CN115331420B - 一种混合交通条件下的移动瓶颈控制方法 - Google Patents
一种混合交通条件下的移动瓶颈控制方法 Download PDFInfo
- Publication number
- CN115331420B CN115331420B CN202210875777.7A CN202210875777A CN115331420B CN 115331420 B CN115331420 B CN 115331420B CN 202210875777 A CN202210875777 A CN 202210875777A CN 115331420 B CN115331420 B CN 115331420B
- Authority
- CN
- China
- Prior art keywords
- vehicle group
- hybrid vehicle
- vehicle
- mixed
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 46
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种混合交通条件下的移动瓶颈控制方法,其包括步骤:1)获取不同交通状态下混合车群的单车数据,构建模型数据集;2)构建混合车群的宏观演化模型,并对模型进行训练;3)设计基于车道的混合车群优化调控策略;4)根据移动瓶颈处的实时交通状态,构建混合车群动态优化目标;5)设计移动瓶颈上游多群体控制方案;6)根据步骤4)构建的混合车群动态优化目标设计混合车群的控制算法以对混合车群进行控制。本发明提出的混合交通条件下的移动瓶颈控制方法,不受交通检测设备的布设的空间限制,能够针对移动瓶颈的移动性进行有效的控制,具有可使用范围广、使用成本更低等优点。
Description
技术领域
本发明涉及智能交通信息技术领域,特别涉及一种混合交通条件下的移动瓶颈控制方法。
背景技术
快速路移动瓶颈是一种常见的交通瓶颈。相关研究表明:移动瓶颈的存在会对道路的运行效率产生负面影响,而移动瓶颈的随机性和移动性增大了控制的难度。随着智能汽车技术的发展,出现了网联自动车与网联人驾车构成的异质交通流。网联自动车的加入增加了交通***的复杂度,但同时也为解决交通问题提供了新的途径。因此,以混合车流中的网联自动车作为抑制移动瓶颈负面影响的切入点,是一个值得探索的问题。
现有的关于移动瓶颈的研究多集中于移动瓶颈对交通的影响分析。如专利文献CN201310656193公开了一种移动瓶颈影响下的路段行程时间预测***及实现方法。该方法基于马尔科夫链,对移动瓶颈任意时刻的时空分布状态进行预测,通过查询建立的移动瓶颈状态库及对应的延误函数库,进而得到路段的行程时间。该方法侧重于移动瓶颈对交通***的影响分析,针对移动瓶颈导致的道路通行效率下降等问题未给出相应的应对措施。
发明内容
有鉴于此,本发明的目的是提供一种混合交通条件下的移动瓶颈控制方法,以解决对移动瓶颈产生的负效应进行抑制的技术问题。
本发明混合交通条件下的移动瓶颈控制方法,其特征在于:包括以下步骤:
1)获取不同交通状态下混合车群的单车数据,并构建数据集,包括:
1.1)选定长度为L的监测路段s,在存储有混合车群单车数据的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk,并选取车辆n1,n2,...,nk的运动状态信息、位置信息和车辆的类型p,所述车辆的类型p用以区分网联人驾车和网联自动车;
t时刻监测路段s内车辆n1,n2,...,nk的运动状态信息包括:车辆的速度v、加速度a、偏航角h;
t时刻监测路段s内车辆n1,n2,...,nk的位置信息包括:纵向位置x和所属车道c;
以及选取t+τ时刻车辆n1,n2,...,nk的速度v′、纵向位置x′和所属车道k′;
1.2)根据t时刻监测路段s内的单车数据,将路段s划分为c×m个单元,c为车道的数量,m为每条车道划分的单元数量;确定每条车道单个单元划分的长度lmin:
式中,L代表监测路段s及监测路段s+1的长度;
1.3)确定每一条车道每辆车***的单元位置:先构建c×m×f的零矩阵,f为特征层的数量,然后根据车辆在路段中的相对位置将车辆的状态信息***到对应的单元中,替换零矩阵中原来的0值;由于车辆存在横跨多个单元的情况,因此需要对***的位置进行确定:
对于每一条车道,每辆车***的单元位置的计算公式为:
式中,mi和m′i表示***的位置的范围,即m′i为***的第一个位置,mi表示最后一个***的位置,xj为第j辆车的纵向位置,smin为路段s的初始位置,lj为第j辆车的长度,符号[·]表示取整函数;
计算t+τ时刻所研究的车辆群体的平均速度和平均密度,计算公式为:
式中,为t+τ时刻所研究车辆群体的平均速度,vt+τ,i,j为t+τ时刻第i条车道上的第j辆车的速度,/>为t+τ时刻所研究车辆群体的平均密度,lmax为t+τ时刻所研究车辆群体最前面车辆的纵向位置,lmin为t+τ时刻所研究车辆群体最后面车辆的纵向位置;
