1. 为什么偏偏是Aimsun来做微观仿真做交通仿真这行时间久了手里总会攒下几套工具VISSIM、TransModeler、SUMO、Aimsun各有各的脾气。但如果你问我哪种场景下我会第一个想到Aimsun答案很明确当项目需要把路网细节、驾驶行为、信号控制这三件事揉在一起还要求结果能经得起推敲的时候Aimsun的微观仿真模块几乎是绕不开的选择。AimsunAdvanced Interactive Microscopic Simulator for Urban and Non-urban Networks这套软件的历史可以追溯到上世纪80年代末最早是西班牙加泰罗尼亚地区的一个大学项目后来独立成公司。它最大的特点不是某一个功能多么花哨而是把宏观、中观、微观三种仿真层次放在同一个平台里用同一套路网数据可以切换不同精度来做分析。微观仿真就是其中最精细的那一层每一辆车都是一个独立的个体有自己的期望速度、跟车习惯、换道激进程度甚至对信号灯的反应时间都不一样。很多刚接触Aimsun的人会问我直接用VISSIM不就行了这话有一定道理但Aimsun在几个地方有它独特的优势。首先是它的事件管理机制特别适合做事故占用车道、临时管制这类动态场景其次是它的API接口Aimsun Next的Micro API支持Python和C二次开发可以自己写模型逻辑塞进仿真里再就是它的3D可视化虽然平时做项目不太看重这个但拿去给甲方汇报的时候那效果真的不一样。这篇文章我就基于Aimsun Next目前主流的版本是Aimsun Next 22或23老项目里还有用8.x的展开从微观仿真的底层逻辑讲起把路网搭建、需求输入、参数标定、结果校核这条完整链路梳理一遍。内容偏实操适合正在做交通影响评价、信号优化方案评估或者新建片区路网方案比选的工程师参考。如果你是学生或者刚入行这篇文章也可以帮你建立一套“做微观仿真该关注什么”的完整认知框架。2. 微观仿真的底层逻辑Aimsun在模拟什么2.1 从跟车模型到驾驶行为车辆是怎么“动”起来的微观仿真和宏观仿真的本质区别在于对交通流的描述粒度。宏观模型用的是流量、密度、速度这三要素的守恒关系相当于把车流想象成水流。微观模型则要把水流拆成一个个水分子每个水分子有自己的“脾气”。Aimsun微观模块的核心是跟车模型Car-Following Model它决定了前车减速时后车以什么逻辑减速、保持多少间距。Aimsun默认使用的是Gipps模型这个模型是上世纪80年代Gipps提出的它的核心思想是驾驶员在跟车时会选一个“既能保持安全距离又不至于太慢”的速度。用通俗的话讲就是每个司机心里都有一个小算盘——我当前速度是多少前车速度是多少两车距离还有多少我的反应时间要多久把这些代入一堆不等式算出一个我“敢开”的速度。在Aimsun里Gipps模型有几个关键参数需要关注反应时间Reaction Time默认值通常在0.75秒到1秒之间。反应时间越长仿真里的通行能力会越低排队长度会更长。这个参数不是随便调的建议根据实际视频数据来标定。最大加/减速度Maximum Acceleration / Maximum DecelerationAimsun里并不是所有车都用同一个最大加速度它会根据车辆类型和驾驶员类型做区分。比如小汽车的最大加速度可以到3.5 m/s²公交车可能就只有1.5 m/s²。期望速度Desired Speed每辆车有一个自己“最舒服”的行驶速度如果前面没车它就按这个速度跑如果被堵住了它就在允许范围内寻找换道机会。除了跟车模型换道模型Lane-Changing Model)也是微观仿真的重头戏。Aimsun的换道逻辑分两种一种是“必须换道”比如前面是公交专用道、车道封闭一种是“效益换道”比如当前车道太慢旁边车道清净。必须换道有强制性离决策点越近越坚决效益换道则要计算换道之后的速度收益是否值得冒险。说实话刚做仿真的时候我一度不太关心这些模型参数觉得用默认值跑完出图交差就行。但后来被一个项目坑过一次某交叉口的仿真排队长度比实测长了30%排查了半天最后发现是跟车模型里的反应时间设成了1.5秒而那个路口的司机驾驶风格明显偏激进标定成0.8秒之后误差立刻降下来了。