0 引 言

随着机动车保有量的增加，交通燃油消耗成为影响环保效益的关键问题。《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》中将交通的节能减排放在非常靠前的位置，这说明交通行业的节能减排在社会的发展中有着举足轻重的地位[1]。城市道路交通网络中，车辆在通过交叉口区域时会发生频繁启停和怠速停车等行为，在一定程度上导致车辆延误和燃油浪费及增加尾气排放。研究信号交叉口区域的驾驶策略与油耗、排放的关系，对减少交通行业带来的环境污染有积极意义。

生态驾驶技术作为智能交通系统提升社会环境效益方面的重要应用，已经被验证了其在减少油耗和尾气排放方面的可行性[2-3]。在电子信息和无线通信技术的发展下，以V2V(vehicle to vehicle)、V2I(vehicle to infrastructure)通信为基础的车联网系统有效实现了车-车、车-路之间的信息交互。车路通信环境下，行驶车辆可实时获得道路前方交叉口信号状态信息，因此，可通过车速引导的方式，引导车辆合理地调整行驶车速，以节约油耗的方式通过交叉口，进而大幅度提升环保效益。有研究表明，车辆通过交叉口前，驾驶员事先获取交叉口信号灯信息，采取相应的合理的驾驶策略，可以减少5%～30%的燃油消耗和尾气排放[4]。

国内外学者关于信号交叉口处的生态驾驶研究主要集中于面向驾驶员的车速引导方面。Barth等[5-6]设计了经济车速规划算法，利用信号相位与配时信息和车辆自身定位信息解算出信号交叉口可允许车辆通过的车速窗口，从而判断车辆该进行何种方式的速度调整。在经济车速方面建议，采用了基于三角函数的速度曲线生成法，其优点在于生成的速度曲线比较光滑，便于驾驶员跟随操作。Mandava等[7]以使加速度/减速度最小化的同时保证车辆在绿灯的时候到达交叉口处为目标设计了速度曲线计算算法，其仿真实验结果显示，车辆按照算法优化的速度曲线行驶比正常行驶的车辆节省12%～14%的燃油。Tielert等[8]应用绿灯最优车速引导方案做了大量的仿真实验，并对油耗和排放的因素进行了敏感性分析，其结果表明获取车速引导策略时车辆距交叉口的距离是关键的影响因素。Chen[9]基于遗传算法设计信号交叉口处最优速度曲线，利用Moves仿真软件来计算尾气排放量，其仿真结果表明采用遗传算法计算的速度曲线能够使总排放水平降低50%。Rakha等[10]把车辆接近下游信号交叉口时的场景分为了4种，从考虑油耗的角度建立了速度曲线优化算法，但只对其中1种场景进行了速度优化仿真实验。靳秋思等[11]针对单车单个交叉口设计了生态驾驶轨迹优化算法，虽然对场景分类考虑较全，但在驾驶轨迹图的定量刻画方面还有可完善之处，并且该研究只针对1种特定情况进行了Matlab仿真实验； Bradaï等人[12]提出了1种绿灯最优车速引导系统以减少交叉口处CO2的排放，其效果显示该系统可使平均CO2排放降低13%，平均交通时间可节约12%。但该系统只向驾驶员提供了信号灯信息，并没有给出车速建议。Kamal[13]认为在十字路口遇到红灯之前松开油门使车辆滑行是节能驾驶的1种方式，通过仿真试验拟合出了近似滑行减速度曲线，证明了油耗确实有所降低，但是该研究只考虑了交叉口上游区域的油耗。郭毅涛[14]开发了集OBD车辆信息采集、DSRC信息传输和Android车载终端软件为一体的能耗优先的交叉口车速引导系统，实车测试结果表明，通过车速引导可以有效降低交叉口处的油耗，但该研究同样没有考虑下游区域的油耗。

国内外关于信号交叉口的生态驾驶研究虽然丰富，但仍存在以下问题：很多研究只注重提高交通效率，没有以节能环保作为目标；没有对信号交叉口的车辆通行场景进行分类研究或场景分类不全；没有考虑交叉口下游区域的油耗，节油情况评价欠缺公平性；没有向驾驶员提供简明直接的车速建议等。笔者综合考虑了信号交叉口区域通行时的各类型驾驶行为，划分了6种车速引导场景，同时优先考虑油耗，建立了信号交叉口生态驾驶速度轨迹优化模型，并通过Matlab开展了大量的仿真实验。

