CN117238131A - 一种车联网环境下交通流特性分析方法 - Google Patents
一种车联网环境下交通流特性分析方法 Download PDFInfo
- Publication number
- CN117238131A CN117238131A CN202311184320.2A CN202311184320A CN117238131A CN 117238131 A CN117238131 A CN 117238131A CN 202311184320 A CN202311184320 A CN 202311184320A CN 117238131 A CN117238131 A CN 117238131A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic flow
- vehicles
- driving behavior
- internet
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 claims abstract description 100
- 230000006855 networking Effects 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 22
- 230000035699 permeability Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000011160 research Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 101100340331 Arabidopsis thaliana IDM1 gene Proteins 0.000 claims description 2
- 101100340333 Arabidopsis thaliana IDM2 gene Proteins 0.000 claims description 2
- 101100018407 Arabidopsis thaliana IDM3 gene Proteins 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 241000854291 Dianthus carthusianorum Species 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提出一种车联网环境下交通流特性分析方法，包括：构建面向车联网技术应用影响研究的综合感知及仿真分析平台；基于所述综合感知及仿真分析平台，采集驾驶员在有/无车联网环境下的多维度全息时空微观数据，基于所述多维度全息时空微观数据，解析车联网环境下的驾驶行为特性；基于所述驾驶行为特性，获取车联网环境下驾驶行为时空关联性；基于所述驾驶行为时空关联性，分析混有智能网联车队交通流特性。本发明对混合交通流通行能力和稳定性进行***分析，进而为车联网技术背景下交通管控优化方案制定提供技术支持。
Description
技术领域
本发明属于智能交通技术领域，尤其涉及一种车联网环境下交通流特性分析方法。
背景技术
道路交通***运行水平不仅是衡量一个国家发展程度的重要指标，同时也是反映现代城镇居民生活质量以及繁荣程度的重要因素。自改革开放以来，我国高度重视交通基础设施建设，持续加大道路交通***建设的力度。在我国社会变革不断深入和经济快速发展的同时，我国道路交通路网基础设施也得到了极大的发展。道路网络的延伸和道路基础设施的完善给人们的出行带来了前所未有的便利。然而随着道路上机动车数量日益增多，人们的出行更加频繁，带来的道路交通问题也越来越严峻。日益增长的机动车交通出行量和有限的道路资源之间的不匹配，使得道路上的不良驾驶现象层出不穷，道路交通问题逐渐凸显，主要表现为交通拥堵加剧、交通事故率居高不下、交通污染问题日益严重、交通出行成本攀升等。传统的智能交通***通过交通信息的“感知-传输-处理-应用”实现道路交通要素的一体化集成，从而保障道路交通流的有序组织和运行。然而基于现有设施设备，交通流管控缺乏车辆与车辆、车辆与路侧设施间的相互协同。随着信息通信技术、人机交互技术和车辆自动驾驶技术的不断进步，传统的智能交通基础设施和车辆向智能化网联化方向发展已成定势。融合车联网技术和车辆自动化驾驶技术的智能网联交通***正逐步发展和走向应用，智能网联化车辆(Intelligent Connected Vehicle，ICV)技术作为解决上述交通问题的重要技术手段日益受到国内外研究工作者和政府交通管理部门的重视。
当前的智能网联交通发展仍面临着诸多关键技术问题亟待解决，车联网技术在道路交通中的应用效果亟需评估。随着驾驶辅助***及车联网技术发展，使得驾驶人能及时获取更多的交通信息，驾驶员操作从基于视觉的刺激反应行为转换为基于信息诱导下心理预期的主动应对行为。车联网全息交通环境对个体驾驶行为的影响及其交通行为集计效果如何；在智能网联车辆市场占有率逐渐增长的过程中，不同市场占有率和车队组织模式对交通流通行能力和稳定性产生何种影响，这些问题的答案目前都尚不清晰。
发明内容
为解决上述技术问题，本发明提出了一种车联网环境下交通流特性分析方法，开展基于驾驶模拟开展驾驶行为研究，考虑驾驶人认知特性以准确刻画与人因因素相关的交通现象，分析车联网环境下个体驾驶行为特性，挖掘车辆时空轨迹集计特征，为人因驱动的车联网环境下微观驾驶行为特征到中观交通流表现提供精细化描述方法。在把握车联网环境下驾驶人认知机理、交通流组态空间分布特征以及车辆控制***特点的基础上，对车联网环境下混合交通流特性展开***性研究；具体实现路径是以建立混有智能网联车辆交通流基本图模型和稳定性判别式为基础，对混合交通流通行能力和稳定性进行***分析，进而为车联网技术背景下交通管控优化方案制定提供技术支持。