从那以后模型参数理解不透彻就不要轻率上仿真这是我做微观仿真最深的体会之一。2.2 车辆与驾驶员类型Aimsun里“千人千面”如何实现如果仿真里所有车都是一个模子刻出来的——同样的加速度、同样的期望速度、同样的反应时间——那结果会非常失真。真实交通流里有的人开车风风火火见缝插针有的人稳如老狗跟车距离拉得特别大。Aimsun用**车辆类型Vehicle Type和驾驶员类型Driver Type**这两层结构来刻画这种差异。车辆类型定义的是“车”的属性长度、宽度、最大速度、加/减速性能、占有率等。常见的车辆类型包括小汽车、公交车、货车、出租车在项目里可能还会加一个“网约车”类型来模拟上下客行为。驾驶员类型定义的是“人”的属性期望速度系数、反应时间、跟车敏感度、换道激进程度等。一个车辆类型可以对应多个驾驶员类型比如“小汽车”这个车种下面可以分“保守型小汽车”期望速度系数0.85反应时间1.1秒、“标准型”期望速度系数1.0反应时间0.9秒、“激进型”期望速度系数1.15反应时间0.7秒。在路网里分配流量的时候输入需求时可以把流量按比例分配到不同驾驶员类型上这样仿真跑起来你会看到有些车贴着限速跑有些车慢悠悠压着后面的车真实感一下子就上来了。在Aimsun Next里通过Model → Traffic Demand → Vehicle Types和Driver Types这两个入口可以分别配置车辆和驾驶员参数。每个驾驶员类型里有一个Car Following Model子页面可以针对该类型单独调整Gipps模型参数。要注意的是Aimsun里驾驶员类型和车辆类型的映射关系需要手动指定比例默认情况下系统会自动给所有车辆分配第一个驾驶员类型如果你建了多个类型却不设置比例那相当于白建。2.3 路网拓扑微观仿真对路网精度的要求有多高宏观仿真里路网通常简化成节点和路段的拓扑结构一条路一个属性就够了。微观仿真不行车道数、车道宽度、车道转向、渠化岛、展宽段、停车线位置这些细节全都会影响仿真结果。Aimsun对路网的精细程度要求很高但也正因如此它的微观结果才可信。在Aimsun里建路网最基本的对象是节点Node和路段Section。一条Section可以有多条车道但每条车道的属性是否允许转向、是否公交专用必须明确。路段的连接拓扑在Aimsun里叫连接器Connector它定义了从上游Section的某条车道可以走到下游Section的哪条车道。信号交叉口的转向关系本质上就是一组带信号灯控制的Connect。再往细了说Aimsun还支持车道展宽Lane Widening和渐变段Taper的建模。举个例子一个进口道原本两车道到路口前变成三车道一条直行、一条直左、一条右转这个展宽段从什么位置开始、渐变长度为多少都会影响排队和通行效率。很多新手做仿真图省事直接用一条两车道的Section连到交叉口结果仿真出来的排队长度和实际差一大截就是因为没有把展宽段的“存储空间”作用考虑进去。另外Aimsun里掉头U-turn的建模和别的软件不太一样。在某些软件里掉头直接用一个单独的连接器表示但在Aimsun里通常需要在中央分隔带开一个专门的缺口Gap或者在交叉口内用转向连接器实现。掉头车辆对对面直行车流的干扰很大处理不好仿真会出现各种诡异的车辆行为。这块我后面在操作部分会再单独展开。3. 从底图到路网一次完整的Aimsun微观建模实操3.1 底图校准别急着画线先花半小时把底图对齐Aimsun支持导入CADDWG/DXF、SHP、GeoJSON等格式的底图。我接触过的项目里甲方给的底图格式五花八门最常见的是DWG和SHP。无论哪种格式导入之后的第一步永远是校准不是直接开画。Aimsun Next里选中底图图层后可以用Move和Scale工具手动调整位置和比例。这里分享一个笨但有效的方法找路网里的三个不在一条直线上的特征点比如三个交叉口的中心用底图坐标和已知地理坐标做对照通过 Scale、Rotate、Move 三个操作反复微调让底图和真实坐标对齐。校准误差控制在1-2米以内可以接受如果差到5米以上后面画的拓扑全是歪的。