1 模型构建

1.1 生态驾驶策略目标函数

信号交叉口生态驾驶策略的目标为：车辆在整个信号交叉口区域通行过程的平均每公里油耗最小。因此生态驾驶策略的目标函数为

高校扩招政策对城乡之间不同收入群体的影响也存在着分化。其中，高校扩招政策对城乡不同收入群体教育产生扩大的“马太效应”，但在一定程度上缩小了城乡间高收入群体的收入差距。

 

(1)

式中：F为车辆在整个信号交叉口区域通行过程的总油耗，L；S为车辆在整个信号交叉口区域的行程距离，km。

从历史的、辩证的角度看，传统文化中的人格理论也更多的充满着积极和精华的一面。中国传统优秀文化经历了历史的沉淀，不断升华凝练，意存高远、源远流长，充满了治国、修身、齐家、正心的大智慧和诸多哲理。这些精华内容，顺应时代发展，与时变迁、应物变化，一直保持着顽强和持久的生命力，成为中华文明的精神内核。在特定的历史条件下，传统文化的人格修养理论，成为人们坚守家园、维护正义、热爱民族和国家的灵魂与精神支柱。历史的漫漫长河中，中国传统人格观造就过一代代保家卫国、舍生取义、充满浩然正气的民族英雄。他们正是从传统伦理思想中汲取了营养，以自己的人格实践丰满和浇灌了历史的文明之花。

本研究特设置下游区域，把车辆通过信号交叉口后的将车速恢复到初始车速过程中所用油耗值也考虑进来。设置下游区域是为了公平比较各通行方式的油耗情况。如果不考虑下游区域的油耗，车辆在上游区域速度由v0降低到0的油耗总是最低的，但随后车辆还需要启动加速，可能会带来更多的燃油消耗。油耗计算采用的是VT-Micro实时油耗计算模型[15]，该模型是由美国Oak Ridge国家实验室(Oak Ridge National Laboratory,ORNL)和环境保护署(Environmental Protection Agency,EPA)收集实车运行数据建立的统计模型，仿真实验和实车实验均可适用。该模型建立的油耗与速度、加(减)速度间的关系为

 

(2)

式中：MOEe为车辆的瞬时燃油消耗量(L/s)或排放率(mg/s)；v为瞬时车速，km/h；a为瞬时加速度，和分别为加速情况和减速情况下，速度的幂为“i”、加速度的幂为“j”时，模型的拟合系数，其取值见文献[16]。

1.2 车速引导场景划分

如图1所示，车辆在信号交叉口区域通行的驾驶行为通常可分为4种类型：匀速通过、加速通过、减速通过和停车等待。假设车辆进入信号交叉口V2I通信范围时的初始速度为v0，距交叉口停止线的距离为du，当前相位剩余时间记为tgreen(当前信号为绿灯)或tred(当前信号为红灯)。结合当前信号灯相位的变化，可把车速引导场景分为6种。

为使研究问题更加明确化，特设立以下假设：①设定是在信号交叉口区域的车路通信环境中进行的，车与路侧设备之间可进行实时双向通信，可实时获取车辆的速度、位置信息，同时交叉口的信号灯配时信息可以通过车路通信技术传递给车辆；②研究范围为单一交叉口，不考虑相邻交叉口的影响，分析范围包括交叉口的上、下游两部分区域；③研究对象为单个车辆，不考虑车辆排队、跟驰行为等外部因素，不考虑行人、非机动车的干扰，同时假定车辆沿直线行驶，不产生换道、转弯等行为；④假设驾驶员100%服从车速诱导策略，驾驶员接收到车速建议指令到采取操纵措施之间的反应时间忽略不计。

  

图1 信号交叉口区域车辆驾驶行为

 

Fig.1 Vehicle driving behavior in signalized intersection area

场景1。当时，当前信号显示为绿灯且绿灯剩余时间很长，车辆保持初始车速到达信号交叉口停止线时，仍然是绿灯，车辆可顺利通过交叉口。

场景2。当时，当前信号显示为绿灯但剩余时间较短，车辆保持初始车速到达信号交叉口停止线时，绿灯相位已经结束；但如果车辆加速行驶(车速不超过道路最高限速vlimit)，则可赶在绿灯结束之前安全通过交叉口。

