用于连接和自主车辆的专用车道的城市尺度建模和评估的制作方法

1.本公开涉及连接的自主车辆。


背景技术：

2.越来越多地使用连接的自主车辆(cav)以及道路网络上越来越多的交通量增加了优化cav专用车道设计和优化cav服务(诸如自主车辆(av)快速公交系统(brt)、av需求响应运输(drt)等)的重要性。然而，涉及这种优化的众多因素以及它们的交互的复杂性使得优化专用cav车道和cav服务变得困难。尽管先前已经对运输系统进行了计算机建模以进行优化，但是此类模型并未尝试考虑与cav服务和专用cav车道相关的因素。此外，先前的运输系统模型的效率不足以允许使用快速实验设计(doe)方法。也就是说，先前的运输系统模型是高度计算密集的并且太慢而无法通过建模进行快速实验。先前不可能使用运输模型来以实验方式识别用于cav服务的专用车道的最佳设计和用户选择。


技术实现要素：

3.生成基于代理的模型(abm)，其中abm包括代理。所述abm包括对应于感兴趣的大都市地理区域的道路网络。可以执行abm以仿真代理的行为。所述abm包括具有对专用连接的自主车辆(cav)车道的指定的道路网络。abm还包括对驾驶员的cav车道选择行为进行建模的cav车道选择行为模型。cav车道选择行为模型具有可以改变以改变由车道选择行为模型建模的车道选择行为的参数。将车道选择行为模型应用于abm，使得当执行abm时，代理至少部分地根据cav车道选择行为模型来表现。
附图说明
4.从根据附图阅读的以下详细描述，将更好地理解本描述，其中在附图中，相同的附图标记用于表示相同的零件。
5.图1示出了根据本公开的一个或多个实施例的并入到介观城市尺度的基于代理的模型(abm)中的车道选择行为模型。
6.图2示出了根据本公开的一个或多个实施例的用于构建介观城市尺度的abm以包括cav相关特征的过程。
7.图3示出了根据本公开的一个或多个实施例的用于设计本文描述的模型的概述。
8.图4示出了根据本公开的一个或多个实施例的一般建模框架的附加细节。
9.图5示出了根据本公开的一个或多个实施例的用于cav集成的框架。
10.图6示出了根据本公开的一个或多个实施例的由平台执行的用于转换网络数据的功能。
11.图7示出了根据本公开的一个或多个实施例的由平台执行的用于转换需求数据的功能。
12.图8示出了根据本公开的一个或多个实施例的与cav车道决策相关的因素。
13.图9示出了根据本公开的一个或多个实施例的用于对旅行者的车道选择行为进行建模的架构。
14.图10示出了根据本公开的一个或多个实施例的用于收集、处理和参数化调整cav车道选择数据的过程。
15.图11示出了根据本公开的一个或多个实施例的来自用户调查的模型输入数据。
16.图12示出了根据本公开的一个或多个实施例的可以由车道选择模型用来预测选择常规车道或cav车道的概率的公式。
17.图13示出了根据本公开的一个或多个实施例的用于集成cav模式以评估cav车道的吸引力的方法。
18.图14示出了计算装置400的细节，计算装置中的一个或多个可以执行上面讨论的工具和模型/仿真。
具体实施方式
19.如背景技术中所述，需要允许具有专用cav车道和cav服务的运输网络的快速仿真的运输模型。许多运输专家预期cav的涌入将导致交通流态的改善。然而，存在关于基础设施变化和不同的cav服务可如何影响用户偏好的问题。cav在现有交通中的策略性协调对于改善交通性能和用户对cav的选择都是重要的。使cav的益处最大化的一种方法是通过用于cav及其相关服务(例如，av brt、av drt等)的专用车道实现方式。
20.一种可能的方法是利用微观交通仿真。然而，仿真的计算要求和运行时间不允许以城市尺度进行cav服务的快速原型设计。另外，当涉及专用cav车道时，大多数微观仿真框架无法帮助我们理解(并且不考虑)用户的车道选择偏好。
21.以下是对车道选择问题的讨论。作为一种新形式的基础设施，专用cav车道可以借用现有选项(即，高占用收费车道、快速公交系统、收费车道等)，但是这种方法带有挑战。不同的特征将影响“车道选择”，即，一个人是否选择走专用车道。此类特征的示例包括相对成本、来自编队和信号优先级的益处、进入点、行驶时间的连通性益处、行驶可靠性以及从自主中“释放”的时间等。