有个容易忽略的细节Aimsun里底图坐标和仿真坐标是两套体系。仿真内部用的是以米为单位的平面直角坐标如果你的SHP文件是经纬度的WGS84导入后大概率会变成一个很小的图形这时需要先做投影变换比如转成UTM坐标再导入。我见过有同事把经纬度底图直接导进去结果路网缩成一个点还以为软件坏了其实是坐标系的锅。3.2 画路网的正确姿势Section、Node和Connector是三个不同的概念在Aimsun Next里画路网有三种方式手动绘制、从底图自动提取基于图片识别、从SHP批量导入。手动绘制最基础也最常用因为实际项目里路网往往需要局部修修改改。画一条道路的基本流程是这样的在Network → Sections里新建Section然后在地图上通过鼠标点击绘制道路中心线。注意Aimsun的Section画的是道路中心线不是车道线。所以一条双向四车道的路只要画一条中心线然后在属性里把lane数量设为4方向分布为22即可。这是和CAD画图最大的区别——你不需要画两条对向车道线。画完之后在Section属性里的Lanes页面可以设置车道数、车道宽度、是否允许某种车型通行等。Speed页面设置限速单位km/h。Direction页面设置方向双向Two-way还是单向One-way。这几个是最基本的先设置好再画Connector不然回头改起来极度折磨人。Connector的连接逻辑要特别注意“车道级”这个概念。Aimsun里连接器必须指定从上游Section的哪条车道连接到下游Section的哪条车道。如果路网拓扑比较复杂Aimsun在交叉口可以自动生成连接器但自动生成往往不够准确——特别是车道不匹配的地方比如上游3车道接下游2车道必须手动调整连接器否则仿真时会出现大量车道选择混乱。画完拓扑以后下一步是设置交叉口控制。在Aimsun里交叉口控制有两种让行Yield/Give Way和信号控制Signal Control。没有设置任何控制的交叉口Aimsun默认按“右侧优先”规则运行国内驾驶环境下这个规则不太适用所以一定要手动指定主路优先或者加信号灯。3.3 信号配时在Aimsun里做信号控制需要注意的三个细节信号控制是微观仿真的灵魂。Aimsun的信号控制编辑器支持两种模式固定配时Fixed Time和感应控制Actuated。大多数项目前期方案比选用固定配时足够感应控制一般留给做自适应信号优化的时候用。在Network → Signal Controllers里新建信号控制器定义信号组Signal Groups、相位Phases、周期Cycle和绿灯时间Green Time。这里有几个细节容易出问题我踩过不少坑第一黄灯时间必须显式设置。如果相位从绿灯直接跳到红灯Aimsun里的车辆会做“最后一刻冲过去”的动作结果极容易造成交叉口锁死。通常建议黄灯3秒全红1-2秒这样才符合实际。第二相位之间的冲突要设置了“相位间最小间隔”才会真正约束车辆。单纯把两个相位画在时间轴上不叫相位差要通过对立信号组之间的Intergreen设置来控制。如果你不设置Intergreen可能同时出现两个方向都是绿灯的情况仿真结果会非常离谱。第三进口道的stop line位置决定了排队车辆的停车位置。在Aimsun里信号灯的停车线默认关联到Section的端点位置。如果进口道有展宽段停止线应该设置在展宽段结束的位置也就是交叉口边缘而不是Section的中点。停止线位置错了排队长度会虚高或者虚低。3.4 交通需求输入OD矩阵还是路径流量别搞混了路网画完、信号配完接下来要往里“灌车”。Aimsun支持两种方式OD矩阵Origin-Destination Matrix和路径流量Path Flows。两者的区别很关键。OD矩阵描述的是“从哪个分区出发、到哪个分区去”的总量具体走哪条路是仿真内部根据路径选择模型Route Choice Model生成的。这种方式适用于规划层面的方案测试比如评价一个新建片区路网没有太多现状路径数据就用OD矩阵路径选择。路径流量则是“已经知道车辆走哪条路”直接指定每条路径上有多少车。