为实现上述目的本发明提出了一种车联网环境下交通流特性分析方法，包括：
构建面向车联网技术应用影响研究的综合感知及仿真分析平台；
基于所述综合感知及仿真分析平台，采集驾驶员在有/无车联网环境下的驾驶行为数据，基于所述驾驶行为数据，解析车联网环境下的驾驶行为特性；
基于所述驾驶行为特性，获取车联网环境下驾驶行为时空关联性；
基于所述驾驶行为时空关联性，分析混有智能网联车队交通流特性。
可选地，构建面向车联网技术应用影响研究的综合感知及仿真分析平台包括：
基于驾驶模拟和人机交互技术，搭建车联网环境下人机双在环的应用场景，构建面向人因的车联网环境下驾驶行为特性研究仿真实验平台；
构建混有智能网联车辆交通流理论仿真分析平台，建立混合交通流特性分析模型；所述混合交通流特性分析模型包括：混有智能网联车辆交通流基本图模型、混有智能网联车辆交通流稳定性判别式以及基于元胞传输模型。
可选地，解析车联网环境下的驾驶行为特性包括：
基于所述驾驶行为数据，获取车辆参数；所述车辆参数包括：车辆位置、速度、加速度、跟车间距和相对速度；
基于所述驾驶行为数据和车辆参数，构建驾驶行为数据库；
基于所述驾驶行为数据库，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。
可选地，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式，包括：
对驾驶行为数据进行标准化处理；
利用DTW，计算标准化处理后的驾驶行为数据的时空序列之间的距离；
计算DBI指数，获得车载***开启/关闭情况下的最优聚类数k；
所述DBI指数为：
其中，为观测值i和群集中所有其他观测值之间的平均距离，Ai为簇i的质心，Ti簇i中数据点的数量，am,i为簇i的第m个质心，k为簇数，j为数据点，/>为观测值j和群集中所有其他观测值之间的平均距离，wi为簇i中心位置，wj为簇j中心位置；
基于最优聚类数k结果，将驾驶员分为k组；计算速度标准差、加速度标准差和加速度变化率标准差作为安全指标，对聚类组的风险等级进行排序，其中，所述风险等级包括高风险等级、中等风险等级和低风险等级；所述DBI指数最高的一组处于高风险水平；指数最低的一组处于低风险水平；另一组处于中等风险水平；对比驾驶员在车载***开启/关闭状态下通过隧道路段过程中驾驶行为差异性，基于驾驶行为时空序列数据对个体驾驶行为风险进行分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。
可选地，获取车联网环境下驾驶行为时空关联性包括：
以没有开启车载驾驶辅助***作为对照组，描述典型场景下车辆轨迹时空特征，绘制时空特征图；
在考虑所有微观交通个体实验特征及其组成方式，以及最小安全车头时距约束的情况下，基于所述时空特征图，提出由车联网环境下驾驶行为个体特征到中观交通流特征的汇聚方法，获取道路场景路段的通行效率空间分布特征，进而获取车联网环境下驾驶行为时空关联性。
可选地，所述时空特征图包括车辆时空轨迹；所述车辆时空轨迹用于记录车辆运行行为特征，包括：记录时间点、对应行驶位置、车辆运行速度、车辆加速度。
可选地，获取道路场景路段的通行效率空间分布特征包括：
获得驾驶模拟环境下有无车联网信息诱导条件下驾驶行为数据，并进一步提取每一位驾驶员的时空轨迹数据；
分别确定传统驾驶环境和车联网环境下驾驶员预设反应时间作为最小跟车时距要求，基于该最小跟车时距，以道路所有断面跟车时距和最小为目标，获得所有驾驶员时空轨迹汇聚的最佳排序模式；
计算道路断面的平均车头时距，依据通行效率计算方法，获得路段通行效率空间分布特征。
可选地，分析混有智能网联车队交通流特性包括：
针对混有智能网联车队交通流，分析交通流组态及空间随机分布特性，建立能够描述交通流中不同类型车辆空间随机分布的逻辑解析与数学表达式；
基于平衡态交通流运行状态条件，在考虑智能网联车辆渗透率及控制参数敏感性分析交通流特征的基础上，增加考虑智能网联车辆列队行驶时最大车队规模限制，建立混有智能网联车队交通流基本图模型和稳定性的判别式；
基于混有智能网联车队交通流基本图模型和稳定性的所述判别式，完成车联网环境下交通流特性分析。
可选地，所述逻辑解析与数学表达式为：
其中，prv表示HDV车辆的渗透率，plv1表示PL1车辆的渗透率，plv2表示PL2车辆的渗透率，pca表示PF车辆的渗透率，p表示智能网联车辆渗透率，S表示车队规模。
可选地，混有智能网联车队交通流基本图模型和稳定性的所述判别式为：
其中，F表示混有网联车队交通流稳定性，FIDM1表示HDV车辆组成的同质交通流稳定性，FIDM2表示PL1车辆组成的同质交通流稳定性，，FIDM3表示PL2车辆组成的同质交通流稳定性，FCACC表示PF车辆组成的同质交通流稳定性，f表示F函数的偏微分形式。
与现有技术相比，本发明具有如下优点和技术效果：
本发明基于驾驶模拟开展驾驶行为研究，考虑驾驶人认知特性以准确刻画与人因因素相关的交通现象，分析车联网环境下个体驾驶行为特性，挖掘车辆时空轨迹集计特征，为人因驱动的车联网环境下微观驾驶行为特征到中观交通流表现提供精细化描述方法。在把握车联网环境下驾驶人认知机理、交通流组态空间分布特征以及车辆控制***特点的基础上，对车联网环境下混合交通流特性展开***性研究；具体实现路径是以建立混有智能网联车辆交通流基本图模型和稳定性判别式为基础，对混合交通流通行能力和稳定性进行***分析，进而为车联网技术背景下交通管控优化方案制定提供技术支持。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的新型混合交通流组成示意图；
图2为本发明实施例的基于数值仿真方法示意图；
图3为本发明实施例的数值仿真平台工作流程示意图；
图4为本发明实施例的数据处理流程示意图；