22.介观(和基于活动的)模型呈现了用于城市尺度建模的框架(其考虑了代理的选择)并且有可能以更接近微观仿真的仿真性能真实地表示交通系统。在介观交通仿真中，车辆被建模为链路上的编队或具有简化的车辆动力学。该领域中的先前模型和工具可以考虑cav(例如，argonne的polaris)的整体性能特性和模式选择。然而，这些先前的工具在基础设施与cav之间的关系方面是弱的，特别是在cav行为和规则可能与传统车辆不同的情况下。总之，先前的工具都不具有对专用cav车道选择进行建模的能力。
23.了解用户对专用cav车道的感知和cav车道选择的主要指标可以支持对此类基础设施变化的商业决策和未来投资。这些指标可以集成到模型中以使用实验设计方法来进行场景分析，以估计沿着cav专用车道或走廊的需求。本文描述的实施例可以通过用与用户的专用cav车道选择相关的信息增强介观的基于代理的模型(abm)来填补这一空白。
24.本文描述的一些实施例需要用于将来自基于行程的行驶需求模型的需求数据离散化为可以提供给介观的abm的输入的新颖技术和模式。这些技术可以实现介观的abm在用于网络开发和需求的数据转换平台等方面的快速开发。实施例还可以包括使用网络细化方
法用于通过开发不同网络保真度的子区域以允许对各个区中的感兴趣区域进行详细而有效的仿真来进行广域交通仿真以开发结构化和可扩展的方法的技术。例如，可以通过在abm框架中将道路重新定义为专用于cav(专用走廊)(具有用于brt停靠站的附加特征)并表示不同的cav服务类型(例如，私家汽车、brt、需求响应运输、第一英里/最后一英里班车等)来构建道路网络(下文称为“网络”)属性。为此，可以开发用于可以应用于abm的专用cav车道选择模型的框架。通过改变这些车道选择模型中的参数，可以设计建模实验以理解促进用户采用专用cav车道的约束，从而优化cav走廊使用和沿着专用走廊的性能。
25.图1示出了并入到介观城市尺度的abm 102中的车道选择行为模型100。介观城市尺度的abm 102还包括网络104。车道选择行为模型100具有可以变化的参数106，其进而在运行仿真时改变由介观城市尺度的abm 102输出的紧急输出108。紧急输出108可以用于通知建模的网络和cav服务的设计。
26.综上所述，abm是用于仿真自主代理的动作和交互以便理解其全系统影响的一类模型。abm可以提供对建模代理的集体行为的见解，所述建模代理通常遵守并执行一个规则。abm仿真其代理的同时操作和交互。关于整个系统的潜在复杂信息从代理的动作的仿真中出现。也就是说，高级系统性质从低级子系统的交互中出现。通常，简单行为(代理规则)会生成转化为系统级别的状态变化的复杂行为。除了代理/规则之外，abm还可以具有决策启发式、学习规则或自适应过程、交互拓扑(例如，网络)和环境。abm实现为计算机仿真，作为定制软件或经由abm工具包实现。该软件可以用于测试各个行为的变化将如何影响系统的出现的整体行为。因为abm在计算领域中是已知的，所以省略了介观城市尺度的abm 102的一些细节。如下面所讨论的，车道选择行为模型100通知介观城市尺度的abm 102中各个代理的决策和动作。
27.图2示出了用于构建介观城市尺度的abm 102以包括cav相关特征的过程。在步骤120处，获得网络104的初始网络数据，例如来自openstreetmap项目、行驶需求模型、here网络(参见here-dot-com)或其他来源的一个或多个地图。步骤120可以包括细化初始网络以仅保留感兴趣区域的保真度，这可以使用可用的地理信息系统(gis)工具来执行。该步骤可以显著改善介观城市尺度的abm 102的仿真运行时间(参见图7)。而且，在步骤120处，可以将最终网络转换成使用任何基于代理的仿真器所需的格式(基于代理的仿真器执行介观城市尺度的abm 102)。可以开发具有增强的网络编辑特征的平台并将其用于将来自多个网络数据源的网络文件快速转换成介观模型所需的输入(参见图7)。
