CN107103749A - 车联网环境下跟驰交通流特性建模方法 - Google Patents

车联网环境下跟驰交通流特性建模方法 Download PDF

Info

Publication number
CN107103749A
CN107103749A CN201710359383.5A CN201710359383A CN107103749A CN 107103749 A CN107103749 A CN 107103749A CN 201710359383 A CN201710359383 A CN 201710359383A CN 107103749 A CN107103749 A CN 107103749A
Authority
CN
China
Prior art keywords
mrow
car
msub
model
vehicle
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
Application number
CN201710359383.5A
Other languages
English (en)
Other versions
CN107103749B (zh
Inventor
惠飞
李腾龙
景首才
贾硕
何朋朋
王龙飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Intelligent Networked Automobile Research Institute Co ltd
Original Assignee
长安大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 长安大学 filed Critical 长安大学
Priority to CN201710359383.5A priority Critical patent/CN107103749B/zh
Publication of CN107103749A publication Critical patent/CN107103749A/zh
Application granted granted Critical
Publication of CN107103749B publication Critical patent/CN107103749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种车联网环境下跟驰交通流特性建模方法，包括以下步骤：1)以全速度差车辆跟驰模型作为普通车微观跟驰交通流模型进行建模；2)联网车跟驰行为建模；3)普通车跟驰模型稳定性分析；4)联网车跟驰模型稳定性分析；5)混合交通流稳定性分析；6)分别对普通车跟驰模型和联网车跟驰模型进行参数标定；7)使用参数标定后的模型对不同车联网渗透率下的混合交通流进行仿真验证。本发明符合车联网普及推广的实际情况，用实测交通数据对所选定的普通车和联网车跟驰模型参数进行标定，增加了交通仿真验证结果的可信度。本发明方法能够为车联网逐渐普及过程中的交通控制及驾驶策略的设计提供基本依据。

