2025, Vol. 42扩展功能
文章信息
- 苏子诚, 王庞伟, 谢东繁, 俞灏, 陈希, 李宏海.
- SU Zicheng, WANG Pangwei, XIE Dongfan, YU Hao, CHEN Xi, LI Honghai
- 智慧公路发展与研究大综述(2025): 交通控制关键技术
- Comprehensive review on smart highway evolution and research 2025: Technologies for smart highway traffic control
- 公路交通科技, 2025, 42(10): 55-70
- Journal of Highway and Transportation Research and Denelopment, 2025, 42(10): 55-70
- 10.3969/j.issn.1002-0268.2025.10.003
-
文章历史
- 收稿日期: 2025-06-30
引用本文 |
2. 北方工业大学 电气与控制工程学院, 北京 100144;
3. 北京交通大学 系统科学学院, 北京 100044;
4. 东南大学 交通学院, 江苏 南京 211102;
5. 上海市城市建设设计研究总院(集团)有限公司, 上海 200125;
6. 交通运输部公路科学研究院, 北京 100088
2. School of Electrical and Control Engineering, North China University of Technology, Beijing 100144, China;
3. School of Systems Science, Beijing Jiaotong University, Beijing 100044, China;
4. School of Transportation, Southeast University, Nanjing, Jiangsu 211102, China;
5. Shanghai Urban Construction Design & Research Institute (Group) Co., Ltd., Shanghai 200125, China;
6. Research Institute of Highway, Ministry of Transport, Beijing 100088, China
随着中国公路路网规模持续扩大，交通运输和通行效率得到了显著提升，为经济社会发展提供了重要的基础支撑。截至2024年底，全国公路总里程已突破549万km，高速公路通车里程达19.07万km，形成了覆盖城乡、联通全国的现代化公路网络。这一庞大的交通基础设施网络不仅促进了人员和货物的高效流动，更为物流、旅游、商贸等相关产业提供了发展平台，对国民经济增长做出了重要贡献。然而，在快速发展的同时，公路交通系统也面临着日益严峻的挑战，包括交通拥堵加剧、交通事故频发、环境污染加重等问题，这些问题已成为制约公路交通可持续发展的瓶颈。
传统的智能交通控制系统主要包含6大核心模块：交通信号控制系统、交通监控与感知系统、智能调度系统、智能停车系统、交通安全管理系统以及数据分析与决策支持系统。这些系统通过信息采集、数据处理和指令执行3个关键环节，实现对交通流的监测、分析和调控。其中，交通信号控制系统通过优化配时方案提高交叉口通行能力；交通监控与感知系统利用视频检测、雷达探测等技术实时掌握交通运行状态；智能调度系统则通过动态路径诱导均衡路网负荷。然而，随着交通需求的快速增长和车辆保有量的持续攀升，这些传统系统在应对复杂交通问题时已显现出一定的局限性。
针对公路系统的运行特性，其交通控制需要重点关注3个关键环节：匝道控制、主线控制和特殊路段控制。匝道控制通过调节车辆进入高速公路的速率，防止主线交通流超过通行能力；主线控制则利用可变限速、车道控制等手段维持最佳交通流状态；特殊路段控制主要针对隧道、桥梁、山区公路等特殊地形区域实施差异化管控。这些控制方式的协同优化，不仅能有效缓解交通拥堵、提升通行效率，还能显著降低交通事故发生率，是实现公路交通可持续发展的重要技术路径。未来，随着车路协同、自动驾驶等新技术的推广应用，公路交通控制系统将迎来新一轮的智能化升级。
1 匝道交通控制匝道交通控制是根据交通状态，通过对城市路网中的匝道进行控制，从而达到缓解主线交通拥堵、最小化总体时间等目的的方式。公路路网上，车辆通过进出口匝道进出主路段，匝道控制已经被证明是缓解交通拥堵、提高道路利用率的有效方式。现有匝道控制方式主要包括定时调节控制、感应调节控制和自适应调节控制。
1.1 定时调节控制定时控制是指预先设置一个入口调节率，在某一段运行时间是固定不变的，这种控制方式是通过对该路段历史情况的调查，掌握交通流的情况，把1 d分为若干个时段，假定每个时段内交通流状况近似不变并以此作为依据来确定每个时段内单个匝道不变的入口调节率，通常使用匝道信号灯来控制匝道车辆的驶入。
匝道信号灯一般采用单点信号控制，使用红绿两色信号灯进行控制。在确定整个信号控制周期后，根据道路车流组成、单位时间内通过道路的主路及辅路车流量，来确定信号周期的绿灯时间，而红灯时长则为周期剩余时间[1]。这种匝道控制方式模型计算较为方便，成本较低，但只适用于交通流稳定的路段，当交通流有较大波动时，无法得到较好的控制效果，不能适应交通流的随机变化。Wattleworth[2]在1965年提出匝道定时控制方法，该控制方法算法简单，不需建立数学模型，通过统计路段历史交通流的情况来确定入口调节率。Iida[3]和Yang[4]从系统最优、用户均衡这2个方面对系统进行优化，提出了定时控制数学模型。谭先林[5]通过运用概率论及随机服务系统理论，对高速公路匝道定时控制进行了分析，推导得出了交通效益指标(停车率和延误)的理论计算公式及定时控制周期的计算公式，并根据此公式提出了匝道定时控制的具体适用条件。
1.2 感应调节控制由于定时调节是根据对以往交通状况的大量观测来预先设定的控制手段，因此其带有一定的经验性，当交通状况发生明显变化的时候便不能再适应新的环境。而感应调节可以在一定程度上弥补定时调节的不足，其优势是根据实时检测的交通量来确定匝道的调节率，通过流量、速度、密度三者的关系确定道路的运行状况，动态调节匝道口的交通量，能较好地适应交通流的随机变化，减少出入口处的交通拥堵，提高通行效率[6]。感应调节控制类别如表 1所示。
| 类别 | 名称 | 核心机制与思想 | 主要目标 | 文献 |
| 系统协调与经典控制 | 统一自适应感应控制 | 从单点控制出发，发展干线协调与区域管理 | 实现区域级的交通协调，并能估计未知的系统变量 | [7] |
| 需求-容量控制模型 | 控制匝道汇入量，确保“上游交通量+ 匝道汇入量”的总和小于下游路段的通行能力 | 防止主路交通流因超负荷而崩溃 | [8] | |
| SWARM | 基于反馈控制，对交通状态进行预测和调节 | 对于准确预测交通状态具有较强的应用性 | [14] | |
| HELPER | 在反馈控制基础上，增加了中央系统的协调功能 | 实现对整个路段的合作协调控制 | [15] | |
| ALINEA系列 | ALINEA (基础) | 通过调整匝道准入率，使下游主路断面的实时占有率维持在最优值 | 在匝道局部区域稳定主路交通流 | [9] |
| AD-ALINEA | 引入天气因素，调整对占有率的判断 | 提升算法在不同天气状况下的适应性和效率 | [10] | |
| FL/UP-ALINEA | 使用下游(FL)或上游(UP)的备用检测器数据 | 某一方向上检测器不可用时能互为补充.增强系统鲁棒性 | [11] | |
| X-ALINEA | 额外考虑匝道排队长度，避免队列溢出 | 解决匝道排队过长导致的交叉口拥堵问题 | [12] | |
| METALINEA | 整体协调控制，综合考虑高速公路上所有断面的占有率信息 | 将ALINEA从局部控制扩展为网络层面的协调控制，提高整体性。 | [13] | |
| 智能计算控制方法 | 神经网络控制 | 利用神经网络强大的自主学习和非线性拟合能力，根据交通数据进行决策 | 无需建立精确的数学模型，能有效处理复杂的非线性交通系统 | [16] |
| 模糊控制 | 基于模糊逻辑和专家规则，将人的经验转化为控制策略，不依赖精确模型 | 在交通数据不精确或模型难以建立时进行有效控制 | [17-19] |
1.3 自适应调节控制
自适应调节控制是一种通过实时监控和分析交通状况，自动调节高速公路或城市快速路匝道出入口交通信号灯时长，以及控制车辆进入主干道的速度与间隔的智能交通管理技术。该方式融合了模型预测控制、深度强化学习、模糊神经网络等多种技术，实现对匝道流量的动态调节，以优化交通流量，减少拥堵，并提高道路安全性。
