自适应巡航及协同式巡航对交通流的影响分析

自适应巡航（ACC）和协同式自适应巡航（CACC）等自动驾驶技术正逐渐进入市场,未来一段时间内道路交通流将由人工驾驶车辆与不同等级、不同形式的自动驾驶车辆混合构成。为分析ACC和CACC对交通流的影响,利用实测交通数据NGSim建立人工驾驶车辆跟驰模型,并在综合已有ACC和CACC模型的基础上,提出基于安全间距的自动驾驶跟驰行为模型,进而得出不同ACC,CACC车辆渗透率下交通流的基本图模型。研究结果表明：自动驾驶可以提升交通容量;与ACC车辆比例r_a相比,CACC车辆比例r_c对交通容量的影响更为显著;当r_c>0.5时,饱和流量快速增加,当r_c=1时,饱和流量约为纯人工驾驶时的2倍。进一步,通过仿真考察车辆在车队中的跟驰响应和交通流在瓶颈处的运行情况。研究结果表明：自动驾驶改善了交通流的动态特性,对存在跟驰关系的连续车流来说,自动驾驶使得后车可以更加及时地响应前车的行为,车流会在更短的时间内进入稳态;在交通瓶颈处,自动驾驶降低了拥堵程度,提高了阻塞发生的临界流量。总体来看,自动驾驶对交通流静态和动态性能均有所提升,特别是在协同式自动驾驶场景下,车辆行为更加协调一致,交通流表现出良好的抗扰性,进一步验证了车路协同对自动驾驶的意义。     

基于SAX的车载数据时空语义编码及分析方法

车载监控系统各项功能及技术指标趋于成熟,实车试验因而得以顺利开展。与此同时,收集了丰富的车载监控数据。车载监控数据的类型与数量已经远达到了可以分析的技术要求,但是编码分析手段却并未随着数据量的增加而有所突破。为了有效利用车载监控数据,突破现有数据处理的瓶颈,便于后续挖掘工作的展开,提出了一种车载数据时空语义编码及分析方法。将时间序列符号化思想运用到交通工程中,充分考虑到驾驶数据特征,基于符号化聚合近似(SAX)的3个步骤,对选定的一段范例数据依次进行了正规处理、降维处理、离散及符号化处理。结果表明:经过语义编码后,先前维数很高、数据特征冗杂的驾驶时间序列数据合理地转换成了可读性强并且易于搜索定位的符号化序列,在实现大幅降低数据维度的同时又适时地保留了时间序列数据的主要特征。最后,通过案例分析演示了该方法在实际车辆驾驶安全性分析中的作用与优势。研究结果可为重点监控车辆高风险驾驶事件以及有针对性地开展驾驶安全培训等提供理论依据,同时也可为未来特定驾驶场景的快速提取进行技术储备。