这适用于现状路网校准和信号优化项目——比如你已经通过车牌识别或者GPS轨迹数据知道了各路段的流量直接把路径流量灌进去仿真结果会更贴近现状。在实际项目中我的做法通常是先用OD矩阵做初步仿真标定出各路段的流量再和实测流量对比如果误差大再切换到路径流量方式逐路径调流量。这个流程虽然繁琐但能在信号优化项目中把结果精度拉上一个台阶。另外Aimsun里的交通需求还分静态和动态两种。默认的静态需求是把车辆均匀分配在仿真时间段里动态需求则是用到达曲线Arrival Curve来描述高峰小时的流量波动。做信号配时优化强烈建议用动态需求——因为早高峰的15分钟不是匀速的前5分钟流量可能只有后10分钟的一半用静态需求会低估最大排队长度。4. 仿真运行前的“临门一脚”参数标定与结果校核4.1 标定到底在标什么三步法把仿真相差压下来仿真圈有句老话“仿真结果不可信除非经过标定。”这句话有点夸张但方向是对的。Aimsun再强大里面的默认参数也只是一种“平均化”的人类驾驶行为和具体城市的驾驶风格、具体路口的几何条件、具体路段的车流构成肯定有差异。不标定直接用默认参数误差大是常态精度高才是意外。我做标定一般分三步每一步的目标非常明确第一步宏观流量校核。把仿真跑完后取出各路段、各转向的仿真流量和实际调查流量对比。误差要求通常是单点误差不超过15%整网平均误差不超过10%。如果流量误差大优先检查需求输入OD或路径流量是否准确而不是急着调驾驶参数。这一步是“供需匹配”层面的校核。第二步行程时间校核。利用浮动车数据或GPS数据提取几条主要路径的行程时间和仿真中对应路径的行程时间对比。如果流量对得上但行程时间差很多问题往往出在跟车模型参数上——比如反应时间太长、期望速度太低车辆在路上跑不快行程时间自然就偏大。误差控制目标一般在10%以内。第三步排队长度与通行能力校核。这是信号优化项目最关注的值。取关键交叉口的排队长度进行对比误差大时优先检查信号配时、启动损失时间、停车线位置是否正确。排队长度是一个非常敏感的指标影响因素复杂如果前三步都过了但排队对不上大概率是信号设置细节出了问题。4.2 那些年我踩过的“默认参数”坑Aimsun有很多默认参数大部分时候够用但有几个参数我建议每次都要亲手检查不要迷信默认值。第一个是期望速度系数Desired Speed Factor。Aimsun默认的期望速度是根据路段限速确定的但实际限速60km/h的城市主干路高峰期的平均速度可能只有35-40km/h。如果你不调整驾驶员类型的期望速度仿真跑出来的速度会明显偏快行程时间偏短。建议把期望速度系数从1.0降到0.75-0.85或者直接设置一个比限速低的速度分布区间。第二个是启动损失时间Start-up Lost Time。Aimsun里信号灯变绿后排队车辆不是瞬间一起起步的而是有启动波传导的。默认值一般模拟得还行但如果你发现仿真里绿灯启亮后第一辆车闪得特别快、通过率偏高可以适当增加反应时间或者用进阶的Reaction Time at Stop参数来调整。第三个是让行规则的激进程度。国内很多驾驶员在无信号交叉口的让行意识比较“灵活”Aimsun默认的让行规则偏保守会发生“车辆在支路等半天都找不到机会汇入主路”的情况严重时甚至造成死锁。这种时候不是路网问题而是让行规则的接受间隙Gap Acceptance参数太保守。把直行主路车辆的Acceptance Gap适当调小支路车辆汇入的机会就多了。4.3 结果导出别只会看动画要会看数据仿真跑完新手最爱干的事是盯着3D动画看车流跑看完觉得“真流畅就它了”。这种做法做项目是要出事的。动画好看不等于结果可靠Aimsun的价值在于它能输出海量的定量指标。在Aimsun Next里最常用的输出是Statistic面板按对象集团、Subnetwork、Section、Node和指标流量、速度、密度、延误、排队长度、停车次数两个维度来筛选数据。常用的数据导出方式有两种一种是Output → Statistic里先定义好要输出的指标集合跑完后在结果窗口中直接查。另一种是通过Output → Data配置原始轨迹数据每辆车的实时位置、速度导出后用Python或第三方工具做进一步分析。