UCMM：一种用于协调缓解城市混合交通拥堵的统一控制机制

《Exploratory Research in Clinical and Social Pharmacy》：UCMM: A Unified Control Mechanism for Coordinated Congestion Mitigation in Urban Mixed Traffic

在混合交通环境中，针对传统单一控制策略效果有限的问题，本研究提出统一拥堵缓解机制（UCMM），整合自适应信号控制、动态车道分配和车联网路径引导，通过多源数据融合与非线性耦合建模实现跨措施协同优化。仿真表明，UCMM使交叉口通行效率提升30.08%，平均排队长度减少31.99%，有效缓解复杂场景下的网络拥堵

　　

Jingan Yang|Zhen Cai|Wusheng Wang|Xuqiang Shao|Mingming Zhang|Kaisheng Wang

华北电力大学计算机系，中国河北省保定市永华北路619号，071000

摘要

单一的交通控制策略在缓解城市拥堵方面效果有限。在由人工驾驶车辆（HDVs）、联网车辆（CVs）以及联网和自动化车辆（CAVs）共存的混合交通环境中，车辆行为的多样性进一步增加了拥堵管理的复杂性和不确定性。为应对这些挑战，本研究分析了混合交通中异构车辆的行为特征，并为关键交叉口级别的指标（包括变道接受概率、到达率和饱和流量率）开发了定量模型。基于这些模型，提出了一种统一的拥堵缓解机制（UCMM），以共同优化交通信号时序、动态车道管理和联网车辆路线引导。在多种拥堵场景下的广泛仿真实验表明，所提出的UCMM有效缓解了网络范围内的拥堵，并提高了整体交通流效率。与基线相比，平均而言，它将交叉口吞吐量提高了30.08%，平均排队长度减少了31.99%。

引言

随着近年来城市化的加速，城市居民日益增长的出行需求加剧了道路拥堵，给城市交通系统和城市环境带来了巨大负担。随着5G和物联网（IoTs）的发展，道路用户和交通管理者对可靠、高效和可持续的交通解决方案的需求持续增加。作为响应，智能交通系统（ITS）正迅速向联网和智能化的方向发展，其应用范围从传统的交通管理扩展到整合车辆和基础设施的多种场景，从而缓解城市拥堵并提供更加无缝和便捷的出行体验。

在ITS的背景下，相关的交通管理策略（如交通信号控制（TSC）、动态车道分配（DLA）和路线引导系统（RGS）被广泛部署，以管理交通运营并提高道路网络的交通承载能力。随着交通网络变得越来越动态和复杂，传统的交叉口信号控制通常无法及时适应实时需求波动。自适应TSC可以根据道路网络级别的交通需求动态分配绿灯时间，从而减少车辆行驶时间并降低城市规模的二氧化碳排放（Wu, Ding, Lin等人，2025年）。然而，TSC的应用范围主要局限于绿灯时间的分配。此外，安全相关约束（如离散相位、黄灯和全红灯间隔以及行人冲突）限制了高频信号切换的可行性。DLA（如动态左转车道（DLTL）和逆流左转车道（CLTL）利用实时感应来响应时空交通需求波动，灵活重新配置现有车道资源以缓解拥堵并改善交通运营，而无需额外的道路基础设施。然而，DLA本质上是通行权的零和重新分配，总道路容量保持不变。当多个方向上的交通同时高度饱和时，其收益有限，瓶颈效应可能会加剧。此外，DLA需要与交叉口信号控制协调才能执行车道状态变化。RGS被广泛部署，并影响旅行者选择路线的决策。RGS利用多源数据（包括实时交通状态和历史模式）通过车辆上的单元提供从当前位置到目的地的动态路线建议。然而，当联网车辆渗透率较低时，RGS的有效性受到限制。如果引导措施最大化的是用户均衡（UE）而非系统最优（SO）（Wardrop，1952年），则可能引发Braess悖论（Braess，1968年），并增加网络范围拥堵的可能性。

先前的研究探索了集成控制方案（例如，信号时序和车道协调的联合优化）。然而，许多解决方案仍然是组合式的，即不同的措施针对独立的目标进行优化或以顺序方式应用。在混合自主性的情况下，这种处理方式可能导致措施之间的不一致甚至冲突，并且难以从走廊/交叉口设置扩展到网络级别的调控。此外，在复杂的城市道路网络中，数据互操作性有限和控制策略之间的协调性较差，进一步阻碍了交通管理措施之间的协调。

由多源数据融合和共享状态传播支持的联网环境为协调拥堵缓解提供了一致且高效的基础。具体来说，联网环境整合了来自车辆和道路基础设施的运营信息，并通过与云和边缘计算平台的实时互动，提供了支持交通控制措施协调决策的统一信息基础。在联网环境中，联网车辆（CVs）和联网自动化车辆（CAVs）的协作能力可以与系统最优（SO）保持一致。通过提高道路网络态势感知、增强信息反馈和车辆-基础设施合作（V2I）进行多源数据融合，CVs和CAVs可以计算出网络感知的最优路线并执行智能控制，从而在复杂的交通条件下实现安全和高效的运行。此外，CAVs的协调运行将感知输出和控制意图实时反馈回网络，从而在供需两侧实现耦合优化。作为交通控制的主动执行者，CAVs有助于实现动态交通管理（Gokasar, Timurogullari, Deveci, & Garg，2023年）。