(1) 模型预测控制(MPC)可以根据当前的状态控制量来预测未来一段时间的控制输出量，能够有效地帮助入口匝道控制系统适应不同的交通流场景。Van De Weg[20]研究在可变限速与匝道集成控制的情况下，通过参数化控制策略来实现优化限速区域的上游和下游边界及ALINEA匝道计量策略的参数，以达到减少MPC策略的计算时间的目的。邹祥莉[21]将各匝道内排队车辆数和剩余车辆数作为参数建立上层主线关联多匝道的协同控制模型，结合下层子系统的MPC策略，提出了一种基于分层递阶结构和S模型预测控制的快速路多匝道协同控制模型。张茂帅[22]结合MPC和无模型自适应控制(MFAC)的优点，提出无模型自适应预测控制(MFAPC)，同时将迭代学习控制(ILC)的前馈控制引入MFAPC的反馈控制中，利用ILC控制器补偿含重复扰动系统以实现完全跟踪。
(2) 深度强化学习的出现让控制模型走向普适化，通过不断学习进行迭代和反馈，来使得模型能够更广泛地运用和更加的稳定可靠。丁鸿志[23]结合深度强化学习理论中的DDPG算法，基于匝道控制理论，将匝道信号控制模型中的动作向量输入参数确定为匝道调节率和匝道控制信号周期，建立了基于深度强化学习的入口匝道信号控制模型。蔺庆海[24]基于车辆身份检测(AVI)数据，从中提取全量的OD信息，并结合深度强化学习算法，综合考虑入口匝道的上游瓶颈路段和下游瓶颈路段，提出了基于车辆身份检测数据的城市快速路匝道协调控制方法。章立辉[25]基于深度强化学习中的竞争结构深度双Q网络(Dueling-DDQN)，采用多交通流场景混合训练随交通流的变化而动态调整的自适应匝道控制模型，提出了一种平衡主线和匝道交通运行的强化学习匝道控制(DRLARM)模型。
(3) 模糊神经网络能够建立模糊系统模型，同时具有神经网络的结构，从而快速地将输入输出关系按指定的要求进行收敛。张伟 [26]综合遗传算法、模糊算法和神经网络，将其运用于入口匝道控制模型中，同时引入内部反馈连接的递归环节，建立了动态模糊神经网络匝道控制模型。唐进君[27]基于模拟退火遗传算法(Simulated Annealing aided Genetic Algorithm, SAGA)，使用加点策略的克里金代理模型辅助SAGA算法寻找最优参数，提出了能够根据实时数据自适应调节模糊控制器的二型模糊控制方法。
1.4 匝道交通控制未来展望入口匝道控制作为环节城市快速路交通拥堵和提升路网运行效率的重要手段[28-29]，在城市快速路交通管理中扮演着至关重要的角色，其控制算法逐渐从局部优化向全局最优发展，控制对象也从交通流逐渐转向微观车辆[30-32]。现有的入口匝道控制算法还存在诸多不足，例如当前常用的ALINEA匝道控制[33]，其控制方法能够将主线的平均运行速度和交通量有效提升，但不能保证匝道交通运行状态，当交通系统的状态发生变化时难以保证其控制效果，不能满足交通流实时变化的需求，难以应对实时变化的交通状况。
在匝道控制器的设计方面，传统的方法是将高速公路流模型从非线性偏微分方程简化成线性差分方程[34-35]，但这会使控制的性能受到影响，因此近年来的研究开始利用模糊控制[36]等方法来设计智能控制器。然而这种模糊控制不能很好地建模个体间的不确定性，在计算个体适应度方面也有所不足。
在匝道控制结构方面，由于原有的交通控制模型难以适应快速路上的突发事件，因此有必要实时监测快速路上的突发事件，并在事件发生时对控制模型进行及时适当的调整，使控制模型能够进行自适应调整，从而产生了高速公路交通多层分散控制系统，这种结构利用分解和协调的设计原则，通过有限差分交通流模型，结合模糊控制等技术，实现对高速公路多路段的协调控制[37-38]。通过进一步的研究能够提升路网控制算法的可靠性，对交通状态实时收集，将控制算法及时进行调整，并将调整过后的交通状态进行反馈，实现交通管控决策的实时控制。此外，还可以引入神经网络进行在线学习，对路网进一步地控制和预测。
未来的入口匝道控制将更加注重智能化、协同化、精确化的高效发展，通过推进智能交通的数字化、网联化和自动化的变革，实现交通管理的全面智能化，提高交通系统的效率，保障交通系统的安全。
2 主线交通控制主线交通控制指的是动态调控主线车道通行状态优化交通流。主线交通控制根据主线流量、速度和密度数据，通过干预主线车道车速与通行规则，实现对主线全车道路段的车流稳定性优化，使路网运行效率最高[39]。主线交通上车速较快、车流量较多，因此本身具有较大的安全隐患，主线的交通控制对于保障主线交通安全、提升通行效率和应对交通拥堵十分关键[40]，主要控制的方式为可变限速控制、动态路肩以及合并车道等交通管理形式。
2.1 可变限速控制可变限速(Variable Speed Limit, VSL)是指通过在高速公路路段上以一定间隔设置可变限速标志，引导司机驾驶速度均匀变化，从而帮助消除或延迟道路瓶颈，并降低追尾、侧滑和其他碰撞的可能性。可变限速系统利用平均速度、占有率、交通量、天气和路面状况等信息来实时决策驾驶员在当前道路和交通状况下应当行驶的最佳速度，达到协调速度差异和稳定交通流的目的[41]。
早期的可变限速控制主要基于规则的逻辑。当路段上的流量或密度超过某个预先设定的阈值，或者平均速度低于某个阈值时，将激活同样预先设定的限速方案[42]。常用的观测变量包括流率和密度的标准差[43]。
基于规则的策略为被动策略，无法利用交通预测信息，因此具有一定的局限性，难以进行实时控制。部分学者提出了基于反馈控制的可变限速控制方法，如Spiliopoulou[44]使用积分控制器，基于观测的流率值，实时调整拥堵路段的限速以控制拥堵路段的密度；Iordanidou[45]进一步考虑了主线上多瓶颈场景下的反馈控制方法，案例分析表明反馈控制可达到和最优控制几乎相同的控制水平，且在计算效率上显著优于最优控制。也有学者通过预测控制提高可变限速控制系统的实时响应能力。Hegyi[46]基于模型预测控制方法，以总行程时间最短为目标，提出了优化高速公路交通的可变限速的策略。Khondaker[47]将可变限速策略应用于车联网环境中，通过制订了多目标优化函数，使用模型预测控制方法，建立了一种可变限速控制算法。
随着机器学习等技术的普及，有学者将强化学习等应用于传统交通控制方法中，Li[48]将强化学习技术纳入可变限速控制策略，提出了一种基于Q学习的可变限速控制策略, 将所提出策略的效果与基于反馈的可变限速策略的效果进行了比较。结果表明，所提出的策略在稳定需求场景下和需求波动场景下均具有更好的效果。Wang[49]基于强化学习算法，提出了一种集中式交通控制系统，可以协调高速公路上的多个可变限速和匝道控制方案，使用双层结构来同步不同的交通控制器，同时考虑了车辆的等待时间、不同路段的平均速度及入口匝道排队限制，以改善交通流动性，且提出的系统具有节省资源的优势，可以处理中等规模的高速公路交通。
2.2 动态路肩动态路肩(Part-time Shoulder Use, PTSU)是指在交通高峰期通过临时开放高速公路的路肩，增加道路通行能力，从而缓解道路拥堵[50]。
在实际应用效果方面，Coffey[51]对美国宾夕法尼亚州476号洲际公路上的动态路肩场景进行了分析，对比了常规PTSU车道、客车专用PTSU车道、货车专用PTSU车道等管理方式的应用效果。研究发现在各种设计下，PTSU车道均可减少车辆在该路段上的旅行时间，且可以提供更稳定的交通密度。同时，该研究者对应用动态路肩的安全性也进行了分析，主要考察了冲突数量和冲突变成碰撞的时间(Time-to-collision, TTC)。在美国I-476号公路的动态路肩场景上的仿真分析表明，设置了PTSU车道后，TTC有所降低，反映了安全性的降低；但是潜在的冲突数量同样显著降低，一定程度上抵消了TTC降低的影响。通过设计合理的管控手段，动态路肩可在保证安全的条件下，提高道路的通行效率[52]。
2.3 合乘车道合乘(High Occupancy Vehicle, HOV)车道是专供承载至少2人的车辆通行的车道[53]，其最早在20世纪60年代末出现于美国，初期的应用形式为公交专用道。1969年美国在495号公路上设置了长为4 km的公交专用道，利用车道上的交通标志在早高峰期间实现公交专用的功能[54]。到80年代，美国联邦公路管理局逐渐从系统的角度，在地区范围内建设HOV车道网络。至2019年，美国的HOV车道总里程已达2 000 km以上。
HOV车道为多乘员车辆提供了更高效的服务，然而需要占用部分道路空间资源，因此有较多研究对HOV车道在交通管理方面的有效性进行了分析。Dahlgren[55]研究表明设置HOV车道后能否激励出行者选择拼车等方式，主要取决于HOV车道和普通车道的行驶时间差。在初始延误和多乘员车辆比例满足一定条件，能够达到足够的行驶时间差时，出行者会倾向于选择拼车出行；Menendez[56]分析了HOV车道对于相邻的普通车道的影响，仿真结果表明在公路的瓶颈路段，HOV车道对普通车道通行能力的影响十分有限；Daganzo[57]在此研究的基础上，发现若高速公路的一条普通车道转换为HOV车道而流量保持不变，则瓶颈期交通流密度会有所减小，但是会延长排队距离；Shewmake[58]分别利用四步模型、离散选择模型、成本最小化模型建模了出行选择行为，并评估了各模型下HOV车道的应用效果。在多个城市的案例分析表明，不同出行选择行为模型下HOV车道的应用效果存在差异，如在四步模型的假设下HOV车道可降低燃料消耗、减少出行时间；然而在成本最小化模型下，设置HOV不一定会节省成本。邓社军[59]以南京市的2条路段作为研究对象，使用仿真软件对设置HOV车道前后的效果进行了分析；韦怡林[60]以重庆市为例，通过仿真计算，发现通过针对性地将部分普通车道改为HOV车道可有效改善道路运行情况。
