至目标车道，为了汇入主线车道或者躲避汇入车辆，可能采取低速换道、降速换道、在匝道可能存在停车换道等危险驾驶行为。为了有效反应合流区车辆换道机理，准确模拟驾驶人换道间距判断和换道概率决策过程，换道间距判断基于换道安全性分为四级判断自由型换道、鲁莽型换道、强制 1 型换道、强制 2 型换道;

　　(2)合流区换道模型

　　换道需求产生：车辆位于 N2 区时，当前车车辆速度小于当前车速并且当前车头间距小于下一时刻车辆行驶距离时，如式(22)和式(23)所示，车辆产生换道动机。 , , max , , 1 min[ ( ) ( ) , ] ( ) 2 n x n x n x i k i i front v t t a t t v t d t            (22) , , , , 1 ( ) ( ) n x n x i k i k v t v t   (23) 当匝道车辆驶入合流区时，因为存在汇入车辆速度相对较低、主线车辆未避让的情况，所以车辆在匝道换道需求产生和车辆与车道末端距离有较大关系，具体规则如式(24) 所示。 (0,1) , (11, ) [ / 2, ] 2 (0,1) , (11, ) [0, / 2] rand Dis x L L rand Dis x L       (24)

　　换道间距判断：车辆在合流区内换道过程中，认为驾驶人均为理性驾驶人，换道决策过程由自由型、鲁莽型、强制 1 型、强制 2 型逐级进行判断，当出现符合换道条件时车辆将退出换道间距判断条件，每一级决策内容如下所示。自由型：车辆目标车道的前车间距、后车间距均较大，并且与前、后车速度相近，换道过程中可以保证车辆行驶安全，即向左换道满足式(25)，向右换道满足式(26)时，车辆可以进行车道变换。 , 1, , 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) , , , , , , 1 n x safe n x n x safe n x n x n x i k i L front i k i L back i k i k v t t d d v t t d d v t v t            (25) , 1, , 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) , , , , , , n x safe n x n x safe n x n x n x i k i R front i k i R back i k i k v t t d d v t t d d v t v t           (26) 鲁莽型：车辆与车辆目标车道的前车距离较小，与目标车道的后车距离较大，并且车辆行驶速度需小于前车速度以保证行驶安全，即向左换道满足式(27)，向右换道满足式(28) 时，车辆进行车道变换。 , 1, , 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) , , , , , . n x safe n x n x safe n x n x n x i k i L front i k i L back i k i k v t t d d v t t d d v t v t           (27) , 1, , 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) , , , , , , n x safe n x n x safe n x n x n x i k i R front i k i R back i k i k v t t d d v t t d d v t v t           (28) 强制 1 型：车辆为了躲避在合流区中突然换道的车辆，车辆与目标车道后车的间距较小，与前车间距较大，同时该车速度大于目标车道后车速度，小于目标车道前车速度，即向左满足式(29)，向右满足式(30)时车辆进行车道变换。该类换道模型风险较高，需要目标车道后车进行避让以保证行驶安全。 , 1, , 1, 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) ( ) , , . , , 1 , 1 n x n x n x n x n x n x n x i k safe L front i k safe L back i k i i k v t t d d v t t d d v t v t v t               (29) , 1, , 1, 1, , 1, min( ( ) , ) & min( ( ) , ) & ( ) ( ) ( ) , , , , , , , n x n x n x n x n x n x n x i k safe R front i k safe R back i k i k i k v t t d d v t t d d v t v t v t             (30)

　　强制 2 型：在合流区的过程中车辆受到汇入车辆影响，或者汇入车辆逐渐行驶道加速车道末端，为保证车辆行驶安全，车辆与目标车道前后车的间距较小，不考虑与前后车辆速度之前的关系，进行车道变换，即向左满足式(31)，向右满足式(32)。该类型换道风险最高，对车辆运行有较大干扰，通常发生在 6 号车道和 11 号车道。 , 1, , 1, {6}& min( ( ) , ) & min( ( ) , ) , , . , n x n x n x n x n v t t d d v t t d d i k safe L front i k safe L back          (31) , 1, , 1, min( ( ) , ) & min( ( ) , ) & (11, ) [0, ] , , . , 2 n x n x n x n x i k safe L front i k safe L back L v t t d d v t t d d dis x          (32) 合流区上下游区域及合流区内车辆位置更新规则一致。在现实生活驾驶人往往满足换道条件情况下仍然愿意在目标车道行驶，故车辆在满足步骤(1)和步骤(2)的前提下，计算机将产生随机数进行换道概率决策，如式(33)所示。在合流区内为了保证驾驶安全，当换道间距判断进入强制 2 型时，将不进行换道概率决策直接进入位置更新，其余情况当通过换道决策后，车辆进入步骤(3)位置更新。

　　位置更新：换道位置更新时默认车辆的纵向位置不发生变化并且车辆位置只发生横向偏移，为保证换道后车辆行驶安全，车辆速度将再一次更新，车辆换道位置更新规则如式 (34)-式(37)所示。 () () L R i i rand P rand P   或 (33) , , ( 1) ( ) n n i k i k x t x t   (34) , , , , , , , , ( 1) min{ ( ), ( ) / , ( )} n x n x n x n x i k i k L front i i k v t v t d t t v t     (35) , , ( 1) ( ) 1 x x i k i k n t n t    (36) , , ( 1) ( ) 1 x x i k i k n t n t    (37)

