快速路匝道与主线合流区交通参数关系模型

为了研究快速路匝道与其主线合流区的交通流特征关系,选用南京长江大桥入口作为数据 采集点,观测其汇入路段的交通流,并对交通流速度、密度等宏观参数和换道次数、可接受间隙等微观特征变量进行了相关性分析。研究发现,速度、密度、换道次数和可接受间隙之间存在非 线性相关性。基于此,构建了主线车道车速与密度、换道次数和可接受间隙之间的非线性关系模型。快速路匝道与主线合流区是快速路的主要瓶颈路段,结合宏观交通参数模型和微观间隙接受模型,阐述了快速路主线和匝道汇入车流的交通参数数学关系。实测数据拟合结果表明,该模型能够准确描述匝道与主线合流区的交通流特性。     

�����ٶ��ܶ����Ե�Ԫ���Զ������н�ͨ��ģ��

针对城市道路路段上车流的流量和密度之间的特性，对道路元胞自动机交通流模型进行了改进，使CA模型能够较好模拟城市道路交通流。提出了网格动态调整算法，该算法根据模型模拟的路段流量和密度计算车辆平均通行距离，并以此距离动态调整CA模型的格子长度，按照城市道路路段上车辆速度的统计分布规律，以路段的车流速度密度模型输出作为下步模拟的平均车速，通过车辆速度的分布范围确定车辆加速减速的概率，对模型车速进行更新。选择500米长的城市主干道上的一条车道，利用本文改进的CA模型进行模拟，模拟结果表明:该模型在车速为30-65公里/小时范围内，能较好模拟城市道路上车流的运行特性。改进后的CA模型，适用于对城市道路上中速车流运行状况的模拟。     

基于换道决策机理的多车道元胞自动机模型

在探索机动车驾驶换道决策机理,分析影响驾驶员换道决策内外因子的基础上,提出了以内部因子为决策变量,外部因子为约束条件的机动车多车道换道模型,并将其引入一维改进舒适驾驶元胞自动机模型,形成基于换道决策机理的多车道元胞自动机模型.不同V/C条件下该元胞自动机模型的运行分析表明：换道驾驶行为会导致自身及周边车辆的加减速、匀速、怠速等运行工况发生变化;不同的内外因子导致车流平均换道次数不同,车流平均速度的波动规律也不同.本文提出的多车道换道模型描述决策机理清晰,能同时描述多个内外因子的共同作用,具有很好的适应性与扩展性.     

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

基于马尔可夫链与神经网络组合的路面使用性能预测

在分析路面使用性能影响因素的基础上,结合马尔可夫过程链预测与BP神经网络预测的优势,提出一种组合预测模型;探讨了模型组合形式及参数确定方法;结合河南某高速公路工程实测资料进行了实证分析。结果表明:通过预测模型的合理组合与参数的优选,能够有效地提高预测精度。     

高速公路合流区可变限速和换道协同控制研究

针对高速公路合流区通行效率降低、车辆延误增加、整体服务水平下降等问题,提出了一种基于可变限速和换道控制的高速公路合流区车流密度优化模型.首先,换道控制通过预测瓶颈容量和交通需求为联网车辆(CAVs)提供变道建议,优化合流区上游的车流密度,减少瓶颈容量下降的影响;其次,基于换道控制下的合流区瓶颈容量以及匝道的交通流密度,确定修正前的可变限速值;再次,利用基于细胞传输模型的反馈进行变限速控制,实时控制交通瓶颈上游流量以保证换道区密度收敛到最优平衡点,得到修正后的可变限速值;最后,选择元胞传输模型作为基础交通流模型对合流区进行换道控制,采用中观多车道元胞传输模型模拟合流区主线换道行为及换道控制对合流区交通流运行的影响.仿真结果表明:与无控制方案和VSL控制方案相比,协同控制的平均旅行时间分别降低了58.55％、35.68％,平均流量分别提高了9.09％、2.35％,协同控制在通行效率、交通安全方面均有明显改善.     

结构化道路智能车辆换道轨迹规划

针对结构化道路的智能车辆自主换道轨迹规划,提出碰撞锥模型与鲸鱼优化算法相结合的轨迹规划方法。以换道车辆安全性和稳定性评价指标为优化目标,建立优化函数与约束条件,通过鲸鱼优化算法获得最优换道轨迹。结合模型预测控制方法,运用MATLAB/Simulink与CarSim进行算法验证。实验结果表明：文中方法实时性较强,在不同车速和转向轨迹下能够实现安全稳定换道。     

车路协同环境城市快速路分流区通行能力提升策略

根据车路协同环境城市快速路分流区不同车型的自动、人工驾驶混合车流特征,引入动态加速度、可变换道概率改进元胞自动机模型车流运行规则;设计了考虑主路自动驾驶渗透率、大型车混入率、驶出自动驾驶渗透率、驶出车流率、出口匝道车道数、换道决策点距离等因素耦合作用的分流区换道仿真试验;对比分析了多因素耦合作用下驶出车辆自由换道率、平均换道距离等指标影响程度,研究了城市快速路分流区道路通行能力变化规律;提出了基于可变换道决策点距离的分流区道路混合车流通行能力提升策略。研究结果表明：分流区驶出车辆自由换道率越高,道路通行能力越大;主路车流自动驾驶渗透率对通行能力的影响最为显著,自动驾驶环境可达到人工驾驶环境道路通行能力的2倍;出口匝道车道数对通行能力的影响不显著,2条出口匝道比1条出口匝道的通行能力提升约3%;换道决策点距离对通行能力的影响较为显著,车辆换道决策点距离从100 m增加到150 m时,分流区道路通行能力可提高9.6%～10.6%。可见,可借助移动式交通标志提前引导车辆换道决策,显著提高分流区道路通行能力。     