2.4 主线交通控制未来展望随着智能交通系统的发展，可变限速控制、动态路肩和合乘车道等交通管理方式将在更加复杂的环境中发挥重要作用。
(1) 协同控制方面。当前主线交通控制通常是作为独立的子系统运行，缺乏深度、实时的协同，整体效果远未达到理论上的最优。例如，控制中心决定开放动态路肩(PTSU)，增加了道路的瞬时通行能力，但可能并未与可变限速系统(VSL)进行联动[61]。这导致大量车流涌入后，在下游瓶颈处因为没有提前的速度协调而迅速形成新的拥堵，仅仅是“将拥堵点向下游推移”。因此未来主线交通控制的一个趋势是协同运作，根据交通状况，运用人工智能和大数据的方法得到多种主线交通控制的最优决策，。
(2) 相关概念的演进。未来自动驾驶汽车(AVs)的普及可能会影响控制措施的应用逻辑[62]，比如HOV车道的准入资格可能不再仅仅是“人数”，而会扩展到“效率”，即占用最少的交通资源实现最大的交通收益。例如，一个由3辆单人自动驾驶汽车组成的紧凑型车队，其空间利用效率可能远高于3辆松散行驶的人类驾驶汽车。系统可能会允许这样的高效车队进入HOV车道，使得车道管理策略更加科学和务实。
当前，主线交通控制的研究正朝着更加精细化、协同化和智能化的方向发展，借助机器学习和人工智能算法及基于传统数学模型的控制[63]，这些管理策略可以通过实时分析大量交通数据，动态优化决策，提高对交通流量的预测精度和对潜在拥堵的响应速度。而在智能网联技术的支持下，不同管理方式之间能够实现更加高效的协同，提升整体交通系统的智能化和自动化水平，进一步减少拥堵、降低事故发生率，提高道路的通行效率。
3 特殊路段交通控制 3.1 施工区交通控制在快速城市化和机动车数量增长的双重影响下，全球公路建设、维护和修复工作量大幅上升。通常情况下，公路改扩建及维修养护项目的施工过程中会尽量避免中断交通，以确保施工顺利进行和交通的流畅。占道施工会降低道路的有效容量，迫使驾驶员在应对修改后的道路配置时频繁进行不安全的驾驶操作，如频繁换道、减速和加速。这些行为不仅增加了事故发生的概率，还可能导致交通拥堵和延误，进而影响整个交通网络的效率。国内外学者已对公路施工路段的交通控制措施进行了深入研究。
(1) 施工区交通特性。施工区一般由警告区、过渡区、工作区、缓冲区和终止区组成。不同区域的交通流运行参数和风险特征呈现不同变化情况。通常情况下，从上游正常路段至警告区再至工作区的道路通行能力逐渐降低，且车辆换道位置集中分布在警告区末端及过渡区前端。不少研究人员也根据交通特性对城市道路施工区交通流进行微观仿真，如社会力模型[64]等。通过微观仿真结果可以对施工区交通组织方案的制订提供科学依据[65]。
(2) 速度控制和信号控制措施。合理的施工区速度限制措施，对降低路段上车辆行驶时的安全风险具有重要意义[66]。为保证车辆安全、高效地通过施工路段，吕路[67]分析了施工区上下游不同断面的交通流参数，建立了施工区变间距梯级限速方案。为保证道路容量，不少研究人员已经开发了各种可变限速(VSL)控制方法来缓解道路拥堵。Du[68]针对施工作业区提出了基于非线性交通流模型和离散时间滑动模型控制的可变限速策略，实现在不同的交通需求和控制场景下持续提高交通安全。Yang[69]提出信号控制模型可以有效减少交叉口处施工区的排队长度和交通延误。从交通效率来看，当交通密度中等时，交通信号灯能有效缓解施工区的交通拥堵；当交通密度较小时，施工区不需要交通信号灯[70]。
(3) 智能交通系统(ITS)的应用。ITS能实现实时交通信息发布，辅助交通管理决策。通过可变消息标志(VMS)向驾驶员提供施工区的实时信息，比如交通状况、速度限制和绕行建议。Hou[71]使用VMS开发了动态VSL控件，根据不断变化的交通状况动态更改VSL消息的位置。智能公路系统下，研究人员从人、车、路角度提出了自动测速执法、施工区入侵警报、工人跟踪、动态车道合并等系统来保障施工区的安全[72]。
(4) 施工区车辆行为决策。由于车辆在施工区面临强制性换道的冲突，车道封闭的施工区域往往成为一个显著的交通瓶颈。随着网联汽车(CV)、网联自动驾驶汽车(CAV)的发展，车辆可以通过车对车(V2V)或车对基础设施网络(V2I)进行实时通信。Cao[73]利用CV技术的优势，提出了一种基于网格化排序和调节纵向位置模型的协同控制策略，在施工区上游设计最优合并轨迹。协作延迟合并系统(CLMS)除了能提供换道辅助外，还能够使用V2V通信减少车辆间距并同步车速[74]。
3.2 隧道交通控制隧道的封闭环境、复杂地形及突发事故的高风险性使得隧道交通控制成为一个关键研究领域。特别是在超长隧道和隧道群的情况下，隧道内外部的交通状况、车辆行为和交通流特性更加复杂。因此，如何有效地控制和管理隧道交通，以提高行车安全和交通效率，已成为交通管理研究的重点[75-76]。当前的研究主要集中在以下几个方面。
(1) 隧道交通流控制策略的优化。Liu[77]研究发现基于隧道控制单元的智能交通控制策略可以有效提升交通速度并减少延误时间。在事故和拥堵情况下，控制单元的划分和交通流控策略的决策过程尤为重要。Ma[78]从降低隧道段事故率的角度出发，提出了隧道出入口的变速控制方案，利用遗传算法优化控制函数，显著改善了运行速度的分散性。
(2) 隧道中的车辆行为分析与模拟。Shang[79]通过研究发现隧道中的车辆跟随行为与隧道类型密切相关，特别是在长隧道和超长隧道内，车辆的行驶稳定性显著降低，交通流的波动加剧。通过对不同隧道场景下的驾驶数据分析，研究人员开发了针对不同隧道类型的跟车模型，并通过仿真分析隧道环境对交通流稳定性的影响。
(3) 智能隧道与协同管理系统。随着隧道交通智能化的发展，韩直[80-81]提出了基于智慧公路隧道的协同管理系统，旨在实现人、车、路、环境的全息协同管控，提高隧道管理的综合水平。此外，张森[82]探讨了高速公路隧道群的交通秩序管控系统建设，提供了系统的设计思路和技术参考。
(4) 仿真技术与虚拟教学应用。仿真技术在隧道交通控制中的应用也越来越受到重视。文献[83]绍了3D仿真技术在隧道交通管控中的应用探索，而雷旭[84]提出的隧道运行环境管控虚拟仿真试验教学项目则结合了“互联网+”思想与隧道交通控制理论。
(5) 特殊交通情境下的应急控制。在山区高速公路隧道群的应急管理中，刘桂强[85]提出了基于交通控制区段和交通控制单元的协调交通控制策略，强调了在灾害事故下的联动控制原则。
尽管已有大量关于隧道交通控制的研究，但在实际应用中仍面临挑战。未来的研究可以进一步优化智能交通控制策略，结合更先进的传感器技术和数据分析方法，实现更加精准和动态的隧道交通管理。此外，智能化和协同管理系统[86]的进一步发展，将有助于应对更复杂的隧道交通环境。最后，如何在教学和实践中推广和应用这些先进的控制方法和技术，也应成为未来研究的重要方向。
3.3 特殊路段交通控制未来展望未来公路特殊路段控制将大幅受益于技术进步与智能化管理的发展。ITS的普及将极大提升特殊路段的管理效率，通过将先进的科学技术有效地综合运用于交通运输、服务控制和车辆制造中，加强了车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
自动驾驶技术的发展也将改变特殊路段的控制方式。车辆间的智能通信和自动化系统将减少人为错误，优化行车路径和速度，从而提高整体安全性和流畅性。此外，交通管理策略将趋向综合化和协同化。同时，政策层面可能会引入更严格的环境保护要求，以减少交通对生态的影响。
整体而言，未来的公路特殊路段控制将更加依赖科技创新，实现更高效、安全和环保的交通管理，迎接更复杂的交通挑战。
4 协同控制 4.1 匝道与主线协同控制匝道与主线协同控制是指将以匝道计量为主要策略的匝道控制与以可变限速控制、动态车道管理等策略为主的主线控制相结合，根据实时交通流量数据或预测交通流趋势，通过优化交通流的分布，减少车辆在进入主线时的干扰，保持整个路网的顺畅。
(1) 匝道控制与主线可变限速控制协同