　　3.仿真验证与分析

　　3.1 仿真参数设置

　　为了保证模型内车辆是同步更新，本文建立了车辆、路段、道路空间一一映射关系，具体过程是：首先根据车辆空间占有率生成固定车辆并给车辆赋予驾驶行为属性 C L N V K [ ] 、 、 、(车道、位置、初始速度、各驾驶行为参数)，然后随机给定每辆车初始位置，并建立车辆 C 和空间 Q 的一一映射关系，每个迭代阶段遍历所有车辆 C 即可完成对元胞空间中所有车辆的同步更新。结合 NGSIM 提取 I-80 高速公路车辆轨迹数据分析结果，为便于分析各类异质驾驶行为对车辆微观运行状态的影响，设置元胞长度为 5m，车辆长度为 1 个元胞(即 5m)，合流区长度为 50 个元胞(50m)，合流区上游区域为 150 个元胞(750m)，合流区下游区域为 100 个元胞(500m)，模型单位时间步长为 1s，各类驾驶行为参数如表 5 所示。合流区车辆占有率从 0.01 以 0.01 的间隔增加至 0.99，模型采用周期性边界设定。为保证仿真结果的可靠性，每一种车辆占有率都要根据第 10000 至 10500 步时迭代运行结果，计算所需区域的平均速度、平均流量、平均密度等。

　　3.2 模型运行效果分析 3.2.1 道路交通宏观基本图

　　根据上述车辆演化规则进行仿真，设置同质驾驶行为情境和异质驾驶行为情境(各类驾驶行为占比均为 25%)。仿真过程中，统计空间占有率从 1%-99%条件下，合流区(4 车道、5 车道、6 车道)的流量、平均速度、密度，如图 7 和图 8 所示。

　　由图 7 和图 8 可知，车辆以同质驾驶行为行驶时，在低密度、高速度值的自由流状态数据较为离散，并且车辆密度在 0.1 至 0.25 区间内存在部分数据缺失。而车辆以异质驾驶行为行驶时，部分数据仍有不连续缺失但是数据整体效果优于同质驾驶行为，并且异质交通流最高流量相比同质交通流高出 27.1%。在同质车流状态下车辆以相同方式运行，当一辆车受到不确定因素干扰，此刻极易形成阻塞波向上游传播导致车队从自由流状态突变成阻塞状态。而在异质车流状态下，由于各类车辆换道执行条件、速度的不同会有效减缓阻塞波向上游传播速度以及传播距离，故考虑驾驶行为异质性元胞自动机仿真模型可重现更多的道路交通状态。

　　3.2.2 时空轨迹图

　　以车辆运行时间-空间轨迹作为研究对象，设置同质驾驶行为情境和异质驾驶行为情境(各类驾驶行为占比均为 25%)，仿真输入车道占有率为 20%，绘制车辆合理区车辆时空轨迹图 9 和图 10 所示。

　　由图 9 可知在同质交通流情况下，合流区形成瓶颈节点，车辆从该点产生拥堵并且向后蔓延导致合流区上游路段产生严重拥堵。在记录的 500s 时间内共发生 9 次阻塞波，其中最长影响了 150 个元胞。由图 10 可知在异质交通流情况下，合流区瓶颈有所改善并未形成固定瓶颈节点，在记录的 500s 内发生 7 次阻塞波，拥堵时间相比同质交通流略微减小。当车辆占有率为 20%时，在实际快速路合流区并未形成固定瓶颈节点，故异质交通流模型可以更加真实模拟合流区车辆运动轨迹。

　　3.2.3 换道频率分析

　　以车辆在路网中的换道频率为研究对象，设置同质驾驶行为情境和异质驾驶行为情境(各类驾驶行为占比均为 25%)，统计仿真时间为 500s，统计空间占有率从 1%-99%条件下，四号车道、五号车道、六号车道车辆的换道次数如图 11 和图 12 所示。

　　由图 11 和图 12 可知在同质交通流状态下车辆换道频率峰值为 1446 次/百秒，而异质交通流状态相比同质交通流换道频率高出 20.74%，换道频率为 1702 次/百秒。当空间占有率为 50%-55%时同质交通流换道次数随着空间占有率增加而增加，而异质交通流在空间占有率为 20%-99%过程中，换道频率整体呈现下降趋势。通过换道频率趋势图可知，异质交通流仿真模型中换道次数异常点的出现频率及数据误差均小于同质交通流仿真模型。

　　4 结论

　　为进一步完善城市快速路合流区的交通仿真模型，通过对实际车辆轨迹数据分析，使用聚类分析的手段将其归纳成四类驾驶行为特征，并提供考虑驾驶行为异质性的元胞自动机模型方案。为客观反应车辆运行状态，文章建立考虑驾驶行为异质性的四级车辆换道决策模型，并采用车辆状态同步更新的思路进行仿真，使得仿真与实际更加贴近。通过数值仿真可以发现，与同质驾驶行为的元胞机模型相比，考虑驾驶行为异质性元胞自动机模型可以更好的反应道路自由流、同步流、阻塞流三种状态，并且为研究道路各状态 演化机理与交通系统异质性提供仿真理论支撑。同时该模型可以为合流区交通运行状态评估、通行能力预测、交通组织与管理提供理论依据与方法支持。由于我国合流区交通环境较为复杂，后续研究应该加入分流区，并且进一步细化模型中车辆运行规则，提升模型精度与可靠性。