道路施工限速标志设置位置和限速大小确定方法

摘要

本发明属于道路设计技术领域，涉及一种道路施工限速标志设置位置和限速大小确定方法，包括下列步骤：(1)设计驾驶员SOAR智能体工作记忆结构；(2)设计初始长期记忆规则，建立驾驶员SOAR智能体的长期记忆规则库；(3)建立驾驶员SOAR智能体的决策周期；(4)设置不同限速标志设置位置和限速大小及不同的道路载荷系数进行仿真，根据当前车辆和相邻车辆占用道路元胞的重叠程度对交通冲突及严重程度进行判别，选择交通冲突及严重程度较低的仿真条件，得到不同交通条件下合适的施工作业区限速标志设置位置和限速大小。本发明能够较为精确地反映限速标志设置位置和限速大小对道路施工通行能力的影响，从而为道路施工限速标志设置的提供方法。

说明书

技术领域

本发明属于道路设计技术领域，涉及一种道路施工限速标志设置位置和限速大小确定方法。 

背景技术

道路施工作业是城市道路基础设施建设使用期间必不可少的道路维修养护作业。由于道路施工作业期间改变交通行驶环境、降低道路通行效率、影响居民出行及生活等，因此，城市道路施工作业备受各大城市关注，并编制相应的技术规程，针对道路施工作业研究文献也较多，主要基于道路交通安全和道路通行效率，运用认知心理学、人体工程学、交通流理论、跟驰理论、超车理论、安全视距、交通微观仿真等技术对道路施工作业区的通行能力、车速、施工区长度和交通标志设置深入研究。Nan Zheng等在《Variable Analysis for Freeway Work Zone Capacity Prediction》运用数学模型预测高速公路施工作业区通行能力；ANXIJIA在其硕士论文《COMPREHENSIVE EVALUATION OF CONSTRUCTION WORK ZONECAPACITY AND ASSOCIATED ROAD USER COST》借助VISSIM交通仿真软件仿真采集道路施工作业区相关数据，从而确定施工作业区通行能力和作业区长度；陈瑜在论文《高速公路作业区安全分析及交通组织管理方法研究》中运用交通流理论和驾驶员信息处理速度模型研究施工区通行能力，运用VISSIM交通仿真软件确定施工作业区长度和交通标志设置；隽志才在《基于认知心理学的驾驶员交通标志视认性理论分析》中运用认知心理学对驾驶员识认交通标志过程进行定性分析，从而对施工作业区交通标志设计和安装提供理论依据；李永义在《高速公路施工路段交通组织方案设计与评价研究》中运用动态综合评价方法和VISSIM交通仿真软件对施工作业区交通组织方案进行评价研究。 

从已有相关文献阅读分析可知，针对道路施工作业区研究的已有技术具有以下特点： 

(1)已有技术假定车辆单体为无差别驾驶单体，即每一辆车驾驶员在遇到施工作业区时驾驶行为一致，这与现实车辆行驶状况不相符。驾驶员对道路状况熟悉度、处理突发交通事故的驾驶行为差异、驾驶习惯等内容不一样，则每个车辆单体的驾驶行为自然也不一样。为提高道路施工作业区相关内容研究的精度要求，有必要以单个车辆单体作为研究对象进行分析。 

(2)道路施工作业区交通标志设置依据VISSIM交通仿真数据和认知心理学定性分析为基础。现有技术无法表征交通标志设置不同形式对驾驶员影响机理，以及定量研究交通标志设置形式对驾驶员影响程度，因此，现状道路施工作业区交通标志设置存在很大程度的主观因素影响，无法准确合理地制定交通标志设置方案。 

根据上述对现有研究技术分析可知，针对道路施工作业区的认知心理学、人体工程学、交通流理论、跟驰理论、超车理论、安全视距、交通微观仿真等技术是单向和静态的，无法准确表征不同驾驶车辆单体的相关关系以及驾驶行为特征，特别是针对道路施工作业区交通标志设置。驾驶车辆单体与交通标志之间是双向、动态的影响过程，单体会根据交通标志设置情况、道路交通条件，结合以前的驾驶经验做出相应的驾驶行为，这种行为是极其复杂的，但是对交通标志设置的合理性评价确是至关重要。 