2)构建混合车群的宏观演化模型,并对模型进行训练;
以t+τ时刻所研究车辆群体的平均速度和平均密度为训练标签,搭建混合车群的宏观演化模型:CNN深度网络;
对构建的t时刻监控路段s的数据集进行标准化处理,再输入到CNN深度网络进行训练,经过多次卷积和池化后,经过全连接层输出,完成模型的训练;
数据标准化的公式为:
式中,fi *为标准化的数据,fi为样本i中的需要进行标准化的特征值,fmin为需要进行标准化的特征值的最小值,fmax为需要进行标准化的特征值的最大值;
3)设计基于车道的混合车群优化调控策略,包括:
3.1)基于混合车群的宏观演化模型,设计多目标优化的适应度函数,具体公式为:
式中,|·|为绝对值符号,分别为下一时刻混合车群期望的平均速度和平均密度,f(X)为基于CNN的混合车群演化模型函数,fv(X)、fρ(X)分别为混合车群未优化前下一时刻的平均速度和平均密度;f′v(X)、f′ρ(X)为优化过程中,混合车群下一时刻的平均速度和平均密度;对于该适应度函数,两个维度的取值范围均为[0,+∞],当优化后的值为0时,代表优化后的数值与期望的目标值相等,当优化后的值大于100%时,表明优化无效,即在0至100%之间表明优化后的混合车群朝着期望的方向进行演化;
3.2)设置多目标粒子群算法中的相关参数,包括算法中使用的粒子的数量n、Archive集的存档阈值N以及划分网格数量的参数M、约束条件的设置、算法的迭代次数;
3.3)在约束条件下,随机生成均匀分布,初始化各个粒子的速度和粒子的位置;
3.4)根据适应度函数,计算各个粒子对应的适应度,并将其作为自身的局部最优解Pbesti;
3.5)根据Pareto占优规则,将初始化粒子中的非劣解添加到Archive集中;
3.6)基于网格法,获得Archive集中各个粒子的密度估计值,并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBestj;
3.7)更新各个粒子的速度和位置,生成下一代粒子群体;
3.8)根据适应度函数计算各个粒子的适应度,并更新各个粒子的局部最优解Pbesti;
3.9)根据Pareto占优规则,将当前的粒子的非劣解加入到Archive集中,更新Archive集,并且判断Archive集中的粒子的数量是否达到存档阈值N,如果是,则需要Archive集进行截断处理;
3.10)返回到步骤3.6),更新粒子的全局最优解;
3.11)对当前的迭代次数进行判断,如果没有达到设定的最大值,则返回步骤3.7),如果达到最大值,则结束基于混合车群宏观演化模型的多目标速度优化算法;
4)根据移动瓶颈处的实时交通状态,构建混合车群动态优化目标:
式中,ρmb(t)为交通检测区域的密度,ρmb,m为临界密度,υ*(t)为混合车群的平均速度优化目标,为临界速度,ρ*(t)为平均密度优化目标,vmb为移动瓶颈的移动速度,ρmb,max交通检测区域的最大密度,λ为速度控制系数,公式为:
其中,a、b、c、d为待定系数;
5)设计移动瓶颈上游多群体控制方案:
以移动瓶颈为参照物,每隔时间T对上游的固定距离处划分该方案中的各个功能区:交通状态检测区、演化及加速区、混合车群划定区,其中混合车群划定区为混合车群的选定区域,混合车群划定区的长度为Lc,每隔时间T将进入该区域的网联自动车和网联人驾车划定为一个混合车群,根据交通检测区反馈的交通状态,对混合车群中的网联自动车进行速度控制,调节混合车群的演化方向,进而调节进入下游的车流量,降低上游的大流量对瓶颈处的压力;演化及加速区的长度为La,由于施加的控制为t+1时刻使得混合车群向着期望的方向进行演化,故在t时刻施加速度控制后,会出现一个演化的过程,然后开始自由行驶;交通检测区长度为Ld,交通检测区为混合车群控制的状态反馈区域,每隔时间T将该区域的交通状态信息进行反馈,对上游混合车群的调控目标进行更新;
6)根据步骤4)构建的混合车群动态优化目标设计混合车群的控制算法以对混合车群进行控制,包括:
6.1)获取t时刻交通检测区域的车流密度ρmb(t)以及第i个混合车群控制区域中混合车群的单车数据;
6.2)根据步骤2)中建立的混合车群宏观演化模型得到t时刻第i个混合车群控制区域内的混合车群在t+1时刻的平均速度和平均密度/>
6.3)根据ρmb(t)以及和/>判断是否需要对第i个混合车群控制区域中的混合车群进行控制;如果ρmb(t)小于ρmb,m且/>和/>的乘积小于/>则不需要对混合车群进行控制,算法结束;否则,转到步骤6.4);
6.4)如果ρmb(t)小于ρmb,m且和/>的乘积大于/>则优化目标为ρmb,m和/>否则根据车流密度ρmb(t)以及步骤4)中的动态优化目标公式计算第i个混合车群控制区域中混合车群的优化目标;
6.5)根据步骤3)设计的混合车群优化调控策略,对第i个混合车群控制区域中每个车道的网联自动车进行速度优化;
