冰雪條件下快速路匯流區可變限速控制

陳永恒，劉鑫山，熊 帥，汪昆維，諶 垚, 楊少輝

(1.吉林大學 交通學院，長春 130022；2.中國城市規劃設計研究院 城市交通研究分院，北京100037)

0 引 言

中國北方地區冬季漫長、降雪量大，不僅影響駕駛員的視野及心理，而且容易引起路面結冰的現象，導致車輛行駛安全性降低，使得本來就相對敏感的快速路交通更不穩定，尤其是當交通需求較大時，更容易形成大面積、長距離的擁堵，而擁堵的消散過程又更為緩慢，給國民經濟的發展帶來了巨大損失。

長期以來，國內外學者對冰雪條件下的城市快速路做了大量研究，并取得了一定的成果。在冰雪條件對駕駛員的影響方面，邢恩輝等[1]以8名熟練駕駛員為樣本，對冰雪對駕駛員感知特性的影響進行了研究，得出冰雪環境下駕駛員視覺感知車速比非冰雪環境下降低了5%～14%，前、后車距離在50 m以內時兩種環境下駕駛員視覺感知車距無差異的結論。在冰雪條件對交通流的影響方面，Knapp等[2]通過研究愛荷華州的數據發現，冬季風雪能夠使交通量降低16%～47%，并得出交通量的降低量與風速的平方及降雪量成正相關的關系；邢恩輝等[3]通過采集哈爾濱市快速路的數據發現，冰雪條件使自由流速度降低了10 km/h，平均車速降低約20%，且冰雪條件下行車速度隨流量增大而降低的速度更快。在冰雪條件下快速路車流控制方面，李松齡等[4]基于車輛追尾條件及跟馳特性建立了各種冰雪條件下城市快速路的限速模型，將在哈爾濱地區采集的數據代入模型中進行計算，得到不同流量下各種冰雪條件的限速值，并給出根據車型與交通量進行分級限速管理的建議。

雖然目前對于城市快速路的研究已取得了大量成果，但已有研究成果多集中在冰雪條件下快速路的交通特性方面以及提高冰雪條件下快速路的行車安全性方面，對于如何提高在冰雪條件下交通需求較大時快速路的行車效率方面則少有涉及。為此，本文在前人研究的基礎上，提出了一種以提高冰雪條件下快速路的行車效率為目標的城市快速路可變限速(Variable speed limits,VSL)控制方法，對于冰雪環境下的快速路管理具有一定的參考意義。

1 冰雪對城市快速路交通的影響

冰雪主要通過3個方面的影響來干擾城市快速路的正常運行：①降雪落至路面之后如不及時清理，會因車輛碾壓形成壓實雪附著在路面上，甚至形成冰板路面，從而交大程度地降低輪胎與路面之間的附著力，降低車輛的爬坡能力及行駛穩定性，進而降低車速，增大交通流運行時的安全車距，降低道路通行能力；②降雪天氣直接降低了環境的能見度，使駕駛員的視野變小，視線變得模糊不清；③冰雪天氣通過環境的改變增大了駕駛難度，使駕駛員的心理變得急躁、緊張等，進而對相對車速、車間距離等的感知判斷能力發生改變。

在研究冰雪條件對道路交通流的影響時，通常將降雪情況和路面情況分為若干級別進行研究。如在《道路通行能力手冊》[5]中將降雪情況分為小雪、中雪、大雪、暴雪等4類，并列出了分類標準及其對通行能力及速度的影響程度。但是，在不同地區冰雪天氣的發生頻率及影響程度不同以及駕駛員應對冰雪的經驗技巧的差異會間接影響冰雪條件下交通流的運行規律。因此，為了制定切實、合理的控制策略，在實際應用中應針對控制地區的路段具體調查其受冰雪影響時的交通流特性。

本文選取長春市南部快速路衛民街與衛星路交匯處的快速路匯入區路段進行研究，調查地點如圖1所示。

圖1 調查地點Fig.1 Study site

該路段入口匝道上游為地下隧道，下游2000 m區域為高架橋且沒有出口匝道，因此避免了城市道路上車輛行駛的干擾。此外，該路段的交通需求較大，在早、中、晚3個時間段均會產生由匯入車輛交織導致的嚴重交通阻塞，是長春市常發性擁堵路段之一?？紤]到實際數據獲取的難度，并與實際情況(長春市的快速路應急除雪工作較為及時)結合，本次研究拍攝了正常天氣及除雪后快速路交通運行的視頻，并采集交通流數據以交通流狀態轉變過程中的關鍵交通流參數表征冰雪的影響，如表1和表2所示。