如果你要做车辆轨迹层面的分析比如分析变道行为、激进驾驶识别第二种方式是唯一选择。还有一个容易被忽略的功能是时间-空间图Time-Space Diagram。它可以把某一个路段上车辆的轨迹画成一个二维图横轴是时间、纵轴是位置。这个图用来分析排队形成和消散的机理特别直观——你能清楚看到红灯期间速率下降形成的“波浪线”以及绿灯启亮后启动波向后传播的斜率。很多交通工程师分析瓶颈成因时离不开这个工具。5. 常见问题与排查技巧实录仿真跑不通时我怎么办5.1 车辆全部卡在交叉口不动先查这四个点仿真跑着跑着某交叉口突然出现一片车全都不动了这种情况我见得太多了。新手第一反应是“参数有问题”但90%的情况是拓扑或者控制逻辑的小错误。排查顺序我固定下来是“四查”一查连接器拓扑。打开连接器显示看目标交叉口里有没有哪条车道没有下游连接器或者连接关系闭环缺失。车辆到了没有出口的车道就会“迷路”表现为在交叉口中间停留或消失。二查信号方案。看信号状态的时序里是否有冲突相位叠加或者某个信号组没有定义完整周期。信号控制器的方案状态如果设置成“未激活”Aimsun在仿真时会当它不存在结果交叉口变成无控状态。三查停止线位置。停车线离交叉口中心太远车辆会停在路口中间太近则可能越过冲突点和横向车流撞车。四查让行关系。无信号控制的交叉口里如果两个方向的让行规则互相冲突都认为自己有优先权车辆就会僵持住。特别是在环形交叉口或者非常规渠化路口这种情况尤其常见。5.2 仿真结果“抖动”得厉害可能是随机种子和预热没弄明白Aimsun微观仿真是基于随机数的每次仿真跑出来的结果会略有差异。很多项目要求对比方案A和方案B的延误差异如果你只跑一次没法判断这个差异是真实的还是随机波动造成的。解决办法有两个第一设置多组随机种子分别仿真。在Aimsun里运行仿真时可以指定多个随机种子Random Seed软件会为每个种子各跑一遍输出平均值和标准差。一般建议至少跑5个种子以上如果某指标的方差特别大甚至要跑到10-20个种子才能稳定。第二设置合理的预热时间Warm-up Time。仿真刚启动时路网是空的车辆逐步进入头几分钟的数据是不稳定的。如果你把预热期算进统计会低估延误和排队。通常预热时间设置10-15分钟这段时间的数据不纳入统计。Aimsun里对应的是Replication页面里的Warm-up Time参数最终统计时段从预热结束后开始。5.3 一个来自实际项目的调试记录交叉口“锁死”问题去年做一个城市主干路口的信号优化项目Aimsun里跑现状方案仿真运行到第12分钟的时候交叉口车流突然全部锁死动都动不了。当时的第一反应是信号配时冲突检查了一遍发现没有。然后检查连接器发现也没有断头连接。后来是通过Time-Space Diagram看到的端倪东北进口道的车辆在绿灯期间不断进入交叉口但东出口道被下一路口的排队车辆完全阻塞车辆堵在交叉口内部等到横向车流变绿时两股车流直接顶死。这个问题的根源是出口道的溢出Spillback——下游排队太长反溢到了上游交叉口内部。这不是Aimsun的Bug而是真实交通里非常常见的问题。解决办法是在出口道上游设置一个Green Wave绿波协调或者调整相邻两个交叉口的相位差让下游排队现象得到缓解。这个案例后来也验证了Aimsun的一个优点它能复现这种真实的连锁阻塞现象这只是说明你的路网、流量、信号已经把“溢流”这个真实问题建模出来了接下来就是靠信号优化去解决它。5.4 常见问题速查表现象可能原因排查与解决办法车辆在交叉口内停止不前信号方案未激活或相位冲突检查Signal Controller是否激活检查Intergreen设置某条路段流量明显偏高/偏低OD矩阵分配不均或路径选择参数不合理检查需求输入必要时改用路径流量方式排队长度比实测长很多期望速度系数太低或反应时间太长调高期望速度系数标定反应时间仿真速度越来越慢路网规模大、车辆多、数据采集点太多关闭不必要的数据采集适当降低仿真加速倍数掉头车辆在路中间逆行掉头连接器未正确设置单独设置掉头专用连接器检查单向/双向属性6. 