在城市水环境的治理工作中，基础内容为在源头进行合理的治理，确保河流源头的污染源被有效控制，从而确保源头水资源的质量。在河流源头的污染等问题得到控制后，城市河流的净化功能与基础处理功能等会逐渐恢复，不会继续影响河流的水环境，而河流生态结构的破坏因素也能得到有效控制。在源头治理工作中，主要工作内容为控制水体污染负荷及浓度，确保汇往城市河流的水的各项指标符合相关标准。

式中：tc为匀速阶段用时；td为减速阶段用时；ad为所采用的减速度；ts为停车等待时间；tc，td，ts和ad的不同取值会导致车辆行驶轨迹的不同，油耗也会随之发生相应变化；ta为加速阶段用时，aa-0为所采用的加速度[18]，为是一个经验值，指速度为0时的平均减速度，可由经验公式aa-v=h1eh2v计算得出，其中h1=1.70，h2=-0.04。

场景4。当时，当前信号显示为红灯且剩余时间较短，车辆保持当前车速到达信号交叉口停止线时，红灯尚未结束；但如果车辆适当减速行驶(车速不低于道路最低限速vmin，虽然在我国现行法律条例中并没有关于城市道路最低限速的规定，但出于方便研究的角度考虑对最低限速进行了设置)，则可在绿灯亮起后到达停止线，安全通过交叉口。

判断走棋规则是否合法。如果非法，输出结果；如果合法，则判断落点是否有子。如果落点没有棋子，更新棋盘。如果落点有子，首先判断是否为本方棋子，如果是本方棋子，输出结果；否则，更新棋盘。如果吃掉的棋子为敌方将帅，则输出结果胜利。执行步骤4行棋结束后，判断两帅是否相对，如果相对执行步骤4。

场景5。当信号显示为红灯且剩余时间很长，车辆保持当前车速到达信号交叉口停止线时，红灯尚未结束；就算车辆减速行驶至道路最低限速vmin，到达停止线时依然为红灯。此时车辆只能减速停车，需在停车线后等待红灯结束后才能启动通过交叉口。

场景6。当时，车辆进入V2I通信范围时，下游信号显示为红灯且剩余时间很短，车辆保持当前车速到达信号交叉口停止线时，绿灯已经亮起，车辆可顺利通过交叉口。

式中:aa-limit和ad-limit分别为从安全角度考虑设定的车辆的加速度限值和减速度限值。在上述6种场景中，除场景1和场景6之外，其他4种场景都是可对生态驾驶的建议车速以油耗最低为目标进行优化的，而场景1和场景6直接给出保持匀速行驶的车速建议就好。生态驾驶车速引导策略的判断流程见图2。

  

图2 生态驾驶车速引导策略判断流程图

 

Fig.2 Flow chart of deciding vehicle′s eco-driving strategies

1.3 油耗估算

2.1.1 测试路段长度

 

(3)

总行程距离为

S=v0×tc

(4)

根据这3个阶段，车辆在整个信号交叉口区域通行过程中的总油耗为

 

(5)

2) 对于场景2，图3描述了该场景下，有/无生态驾驶车速引导情况下的车辆时空轨迹。由图3可见，在该场景下，生态驾驶功能会引导驾驶员采取加速措施通过交叉口，车辆的整个行驶过程可分为加速阶段、匀速阶段和下游区域的减速阶段。

  

图3 场景2车辆时空轨迹图

 

Fig.3 Time and space diagram for Case 2

平均每公里油耗为

 

 

(6)

式中：ta为加速阶段用时；aa为所采用的加速度；vc为将加速到的目标车速；vc、ta和aa的不同取值会导致车辆行驶轨迹的不同，油耗也会随之发生相应变化；tc为匀速阶段用时；td为减速阶段用时；ad-vc为所采用的减速度[17]，为经验值，指速度为vc时的平均减速度，可由式ad-v=-k3v2+k2v+k1计算得出，其中k3=0.005，k2=0.154，k1=0.493。

总行程距离为

 

(7)

式中:dd为下游减速过程的行程距离。而在无生态驾驶车速引导情况下，由于驾驶员判断的模糊性，一般会在看到信号灯变为红灯时才意识到前方交叉口不可通过，遂制动停车等待红灯结束后再启动。这一过程的油耗也可根据VT-Micro模型计算。