Description

车联网环境下跟驰交通流特性建模方法
技术领域
本发明属于交通流控制领域，具体涉及一种车联网环境下跟驰交通流特性建模方法。
背景技术
随着经济的发展，机动车的数量不断增加，但交通基础设施却因为种种原因而难以满足车辆对道路容量的需求，由此产生的交通拥堵、环境污染和交通安全问题日益严重。
伴随着信息和通信技术的飞速发展，借助一系列无线通讯技术，来实现人、车、路信息互联和互享的车联网技术逐渐普及，该技术能够提高整个车流中车辆的协同性，缓解并抑制交通，提高安全性。跟驰模型是伴随着交通流理论而发展起来的，同时也对交通流理论进行了完善和补充。因为联网车的普及需要一个过程，所以在不同的车联网渗透率下，车辆跟驰交通流的特性会呈现出不同的特征。A Kesting等人2006年公开发表论文“Jam-avoiding adaptive cruise control(ACC)and its impact on traffic dynamics”(Proceedings of Traffic and Granular Flow,05,pp.633-643)。该论文通过仿真模拟得出结论：如果ACC车辆在交通流中所占比例为10％，由拥堵造成的时间延迟会缩短80％以上，当ACC车辆比例占20％时，交通系统中的堵塞则都会消散。然而，上述仿真参数的设定，多基于假设，且研究过程中并未在数学上推导证明。2012年史忠科等人公开发明专利《考虑多车的OVDM交通流跟驰模型稳定性建模方法》(申请公布号：CN 102800193A)，该发明专利公开了一种考虑多车的OVDM交通流跟驰模型稳定性建模方法，用于解决现有的OVDM微观交通流跟驰模型对ITS环境适应性差的技术问题。不过，该发明的技术方案中并未涉及新提出的模型与原普通车模型混合状态下的交通流特性。A Talebpour等人在《TransportationResearch Part C：Emerging Technologies》发表论文“Influence of connected andautonomous vehicles on traffic flow stability and throughput”(2016,71:143-163)，推导出普通车和联网车混合跟驰车流的线性稳定条件。对联网车跟驰模型建模时，采用智能驾驶员模型，模型中虽未考虑多前车运行信息，而这些信息在车辆网环境下均是可获知的，并且有利于改善交通流的稳定性。
上述对车联网环境下跟驰行为交通流特性的分析，均未系统地推导并仿真验证普通车和联网车各自组成的单一跟驰交通流特性以及不同车联网渗透率下的混合交通流特性，且缺乏用实测交通数据对模型进行标定，因此会有仿真结果的可信度不高等问题。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种车联网环境下跟驰交通流特性建模方法，该方法能够为车联网逐渐普及过程中的交通控制以及驾驶策略的设计提供基本依据，从而提高交通流的稳定性，有效缓解交通拥堵。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
1)以全速度差车辆跟驰模型作为普通车微观跟驰交通流模型进行建模；
上式中，α是驾驶员的反应敏感系数，vn(t)为车辆n在t时刻的速度，Δxn(t)＝xn+1(t)-xn(t)为车头间距，Δvn(t)＝vn+1(t)-vn(t)为前后车之间的相对速度，λ为对相对速度刺激的敏感系数，V(·)表示最优速度函数；
2)联网车跟驰行为建模；
上式中，m为考虑的多前车数量，Δan(t)＝an+1(t)-an(t)为前后车之间的相对加速度；
最优速度函数为：
上式中，Vov(·)为传统的OV函数，λ和κ分别为对速度差和加速度差的敏感系数，和ξi分别为对应的速度差和车头间距权重系数；
3)普通车跟驰模型稳定性分析；
根据普通车微观跟驰交通流模型绘制(Δx,a)的二维相平面图，并且根据模型的线性稳定性条件和非线性稳定条件，再绘制出模型稳定、不稳定以及亚稳定区域的分界线；
4)联网车跟驰模型稳定性分析；
按照步骤3)相同的方法，获得联网车跟驰模型交通流的稳定、亚稳定以及不稳定区域；
5)混合交通流稳定性分析；
6)分别对普通车跟驰模型和联网车跟驰模型进行参数标定；
7)使用参数标定后的模型对不同车联网渗透率下的混合交通流进行仿真验证。
所述的OV函数选择Helbing和Tilch对OV模型用实测数据进行参数辨识得到：
V(Δxn(t))＝V1+V2tanh[C1(Δxn(t)-lc)-C2]。
所述的步骤3)根据模型的线性稳定性条件绘制出交通流中性稳定曲线，根据非线性稳定条件绘制出共存曲线；(Δx,a)的二维相平面图被划分为三个区域，所述的中性稳定曲线以下为不稳定区域，共存曲线以上为稳定区域，中性稳定曲线和共存曲线之间为亚稳定区域。