当前，研究者们重点关注匝道计量与可变限速控制的协同。从协同机制上划分，主要可以分为分步式协同和同步式协同两类。在Lu[87]提出的匝道-可变限速协同控制方案中，首先确定的是可变限速的控制信号，进而根据既定的可变限速控制方案来优化匝道计量控制的具体参数[88]。而在一些研究人员[89-95]的研究中，可变限速控制方案与匝道计量控制的决策顺序则正相反。当然更多的研究还是采用了同步式协同的方案。Hegyi[89-90]通过修正经典的宏观交通流模型MetaNet，并引入匝道控制与可变限速控制，即根据当前交通流状态预测不同控制策略实施后的未来路网状态，从而选择最优路网状态对应的控制策略组合；Papageorgiou及其团队研究人员[91-93]系列研究也延续了这样的设计思路，这一系列研究提出了基于拓展MetaNet模型的MTFC算法，其中匝道控制信号由先进道路优化控制算法(Advanced Motorway Optimal Control)实现，而可变限速控制则使用基于模型预测控制(Model Prediction Control, MPC)完成；Mahajan[94]结合COSCAL v2算法架构，将匝道交通流纳入优化体系，形成全新的结合主线可变限速与匝道计量的协同控制策略，对缓解主线拥堵波效果显著；Zegeye[95]优化了交通控制策略中的参数化控制输入序列, 减轻控制器的计算负担; Todorovic[96]基于分布式模型预测控制方法实现了对主线可变限速与匝道计量控制的协同。
(2) 匝道控制与其他主线控制策略协同
针对其他主线控制与匝道控制协同的研究较为有限。如Chen[97]设计了一种基于信号控制的匝道与主线反馈式协同控制策略，旨在克服合流区匝道与主线车道数不均衡的问题；张军[98]考虑多条汇入匝道相互合流再一同汇入主线的复杂场景，提出了一种多车道高速公路车道分配与入口多匝道协同控制的算法；何廷全[99]提出了入口匝道与主线提前换道协同控制，在合流区上游提前引导车辆换入内侧车道，保障汇入车辆有足够间隙；Haj-Salem[100]提出了匝道计量与动态路径协同控制策略，并基于IDF道路网实测数据进行模拟测试；Farrag[101]基于交通仿真技术对非常态化交通拥堵场景下DHS与匝道协同控制的效果进行分析。另有部分研究进一步地提出3种及以上控制策略协同，如匝道计量-可变限速-动态路肩协同控制[102]、匝道计量-可变限速-主线车道开闭协同控制[103]等。
4.2 高快速道路与城市地面道路协同控制高快速道路与城市地面道路的协同控制是指通过协调和优化高快速道路网与城市地面道路网之间的交通流量来提高整体交通系统的效率和安全性。从研究对象上，可以将已有研究划分为宏观、中观、微观这3个层级。
(1) 高快速道路与城市地面道路宏观协同
为了解决快速增长带来的城市拥堵、交通状态恶化和潜在的社会问题，早在1962年美国芝加哥市的交通规划就引用了“一体化交通”概念，为改善城市快速出行的问题，在区域交通规划中建设快速路系统，并提出城市以扇形方式放射发展，提升城市路网与周边高快速道路的有效联系[104-105]。Zhai[106]针对快速路和城市道路组成的混合网络, 提出了一个协同控制框架。通过算法动态识别需要协同的关键区域，将快速路的匝道控制与地面道路的信号控制进行联合优化。Van Den Berg[107]构建了基于MetaNet宏观交通流模型，并结合模型预测控制方法从宏观层面描述了城市路网与高快速道路网间交通运行状态的演化规律，为精细化的协同控制研究构建了框架基础，并在后续研究中进一步凝炼出一套完整的基于模型预测控制的协同控制流程，通过数值案例验证了该宏观协同策略的有效性[108-109]；李爱增[110]通过分析影响互通立交间距的各种因素，研究城市快速路及地面道路间的交通流特性，提出快速路互通立交适宜的最小间距范围。Frejo[111]从潮汐车道控制出发，构建了一个用于分析快速道路与城市主干线的宏观动态控制模型。
(2) 高快速道路与城市地面道路中观协同
高快速道路与城市地面道路在中微观层面的协同吸引了大量研究者的关注，依托各种交通网络流模型，结合道路出行者行为特性，对各种控制方法进行效果评估、协同分析以及策略优化。Kim[112]基于元胞传输模型，提出了一个快速路与城市主干道快速协同的分布式算法，同时对快速路多匝道及城市主干道入口流量进行协同；Zhao[113]提出了一个用于缓解高速公路与地面道路衔接点拥堵问题的信号控制与地面交通组织协同控制策略；杨航[114]从博弈角度分析不同用户服从率对快速路与城市路网协同控制策略效果的影响，并再此基础上提出了有助于稳定用户服从度的模型预测控制策略。但是这些优化模型存在一个共性的问题就是模型求解难度、耗时会随着目标路网的增加而呈几何级的增加，难以真正应用于实时管控[115]。因此，部分研究者在中观协同研究中引入宏观基本图(Macroscopic Fundamental Diagram，MFD)概念，将高快速道路与城市地面道路的协同控制简化为基于MFD的路网间的交互以及基于交通网络流模型的路网内的交互[116-118]。
(3) 高快速道路与城市地面道路微观协同
为了能够更加精确地指导实际工程应用，在微观层面研究分析各种协同策略的效果是必然的导向。当研究者们从微观层面建立快速道路网与城市地面道路网的协同优化模型时候，首当其冲的问题就是模型的复杂度。为了提升优化问题的求解效率，越来越多的研究者在协同优化问题中引入多智能体强化学习技术。Han[119]利用微观仿真软件SUMO来实时刻画局部交叉口和入口匝道等区域的交通运行指标，建立了一个基于对抗强化学习的信号控制策略生成机制来提升系统整体运行效率。Hu[120]也构建了一个基于深度强化学习的匝道计量与边界控制协同优化模型，在这个研究中，作者结合了中观的元胞传输模型及微观的车辆路径选择模型来刻画训练过程中的交通运行指标。
4.3 协同控制未来展望总体而言，经过近半个多世纪的发展，公路协同控制领域已经形成了大量研究成果和工程实际经验。伴随着车路协同技术、自动驾驶技术的进一步推广落地，在车路协同环境下，车-路-环-云的耦合关系发生着本质变化，交通流运行、交通事故风险规律相较传统交通环境下存在明显差异。这些新变化对智慧公路协同控制提出了新要求。借助人工智能、多源感知、高性能计算等新技术，与时俱进提升协同控制思路和方法，提升整体交通系统的运行效率，将是未来协同控制领域研究的主要发展方向。
5 总结与展望智慧公路作为交通基础设施数字化、网络化和智能化发展的重要载体，正逐步重塑传统公路系统的运行模式。近年来，围绕匝道控制、主线控制、特殊场景控制及多层级协同控制等方面的研究不断深入，推动了交通控制从静态到动态、从单点到协同、从经验到智能的演进。定时、感应、自适应等匝道控制方法在提升交通效率和缓解拥堵方面取得显著成效；主线控制策略，如可变限速、动态路肩及合乘车道等，有效提高了道路资源利用率和运行安全性；在施工区、隧道等特殊场景下，针对性控制技术的研究也显现出良好的应用潜力；此外，匝道-主线、快速路-地面道路的协同控制探索为实现全局优化和多维协调提供了新思路。
然而，现有研究仍存在一些不足。首先，控制算法的环境适应性有待提升，面对复杂多变的交通流和外部扰动时仍缺乏足够的鲁棒性。其次，不同控制层级和方向间的协同性仍不充分，限制了整体系统效能的发挥。再次，交通参与者的微观行为建模尚不完善，难以充分反映人-车-路的动态互动特征。此外，智能化控制在实时性、可靠性与工程可部署性方面仍面临技术与算力瓶颈。
面向未来，智慧公路交通控制的发展应着力于3个方向：一是强化网联化基础设施支撑，充分利用车路协同(V2X)和多源感知数据，实现精准、实时的交通状态感知与预测；二是深化智能化控制算法研究，引入群体智能、生成式大语言模型等新型人工智能方法，以实现自主学习与动态优化；三是推动多场景、多层级协同控制框架构建，实现匝道、主线、支路及区域网络的协同决策与全局协调。此外，还需加强算法与工程实践的融合，通过仿真-测试-部署一体化验证体系，加速智能控制技术在实际道路中的落地应用。
总体而言，智慧公路交通控制技术正处于由单点智能向系统智能、由局部优化向全域协同的关键转型阶段。未来的研究应在理论创新、算法优化与工程实践之间实现良性互动，为建设高效、安全、绿色、可持续的智慧公路体系奠定坚实基础。
| [1] |
孙煦, 林坤. 北京市快速路入口匝道控制仿真研究[J]. 北京建筑大学学报, 2020, 36(3): 37-43. SUN Xu, LIN Kun. Simulation study of on-ramp control of expressway in Beijing[J]. Journal of Beijing University of Civil Engineering and Architecture, 2020, 36(3): 37-43. |
| [2] |
WATTLEWORTH J A. Peak-period analysis and control of a freeway system, No. 2-8-61-24[R]. College Station: Texas A & M University, 1965.
|
| [3] |
IIDA Y, HASEGAWA T, ASAKURA Y, et al. A formulation of on-ramp traffic control system with route guidance for urban expressway[J].