图5为本发明实施例的车辆时空轨迹曲线示意图；其中，(a)为单一车辆时空轨迹曲线，(b)为所有车辆时空轨迹曲线；
图6为本发明实施例的车辆时空轨迹集计特征挖掘方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
车联网环境新型混合交通流条件下，交通流中存在强人因车辆类型(HDV、CV)和弱人因车辆类型(AV、CAV)，不同智能化网联化程度车辆渗透率、不同车队组织模式等条件将导致不同的交通流组成结构，呈现出不同的交通流特性。另外，CV车辆驾驶员操作从基于视觉刺激的生理反应行为转换为基于信息诱导下心理预期的主动应对行为。再者，由于个体驾驶行为的差异性和车联网信息服务的及时性，使得驾驶行为呈现出一定的时空关联性。因此，本实施例基于驾驶模拟平台，首先面向人因对车联网环境下个体驾驶行为特性进行刻画，并对其交通行为时空集计特征进行挖掘。同时，进一步分析车流组态对新型混合交通流通行能力和稳定性的影响，并以此为基础，探索混有智能网联车辆交通流精细化交通管控应用方案。
本实施例以交通工程学为基础，应用统计分析、交通仿真等方法，按照“平台搭建-数据采集-特征刻画-微观建模-宏观分析-应用案例”的技术框架开展研究工作。利用驾驶模拟和人机交互技术，搭建高仿真的车联网环境下测试场景，开展驾驶模拟实验，采集有/无车联网环境下多维度全息时空微观数据，进而建立以驾驶员个体为单位的驾驶行为特征数据库。基于驾驶模拟实验数据基础，面向人因对网联人工驾驶车辆进行驾驶行为辨识、特征刻画。并在考虑所有微观交通个体实验特征及其组成方式，以及最小安全车头时距约束的情况下，提出了由车联网环境下驾驶行为个体特征到中观交通流特征的汇聚方法，以及通行能力的求解方法。另外，针对车联网环境下混有智能网联车队交通流，给出准确描述道路交通流组态空间分布特征的数学表达式；在考虑智能网联车辆渗透率及控制参数敏感性分析交通流特征的基础上，增加考虑智能网联车辆列队行驶时最大车队规模限制，进而建立车队模式下网联混行交通流基本图模型和稳定性判别的解析式，并对智能网联车辆渗透率和最大车队规模限制等相关模型参数进行通行能力和稳定性的敏感性分析。
随着车联网技术的逐步成熟，道路车流中将出现由传统视觉感知-反应-操作模式的人工驾驶车辆(Human-driven Vehicle,HDV)、借助车联网技术感知信息辅助的网联人工驾驶车辆(Connected Vehicle,CV)、通过车辆自身检测设备实现自动驾驶的单体智能车辆(Autonomous Vehicle,AV)、以及能够利用车-车、车-路通信等技术辅助智能车辆决策的网联自动化车辆(Connected and Autonomous Vehicle,CAV)组成的新型混合交通流。如图1所示。
构建“平台搭建-数据采集-特征刻画-微观建模-宏观分析”的研究思路。基于模拟车联网环境的交通流特性分析内容包括：
(1)构建面向车联网技术应用影响研究的综合感知及仿真分析平台
①基于驾驶模拟和人机交互技术，重点攻克场景设计、事件设计、信息交互实现和实验控制等关键问题，搭建车联网环境下人机双在环的应用场景，构建面向人因的车联网环境下驾驶行为特性研究仿真实验平台，实现有/无车联网环境下的驾驶行为数据感知与采集。
②构建混有智能网联车辆交通流理论仿真分析平台，建立混合交通流特性分析模型包括混有智能网联车辆交通流基本图模型、混有智能网联车辆交通流稳定性判别式以及基于元胞传输模型的多车道混合交通流仿真分析方法。基于数值仿真方法示意图如图2所示。
混有智能网联车辆交通流中存在不同智能网联化程度车辆以及车队组织形式，因此，研究充分结合数值仿真技术和不同交通场景下车联网技术的特点，实现交通流组态构成与空间概率分布特征的虚拟环境搭建，最终整合为车联网环境下交通流状态感知与仿真分析平台。研究基于车联网环境下混合交通流理论，利用数值仿真平台分析混有智能网联车辆的交通流特性。数值仿真平台工作流程如图3所示。
在车联网技术大规模应用之前，计算机数值仿真实验是一种研究车联网环境下混合交通流运行特性的一种必要手段。符合道路智能网联交通运行环境、精准刻画典型道路场景各类智能车和人工驾驶车的微观仿真模型(微观跟驰/换道模型)的仿真平台是进行道路智能网联交通管控与资源优化配置研究的基础。建立道路场景行驶规则以及“车-车”和“车-路”通信虚拟规则，测试不同车联网道路应用场景，包括不同车联网环境下主动管控策略、特殊路段预警提示等测试场景。通过对混有智能网联车辆的交通流模型进行参数讨论选择，构建基于Matlab的车联网环境下混合交通流理论仿真平台。需要建立混合交通流分析的一般方法包括混有智能网联车辆交通流基本图模型解析一般方法、混有智能网联车辆交通流稳定性判别方法和基于元胞传输模型的多车道交通流仿真方法。
(2)多维度解析车联网环境下驾驶行为特性
①通过驾驶模拟实验获取驾驶员在有/无车联网环境下多维度全息时空微观数据，进而计算获得车辆位置、速度、加速度、跟车间距、相对速度等参数。
②以驾驶员个体为单位，建立驾驶员在有/无车联网环境下驾驶行为数据库。
③以特长隧道路段为例，分析车联网环境对驾驶员的控速行为、驾驶舒适性以及驾驶生态性的影响。利用DTW和K-means算法，提出一种基于时空序列数据的驾驶行为风险分类方法，进而评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。
首先，对实验分析路段驾驶行为数据进行标准化处理；然后，利用DTW计算时空序列之间的距离；其次，为了确定最优聚类数，计算了DBI测度，得到了车载***开启/关闭情况下的最优聚类数k。最后，基于DTW距离，采用K-means算法将驾驶员分为k组。计算速度标准差、加速度标准差和加速度变化率标准差作为安全指标，对聚类组的风险等级进行排序：高风险等级、中等风险等级和低风险等级。指数最高的一组处于高风险水平；指数最低的一组处于低风险水平；另一组处于中等风险水平。对比驾驶员在车载***开启/关闭状态下通过隧道路段过程中驾驶行为差异性，基于驾驶行为时空序列数据对个体驾驶行为风险进行分类，进而评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。数据处理流程如图4所示。