(1)自由流速度：指道路上處于非跟馳狀態下車輛的行車速度?？梢酝ㄟ^分析不同車頭時距時前、 后兩車速度的相關系數得到跟馳狀態的臨界值，然后根據前、后車頭時距大于臨界值時的后車行車速度的統計值確定。

表1 城市快速路主線交通流數據Table 1 Traffic flow data of urban expressway′s main line

表2 城市快速路交織區交通流數據對比Table 2 Traffic flow data of urban expressway’s merging area

(2)跟馳狀態起始密度：指交通流由自由流狀態向跟馳狀態轉變時的密度。

由于實測時，道路上兩種交通流狀態發生轉變的時間不能直接準確地獲取，其對應的跟馳狀態起始密度也不能直接獲得，所以本文首先確定自由流車速和臨界跟馳車頭時距，然后根據式(1)計算跟馳狀態起始密度[6]：

(1)

式中：Dg為跟馳狀態起始密度；vf為自由流速度；t0為臨界跟馳車頭時距，其中，利用前后車速度相關性分析的方法確定臨界跟馳車頭時距[6]，將交通流從自由流向跟馳流過渡的車頭時距(0～10 s)分為9個區間，然后對不同區間前、后兩車的車速進行相關性分析。兩種天氣下交織區交通流車速相關性分析結果如表3所示。

由表3可知，正常天氣條件下，當車頭時距小于6 s時，前、后車速度具有相關性；當車頭時距大于6 s時，前、后車速度不具有相關性，因此正常天氣條件下交織區的臨界跟馳車頭時距為6 s。同理，可得冰雪天氣下的臨界跟馳車頭時距為8 s。結合已測得的自由流速度值，代入式(1)中，可得兩種天氣下跟馳狀態起始密度分別為9.68、8.33 veh/km，由于該數值為車流密度，車輛數四舍五入取整后分別為10、8 veh/km。

(3)最大通行能力和最佳密度：最大通行能力取調查時段內每20 s車道截面通過的最大流率，最大流率時段對應的密度即為最佳密度。

表3 交織區前、后車速度相關性分析Table 3 Correlation analysis of velocities before and after merging area

(4)停車波波速：交織區瓶頸形成時交通波向上游傳播的速度。

在測量過程中，分別測量停車波起始位置至其傳遞至上游某一固定位置的距離和所用時間，兩者相除得出波速，并選取多個擁堵形成的過程，多次計算后求平均值作為停車波波速的最終值。

(5)突變后流率：指道路車輛密度達到最佳密度后繼續增大，通行能力突降后的流率[7]。

圖2 交織區流率-密度散點圖Fig.2 Scatter plot of traffic flow and velocity

通過對冰雪條件下快速路交織區每20 s的流率統計及對快速路交織區的流率-密度散點圖(見圖2)的繪制發現，冰雪條件下的快速路交通流同正常天氣條件下一樣，在由自由流向阻塞流發展的過程中會發生通行能力突變現象。在確定阻塞密度kj、停車波波速w及最佳密度km后，由幾何知識可得突變后交織區流率的計算公式：

Qd=w(kj-km)

(2)

式中：Qd為突變后流率。

(6)阻塞密度：交通嚴重阻塞時單車道每千米路段所包含的車輛數。

由表1和表2可得：與正常天氣條件下相比，除雪后瓶頸區及其上游的自由流速度、最大通行能力、最佳密度、停車波波速等均有所降低；正常條件下瓶頸上游及瓶頸區通行能力的突變幅度分別為10.5%、12.17%，除雪后瓶頸上游及瓶頸區通行能力的突變幅度分別為15.89%、19.42%，即除雪后道路通行能力突變提前且突變幅度更大；兩種道路條件下道路的阻塞密度沒有明顯變化。