老虎山河流域坡地占总体面积的84.3%，河谷平原只占15.7%。其特点是土壤松散、植被覆盖差，雨季河水涨落急剧，水土流失严重。

3) 对于场景3，图4描述了该场景下有/无生态驾驶车速引导情况下的车辆时空轨迹。在该场景下，生态驾驶功能会提前判断在当前绿灯相位车辆不可能通过交叉口，需要发生停车。车辆的整个行驶过程可分为匀速阶段、减速阶段、停车阶段和下游区域的加速阶段。

  

图4 景3车辆时空轨迹图

 

Fig.4 ime and space diagram for Case 3

根据这4阶段，车辆在整个信号交叉口区域通行过程中的总油耗为

 

 

(8)

场景3。当时，当前信号显示为绿灯且剩余时间很短，车辆保持当前车速到达信号交叉口停止线时，绿灯相位已经结束；就算车辆加速到道路最高限速vlimit，仍不能顺利通过交叉口，只能减速停车，在停车线后等待红灯结束后才能启动通过交叉口。

总行程距离为

 

(9)

2.1.3 测试车速

4) 对于场景4，图5描述了该场景下，有/无生态驾驶车速引导情况下的车辆时空轨迹。在该场景下，生态驾驶功能会引导驾驶员采取减速措施通过交叉口，车辆的整个行驶过程可分为减速阶段、匀速阶段和下游区域的加速阶段。

  

图5 场景4车辆时空轨迹图

 

Fig.5 Time and space diagram for Case 4

根据这3个阶段，车辆在整个信号交叉口区域通行过程中的总油耗为

 

 

(10)

式中：td为减速阶段用时；ad为所采用的减速度，vc为将减速到的目标车速；vc、td和ad的不同取值会导致车辆行驶轨迹的不同，油耗也会随之发生相应变化；tc为匀速阶段用时；ta为加速阶段用时，aa-vc为所采用的加速度[18]。

总行程距离为

 

(11)

而在无生态驾驶车速引导情况下，由于驾驶员判断的模糊性，一般会在快要行驶到交叉口停止线时才意识到前方交叉口不可通过，遂制动停车等待红灯结束后再启动。需要注意的是此时车辆可能发生完全停车，也可能发生不完全停车。这一过程的油耗也可根据VT-Micro模型计算。

5) 对于场景5，图6描述了该场景下，有/无生态驾驶车速引导情况下的车辆驾驶轨迹。在该场景下，生态驾驶功能会提前判断即使进行减速操作车辆也不可能顺利通过交叉口，需要停车等待。车辆的整个行驶过程可分为匀速阶段、减速阶段、停车阶段和下游区域的加速阶段。

李绪琴，苏显渝，陈文静.基于正交光栅投影的快速调制度测量轮廓术[J].光子学报，2019，48(1)：1212002

  

图6 场景5车辆时空轨迹图

 

Fig.6 Time and space diagram for Case 5

根据这4个阶段，车辆在整个信号交叉口区域通行过程中的总油耗为

 

 

(12)

总行程距离为

 

(13)

tc、td、ts和ad的不同取值会导致车辆行驶轨迹的不同，油耗也会随之发生相应变化。而在无生态驾驶车速引导情况下，由于驾驶员判断的模糊性，一般会在快要行驶到交叉口停止线时才意识到前方交叉口不可通过，遂制动停车等待红灯结束后再启动。这一过程的油耗也可根据VT-Micro模型计算。

2 实验验证

2.1 算例测试

使用Mtalab软件编写程序，对车路环境下的生态驾驶车速引导整体功能和节油效果进行仿真测试。为了使测试具有针对性，对测试的场景和方案做出以下设定。

1) 对于场景1和场景6这2种匀速通过场景，其生态驾驶轨迹无需优化，车辆一直保持v0的初始车速通行过整个信号交叉口区域，匀速行驶时间记为tc。整个行驶过程中的总油耗为

本研究的信号交叉口生态驾驶车速引导策略是基于V2I通信环境建立的。DSRC通信技术是V2I系统常用的通信手段。DSRC是一种短程双向通讯技术，其信号传输距离较短，受天气、建筑物遮蔽等环境因素的影响，其通信覆盖范围最短能达到100 m左右，最长可达到300 m以上。基于DSRC技术的通信能力，本次仿真测试上游车速引导区域长度du选取为300 m，下游速度恢复区域长度不限，以实际测试中的速度恢复距离为准。测试路段长度示意图见图7。