(3)挖掘车联网环境下驾驶行为时空关联性
①以高速公路典型场景为例，面向人因开展车联网环境下驾驶行为时空关联性研究，以没有开启车载驾驶辅助***作为对照组，精细化描述典型场景下车辆轨迹时空特征，绘制时空特征图。
为描述车辆的时空移动状态，最简易的方法是利用车辆轨迹的时间-距离关系图。其中，车辆时空轨迹曲线如图5所示，图5(a)为单一车辆时空轨迹曲线，图5(b)为所有车辆时空轨迹曲线。
②在考虑所有微观交通个体实验特征及其组成方式，以及最小安全车头时距约束的情况下，提出了由车联网环境下驾驶行为个体特征到中观交通流特征的汇聚方法，以及通行能力的求解方法。
车辆时空轨迹记录了车辆运行行为特征，包括记录时间点、对应行驶位置、车辆运行速度、车辆加速度等属性。车联网驾驶环境下，驾驶员实时获得车载***根据交通环境变化反馈的预警或服务信息，使得驾驶行为呈现一定的时空关联性。考虑交通环境复杂性、驾驶行为不确定性以及车联网信息诱导及时性特点，有必要针对具体道路场景，刻画驾驶行为时空特征，挖掘交通行为集计特征，进而探究车联网技术特定应用场景下驾驶行为时、空演变规律及其对通行效率的影响，为车联网环境下道路通行效率提升提供数据基础和理论支撑。基于最小车头时距原则分别获得有/无车联网环境下最佳时空轨迹汇聚模式，并计算了实验条件下道路断面通行效率，进而评估车联网环境对道路通行效率时空分布特征的影响。提取驾驶模拟实验获得的驾驶员在特定场景路段有/无车联网环境下的驾驶行为时空特征数据，分别对两种驾驶环境下驾驶员时空轨迹曲线按照最小跟驰时距原则随机排序(即空间连续的前后车辆时空轨迹曲线通过道路任意断面的时间差大于最小跟驰时距)。研究利用Matlab仿真实验方法，按照上述方法重复试验N(建议N>1000),车辆时空轨迹线汇聚后所有断面跟车时距总和最小时的排序为时空轨迹汇聚最佳模式。车辆时空轨迹集计特征挖掘方法如图6所示。
为搜寻特定道路场景路段通行效率空间分布特征，需要完成以下三个步骤：
1)获得驾驶模拟环境下有无车联网信息诱导条件下驾驶行为数据，并进一步提取每一位驾驶员的时空轨迹数据；
2)分别确定两种环境下驾驶员一般反应时间作为最小跟车时距要求，基于该最小跟车时距，以道路所有断面跟车时距和最小为目标，获得所有驾驶员时空轨迹汇聚的最佳排序模式；
3)计算道路断面的平均车头时距，依据通行效率计算方法，获得路段通行效率空间分布特征。
(4)***分析混有智能网联车队交通流特性
①针对混有智能网联车队交通流，分析交通流组态及空间随机分布特性，建立能够准确描述交通流中不同类型车辆空间随机分布的逻辑解析与数学表达式。
考虑的车队为同一方向、同一车道上空间连续的智能网联车辆组成，车队簇头(Platoon Leader，PL)由一列车队的首车承担，车队内的其他车辆为跟随车辆(PlatoonFollower，PF)。出于驾驶安全性考虑，车队簇头一般选择具有丰富驾驶经验的驾驶员驾驶，车队内跟随车辆一般考虑为CACC控制模式车辆。另外，考虑车辆之间通信的有效范围和稳定性，智能网联车队通常具有一定的最大规模限制(假定最大规模限制值为S)，即当一列车队超过最大规模S时，需另外组建一个新的车队。混有智能网联车队交通流中存在的4种车辆类型：传统人工驾驶车辆HDV、跟驰传统车辆的车队簇头PL1，跟驰智能网联车队的簇头PL2以及智能网联车队内的跟驰车辆PF。混合车流中将相应地出现4种车头间距，依次为：HDV车头间距hrv，PL1车辆车头间距hlv1，PL2车辆车头间距hlv2，PF车辆车头间距hca。由于车队簇头PL1不能与前车HDV进行信息交互，与跟驰智能网联车队且能够与车队车辆进行信息交互的车队簇头PL2相比，平衡态速度条件下车队簇头PL1的车头间距较大，即hlv2<hlv1。以车队组织模式行驶，一列车队内车辆可以保持较小的跟驰间距，则在混合交通流平衡态条件下不同类型车辆车头间距存在如下关系：hca<hlv2<hlv1<hrv。
针对高速公路基本路段，混有智能网联车队交通流稳态条件下，假定智能网联车辆渗透率为p，分别用prv，plv1，plv2，pca表示HDV、PL1、PL2和PF车辆的渗透率，则p＝plv1+plv2+pca；车辆类型HDV的概率为：prv＝1-p。
则混有智能网联车队交通流中4种车辆类型HDV、PL1、PL2、PF概率prv、plv1、plv2、pca分别为：
当智能网联车辆的渗透率为p时，混合交通流中4种不同跟驰车头时距(HDV、PL1、PL2、PF)的概率可由上述理论算式获得。
②基于平衡态交通流运行状态条件，在考虑智能网联车辆渗透率及控制参数敏感性分析交通流特征的基础上，增加考虑智能网联车辆列队行驶时最大车队规模限制，建立混有智能网联车队交通流基本图模型和稳定性判别式。
当交通流为平衡态速度ve时，跟随车辆和前导车辆的速度差为0，且所有车辆加速度为0，即平衡态交通流中车辆行驶状态满足以下条件：
式中，v为车辆速度，ve为交通流平衡态速度，△v为平衡态时跟随车辆与前导车辆速度差，为车辆加速度。
以往研究中学者们提出了诸多跟驰模型用以描述人工驾驶车辆跟驰行为特性，这些模型各有优缺点。选择IDM模型作为人工驾驶车辆的跟驰模型，模型如公式：
式中，为人工驾驶车辆加速度，am为最大加速度，v0为自由流速度，v为平衡态速度，Δv为本车与前导车速度差，δ为加速度指数，s0为车辆制动时最小安全间距，Ti为不同类型人工驾驶车辆安全车头时距(i＝1,2,3；其中，i＝1表示HDV车辆，i＝2表示车队簇头PL1车辆，i＝3表示车队簇头PL2车辆)，b为期望减速度，h为平衡态车头间距，l为车身长度。