2 可變限速控制策略

當前實際應用的快速路交通流控制方法包括匝道控制和主線限速控制，前者適用于快速路已經嚴重擁堵或者其他不適宜接收車輛的情況，關閉入口匝道以阻止車輛的進入；后者限速值一般取自由流的85%位車速，再根據道路線型、天氣條件等因素進行修改，限速值一旦確定之后并不隨交通流狀態而改變，其實質為靜態限速方法。上述兩種方法均不是根據交通流狀態確定限速值的可變限速策略，其目的是在交通需求不大時保證交通運行的安全性，而對于效率的提高并無幫助。

快速路作為一個復雜的動態系統，交通流各參數及其之間的關系會隨系統內、外條件發生變化，尤其是冰雪天氣下，快速路的穩定運行更易受到破壞，靜態的限速顯然不是最優的限速方法。因此，本文對基于快速路實時交通運行狀態及根據外部條件設定限速值的方法進行了研究，以期在保證安全性的同時提高快速路運行效率。

2.1 可變限速控制方法及原理

2.1.1 可變限速控制方法

通常，限制一條道路最大運輸效率的區段稱為瓶頸區。在城市快速路上，瓶頸區域一般存在于車道減少處、車流匯合、分離處、轉彎區域、施工區域以及發生交通事故的區域等。圖3為快速路入口瓶頸區即匯流瓶頸區可變限速控制的示意圖。

圖3 快速路入口瓶頸區可變限速控制示意圖Fig.3 Schematic of VSL control for entrance bottleneck of expressway

限速區域為瓶頸上游區域，限速長度根據具體路段靈活確定，但不應少于800 m。每隔一段時間對各檢測器所得的數據進行處理，當滿足限速啟動條件時，根據限速策略在限速區域的可變情報板上發布限速值，并在控制區的上游對前來的車輛予以限速預告；限速值根據最近的監測數據確定，每個限速值周期性更新；在無需進行限速時，關閉可變限速控制[7]。

2.1.2 可變限速控制提高通行效率的原理

國、內外學者[7-9]在對道路上瓶頸區域的交通流進行研究時，發現了一種稱為“通行能力突變(Capacity drop)”的現象，即當道路通過流率達到或接近其最大通行能力時，若密度繼續增大，通行能力將突然下降的現象，如圖4(a)所示。當密度達到最佳密度km，流率達到道路最大通行能力qm之后，隨著密度的進一步增大，流率將迅速下降至突變后流率qd。通過前文中實際路段的調查數據可知，相同區域冰雪條件下與正常天氣相比，通行能力的突變幅度更大。

圖4 VSL控制提高通行能力的原理Fig.4 Principle of improving capacity using VSL

可變限速控制的目的是使瓶頸區域上游在交通需求較大時保持低流量、高密度的通行狀態，從而使瓶頸區的通過流率維持在其通行能力附近。為了便于說明，畫出在交通需求逐漸增大時瓶頸區流率隨時間的變化圖，如圖4(b)所示。其中，縱軸表示流率，橫軸表示時間。在t1時刻道路上交通流密度達到最佳密度km，流率達到最大通行能力qm。

若不對快速路交通流進行控制，在道路上交通流密度達到km后，瓶頸區向下游輸送車輛的流率將會突然降低，如圖4(b)中線段AB、BC所示；若對快速路交通流進行了合適的限速控制而使快速路瓶頸區的交通流密度不能達到km，則瓶頸區流率將維持在稍低于最大通行能力qm，但高于突變后流率qd的q′，如圖4(b)中線段AD所示。此時，瓶頸區向下游輸送的車輛數與無控制時相比將會得到提高，提高的數量為陰影部分四邊形ACDB的面積。

2.2 基于Q學習算法的VSL控制策略設計

在制定快速路控制策略時，可以把快速路的狀態演變看作一個馬爾科夫過程，即快速路在控制開始時刻t0的條件下，一個控制周期T結束后它的運行狀態與且僅與在此周期選擇的控制動作(限制速度)有關，而與快速路在之前的狀態無關。此時，可以把求限制速度的問題轉化為求解馬爾科夫過程的問題，而強化學習中的Q學習算法作為求解該問題的一種方法，具有以下特性[10]：①可通過與環境不斷地試錯交互來進行學習，不要求或較少要求先驗知識；②可用于模型不確定的環境中；③是一種增量式學習方法，使用與學習可以同時進行。