28.在步骤122处，获得感兴趣区域的需求数据。需求数据呈日常活动/行驶模式的形式。需求数据被转换成基于代理的仿真器所需的任何格式。在一些实现方式中，需求数据可能已经是所需的格式。否则，将来自行驶需求模型或其他数据源的需求数据(以产生-吸引力矩阵或起点-目的地矩阵的形式)转换成具有计划(起点、目的地、起始时间、行驶模式、行驶目的等)的各个代理，其用作介观城市尺度的abm 102的输入。该转换过程可能是费力的，并且下面参考图7讨论的转换平台也是新颖的。
29.在步骤124处，通过将感兴趣的走廊(链路)编码为仅cav可穿越来针对专用cav走廊重新配置网络。基于代理的仿真器中的交通模型被配置为精确地表示cav效果和车辆交互。可以使用更详细或高级的模型来捕获(作为代理)介观城市尺度的abm 102中的车道级细节。另外，对于网络中的道路上的cav的不同穿进速率，可以基于网络链路来调整动态链
路容量。
30.在步骤126处，开发并集成用于具有专用cav车道的cav模式的模块。cav模式可以包括但不限于cav brt、cav drt、常规drt和多模式出行(第一英里/最后一英里)。对于新的交通模式，可以设定车费，并且可以将成本分配给至具有停靠站的指定链路的模式。可以设定其他约束，例如关于车辆大小、最大绕行和等待时间以及下车/上车时间(特别是在drt的情况下)。还可以分配上车点和下车点。此外，如下面参考图8至图11所讨论的，可以采用用于收集特定于用户的数据并将其集成到cav车道选择行为模型100中以生成对影响用户的cav车道选择的因素的见解的方法。这些见解可以为投资专用cav车道以及车道上的哪些特征与车道用户最相关的决策提供信息。
31.图3示出了用于设计本文所述的模型的概述。在步骤140处，将专用cav车道选择的特定于cav的属性集成到车道选择行为模型100中。在步骤142处，使用本文描述的用于效率的工具，开发介观城市尺度的abm 102。在步骤144处，将cac车道选择模型100并入到abm中，并且通过将参数106引入到选择模型中来进一步完善专用cav车道选择模型100。如上面所讨论的，用于输入数据转换的平台146用于生成特定于用户的和cav属性148，所述属性有助于识别是否和/或哪些用户可能采用专用cav车道。在步骤150处，引入表示cav模型和服务(例如，av走廊、av brt停靠站等)的基础设施改变。源自按照步骤140、142、148和150构建的模型的潜在优点可以包括：改善对cav用户人口统计和对cav车道的偏好的理解；获得为用于投资专用cav车道的基础设施的特定于用户的商业模型提供信息的见解；获得对专用cav车道的利用率的见解，这可以使得能够调查拥挤收费的应用；以及理解激励策略以鼓励用户采用av的创新方式。来自步骤140、142和144的潜在优点可以包括：快速的模型开发；将传统的需求模型数据方便地转换成介观abm格式；以及使用多个开源gis数据进行高效的网络构建。
32.图4示出了一般建模框架的附加细节。对于网络配置和子区域细化的任务(左列)，步骤可以包括首先将来自可用数据源(诸如行驶需求模型(tdm)、开放街道地图(osm)、here地图等)的网络数据转换成介观交通仿真所需的格式。然后，具有增强的网络编辑特征的平台用于将来自可能多个数据源的网络文件快速转换成介观模型所需的输入。
33.对于准备和生成需求数据的任务(中间列)，首先，将需求数据转换成abm的输入格式。然后，新平台用于在组合框架中将需求数据转换成abm的输入。
34.对于构建介观城市尺度的abm 102的任务，首先将准备好的需求数据和网络数据并入到建模平台中。然后，设置模型配置和仿真所需的其他输入参数。最后，初始化并运行介观城市尺度的abm 102以获得基础模型的结果。模型运行还允许针对观察到的交通方式划分和现有交通计数来验证基础模型，以确保输出交通模式与地面实况具有可接受的误差余量。
35.图6示出了用于cav集成的框架170。针对专用cav车道重新配置网络(左列)。这可能涉及修改基础网络以包括专用cav车道和服务类型(例如，brt停靠站)。然后，设置模型配置和仿真所需的其他输入参数。cav特性(诸如基于队列的路线选择期间的动态容量算法)被集成到模型中。cav模式被集成到介观城市尺度的abm 102中(中间列)。该步骤可以从将cav的用户选择参数集成到模式选择实用程序中开始。然后添加cav自动所有权模块。然后，通过将选择参数调整为特定于每种cav类型(例如，cav brt、cav drt和私人cav)来修改实