6.6)根据步骤6.5)中得到的每个车道的网联自动车进行速度优化,对第i个混合车群控制区域各个车道的网联自动车进行速度控制。
本发明的有益效果:
本发明中混合交通条件下的移动瓶颈控制方法,以网联自动车为切入点,利用网联环境下获得的单车信息,充分考虑混合车群中车辆的运动状态和空间分布特征,实现混合车群演化规律的精准刻画。在此基础上,对混合车群优化调控策略的进行设计,充分考虑了网联自动车在混合车群中的空间分布特征,能够提高混合车群状态调控的有效性。本发明提出的混合交通条件下的移动瓶颈控制方法,不受交通检测设备的布设的空间限制,能够针对移动瓶颈的移动性进行有效的控制,具有可使用范围广、使用成本更低等优点。
附图说明
图1为本发明总体流程示意图;
图2为步骤1数据预处理中群体数据集构建示意图;
图3为步骤2深度学习网络示意图;
图4为混合车群优化调控策略算法流程图;
图5为混合车群控制算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图所示,本实施例中混合交通条件下的移动瓶颈控制方法包括以下步骤:
1)获取不同交通状态下混合车群的单车数据,构建模型数据集;
2)构建混合车群的宏观演化模型,并对模型进行训练;
3)设计基于车道的混合车群优化调控策略;
4)根据移动瓶颈处的实时交通状态,构建混合车群动态优化目标;
5)设计移动瓶颈上游多群体控制方案;
6)根据步骤4)构建的混合车群动态优化目标设计混合车群的控制算法以对混合车群进行控制。
所述步骤1)中根据获取的混合车群的单车数据构建模型数据集又包括以下步骤:
1.1)选定长度为L的监测路段s,初始化混合车群的长度;在存储有混合车群单车数据的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk,并选取车辆n1,n2,...,nk的运动状态信息、位置信息和车辆的类型p,所述车辆的类型p用以区分网联人驾车和网联自动车;
t时刻路段s内车辆n1,n2,...,nk的运动状态信息包括:车辆的速度v、加速度a、偏航角h;
t时刻路段s内车辆n1,n2,...,nk的位置信息包括:纵向位置x和所属车道c;
以及选取t+τ时刻车辆n1,n2,...,nk的速度v′、纵向位置x′和所属车道k′。
1.2)根据t时刻路段s内的单车数据,将路段s划分为c×m个单元,c为车道的数量,m为每条车道划分的单元数量;确定每条车道单个单元划分的长度lmin:
式中,L代表监测路段s及监测路段s+1的长度。
1.3)确定每一条车道每辆车***的单元位置:先构建c×m×f的零矩阵,f为特征层的数量,然后根据车辆在路段中的相对位置将车辆的状态信息***到对应的单元中,替换零矩阵中原来的0值;由于车辆存在横跨多个单元的情况,因此需要对***的位置进行确定:
对于每一条车道,每辆车***的单元位置的计算公式为:
式中,mi和m′i表示***的位置的范围,即m′i为***的第一个位置,mi表示最后一个***的位置,xj为第j辆车的纵向位置,smin为路段s的初始位置,lj为第j辆车的长度,符号[·]表示取整函数;
计算t+τ时刻所研究的车辆群体的平均速度和平均密度,计算公式为:
式中,为t+τ时刻所研究车辆群体的平均速度,vt+t,i,j为t+τ时刻第i条车道上的第j辆车的速度,/>为t+τ时刻所研究车辆群体的平均密度,lmax为t+τ时刻所研究车辆群体最前面车辆的纵向位置,lmin为t+τ时刻所研究车辆群体最后面车辆的纵向位置。
所述步骤2)中以t+τ时刻所研究车辆群体的平均速度和平均密度为训练标签,搭建混合车群的宏观演化模型:CNN深度网络;对构建的t时刻路段s的数据集进行标准化处理,再输入到CNN深度网络进行训练,经过多次卷积和池化后,经过全连接层输出,完成模型的训练;
数据标准化的公式为:
式中,fi *为标准化的数据,fi为样本i中的需要进行标准化的特征值,fmin为需要进行标准化的特征值的最小值,fmax为需要进行标准化的特征值的最大值。
所述步骤3)中基于步骤2)根据得到的混合车群的宏观演化模型,设计混合车群的优化调控策略,具体包括以下几个子步骤:
3.1)基于混合车群的宏观演化模型,设计多目标优化的适应度函数,具体公式为:
式中,|·|为绝对值符号,分别为下一时刻混合车群期望的平均速度和平均密度,f(X)为基于CNN的混合车群演化模型函数,fv(X)、fρ(X)分别为混合车群未优化前下一时刻的平均速度和平均密度;f′v(X)、f′ρ(X)为优化过程中,混合车群下一时刻的平均速度和平均密度;对于该适应度函数,两个维度的取值范围均为[0,+∞],当优化后的值为0时,代表优化后的数值与期望的目标值相等,当优化后的值大于100%时,表明优化无效,即在0至100%之间表明优化后的混合车群朝着期望的方向进行演化。
3.2)设置多目标粒子群算法中的相关参数,包括算法中使用的粒子的数量n、Archive集的存档阈值N以及划分网格数量的参数M、约束条件的设置、算法的迭代次数。
3.3)在约束条件下,随机生成均匀分布,初始化各个粒子的速度和粒子的位置。
