4 模型建立
1.模型准备
人工驾驶模型(Non-self-driving cars model)
人工驾驶模型是NS元胞自动机两车道模型(Two - lane cellular automaton model NS)的一种配置。它将引入这些特性： 非统一的车辆长度、贪心的车道选择、激进的变道动作(radical lane action)、以及独立的期望速度（expectation speed）。其正式的定义如下。
高速公路（highway）被模拟成一个两列元胞组（Two columns cell group）。每一列对应高速公路上的一条车道(lane)。
各列上的元胞沿车辆行驶方向，从一开始编号，该模型在时间上是离散(discrete)的。在每次迭代的过程中，每辆车的位置按照以下
过程更新，当一次迭代(Iteration)完成后，时间向前前进一个单位。
• 非统一的车辆长度模型通过参数L 区分不同长度的车辆
• 贪 心地车道选择:在选择目标车道时，只要目标车道上的车距大于当前车
道的车距即可变道
• 激进的变道:动作变道时，不考虑对后车的影响
• 独立的期望速度模型:通过参数V给每辆车分配独立的期望速度
联网自动驾驶模型(cooperating self-driving car model)
联网自动驾驶模型与人工驾驶模型比较相似，因其特点区别主要在于 ：协同换道(cooperating lane change).
协同换道：得益于联网自动驾驶汽车的通信能力和快速精准的车辆控制能力,若干辆车如 何 相 互 配 合，完成有利于整体交通且足够安全的换道，具备了讨论的意
义 。
换道策略（lane change maneuver）
基本换道策略:基于人工驾驶模型
第一 个基本 策略 是 永 不 换 道 （Never Change Lane， NCL) 。采用该策略的联网自动车，无论本车道或者其他车道的车况如何，始终不考虑变道。显然可见 ，一般来说，这样的换道策略牺牲效率而达到最大的安全性。在一些特殊情况下，比如高速公路严重拥堵的时候，车辆往往没有换道的机会，其呈现出的也是永不换道的策略。
另一 个基本 策略 便 是激 进 换 道 （Aggressive
Change Lane，A C L)。采用该策略的联网自动车一旦决定换道，只要条件允许，它都会立即换入目标车道， 而不考虑目标车道上后方的交通情况。 激进换道是一种最大化自身效率而失去最多安全性的换道策略。
礼貌换道策略:基于自动驾驶模型
本 节 提出一种名 为礼貌换道（Politeness Change Lane，P C L ) 的策略。在该策略中，换道概率由换道策略的礼貌度以及道路数量决定。礼貌度的取值可以动态改变策略（dynamic changes）的激进/ 礼貌程度。
该策略 的 另一 个 核 心 参 数是 礼貌度 系数 （Politeness I n d e x ,pol)
2.模型建立
交通流评估体系(Evaluation System of traffic flow)
我们在上文提到，目前现有的对于交通流(traffic flow)的分析大多仅限于效率， 而交通流安全性的分析较少看到。本篇论文认为，联网自动车的引入对交通流的效
率和安全都会影响。因此本节提出我们的交通流评估体系，定义衡量交通流效率和安全的指标
1 . 换 道 次 数 （ Change Lane Count, 缩写 CL)
我们认 为，换道次数的增加将对交通流的安全产生负面的影响，因此对单位道路长度上的平均换道次数进行计量。
2 . 换 道 预 留距离 （ Backward Distance,缩写 BD)
每次换道发生时，其与后车预留的距离也是影响交通安全的主要因素之
一 。
3.（ Over Take,缩写 OT)
一 般 来 说 ，超越一辆大车的潜在危险比超越小车更大。因此，我们尝试将其考虑在安全评价指标之内。
5 .1 .3 交通流综合指标
最 后，为了整体评价交通流的效率和安全，我们定义一个上述四个指标的
聚 合 目 标 函 数 （Aggregate Objective Function, AOF）。需要注意的是， 公 式中对 X 和 z 取 补 ，其原因是换道次数和超越大车
的比例越小越安全。
模型求解：
仿真平台（simulation platform）与参数配置（Parameter configuration）
我们搭建仿真平台，并分别实现了人工驾驶汽车与联网自动驾驶汽车的驾驶模型以及相应换道策略。
本文沿用出口处的模拟方式，即一旦车辆的位置超过道路长度，立即将其移除。然而 ，由于评估体系的变化以及对于车辆的假设不同， 我们对车辆生成的方式做一定修改。在 每 次迭代（Iteration）的过程 中，在公路起始端随机生成车辆 。其中，相邻 车辆的间隔符合泊松分布（Poisson distribution），期望间隔（expected interval）发车时间作为可配置参数(Configurable parameters) ；车 辆 的 类 型 （ 大型车或小型车，人工驾驶汽车(Non-self-driving cars)或联网自动驾驶汽车(cooperating self-driving car)）随机
生 成，其比例均为可配置参数；其初始速度为统一值，且不大于所有车辆期望速度的最小值，这 样 ，不会出车辆的初始时速(initial speed)大于其期望速度(expectation speed)的情况。
我们比较 联网自动车 永 不 换 道 策略（ N C L ) 与 激 进 换 道 策 略 （ ACL) 在
不同联网自动车比例下对中等密度的交通流效率带来的影响.
我们从中可以看到，应 用 N C L 策略 时，联网自动车的实际平均速度保持在期望速度的75% 左右 ， 而随着联网自动车在交通流中比例的上升，人工驾驶
车的行驶效率受益从75% 不断增大，因此，总体的交通流(traffic flow)效率先增大后减小，在 50%-60%的联网自动车()比例处达到最大值7 7 % ; 应用 A C L 策略时，联网自
动 车(cooperating self-driving car) 的 效 率 （ 85%-90%)明 显 高于人工驾驶汽车 (Non-self-driving cars)（ 73%-77% ) ，随着联网自动
车比例的上升， 两者的效率都呈上升趋势，总体的交通流持续上升，联网自动车交通流的平均速度甚至可以达到近90% 的期望速度。
我们分析礼貌度系数在不同联网自动车比例下对交通流的影
响。我们在中等交通流密下，在不同联网自动车比例下10% 间隔，对礼貌度系数 (Politeness Index ) 间 隔 0.1进行仿真，配置见表5-8。
为了比较在不同联网自动车比例下礼貌度系数对交通流的影响，我们计算(calculate) 每 一 个联网自动车 比例配置 下的指标 相 对于 该比例 下使用 激 进换道 (Aggressive
Change Lane)时指标的 增 长 率，见图5-8 ( Aggregate Objective Function, A OF ) 和图5-9 (效率指标
A E S R ) 。 基于此， 我们可以分析不同比例下礼貌度交通流改善程度的大小。
