详情

原文传递多车响应的网联混行交通流跟驰行为建模及纵向协调控制

论文题名：	多车响应的网联混行交通流跟驰行为建模及纵向协调控制
关键词：	网联混行交通流;跟驰行为;多车响应;轨迹预测
摘要：	智能网联技术与自动驾驶技术飞速发展，智能网联驾驶系统迎来了多维度信息融合的变化，呈现智能网联车辆(Connected and Autonomous Vehicles,CAV)和人工驾驶车辆(Human-driven Vehicles,HV)混行共存的状况，涌现出新的道路服务功能和交通行为特性。网联混行交通流跟驰行为建模可帮助理解跟驰特性，为研究网联混行交通流跟驰特性，从而提高混行交通流稳定性，混行交通流跟驰行为建模成为微观交通流研究的热点领域。然而目前传统研究无法准确描述网联混行交通流的交通行为特性，因此，深入开展网联混行交通流跟驰行为建模及纵向协调控制研究具有深刻的理论价值和应用意义。　　首先，依据CAV、自动驾驶车辆(Automated Vehicles,AV)与HV的实际跟驰车辆轨迹数据，对混行交通流中的车辆跟驰行为进行分析。在由CAV与HV组成的混行交通流中，CAV紧邻前后车辆类型的不同会导致跟驰行为决策的不同。对PATH实验室实车数据进行分析，可知CAV可在较低的延迟情况下，跟随前车实现加速、匀速或减速操作。而AV则会出现延迟以及速度波动现象。对NGSIM数据进行筛选以及降噪处理，分析HV的跟驰行为，可知跟驰加速度的变化与跟驰速度、跟驰间距和跟驰速度差有关。　　其次，考虑前后车头间距最优速度与最优速度记忆、多前车速度差与加速度差,构建适用于CAV与HV交互渗透的网联混行交通流跟驰模型(Multiple Front and Rear Optimal Velocity Changes with Memory,MFROVCM 模型)，并根据主体车以及紧邻前后车车辆类型的不同，整理CAV与HV的MFROVCM模型表达形式。利用实车数据，对MFROVCM模型进行参数标定，推导模型稳定性边界条件，对模型进行稳定性分析，设计数值仿真实验，验证模型的稳定性，证明所构建模型具有较好的稳定性，推导网联混行交通流的宏观基本图模型。　　然后，结合跟驰模型建模思想，构建基于CNN-BiLSTM-Attention的轨迹预测模型，将经过筛选以及降噪预处理后符合跟驰特性的车辆轨迹数据应用于模型的训练与验证，并通过实验确定最优模型结构，设计对比实验，将所建立模型与LSTM模型、GRU模型与CNN-BiLSTM模型进行对比分析，结果表明，基于CNN-BiLSTM-Attention的轨迹预测模型具有更高的预测精度，可在交通拥堵时实现对HV的轨迹预测。　　最后，搭建网联混行交通场景，依据传感器获得的车辆运行状态信息数据，下游CAV基于CNN-BiLSTM-Attention的轨迹预测模型实现对尾车HV的轨迹预测，基于预测轨迹，诱导CAV进行长时间小幅度加减速的操作，使得CAV可以平滑地汇入下游交通流。通过数值仿真验证了速度诱导策略的有效性，对比分析了 CAV渗透率以及瓶颈位置对抑制交通震荡的影响，证明了基于预测轨迹的网联混行交通流速度协调策略可以有效抑制交通震荡的传播，提高交通流的稳定性与运行效率。
作者：	王少杰
专业：	交通运输工程
导师：	曲大义
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2023