IDM模型参数取值不同，可以较好反映不同网联化智能化水平人工驾驶车辆跟驰特性。IDM参数取值如表1所示：
表1
在本实施例中，选择加州大学PATH实验室提出非线性动态车头间距策略的CACC跟驰模型作为应用案例分析，跟驰模型如：
依据交通流平衡态的条件，对于高速公路混有智能网联车队交通流中，假定所有车辆以平衡态速度ve行驶，依据交通流密度定义，可计算混有智能网联车队交通流的密度为：
从平衡态“速度-车头间距”函数关系式出发，建立了车联网环境下混有智能网联车队交通流基本图模型，为：
交通流稳定性分析有利于揭示道路交通运行效率提升的内在机理。基于上述混合交通流车辆类型(HDV、PL1、PL2、PF)构成分析以及跟驰模型选择，车联网环境下混有智能网联车队交通流稳定性计算式中的偏微分形式如式：
式中，IDMi为HDV、PL1和PL2车辆的跟驰模型，i＝1表示HDV车辆，i＝2表示PL1车辆，i＝3表示PL2车辆。
另外，研究从传统跟驰模型的一般性结构出发，提出混有网联车队交通流稳定性判别式为：
简化后形式为：
所提的车联网环境下混有智能网联车队交通流基本图模型推导与稳定性判别的解析式，为车联网环境下混合交通流通行能力分析、稳定性分析以及相关交通流优化设计提供科学的方法支撑，为未来大规模智能网联交通***基础设施建设提供理论基础。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种车联网环境下交通流特性分析方法，其特征在于，包括：
构建面向车联网技术应用影响研究的综合感知及仿真分析平台；
基于所述综合感知及仿真分析平台，采集驾驶员在有/无车联网环境下的驾驶行为数据，基于所述驾驶行为数据，解析车联网环境下的驾驶行为特性；
基于所述驾驶行为特性，获取车联网环境下驾驶行为时空关联性；
基于所述驾驶行为时空关联性，分析混有智能网联车队交通流特性。
2.根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，构建面向车联网技术应用影响研究的综合感知及仿真分析平台包括：
基于驾驶模拟和人机交互技术，搭建车联网环境下人机双在环的应用场景，构建面向人因的车联网环境下驾驶行为特性研究仿真实验平台；
构建混有智能网联车辆交通流理论仿真分析平台，建立混合交通流特性分析模型；所述混合交通流特性分析模型包括：混有智能网联车辆交通流基本图模型、混有智能网联车辆交通流稳定性判别式以及基于元胞传输模型。
3.根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，解析车联网环境下的驾驶行为特性包括：
基于所述驾驶行为数据，获取车辆参数；所述车辆参数包括：车辆位置、速度、加速度、跟车间距和相对速度；
基于所述驾驶行为数据和车辆参数，构建驾驶行为数据库；
基于所述驾驶行为数据库，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。
4.根据权利要求3所述的车联网环境下交通流特性分析方法，其特征在于，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式，包括：
对驾驶行为数据进行标准化处理；
利用DTW，计算标准化处理后的驾驶行为数据的时空序列之间的距离；
计算DBI指数，获得车载***开启/关闭情况下的最优聚类数k；
所述DBI指数为：
其中，为观测值i和群集中所有其他观测值之间的平均距离，Ai为簇i的质心，Ti簇i中数据点的数量，am,i为簇i的第m个质心，k为簇数，j为数据点，/>为观测值j和群集中所有其他观测值之间的平均距离，wi为簇i中心位置，wj为簇j中心位置；
基于最优聚类数k结果，将驾驶员分为k组；计算速度标准差、加速度标准差和加速度变化率标准差作为安全指标，对聚类组的风险等级进行排序，其中，所述风险等级包括高风险等级、中等风险等级和低风险等级；所述DBI指数最高的一组处于高风险水平；指数最低的一组处于低风险水平；另一组处于中等风险水平；对比驾驶员在车载***开启/关闭状态下通过隧道路段过程中驾驶行为差异性，基于驾驶行为时空序列数据对个体驾驶行为风险进行分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式。
5.根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，获取车联网环境下驾驶行为时空关联性包括：
以没有开启车载驾驶辅助***作为对照组，描述典型场景下车辆轨迹时空特征，绘制时空特征图；
在考虑所有微观交通个体实验特征及其组成方式，以及最小安全车头时距约束的情况下，基于所述时空特征图，提出由车联网环境下驾驶行为个体特征到中观交通流特征的汇聚方法，获取道路场景路段的通行效率空间分布特征，进而获取车联网环境下驾驶行为时空关联性。
6.根据权利要求5所述的车联网环境下交通流特性分析方法，其特征在于，所述时空特征图包括车辆时空轨迹；所述车辆时空轨迹用于记录车辆运行行为特征，包括：记录时间点、对应行驶位置、车辆运行速度、车辆加速度。
7.根据权利要求5所述的车联网环境下交通流特性分析方法，其特征在于，获取道路场景路段的通行效率空间分布特征包括：
获得驾驶模拟环境下有无车联网信息诱导条件下驾驶行为数据，并进一步提取每一位驾驶员的时空轨迹数据；
分别确定传统驾驶环境和车联网环境下驾驶员预设反应时间作为最小跟车时距要求，基于该最小跟车时距，以道路所有断面跟车时距和最小为目标，获得所有驾驶员时空轨迹汇聚的最佳排序模式；
计算道路断面的平均车头时距，依据通行效率计算方法，获得路段通行效率空间分布特征。
8.根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，分析混有智能网联车队交通流特性包括：