所述的步骤5)根据混合交通流稳定性判定条件：若则交通流不稳定；式中，n代表不同的车型，
所述的步骤6)对普通车跟驰模型使用美国联邦公路管理局NGSIM项目的车辆轨迹数据进行参数标定；对联网车跟驰模型使用密歇根大学安娜堡分校的Mcity数据进行参数标定。
所述的步骤7)分别对混合交通流的启动过程、停止过程以及演化过程进行仿真验证。
a.启动过程：仿真分析车队在交通灯由黄灯变为绿灯时的跟驰交通流特性；
b.停止过程：仿真分析跟驰车流在前方信号灯变为红灯时的车辆动态特性；
c.演化过程：仿真分析扰动在车流中的传播特性。
与现有技术相比，本发明具有如下的有益效果：通过系统地分析普通车和联网车构成的单一交通流特性，以及不同车联网渗透率下的混合交通流特性，使本建模方法更符合车联网普及推广的实际情况。同时，用实测交通数据对所选定的普通车和联网车跟驰模型参数进行标定，增加了交通仿真验证结果的可信度。本发明方法能够为车联网逐渐普及过程中的交通控制及驾驶策略的设计提供基本依据，从而提高交通流的稳定性，有效缓解交通拥堵。
附图说明
图1本发明方法的整体流程图；
图2本发明交通仿真场景示意图；
具体实施方式
下面结合附图对本发明做进一步的详细说明。
选取典型的启动、停止和演化交通场景来进行模拟。
1)选用全速度差车辆跟驰模型作为普通车微观跟驰交通流模型：
式中，a是驾驶员的反应敏感系数，vn(t)为车辆n在t时刻的速度，Δxn(t)＝xn+1(t)-xn(t)为车头间距，Δvn(t)＝vn+1(t)-vn(t)为前后车的相对速度，λ为对相对速度刺激的敏感系数。
V(·)表示最优速度函数，在此选择Helbing和Tilch对OV模型用实测数据进行参数辨识得到的OV函数：V(Δxn(t))＝V1+V2tanh[C1(Δxn(t)-lc)-C2]；
其中，车长lc＝5m，V1＝6.75m/s，V2＝7.91m/s，C1＝0.13m-1,C2＝1.57；
2)建立联网车跟驰模型：
式中，m为考虑的多前车数量，Δan(t)＝an+1(t)-an(t)为前后车的相对加速度。
最优速度函数为：
其中，Vov(·)为步骤1)中传统的OV函数，λ和κ分别为对速度差和加速度差的敏感系数，和ξi则为对应的速度差和车头间距权重系数。
3)根据普通车跟驰模型，绘制(Δx,a)的二维相平面图，并且根据模型的线性稳定性条件绘制出交通流中性稳定曲线、根据非线性稳定条件绘制出共存曲线。
由此(Δx,a)的二维相平面图被划分为三个区域，中性稳定曲线以下为不稳定区域、共存曲线以上为稳定区域、中性稳定曲线和共存曲线之间为亚稳定区域。
4)采用步骤3)相同的方法，得出联网车跟驰模型交通流的稳定、亚稳定及不稳定区域。
5)分析普通车和联网车构成的混合交通流稳定性，研究在不同车联网渗透率下的交通流特性。根据混合交通流稳定性判定条件：
若则交通流不稳定；
其中，n代表不同的车型，其它各项的定义为：
6)对于普通车使用美国联邦公路管理局NGSIM项目的车辆轨迹数据对跟驰模型进行参数标定，联网车跟驰模型的参数标定使用密歇根大学安娜堡分校的Mcity数据。
7)设置仿真验证实验。使用步骤6)标定后的模型对普通车和联网车混合交通流下的启动过程、停止过程以及演化过程进行仿真，仿真场景如图2所示。
a.启动过程：研究车队在交通灯由黄灯变为绿灯时的跟驰交通流特性。仿真环境设为初始时刻，10辆车排成一队，每辆车的初始位置为xn(0)＝(n-1)d，其中n＝1，……，10，d＝7.4m，车辆处于静止状态，头车的初始最优速度设为Vn(∞)＝14.66m·s-1，跟随车初始最优速度设为：Vn(7.4)＝0m·s-1(n＝1,……，9)。同时，对于这一交通场景，在不同的联网车渗透率下进行仿真，对比车联网逐渐普及过程中，车队启动过程的交通流特性改变；
b.停止过程：研究跟驰车流在前方信号灯为红灯时的车辆动态特性。仿真环境假设为在前方500米处为一红灯，头车的相对间距为Δx10(0)＝500-x11，其他设置参照启动过程。同样，对比在不同车联网渗透率情况下的车队停止过程交通流特性。
c.演化过程：
仿真实验设定周期边界条件为：仿真场景道路的长度取L＝500m，车辆数目设定为N＝100，车辆以相同的车头间距均匀地分布。给头车施加小扰动，车辆初始条件如下：
x1(0)＝1m
xn(0)＝(n-1)L/N (n＝2,3,…,N)
vn(0)＝V(L/N) (n＝1,3,…,N)
若初始扰动随时间推移，在车流中不断被放大，则交通系统是不稳定的，若扰动逐渐消散，则是稳定的。此外，与启动和停止过程的仿真相同，也要对比在不同车联网渗透率情况下的演化过程车流特性。

