相比自由流交通运行状态，交通拥堵时的车辆间隙很小，车辆间的相互作用很明显，多处于紧急跟驰状态，受到前后及侧向的干扰明显增大，车流的运行速度、密度等均有显著变化，此时司机多处于紧张焦虑状态，驾驶倾向性(如冒风险、性别、年龄等的差异)表现更为明显，对交通流的影响也更大[13]。

拥堵但车流相对稳定时，不同车道上的车速差异很小，多以同步流向前行驶，此时的换道动机不一定是为了提高速度，可能是为了寻求更好的行驶空间，车速在大家公认的可以接受范围之内，只是速度和驾驶自由度受到严格约束，舒适性和便利程度较差，交通量的少量增加都会造成运行状态的偏离。

拥堵且车流不稳定时，交通量稍有增加，或交通流内部有小的扰动就会产生较大的运行障碍，甚至发生交通中断，交通处于强制流状态，车辆经常排队，走走停停。在这种情况下，交通量与速度同时由大变小直到为零，而交通密度则随交通量的减少而增大。当车速低于某一临界值时，车辆会减速直至停车，当与前车间距大于某一临界值时，车辆才会加速启动。对于拥挤流的车辆行为进行分析，发现换道对周边车辆的行驶状态影响较大。当前方间距不足时，有换道意图的车辆会先减速以拉大与前车的间隙；当后方间距不足时，有换道意图的车辆会先向目标车道上的后车发出换道请求，后车再选择是否减速让行。而非拥挤状况下，由于目标车道前后车的间距较大，一般不存在这种减速行为，此时换道对车辆间的影响较小。

由于城市道路交通流间断性的特点，选取行程时间[14]作为指标来表征城市道路拥堵交通流特征。行程车速是指车辆的行驶距离除以行程时间，而行程时间又包括行驶时间和中途受阻的停车时间。本节将对行程时间与行程车速展开回归分析。

路段行程时间(速度)的估计与预测是建立在交通流数据基础之上的，目前绝大多数城市都布设了线圈检测器，可以采集地点交通参数数据，基于地点线圈检测器数据进行城市道路行程时间特性与估计研究。

图2-6　Blunden 的流量-行程时间函数理论特性图

1.城市道路行程时间特性分析

路段上的流量是影响路段行程时间最直观的因素，如图2-6所示。

Blunden提出了3条与流量有关的行程时间函数所要求的理论特性[15]：

(1)当流量充分小时，行程时间接近平均“零流量”行程时间t0；

(2)当流量远小于道路的通行能力时，行程时间会随着流量的缓慢变化而变化；

(3)在稳定流状态下，行程时间曲线将变成饱和流量纵坐标的渐近线。

图2-7　城市主、次干路的流量-行程时间函数理论特性图

然而，这些结论只适用于城市快速路等连续交通流设施，并不适用于城市的主、次干路。在城市主、次干路系统中，随着拥挤程度的增加，由于信号控制的存在，车辆将以一定的饱和流率放行，路段行程时间不可能无限增长，而是趋于一个稳定的较高值。同时，由于路段并不是孤立的，而在路网组成中占一小部分，因此随着拥挤程度的增加，在相应时刻内流量会减少，如图2-7所示。

通过分析图2-7和相关数据可知，与流量相关的城市主、次干路段的行程时间函数具有以下理论特性：

(1)当流量较小时，流量的变化对行程时间的影响不大，行程时间接近于平均“零流量”行程时间t0；当流量达到或者超过道路通行能力，逐渐接近最大流量时，即在拥挤形成的过程中，行程时间曲线的变化率较大，随着流量的增加，行程时间也迅速增加。

(2)当流量远小于道路通行能力时，流量与行程时间成正向变化关系。

(3)当流量达到或者超过道路通行能力且逐渐接近最大流量时，即在拥挤形成的过程中，行程时间曲线的变化率较大，随着流量的增加，行程时间也迅速增加。

(4)当流量达到最大流量后，即在拥挤消散的过程中，行程时间曲线的变化率依然较大，但随着流量的减少，行程时间却依然在增加。

(5)在拥挤状态下的稳定系统中，随着流量持续下降，行程时间趋于一个稳定的较高值。

图2-8　连续交通流的速度-流量关系

从上述分析可知，流量对于路段行程时间有着重大影响，而流量又是导致交通状态发生改变的直接诱因，由此可见，交通状态对于路段行程时间也有着非常大的影响。在顺畅、阻滞和拥堵三种交通状态下，路段上的车辆运行状态差异较大。因此，在不同的交通状态下，采集到的交通参数数据与路段行程时间的关系必然不是恒定的。