发明内容

本发明的目的是克服现有技术的上述不足，提出一种道路施工限速标志设置位置和限速大小确定方法，以期减少施工作业过程对城市交通的影响，为道路施工作业区交通标志设置提供更为科学有效的依据。本发明的技术方案如下： 

一种道路施工限速标志设置位置和限速大小确定方法，包括下列步骤： 

(1)设计驾驶员SOAR智能体工作记忆结构 

考虑车辆类型、车辆速度、司机类型、输入属性和输出属性，设计驾驶员SOAR智能体工作记忆结构，其中的输入属性细分为感知拥堵程度、相邻位置车辆运行状态、交通信号标志，输出属性包括算子操作类 型。 

(2)设计初始长期记忆规则，建立驾驶员SOAR智能体的长期记忆规则库 

长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值，算子操作类型分为四种类型：类型1为决定转向算子，包括A选择向前、A选择向左、A选择向右三种；类型2为改变路况拥堵算子，即驾驶员根据外界交通信息和自身经验总结出驾驶员认为的各下游路段当时的拥堵状况；类型3为驾驶员改变驾驶目的算子，将驾驶目的分为最省钱和最省时两种，最省钱要求驾驶员选择最短路到达目的地，最省时要求驾驶员选择驾驶时间最短的路径；类型4为驾驶员情绪改变算子，把驾驶员的情绪概括为两种，即舒畅情绪和急躁情绪，驾驶员在舒畅情绪的状态中，决策过程中的匹配精度高，而在急躁情绪中，匹配精度下降。 

(3)建立驾驶员SOAR智能体的决策周期 

1)输入阶段：通过感知在工作记忆中创造反映外界交通状况变化的元素，完成对各感知信息的赋值，建立感知向量； 

2)状态阐述阶段：将工作记忆中感知向量的内容与长期记忆中规则的条件部分进行匹配； 

3)建议算子阶段：触发程序性记忆中所有满足匹配条件的产生式规则，产生建议的算子及对应的偏好指标； 

4)选择算子阶段，根据建议算子及偏好指标，选择当前状态下的最优算子，如果匹配不上规则或者建议算子不能进行比较，知识不足以支持决策，则产生困境，进入组块学习阶段，具体操作如下： 

以步长λ改变匹配精度，从所有长期记忆中搜索匹配算子使问题向目标状态移动，如果连续η_g次决策中驾驶员的实际行驶时间都满足期望要求，即T(s_e)-T_e(s_e)≤η_z时，则将对应算子添加到决策过程中目标状态s_e，组块学习成功，式中，T(s_e)表示驾驶员在目标状态s_e下的实际驾驶时间，T_e(s_e)表示驾驶员在目标状态s_e下的期望驾驶时间，T_e(s_e)＝T_d(t，l)+T_v[v(l)]，其中T_d(t，l)为驾驶员在时刻t路段l上的平均驾驶时间； 表示交通标志对驾驶时间的影响， 表示路段l在交通标志状态为v时的平均行驶时间，T_r(l)表示路段l的参照行驶时间，η_z为规则组块更新阈值； 

5)应用算子阶段，如果选择的算子类型为转向算子，则输出动作，否则，应用改变路况拥堵算子，改变驾驶目的算子和情绪改变算子，改变当前状态的一部分分量得到一个中间状态，将应用算子得到的中间状态作为当前状态； 