在對冰雪條件下具體快速路進行限速控制的初始，并不能精確地知道各種限速動作將會對快速路的運行產生何種影響(較少的先驗知識)；其次，要想建立能夠精確描述冰雪條件下的快速路運行機理的模型基本不可能；最后，由于交通大環境的發展，一些在快速路區域之外影響其運行的因素也在不斷變化，相對于固定的可變限速控制策略，一種能夠隨時根據控制效果對后續的控制策略進行修改的算法更能滿足需要。

綜合以上考慮，本文在獲取限制速度的過程中選擇了Q學習算法。

2.2.1Q學習算法原理[10]

Q學習算法是強化學習算法的一種，在該算法中，智能體將整個學習過程分為若干次學習，每次學習的步驟如下：

(1)觀察當前的環境狀態st。

(2)執行一個可選動作at。

(3)觀察下一個狀態st+1。

(4)收到一個立即強化信號。

(5)按照式(3)調整Q值：

Qt(st,at)=

(3)

2.2.2 基于Q學習算法求限速值

本文提出的基于Q學習算法的可變限速控制(簡稱Q-VSL)求限速值的步驟如下所示。

(1)確定交織區上游、交織區及入口匝道處的所有狀態，確定可選的限速值。

(2)制定各限速情況下的即時獎勵r及長遠獎勵Q學習的確定規則。

(3)基于仿真平臺實現在各種狀態下加以不同限速動作的仿真。

(4)由步驟(2)(3)得到所有狀態下執行不同限速動作時對應的r值及Q學習值，并對Q學習值進行迭代直至其收斂或達到迭代次數。

(5)確定動作選擇策略，并結合第(4)步得到的Q學習值確定不同狀態下選擇各限速動作的概率。

在步驟(1)中，快速路運行狀態應包括所有影響控制效果的狀態因素，動作應包括所有可選的控制行為，其確定及劃分是算法成功與否的關鍵。本文狀態及動作分類如表4所示。

表4 快速路狀態及控制動作劃分Table 4 Classifications of expressway states and control actions

在步驟(2)(3)(4)中，借助仿真平臺在各種狀態組合中加入不同的控制動作，并根據其控制效果確定對應的即時獎勵值，且越是有利于提高其運行效率的，即時獎勵值越大(本文中即時回報值取在單一限速時間段內瓶頸區通過的車輛數)。之后，按照式(3)合理地選擇系數對Q學習值進行更新。

在步驟(5)中，所得的表中包含各狀態與不同動作對應時的Q學習值，結合選擇策略(貪心算法)可以確定各個狀態下各限速動作的選擇概率。實際應用中，該Q學習值表能夠根據應用效果進行不斷更新。

2.2.3 可變限速控制策略設計

圖5 Q-VSL控制策略流程圖Fig.5 Flow chart of Q-VSL control strategy

本文提出的Q-VSL控制方法流程如圖5所示。為了避免由于車輛速度波動較大引起的交通安全問題，本設計規定限速值每6 min更新一次，最新一次所取的限速值需在上次限速值及與其相鄰的兩個值中選取，即根據實際交通系統狀態和Q學習學習結果所得的限速值與上一時間段的限速值相差不超過20 km/h。每次限速值發布之后，根據6 min之后的交通系統狀態評價該次限速控制的效果，并據此對控制之前的狀態對應的各可選動作的Q學習值及被擇概率表進行更新，這體現了本文控制算法的持續在線學習能力，該能力能夠弱化在算法中考慮不足和已經發生變化的因素對控制效果的影響。因此，該算法的應用時間越長，控制效果越好、越穩定。

3 仿真驗證

基于Q學習算法求限速值時，為了避免求值過程中可能出現的狀態遺漏，把交通流狀態、系統輸入及天氣條件3類狀態參數進行組合，在這些組合中顯然存在大量不可能出現的狀態，也不可能對那些狀態進行實際的限速操作；此外，為了保證交通安全也不可能對實際出現的狀態進行各種限速值控制的試驗。為了解決以上問題，本文選擇交通流仿真技術對提出的可變限速策略進行驗證。

3.1 元胞傳輸模型及其改進

本文研究目的是提高快速路的通行效率，在綜合考慮是否能夠滿足模擬關鍵的交通流特性、模型參數標定的難易、能否加入可變限速控制以及仿真時間的基礎上，本文采用元胞傳輸模型，以Matlab為仿真平臺對本文限速策略進行了驗證。

