面向排放测算的随机性对跟驰模型车队稳定性的影响研究

在基于微观交通仿真模型进行交通能耗排放评估时,跟驰模型生成的车辆轨迹无法代表实际交通环境的驾驶特性,从而导致显著的排放测算误差,同时车辆排放在车队中的稳定性未被充分考虑。本文基于真实的车队轨迹比较了Gipps跟驰模型、全速差模型(FVDM)、智能驾驶员模型(IDM)和Wiedemann模型的面向排放测算的车队稳定性,分析了参数敏感性和随机性对跟驰模型的影响,提出了考虑随机参数的Gipps跟驰模型。结果表明,与Wiedemann模型相比,FVD模型和IDM模型在排放测算方面的误差较小,并且上述三个模型的排放测算误差沿车队是稳定的。Gipps模型能够真实地刻画车队中第一辆跟驰车的车辆动力学,但排放测算误差沿车队逐渐增大。参数敏感性分析表明模型参数标定难以提高Gipps模型的车队稳定性。结合随机参数对Gipps跟驰模型进行优化后,加速度分布均方根误差、VSP分布均方根误差和排放因子相对误差分别降低了5.00%、2.52%和11.04%,车队误差的标准差分别为0.18%、0.08%和0.86%,这表明随机参数能够提高Gipps跟驰模型面向排放测算的车队稳定性,提升仿真轨迹用于车辆能耗排放评估的准确性。

面向交通排放测算的跟驰模型优化方法

为了消除跟驰模型用于交通排放测算产生的系统误差,提高微观交通仿真模型与交通排放模型融合应用于交通排放测算的准确性,引入衡量加速度变化率的参数急动度(jerk),提出一种考虑jerk分布特征的Wiedemann跟驰模型优化方法。通过对实际轨迹数据与车辆跟驰数据的拟合分析,建立各加速度区间下的jerk分布,并增设jerk约束对交通仿真模型生成轨迹进行优化。以北京市出租车轨迹数据和跟驰数据为例,测算结果表明:Wiedemann模型优化后,不同速度区间的车辆比功率(Vehicle Specific Power,VSP)分布误差平均降低1.2%,CO_(2),CO,THC,NOX等4种排放物的排放因子平均误差分别降低了16.9%,118.3%,27.0%,20.5%,表明该优化方法能够有效改善原模型中不真实的加速度,降低排放测算误差。