随着交通系统从非联网环境向高度联网的V2X支持环境过渡，人工驾驶车辆（HDVs）、CVs和CAVs将在现实世界的交通中长期共存。这种异构交通模式反映了技术替代的自然动态以及多种现实世界约束的联合影响。一方面，由于汽车是耐用消费品，更新周期较长，HDVs将在城市交通中持续存在一段时间。另一方面，由于CAVs的感知、通信和控制技术仍在发展中，其在复杂城市交通中的大规模部署受到技术和安全问题的限制。因此，在较长时期内，HDVs、CVs和CAVs的混合运行是不可避免的。这一现实为建模异构交通和协调多种控制措施带来了不确定性和复杂性。鉴于传统HDVs和CAVs在驾驶行为模型、感知和信息获取方面的显著差异，CAVs在混合HDV/CV/CAV交通中的渗透率变化可能会改变车辆类型之间的互动以及交通控制措施的有效性。这些效应需要系统性的研究。

在HDVs、CVs和CAVs共存的长期过渡期内，本研究考察了三种代表性的拥堵缓解策略：交通信号时序优化、动态车道分配和联网车辆路线引导，并进一步提出了一种统一的拥堵缓解机制（UCMM），以在单一框架内协调这些策略。与以往通常将这些措施松散耦合或顺序处理的“集成”方案相比，UCMM强调在网络级别进行统一建模和协调响应。所提出的模型使用Beluga Whale优化（BWO）算法求解，并通过多场景仿真验证了其在混合交通中改善网络性能的有效性。本研究的主要贡献如下：

• 1.
  为了避免单一措施的局限性并利用策略之间的协同效应，我们提出了一个集中决策控制模型，该模型整合了交通信号时序优化（TSTO）、动态车道分配（包括DLTL/CLTL）和联网车辆路线引导（CVRG）来缓解城市拥堵。通过消除数据和控制政策中的跨措施碎片化，该模型实现了区域道路网络级别的协调多交叉口控制。
• 2.
  为了解决由HDVs、CVs和CAVs组成的混合交通中的高异质性和行为不确定性，本研究为关键交叉口级别的指标开发了定量模型。具体来说，建立了变道接受概率、到达率和饱和流量率的模型，以捕捉不同车辆类型在信息感知、决策执行和协作行为方面的差异。
• 3.
  针对现实交通系统中常见的异质性、不确定性和强耦合性，本研究从建模和机制设计的角度开发了统一的拥堵缓解机制。与基于MARL或MPC的现有框架不同，UCMM在单一框架内明确捕捉了交通状态和异构控制变量之间的非线性和非平滑交互。这种设计使得在混合交通条件下的协调更加现实和一致。

本文的其余部分组织如下。第1节介绍研究背景。第2节回顾了非联网和联网环境下多种拥堵缓解措施的现状。第3节介绍了统一的拥堵缓解机制及其相应的算法。第4节通过仿真实验评估了该模型。第5节总结了研究的局限性、潜在应用和未来研究的方向。

相关工作

相关工作

本节回顾了在传统交通条件和新兴联网环境下的交通拥堵缓解方法，重点介绍了旨在提高交通流效率和缓解城市拥堵的方法。

在交通信号控制优化领域，Sadek等人（Sadek, Godier, Cassidy, & Daganzo，2022年）为双向街道信号控制网络开发了两种新颖策略——一种静态策略和一种自适应策略，取得了显著效果

问题陈述和假设

为了解决高峰时段城市道路网络中的交通拥堵问题，本研究在联网环境中采用了四种实用且可部署的措施：TSTO、DLTL、CLTL和CVRG。如图1所示，我们首先对每种控制措施在HDV、CV和CAV之间的异质性进行了分析并进行了定量建模，然后在道路网络层面制定了一个优化模型，以实现这四种措施的协调决策。

请注意，当交通需求

仿真环境和配置

本研究将SUMO 1.22.0与Python 3.13.2集成，建立了一个统一的交通仿真平台。作为开源的微观交通模拟器，SUMO提供了交通控制接口（TraCI），实现了与外部应用的实时交互和数据交换。Python用于实现提出的决策模型并动态计算最优控制策略。这些策略随后通过TraCI传输到SUMO以实现交通控制

结论

为了解决混合交通环境中的高峰时段城市拥堵问题，本文提出了一种统一的拥堵缓解机制，该机制在网络级别协调框架内整合了交通信号时序优化、动态车道管理和联网车辆路线引导。在不同渗透率下的广泛仿真实验表明，UCMM可以重塑交通流分布，缓解局部过度饱和，并在高度拥堵的情况下提供可靠的拥堵缓解

CRediT作者贡献声明

Jingan Yang：方法论、软件、形式分析、调查、数据整理、可视化、写作——原始草稿。

Zhen Cai：监督、项目管理、资金获取、验证、写作——审阅与编辑。

Wusheng Wang：方法论、验证、形式分析、写作——审阅与编辑。

Xuqiang Shao：调查、数据整理、可视化、写作——审阅与编辑。 Mingming Zhang：资源、数据整理、验证、写作——审阅与编辑。 Kaisheng Wang：

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Jingan Yang和Zhen Cai报告称获得了国家自然科学基金会的财政支持；Jingan Yang和Zhen Cai还报告获得了河北省科技局的财政支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能