IFAC Proceedings Volumes, 1990, 23(2): 229-236.
DOI:10.1016/S1474-6670(17)52675-0 |
| [4] |
YANG H, YAGAR S, IIDA Y, et al. An algorithm for the inflow control problem on urban freeway networks with user-optimal flows[J].
Transportation Research Part B: Methodological, 1994, 28(2): 123-39.
DOI:10.1016/0191-2615(94)90021-3 |
| [5] |
谭先林, 杨佩昆. 高速干道进口匝道定时调节控制[J]. 同济大学学报, 1988(4): 465-472. TAN Xianlin, YANG Peikun. Fixed-time control for on-ramps of expressways[J]. Journal of Tongji University (Natural Science), 1988(4): 465-472. |
| [6] |
马欣荣, 姚远. 定时调节算法与感应调节算法在入口匝道控制的应用[J]. 中国西部科技, 2008, 7(7): 14-15. MA Xinrong, YAO Yuan. The respond calculate way and fixed time calculate way used on ramp control[J]. Science and Technology of West China, 2008, 7(7): 14-15. |
| [7] |
KONTORINAKI M, KARAFYLLIS I, PAPAGEORGIOU M. Local and coordinated ramp metering within the unifying framework of an adaptive control scheme[J].
Transportation Research Part A: Policy and Practice, 2019, 128: 89-113.
DOI:10.1016/j.tra.2019.07.009 |
| [8] |
MASHER D P, ROSS D W, WONG P J, et al. Guidelines for design and operation of ramp control systems[D]. Stanford: Stanford Research Institute, 1975.
|
| [9] |
HADJ-SALEM H, BLOSSEVILLE J M, PAPAGEORGIOU M. ALINEA: A local feedback control law for on ramp metering: A real-life study[C]//Proceedings of Third International Conference on Road Traffic Control. London: IET, 1990.
|
| [10] |
SMARAGDIS E, PAPAGEORGIOU M. Series of new local ramp metering strategies: Emmanouil Smaragdis and Markos Papageorgiou[J].
Journal of the Transportation Research Board, 2003, 1856(1): 74-86.
DOI:10.3141/1856-08 |
| [11] |
PAPAGEORGIOU M, BLOSSEVILLE J M, HADJ-SALEM H, et al. Modeling and real-time control of traffic flow on the southern part of Boulevard Peripherique in Paris: Part Ⅱ: Coordinated on-ramp metering[J].
Transportation Research, 1990, 24(5): 361-370.
DOI:10.1016/0191-2607(90)90048-B |
| [12] |
任黎立. 高速道路入口匝道控制方法综述[J]. 交通标准化, 2006(5): 146-149. REN Lili. Summarization on ramp controlling of expressway[J]. Transportation Standardization, 2006(5): 146-149. |
| [13] |
乔彦甫, 赵斌, 方传武, 等. 基于ALINEA算法的城市快速路匝道控制方法[J]. 西南交通大学学报, 2017, 52(5): 1001-1007. QIAO Yanfu, ZHAO Bin, FANG Chuanwu, et al. Study of ramp control method for urban expressways using improvised ALINEA algorithm[J]. Journal of Southwest Jiaotong University, 2017, 52(5): 1001-1007. |
| [14] |
PAESANI G F. System wide adaptive ramp metering in Southern California[C]// ITS America 7th Annual Meeting. Washington, D.C. : ITS America, 1997.
|
| [15] |
LIPP L E, CORCORAN L J, HICKMAN G A. Benefits of central computer control for the denver ramp metering system[J].
Journal of Transportation Research Board, 1991(1320): 3-6.
|
| [16] |
ZHANG H M, RITCHIE S G. Freeway ramp metering using artificial neural networks[J].
Transportation Research Part C: Emerging Technologies, 1997, 5(5): 273-286.
DOI:10.1016/S0968-090X(97)00019-3 |
| [17] |
CHEN L L, MAY A D, AUSLANDER D M. Freeway ramp control using fuzzy set theory for inexact reasoning[J].
Transportation Research Part A: General, 1990, 24(1): 15-25.
DOI:10.1016/0191-2607(90)90067-G |
| [18] |
TAYLOR C, MELDRUM D, JACOBSON L. Fuzzy ramp metering: Design over-view and simulation results[J].
Transportation Research Record, 1998, 1634(1): 10-18.
DOI:10.3141/1634-02 |
| [19] |
林昱辰, 王嘉文, 邹林志, 等. 城市快速路入口匝道控制方法综述[J]. 物流技术, 2021, 40(6): 63-67. LIN Yuchen, WANG Jiawen, ZOU Linzhi, et al. Review on methods of ramp entry control for urban fast roads[J]. Logistics Technology, 2021, 40(6): 63-67. |
| [20] |
VAN DE WEG G S, HEGYI A, HOOGENDOORN S P, et al. Efficient freeway MPC by parameterization of ALINEA and a speed-limited area[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(1): 16-29.
DOI:10.1109/TITS.2018.2790167 |
| [21] |
邹祥莉, 徐建闽, 于洁涵, 等. 基于分层递阶结构和S模型预测控制的快速路多匝道协同控制模型研究[J]. 公路工程, 2019, 44(5): 105-109, 161. ZOU Xiangli, XU Jianmin, YU Jiehan, et al. Research on expressway multi-ramp collaborative control model based on hierarchical structure and s-model predictive control[J]. Highway Engineering, 2019, 44(5): 105-109, 161. |
| [22] |
张茂帅, 侯忠生. 带有迭代学习外环的快速路入口匝道无模型自适应预测控制[J]. 控制理论与应用, 2023, 40(5): 781-791. ZHANG Maoshuai, HOU Zhongsheng. Model free adaptive predictive ramp control for freeway with iterative learning outer-loop[J]. Control Theory & Applications, 2023, 40(5): 781-791. |
| [23] |
丁鸿志, 彭安琪, 张忠宇, 等. 基于深度强化学习的快速道路入口匝道信号控制方法研究[J]. 河南科学, 2023, 41(10): 1424-1432. DING Hongzhi, PENG Anqi, ZHANG Zhongyu, et al. Ramp signal control method of expressway entrance based on deep reinforcement learning[J]. Henan Science, 2023, 41(10): 1424-1432. |
| [24] |
蔺庆海, 何兆成, 谢俊, 等. 基于AVI数据与深度强化学习的城市快速路匝道协调控制方法[J]. 中国公路学报, 2023, 36(10): 224-237. LIN Qinghai, HE Zhaocheng, XIE Jun, et al. Urban expressway coordinated ramp metering approach using automatic vehicle identification data and deep reinforcement learning[J]. China Journal of Highway and Transport, 2023, 36(10): 224-237. |
| [25] |
章立辉, 余宏鑫, 熊满初, 等. 平衡主线和匝道交通运行的强化学习型匝道控制研究[J]. 重庆交通大学学报(自然科学版), 2023, 42(4): 87-97, 107. ZHANG Lihui, YU Hongxin, XIONG Manchu, et al. Reinforcement learning ramp metering to balance mainline and ramp traffic operations[J]. Journal of Chongqing Jiaotong University (Natural Sciences), 2023, 42(4): 87-97, 107. |
| [26] |
张伟, 肖日东, 邓晶. 基于遗传算法的动态模糊神经网络城市快速路入口匝道控制[J]. 公路交通科技, 2017, 34(2): 129-134, 148. ZHANG Wei, XIAO Ridong, DENG Jing. Dynamic fuzzy neural network for controlling entrance ramp of urban expressway based on genetic algorithm[J]. Journal of Highway and Transportation Research and Development, 2017, 34(2): 129-134, 148. DOI:10.3969/j.issn.1002-0268.2017.02.020 |
| [27] |
唐进君, 蒋艾佳, 李明洋, 等. 基于二型模糊逻辑的高速公路匝道自适应控制[J]. 控制与决策, 2025, 40(3): 822-832. TANG Jinjun, JIANG Aijia, LI Mingyang, et al. Adaptive ramp metering for highway based on type-2 fuzzy logic[J]. Control and Decision, 2025, 40(3): 822-832. |
| [28] |
ZHAO Z L, MIAO W J, HAO W, et al. Control strategy for ramp traffic based on improved ALINEA algorithm[J/OL]. Journal of Transportation Engineering, Part A: Systems, 2024, 150(11). (2024-08-21)[2025-06-01]. https://doi.org/10.1061/JTEPBS.TEENG-837.
|
| [29] |
HE Z L, WANG L, SU Z C, et al. Integrating variable speed limit and ramp metering to enhance vehicle group safety and efficiency in a mixed traffic environment[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2024, 641: 129754. (2024-05-01)[2025-06-01]. https://doi.org/10.1016/j.physa.2024.129754.
|
| [30] |
章程, 赵靖, 杨晓光, 等. 城市快速路入口匝道控制研究综述[J]. 上海理工大学学报, 2023, 45(4): 332-344. ZHANG Cheng, ZHAO Jing, YANG Xiaoguang, et al. A review of ramp metering for urban expressway[J]. Journal of University of Shanghai for Science and Technology, 2023, 45(4): 332-344. |
| [31] |
谢羲, 任璐, 单东辉. 基于ALINEA算法的城市快速路入口匝道优化控制策略[J]. 中外公路, 2021, 41(4): 375-379. XIE Xi, REN Lu, SHAN Donghui. Optimal control strategy for on-ramp of urban expressway based on ALINEA algorithm[J]. Journal of China & Foreign Highway, 2021, 41(4): 375-379. |
| [32] |
HAULE H J, ALLURI P, SANDO T, et al. Analyzing the effectiveness of ramp metering in alleviating crash-related congestion on freeways[J].