2.城市道路不同交通状态下行程时间预测研究方案

在交通流理论中，连续交通流的速度与流量之间是抛物线关系，如图2-8所示。

图2-8中，AC 段为非拥挤状态，CE 段为拥挤状态，BD 段为过渡阶段。也可认为AB 段为顺畅交通状态，BD 段为阻滞交通状态，DE 段为拥堵交通状态。城市主、次干路受信号控制系统的影响，在拥堵交通状态下会以饱和流率对车辆放行，流量与速度不会降至零，其余阶段与图2-8趋势相同。因此，可以认为城市主、次干路的交通状态分类与此大致相同。

在自由流交通状态下，路段上车辆较少，多数车辆由驾驶人根据其自身驾驶习惯进行驾驶，车辆驾驶较自由。此时，车辆运行速度受驾驶人的驾驶特征、车辆性能、道路状况等因素的影响更多，而车辆之间的黏滞效应较小，车辆均近似以自由流速度运行。因此，在此交通状态下，路段行程时间数据会有所差异，但波动不大。一般路段行程时间的分析周期为5 min，由于信号控制的影响，每个分析周期内信号控制时间的分配是不同的，即所包含的红灯时间有所不同。所以，不同信号控制系统的检测器所采集的地点交通参数数据与路段行程时间之间的相关关系会有较大区别。

在阻滞交通状态下，路段上车辆较多，车辆运行较为混乱，有的车辆可以自由行驶，驾驶较为随意；有的车辆在路段上见缝插针超车行驶；有的车辆则由于周围车辆开始增多，行驶起来小心翼翼；有的车辆已经进入排队，只能跟着前行。已经形成排队，或者接近排队位置的车辆速度较慢，而远离排队位置的车辆速度相对较快。此时，路段上的交通状态为顺畅交通状态与拥堵交通状态之间的过渡期，可以分为两种情况：一种是从顺畅交通状态向拥堵交通状态发展，即处于拥堵的形成阶段；另一种是从拥堵交通状态向顺畅交通状态过渡，即处于拥堵的消散阶段。无论哪种情况，车辆的行驶都显得较为混乱，再加上信号控制等交通管制措施的影响，在该交通状态下，路段行程时间数据波动较大，相对而言，与采集到的交通参数数据间的相关关系也最难确定。由于整个路段内车辆运行表现并不统一，有时路段下游车辆运行已经开始混乱，而路段上游依然处于自由流状态，所以不同信号控制系统所采集的地点交通参数数据与路段行程时间的相关关系也不能保证相同。

在拥堵交通状态下，路段上的车辆非常多，造成严重的排队，车辆不能自由行驶，车辆间的黏滞效应明显，只能相互跟驰。因此，在该交通状态下，路段行程时间数据波动较小，与采集的交通参数数据间的相关关系也相对容易确定。

由此可见，在不同的交通状态下，车辆运行特性差别较大，为了使所建立的模型更合理、更有针对性，有必要分析由不同信号控制系统检测器所获得的数据之间的关系，从中找出交通状态临界点或临界区间，进而分析交通状态对路段行程时间数据的影响。在以往基于地点交通参数数据估计与预测路段行程时间的方法中，大多数方法没有对交通状态进行分类，所有交通状态均采用统一的模型，即使少数对交通状态采取分类的模型，也通常只是以数学指标作为状态分界线，界线两边是截然不同的状态，这种源于经典集合论“非此即彼”的观点很难准确地反映路段上车辆运行的真实状态。因为从一种交通状态过渡到另一种交通状态是一个渐进的过程，并不是突变的过程，更不可能是一个尖点突变。本书正是基于这种交通状态界限的模糊性，即中间过渡的不分明性，提出了交通状态模糊临界的概念。交通状态模糊临界即在进行路段行程时间估计或预测时，首先要对交通状态进行分类，然后针对不同的交通状态提出不同的估计或预测方法，但在进行交通状态分类时，对于非拥挤状态与拥挤状态的分界并不采用确定的值，而是采用一个区间，即图2-8中的BD 段为临界区间，区间内的数据在分别建立两个状态模型时要进行重复使用，表明这一区间的归属并不明确，同时隶属于两个状态。然后，在估计或预测此区间行程时间时，对两个状态的模型进行加权处理。