用程序。最后，执行车道选择建模以捕获专用cav车道数据(右列)。也就是说，执行最终构建的介观城市尺度的abm(运行仿真)以确定模型及其数据内的关键性能指标(kpi)。具体地，通过改变输入变量(例如，车费、等待时间、绕行时间等)来执行实验设计(doe)过程。cav车道的紧急输出可以包括kpi，诸如：对专用cav车道的预期需求、平均用户等待时间(如果车道用于cav drt/brt)、平均行程时间、平均车辆占用率(如果cav drt)、cav drt/brt的最佳车队要求、网络性能(例如，车辆行驶里程、排放等)。
36.图6示出了由平台执行的用于在组合的和自动化的框架中将网络数据180转换成abm所需的输入的功能。在步骤184处加载初始网络182，例如来自openstreetmap或另一个gis数据源的网络/地图。在步骤186处，用网络特征提取脚本修整所有街道网络(修整和简化可以是使用定制脚本手动或自动进行的)以匹配计划网(感兴趣的区域/城市)并在围绕感兴趣区域的区域中简化模型。在步骤188处，清洁网络以验证和匹配道路类型、速度限制、关键道路上的车道数量以及由于施工引起的道路变化。在步骤190处，将清洁和验证的网络转换成abm格式(例如，matsim格式)。最后，在步骤192处，将诸如通用交通反馈规程(gtfs)数据的公共交通数据集成到网络中。
37.图7示出了由平台执行的用于在组合的和自动化的框架中将需求数据200转换成abm所需的输入的功能。在步骤202处，将产生-吸引力(pa)矩阵转换成起点-目的地(od)行程。在步骤204处，行程被整合并添加人口统计数据，从而产生行程数据206。关于前者，一些形式的需求数据包括行程的统计汇总，所述统计汇总被转换成离散(整数)行程计数。在步骤208处，对行程数据208中的行程记录进行分类以确定要保持哪些行程，即，哪些行程在正在建模的感兴趣区域210内开始和/或结束。在步骤212处，行程区域被分配给网络，从交通分析区(taz)级别转到节点/链路级别。在步骤214处，分配行程开始时间，例如，白天或夜晚。在步骤216处，例如以xml写入包括人口统计信息的abm人口文件。所述xml文件可以符合matsim人口模式诸如版本6。
38.在xml文件中的节点可能包括包含人员节点的人口节点。每个人员节点可能包括诸如收入、行程类别、汽车可用性、人员是否是货运承运人等属性。每个人员节点还可以具有计划节点。仅举一些示例，每个计划节点可以是活动节点、支路模式和活动节点。每个活动节点可以具有诸如行程类型(例如，家、工作)、网络中的链路标识符、开始或结束时间、地理或地图坐标等的属性。每个支路节点可以具有与行程的支路相关联的属性，例如运输模式(例如，汽车)。
39.图8示出了与cav车道决策相关的因素。如上所述，车道选择行为模型100旨在对驾驶员如何进行车道选择进行建模。基于对应类型的用户调查，与该决策有关的两种类型的因素或变量可以包括在车道选择行为模型100中。人口统计变量230可以包括年龄、性别、收入、教育、汽车所有权、驾驶经验、控制点、科技悟性、对科技的谨慎性、av/cav的先前经验或知识、先前碰撞经验等。特定于cav的变量232可以包括舒适度、车辆碰撞等级、车辆部件磨损(包括典型的系统和设备生命周期)、安全性、行驶时间、多任务处理、天气状况、当日时间、行驶时间可靠性、网络熟悉度、共享或共用的、高速公路或城市街道、晕动病、cav的设计、成本(私人cav或相关服务，例如av brt/drt)等。
40.图9示出了用于对旅行者相对于专用cav车道的车道选择行为进行建模的架构250。如所指出的，可以收集社会人口调查252。可以收集在线陈述偏好(sp)调查254。还可以
收集来自使用虚拟现实仿真器的用户的数据256。还可以进行在线显示偏好(rp)调查258。在步骤260处，将关于车道选择行为的该数据处理成一致格式。在步骤262处，车道选择数据用于对选择专用cav车道的行为进行建模，即，构建车道选择行为模型100。在步骤264处，车道选择行为模型100被并入到介观城市尺度的abm 102中。
