摘要
随着计算机技术的发展，自动驾驶车辆逐渐成为交通运输系统中的一个重要角色，自动驾驶与传统驾驶车辆混行将是未来较为常见的交通形态。本文通过VISSIM与SSAM仿真软件搭建了高速公路混行的仿真环境，运用交通冲突技术（TrafficConflictTechnology，TCT）对混行这一特殊交通环境的交通冲突风险机理进行分析，并结合导出的冲突轨迹数据构建了混行交通冲突预测模型。通过分析混行交通冲突发生的机理建立了混行交通冲突辨识模型和混行碰撞事故风险模型，并对在不同自动驾驶车辆占比情况下的碰撞事故风险进行了定量计算。具体研究内容如下： （1）首先通过对比国内外自动驾驶车辆微观驾驶特性的研究，选取驾驶反应时间、临界安全距离和驾驶随机性作为指标，定性结合定量计算对比了传统驾驶车辆与L1～L5自动驾驶车辆之间微观驾驶特性的差异。然后基于理想状况下的假设和CoEXist项目的研究成果，在VISSIM中实现了高速公路混行场景的搭建。最后选取了交通量与车头时距分布对建立的模型进行了有效性检验。 （2）仿真冲突分析软件SSAM用以计算VISSIM中的轨迹数据从而得到仿真时段的交通冲突数据。选取换道次数、混行交通量、自动驾驶车辆占比和期望速度4项参数，分别建立与交通冲突数量之间的关系模型。结果表明：交通冲突数量与换道次数、混行交通量、期望速度基本上呈现一定的线性正相关，而交通冲突总数会随着自动驾驶车辆占比的上升呈现先上升后下降的趋势，自动驾驶车辆占比为20%～30%时冲突数量取极大值。其中冲突总数与换道次数的关系在4项参数中的线性拟合程度最高。 （3）基于BP神经网络建立了高速公路混行交通冲突预测模型。换道次数、混行交通量、自动驾驶车辆占比和期望速度4个非线性指标作为模型的输入，交通冲突数为输出。筛选了640组数据作为训练样本，10组数据作为测试样本。通过验证，冲突总数、追尾冲突数和换道冲突数由BP神经网络预测结果的相对误差Ei基本小于30%，决定系数R2分别为96.069%，92.363%，93.025%，表明建立的BP神经网络预测模型性能良好，能够较好地预测高速公路混行条件下的交通冲突。 （4）根据高速公路中车辆的跟驰和换道行为分别建立了混行交通冲突辨识模型、混行碰撞事故概率模型、冲突严重程度模型及路段混行碰撞事故风险模型。通过仿真实例，分别计算在不同自动驾驶车辆占比下的路段整体碰撞事故风险。结果表明：在相同TTC条件下，自动驾驶车辆发生碰撞事故的概率要远小于传统车辆；路段整体事故风险呈先上升后下降的趋势；AV占比为20%～30%时，混行碰撞事故总风险取极大值。
NETL