6)强化学习 

利用公式p_r(s_e)＝[T(s_e)-T_e(s_e)]^α表示最终状态s_e下的总偏好反馈值，式中，α为小于1的常数，将驾驶员通过施工作业区SOAR决策过程中涉及的算子总偏好进行偏好分配，其偏好分配大小与各状态与目标状态的距离相关，中间状态s_k与目标状态s_e的距离d(s_k，s_e)通过SOAR算子改变的属性进行计算，计算公式为$d(s_k,s_e)={({|d_s\left(s_e\right)-d_s\left(s_k\right)|}^{f_1}+{|d_e\left(s_e\right)-d_e\left(s_k\right)|}^{f_2}+{|m_o\left(s_e\right)-m_o\left(s_k\right)|}^{f_3})}^{f_4},$其中，d_s(s_e)， d_e(s_e)，m_o(s_e)分别表示目标状态s_e下的感知拥堵程度等级，目标区域位置编号和驾驶员情绪级别，d_s(s_k)，d_e(s_k)，m_o(s_k)依此类推，f₁，f₂，f₃，f₄为常数，决策周期t的状态转移路径中第k个状态对应的算子o(s_k)的反馈偏好值λ[d(s_k，s_e)]p_r(s_e)，λ[d(s_k，s_e)，r(s_k)]为p_r(s_e)分配到o(s_k)上的权重，它是d(s_k，s_e)及s_k所在的状态转移路径r(s_k)的函数，$\lambda [d(s_k,s_e),r\left(s_k\right)]=\frac{1}{d(s_k,s_e)}/\underset{i=1}{\overset{\left|r\left(s_k\right)\right|}{\Sigma }}\frac{1}{d(s_i,s_e)},$其中|r(s_k)|为s_k所在路径包含的状态数量。 

7)继续下一决策周期，使得问题朝目标状态方向移动； 

(4)设置不同限速标志设置位置和限速大小及不同的道路载荷系数进行仿真，根据当前车辆和相邻车辆占用道路元胞的重叠程度对交通冲突及严重程度进行判别，选择交通冲突及严重程度较低的仿真条件，得到不同交通条件下合适的施工作业区限速标志设置位置和限速大小。 

本发明运用SOAR认知技术细致刻画驾驶员交通行为，能够准确描述驾驶车辆单体在不同道路施工环境下对交通标志表现出的复杂驾驶行为，为道路施工作业区交通标志设置提供更为科学有效的依据。具体而言本发明的优点在于： 

(1)以往技术假定车辆单体为无差别驾驶车辆单体，驾驶员行为相同。本发明运用SOAR认知框架构建道路施工作业区驾驶员智能体模型，细致刻画智能体工作记忆、长期记忆、程序性算子选择方法及学习机制，从而准确描述驾驶车辆单体在不同道路施工环境下对交通标志表现出的复杂驾驶行为。 

(2)以往道路施工作业区交通标志设置依据VISSIM交通仿真数据和认知心理学定性分析为基础，无法表征交通标志设置不同形式对驾驶员影响机理。本发明构建的道路施工作业区驾驶员智能体模型能对各种交通状态学习、记忆和判断，并能定量分析评价交通标志设置方案，从而，为道路施工作业区交通标志设置提供更为科学有效的依据。 

附图说明

图1-a为一个驾驶员SOAR智能体的工作记忆分层结构。 

图1-b为某一个通过道路施工作业区驾驶员智能体工作记忆的图表结构。 

图2决策周期流程图。 

图3仿真路网。 

图4-a仿真施工作业区示意图。 

图4-b仿真实验场景。 

图5限速标志位置不同对一般冲突的影响。 

图6限速标志位置不同对中等冲突的影响。 

图7限速标志位置不同对严重冲突的影响。 

图8限速40km/h，L＝10m时的交通流时空图。 

图9限速40km/h，L＝30m时的交通流时空图。 

图10限速40km/h，L＝70m时的交通流时空图。 

具体实施方式

本发明采用SOAR认知框架进行建模，对道路施工作业区驾驶员智能体进行设计，包括智能体工作记 忆、长期记忆、程序性算子选择方法及学习机制进行了详细的描述，并在实验条件下进行了多次仿真，验证其对限速标志优化设置的有效性。 

本发明采用SOAR认知框架细致刻画施工作业区行驶车辆驾驶员的交通行为，描述驾驶车辆单体在施工作业区的复杂交通行为，并结合区域路网交通状况以及施工作业分布，评估施工作业区布置方案对路网通行能力的影响，进而提出施工作业区上游过渡区长度的合理取值，以期减少施工作业过程对城市交通的影响。下面对本发明做详细说明。 

