基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

基于卡尔曼滤波的交叉口排队长度实时估计模型

为解决现有排队长度估计方法不能对排队长度进行实时秒级估计的问题，本文采用车联网实时数据，构建基于卡尔曼滤波的实时排队长度估计模型。首先，以当前时刻加入和离开排队队列的车辆数为输入变量构建状态转移方程，以当前排队网联车的数量和渗透率构建观测方程；其次，采用回归模型估计状态转移方程和观测方程的噪声协方差矩阵；然后，提出基于卡尔曼滤波方法估计排队长度的流程算法和模型性能评价指标；最后，基于实际数据构建仿真环境验证模型的有效性。结果表明：当网联车渗透率为30％时，平均绝对误差(MAE)，平均绝对百分比误差 (MAPE)和均方根误差(RMSE)的平均值分别为1.6辆，20.9％和2.5辆；当渗透率大于20%时，与基准方法相比，本文模型估计效果更优。