考虑密度对联网自动驾驶车辆碳排放影响的微观交通表征

为什么堵车与气候有关

任何在停走交通中受困的人都会好奇：究竟有多少燃料被白白消耗？本文提出了一个密切相关的问题：道路上车辆之间的间距——即交通“密度”——如何影响现代联网自动驾驶车辆（CAV）的二氧化碳（CO₂）排放？通过将详细的驾驶行为与实际排放测量数据联系起来，作者表明，更智能的车距管理和更平顺的车流可以显著减少污染。

从拥挤道路到碳排放

公路运输是全球最大且增长最快的温室气体来源之一。随着道路上车辆增多，拥堵加剧、排放上升，对空气质量和气候造成严重影响。传统的交通排放估计工具要么侧重于长路段上的平均速度，要么依赖难以校准且难以广泛应用的复杂模型。同时，CAV开始进入交通流，承诺带来更安全和更高效的驾驶，但也改变了车辆之间的相互作用。要理解这对排放意味着什么，我们需要关注单个车辆、它们的间距以及它们对变化条件的反应的模型。

测量密度如何影响CO₂

作者从在巴基斯坦白沙瓦的两条日常通勤路线（分别为早晚高峰）进行的实地实验开始，每条路线约7–8公里。他们在一辆车上安装了与智能手机应用和云平台相连的车载诊断扫描仪。该系统在车辆行驶现实交通时持续记录发动机数据和CO₂排放。利用既有的交通关系，他们将车辆间距转换为交通密度，然后应用回归分析推导出密度与CO₂排放之间的简单数学关联。随着密度上升、交通变得更加停走，排放以明确且可量化的方式上升。

构建更平顺驾驶的交通模型

接着，团队将这种排放—密度关系融入一个著名的微观交通模型——智能驾驶者（ID）模型。该模型通常使用固定参数来控制驾驶者对速度差异的反应强度。作者并未将该参数视为常数，而是允许其随交通密度、车辆间距和驾驶者反应时间变化，并明确表示CAV更快的反应。在这一新表述中，排放不是单独的优化目标；它自然而然地由车辆在不同密度下的加速和制动行为产生。该模型因此捕捉到CAV通过调整跟车距离和速度以维持更平顺车流、避免浪费燃料的急加速和急刹车的能力。

在虚拟道路上测试稳定性和排放

为观察新方法的表现，研究者在一条1公里的环形道路上对一小队车辆进行了计算机模拟。他们在相同条件下将考虑CAV与排放敏感性的模型与标准ID模型进行了比较。详尽的稳定性分析表明，新模型更有效地抑制了交通波：间距和速度上的小扰动会消失，而不是演化成大的拥堵波。在模拟中，当允许车辆采用更长的跟驰时间（更大车头时距）时，交通密度下降，速度更趋均匀，加速度尖峰几乎消失。相比之下，仅调整传统ID模型中的固定参数虽能在理论上使交通表现得更稳定，但这种调整并未与现实的驾驶者或车辆行为相一致。

这些结果对污染意味着什么

由于大幅度的加速和制动与CO₂排放密切相关，新模型产生的更平顺的驾驶直接导致更低且更稳定的排放水平。来自模拟的定量统计显示，随着CAV模型中跟驰时间的增加，速度、密度和加速度的变异性显著下降，且CO₂排放对密度的灵敏度变得较小且稳定。在旧的ID模型中，提高其关键参数反而放大了波动，并可能意味着更高的排放。因此，研究表明鼓励CAV保持安全但宽松的跟驰距离、快速而平滑地对前方变化做出反应的交通系统，可同时减少拥堵并降低碳排放。

这将如何影响未来道路

通俗地说，这项工作指出，更清洁的交通不仅关乎更清洁的发动机，也关乎车辆如何被间隔和控制。通过将模型建立在路边数据和现实的CAV行为之上，作者提供了一个工具，交通规划者可以在真正部署到道路上之前用于测试诸如协调车速、生态驾驶指导和基于CAV的控制方案等策略。如果被广泛采用，这些策略可以帮助城市设计出更少形成停走波、出行更可预测且驾驶对气候影响显著降低的道路系统。

引用: Khan, Z.H., Ali, F., Gulliver, T.A. et al. A microscopic traffic characterization considering the impact of density on carbon emissions from CAVs. Sci Rep 16, 7648 (2026). https://doi.org/10.1038/s41598-026-37851-x

关键词: 联网自动驾驶车辆, 交通密度, CO2排放, 微观交通模型, 交通稳定性