(1)SOAR认知框架 

SOAR的全称为状态、算子和目标(State，Operator and Result)，是由AllenNewell等人于1983年开发的称为“通用智能”的一种框架，主要讨论知识、思考、智力和记忆，是一个应用范围非常广的认知结构。其中，状态是当前要解决问题的情况表征，算子是可以改变状态、产生新的状态的操作，目标是需要解决问题的理想结果。SOAR的运行就是在问题空间持续地应用算子和选择下一个算子直到该问题目标实现的过程。 

SOAR框架主要包括输入/输出界面、长期记忆区、工作记忆区三大部分，还有其他一些潜在的机制如决策周期、学习过程等。SOAR必须通过感知/动作界面与外界发生交互，由感知将外部世界映射到工作记忆中，通过动作将工作记忆内部的表征返回外部环境并产生行动。SOAR内部具有不同表征形式的工作记忆区和长期记忆区，分别用来描述问题求解的当前状态和长期记忆。工作记忆用具有等级结构的状态/目标图表来表示与当前状态相关的感知数据、中间推理的结果、活动目标和活动算子等。长期记忆包括程序性记忆、语义性记忆和情节性记忆。SOAR通过一个固定的处理机制——决策周期，完成SOAR的选择和应用算子等功能。伴随着决策周期SOAR有四种不同的学习机制，分别是强化学习、组块、情节性学习和语义性学习(本发明采用了前两种学习机制)。 

(2)驾驶员智能体工作记忆设计 

工作记忆区是短期记忆单元存放的地方，用来反映当前情景相关的知识，如当前状态和算子等，它由包括一系列的属性和属性值的对象组成，本发明采用分层结构来对驾驶员智能体工作记忆进行表示，主要考虑车辆类型、车辆速度、司机类型、输入输出属性。司机类型包括各个司机的性格类型、对路网的熟悉程度、匹配精度和当前位置。输入属性表示智能体从外界感知到的与路段以及周边环境相关的信息，又可细分为感知拥堵程度、相邻位置车辆运行状态、交通信号标志；输出属性表示输出选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果，主要是算子操作类型。除输出属性外，所有工作记忆中可变的属性即为状态，包括车辆速度、感知拥堵程度、相邻位置车辆运行状态、交通信号标志。 

图1-a为一个驾驶员SOAR智能体的工作记忆分层结构，表示了驾驶员通过施工作业区场景例子中，智能体“driver-car-unit”的初始状态S1，在初始状态时，智能体在2车道，目标区域为zone3，子状态为S0；Io属性为S1的输入输出，分别通过input-link和output-link接口实现，其中input-link的标识符I3有一个属性road，表示智能体从外界感知到的与路段相关信息，包括属性sign和density，C-sign表示信号灯显示的下游各路段拥堵情况，density表示当前路各车道的感知拥堵状态，neighbor-pos表示当前智能体相邻位置的车辆状态，以满足换道规则进行表示。输出接口output-link的标识符I2表示该状态下可能的输出，当前状态下选择的算子为改变目的地。 

图1-b为某一个通过道路施工作业区驾驶员智能体工作记忆的图表结构。工作记忆里的状态S1包含五个属性，其中车辆、司机、输入输出属性的值为对象V1、D1和IO1，其余两个属性分别表示该状态的名 称为s1，且其没有父状态。状态S1的V1属性表示智能体组成单元车辆的相关信息，包括表示车辆的尺寸为小，车辆的用途为私家车，当前速度很快。S1的D1属性表示驾驶员的相关信息，包括驾驶员的性别为男，年龄为45，驾龄为20年，月收入为8000，性格为稳重型，对路网非常熟悉，当前驾驶员的匹配精度为1，当前位置为初始位置。IO属性为S1的输入输出，分别通过输入输出接口实现，其中输入接口的标识符I2有四个属性，分别表示智能体从外界感知到的与路段以及周边环境相关的信息，包括属性限速标志、警示标志、当前路段拥堵程度和预测下游拥堵程度，上图中对应属性值分别表示各路段上的限速标志信号为低于当前车速差距为10-20km、警告标志类型为导向型、当前道路的感知拥堵情况2(很拥堵)，根据感知预测到的下游路段的拥堵情况为220(左，前方路段均拥堵，右转路段通畅)。输出接口的标识符O3表示该状态下的输出，比如选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果通过O3下的属性输出。 