3.4)根据适应度函数,计算各个粒子对应的适应度,并将其作为自身的局部最优解Pbesti。
3.5)根据Pareto占优规则,将初始化粒子中的非劣解添加到Archive集中;
3.6)基于网格法,获得Archive集中各个粒子的密度估计值,并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBestj。
3.7)更新各个粒子的速度和位置,生成下一代粒子群体。
3.8)根据适应度函数计算各个粒子的适应度,并更新各个粒子的局部最优解Pbesti。
3.9)根据Pareto占优规则,将当前的粒子的非劣解加入到Archive集中,更新Archive集,并且判断Archive集中的粒子的数量是否达到存档阈值N,如果是,则需要Archive集进行截断处理。
3.10)返回到步骤3.6),更新粒子的全局最优解。
3.11)对当前的迭代次数进行判断,如果没有达到设定的最大值,则返回步骤3.7),如果达到最大值,则结束基于混合车群宏观演化模型的多目标速度优化算法。
4)根据移动瓶颈处的实时交通状态,构建混合车群动态优化目标:
式中,ρmb(t)为交通检测区域的密度,ρmb,m为临界密度,υ*(t)为混合车群的平均速度优化目标,为临界速度,ρ*(t)为平均密度优化目标,vmb为移动瓶颈的移动速度,ρmb,max交通检测区域的最大密度,λ为速度控制系数,公式为:
其中,a、b、c、d为待定系数。
所述步骤5)中设计移动瓶颈上游多群体控制方案,其包括:
以移动瓶颈为参照物,每隔时间T对上游的固定距离处划分该方案中的各个功能区:交通状态检测区、演化及加速区、混合车群划定区,其中混合车群划定区为混合车群的选定区域,混合车群划定区的长度为Lc,每隔时间T将进入该区域的网联自动车和网联人驾车划定为一个混合车群,根据交通检测区反馈的交通状态,对混合车群中的网联自动车进行速度控制,调节混合车群的演化方向,进而调节进入下游的车流量,降低上游的大流量对瓶颈处的压力;演化及加速区的长度为La,由于施加的控制为t+1时刻使得混合车群向着期望的方向进行演化,故在t时刻施加速度控制后,会出现一个演化的过程,然后开始自由行驶;交通检测区长度为Ld,交通检测区为混合车群控制的状态反馈区域,每隔时间T将该区域的交通状态信息进行反馈,对上游混合车群的调控目标进行更新。
所述步骤6)中根据步骤4)构建的动态优化目标设计混合车群控制算法,具体包括以下步骤:
6.1)获取t时刻交通检测区域的车流密度ρmb(t)以及第i个混合车群控制区域中混合车群的单车数据。
6.2)根据步骤2)中建立的混合车群宏观演化模型得到t时刻第i个混合车群控制区域内的混合车群在t+1时刻的平均速度和平均密度/>
6.3)根据ρmb(t)以及和/>判断是否需要对第i个混合车群控制区域中的混合车群进行控制;如果ρmb(t)小于ρmb,m且/>和/>的乘积小于则不需要对混合车群进行控制,算法结束;否则,转到步骤6.4)。
6.4)如果ρmb(t)小于ρmb,m且和/>的乘积大于/>则优化目标为ρmb,m和/>否则根据车流密度ρmb(t)以及步骤4)中的动态优化目标公式计算第i个混合车群控制区域中混合车群的优化目标。
6.5)根据步骤3)设计的混合车群优化调控策略,对第i个混合车群控制区域中每个车道的网联自动车进行速度优化。
6.6)根据步骤6.5)中得到的每个车道的网联自动车进行速度优化,对第i个混合车群控制区域各个车道的网联自动车进行速度控制。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种混合交通条件下的移动瓶颈控制方法,其特征在于:包括以下步骤:
1)获取不同交通状态下混合车群的单车数据,并构建数据集,包括:
1.1)选定长度为L的监测路段s,在存储有混合车群单车数据的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk,并选取车辆n1,n2,...,nk的运动状态信息、位置信息和车辆的类型p,所述车辆的类型p用以区分网联人驾车和网联自动车;
t时刻监测路段s内车辆n1,n2,...,nk的运动状态信息包括:车辆的速度v、加速度a、偏航角h;
t时刻监测路段s内车辆n1,n2,...,nk的位置信息包括:纵向位置x和所属车道c;
以及选取t+τ时刻车辆n1,n2,...,nk的速度v′、纵向位置x′和所属车道k′;
1.2)根据t时刻监测路段s内的单车数据,将路段s划分为c×m个单元,c为车道的数量,m为每条车道划分的单元数量;确定每条车道单个单元划分的长度lmin:
式中,L代表监测路段s及监测路段s+1的长度;
1.3)确定每一条车道每辆车***的单元位置:先构建c×m×f的零矩阵,f为特征层的数量,然后根据车辆在路段中的相对位置将车辆的状态信息***到对应的单元中,替换零矩阵中原来的0值;由于车辆存在横跨多个单元的情况,因此需要对***的位置进行确定:
对于每一条车道,每辆车***的单元位置的计算公式为:
