二、交通流仿真基础：交通流基本参数、基本图与跟驰/换道模型概述

交通流仿真并非凭空构建车辆行为，而是建立在对真实交通流运行规律深刻理解之上的数学抽象。无论是宏观的流体力学模型，还是微观的跟驰与换道模型，其核心都围绕三个最基本的物理量展开：流量（Flow, q）、密度（Density, k）与速度（Speed, v）。这三个参数构成了描述交通状态的“三维坐标系”，而它们之间的函数关系——基本图（Fundamental Diagram），则是连接宏观交通流理论与微观驾驶行为的桥梁。在SUMO（Simulation of Urban MObility）中，理解这些基础概念是正确配置路网、校准驾驶行为参数、以及解读仿真输出数据的先决条件。本节将系统梳理这些核心概念，并探讨微观仿真中两个最重要的驾驶行为模型：跟驰模型与换道模型。

2.1 交通流三参数：流量、密度与速度

核心原理

交通流三参数是描述道路运行状态的基础。在SUMO中，这些参数通常通过边检测器（Edge-based Detector）或车道检测器（Lane-based Detector）在仿真结束后统计输出。

• 流量（q）：单位时间内通过道路某断面的车辆数，单位为 veh/h。在SUMO中，流量统计依赖于检测器覆盖的freq属性（聚合时间窗口）。
• 密度（k）：单位长度道路上的车辆数，单位为 veh/km。密度是空间概念，与流量不同，它反映的是道路的“拥挤程度”。
• 速度（v）：车辆行驶的快慢，通常指空间平均速度（时间平均速度与空间平均速度在统计上存在差异）。SUMO输出的速度通常是区间平均速度。

三者满足基本关系式：q = k × v。但需注意，该关系式仅在稳定流状态下严格成立，在拥堵消散或形成过程中，由于车辆加减速的滞后性，瞬时数据可能偏离该关系。

判断方法与操作流程

在SUMO中获取三参数的标准流程如下：

1. 在路网文件中添加检测器定义，例如在.add.xml文件中写入：

<additional>
  <edgeData id="edge1_data" edges="edge1" freq="60" file="output_edge.xml"/>
  <laneAreaDetector id="det1" lane="edge1_0" freq="30" file="det_output.xml"/>
</additional>

2. 运行SUMO仿真，生成包含时间序列的流量、速度、密度数据。
3. 使用Python（如sumolib）或Excel解析输出文件，计算密度（若检测器未直接输出密度，可通过 q/v 估算）。

案例拆解：高速公路瓶颈区检测

假设某高速路段在仿真中出现异常拥堵。通过设置每60秒聚合的检测器，我们获取到以下数据片段：

从数据可见，流量在120秒后骤降，而密度持续上升，速度急剧下降。这符合基本图中“拥挤分支”的特征——流量在达到通行能力后随密度增加而下降。通过对比q_max（此处约2100 veh/h），可以判断瓶颈区通行能力约为2100 veh/h，且当密度超过25 veh/km时进入不稳定区域。

2.2 基本图（Fundamental Diagram）

核心原理

基本图描述了流量、密度、速度之间的稳态关系。最常用的是q-k曲线和v-k曲线。基本图分为两个分支：自由流分支（密度从0到临界密度k_crit，流量随密度线性或近似线性增长）和拥挤分支（密度从k_crit到拥堵密度k_jam，流量随密度增加而下降）。

在SUMO中，基本图并非直接内置，而是通过仿真结果绘制。不同跟驰模型（如Krauss、IDM）会生成不同形状的基本图，这为模型标定提供了依据。

判断方法与操作流程

绘制基本图的步骤：

1. 设计一系列不同需求水平的仿真场景（如从低流量到高流量逐步增加车辆输入）。
2. 对每个场景，记录稳态下的平均流量和平均密度。
3. 将数据点绘制在q-k坐标系中，拟合曲线。

关键参数提取：

• 自由流速度 v_free：密度趋近于0时的速度。
• 临界密度 k_crit：对应最大流量 q_max 的密度。
• 拥堵密度 k_jam：速度趋近于0时的密度，此时流量为0。

案例拆解：SUMO中IDM模型的基本图标定

假设我们使用IDM（Intelligent Driver Model）作为跟驰模型。通过改变minGap（最小间距）和accel（最大加速度），观察基本图变化：

结果表明，减小minGap能提升通行能力，但会降低行车安全性；降低加速度则导致加速能力不足，通行能力下降。这为在SUMO中复现真实道路瓶颈提供了标定方向。

2.3 跟驰模型概述

核心原理

跟驰模型描述同一车道内前车与后车的纵向交互行为。其核心逻辑是：后车根据前车的速度、间距以及自身期望速度，决定下一时刻的加速度。SUMO中最常用的模型包括：

• Krauss模型（SUMO默认）：基于安全距离，驾驶员以不超过安全速度的速度行驶，并引入驾驶员 imperfection（不完美程度）参数。
• IDM模型：基于智能驾驶概念，加速度由自由路况加速项和与前车交互的减速项组成，能更平滑地描述跟驰行为。

判断方法与操作流程

在SUMO中切换跟驰模型的方法：

<vType id="car" vClass="passenger">
  <param key="carFollowModel" value="IDM"/>
  <param key="minGap" value="2.5"/>
  <param key="accel" value="1.0"/>
  <param key="decel" value="1.5"/>
</vType>

关键参数包括：minGap（停车时最小间距）、accel（最大加速度）、decel（最大减速度）、tau（反应时间，Krauss模型中的驾驶员反应时间）。

案例拆解：跟驰模型对排队消散的影响

在信号交叉口仿真中，对比Krauss与IDM模型的排队启动波传播速度。设置相同流量输入，记录排队车辆从静止到通过停止线的时间。

• Krauss模型：由于安全距离约束较严格，启动波传播较慢，排队消散时间约45秒。
• IDM模型：加速度变化更平滑，启动波传播较快，消散时间约38秒。

这说明模型选择直接影响交叉口通行效率评估。若仿真目标是评估信号配时优化，应选择能合理反映驾驶员加速行为的模型。

2.4 换道模型概述

核心原理

换道模型决定车辆何时、何地以及如何变更车道。SUMO中的换道模型（如LC2013）综合考虑以下因素：

• 战略层：是否为了到达目的地而必须换道（如前方车道封闭）。
• 协同层：是否为了超越慢车或获得更大空间而换道。
• 战术层：换道时的具体轨迹与安全间隙判断。

判断方法与操作流程

在SUMO中配置换道行为：

<vType id="aggressive" lcStrategic="0.5" lcCooperative="0.3" lcSpeedGain="0.8" lcKeepRight="0.2"/>

参数含义：lcStrategic（战略换道权重）、lcCooperative（协同换道权重，即是否允许为他人让行）、lcSpeedGain（追求速度增益的权重）、lcKeepRight（靠右行驶的权重）。

案例拆解：多车道高速公路的换道行为标定

在一条三车道高速公路上，默认参数下仿真出现左侧车道过度拥挤、右侧车道利用率低的现象。通过调整参数：

结果表明，提高速度增益权重能促使车辆更积极地利用右侧车道，提升整体通行效率。但需注意，过高的lcSpeedGain可能导致频繁换道，增加扰动。