出行App带来的绿色能量有科学依据吗？

在中国最受欢迎的是导航App是高德地图和百度地图。借助移动终端App，出行者可以获得大量的交通信息，并且可以知晓出行前和出行途中的交通状况，出行者的出行计划（如交通方式、出发时间以及出行路线）将随之调整，从而提高出行效率。

但是，这种由App导引的个体行为变化，是否真的能产生“绿色能量”，有利于提升城市的整体空气质量？若可以，又在多大程度上降低了机动车的尾气排放？

研究者采用多方法建模的技术，在复杂系统仿真软件AnyLogic和机动车尾气排放模拟器（motor vehicleemission simulator，MOVES）的支持下，将出行者行为模型、交通仿真模型和尾气排放模型进行整合，在动态时空水平系统中全面评价出行者信息服务App的交通和环境效益。

综合仿真模型体系的技术线路如图所示：

☝  综合仿真模型技术线路图

（RunSpec：运行规格）

举个例

以城市道路网络中具有代表性的一个小路网为例，研究移动终端的出行者信息服务App对大气环境质量的影响。

在该路网中，有一段东西走向的快速路和一段城市道路，这两段路通过匝道连接，在节点H处有一两相位的信号交叉口。

☝  仿真路网示意图

（图中两点距离以标注为准。veh：机动车）

假设在快速路的C点处因交通事件关闭一条车道（3车道变成2车道），使得该路段通行能力下降，进而导致交通拥堵。当拥堵达到一定程度时，该路况将会通过移动终端的出行者信息服务App及时发布给出行者。

出行者将根据自身经验、偏好及其他因素，决定是否沿着当前道路继续前行（B→C→D→E，简称Route2），或者通过出口匝道离开快速路在城市道路行驶一段距离后再从下一个入口处进入快速路（B→G→H→I→D→E，简称Route1）。

出行者的决定将影响路网的交通和排放。可基于多方法建模构建综合模型估算其环境效益。

构建出行者行为模型

智能体模型（agent-based model，ABM）是通过对单个智能体的行为及其之间的交互关系来描述复杂系统的行为。我们将基于此模型分析出行者行为和道路运行情况的关系。在出行者的ABM中，其行驶的路径默认为快速路（Route2）。

☝  智能体模型结构图

当快速路前方出现拥堵时，出行者智能体将通过App来获取道路状况，然后根据出行时间长短选择路径。

对于比较注重出行时间的出行者往往会选择Route1；而部分出行者出于舒适度和习惯等因素的考虑，会选择沿着当前的快速路继续前行。

但是随着快速路的拥堵程度的增加，将会有越来越多的出行者采纳App发布的交通信息，并提前从出口匝道离开快速路。

构建交通仿真模型

在AnyLogic 7.3版本中，新增了道路交通库（road traffic library），该库可用于创建专业的交通仿真模型。

这里我们使用道路交通库中的行为模块搭建交通流流程图，即从道路交通库中拖动模块到工作空间中并设置属性，然后按照活动发生的时间顺序将多个模块依次连接。在模型运行时，机动车在规定的环境中运动，并按照模拟的物理规则移动。

根据仿真路网中的流量输入参数设置快速路和城市道路起点的输入流量，并将出行者按照出行线路分配到具体的交通网络中。

☝  机动车活动定义

交通状况信息会随道路状态的变化而自动更新，并通过移动终端App发布给出行者。最后，通过交通模型的模拟，获得交通网络的宏观数据以及微观数据，并以此为基础对其环境效益进行评估。

其中，宏观数据包括路段流量、平均速度等；微观数据主要包括每个时刻每辆车的加速度、速度等。根据需要，还可输出道路平均密度、行驶距离等统计数据。

构建尾气排放模型

使用MOVES构建微观尺度的机动车污染物排放估算模型，对出行者信息服务App的环境效益进行评估。

☝  MOVES模型计算流程

微观参数的概况如下表所示：

☝  仿真区域的参数汇总

App 效益评估

通过移动终端的App获取实时交通信息，有助于出行者动态调整其出行路径。因此，快速路段和城市道路中的车辆平均速度和平均密度成周期性波动，如图中的（a）和（b）所示。

☝（a）不同路段的平均速度

☝（b）不同路段的密度

其中，当快速路的路况较好时（阶段1），后续的出行者将继续沿Route2前行。随着车辆的不断到达，Route2上的车流平均密度不断增加，拥堵蔓延。

当交通拥堵导致Route2和Route1的时间比值大于出行者的忍耐阈值时，即快速路的路况较差时（阶段2），后续的出行者将优先选择Route1，Route1上的车辆平均密度不断上升。

另外，由于选择Route1的车辆数不多，Route1的密度上升一定幅度后就维持稳定，其道路的通行速度波动不大，且能够保持通畅，而Route2的拥堵状况却得以渐渐缓解，其通行速度逐渐恢复。

当两个路径的出行时间相当时，后续出行者中的大部分又将选择Route 2，进而呈现周期性的变化趋势。

在无出行信息诱导的情况下，车辆无法及时通过C点，导致路段的拥堵程度加剧，车辆排队长度也逐渐增加，由A点到D点的平均出行时间为461s。

而有出行信息诱导的情况下，所有出行者在交通拥堵上浪费的时间大幅减少，A、D两点之间的平均出行时间为373s，降低了19.1%。

仿真结果表明出行者信息服务App可通过在瓶颈前分流部分车流到其他路段提高整个网络的交通效益。

App的使用可以达到节能减排的效果，在能源消耗方面，在App诱导的情况下，整个系统能耗降低了29.5%；在机动车主要污染物方面，NO_X减排23.6%，而PM_2.5的减排效果更佳，减排率为30.4%。

App 使用率对环境效益的影响

针对不同App使用率对环境效益的影响所进行的仿真实验结果表明，随着App使用率的提高，当快速路发生拥堵时，将会有越来越多的驾驶员选择Route1。

☝  App使用率和驾驶员的路径选择的关系

而当使用率约为95%时，选择两条路径的比值约为1。这主要是因为部分驾驶员的忍耐阈值较高或其他自身原因不愿轻易变更路径。

然而，环境效益与使用率关系曲线呈U型，也就是说App使用率过低和过高，其环境效益都不是最佳。

☝  App使用率和机动车的CO₂排放量的关系

在App使用率约为30%的情况下，会有10%左右的车辆在Route2较拥堵时选择Route1，而这部分出行者更换路径的行为将大大提升整个系统的环境效益。以CO₂为例，整个交通网络的排放量可从4923kg/h降至3472kg/h，减排率高达29%。

基于多方法技术建立的综合仿真评价模型可以有效地在系统层面评估移动终端App等技术的推广对城市交通和城市大气环境质量的影响，为城市交通运营和管理提供技术支持。

参考资料

Wenke Huang,Mingwei Hu. Estimation of the Impact of Traveler Information Apps on Urban Air Quality Improvement[J]. Engineering, 2018, 4(2): 224-229.

点击页末“阅读原文”可免费获取全文

点击图片阅读丨智能交通必争：高精度导航地图

点击图片阅读丨我们的城市是否可能永续存在？

「中国工程院院刊」志愿者招募中

改编写作、案例分享、翻译、公众号编辑

感兴趣请联系[e-mail]