(3)长期记忆 

长期记忆是成果记忆区，它包括所有的成果，用户可以创造成果来完成具体的功能，本发明驾驶员通过施工作业区驾驶行为SOAR智能体主要是程序性记忆，采用产生式表示。 

本发明产生式用“如果-那么”规则表示“条件-行动”。如果部分指明了规则运动的条件，那么部分说明了导致个体的动作或行为。下式为本发明设置的一个初始长期记忆规则，采用Soar程式化和精确书写规则表示。 

上述产生式规则名称为r1，表示如果驾驶员性格为保守型，控制信号为红、绿、绿，感知的拥堵为严重拥堵，且满足右转条件，驾驶员目的地为zone3，则选择下游右转路段。值得注意的是，SOAR智能体只设置了一部分初始长期记忆规则，它会在决策和反馈过程中进行学习，规则逐渐更新和增加。实际上，无论初始规则设置的如何完善，也不可能包含或者正确包含所有的决策思维和偏好，因此要使智能体能较好地仿真驾驶员通过施工作业区驾驶行为，智能体需要经过一段时间的训练，使得记忆规则更加完善，偏好更接近实际，在这个过程中，学习机制的影响至关重要。 

(4)决策周期 

SOAR智能体的决策周期实际就是产生、比较、选择和应用算子，以使当前状态朝目标状态转移的过程。长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值。本发明算子分为四种类型：类型1为决定转向算子，包括A选择向前、A选择向左、A选择向右三种；类型2为改变路况拥堵算子，即驾驶员根据外界交通信息和自身经验总结出驾驶员认为 的各下游路段当时的拥堵状况；类型3为驾驶员改变驾驶目的算子，将驾驶目的分为最省钱和最省时两种，最省钱要求驾驶员选择最短路到达目的地，最省时要求驾驶员选择驾驶时间最短的路径；类型4为驾驶员情绪改变算子，本发明把驾驶员的情绪概括为两种，即舒畅情绪和急躁情绪，驾驶员在舒畅情绪的状态中，决策过程中的匹配精度高，而在急躁情绪中，匹配精度下降。算子将初始状态过渡到中间状态，并经过多个中间状态的转移最终到达目标状态。本发明SOAR智能体决策周期如图2所示。 

图2中，输入阶段通过感知在工作记忆中创造反映外界交通状况变化的元素，完成对各感知信息的赋值；状态阐述阶段将工作记忆中感知向量的内容与长期记忆中规则的条件部分进行匹配；建议算子阶段触发所有满足匹配条件的产生式规则(在程序性记忆中)，产生建议的算子及对应的偏好指标；选择算子阶段，根据建议算子及偏好指标，选择当前状态下的最优算子。如果知识不足以支持决策(如匹配不上规则或者建议算子不能进行比较等)，则产生困境，进入组块学习阶段；应用算子阶段，如果选择的算子类型为转向算子，则输出动作，否则改变当前状态的一部分分量得到一个中间状态(应用改变路况拥堵算子，改变驾驶目的算子和情绪改变算子等)，这种情况下将应用算子得到的中间状态作为当前状态，继续下一决策周期，使得问题朝目标状态方向移动。 

(5)学习机制 

1)组块学习 

组块学习是使扩充soar智能体规则的基本手段，在当前规则体系下不能支持智能体作出决策时，将智能体的这种状态称为“困境”，当一个困境产生时意味着当期系统的长期记忆中没有可以利用的算子使得问题求解过程在问题空间中向前移动，需要自动创建一个新的规则来解决当前困境，组块规则的建立需要分析长期记忆中与达到结果相关的产生式规则 