  

图7 测试路段长度示意图

 

Fig.7 Test road section diagram

2.1.2 信号灯周期和相位配时

在仿真测试中，预设交叉口信号控制为固定配时，信号周期为123 s，其中绿灯时长60 s，黄灯时长3 s，红灯时长60 s。根据我国现行的交通法规，黄灯时车辆禁止通过停止线，为便于研究，在测试过程中，将黄灯亮起时视为禁止通行，和红灯相同。信号灯周期和相位配时见图8。

NDD机制实施动态变换的对象包括硬件平台、软件版本等，而变换时机包括随机变换、定时变换和驱动性变换[1].因此，为刻画NDD机制的变换对象、变换时机与系统脆弱性的关系，给出NDD体系下的系统脆弱性定义如下：

图8 信号灯周期和相位配时图

Fig.8 Signal phase and time diagram

式中：da为下游减速过程的行程距离。而在无生态驾驶车速引导情况下，由于驾驶员判断的模糊性，一般会在快要行驶到交叉口停止线时才意识到前方交叉口不可通过，遂制动停车等待红灯结束后再启动。这一过程的油耗也可根据VT-Micro模型计算。

综合车辆运行经济性和行驶安全性，本研究中设置道路最高限速vlimit为60 km/h，道路最低限速vmin为20 km/h。仿真测试中车辆进入上游车速引导区域的初始车速v0选择30，40，50 km/h 3种不同速度进行试验。

2.1.4 测试场景

威廉斯关于中国的第二类想象是“到中国去”（to China），这种“到中国去”已从对中国的理解和想象变成了一种具有行动意味的愿望。《夜》剧中的中国有三层意思：

承插型盘扣式钢管支架在现浇箱梁中的应用…………………………………… 韦新强，吴阳露，陆建培（3-159）

在一种初始车速下，通过调整当前相位信号灯色及其剩余时间的设定，分别产生场景2、场景3、场景4、场景5这4种可优化场景，针对这4种场景分别展开测试，观察平均每公里油耗随上游车速引导不同速度轨迹变化的情况。同时对各场景在无生态驾驶车速引导策略下也进行一次测试，将油耗结果作为对照。3种不同的初始车速依次分场景开展测试。各测试场景的输入参数设置见表1。

 

表1 仿真测试场景输入参数

 

Tab.1 Simulationparameters of different scenarios

  

输入参数v0/(km/h)du/mt/s所属场景30300tgreen=25230300tgreen=12330300tred=40430300tred=56540300tgreen=22240300tgreen=15340300tred=30440300tred=57550300tgreen=20250300tgreen=10350300tred=25450300tred=555

2.2 算例测试结果分析

图9显示了场景2和场景4的算例测试仿真实验结果。

  

图9 平均每公里油耗与目标车速之间的关系

 

Fig.9 Relationship between average fuel consumption per kilometer and target speed

由图9可见，在有生态驾驶车速引导情况下，不论初始车速v0等于30，40或是50 km/h，车辆在信号交叉口区域通行的油耗变化情况都基本遵循车速引导的目标车速与初始车速之间差距越大，整个信号交叉口区域内的平均每公里油耗越高的规律。这是因为如果引导驾驶员采取加速操作时目标车速过高，就需长时间的加速以达到相应值，燃油消耗自然增多；如果引导驾驶员采取减速操作时目标车速过低，则在通过交叉口之后，仍需长时间的加速以恢复初始车速，同样造成过多的燃油消耗。

武汉法利莱切焊系统工程有限公司是华工科技2000年上市后全资收购澳大利亚全球切割系统知名企业Farley laserlab公司后，在中国成立的以大功率激光切割、激光焊接高端装备为主业的高科技企业。

图10显示了场景3和场景5的算例测试仿真实验结果。

  

图10 平均每公里油耗与停车等待时长之间的关系

 

Fig.10 Relationship between average fuel consumption per kilometer and stopping time