针对混有智能网联车队交通流，分析交通流组态及空间随机分布特性，建立能够描述交通流中不同类型车辆空间随机分布的逻辑解析与数学表达式；
基于平衡态交通流运行状态条件，在考虑智能网联车辆渗透率及控制参数敏感性分析交通流特征的基础上，增加考虑智能网联车辆列队行驶时最大车队规模限制，建立混有智能网联车队交通流基本图模型和稳定性的判别式；
基于混有智能网联车队交通流基本图模型和稳定性的所述判别式，完成车联网环境下交通流特性分析。
9.根据权利要求8所述的车联网环境下交通流特性分析方法，其特征在于，所述逻辑解析与数学表达式为：
其中，prv表示HDV车辆的渗透率，plv1表示PL1车辆的渗透率，plv2表示PL2车辆的渗透率，pca表示PF车辆的渗透率，p表示智能网联车辆渗透率，S表示车队规模。
10.根据权利要求8所述的车联网环境下交通流特性分析方法，其特征在于，混有智能网联车队交通流基本图模型和稳定性的所述判别式为：
其中，F表示混有网联车队交通流稳定性，FIDM1表示HDV车辆组成的同质交通流稳定性，FIDM2表示PL1车辆组成的同质交通流稳定性，FIDM3表示PL2车辆组成的同质交通流稳定性，FCACC表示PF车辆组成的同质交通流稳定性，f表示F函数的偏微分形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311184320.2A CN117238131B (zh) | 2023-09-14 | 2023-09-14 | 一种车联网环境下交通流特性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311184320.2A CN117238131B (zh) | 2023-09-14 | 2023-09-14 | 一种车联网环境下交通流特性分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238131A true CN117238131A (zh) | 2023-12-15 |
| CN117238131B CN117238131B (zh) | 2024-05-07 |
Family
ID=89083727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311184320.2A Active CN117238131B (zh) | 2023-09-14 | 2023-09-14 | 一种车联网环境下交通流特性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238131B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110053631A (zh) * | 2019-04-17 | 2019-07-26 | 北京工业大学 | 一种驾驶行为优化方法及装置 |
| CN110633729A (zh) * | 2019-08-06 | 2019-12-31 | 清华大学苏州汽车研究院（相城） | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 |
| CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、***及存储介质 |
| CN112700642A (zh) * | 2020-12-19 | 2021-04-23 | 北京工业大学 | 一种利用智能网联车辆提高交通通行效率的方法 |
| CN113066282A (zh) * | 2021-02-26 | 2021-07-02 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行环境下车辆跟驰耦合关系建模方法及*** |
| CN113657432A (zh) * | 2021-06-30 | 2021-11-16 | 桂林电子科技大学 | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 |
| CN114611292A (zh) * | 2022-03-12 | 2022-06-10 | 北京工业大学 | 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法 |
| US20220194390A1 (en) * | 2020-12-22 | 2022-06-23 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for managing driver habits |
| CN114707573A (zh) * | 2022-02-25 | 2022-07-05 | 吉林大学 | 一种基于基本驾驶操作事件的无监督驾驶风格分析方法 |
| US20220266691A1 (en) * | 2021-02-19 | 2022-08-25 | Taipale Telematics Oy | Device, a method, and a computer program for determining the driving behavior of a driver |
| US20230039738A1 (en) * | 2021-07-28 | 2023-02-09 | Here Global B.V. | Method and apparatus for assessing traffic impact caused by individual driving behaviors |
| CN116592903A (zh) * | 2023-05-06 | 2023-08-15 | 四川警察学院 | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 |