本发明采用的组块学习机制主要包括困境产生条件，困境解决方法和组块规则形成机制。在算子集合特征中，如果算子集合为空或者集合中偏好最优算子与次优算子之差小于状态s对应的算子直接选择阈值τ(s)，那么则满足困境产生条件。当困境产生时，困境解决方法的步骤是：首先搜索状态中substate属性，利用子状态触发的规则产生算子使得当前状态(子状态的父状态)移动，如果子状态也产生困境或者substate属性值为nil(空)，则以步长λ改变s匹配精度，从所有长期记忆中搜索匹配算子使问题向目标状态移动。如果连续η_g次采用的组块规则中，驾驶员的实际行驶时间都满足期望要求，即T(s_e)-T_e(S_e)≤η_z时，则将对应算子添加到决策过程中遇到困境状态，组块成功。其中T(s_e)表示驾驶员在目标状态s_e下的实际驾驶时间，T_e(s_e)表示驾驶员在目标状态s_e下的期望驾驶时间，T_e(s_e)＝T_d(t，l)+T_v[v(l)]，其中T_d为驾驶员在时刻t路段l上的平均驾驶时间(表示驾驶经验)； 

表示交通标志(如限速标志等)对驾驶时间的影响， 表示路段l在交通标志状态为v时的平均行驶时间，T_r(l)表示路段l的参照行驶时间，本发明采用路段占有率为0.5时的行驶时间作为参照值。η_z为规则组块更新阈值，则将对应算子添加到决策过程中遇到困境状态，组块成功。 

2)强化学习 

强化学习知识的来源是外部环境的反馈，它可以调整对未来奖励的预期，这些奖励然后被用于选择能够在未来获得最大期望奖励的行动上。SOAR智能体中，将驾驶时间与算子总反馈值联系起来。采用公式p_r(s_e)＝[T(s_e)-T_e(s_e)]^α表示最终状态s_e下的总偏好反馈值，α为小于1的常数，本发明实施例中参数α取0.5。驾驶员通过施工作业区行为SOAR决策过程涉及多个状态和算子，需要将算子总偏好进行偏好分配，其偏好分配大小与各状态与目标状态的距离相关。中间状态s_k与目标状态s_e的距离d(s_k，s_e)通过SOAR算子改变的属性进行计算， $d(s_k,s_e)={({|d_s\left(s_e\right)-d_s\left(s_k\right)|}^{f_1}+{|d_e\left(s_e\right)-d_e\left(s_k\right)|}^{f_2}+{|m_o\left(s_e\right)-m_o\left(s_k\right)|}^{f_3})}^{f_4},$其中，d_s(s_e)，d_e(s_e)，m_o(s_e)分别表示目标状态s_e下的感知拥堵程度等级，目标区域位置编号和驾驶员情绪级别，d_s(s_k)，d_e(s_k)，m_o(s_k)依此类推，f₁，f₂，f₃，f₄为常数。决策周期t的状态转移路径中第k个状态对应的算子o(s_k)的反馈偏好值λ[d(s_k，s_e)]p_r(s_e)，λ[d(s_k，s_e)，r(s_k)]为p_r(s_e)分配到o(s_k)上的权重，它是d(s_k，s_e)及s_k所在的状态转移路径r(s_k)的函数，本发明 $\lambda [d(s_k,s_e),r\left(s_k\right)]=\frac{1}{d(s_k,s_e)}/\underset{i=1}{\overset{\left|r\left(s_k\right)\right|}{\Sigma }}\frac{1}{d(s_i,s_e)},$其中|r(s_k)|为s_k所在路径包含的状态数量。 

(6)仿真实验 

1)仿真条件及限速标志设置位置和限速大小优化评价方法 

采用如图3所示道路进行仿真，双向六车道快速路长2km，设计车速为80km/小时，通行能力1500pcu/h/ln，车道宽度为3.75米。在离路口800m处进行施工作业，封闭自东向西方向临时停车带和两个车道，并将道路其它四个车道改造成双向四车道，小汽车的自由流速度为80km/h。在施工预告段布设的交通标志如下图所示，其中限速标志距离上游过渡区交界位置的距离为L，认读开始位置为距离限速标志[60，100]范围。 