由图10可见，在有生态驾驶车速引导情况下，不论初始车速v0等于30，40或是50 km/h，车辆在信号交叉口区域通行的油耗变化情况都基本遵循车辆在信号交叉口区域通行的油耗变化情况都基本遵循停车等待的时间越长，整个信号交叉口区域内的平均每公里油耗越高的规律。车辆在停车等红灯的过程中，驾驶员的一般做法都是挂上空挡，拉起手刹，使发动机空转，等待绿灯亮起时再起步通过。发动机空转时也要消耗燃油，并且发动机仅克服自身阻力运转，并不对外输出动能，因此车辆停车等待时间越长，即代表发动机空转时间越长，造成的不必要燃油消耗越多。

从图9和图10中还可以看出，在大部分情况下，有生态驾驶车速引导时的平均每公里油耗量都是比无生态驾驶车速引导时要低的，尤其是对场景2和场景4，节油效果可最高达30%左右。而场景3和场景5应用生态驾驶车速引导虽有节油效果，但仍不可避免地发生了空档停车情况，因此，改善效果不强，仅在3%左右，这说明空档停车对燃油损失的影响还是很严重的。

小儿室间隔缺损主要是指心脏室间隔发育不完整或者融合不理想造成的疾病，常发生于主动脉干间隔、窦部间隔等部位，如果不及时采取措施进行干预，其平均寿命会明显降低(25～30岁)，容易引发艾森曼格综合征、呼吸窘迫、心力衰竭等严重并发症，给患儿的身体健康带来了极大的威胁[5-6]。

上述各组仿真测试得出的最优生态驾驶轨迹方案，及各自与其无生态驾驶车速引导情况相比，平均每公里油耗的节省效果见表2。可以看出，场景2的最优生态驾驶轨迹方案节约效果最好，可达到30%～60%之间，其次是场景4，可达到25%～50%之间；再次是场景5，可达到3%～20%之间；最差是场景3，均在3%以下。同时最优生态驾驶轨迹方案呈现出初始车速越高，节油效果越好的趋势。

 

表2 最优生态驾驶轨迹方案及节油效果评价

 

Tab.2 Optimal eco-driving trajectory scheme and fuel saving effect evaluation

  

初始参数v0/(km/h)du/mtgreen/s加速度/(m/s2)加速时间/s目标车速/(km/h)油耗节约/%场景230300250.99444.3530.4540300220.90349.7640.3850300200.58254.2159.75初始参数v0/(km/h)du/mtgreen/s减速度/(m/s2)减速时间/s停车等待时间/s油耗节约/%场景330300120.127230.3140300150.2154241.3050300100.3243302.32初始参数v0/(km/h)du/mtred/s减速度/(m/s2)减速时间/s目标车速/(km/h)油耗节约/%场景430300400.29326.8826.1040300300.30435.7139.8650300250.42542.4449.78初始参数v0/(km/h)du/mtred/s减速度/(m/s2)减速时间/s停车等待时间/s油耗节约/%场景530300560.223813.6640300570.215439.8550300550.32431218.53

2.3 仿真实验

上述算例测试中，均只对4种可优化场景下的3种特定情况进行了测试试验，虽在一定程度上验证了本研究提出的信号交叉口生态驾驶模型的有效性和节油效果，但实验次数较少，设定场景单一，对模型效果验证还不够具有说服力。因此在此基础上使用Matlab开展了更全面的仿真实验。仿真实验中输入的基本参数见表3。

仿真实验的结果见图11。每种场景下各有2组油耗值，实色块表示了属于该场景的所有实验在最优生态驾驶轨迹方案下的耗油情况的总平均值，虚线块则表示了对应的实验在无生态驾驶车速引导情况下的油耗情况的总平均值。折线值表示了最优生态驾驶轨迹方案比无生态驾驶车速引导情况的油耗节约百分比。

图11所示为各场景下的最优生态驾驶轨迹方案节油效果。

 

表3 仿真实验基本参数设置

 

Tab.3 Basic simulation parameters

  

基本参数输入设置信号周期与相位配时/s 信号周期为123s,其中绿灯时长Tgreen=60,黄灯时长Tyellow=3,红灯时长Tred=60 道路最高限速vlimit与最低限速vmin/(km/h)vlimit=60,vmin=20 车辆最大加速度aa-limit、最大减速度ad-limit/(m/s2)aa-limit=3,ad-limit=2.5 车辆进入车联网通信范围时的初始车速v0/(km/h)(20,60)上游车速引导区域长度du/m[100,300] 车辆进入车联网通信范围时的信号灯色light_color=0/1* 车辆进入车联网通信范围时的当前相位剩余时间/stgreen=[1,60],tred=[1,63]**