Transportation Planning and Technology, 2023, 46(5): 599-614.
DOI:10.1080/03081060.2023.2203694 |
| [33] |
GU C Y, WU C Z, WU Y H, et al. Distributionally robust ramp metering under traffic demand uncertainty[J].
Transportmetrica B: Transport Dynamics, 2022, 10(1): 652-666.
DOI:10.1080/21680566.2022.2025952 |
| [34] |
贵舒玥, 何烈云, 金石磊. 城市快速路入口匝道交通信号模糊控制算法[J]. 交通科技, 2021(5): 105-110. GUI Shuyue, HE Lieyun, JIN Shilei. Fuzzy control algorithm of import ramp traffic signals on urban expressway[J]. Journal of Transportation Science and Technology, 2021(5): 105-110. |
| [35] |
张敏, 刘锴, 张驰, 等. 基于高频GPS数据的互通式立交匝道货车运行速度模型[J]. 交通运输工程学报, 2024, 24(4): 228-242. ZHANG Min, LIU Kai, ZHANG Chi, et al. Operating speed prediction models of trucks at interchange ramps based on high-frequency GPS data[J]. Journal of Traffic and Transportation Engineering, 2024, 24(4): 228-242. |
| [36] |
曹世全, 周洁瑜, 桑迪, 等. 基于衔接交叉口绿波交通的快速路入口匝道信号控制策略[J]. 黑龙江交通科技, 2024, 47(7): 142-146, 155. CAO Shiquan, ZHOU Jieyu, SANG Di, et al. On-ramp signal control strategy of expressway based on green wave traffic at junction[J]. Communications Science and Technology Heilongjiang, 2024, 47(7): 142-146, 155. |
| [37] |
VRBANIC F, IVANJKO E, KUŠIC K, et al. Variable speed limit and ramp metering for mixed traffic flows: A review and open questions[J/OL]. Applied Sciences, 2021, 11(6): 2574. (2021-03-13)[2025-06-01]. https://doi.org/10.3390/app11062574.
|
| [38] |
SMULDERS S. Control of freeway traffic flow by variable speed signs[J].
Transportation Research Part B: Methodological, 1990, 24(2): 111-132.
DOI:10.1016/0191-2615(90)90023-R |
| [39] |
SU Z C, CHOW A H F, ZHENG N, et al. Neuro-dynamic programming for optimal control of macroscopic fundamental diagram systems[J/OL]. Transportation Research Part C: Emerging Technologies, 2020, 116: 102628. https://doi.org/10.1016/j.trc.2020.102628.
|
| [40] |
SU Z C, CHOW A H F, FANG C L, et al. Hierarchical control for stochastic network traffic with reinforcement learning[J].
Transportation Research Part B: Methodological, 2023, 167: 196-216.
DOI:10.1016/j.trb.2022.12.001 |
| [41] |
RÄMÄ P. Effects of weather-controlled variable speed limits and warning signs on driver behavior[J].
Journal of the Transportation Research Record, 1999, 1689(1): 53-59.
DOI:10.3141/1689-08 |
| [42] |
LU X Y, SHLADOVER S E. Review of variable speed limits and advisories: Theory, algorithms, and practice[J].
Transportation Research Record, 2014, 1(2423): 15-23.
|
| [43] |
GU S L, MA J, WANG J L, et al. Methodology for variable speed limit activation in active traffic management[J].
Procedia-Social Behavioral Sciences, 2013, 96: 2129-2137.
DOI:10.1016/j.sbspro.2013.08.240 |
| [44] |
SPILIOPOULOU A D, PAPAMICHAIL I, PAPAGEORGIOU M. Toll plaza merging traffic control for throughput maximization[J].
Journal of Transportation Engineering, 2010, 136(1): 67-76.
DOI:10.1061/(ASCE)0733-947X(2010)136:1(67) |
| [45] |
IORDANIDOU G R, RONCOLI C, PAPAMICHAIL I, et al. Feedback-based mainstream traffic flow control for multiple bottlenecks on motorways[J].
IEEE Transactions on Intelligent Transportation Systems, 2014, 16(2): 610-621.
|
| [46] |
HEGYI A, DE SCHUTTER B, HELLENDOORN J. Optimal coordination of variable speed limits to suppress shock waves[J].
IEEE Transactions on Intelligent Transportation Systems, 2005, 6(1): 102-112.
DOI:10.1109/TITS.2004.842408 |
| [47] |
KHONDAKER B, KATTAN L. Variable speed limit: a microscopic analysis in a connected vehicle environment[J].
Transportation Research Part C: Emerging Technologies, 2015, 58: 146-159.
DOI:10.1016/j.trc.2015.07.014 |
| [48] |
LI Z B, LIU P, XU C C, et al. Reinforcement learning-based variable speed limit control strategy to reduce traffic congestion at freeway recurrent bottlenecks[J].
IEEE Transactions on Intelligent Transportation Systems, 2017, 18(11): 3204-3217.
DOI:10.1109/TITS.2017.2687620 |
| [49] |
WANG C, XU Y, ZHANG J, et al. Integrated traffic control for freeway recurrent bottleneck based on deep reinforcement learning[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(9): 15522-15535.
DOI:10.1109/TITS.2022.3141730 |
| [50] |
JENIOR P, DOWLING R G, NEVERS B L, et al. Use of freeway shoulders for travel: Guide for planning, evaluating, and designing part-time shoulder use as a traffic management strategy, FHWA-HOP-15-023[R]: Washington, D.C. : Department of Transportation, 2016.
|
| [51] |
COFFEY S, PARK S. Operational evaluation of part-time shoulder use for interstate 476 in the state of Pennsylvania[J/OL]. Advances in Civil Engineering, 2018. (2018-11-21)[2025-06-01]. https://doi.org/10.1155/2018/1724646.
|
| [52] |
COFFEY S, PARK S. Part-time shoulder use operational impact on the safety performance of interstate 476[J].
Traffic Injury Prevention, 2020, 21(7): 470-475.
DOI:10.1080/15389588.2020.1795843 |
| [53] |
詹嘉, 潘晓东, 高昂. HOV车道的设计应用研究[J]. 交通与运输, 2007(增1): 17-20. ZHAN Jia, PAN Xiaodong, GAO Ang. The research for the use and design of HOV lane[J]. Traffic & Transportation (Academic Edition), 2007(S1): 17-20. |
| [54] |
毕仁忠. 国外HOV专用车道的现状及发展趋势[J]. 公路, 1997, 42(2): 16-18. BI Renzhong. Status and development trend of HOV lanes abroad[J]. Highway, 1997, 42(2): 16-18. |
| [55] |
DAHLGREN J. High occupancy vehicle lanes: Not always more effective than general purpose lanes[J].
Transportation Research Part A: Policy and Practice, 1998, 32(2): 99-114.
DOI:10.1016/S0965-8564(97)00021-9 |
| [56] |
MENENDEZ M, DAGANZO C F. Effects of HOV lanes on freeway bottlenecks[J].
Transportation Research Part B: Methodological, 2007, 41(8): 809-822.
DOI:10.1016/j.trb.2007.03.001 |
| [57] |
DAGANZO C F, CASSIDY M J. Effects of high occupancy vehicle lanes on freeway congestion[J].
Transportation Research Part B: Methodological, 2008, 42(10): 861-872.
DOI:10.1016/j.trb.2008.03.002 |
| [58] |
SHEWMAKE S. Can carpooling clear the road and clean the air? Evidence from the literature on the impact of HOV lanes on VMT and air pollution[J].
Journal of Planning Literature, 2012, 27(4): 363-374.