式中,mi和m′i表示***的位置的范围,即m′i为***的第一个位置,mi表示最后一个***的位置,xj为第j辆车的纵向位置,smin为路段s的初始位置,lj为第j辆车的长度,符号[·]表示取整函数;
计算t+τ时刻所研究的车辆群体的平均速度和平均密度,计算公式为:
式中,为t+τ时刻所研究车辆群体的平均速度,vt+τ,i,j为t+τ时刻第i条车道上的第j辆车的速度,/>为t+τ时刻所研究车辆群体的平均密度,lmax为t+τ时刻所研究车辆群体最前面车辆的纵向位置,lmin为t+τ时刻所研究车辆群体最后面车辆的纵向位置;
2)构建混合车群的宏观演化模型,并对模型进行训练;
以t+τ时刻所研究车辆群体的平均速度和平均密度为训练标签,搭建混合车群的宏观演化模型:CNN深度网络;
对构建的t时刻监控路段s的数据集进行标准化处理,再输入到CNN深度网络进行训练,经过多次卷积和池化后,经过全连接层输出,完成模型的训练;
数据标准化的公式为:
式中,fi *为标准化的数据,fi为样本i中的需要进行标准化的特征值,fmin为需要进行标准化的特征值的最小值,fmax为需要进行标准化的特征值的最大值;
3)设计基于车道的混合车群优化调控策略,包括:
3.1)基于混合车群的宏观演化模型,设计多目标优化的适应度函数,具体公式为:
式中,|·|为绝对值符号,分别为下一时刻混合车群期望的平均速度和平均密度,f(X)为基于CNN的混合车群演化模型函数,fv(X)、fρ(X)分别为混合车群未优化前下一时刻的平均速度和平均密度;f'v(X)、f'ρ(X)为优化过程中,混合车群下一时刻的平均速度和平均密度;对于该适应度函数,两个维度的取值范围均为[0,+∞],当优化后的值为0时,代表优化后的数值与期望的目标值相等,当优化后的值大于100%时,表明优化无效,即在0至100%之间表明优化后的混合车群朝着期望的方向进行演化;
3.2)设置多目标粒子群算法中的相关参数,包括算法中使用的粒子的数量n、Archive集的存档阈值以及划分网格数量的参数M、约束条件的设置、算法的迭代次数;
3.3)在约束条件下,随机生成均匀分布,初始化各个粒子的速度和粒子的位置;
3.4)根据适应度函数,计算各个粒子对应的适应度,并将其作为自身的局部最优解Pbesti;
3.5)根据Pareto占优规则,将初始化粒子中的非劣解添加到Archive集中;
3.6)基于网格法,获得Archive集中各个粒子的密度估计值,并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBestj;
3.7)更新各个粒子的速度和位置,生成下一代粒子群体;
3.8)根据适应度函数计算各个粒子的适应度,并更新各个粒子的局部最优解Pbesti;
3.9)根据Pareto占优规则,将当前的粒子的非劣解加入到Archive集中,更新Archive集,并且判断Archive集中的粒子的数量是否达到存档阈值如果是,则需要Archive集进行截断处理;
3.10)返回到步骤3.6),更新粒子的全局最优解;
3.11)对当前的迭代次数进行判断,如果没有达到设定的最大值,则返回步骤3.7),如果达到最大值,则结束基于混合车群宏观演化模型的多目标速度优化算法;
4)根据移动瓶颈处的实时交通状态,构建混合车群动态优化目标:
式中,ρmb(t)为交通检测区域的密度,ρmb,m为临界密度,υ*(t)为混合车群的平均速度优化目标,为临界速度,ρ*(t)为平均密度优化目标,vmb为移动瓶颈的移动速度,ρmb,max交通检测区域的最大密度,λ为速度控制系数,公式为:
其中,a、b、c、d为待定系数;
5)设计移动瓶颈上游多群体控制方案:
以移动瓶颈为参照物,每隔时间T对上游的固定距离处划分该方案中的各个功能区:交通状态检测区、演化及加速区、混合车群划定区,其中混合车群划定区为混合车群的选定区域,混合车群划定区的长度为Lc,每隔时间T将进入该区域的网联自动车和网联人驾车划定为一个混合车群,根据交通检测区反馈的交通状态,对混合车群中的网联自动车进行速度控制,调节混合车群的演化方向,进而调节进入下游的车流量,降低上游的大流量对瓶颈处的压力;演化及加速区的长度为La,由于施加的控制为t+1时刻使得混合车群向着期望的方向进行演化,故在t时刻施加速度控制后,会出现一个演化的过程,然后开始自由行驶;交通检测区长度为Ld,交通检测区为混合车群控制的状态反馈区域,每隔时间T将该区域的交通状态信息进行反馈,对上游混合车群的调控目标进行更新;
6)根据步骤4)构建的混合车群动态优化目标设计混合车群的控制算法以对混合车群进行控制,包括:
6.1)获取t时刻交通检测区域的车流密度ρmb(t)以及第i个混合车群控制区域中混合车群的单车数据;
6.2)根据步骤2)中建立的混合车群宏观演化模型得到t时刻第i个混合车群控制区域内的混合车群在t+1时刻的平均速度和平均密度/>
6.3)根据ρmb(t)以及和/>判断是否需要对第i个混合车群控制区域中的混合车群进行控制;如果ρmb(t)小于ρmb,m且/>和/>的乘积小于/>则不需要对混合车群进行控制,算法结束;否则,转到步骤6.4);