| CN116704775A (zh) * | 2023-06-27 | 2023-09-05 | 大连海事大学 | 一种考虑智能网联公交车的混合交通流通行能力计算方法 |
-
2023
- 2023-09-14 CN CN202311184320.2A patent/CN117238131B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110053631A (zh) * | 2019-04-17 | 2019-07-26 | 北京工业大学 | 一种驾驶行为优化方法及装置 |
| CN110633729A (zh) * | 2019-08-06 | 2019-12-31 | 清华大学苏州汽车研究院（相城） | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 |
| CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、***及存储介质 |
| CN112700642A (zh) * | 2020-12-19 | 2021-04-23 | 北京工业大学 | 一种利用智能网联车辆提高交通通行效率的方法 |
| US20220194390A1 (en) * | 2020-12-22 | 2022-06-23 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for managing driver habits |
| US20220266691A1 (en) * | 2021-02-19 | 2022-08-25 | Taipale Telematics Oy | Device, a method, and a computer program for determining the driving behavior of a driver |
| CN113066282A (zh) * | 2021-02-26 | 2021-07-02 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行环境下车辆跟驰耦合关系建模方法及*** |
| CN113657432A (zh) * | 2021-06-30 | 2021-11-16 | 桂林电子科技大学 | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 |
| US20230039738A1 (en) * | 2021-07-28 | 2023-02-09 | Here Global B.V. | Method and apparatus for assessing traffic impact caused by individual driving behaviors |
| CN114707573A (zh) * | 2022-02-25 | 2022-07-05 | 吉林大学 | 一种基于基本驾驶操作事件的无监督驾驶风格分析方法 |
| CN114611292A (zh) * | 2022-03-12 | 2022-06-10 | 北京工业大学 | 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法 |
| CN116592903A (zh) * | 2023-05-06 | 2023-08-15 | 四川警察学院 | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 |
| CN116704775A (zh) * | 2023-06-27 | 2023-09-05 | 大连海事大学 | 一种考虑智能网联公交车的混合交通流通行能力计算方法 |
Non-Patent Citations (10)
| Title |
|---|
| CHANG, X等: "Analysis on traffic stability and capacity for mixed traffic flow with platoons of intelligent connected vehicles", PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, 1 November 2020 (2020-11-01), pages 1 - 14 * |
| XIN CHANG等: "Spatiotemporal Characteristics of Vehicle Trajectories in a Connected Vehicle Environment—A Case of an Extra-Long Tunnel Scenario", IEEE SYSTEMS JOURNAL, 18 May 2020 (2020-05-18), pages 2293 - 2304, XP011859575, DOI: 10.1109/JSYST.2020.2990650 * |
| ZHANG WEIHUA等: "Analysis on the characteristics of traffic flow in expressway weaving area under mixed connected and autonomous environment", JOURNAL OF SOUTHEAST UNIVERSITY (NATURAL SCIENCE EDITION), 20 January 2023 (2023-01-20), pages 156 - 164 * |
| 孙宫昊等: "基于驾驶行为模式转移的驾驶行为风险评估方法", 汽车技术, 30 November 2021 (2021-11-30), pages 22 - 29 * |
