与车辆跟驰理论统一的一维交通流动力模型研究

从交通流的连续性假设开始将交通流中的每一个参数(包括交通压力)都在流体流中 找到了恰当的比拟.通过理论推导,得出了类似一维可压缩理想流体流动的交通流连续性方 程、欧拉微分方程和动量方程.并从一维定常交通流的分析研究中,得出了交通压力的数学表 达式.从而得出了由连续性方程、欧拉微分方程、交通压力表达式和状态方程构成的一维交通 流动力模型,论证了该模型与车辆跟驰理论是统一的.     

浅谈高速公路交通流监控中存在的问题与对策

从高速公路交通流监控的角度，指出了当前监控系统中存在的问题，进而探讨了车辆检测器的布设，拥护状态的描述以及通过路侧设备进行交通流控制等问题。     

基于车辆轨迹的信号交叉口机非冲突判别

选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据.以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time ...     

基于模型预测控制无人驾驶车辆避障轨迹跟踪器设计

针对无人驾驶车辆的轨迹跟踪和避障问题,基于模型预测控制算法设计了避障轨迹跟踪控制器,实现避障和轨迹跟踪功能。在不同车速下采用Matlab和CarSim进行联合仿真试验,结果表明:设计的控制器控制性能和稳定性良好,能满足无人驾驶车辆的避障和轨迹跟踪需求。     

面向实时交通信息提取的车辆轨迹数据挖掘

车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务．通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索速度和降低轨迹的不确定性,基于移动目标主体相似性和移动轨迹时空相似性的数据选取降低了数据库搜索次数提高发掘准确度,分别针对道路交叉口和一般路段进行数据挖掘,提取实时的道路交通信息．研究结果和实验结果表明,这个挖掘算法可以有效地提取道路实时路况信息．     

考虑多前车作用势的混行交通流车辆跟驰模型

基于自动驾驶车辆(AV)和常规人驾车辆(RV)混合行驶的情况,在全速度差(FVD)模型的基础上考虑了多前车和一辆后车的车头间距、速度、速度差、加速度差等因素,建立了适用于AV和RV 2种车辆的混行车辆跟驰模型;引入分子动力学理论定量化表达了周围车辆对主体车辆的影响程度;利用RV和AV混行场景跟车数据,以模型拟合精度最高为目标,对所有参数遍历寻优,进行标定;对比分析了混行车辆跟驰模型和FVD模型控制下交通流的稳定性,解析了车速对交通流稳定性的影响;设计了数值仿真试验,模拟了城市道路和高速公路2种常见场景,分析了混行车辆跟驰模型的拟合精度。研究结果表明：考虑周围多车信息有利于提高交通流的稳定性;车辆速度越低交通流稳定性越差;考虑多车信息的分子动力学混行车辆跟驰模型可以提前获得整个车队的运行趋势,更好地模拟AV的动力学特征;与FVD模型相比,在城市道路条件下混行车辆跟驰模型中的RV平均最大误差与平均误差分别减小了0.18 m·s^-1和13.12%,拟合精度提高了4.47%;与PATH实验室的ACC模型相比,在高速公路条件下混行车辆跟驰模型中的AV平均最大误差和平均误差分别减小了7.78%和26.79%,拟合精度提高了1.21%。可见,该模型可用于混行环境下AV的跟驰控制与队列控制,以及AV和RV的跟驰仿真。     

网联自动驾驶车辆混合交通流专用道管控方法

分析了网联自动驾驶车辆(CAV)混合交通流中各车辆类型及其跟驰模式下的车头间距,从通用性混合交通流特征层面理论推导了各车头间距模式的概率表达式,从而对混合交通流进行了数学描述;以混合交通流整体通行流率最大为目标,计算了多车道混合交通流中一个CAV专用道的设置条件以及专用道设置后CAV交通流在专用道和混合道上的最优交通流分配比例,将一个CAV专用道情形推广至多个CAV专用道动态管控的一般性情形,构建了混合交通流专用道动态管控的分析方法;应用案例分析论证了CAV专用道管控方法的有效性。研究结果表明：在交通需求为2 000 veh·h^-1时,各CAV渗透率阶段均无需设置CAV专用道;在交通需求为3 000 veh·h^-1时,需在CAV渗透率为0.2~0.4的阶段下考虑设置CAV专用道;在交通需求为5 000 veh·h^-1时,需考虑在各CAV渗透率阶段下设置CAV专用道;提出的CAV专用道管控方法可根据交通需求和车道总数等条件定量化计算不同CAV渗透率阶段下的最优CAV专用道数量以及CAV交通流最优分配比例,且交通需求能够影响反映CAV专用道设置条件的临界CAV渗透率范围,交通需求和车道总数量可分别从交通需求属性和道路空间属性方面促进最优CAV专用道数量的提升,符合多车道场景混合交通流CAV专用道管控的特性。     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别,弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足,更好地与HV交互沟通,提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块,灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH),采用KLT(Kanade-Lucas-Tomasi Tracking,KLT)和车辆匹配算法定位跟踪发出灯语的HV;光数据处理模块采用光通道增益算法计算光辐射通量变化; VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model,DHMM)辨识VH 闪烁次数和HV行驶状态,实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%,定位跟踪精度小于1°,VHI识别率为96.6%,满足混行交通环境下 CAV对HV驾驶意图的识别要求,基本保证实时性,为混行交通流中CAV自动驾驶决策提供理论依据.     

基于非参数回归的短时交通流预测研究综述

短时交通流预测是实现交通控制和诱导的关键问题之一。综述了基于非参数回归的短时交通流预测方法,指出了状态向量的选取没有考虑天气环境等存在的问题,提出了改进思路和方法,即基于动态聚类和决策树的历史数据组织方式、时空一天气环境相结合的状态向量选取方法以及基于密集度和状态向量的自适应变K机制等,期望通过这些改进能提高基于非参数回归短时交通流的预测精度,为交通控制和交通诱导建立基础。     

基于车辆身份感知数据的路段轨迹 重构方法研究

车辆轨迹蕴含着大量丰富的交通流时空信息,对于全面解构城市交通路网运行具有至关重要的意义.传统车辆轨迹重构模型大多基于定点线圈检测数据或者浮动车轨迹数据作为输入数据,并且普遍未考虑过饱和交通状态.本文提出了一种基于车辆身份感知数据的车辆路段轨迹重构方法,通过构建一种绿灯相位回溯框架,基于交通流激波理论分段重构车辆行程轨迹,每次回溯过程包含两个主要步骤,即估计车辆状态和分状态重构车辆行程轨迹;然后在Paramics 微观交通仿真平台上对本方法模型的准确性进行了验证.结果表明,该方法在各种饱和状态下均能达到令人满意的应用效果.     

高速公路交通流建模综述

交通流建模是智能交通自动控制、分析、设计、仿真和决策的前提, 历来是交通工程界的一个重要的研究课题, 分三条主线(宏观交通流模型、微观交通流模型、其它交通流模型) 对交通流建模的发展做了详细介绍, 并在文末提出了对交通流建模今后发展的展望     

动态交通下车辆路径选择模型及算法

为优化动态交通下物流配送成本及服务水平, 依据交通流量将运输时间分为不同时段的不同分布, 建立了具有时间窗约束与物流成本最小的车辆路径混合整数非线性模型, 设计了自然数插值编码的遗传算法对模型进行求解, 对不同交通状况下配送方案选择进行了仿真比较。仿真结果显示遗传算法是收敛的, 依据交通状况选择相应的配送方案, 不仅物流成本降低了2%, 而且服务水平也提高了5%。     

混合交通流条件下区域交通信号控制优化模型

针对传统区域交通控制技术无法应对机非冲突干扰的问题, 结合中国城市道路混合交通流的特点, 研究了交叉口与路段非机动车对机动车的干扰。分析了区域路网机动车交通特征, 确定了混合交通特性相似的区域。基于路段非机动车的阻滞作用, 分析了交叉口通行能力的折减与相邻交叉口相位差的优化。以区域路网机动车总延误为优化目标, 建立了非机动车影响条件下的区域交通信号控制优化模型, 优化了信号周期时长、绿信比和相位差等参数, 并利用遗传算法求解模型。利用VISSIM仿真软件, 以上海市杨浦区五角场环形区域路网为例对优化模型进行验证。验证结果表明: 现状信号控制方案下区域路网7个交叉口机动车的车均延误为24.5~42.9s, 平均为35.99s, 路网总延误为256.39h, 优化后交叉口的车均延误为21.8~36.4s, 平均为30.12s, 路网总延误为214.57h, 7个交叉口车均延误减少了10%~24%, 平均为16.31%。可见, 优化模型能够显著降低区域路网车均延误与总延误, 提高区域路网通行效率。     

基于Lempel-Ziv算法与TOPSIS的水上交通流复杂性测度

为了定量分析并划分水上交通流的复杂性等级, 提出了一种基于Lempel-Ziv算法与TOPSIS的水上交通流复杂性测度方法。运用Lempel-Ziv算法求得实测水上交通流时间序列和对比序列(周期序列、Logistic序列、Henon序列、随机序列) 的复杂性特征值, 采用TOPSIS得到各个序列的贴近度, 根据对比序列的贴近度划分复杂性等级区间, 按照水上交通流时间序列的贴近度和所在的复杂性等级区间来表征各个序列的复杂程度, 并对长江口南槽航道的实测水上交通流进行复杂性测度。计算结果表明: 船舶交通事故数量和下行标准船舶数量与船舶交通流时序复杂性贴近度的相关系数分别为0.698 1、0.769 2, 变化趋势基本一致, 表明贴近度的计算结果可以反映水域船舶交通流的复杂性; 周期序列的贴近度为0.000 1, 随机序列的贴近度为0.999 9, Logistic序列和Henon序列的贴近度分别为0.449 2、0.537 7, 其值大于周期序列的贴近度, 小于随机序列的贴近度; 2013年7~11月水上交通流序列的贴近度分别为0.828 0、0.852 7、0.856 5、0.823 7、0.810 7, 说明序列的复杂性基本一致; 5个月的水上交通流序列的贴近度远大于周期序列的贴近度, 处于随机序列和Henon序列的贴近度之间, 更接近随机序列的贴近度, 说明水上交通流系统不是周期与完全随机的动力学系统; 5个月水上交通流复杂性的整体等级为1级, 表现出高复杂性的特点。     

短时交通流预测的改进K近邻算法

分析了原有的短时交通流预测的K近邻算法, 用模式距离搜索方法代替原有的欧氏距离搜索方法, 引入多元统计回归模型, 建立了一种改进的短时交通流预测的K近邻算法, 并以北京市某路段进行实例验证。试验结果表明: 当K取23时, 利用改进的K近邻算法, 预测结果的均方误差、平均相对误差、平均绝对误差分别为31.43%、4.17%、0.27%;利用原有的K近邻算法, 预测结果的均方误差、平均相对误差、平均绝对误差分别为33.33%、4.40%、0.28%;利用历史平均模型, 预测结果的均方误差、平均相对误差、平均绝对误差分别为46.20%、11.40%、0.48%。可见, 改进的K近邻算法的预测精度明显高于其他2种方法, 在提高搜索效率的同时准确地刻画了交通流的真实情况。     

多模式路径流量估计模型与算法

为了通过路段检测交通流量计算拥挤条件下多种交通模式需求, 提出了一个随机用户平衡条件下的多模式路径流量估计模型, 并给出了相应模型的增广拉格朗日乘子算法, 算法将模型中的路段容量、观测路段流量平衡与估计需求的范围等约束条件转化为相应的惩罚函数项, 并将原先的有约束优化流量估计模型转化为一个无约束优化模型, 最后应用一个简单的投影迭代算法求解无约束优化模型。仿真结果表明: 先验需求误差对模型的需求估计结果有重要影响, 误差越小估计结果越准确, 而先验需求误差对路段流量估计结果几乎没有影响, 因此, 模型和算法简单可用。     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点, 提出了新的混合预测模型, 包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据, 通过数据库匹配操作, 确定预测结果, 以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重, 并按不同权重有效组合成新的混合模型。采用西安市某路段30 d的交通流量数据验证混合模型的预测效果。试验结果表明: 该混合模型的平均相对误差为1.26%, 最大相对误差为3.53%, 其预测精度明显高于单项模型单独预测时的精度, 能较准确地反映交通流真实情况。     

基于交通轨迹数据挖掘的道路限速信息识别方法

分析了道路限速信息的时空变化性, 提出一种基于轨迹数据挖掘技术的道路限速信息自动识别方法。为了实现海量交通轨迹数据的快速处理, 研究了快速地图匹配与数据清洗等预处理算法, 分析了交通轨迹数据的速度分布特性与最高车速限制指标。基于路段行车速度的统计特性, 构建了道路特征向量模型, 以快速提取海量轨迹数据的潜在特征信息。提出了多投票K近邻分类算法对数据特性进行训练与学习, 以实现对道路限速信息的快速识别。以福州市交通路网及其浮动车轨迹数据构建试验样本集进行训练、学习与交叉验证试验。试验结果表明: 在训练过程中, 当样本数量达到1 200时, 方法的识别准确率最高达到93%, 在仅有150个小训练样本下, 方法的识别准确率也达到75%;方法具有近线性的处理性能, 处理1.0×10⁶条道路的限速信息仅用时46ms。     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

最小安全间距约束下拥挤交通流速度-密度关系模型

根据交通拥挤状态下交通流速度与密度一致性变化的特点, 分析了拥挤交通流的平均车间时距为定值的原因, 并结合最小安全间距约束提出了交通拥挤状态下的速度-密度关系模型。研究了驾驶人的平均反应时间和交通拥挤状态下的最小车间时距的关系, 对速度-密度关系模型的反应时间进行参数标定。分析了不同车辆长度、阻塞停车间距和反应时间下的速度-密度关系, 利用提出的速度-密度关系模型、Greenshields模型、Greenberg模型、Underwood模型、Northwest模型、Edie模型对美国US-101、I-80两条高速公路的交通数据进行拟合, 得到了拟合结果和绝对误差。分析结果表明: 提出的速度-密度关系模型能够从理论上解释交通拥挤状态下速度与密度的变化关系和速度-密度数据的离散现象; 和其他模型相比, 提出的速度-密度关系模型在拟合2条高速公路交通数据时的绝对误差最小, 分别为4.91、7.50veh·km^-1。基于最小安全间距约束的速度-密度模型刻画了拥挤交通流的本质特征, 且对现实数据能够取得更好的拟合效果。