Claims (7)

1.一种车联网环境下跟驰交通流特性建模方法，其特征在于，包括以下步骤：
1)以全速度差车辆跟驰模型作为普通车微观跟驰交通流模型进行建模；
<mrow> <mfrac> <mrow> <msub> <mi>dv</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mi>a</mi> <mo>&amp;lsqb;</mo> <mi>V</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;x</mi> <mi>n</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>v</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>&amp;lambda;&amp;Delta;v</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
上式中，α是驾驶员的反应敏感系数，vn(t)为车辆n在t时刻的速度，Δxn(t)＝xn+1(t)-xn(t)为车头间距，Δvn(t)＝vn+1(t)-vn(t)为前后车之间的相对速度，λ为对相对速度刺激的敏感系数，V(·)表示最优速度函数；
2)联网车跟驰行为建模；
<mrow> <mfrac> <mrow> <msub> <mi>dv</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mi>a</mi> <mo>{</mo> <mi>V</mi> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;Delta;x</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;Delta;v</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;Delta;a</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <msub> <mi>v</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow>
上式中，m为考虑的多前车数量，Δan(t)＝an+1(t)-an(t)为前后车之间的相对加速度；
最优速度函数为：
上式中，Vov(·)为传统的OV函数，λ和κ分别为对速度差和加速度差的敏感系数，和ξi分别为对应的速度差和车头间距权重系数；
3)普通车跟驰模型稳定性分析；
根据普通车微观跟驰交通流模型绘制(Δx,a)的二维相平面图，并且根据模型的线性稳定性条件和非线性稳定条件，再绘制出模型稳定、不稳定以及亚稳定区域的分界线；
4)联网车跟驰模型稳定性分析；
按照步骤3)相同的方法，获得联网车跟驰模型交通流的稳定、亚稳定以及不稳定区域；
5)混合交通流稳定性分析；
6)分别对普通车跟驰模型和联网车跟驰模型进行参数标定；
7)使用参数标定后的模型对不同车联网渗透率下的混合交通流进行仿真验证。
2.根据权利要求1所述的车联网环境下跟驰交通流特性建模方法，其特征在于，所述的OV函数选择Helbing和Tilch对OV模型用实测数据进行参数辨识得到：
V(Δxn(t))＝V1+V2tanh[C1(Δxn(t)-lc)-C2]。
3.根据权利要求1所述的车联网环境下跟驰交通流特性建模方法，其特征在于：所述的步骤3)根据模型的线性稳定性条件绘制出交通流中性稳定曲线，根据非线性稳定条件绘制出共存曲线；(Δx,a)的二维相平面图被划分为三个区域，所述的中性稳定曲线以下为不稳定区域，共存曲线以上为稳定区域，中性稳定曲线和共存曲线之间为亚稳定区域。
4.根据权利要求1所述的车联网环境下跟驰交通流特性建模方法，其特征在于，所述的步骤5)根据混合交通流稳定性判定条件：若则交通流不稳定；式中，n代表不同的车型，
5.根据权利要求1所述的车联网环境下跟驰交通流特性建模方法，其特征在于，所述的步骤6)对普通车跟驰模型使用美国联邦公路管理局NGSIM项目的车辆轨迹数据进行参数标定；对联网车跟驰模型使用密歇根大学安娜堡分校的Mcity数据进行参数标定。
6.根据权利要求1所述的车联网环境下跟驰交通流特性建模方法，其特征在于，所述的步骤7)分别对混合交通流的启动过程、停止过程以及演化过程进行仿真验证。
7.根据权利要求6所述的车联网环境下跟驰交通流特性建模方法，其特征在于：
a.启动过程：仿真分析车队在交通灯由黄灯变为绿灯时的跟驰交通流特性；
b.停止过程：仿真分析跟驰车流在前方信号灯变为红灯时的车辆动态特性；
c.演化过程：仿真分析扰动在车流中的传播特性。
CN201710359383.5A 2017-05-19 2017-05-19 车联网环境下跟驰交通流特性建模方法 Active CN107103749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710359383.5A CN107103749B (zh) 2017-05-19 2017-05-19 车联网环境下跟驰交通流特性建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710359383.5A CN107103749B (zh) 2017-05-19 2017-05-19 车联网环境下跟驰交通流特性建模方法