DOI:10.1177/0885412212451028 |
| [59] |
邓社军, 陈峻, 李春燕, 等. 我国城市快速路基本路段HOV车道设置方案研究[J]. 交通运输工程与信息学报, 2013, 11(2): 11-18, 23. DENG Shejun, CHEN Jun, LI Chunyan, et al. Research on the design method of HOV lane based on the basic section of urban arterial road in China[J]. Journal of Transportation Engineering and Information, 2013, 11(2): 11-18, 23. |
| [60] |
韦怡林, 唐秋生, 陈锐. HOV车道设计应用效果研究: 以重庆市学府大道为例[J]. 交通科技与经济, 2017, 19(6): 12-16. WEI Yilin, TANG Qiusheng, CHEN Rui. Research on the application effect of HOV lane design: Taking Chongqing Xuefu Street as an example[J]. Technology & Economy in Areas of Communications, 2017, 19(6): 12-16. |
| [61] |
HE Z L, WANG L, SU Z C, et al. Integrating variable speed limit and ramp metering to enhance vehicle group safety and efficiency in a mixed traffic environment[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2024, 641: 129754. (2024-05-01)[2025-06-01]. https://doi.org/10.1016/j.physa.2024.129754.
|
| [62] |
HU Y H, YU C H, SU Z C, et al. Critical trajectory point planning for connected and autonomous vehicles on freeway on-ramps under mixed traffic environment[J].
IEEE Transactions on Vehicular Technology, 2024, 73(12): 18156-18172.
DOI:10.1109/TVT.2024.3435759 |
| [63] |
SU Z C, CHOW A H F, ZHONG R X. Adaptive network traffic control with an integrated model-based and data-driven approach and a decentralised solution method[J/OL]. Transportation Research Part C: Emerging Technologies, 2021, 128: 103154. https://doi.org/10.1016/j.trc.2021.103154.
|
| [64] |
邱小平, 孙若晓, 马丽娜, 等. 基于社会力的信号交叉口施工区交通流建模[J]. 交通运输系统工程与信息, 2016, 16(1): 99-104. QIU Xiaoping, SUN Ruoxiao, MA Lina, et al. Modeling and analyzing of traffic flow on the work zone of urban signalized intersection based on social force[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(1): 99-104. |
| [65] |
孟凡琨, 陈广交, 巨永锋, 等. 公路养护施工中的交通控制与管理[J]. 重庆交通大学学报(自然科学版), 2013, 32(1): 83-86, 90. MENG Fankun, CHEN Guangjiao, JU Yongfeng, et al. Traffic control and management in road maintenance engineering[J]. Journal of Chongqing Jiaotong University (Natural Sciences), 2013, 32(1): 83-86, 90. |
| [66] |
RAVANI B, WANG C. Speeding in highway work zone: An evaluation of methods of speed control[J].
Accident Analysis & Prevention, 2018, 113: 202-212.
|
| [67] |
吕路, 丁天, 郭忠印, 等. 借用对向车道通行的高速公路施工控制区梯级限速研究[J]. 华东交通大学学报, 2024, 41(1): 1-10. LÜ lu, DING Tian, GUO Zhongyin, et al. Study on graded speed limit in work zone crossovers for expressway construction[J]. Journal of East China Jiaotong University, 2024, 41(1): 1-10. |
| [68] |
DU S M, RAZAVI S. Variable speed limit for freeway work zone with capacity drop using discrete-time sliding mode control[J/OL]. Journal of Computing in Civil Engineering, 2019, 33(2). (2019-01-03)[2025-06-01]. https://doi.org/10.1061/(ASCE)CP.1943-5487.00008.
|
| [69] |
YANG D, CHEN Y T, FENG T W, et al. Traffic signal control model for the intersection with a work zone[J].
Transportation Letters the International Journal of Transportation Research, 2024, 16(4): 382-391.
|
| [70] |
LU X Y, FEI L, ZHU H B, et al. Modeling traffic flow in work zone sections considering the effect of traffic lights[J/OL]. International Journal of Modern Physics C, 2021, 32(9): 2150113. (2021-05-07)[2025-06-01]. https://doi.org/10.1142/S0129183121501138.
|
| [71] |
HOU J J, MA M H, XIAO J C. Variable speed limit control with dynamic location of message signs for the internet-of-vehicles environment[J].
Transportation Research Record, 2022, 2676(6): 756-773.
DOI:10.1177/03611981221076127 |
| [72] |
VENTHURUTHIYIL S P, THAPA D, MISHRA S. Towards smart work zones: Creating safe and efficient work zones in the technology era[J].
Journal of Safety Research, 2023, 87: 345-366.
DOI:10.1016/j.jsr.2023.08.006 |
| [73] |
CAO D, WU J M, WU J J, et al. A platoon regulation algorithm to improve the traffic performance of highway work zones[J].
Computer-Aided Civil and Infrastructure Engineering, 2021, 36(7): 941-956.
DOI:10.1111/mice.12691 |
| [74] |
ALGOMAIAH M, LI Z X. Enhancing work zone capacity by a cooperative late merge system using decentralized and centralized control strategies[J/OL]. Journal of Transportation Engineering, Part A: Systems, 2022, 148(2). (2021-11-24)[2025-06-01]. https://doi.org/10.1061/JTEPBS.0000632.
|
| [75] |
ZHANG Y C, ZHAO M, SUN D H, et al. Robust H-infinity control for connected vehicles in lattice hydrodynamic model at highway tunnel[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2022, 603: 127710. (2022-10-01)[2025-06-01]. https://doi.org/10.1016/j.physa.2022.127710.
|
| [76] |
XING R R, ZHANG Y H, CAI X Y, et al. Vehicle-trajectory prediction method for an extra-long tunnel based on section traffic data[J/OL]. Sustainability, 2023, 15(8): 6732. (2023-04-16)[2025-06-01]. https://doi.org/10.3390/su15086732.
|
| [77] |
LIU R C, ZHAO N L, HAO S Y, et al. Research on intelligent traffic control strategy of highway tunnels: Take Shenzhong link as an example[C]// Proceedings of COTA International Conference of Transportation (CICTP 2022). [S. l.]: [s. n.], 2022: 569-580.
|
| [78] |
MA C X, GUO J, ZHAO Y P. Variable speed limit control strategy at the entrance and exit of freeway tunnel[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2023, 632: 129292. (2023-12-15)[2025-06-01]. https://doi.org/10.1016/j.physa.2023.129292.
|
| [79] |
SHANG T, LU J X, LUO Y, et al. Understanding the traffic flow in different types of freeway tunnels based on car-following behaviors analysis[J/OL]. Tunnelling and Underground Space Technology, 2024, 143: 105494. https://doi.org/10.1016/j.tust.2023.105494.
|
| [80] |
韩直. 公路隧道交通控制模式研究[J]. 公路交通技术, 2004(1): 86-90. HAN Zhi. Highway tunnel traffic control models[J]. Technology of Highway and Transport, 2004(1): 86-90. |
| [81] |
韩直, 关菲菲. 智慧公路隧道协同管理研究[J]. 隧道建设, 2018, 38(4): 538-544. HAN Zhi, GUAN Feifei. Study of collaborative management of intelligent highway tunnel[J]. Tunnel Construction, 2018, 38(4): 538-544. |
| [82] |
张森, 李小武. 山西高速公路隧道交通秩序管控系统设计[J]. 中国交通信息化, 2015(3): 114-116. ZHANG Sen, LI Xiaowu. Design of traffic order control system for Shanxi expressway tunnel[J]. China ITS Journal, 2015(3): 114-116. |
| [83] |
沈阳. 3D仿真技术在隧道交通管控中的应用[J]. 中国交通信息化, 2019(11): 137-138, 141. SHEN Yang. Application of 3D simulation technology in tunnel traffic control[J]. China ITS Journal, 2019(11): 137-138, 141. |
| [84] |
雷旭, 李海珍, 汪贵平, 等. 互联网+隧道交通环境管控虚拟仿真实验项目建设门[J]. 实验技术与管理, 2019, 36(1): 134-137, 165. LEI Xu, LI Haizhen, WANG Guiping, et al. Construction of virtual simulation experiment project for internet+ tunnel traffic environment control[J]. Experimental Technology and Management, 2019, 36(1): 134-137, 165. |
| [85] |
刘桂强, 王少飞, 卢辉, 等. 增从高速公路互通-路段-隧道协调交通控制策略[J]. 公路, 2013, 58(3): 145-150. LIU Guiqiang, WANG Shaofei, LU Hui, et al. Coordination transportation control strategy of interchange-road section-tunnel of Zeng-Cong expressway[J]. Highway, 2013, 58(3): 145-150. |
| [86] |
熊欣. 重庆高速公路隧道智能联动控制技术研究[D]. 重庆: 重庆交通大学, 2014. XIONG Xin. Chongqing expressway tunnel intelligent control linkage research[D]. Chongqing: Chongqing Jiaotong University, 2014. |
| [87] |
LU X Y, VARAIYA P, HOROWITZ R, et al. Novel freeway traffic control with variable speed limit and coordinated ramp metering[J].
Journal of the Transportation Research Record, 2011(2229): 55-65.
|
| [88] |
CARLSON R C, PAPAMICHAIL I, PAPAGEORGIOU M. Integrated feedback ramp metering and mainstream traffic flow control on motorways using variable speed limits[J].
Transportation Research Part C: Emerging Technologies, 2014, 46: 209-221.
DOI:10.1016/j.trc.2014.05.017 |
| [89] |
HEGYI A, DE SCHUTTER B, HELLEN H. Optimal coordination of variable speed limits to suppress shock waves[J].