41.图10示出了用于收集、处理和参数化调整cav车道选择数据的过程。验证模块280组合数据集，并且估计cav用户选择参数。验证模块280可以包括离散选择模型、机器学习模型(rf用于相对重要性)等。验证模块280还可以使用来自上面讨论的组合的在线sp/rp和vr数据估计的估计来对在线和虚拟sp数据估计执行cav选择参数的调整。验证模块280输出对私人cav采用重要的变量282、对cav服务类型(av brt、av drt等)的采用重要的变量284、对cav操作(驾驶或完全自主)的选择重要的变量286、用于集成到基于代理的介观模型的模式选择分量中的估计的选择参数288，以及值得注意的，用于选择cav专用车道的估计的选择参数290。在步骤292处，车道选择行为模型的变量被集成到介观城市尺度的abm 102中。
42.图11示出了来自用户调查的模型输入数据300。输入数据包括驾驶员特征(x)、道路/环境特征(y)、交通特征(z)和车辆特征(v)。车道选择行为模型100输出用户在任何特定行程中选择常规车道或cav车道的概率。图12示出了可以由车道选择模型100用来预测选择常规车道或cav车道的概率的公式。可以看出，输入数据用作计算选择专用cav车道的概率的示例性函数的参数。
43.关于上述调查，可以从诸如智能手机所有权、智能手机应用的使用、关于技术的情绪(例如，安全性、数据安全性、隐私性)等调查问题来估计用户对技术体验的看法。在行驶期间用户对灵活性的偏好(例如舒适度和多任务处理)可以从诸如行驶期间的多任务处理的相关性、对舒适度的需求以及对舒适度水平的偏好的调查问题来推断。如果cav具有专用车道，则用户对cav或共享cav的偏好可以根据与专用走廊的先前使用和基于所述益处的专用走廊的选择相关的问题来评估。用户对cav的先前体验和/或对cav(私人或共享cav)的偏好可以通过关于cav的问题来测量。
44.关于用于收集相关cav车道选择行为数据的虚拟现实(vr)仿真，vr仿真器可以区分常规车辆和cav。可以在视觉上指示专用cav车道，并且当进入时，效果诸如可靠性、舒适性、免提操作、改善的行驶时间、增加的容量、安全性和连接性对测试对象来说可能变得显而易见。在用户进行的测试之前可以进行社会人口/先前av体验调查。仿真可以迭代各种cav vr场景。仿真还可以应用于不同的cav服务类型，诸如cav brt和cav drt。不同的因素可以变化并且与捕获的用户行为相关。此类因素可能包括车道是专用cav车道还是常规车道、熟悉和不熟悉的网络、舒适性/可靠性相关因素(诸如多任务处理与否)以及仿真道路上的不同拥堵程度。可以针对不同水平的行驶时间可靠性以及针对不同的天气状况和能见度呈现其他场景。
45.图13示出了用于集成cav模式以评估cav车道的吸引力的方法。在步骤320处，将cav车道选择模块集成到基于队列的路线选择中以计算用户对cav车道的选择。在步骤322处，执行/仿真介观城市尺度的abm 102。循环重复，直到步骤324确定已经满足收敛。如果不满足收敛，则在步骤326处，为每个代理计算新的车道选择和模式选择。然后，在步骤328处，重新运行模式选择和车道选择模型以获得新的模式共享(例如，％cav、hdv、brt等)和cav专用车道使用。当步骤324确定已经满足收敛时，在步骤330处存储紧急输出以供设计者评估。
46.关于紧急输出，cav业务利益相关者可以在做出投资此类基础设施的决定之前开始了解用户对专用cav车道的偏好，并且因此了解对车道使用的需求。来自组合的所述偏好和虚拟现实调查的估计参数及其对仿真模型上的输出的影响也可以通知影响用户对车道的选择的专用cav车道的属性。这可以用于集成专用车道的不同特征，这有可能改善使用。还可以评估用户对私人拥有的cav和其他cav服务(例如，av brt/drt)的偏好。可以测量对cav和cav服务的城市尺度需求。
47.图14示出了计算装置400的细节，计算装置中的一个或多个可以执行上面讨论的工具和模型/仿真。本文的技术公开内容将足以使编程人员编写软件，和/或配置可重新配置的处理硬件(例如，现场可编程门阵列(fpga))，和/或设计专用集成电路(asic)等，以在计算装置400上运行来实现本文描述的任何特征或实施例。