注：* light_color值为1表示当前信号为绿灯，值为0表示当前信号为红灯。

**在仿真实验中，把黄灯视为和红灯作用相同，因此,红灯剩余时间的波动范围设置为[1,63]s。

  

图11 各场景下的最优生态驾驶轨迹方案节油效果

 

Fig.11 Fuel Saving effect of optimal eco-driving trajectories in each scenario

由图11可见，在4种可优化场景下，最优生态驾驶策略都显现出了较为显著的节油效果。相比较没有生态驾驶车速引导情况下的燃油消耗量，场景2下的最优生态驾驶轨迹方案可使燃油消耗量减少约0.12 L/km，可降低油耗约40%，生态驾驶策略在该场景下的油耗节约能力最为显著；其次是场景4，使用最优生态驾驶轨迹方案可节约35%左右的油耗；场景3和场景5的节油消耗均在10%左右。

3 结束语

笔者以油耗最低为研究目标，建立了信号交叉口的生态驾驶策略模型。在对车辆通过信号交叉口场景划分及可通行性判定的基础上，通过油耗估算的方法求解得出最优生态驾驶策略。得出结论如下：①车速引导的目标车速与初始车速之间差距越大，整个信号交叉口区域内的平均每公里油耗越高；倘若发生停车等待，则等待的时间越长油耗越高;②与不采用生态驾驶车速引导相比，采用生态驾驶车速引导至少可节约10%以上的燃油消耗;③最优生态驾驶策略在场景2下的节油效果最为显著，可达到30%～60%；其次是场景4，可达到25%～50%；在场景3和场景5中表现略差。

2、突发性供油不足。拖拉机运行中出现供油不足，如果排出空气更换柱塞、喷油嘴后仍不见效，那就是喷油器的喷油针顶杆内小钢球偏磨使喷油不能雾化所致。此时应换一粒小钢球，如没有也可用自行车飞轮钢球代替。

基于笔者研究的结论，车辆在信号交叉口区域通行时，应尽量避免停车等待，因为停车-启动操作会带来过多的燃油消耗。如果停车等待不可避免，则应该尽量缩短停车等红灯的时间，避免发动机长时间空转造成不必要的燃油消耗。当选择以加速或减速方式通过信号交叉口时，需注意不要过量加减速，应使行驶车速在初始车速附近适当地变化，避免燃油浪费。

由于采用了仿真验证的方法，而在实际操作中，驾驶员反应的延迟和操作的不准确性，车辆并不能完全按照理想的生态驾驶轨迹行驶，因此，实际节油效果会有较大偏差。同时笔者的研究只针对单个车辆，没有考虑车辆跟驰等行为，但车辆实际所处的城市道路交通环境复杂多变，尤其在交通流量较大的时候，由于车辆排队或非机动车、行人的干扰，很难达到生态驾驶功能所建议的目标车速。因此结合车辆实际所处的交通环境，对生态驾驶策略进行实时调整是未来研究工作的重点。

当偏心率相同时,轴瓦开槽的油膜承载力与无槽相比有所下降，且随着宽径比的增加，降幅不断地增大。这是由于工字槽轴向宽度随着轴承宽径比的增加而不断增大，即油槽穿过油压峰值区域会不断增大，对峰值区油压影响程度也就越大。

参考文献

References

[1] 公安部交通管理局.2017年全国机动车和驾驶人保持高位增长[N/OL].(2018-01-15)[2018-01-30]. http://www.mps.gov.cn/n2255040/n4908728/c5977158/content.html.

Traffic Management Bureau of The Ministry of Public Security.Motor vehicles and drivers maintained high growth in 2017[N/OL].(2018-01-15)[2018-01-30].http://www.mps.gov.cn/n2255040/n4908728/c5977158/content.html. (in Chinese)

[2] MARTIN E, CHAN N D, SHAHEEN S A. Understanding how ecodriving public education can result in reduced fuel use and greenhouse gas emissions[C]. The 91th Annual Meeting of Transportation Research Board， Washington D.C.: Transportation Research Board,2012.