进阶玩法API和外部模型接入Aimsun的“高阶用法”6.1 用Python控制Aimsun仿真从入门到能用的关键几步Aimsun Next自带了一套Python API也可以远程调用这意味着你可以用脚本批量生成路网、修改信号配时、自动跑多组仿真、批量提取结果。这个能力在方案比选和参数寻优场景下非常香。这里举一个最简单的例子批量跑10个随机种子并求平均延误。用API写一个循环每次修改Replication的随机种子跑完仿真后从Statistic结果中提取延误值存下来。放在手点上操作要20分钟的事写脚本30秒跑完。Aimsun API的使用流程大致是启动Aimsun时勾选“Enable Python API”然后通过GKSystem.getSystem()拿到系统对象再一层层访问模型对象。画路网这种操作也能自动化但说实话学习曲线比较陡日常项目的建模环节手绘更快API更适合做“批量修改自动仿真结果收集”这三件套。6.2 从微观仿真到中观/宏观为什么要用同一个平台前面提到过Aimsun一个很独特的优势是多层次仿真共享路网数据。这在实践中能解决一个非常现实的问题区域范围太大全用微观仿真跑不动局部交叉口太细用宏观模型画不出细节。合理的项目流程是整个片区用Aimsun的宏观或中观模型跑大框架确定区域内部的主要流量分配然后在关键交叉口周围切出一块子网络Subnetwork做成微观模型边界流量用宏观模型的结果来加载。由于是同一个平台路网数据和需求数据可以相互转换不会出现“宏观模型和微观模型对不上”的尴尬。这个能力在实际中有个典型的应用场景——城市更新项目。片区层面要看路网整体承载力变化就用宏观到了工可和初设阶段要评估某一个交叉口的渠化和信号方案就把那个交叉口放大成微观。以前在两个软件之间导数据要折腾好几天现在Aimsun里切个模型层次就行。6.3 模拟真实世界的“不完美”随机事件与动态交通分配微观仿真最有价值的地方之一是可以模拟“不完美”的交通状态。Aimsun里可以设置事件Incident比如某条车道临时封闭、某个交叉口发生事故占用一条车道、某路段临时施工限速。这些事件可以设定发生时间、持续时长、影响范围仿真中的车辆会因此产生排队和绕行进而影响整个路网的运行状态。这个功能在应急交通组织方案评估里特别好用。比如一条城市快速路要临时占用一条车道施工你可以先在Aimsun里把施工围挡的区域和占用时间设置好跑一遍仿真得到清明的延误变化和排队蔓延范围再通过对比不同占道时间和围挡范围下的路网指标选出对交通影响最小的施工组织方案。在此基础上再叠加动态交通分配DTA就能模拟出“前方拥堵后后续车流会有一部分选择绕行”的真实响应行为。Aimsun的动态分配用的是一套基于仿真的迭代分配算法它会在仿真过程中根据各路径的实时费用Travel Time动态调整路径选择比例得到的路径流量和路网负荷会比静态分配精确得多。7. 给新手的最后建议从一个小路口开始别上来就搞大路网根据我这些年的经验学习Aimsun微观仿真最大的障碍不是软件操作而是“一上来就想完美复刻整个城市路网”的野心。一个信号交叉口都没标定好就想把一个片区跑得和现实分毫不差这既不现实也容易打击信心。我的建议是找一条你熟悉的城市主干路挑其中一个信号交叉口按照下面的步骤一步步来导入一张清晰的路口CAD或卫星底图校准用一条Section加四条支路的方式把交叉口的四个进口道建出来每段路设定好车道数和限速按实际渠化设置连接器注意转向车道和停止线位置按实际信号配时设置信号控制器输入一个粗略的OD需求先跑通流程对照实际排队长度和延误逐步调整参数。把一个路口做到误差在可接受范围内你基本就把Aimsun微观仿真80%的常用功能摸透了。剩下的20%比如API、动态分配、事件管理是在你真正需要它们的时候再去学效率最高。我个人在实际操作中的体会是Aimsun这套软件的深度足够上限很高但它不会替你思考——所有让结果更接近现实的努力都来自你对交通流机理的理解和对细节的较真。把模型参数当成有物理意义的变量去调把仿真输出的每一项指标当成对你的模型的拷问而不是一堆无意义的数字。做到这一点你再回头看之前那些“仿真结果总是对不上”的困扰很多都会迎刃而解。希望这篇文章能帮你少走一些弯路。