临近交叉口的车辆跟驰换道行为研究

临近交叉口的车辆往往呈现出复杂多样的跟驰换道行为.基于二维最优速度(OV)交通流模型,本文构建了一个改进的双车道车辆跟驰换道模型,以刻画交叉口前路段上的车辆跟驰换道机制及车流宏观特征.借助模型分析了换道车辆比例、换道期望参数和跟驰安全距离等对交通流宏观特征的影响.结果表明:换道车辆比例对通过停车线的进口道流量有负面影响,换道行为越多,进口道流量越小.换道期望参数越大,换道成功率越大;当道路拥堵时,增大换道期望会减少进口道流量.增大安全距离,容易提升换道成功率但会减小进口道流量,同时促使拥堵发生.     

施工区混行车流跟驰及换道模型研究

为研究施工区网联车与普通车混行状态下的车流跟驰及换道行为,分析网联车的区域内通讯及更小安全车距等特性,改进普通车元胞自动机模型的减速规则和随机慢化规则,构建网联车跟驰模型。建立普通车和网联车在施工区不同区段的换道意向规则,基于车距采集和空位排序算法建立网联车在通讯区域的预期换道和施工区域的强制换道模型,结合普通车换道模型模拟施工区混行车辆的换道规则及车流分布规律。采用算例验证模型,运用MATLAB仿真,多次实验消除随机因素影响,结果验证了网联车对扩大通行能力,提高平均车速及降低走行时间的有效性;不同比例下的换道点分布显示,网联车比例越高,预期换道区的换道点越靠近强制换道区,且强制换道点越靠前;而普通车换道点分布受混行车流比例的影响较小。     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一，在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上，依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类，并通过进一步优化车辆状态更新算法，提出了换道冲突处理多策略，车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下，驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间，不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

基于车头时距模型的高速公路出口换道距离研究

高速公路出口的车辆换道行为是产生高速路行车安全问题的重要原因.为研究高速路出口车辆换道的平均距离,选取西安绕城高速未央立交八车道出口的路段拍摄视频,提取车速、车头时距等参数,拟合选取车头时距分布模型,结合间隙接受理论和概率分布模型,建立换道距离计算模型,结果表明:在单车道交通量为650 veh/h至900veh/h的情...     

考虑排队阻滞和换道的改进宏观交通流模型

考虑路段上车辆换道及交叉口处排队阻滞作用,对交通流宏观演化模型进行改进.首先在排队中考虑不同车道的速度、密度差异,建立了换道模型;然后在交叉口内部划分各流向排队车辆的累积路径,分析不同的排队溢出位置对其他车流的阻滞影响;综合考虑车辆换道及交叉口处阻滞影响,建立了改进的车道组宏观交通流模型;最后设计仿真实验对模型进行验证.结果表明,在高流量需求下,本文模型能够模拟出下游的排队溢出对其他车流的阻滞影响;且在低中高3种不同的流量需求下,改进模型计算结果与仿真输出的驶离流量基本相符,与原有模型相比精度更高;由此证实了改进模型的准确性.     

基于元胞自动机的高速公路临时瓶颈交通流仿真

为研究强制换道及冲突点分布对高速公路临时瓶颈交通流的影响,在NS(NaSch)模型和STCA(symmetric two-lane cellular automata)模型的基础上,引入强制换道规则,根据瓶颈口上游驾驶员心理状态的变化,建立高速公路瓶颈交通流模型.在开口边界条件下,针对不同的安全换道概率、强制换道概率、冲突点距离和冲突区间长度参数,模拟得到瓶颈交通流量和换道频率与车辆到达率的关系.仿真结果表明,安全换道行为对系统流量影响小;强制换道行为是降低瓶颈系统最大流量的主要因素,当安全换道概率为0.5时,强制换道概率从0.0增加至0.1,最大流量下降了17%;冲突点距离的增加缓解了交通拥堵程度,当冲突点距离从1 cell增加至4 cell时,临界车辆到达率上升了4%;冲突区间长度对交通事故风险的影响较大,最大强制换道频率随冲突区间长度的增加而增加.      

循环神经网络模型下道路碳排放浓度预测

以湖南省永州市永州大道基本路段CO₂浓度时序数据为研究对象,旨在实现道路CO₂浓度的实时预测。测得用于模型训练和预测精度计算的路段CO₂浓度数据,利用Savitzky-Golay滤波器对数据进行平滑去噪,在调试并建立循环神经网络最优模型结构的基础上,引入多元预测模型(MLR、SVR、BP)和时序预测模型(BP、RF、RNN、LSTM、GRU)进行预测性能对比,为路段CO₂浓度的实时预测提供参照。结果表明：时序预测模型相比于多元预测模型具有更好的预测效果,特别是循环神经网络模型中的GRU表现出较高的预测精度,其次是LSTM,最后是RNN;循环神经网络模型在处理路段CO₂浓度时序数据的训练和预测任务中具备突出性能,能够实时且精准预测道路路段CO₂浓度。     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

基于元胞自动机的城市道路偶发性拥堵交通行为模拟

以元胞自动机模型为基础,在传统的车辆换道规则上,引入驾驶人行为因素,根据不同区域交通流特点和驾驶行为特点,给出了不同的车辆换道规则,建立了一种适用于城市道路偶发性拥堵交通流行为分析的元胞自动机改进模型。并利用该模型,模拟分析了偶发性拥堵发生时不同车流密度的车辆排队和平均车速情况。     

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。