[3] SMOKERS R,VERMEULEN R,VAN MIEGHEM R, et al. Review and analysis of the reduction potential and costs of technological and other measures to reduce co2-emissions from passenger cars[R]. Delff， the Netherlands:TNO Science and Industry,2006.

[4] XIA H, BORIBOONSOMSIN K, SCHWEIZER F, et al. Field operational testing of eco-approach technology at a fixed-time signalized intersection[C]. 15thInternational IEEE Conference on Intelligent Transportation Systems, Anchorage, Alska, USA:IEEE， 2012.

[5] BARTH M, MANDAVA S, BORIBOONSOMSIN K, et al. Dynamic eco-driving for arterial corridors[C]. IEEE Forum on Integrated and Sustainable Transportation System (FISTS)，Vienna, Austria:IEEE,2011.

[6] XIA H, BORIBOONSOMSIN K, BARTH M. Dynamic eco-driving for signalized arterial corridors and its indirect network-wide energy/emissions benefits[J]. Journal of Intelligent Transportation Systems,2013,17(1):31-41.

[7] MANDAVA S, BORIBOONSOMSIN K, BARTH M. Arterial velocity planning based on traffic signal information under light traffic conditions[C]. 12th International IEEE Conference on Intelligent Transportation Systems, St.Louis, Missouri, USA:IEEE, 2009.

[8] TIELERT T,KILLAT M,HARTENSTEIN H,et al.The impact of traffic-light-to-vehicle communication on fuel consumption and emissions[C]. Internet of Things (IOT), Tokyo, Japan:IEEE, 2010.

[9] CHEN Z. An optimization model for eco-driving at signalized intersection[D]. Texas: Texas A&M University,2013.

[10] RAKHA H, KAMALANATHSHARMA R K. Eco-driving at signalized intersections using v2i communication[C]. 14th International IEEE Conference on Intelligent Transportation Systems, Washington, D.C.:IEEE, 2011.

[11] 靳秋思,宋国华,叶蒙蒙,等.车辆通过交叉口的生态驾驶轨迹优化研究[J].安全与环境工程,2015,22(3):75-82.

JIN Qiusi, SONG Guohua, YE Mengmeng, et al. Optimization of eco-driving trajectories at intersections for energy saving and emissions reduction [J]. Safety and Environmental Engineering,2015,22(3):75-82.(in Chinese)

[12] BRADAÏ B, GARNAULT A, PICRON V, et al. A green light optimal speed advisor for reduced CO2 emissions[C]. 3rd CESA Automotive Electronic Congress, Paris, France:CESA,2014.

[13] KAMAL M A S. Efficient eco-driving strategies at signalized intersections based on engine fuel cut-off of a vehicle[J]. International Journal of Environment，2013,3(1):39-45.

[14] 郭毅涛.能耗优先的交叉口车速引导系统研究与实现[D].西安:长安大学,2017.

GUO Yitao, Research and implementation of eco-driving guidance system for intersection[D]. Xi′an:Chang′an University,2017.(in Chinese)

[15] RAKHA H, AHN K, TRANI A. Development of VT-Micro model for estimating hot stabilized light duty vehicle and truck emissions[J]. Transportation Research Part D: Transport & Environment,2004,9(1):49-74.

[16] ALSABAAN M, NAIK K, KHALIFA T, et al. Applying vehicular networks for reduced vehicle fuel consumption and CO2 emissions[C]. Second International Conference on Innovative Computing Technology (INTECH 2012), Casablanca, Morocco: IEEE, 2012.

[17] MAURYA A K, BOKARE P S. Study of deceleration behaviour of different vehicle types[J]. International Journal for Traffic & Transport Engineering,2012,2(3):5-15.

[18] MEHAR A,SATISH C,VELMURUGAN. Speed and acceleration characteristics of different types of vehicles on multi-lane highways[J]. European Transport,2013,55(1):1-12.

[19] 李鹏凯,杨晓光,吴 伟,等.车路协同环境下信号交叉口车速引导建模与仿真[J].交通信息与安全,2012,30(3):136-140.

LI Pengkai, YANG Xiaoguang, WU Wei, et al. Modeling and simulation of vehicle speed guidance at signalized intersection under vehicle road cooperative environment[J]. Journal of Transport Information and Safety,2012,30(3):136-140. (in Chinese)