Publications (2)

Publication Number Publication Date
CN107103749A true CN107103749A (zh) 2017-08-29
CN107103749B CN107103749B (zh) 2020-03-10

Family

ID=59669772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710359383.5A Active CN107103749B (zh) 2017-05-19 2017-05-19 车联网环境下跟驰交通流特性建模方法

Country Status (1)

Country Link
CN (1) CN107103749B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107554524A (zh) * 2017-09-12 2018-01-09 北京航空航天大学 一种基于主观危险感知的跟驰模型稳定性控制方法
CN108415245A (zh) * 2018-01-26 2018-08-17 华南理工大学 一种异质车联网条件下自主车队运行的容错控制方法
CN109658768A (zh) * 2018-12-27 2019-04-19 交通运输部科学研究院 一种虚拟现实的多人同场景混合交通流仿真实验平台
CN109887287A (zh) * 2019-03-25 2019-06-14 浙江大学 车联网环境下的绿灯间隔时间设置方法
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN110851995A (zh) * 2019-11-27 2020-02-28 河北工业大学 一种混合交通流跟驰模型及仿真方法
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN113012426A (zh) * 2021-02-04 2021-06-22 山东师范大学 混合交通流下的跟车方法及系统
CN113781788A (zh) * 2021-11-15 2021-12-10 长沙理工大学 基于稳定性与安全性的自动驾驶车辆管理方法
CN114355883A (zh) * 2021-11-30 2022-04-15 山东师范大学 自适应跟车方法及系统
CN115988013A (zh) * 2022-06-17 2023-04-18 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质
CN116663403A (zh) * 2023-05-24 2023-08-29 交通运输部规划研究院 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006111170A (ja) * 2004-10-15 2006-04-27 Nissan Motor Co Ltd 先行車追従走行制御装置
US20120053808A1 (en) * 2009-05-12 2012-03-01 Honda Motor Co., Ltd. Car-following controller and car-following control method
CN102800193A (zh) * 2012-08-27 2012-11-28 西北工业大学 考虑多车的ovdm交通流跟驰模型稳定性建模方法
US20130041631A1 (en) * 2011-08-08 2013-02-14 Xerox Corporation Systems and methods for enhanced cellular automata algorithm for traffic flow modeling
CN105809982A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与自由流状态电子空穴约束模型的交通信号控制方法
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006111170A (ja) * 2004-10-15 2006-04-27 Nissan Motor Co Ltd 先行車追従走行制御装置
US20120053808A1 (en) * 2009-05-12 2012-03-01 Honda Motor Co., Ltd. Car-following controller and car-following control method
US20130041631A1 (en) * 2011-08-08 2013-02-14 Xerox Corporation Systems and methods for enhanced cellular automata algorithm for traffic flow modeling
CN102800193A (zh) * 2012-08-27 2012-11-28 西北工业大学 考虑多车的ovdm交通流跟驰模型稳定性建模方法
CN105809982A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与自由流状态电子空穴约束模型的交通信号控制方法
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107554524A (zh) * 2017-09-12 2018-01-09 北京航空航天大学 一种基于主观危险感知的跟驰模型稳定性控制方法
CN108415245A (zh) * 2018-01-26 2018-08-17 华南理工大学 一种异质车联网条件下自主车队运行的容错控制方法
CN108415245B (zh) * 2018-01-26 2019-05-14 华南理工大学 一种异质车联网条件下自主车队运行的容错控制方法
CN109658768A (zh) * 2018-12-27 2019-04-19 交通运输部科学研究院 一种虚拟现实的多人同场景混合交通流仿真实验平台
CN109887287A (zh) * 2019-03-25 2019-06-14 浙江大学 车联网环境下的绿灯间隔时间设置方法
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN110750877B (zh) * 2019-09-27 2024-05-03 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN110851995A (zh) * 2019-11-27 2020-02-28 河北工业大学 一种混合交通流跟驰模型及仿真方法
CN110851995B (zh) * 2019-11-27 2023-06-06 河北工业大学 一种混合交通流跟驰系统及仿真方法
CN111968372B (zh) * 2020-08-25 2022-07-22 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN113012426B (zh) * 2021-02-04 2022-04-15 山东师范大学 混合交通流下的跟车方法及系统
CN113012426A (zh) * 2021-02-04 2021-06-22 山东师范大学 混合交通流下的跟车方法及系统
CN113781788A (zh) * 2021-11-15 2021-12-10 长沙理工大学 基于稳定性与安全性的自动驾驶车辆管理方法
CN114355883A (zh) * 2021-11-30 2022-04-15 山东师范大学 自适应跟车方法及系统
CN115988013A (zh) * 2022-06-17 2023-04-18 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质
CN115988013B (zh) * 2022-06-17 2024-02-23 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质
CN116663403A (zh) * 2023-05-24 2023-08-29 交通运输部规划研究院 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法
CN116663403B (zh) * 2023-05-24 2024-02-13 交通运输部规划研究院 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法