3.1.1 基本CTM模型

元胞傳輸模型(Cell transmission model，CTM)是宏觀動力學模型LWR模型的差分離散形式，由美國科學家Daganzo于1994年提出[11]，被用來對快速路交通流及城市路網交通進行仿真模擬。

基本的元胞傳輸模型將時間劃分為相等的時間間隔(即仿真步長)T0，路段分為若干等距小段(稱為元胞)L0來模擬實際道路上的交通流運行。其中，每個元胞的長度等于自由流速度與仿真步長的乘積，且元胞內的流量與密度符合圖6所示的梯形函數關系。圖中，q為交通流流率；vf為自由流速度；k為交通流密度；qmax為元胞最大通行能力；w為擁堵形成時向上游傳播的交通波波速；kj為阻塞交通流密度。

圖6 經典的CTM交通流基本圖Fig.6 Traffic flow chart of classic CTM

在模擬道路運行時，每一時刻系統的狀態由各元胞中所含的車輛數確定。元胞i在步長t時段內從上游元胞接受的車輛數情況可由式(4)得到：

Js(i,t)=

(4)

式中：Js(i,t)為元胞i在步長t時接受的車輛數；N(i)為元胞i所能包含的最大車輛數；n(i,t-1)為元胞i在步長(t-1)結束時所包含的車輛數。

3.1.2 CTM模型的改進

基本的元胞傳輸模型能夠模擬道路上常規的交通流運行如擁堵的形成及消散，交通波的生成及傳播等，但是，其對于交通流流量與密度的關系的假設過于簡單，既無法體現車輛較多時道路上車輛的時走時?，F象，也無法體現瓶頸區擁堵形成時的通行能力突變現象，而且在同步流時通過流量不變的假設與事實存在明顯差異。為了更真實、精確地反映快速路實際運行情況，本文在實際調查數據的基礎上對元胞傳輸模型的交通流基本圖做了如下改進：

(1)自由流枝的改進

圖7 CTM流率-密度基本圖自由流枝的改進示意圖Fig.7 Schematic of improvement of free flow branch in fundamental volume-density diagram of CTM

在經典的交通流梯形關系圖的中，假設車輛可以由自由流速度行駛直至達到道路的通行能力，如圖6所示。而實際中，在道路密度由零逐漸增加的過程中，初始階段由于車流密度較小，車輛可以以自由流速度行駛，如圖7(a)中線段AB所示，道路通過流率隨著密度呈正比上升；隨著車流密度進一步增加，車輛間距變小，車輛之間的相互干擾加重，致使車速逐漸降低，但是此時的道路通過流率仍然是增加的，只是增速有所放緩，直至到達最大通行能力，如圖7(a)中曲線BC所示。為此，在本研究中對CTM中的交通流基本圖的自由流部分做了如圖7(b)所示的改進。

在圖中，自由流枝包括兩段，稱為完全自由段OD與部分自由段DF，其中，kf為車兩段之間銜接處的交通流密度；km為最佳密度。

(2)瓶頸區通行能力突變現象及滯后效應的改進

滯后效應[12]指的是在交通流狀態轉變過程中，自由流與擁堵流之間的車流密度存在重疊的部分，且從自由流向擁堵流過渡時的車流密度大于由擁堵流向自由流過渡的密度。本文通過實際采集到的數據繪制流率隨密度變化的散點圖(見圖2)，驗證了該現象。為了體現這種現象，對瓶頸區元胞的交通流基本圖做如圖8所示的改進[13]。

圖8 CTM流率-密度基本圖中加入突變和滯后效應的改進示意圖Fig.8 Schematic of fundamental volume-density diagram of CTM inlaid capacity gap and hysteresis effects

圖8中，kz為從擁堵流向自由流轉變時的交通流密度；qz為對應的交通流密度。通過實測數據得到kf、qf、km、qm和w時，可通過計算得到kz和qz。當kzkj之后的部分，為了避免元胞路段交通流密度達到阻塞密度之后將既不會接收上游車輛也不會再向下游輸送車輛的現象，將車流密度大于阻塞密度之后的流率取為一較小值qj。