| 孙宫昊等: "基于驾驶行为模式转移的驾驶行为风险评估方法", 汽车技术, 4 August 2021 (2021-08-04), pages 22 - 29 * |
| 常鑫等: "混有智能网联车队的交通流基本图模型分析", 东南大学学报(自然科学版), 20 July 2020 (2020-07-20), pages 782 - 788 * |
| 常鑫等: "隧道路段预警作用下的时空集计通行能力分析", 华南理工大学学报(自然科学版), 15 September 2020 (2020-09-15), pages 107 - 115 * |
| 张建波: "考虑交通运行条件影响的驾驶员特征聚类", 交通运输***工程与信息, 28 February 2022 (2022-02-28), pages 330 - 336 * |
| 李腾龙: "车联网环境下跟驰行为建模及交通流稳定性分析", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), 15 February 2018 (2018-02-15), pages 034 - 1051 * |
| 郭彩丽;陈九九;宣一荻;张荷;: "动态时空数据驱动的认知车联网频谱感知与共享技术研究", 物联网学报, no. 03, 18 August 2020 (2020-08-18), pages 96 - 105 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238131B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
| CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
| CN103247091B (zh) | 一种驾驶评价***及方法 | |
| CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
| CN106127586A (zh) | 大数据时代下车险费率辅助决策*** | |
| Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
| CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
| CN106960189A (zh) | 一种基于隐含马尔可夫模型的驾驶意图判定方法 | |
| Pi et al. | Automotive platoon energy-saving: A review | |
| CN117079459A (zh) | 混合自动驾驶交通流流速密能图谱构建方法及*** | |
| CN109979198B (zh) | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 | |
| CN113450564B (zh) | 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法 | |
| He et al. | [Retracted] Visualization and Analysis of Mapping Knowledge Domain of Heterogeneous Traffic Flow | |
| CN108447306B (zh) | 无控交叉口冲突车辆间实时位置共享避撞预警的模拟方法 | |
| Zhai et al. | Comparative analysis of drive-cycles, speed limit violations, and emissions in two cities: Toronto and Beijing | |
| Zhang et al. | An improved method for evaluating eco-driving behavior based-on speed-specific vehicle-specific power distributions | |
| CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及*** | |
| CN117238131B (zh) | 一种车联网环境下交通流特性分析方法 | |
| Ma | Effects of vehicles with different degrees of automation on traffic flow in urban areas | |
| Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
| Ma et al. | A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods | |
| Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
| CN112373482A (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
| Naidu et al. | Application of Data Analytics to Decouple Historical Real-World Trip Trajectories into Representative Maneuvers for Driving Characterization |
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 |