48.计算装置400可以具有一个或多个显示器402、网络接口404(或若干网络接口)以及存储硬件206和处理硬件408，所述处理硬件可以是任一个或多个以下项的组合：中央处理单元、图形处理单元、模数转换器、总线芯片、fpga、asic、专用标准产品(assp)、或复杂可编程逻辑装置(cpld)等。存储硬件406可以是磁存储、静态存储器、易失性存储器、非易失性存储器、光可读或磁可读物质等的任何组合。本文所用术语“计算机可读存储”的含义并非是指信号或能量本身，而是指物理设备和物态。计算装置400的硬件元件可以以机器计算领域中众所周知的方式进行协作。另外，输入装置可以与计算装置400集成或通信。计算装置400可以具有任何形状因数或者可以用于任何类型的包围装置。
49.在以上公开中，已经参考了形成以上公开的一部分的附图，附图示出了其中可以实践本公开的具体实现方式。应理解，在不脱离本公开的范围的情况下，可以利用其他实现方式，并且可以进行结构改变。说明书中对“一个实施例”、“实施例”、“示例性实施例”、“示例性实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性，但是每一个实施例可以不必包括所述特定特征、结构或特性。此外，此类标签或短语不一定是指同一实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确地描述，本领域技术人员都将认识到结合其他实施例的此类特征、结构或特性。
50.虽然上文已描述了本公开的各种实施例，但应理解，仅通过示例而非限制的方式呈现本公开的各种实施例。相关领域的技术人员将明白，在不脱离本公开的精神和范围的情况下可以作出形式和细节上的各种变化。因此，本公开的广度和范围不应受到任何上述示例性实施例的限制，而是应仅根据所附权利要求和其等效物限定。已经出于说明和描述目的而呈现了前述描述。前述描述不意图是详尽的或将本公开限制于所公开的精确形式。根据以上教导，许多修改和变化是可能的。此外，应注意，前述替代实现方式中的任一者或全部可按任何所期望的组合使用，以形成本公开的附加混合实现方式。例如，相对于特定装置或部件描述的任何功能可以通过另一个装置或部件来执行。另外，尽管已经描述了具体装置特性，但本公开的实施例可能涉及许多其他装置特性。另外，尽管已用特定于结构特征和/或方法动作的语言描述了实施例，但是应理解，本公开不一定受限于所描述的具体特征或动作。相反，将具体特征和动作公开为实施所述实施例的说明性形式。除非另外特别说明，或者在所使用的上下文中另外理解，否则尤其诸如“能够”、“可以”、“可能”或“可”等条件语言通常意图传达，虽然其他实施例可以不包括，但某些实施例可包括某些特征、元件和/或步骤。因此，此类条件语言一般并不意图暗示一个或多个实施例无论如何都需要各特
征、元件和/或步骤。
51.根据本发明，一种由计算装置执行的方法包括：生成基于代理的模型(abm)，所述abm包括代理，所述生成包括并入对应于感兴趣的大都市地理区域的道路网络，其中所述abm可以被执行以仿真所述代理的行为；生成所述abm还包括至所述abm的道路网络，所述道路网络包括对cav专用车道的指定；生成所述abm还包括实现对驾驶员的cav车道选择行为进行建模的连接的自主车辆(cav)车道选择行为模型，所述cav车道选择行为模型包括可以改变以改变由所述车道选择行为模型建模的车道选择行为的参数；将所述车道选择行为模型应用于所述abm，使得当执行所述abm时，所述仿真代理至少部分地根据所述车道选择行为模型来表现，并且其中所述abm的执行输出由所述代理建模的用户将使用cav专用车道的概率。
52.在本发明的一个方面，所述车道选择行为模型包括从用户调查导出的参数。
53.在本发明的一个方面，所述用户调查包括虚拟现实驾驶仿真，所述虚拟现实驾驶仿真仿真在具有cav专用车道的道路上的驾驶。
54.在本发明的一个方面，所述abm对所述cav专用车道的特性进行建模。
55.在本发明的一个方面，所述特性包括车道速度、车道优先级或cav专用车道是否是收费车道。