(3)限速影響的改進

在快速路加入限速控制后，理論上講，只有不限速車輛行駛速度超過限速值時才有必要限速，當限速值小于自由流車速而大于無限速情況下的最佳車速時，隨著密度的增大，車輛行駛速度保持不變一段時間后將減小至最佳車速(此時密度為最佳密度)；此后，基本圖與無限速情況下相同(見圖9(a))。當限速值小于最佳車速時，車輛將按限速值行駛至該限速值下的最大流率，然后與無限速情況下相同[7](見圖9(b))。

圖9 限速影響的兩種情況下CTM流率-密度基本圖Fig.9 Fundamental volume-density diagram of CTM of two scenarios for limiting speed

3.2 可變限速策略的仿真設計

圖10為仿真路段元胞設計圖，仿真路段總長度為1400 m，其中包括一個主線輸入元胞①，一個匝道輸入元胞⑨，一個瓶頸元胞⑥，一個終端元胞⑩，6個主線元胞(②、③、④、⑤、⑦、⑧)，單個元胞長度為200 m；入口匝道輸入車輛通過元胞⑥匯入主線，交織區長度為200 m。

圖10 仿真路段元胞設計示意圖Fig.10 Schematic of cellular elements design in simulation segments

在仿真程序的開始，需要對各個元胞進行初始化。初始化包括確定各元胞當前所包含的車輛數，輸入元胞的輸入速度隨時間的變化關系，以及非輸入元胞內部車輛運行所遵循的交通流基本圖(見表5)。仿真時間為4 h，共1800個步長，在每個仿真步長內，各元胞中所含的車輛數將按照式(3)(4)進行更新，直至仿真結束。

表5 元胞初始化Table 5 Initialization of cellular

3.3 效果評價

為了更好地對Q-VSL控制方法進行效果評價，本文對冰雪條件(除雪后)下的快速路瓶頸匯流區域進行了不采用任何控制、采用基于限速模型的可變限速控制、采用Q-VSL控制等的仿真，并將控制效果進行了對比分析。其中，基于限速模型的可變限速控制的核心思想是通過分析車流量、大小車型、車道位置等因素對快速路運行速度的影響，基于車輛追尾時的臨界條件以及車輛的跟馳特性，建立與道路附著系數、交通量等參數相關的安全限速模型，并利用不同冰雪路面附著系數對模型中的路面參數進行標定，進而提出分級限速的控制方法。本文參考冰雪條件下安全停車間距限速模型[4]，對于除雪后的城市快速路采用的限速值為50 km/h。

為了使仿真效果更接近于實際情況，仿真路段的流量輸入采用隨時間變化的形式，如圖11所示。其中主線需求在仿真開始的60 min內由零勻速增加到1800 veh/h(主線通行能力)，維持30 min后，在36 min內勻速減少為720 veh/h，之后維持不變；入口匝道需求在仿真開始的60 min內由零勻速增加到600 veh/h，之后維持不變。

圖11 仿真路段車輛輸入Fig.11 Input of simulation road

圖12 冰雪天氣三種控制方法下瓶頸通過流率對比Fig.12 Comparison of flow rate at the bottleneck under three control methods in snow and ice weather

圖12及表6為除雪條件下采用各種限速控制策略的控制效果對比，其中圖12從左至右依次為除雪條件下無控制、模型控制以及Q-VSL控制時瓶頸區域流率隨仿真步長的變化圖。

由圖可知，未采用任何控制與采用模型控制時的瓶頸通過流率隨時間的變化基本相同，這是因為當限制速度大于路段運行最佳速度時，限制速度并不能起到限制流量的效果。在此兩種控制手段下，瓶頸區流率在到達其最大通行能力之后迅速降低，之后維持在1050 veh/h左右，并在步長為1071時運行狀態恢復暢通；采用Q-VSL控制之后，瓶頸區流率在到達其最大通行能力之前有一較大幅度的降低，隨后升高并維持在1400 veh/h左右，且在整個仿真過程中瓶頸區未出現長時間擁堵的現象。

由表6中數據可知，模型控制相對于無控制在通行效率方面基本無提升，而采用Q-VSL控制后，每條車道在無控制的整個擁堵時間內多通過了376輛車。由此可見，本文控制方法與不予控制及模型控制相比，不僅提高了快速路入口回流區域的服務水平，也較大幅度地提高了其通行效率。