限速标志设置位置和限速大小优化评价方法为：在车辆驶近施工作业区时，需要进行换道，与在对应换道车道正在行驶的车辆存在交织。 

本发明根据当前车辆和相邻车辆占用道路元胞的重叠程度对交通冲突及严重程度进行判别。将冲突严重程度分为三级：一般冲突，中等冲突，严重冲突，其对应重叠的元胞数分别为1，2，3及以上。其中二维元胞的长宽均为1.25米。 

2)仿真实验及结果 

道路施工养护作业是在局部封闭的施工作业路段中进行的，施工作业路段附近车流量大、交通环境差。施工路段一般设置了标志、标线、渠化设施、障碍物，并配备了施工作业车辆。如图4-a所示，典型的双向六车道公路在养护施工时，一般施工路段具体可分为以下几个部分： 

(1)施工预告段：提示前方道路施工，使驾驶员注意交通变化情况，以便及时采取措施；在施工封锁施工作业路段前方，应设立施工警告标志，用于通告道路的交通阻断、绕行情况，使司机有时间调整其行车速度。 

(2)上游过渡区：起导流作用，引导车辆改变行驶方向，致使车辆变换车道由行车道汇合于超车道。也可以形象称之为汇流渐变段。 

(3)上游缓冲区：为行车者和施工人员提供缓冲保护，缓冲路段内不准停放器具、车辆、材料，禁止工作人员停留，以避免由于车辆失控出现的事故。 

(4)施工工作区：是养护施工人员活动和工作的地方，车道与作业路段之间必须设置隔离装置，作业路段还应为工程车辆提供安全的进出口，施工作业段全程用带有方向指示的路拦或锥形交通标志与通行车道进行隔离。驶入该路段的车辆不能超车，只能跟驰行驶。 

(5)下游过渡区：是解除断面压缩，恢复正常行驶的过渡路段，起导流作用，引导车辆改变行驶方向，变换车道，进入正常的行驶车道。也可以形象称之为分流渐变段。 

(6)施工终止区：表示施工路段的结束和施工限速的解除，位于施工路段的末端。交通流逐渐恢复正常运行状态。 

本发明的仿真实验场景如图5所示。改变速度限制上限，分别设置为30km/h、35km/h、40km/h、45km/h、50km/h、55km/h、60km/h，并将限速标志设置位置L长度分别设为10m、20m、30m、40m、50m、60m、70m，发车频率设为1050pcu/h/ln，即道路载荷系数为0.7，对7种不同速度设置上限和标志位置进行交叉仿真实验，仿真120分钟内，得到不同条件下的交通冲突指标如表1-3及图5-10所示，图11-14为不同条件下的交通流时空图。 

表1限速标志不同位置和限速大小下一般冲突次数 

表2限速标志不同位置和限速大小下中等冲突次数 

表3限速标志不同位置和限速大小下严重冲突次数 

3)仿真结果分析 

(1)如表1-3，图5-7所示，对于限速标志不同的设置位置和限速大小，一般冲突、中等冲突和严重冲突变化程度不一样。当限速大小不变而改变限速标志设定位置时，L从10m增大到70m过程中，一般冲突次数减少趋势较为明显，这表明轻微事故发生的可能性随着限速标志设定位置前移而减少；中等冲突次数随着限速标志设定位置的前移变化并不明显，这表明中等事故发生的可能性随着限速标志设定位置前移而无明显变化；随着限速标志设置位置前移，严重冲突次数对不同限速大小有不同变化趋势，当限速大小较大时，基本呈现减少趋势，而当限速大小较小(30-35km)时，变化曲线尾部上翘，即设置位置增大到50米以上时，严重冲突程度反而有上升的趋势。 

(2)如图8-10为限速40km/h，L取不同位置时的交通流时空图。L＝10m时，在施工区域前方的发生大面积拥堵，且随着时间的增长，拥堵区域逐渐扩大；L＝30米时，施工区前方拥堵面积减少很快，拥堵区域扩大趋势得到控制；L＝70米时，施工区前方拥堵面积进一步减少但仍然存在，与L＝30米时交通流状态差别不大。 

(3)综合考虑交通冲突和交通拥堵状况，推荐在仿真实验条件下，限速40km/h的交通标志设置位置为施工过渡区前方30米左右。