6.4)如果ρmb(t)小于ρmb,m且和/>的乘积大于/>则优化目标为ρmb,m和/>否则根据车流密度ρmb(t)以及步骤4)中的动态优化目标公式计算第i个混合车群控制区域中混合车群的优化目标;
6.5)根据步骤3)设计的混合车群优化调控策略,对第i个混合车群控制区域中每个车道的网联自动车进行速度优化;
6.6)根据步骤6.5)中得到的每个车道的网联自动车进行速度优化,对第i个混合车群控制区域各个车道的网联自动车进行速度控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875777.7A CN115331420B (zh) | 2022-07-25 | 2022-07-25 | 一种混合交通条件下的移动瓶颈控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875777.7A CN115331420B (zh) | 2022-07-25 | 2022-07-25 | 一种混合交通条件下的移动瓶颈控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331420A CN115331420A (zh) | 2022-11-11 |
CN115331420B true CN115331420B (zh) | 2023-11-14 |
Family
ID=83919963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875777.7A Active CN115331420B (zh) | 2022-07-25 | 2022-07-25 | 一种混合交通条件下的移动瓶颈控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331420B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004077377A1 (fr) * | 2003-02-27 | 2004-09-10 | Shaopeng Yang | Procede de regulation de la circulation routiere et installations routieres |
CN109544934A (zh) * | 2018-12-19 | 2019-03-29 | 同济大学 | 基于城市交叉口混合交通流三维轨迹的效率安全监控*** |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
CN113781806A (zh) * | 2021-09-23 | 2021-12-10 | 西南交通大学 | 一种用于智能网联环境下的混合交通流通行方法 |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
CN114613144A (zh) * | 2022-04-07 | 2022-06-10 | 重庆大学 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
US11390306B1 (en) * | 2021-08-11 | 2022-07-19 | East China Jiaotong University | Method and system for multi-objective optimization of urban train operation |
-
2022
- 2022-07-25 CN CN202210875777.7A patent/CN115331420B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004077377A1 (fr) * | 2003-02-27 | 2004-09-10 | Shaopeng Yang | Procede de regulation de la circulation routiere et installations routieres |
CN109544934A (zh) * | 2018-12-19 | 2019-03-29 | 同济大学 | 基于城市交叉口混合交通流三维轨迹的效率安全监控*** |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
US11390306B1 (en) * | 2021-08-11 | 2022-07-19 | East China Jiaotong University | Method and system for multi-objective optimization of urban train operation |