表6 控制結果對比Table 6 Comparison of control results

4 結束語

以提高城市快速路入口匝道瓶頸區通行效率為目的，提出了一種基于Q學習智能算法確定限速值的城市快速路可變限速控制策略，與其他控制策略相比，本文控制策略具有以下兩個突出優點：

(1)實用性。本文控制策略簡單明確、易于實施；沒有建立模型應用時根據具體情況制定不同的限速策略，相對于模型法和加權法，本文方法精確度更高；相比于同樣應用Q學習算法求限速值的研究，本文實現了系統動態輸入下快速路限速值的確定，更接近于實際應用情況。

(2)魯棒性。本文控制策略是閉環控制，在實際應用過程中隨時根據控制效果對控制策略進行實時修改，并指導下次決策。該調整不僅可以使控制策略適應控制環境的變化，甚至可以逐漸消除策略制定過程中考慮不足的因素的影響，因此，理論上講，該控制策略的應用時間越久，控制效果越穩定。

參考文獻：

[1] 邢恩輝，王銳，韓平. 冰雪道路環境對駕駛人視覺感知特性的影響[J]. 中國安全科學學報，2012，22(3):86-91.

Xing En-hui，Wang Rui，Hang Ping. Influence of snowy and icy road conditions on driver visual perception characteristics[J]. China Safety Science Journal，2012，22(3):86-91.

[2] Knapp K，Smithson L. Winter storm event volume impact analysis using multiple-source archived monitoring data[J]. Journal of the Transportation Research Board，2000，1700(1):10-16.

[3] 邢恩輝，張明強，吳貴福，等. 寒地城市快速路冰雪路面交通流特性研究[J]. 佳木斯大學學報:自然科學版，2010，28(2):232-234.

Xing En-hui，Zhang Ming-qiang，Wu Gui-fu，et al. Traffic flow characteristics of urban expressway in the period of ice and snow of cold area[J]. Journal of Jiamusi University (Natural Science Edition)，2010，28(2):232-234.

[4] 李松齡，向濤濤. 冰雪條件下城市快速路限速研究[J]. 交通信息與安全，2015(5):55-61.

Li Song-ling，Xiang Tao-tao. A study of the speed limits under the ice and snow conditions for urban expressways[J]. Journal of Transport Information and Safety，2015(5):55-61.

[5] 美國交通研究委員會. 道路通行能力手冊(精)[M]. 北京：人民交通出版社，2007.

[6] 楊小寶，張寧. 一種改進的跟馳狀態判定方法[J]. 交通運輸系統工程與信息，2006，6(2):14-17.

Yang Xiao-bao，Zhang Ning. An improved method of determining car-following state[J]. Journal of Transportation Systems Engineering and Information Technology,2006，6(2):14-17.

[7] 李志斌. 快速道路可變限速控制技術[D]. 南京：東南大學交通學院，2015.

Li Zhi-bin. Variable speed limit control technique on expressways[D]. Nanjing:College of Transportation,Southeast University,2015.

[8] Hao Y，Wang Y，Sun L J，et al. Research on spatial-temporal features of urban freeway congestion[C]∥The First International Symposium on Transportation and Development-Innovative Best Practices, Beijing, China,2008:185-191.

[9] Chung K，Rudjanakanoknad J，Cassidy M J. Relation between traffic density and capacity drop at three freeway bottlenecks[J]. Transportation Research Part B: Methodological，2007，41(1):82-95.

[10] 王雪松，朱美強，程玉虎. 強化學習原理及其應用[M]. 北京：科學出版社，2014:2-3，56.

[11] Daganzo C F. The cell transmission model:a dynamic representation of highway traffic consistent with the hydrodynamic theory[J]. Transportation Research Part B:Methodological,1994,28(4):269-287.

[12] Yperman I, Logghe S, Tampere C, et al. The link transmission model: an efficient implementation of kinematics wave theory for dynamic network loading[J]. Archives of Transport, 2008, 20(1/2):147-167.

[13] 楊泳，嚴余松，戶佐安,等. 城市快速路改進型元胞傳輸模型及仿真[J]. 公路交通科技,2015，31(6):135-141.

Yang Yong，Yan Yu-song，Hu Zuo-an,et al. An improved cell transmission model for urban expressway and simulation[J]. Journal of Highway and Transportation Research and Development,2015,31(6):135-141.