IEEE Transactions on Intelligent Transportation Systems, 2003, 6(1): 102-112.
|
| [90] |
HEGYI A, DE SCHUTTER B, HELLEN H. Model predictive control for optimal coordination of ramp metering and variable speed limits[J].
Transportation Research Part C: Emerging Technologies, 2005, 13(3): 185-209.
DOI:10.1016/j.trc.2004.08.001 |
| [91] |
PAPAMICHAIL I, KAMPITAKI K, PAPAGEORGIOU M, et al. Integrated ramp metering and variable speed limit control of motorway traffic flow[J].
IFAC Proceedings Volumes, 2008, 41(2): 14084-14089.
DOI:10.3182/20080706-5-KR-1001.02384 |
| [92] |
PAPAGEORGIOU M. Optimal mainstream traffic flow control of large scale motorway networks[C]// Proceedings of 2008 IEEE International Conference on Service Operations and Logistics, and Informatics. New York: IEEE, 2008.
|
| [93] |
CARLSON R C, PAPAMICHAIL I, PAPAGEORGIOU M, et al. Optimal mainstream traffic flow control of large-scale motorway networks[J].
Transportation Research Part C: Emerging Technologies, 2010, 18(2): 193-212.
DOI:10.1016/j.trc.2009.05.014 |
| [94] |
MAHAJAN N, HEGYI A, VAN DE WEG G S, et al. Integrated variable speed limit and ramp metering control against jam waves: A COSCAL V2 based approach[C]// Proceedings of 2015 IEEE 18th International Conference on Intelligent Transportation Systems. New York: IEEE, 2015.
|
| [95] |
ZEGEYE S K, DE SCHUTTER B, HELLENDOORN J, et al. A predictive traffic controller for sustainable mobility using parameterized control policies[J].
IEEE Transactions on Intelligent Transportation Systems, 2012, 13(3): 1420-1429.
DOI:10.1109/TITS.2012.2197202 |
| [96] |
TODOROVIC U, FREJO J R D, DE SCHUTTER B. Distributed MPC for large freeway networks using alternating optimization[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1875-1884.
DOI:10.1109/TITS.2020.3028850 |
| [97] |
CHEN X Y, LI T N, MA Z, et al. Integrated mainline and ramp signal control for expressway on-ramp bottleneck with unequal lane-setting[J].
Journal of Intelligent Transportation Systems, 2022, 26(1): 100-115.
DOI:10.1080/15472450.2020.1797502 |
| [98] |
张军, 宋浪, 俞山川, 等. 高速公路车道分配与入口多匝道协同控制方法[J]. 公路交通技术, 2023, 39(3): 166-175. ZHANG Jun, SONG Lang, YU Shanchuan, et al. A collaborative control method of lane assignment and entrance multi-ramp on expressway[J]. Technology of Highway and Transport, 2023, 39(3): 166-175. |
| [99] |
何廷全, 宋浪, 俞山川. 高速公路主线提前换道与入口匝道协同控制研究[J]. 公路, 2023, 68(3): 288-293. HE Tingquan, SONG Lang, YU Shanchuan. Study on coordinated control of advance lane-changing on mainline and on-ramp of expressway[J]. Highway, 2023, 68(3): 288-293. |
| [100] |
HAJ-SALEM H, FARHIA N, LEBACQUE J P. Combining ramp metering and hard shoulder strategies: Field evaluation results on the Ile the France motorway network[J].
Transportation Research Procedia, 2014, 3: 1002-1010.
DOI:10.1016/j.trpro.2014.10.080 |
| [101] |
FARRAG S G, OUTAY F, YASAR U A, et al. Evaluating active traffic management (ATM) strategies under non-recurring congestion: Simulation-based with benefit cost analysis case study[J/OL]. Sustainability, 2020, 12(15): 6027. (2020-07-27)[2025-06-01]. https://doi.org/10.3390/su12156027.
|
| [102] |
LI Y, CHOW A H F, CASSEL D L. Optimal control of motorways by ramp metering, variable speed limits, and hard-shoulder running[J].
Journal of the Transportation Research Record, 2014, 2470: 122-130.
DOI:10.3141/2470-13 |
| [103] |
代磊磊, 刘东波, 华璟怡, 等. 基于主线拥堵场景的快速路级联信号控制方法[J]. 交通运输系统工程与信息, 2020, 20(4): 56-62. DAI Leilei, LIU Dongbo, HUA Jingyi, et al. Multilevel coordinate signal control method of expressway based on main line congestion condition[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(4): 56-62. |
| [104] |
CHICAGO METROPOLIS. The metropolis plan: Choices for the Chicago region[R]. Chicago: Technical Reports University of Chicago Press, 1999.
|
| [105] |
GHISLANDI A C, FIJAL A R, CHRISTOPHER E J. Chicago Area Transportation Study (CATS) 1990 household travel survey: A methodological overview[R]. Chicago: Chicago Area Transportation Study Information Services Division, 1994.
|
| [106] |
ZHAI B, WU B, WANG Y L, et al. Distributed coordinated control of mixed expressway and urban roads: A sensitivity-based approach[J/OL]. Journal of Intelligent Transportation Systems. (2024-05-04)[2025-06-01]. https://doi.org/10.1080/15472450.2024.2345348.
|
| [107] |
VAN DEN BERG M, HEGYI A, DE SCHUTTER B, et al. A macroscopic traffic flow model for integrated control of freeway and urban traffic networks[C]// Proceedings of the 42nd IEEE Conference on Decision and Control. New York: IEEE, 2003.
|
| [108] |
VAN DEN BERG M, HEGYI A, DE SCHUTTER B, et al. Integrated traffic control for mixed urban and freeway networks: A model predictive control approach[J].
European Journal of Transport and Infrastructure Research, 2007, 7(3): 223-250.
|
| [109] |
DE SCHUTTER B, HELLENDOORN H, HEGYI A, et al. Model-based control of intelligent traffic networks[M]. Intelligent Infrastructures. Dordrecht: Springer 2009: 277-310.
|
| [110] |
李爱增, 李文权, 王炜. 城市快速路互通立交最小间距[J]. 公路交通科技, 2008, 25(6): 104-110. LI Aizeng, LI Wenquan, WANG Wei. Minimum interchange spacing of urban expressway[J]. Journal of Highway and Transportation Research and Development, 2008, 25(6): 104-110. |
| [111] |
FREJO J R D, PAPAMICHAIL I, PAPAGEORGIOU M, et al. Macroscopic modeling and control of reversible lanes on freeways[J].
IEEE Transactions on Intelligent Transportation Systems, 2016, 17(4): 948-959.
DOI:10.1109/TITS.2015.2493127 |
| [112] |
KIM B Y, AHN H S. Distributed coordination and control for a freeway traffic network using consensus algorithms[J].
IEEE System Journal, 2014, 10(1): 162-168.
|
| [113] |
ZHAO J, LIU Y. Integrated signal optimization and non-traditional lane assignment for urban freeway off-ramp congestion mitigation[J].
Transportation Research Part C: Emerging Technologies, 2016, 73: 219-238.
DOI:10.1016/j.trc.2016.11.003 |
| [114] |
杨航, 郑彭军, 邹亚杰, 等. 基于Stackelberg博弈的混合路网协同管控模型[J]. 同济大学学报(自然科学版), 2023, 51(9): 1433-1441. YANG Hang, ZHENG Pengjun, ZOU Yajie, et al. Integrated control and management model for mixed networks based on Stackelberg games[J]. Journal of Tongji University (Natural Science), 2023, 51(9): 1433-1441. |
| [115] |
DING H, YUAN H Y, ZHENG X Y, et al. Integrated control for a large-scale mixed network of arterials and freeways[J].
IEEE Intelligent Transportation Systems Magazine, 2021, 13(3): 131-145.
DOI:10.1109/MITS.2019.2907677 |
| [116] |
SHI X Y, LIN H F. Study of macroscopic fundamental diagram on Shanghai urban freeway network in China[J].
Journal of Southeast University (English Edition), 2016, 32(1): 106-111.
|
| [117] |
SABERI M, MAHMASSANI H S. Exploring properties of network wide flow-density relations in a freeway network[J].
The Journal of Transportation Research Records, 2012, 2315(1): 153-163.
DOI:10.3141/2315-16 |
| [118] |
SABERI M, MAHMASSANI H S. Hysteresis and capacity drop phenomena in freeway networks empirical characterization and interpretation[J].
The Journal of Transportation Research Board, 2013, 2391: 44-55.
DOI:10.3141/2391-05 |
| [119] |
HAN G Y, HAN Y, WANG H, et al. Coordinated control of urban expressway integrating adjacent signalized intersections using adversarial network-based reinforcement learning method[J].
IEEE Transactions on Intelligent Transportation Systems, 2024, 25(2): 1857-1871.
DOI:10.1109/TITS.2023.3314409 |
| [120] |
HU Z J, MA W. Demonstration-guided deep reinforcement learning for coordinated ramp metering and perimeter control in large scale networks[J/OL]. Transportation Research Part C: Emerging Technologies. 2024, 159: 104461. https://doi.org/10.1016/j.trc.2023.104461.
|