Also Published As

Publication number Publication date
CN107103749B (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN107103749A (zh) 车联网环境下跟驰交通流特性建模方法
Li et al. Evaluation of the impacts of cooperative adaptive cruise control on reducing rear-end collision risks on freeways
Zhang et al. Safety evaluation for connected and autonomous vehicles’ exclusive lanes considering penetrate ratios and impact of trucks using surrogate safety measures
Zhu et al. Analysis of mixed traffic flow with human-driving and autonomous cars based on car-following model
Li et al. Stability analysis of an extended intelligent driver model and its simulations under open boundary condition
Shang et al. Impacts of commercially available adaptive cruise control vehicles on highway stability and throughput
Li et al. Integrated cooperative adaptive cruise and variable speed limit controls for reducing rear-end collision risks near freeway bottlenecks based on micro-simulations
Webster et al. A simulation study of truck passenger car equivalents (PCE) on basic freeway sections
Yu et al. The effects of vehicular gap changes with memory on traffic flow in cooperative adaptive cruise control strategy
Lai et al. A generic simulation platform for cooperative adaptive cruise control under partially connected and automated environment
CN113781806A (zh) 一种用于智能网联环境下的混合交通流通行方法
Zhu et al. An original traffic additional emission model and numerical simulation on a signalized road
Lu et al. An ecological adaptive cruise control for mixed traffic and its stabilization effect
Mamarikas et al. Traffic impacts on energy consumption of electric and conventional vehicles
Valera et al. Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs
Goñi Ros et al. Modeling traffic at sags
CN105047057A (zh) 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法
CN113377092B (zh) 信号优先算法仿真测试方法及测试设备、存储介质
He et al. Introducing electrified vehicle dynamics in traffic simulation
JP3520331B2 (ja) 交通流シミュレーション装置
Jafaripournimchahi et al. An asymmetric‐anticipation car‐following model in the era of autonomous‐connected and human‐driving vehicles
Zhang et al. Modeling cooperative driving strategies of automated vehicles considering trucks’ behavior
Zhu et al. Study on braking process of vehicles at the signalized intersection based on car-following theory
Fang et al. Change in microscopic traffic simulation practice with respect to the emerging automated driving technology
CN115544637A (zh) 一种车路协同多维性能评估测试方法以及装置

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
TR01 Transfer of patent right

Effective date of registration: 20210621

Address after: Room 1008, block C, Saigao city square, Xi'an Economic and Technological Development Zone, Shaanxi 710000

Patentee after: Shaanxi intelligent networked automobile Research Institute Co.,Ltd.

Address before: 710064 No. 33, South Second Ring Road, Shaanxi, Xi'an

Patentee before: CHANG'AN University

TR01 Transfer of patent right