CN113781806A (zh) * | 2021-09-23 | 2021-12-10 | 西南交通大学 | 一种用于智能网联环境下的混合交通流通行方法 |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
CN114613144A (zh) * | 2022-04-07 | 2022-06-10 | 重庆大学 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
Non-Patent Citations (1)
Title |
---|
面向快速路交通瓶颈的混合交通群体节流控制策略;赵杭;《交通运输工程学报》;第22卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115331420A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An intelligent lane-changing behavior prediction and decision-making strategy for an autonomous vehicle | |
Qu et al. | Jointly dampening traffic oscillations and improving energy consumption with electric, connected and automated vehicles: A reinforcement learning based approach | |
Xing et al. | Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling | |
CN110750877A (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
CN111284489B (zh) | 智能网联汽车随机预测巡航控制*** | |
Han et al. | Driving intention recognition and lane change prediction on the highway | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN113744527A (zh) | 一种面向高速公路合流区的智能靶向疏堵方法 | |
CN112182962A (zh) | 一种混合动力汽车行驶车速预测方法 | |
Zhang et al. | Combined prediction for vehicle speed with fixed route | |
Tang et al. | ATAC-based car-following model for level 3 autonomous driving considering driver’s acceptance | |
CN114889610A (zh) | 一种基于循环神经网络的目标车辆换道时刻预测方法及*** | |
CN115331420B (zh) | 一种混合交通条件下的移动瓶颈控制方法 | |
CN112731806B (zh) | 智能网联汽车随机模型预测控制实时性优化方法 | |
CN112750298B (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
CN113276829A (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization | |
Imanishi et al. | Model-less location-based vehicle behavior prediction for intelligent vehicle | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
Naitmalek et al. | Embedded real-time speed forecasting for electric vehicles: a case study on RSK urban roads | |
CN114200917A (zh) | 一种车辆换道控制方法及装置 | |
Wang et al. | An Enabling Decision-Making Scheme by Considering Trajectory Prediction and Motion Uncertainty | |
Moumen et al. | Distributed Multi-Intersection Traffic Flow Prediction using Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |