CN110992676A - 一种道路通行能力与网联自动驾驶车当量系数估计方法 - Google Patents

Abstract

本发明涉及一种道路通行能力与网联自动驾驶车当量系数估计方法，包括：获得饱和车头时距平均值和布局类型：得到研究范围内的网联自动驾驶车数量；得到网联自动驾驶车形成的队列的数量；得到特定排列形式的混合饱和交通流车头时距平均值；通过概率质量函数计算特定排列形式的概率；得到最终混合饱和交通流车头时距平均值；得到道路通行能力

和网联自动驾驶车当量系数PCE。与现有技术相比，有效简化了计算，同时弥补了当前研究中普遍忽视网联自动驾驶车编队策略的弱点。

Description

一种道路通行能力与网联自动驾驶车当量系数估计方法

技术领域

本发明涉及面向网联自动驾驶技术的道路交通规划与管理领域，尤其是涉及一种道路通行能力与网联自动驾驶车当量系数估计方法。

背景技术

网联自动驾驶车可以从根本上提升道路通行能力、交通流的稳定性和交通安全。网联自动驾驶车通过车辆间(V2V)通信或者车路协同***，获得前方若干网联自动驾驶汽车的实时速度和位置等运行状态信息。若干辆网联自动驾驶车可以通过实时共享这些信息组成车队，并在车队内部维持与人类驾驶车辆之间相比显著更低的车头时距，从而提升道路通行能力。网联自动驾驶车在形成编队时，可以采用不同的编队策略，形成不同长度和位置的网联自动驾驶车车队，从而进一步改善通行能力、燃油经济性和交通安全。另一方面，网联自动驾驶技术的普及还处于初步阶段，网联自动驾驶车在路网中的渗透率将逐渐上升，由网联自动驾驶车和人类驾驶车辆组成的新型混合交通流将长期存在。因此，有必要在新型混合交通流条件下，考虑网联自动驾驶车渗透率和编队策略，量化网联自动驾驶技术对道路通行能力的影响。然而，国内外现有的试图量化这一影响的研究普遍忽视了网联自动驾驶车的编队策略的影响。另外，由于各研究中对网联自动驾驶车和人类驾驶车辆的行为的设定不尽相同，其对通行能力改善程度的计算结果并不一致，与实际新型混合交通流的运行状态不一定吻合。

车型当量系数是研究混合交通流的重要工具，其作用在于把混合交通流流量转换为标准车(通常为小客车)交通流流量，使得不同组成的混合交通流之间具有可比性。当前无论是在理论研究还是工程实践中，当量系数的目标车型主要集中于货车、公交车等大型车，兼顾非机动车和摩托车等小型车，是为处理传统混合交通流服务的，不能处理引入了网联自动驾驶技术的新型混合交通流。只有美国的Bujanovic和Lochrane研究了网联自动驾驶车的当量系数，但这一研究同样没有涉及网联自动驾驶车的编队策略，只是根据V2V通信范围限制了网联自动驾驶车的车队长度。

目前存在的问题：1、量化混合交通流道路通行能力时忽视了网联自动驾驶车的编队策略；2、得到网联自动驾驶车的当量系数时同样没有涉及网联自动驾驶车的编队策略。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种道路通行能力与网联自动驾驶车当量系数估计方法。

本发明的目的可以通过以下技术方案来实现：

一种道路通行能力与网联自动驾驶车当量系数估计方法，该方法包括以下步骤：

步骤S1：获得饱和车头时距平均值和布局类型；

步骤S2：基于渗透率η和研究范围内的车辆总数N，得到研究范围内的网联自动驾驶车数量N_A；

步骤S3：基于车辆总数N和网联自动驾驶车数量N_A，得到网联自动驾驶车形成的队列的数量α；

步骤S4：基于队列的数量α、布局类型和饱和车头时距平均值，得到特定排列形式的混合饱和交通流车头时距平均值

步骤S5：基于队列的数量α、布局类型、车辆总数N和网联自动驾驶车数量N_A，通过概率质量函数计算特定排列形式的概率Pr((α,J)|(N,N_A))；

步骤S6：基于混合饱和交通流车头时距平均值和概率，得到最终混合饱和交通流车头时距平均值

步骤S7：基于最终混合饱和交通流车头时距平均值

得到道路通行能力

和网联自动驾驶车当量系数PCE。

所述的网联自动驾驶车数量N_A为：

N_A＝N·η。

所述的饱和车头时距平均值包括人类驾驶车辆跟驰人类驾驶车辆的饱和车头时距平均值

人类驾驶车辆跟驰网联自动驾驶车的饱和车头时距平均值

网联自动驾驶车跟驰人类驾驶车辆的饱和车头时距平均值

和网联自动驾驶车跟驰网联自动驾驶车的饱和车头时距平均值

所述的

通过对纯人类驾驶车辆饱和交通流统计得到，所述

通过网联自动驾驶车封闭或开放场地实验数据获得，所述

和

通过对纯网联自动驾驶车饱和交通流进行仿真实验获得。

所述的布局类型包括头队列和尾队列均为人类驾驶车辆的E布局类型，头队列为网联自动驾驶车、尾队列为人类驾驶车辆的F布局类型，头队列为人类驾驶车辆、尾队列为网联自动驾驶车的G布局类型，头队列和尾队列均为网联自动驾驶车的H布局类型。

所述的特定排列形式的混合饱和交通流车头时距平均值

为：

若采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略，所述的概率Pr((α,J)|(N,N_A))包括Pr((α,E)|(N,N_A))、Pr((α,F)|(N,N_A))、Pr((α,G)|(N,N_A))和Pr((α,H)|(N,N_A))：

其中，Pr((α,E)|(N,N_A))为E布局类型且队列的数量为α的排列形式的概率，Pr((α,F)|(N,N_A))为F布局类型且队列的数量为α的排列形式的概率，Pr((α,G)|(N,N_A))为G布局类型且队列的数量为α的排列形式的概率，Pr((α,H)|(N,N_A))为H布局类型且队列的数量为α的排列形式的概率；

若采用固定网联自动驾驶车形成的队列的长度的编队策略，且限定队列的长度为λ₀，所述的概率Pr((α,J)|(N,N_A))为：

其中，J为布局类型，

包括

和

为：

所述的最终混合饱和交通流车头时距平均值

为：

所述的道路通行能力

为：

所述的网联自动驾驶车当量系数PCE为：

与现有技术相比，本发明具有以下优点：

(1)通过纯人类驾驶车辆饱和交通流统计、封闭或开放场地实验和仿真实验中获得的饱和车头时距平均值作为模型输入，有效反映新型混合交通流的实际运行状态，适应实际交通流运行环境，数据获得方法具有可操作性，估算结果可信度高，估算方法便于推广应用。

(2)根据网联自动驾驶车所采用的队列编队策略(包括采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略以及采用固定网联自动驾驶车形成的队列的长度的编队策略)，采用概率质量函数来反映编队策略对最终混合饱和交通流车头时距平均值的影响，直接从编队策略的结果着手进行建模，不涉及形成该编队的具体算法，有效简化了计算，同时弥补了当前研究中普遍忽视网联自动驾驶车编队策略的弱点。

(3)所得的道路通行能力和网联自动驾驶车当量系数可以用于指导网联自动驾驶车专用道设置、新建或改建公路车道数设置等面向网联自动驾驶技术的交通规划与管理实践，满足现实需求，促进网联自动驾驶技术的推广应用，进一步改善我国公路网和城市道路网的运行效率和安全性。

附图说明

图1为本发明的流程图；

图2为本发明的车头时距种类示意图；

图3为本发明的布局类型示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例提供一种道路通行能力与网联自动驾驶车当量系数估计方法，包括以下步骤：

步骤S1：获得饱和车头时距平均值和布局类型，人类驾驶车辆跟驰人类驾驶车辆的饱和车头时距平均值

人类驾驶车辆跟驰网联自动驾驶车的饱和车头时距平均值

网联自动驾驶车跟驰人类驾驶车辆的饱和车头时距平均值

和网联自动驾驶车跟驰网联自动驾驶车的饱和车头时距平均值

步骤S2：基于渗透率η和研究范围内的车辆总数N，得到研究范围内的网联自动驾驶车数量N_A；

步骤S3：基于车辆总数N和网联自动驾驶车数量N_A，得到网联自动驾驶车形成的队列的数量α；

步骤S4：基于队列的数量α、布局类型、

和

得到特定排列形式的混合饱和交通流车头时距平均值

步骤S5：基于队列的数量α、布局类型、车辆总数N和网联自动驾驶车数量N_A，通过概率质量函数计算特定排列形式的概率Pr((α,J)|(N,N_A))；

步骤S6：基于混合饱和交通流车头时距平均值和概率，得到最终混合饱和交通流车头时距平均值

步骤S7：基于最终混合饱和交通流车头时距平均值

得到道路通行能力

和网联自动驾驶车当量系数PCE。

具体而言：

步骤S1中

通过对纯人类驾驶车辆饱和交通流统计得到，

通过网联自动驾驶车封闭或开放场地实验数据获得，也可以假设

与

相等，

和

通过对纯网联自动驾驶车饱和交通流进行仿真实验获得。

布局类型包括四种，分别为头队列和尾队列均为人类驾驶车辆的E布局类型，头队列为网联自动驾驶车、尾队列为人类驾驶车辆的F布局类型，头队列为人类驾驶车辆、尾队列为网联自动驾驶车的G布局类型，头队列和尾队列均为网联自动驾驶车的H布局类型。若研究范围内的交通流只有一个特定车型的队列，则该队列被认为既是头队列，也是尾队列。

步骤S2中网联自动驾驶车数量N_A为：

N_A＝N·η

其中，N的选取应使得当继续增大研究范围时，道路通行能力和网联自动驾驶车当量系数估计值的变化小于预设的阈值，即在该研究范围下估算所得的道路通行能力和网联自动驾驶车当量系数可以反映混合交通流的真实运行状态。

步骤S3中队列的数量α乘以每个队列的长度不大于N。

步骤S4中特定排列形式的混合饱和交通流车头时距平均值

为：

步骤S5中若采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略，概率Pr((α,J)|(N,N_A))包括Pr((α,E)|(N,N_A))、Pr((α,F)|(N,N_A))、Pr((α,G)|(N,N_A))和Pr((α,H)|(N,N_A))：

其中，Pr((α,E)|(N,N_A))为E布局类型且队列的数量为α的排列形式的概率，Pr((α,F)|(N,N_A))为F布局类型且队列的数量为α的排列形式的概率，Pr((α,G)|(N,N_A))为G布局类型且队列的数量为α的排列形式的概率，Pr((α,H)|(N,N_A))为H布局类型且队列的数量为α的排列形式的概率；

若采用固定网联自动驾驶车形成的队列的长度的编队策略，且限定队列的长度为λ₀，λ₀的取值应预先确定，概率Pr((α,J)|(N,N_A))为：

其中，J为布局类型，

表示表示车辆总数为N，网联自动驾驶车数量N_A时，形成布局类型J的排列形式数；

表示车辆总数为N，网联自动驾驶车数量N_A时，形成布局类型J，且包含α个网联自动驾驶车队列的排列形式数，包括

和

为：

步骤S6中最终混合饱和交通流车头时距平均值

为：

步骤S7中道路通行能力

为：

网联自动驾驶车当量系数PCE该系数无量纲，表示为：

下面结合一个具体实例进行阐述：

1)如图2所示，在交叉口进口道对纯人类驾驶车辆饱和交通流统计获得

的取值与

相等；

和

的取值通过计算机仿真平台，对网联自动驾驶车饱和交通流进行仿真获得，具体取值如表1所示，单位为秒：布局类型可以按照头队列和尾队列所属车型分为E、F、G、H共4类，如图3所示。

表1

和

的具体取值

2)在本实例中，渗透率为η＝0.5，计算在该渗透率下的道路通行能力和网联自动驾驶车当量系数。

3)在混合交通流中截取连续的一段作为研究范围，如图2所示，其规模为N＝100，则研究范围内的网联自动驾驶车数量为N_A＝N·η＝50。

4)在步骤3)中的研究范围内，网联自动驾驶车队列的排列形式一共有

种。

5)计算不同的排列形式的混合饱和交通流车头时距平均值。例如计算拥有2个网联自动驾驶车队列F布局类型排列形式的混合饱和交通流车头时距平均值，计算过程如下式所示：

其余布局类型和不同网联自动驾驶车的队列数的排列形式采用同样算法，不一一列举计算结果。

6)在本实例中，采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略，则计算产生拥有2个网联自动驾驶车队列F布局类型的概率为：

其余布局类型和不同网联自动驾驶车的队列数的排列形式采用同样方法计算概率，不一一列举计算结果。

7)根据步骤5)和6)计算所得的混合饱和交通流车头时距平均值和概率，根据下式计算最终混合饱和交通流车头时距平均值

8)按照下式计算道路通行能力：

按照下式计算网联自动驾驶车当量系数：

结果显示，在网联自动驾驶车渗透率为0.5，采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略条件下，道路通行能力为1964veh/(h·ln)，网联自动驾驶车当量系数为0.53，可用于把混合交通流流量转换为标准车(通常为小客车)交通流流量，使得不同组成的混合交通流之间具有可比性。

Claims (8)

1.一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，该方法包括以下步骤：

步骤S1：获得饱和车头时距平均值和布局类型；

步骤S2：基于渗透率η和研究范围内的车辆总数N，得到研究范围内的网联自动驾驶车数量N_A；

步骤S3：基于车辆总数N和网联自动驾驶车数量N_A，得到网联自动驾驶车形成的队列的数量α；

步骤S4：基于队列的数量α、布局类型和饱和车头时距平均值，得到特定排列形式的混合饱和交通流车头时距平均值

步骤S5：基于队列的数量α、布局类型、车辆总数N和网联自动驾驶车数量N_A，通过概率质量函数计算特定排列形式的概率Pr((α,J)|(N,N_A))；

步骤S6：基于混合饱和交通流车头时距平均值和概率，得到最终混合饱和交通流车头时距平均值

步骤S7：基于最终混合饱和交通流车头时距平均值

得到道路通行能力

和网联自动驾驶车当量系数PCE。

2.根据权利要求1所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的网联自动驾驶车数量N_A为：

N_A＝N·η。

3.根据权利要求1所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的饱和车头时距平均值包括人类驾驶车辆跟驰人类驾驶车辆的饱和车头时距平均值

人类驾驶车辆跟驰网联自动驾驶车的饱和车头时距平均值

网联自动驾驶车跟驰人类驾驶车辆的饱和车头时距平均值

和网联自动驾驶车跟驰网联自动驾驶车的饱和车头时距平均值

所述的

通过对纯人类驾驶车辆饱和交通流统计得到，所述

通过网联自动驾驶车封闭或开放场地实验数据获得，所述

和

通过对纯网联自动驾驶车饱和交通流进行仿真实验获得。

4.根据权利要求3所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的布局类型包括头队列和尾队列均为人类驾驶车辆的E布局类型，头队列为网联自动驾驶车、尾队列为人类驾驶车辆的F布局类型，头队列为人类驾驶车辆、尾队列为网联自动驾驶车的G布局类型，头队列和尾队列均为网联自动驾驶车的H布局类型。

5.根据权利要求4所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的特定排列形式的混合饱和交通流车头时距平均值

为：

6.根据权利要求5所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，若采用人类驾驶车辆和网联自动驾驶车任意编队的编队策略，所述的概率Pr((α,J)|(N,N_A))包括Pr((α,E)|(N,N_A))、Pr((α,F)|(N,N_A))、Pr((α,G)|(N,N_A))和Pr((α,H)|(N,N_A))：

其中，Pr((α,E)|(N,N_A))为E布局类型且队列的数量为α的排列形式的概率，Pr((α,F)|(N,N_A))为F布局类型且队列的数量为α的排列形式的概率，Pr((α,G)|(N,N_A))为G布局类型且队列的数量为α的排列形式的概率，Pr((α,H)|(N,N_A))为H布局类型且队列的数量为α的排列形式的概率；

若采用固定网联自动驾驶车形成的队列的长度的编队策略，且限定队列的长度为λ₀，所述的概率Pr((α,J)|(N,N_A))为：

其中，J为布局类型，

包括

和

为：

7.根据权利要求6所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的最终混合饱和交通流车头时距平均值

为：

8.根据权利要求7所述的一种道路通行能力与网联自动驾驶车当量系数估计方法，其特征在于，所述的道路通行能力

为：

所述的网联自动驾驶车当量系数PCE为：

Images