交通状态模糊临界包括以下几方面的含义：①各交通状态之间的分界并不采用一个确定的数值，而是采用一个模糊的区间；②在进行回归分析建立相邻两个交通状态的估计模型时，模糊临界区间的数据要进行重复使用，表明这一临界区间的归属并不明确，即同时隶属于相邻的两个状态；③在建立此模糊临界区间交通参数估计模型时，对相邻两个交通状态的模型进行加权处理；④亦可在模糊临界区间内，根据变量间的延续关系，寻找交通状态临界的最佳逼近点，以此点作为交通状态的分界，但分析表明，当采用不同的自变量时，很难捕捉到同一个点，因此在确立最优变量前，临界区间比临界点效果好。经过分析检测器获取的地点速度、流量和占有率之间的关系可知，三参数间的变化趋势可以分为三段：第一段是流量与占有率正向增长，速度与占有率近似直线关系；第二段是变量之间虽然同向变化，但不再是近似直线关系，而是呈现不规则曲线关系；第三段是占有率增长，流量下降，同时震荡剧烈，速度与占有率关系虽然同向变化，但波动带宽加大。这三段变化正好对应交通流运行的三种交通状态，即顺畅、阻滞和拥堵。(www.daowen.com)

分析路段下游检测器获取的地点速度、流量和占有率三参数之间的关系，以及此三参数与路段行程时间的关系可知，占有率更能体现交通状态变化，故本书定义当检测器位于路段下游截面时的交通状态指数为

式中 (t)——a 路段t时刻当检测器位于路段下游截面时所获取的交通状态指数；

(t)——a 路段t时刻路段下游检测截面的占有率数据。

从图2-9可以看出，交通状态指数与路段行程时间的变化趋势几乎完全相同，该指数能较好地体现交通状态的变化，故以(t)作为检测器在下游截面时的交通状态分界指标。以(t)∈[250，400]作为交通状态模糊临界区间，即阻滞交通状态。当(t)＜250时，为顺畅交通状态；当(t)＞400时，为拥堵交通状态。

图2-9　交通状态指数与路段行程时间的关系［16］

根据图2-10，比较两条速度曲线可以得到以下结论：①两种速度之间的相关性很大，总体变化趋势相同；②由于路段行程时间中包含停车时间，所以路段行程速度曲线较地点速度曲线整体下移；③当流量较小时，两种速度均较大，并且二者的曲线变化趋势相近；④随着流量持续增加，当交通状态变为拥挤后，两种速度均变小，但路段行程速度有一个骤降的过程，两条曲线之间的差异变大，这是因为随着交通拥堵的加剧，达到甚至超过道路通行能力时，会出现二次甚至多次排队的现象，行程时间显著增多；⑤两种速度不可能无限减小，速度曲线经历突变后，会稳定于某一数值；⑥路段行程速度突变点前后两条曲线的关系差别很大，突变点之前，二者基本同步变化，波动幅度相近，突变点之后，二者的相关性虽然存在，但地点速度的波动幅度很大，路段行程速度波动幅度很小，近似趋于稳定。从以上分析可知，两种速度有很大的相关性，但这种关系并不唯一，在不同的交通状态下关系会有所差别。因此，需要区分交通状态建立路段行程时间估计模型。

图2-10　路段下游检测截面地点速度与路段行程速度对比图［16］

在进行分交通状态分段回归时，将自由流交通状态和拥堵交通状态作为两个不同的对象，将阻滞状态数据进行重叠使用。以地点速度为自变量的不同交通状态分段回归模型如下：

自由流交通状态：

拥堵交通状态：

阻滞交通状态：

式中 vl——地点平均车速；

vs，vc，vb——分别为自由流、拥堵和阻滞交通状态时的路段行程速度。

经过对线圈检测器所采集到的数据进行标定处理，参数分别如下：

自由流交通状态：

拥堵交通状态：

从图2-11可知，最大误差在13 000～17 000 s之间，此时为拥堵形成初期，即图2-10中速度骤然下降期间。在此之后误差较小，此时已经进入拥堵状态，车辆之间牵制较大，排队稳定行驶。

图2-11　不同交通状态分段回归估计模型的误差时间序列

综上所述，路段行程速度估计模型为

由路段距离除以行程车速可以得到该路段的行程时间。