CN113393690A - 考虑自动驾驶专用车道的混合交通均衡分配方法 - Google Patents

考虑自动驾驶专用车道的混合交通均衡分配方法 Download PDF

Info

Publication number
CN113393690A
CN113393690A CN202110939974.6A CN202110939974A CN113393690A CN 113393690 A CN113393690 A CN 113393690A CN 202110939974 A CN202110939974 A CN 202110939974A CN 113393690 A CN113393690 A CN 113393690A
Authority
CN
China
Prior art keywords
road
traffic
cav
lane
representing
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
CN202110939974.6A
Other languages
English (en)
Other versions
CN113393690B (zh
Inventor
郝威
张兆磊
戎栋磊
易可夫
龚野
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110939974.6A priority Critical patent/CN113393690B/zh
Publication of CN113393690A publication Critical patent/CN113393690A/zh
Application granted granted Critical
Publication of CN113393690B publication Critical patent/CN113393690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G06Q50/40—
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route

Abstract

本发明公开了考虑自动驾驶专用车道的混合交通均衡分配方法，基于混合交通流中自动驾驶车辆的渗透率，计算路网中各路段不同属性车道上的车辆出行时间成本和能耗成本，得到路网中各路段不同属性车道下的混合交通流的车辆出行成本，计算路网中各路段所有车辆的总出行成本，构建考虑自动驾驶专用车道的混合交通均衡分配模型；运用连续平均法求解考虑该模型，完成考虑自动驾驶专用车道的混合交通均衡分配。本发明考虑自动驾驶专用车道的混合交通均衡分配方法综合考虑CAV对驾驶员时间价值、能耗和通行能力的影响和CAV车道的优势，为深度刻画混合交通网络流量分配奠定了理论基础，也为未来交通规划设计和混合交通流管理提供了理论指导。

Description

考虑自动驾驶专用车道的混合交通均衡分配方法
技术领域
本发明属于智能交通控制技术领域，涉及考虑自动驾驶专用车道的混合交通均衡分配方法。
背景技术
网联自动驾驶汽车（Connected and Automated Vehicles, CAV）与人工驾驶车辆（Human Driven Vehicle，HDV）在出行模式的异质性、时间价值、网络信息的捕获能力、驾驶行为侵略性等方面存在诸多差异，使得CAV与HDV混行下的混合交通流与传统的多类用户混合交通流有很大的差别，进而导致未来混合路网交通流量分布规律发生新的演变。而交通流量分配是城市路网规划的最重要的一环，因此有必要深度解析CAV混入对路网交通流量分配的影响机理。
目前国内针对CAV与HDV混行下的混合交通均衡分配研究大多假定HDV与HDV路径选择原则不同，进而构建混合交通网络均衡模型，没有考虑CAV对路段通行能力的提升，忽略了CAV为用户带来的时间价值（Value of Time, VOT）、节能性等直观效益，无法体现CAV对于路网的整体效益。国外针对CAV与HDV混行下的混合交通均衡分配研究相对深入，不仅考虑路径选择的差异，还考虑了弹性需求、不对称出行时间等因素的影响，但没有考虑到CAV对通行能力、VOT和能耗的综合影响。且国外内研究都使用美国公路局（Bureau ofPublic Road, BPR）开发的函数作为CAV出行成本计算函数，但是此函数仅适用于HDV，并不适用于CAV。
其次，目前混合交通流特性尚不明晰，尤其是安全保障方面理论研究不足，且相关法律法规尚不完善。一些交通学者提出在过渡阶段有针对性部署一些CAV专用车道，以提高混行下的通行效率和保障交通安全，同时促进CAV的普及，并利用仿真分析和数值分析的方法证实了部署CAV专用车道的可行性和必要性。美国加州和中国苏州已经在自动驾驶网联测试区部署了CAV车道，中国京-雄高速也拟建设CAV车道，未来极有可能通过部署CAV车道渡过前期复杂的混行阶段。
鉴于此，本申请面向布设CAV车道的路网，综合考虑CAV对驾驶员时间价值、能耗和通行能力的影响和CAV车道的优势，基于BPR函数和CAV特性提出不同属性车道的车辆出行成本计算函数，进而构建面向CAV车道的混合交通均衡模型，最后通过数值和案例分析混行环境下的交通均衡规律。
发明内容
为了达到上述目的，本发明提供考虑自动驾驶专用车道的混合交通均衡分配方法，综合考虑CAV对驾驶员时间价值、能耗和通行能力的影响和CAV车道的优势，基于BPR函数和CAV特性提出不同属性车道的车辆出行成本计算函数，进而构建面向CAV车道的混合交通均衡模型，最后通过数值和案例分析混行环境下的交通均衡规律，解决了现有技术中存在的针对CAV与HDV混行下的混合交通均衡分配研究没有考虑到CAV对通行能力、出行时间成本和能耗的综合影响问题。
本发明所采用的技术方案是，考虑自动驾驶专用车道的混合交通均衡分配方法，包括：
基于混合交通流中自动驾驶车辆的渗透率，计算路网中各路段不同属性车道上的车辆出行时间成本和车辆出行能耗成本，得到路网中各路段不同属性车道下的混合交通流的车辆出行成本；
根据路网中各路段不同属性车道下的混合交通流的车辆出行成本，计算路网中各路段所有HDV车辆的总出行成本和所有CAV车辆的总出行成本，构建考虑自动驾驶专用车道的混合交通均衡分配模型；
运用连续平均法求解考虑自动驾驶专用车道的混合交通均衡分配模型，完成考虑自动驾驶专用车道的混合交通均衡分配。
进一步地，运用连续平均法求解考虑自动驾驶专用车道的混合交通均衡分配模型，完成考虑自动驾驶专用车道的混合交通均衡分配，具体为：
S1：根据路网各路段的自由流阻抗t 0，对路网各路段的交通量进行0-1分配，得到 HDV初始交通量集合
Figure 226879DEST_PATH_IMAGE001
和CAV初始交通量集合
Figure 268654DEST_PATH_IMAGE002
；
令迭代次数n=1，计算路网中任一路段a不同属性车道下的混合交通流的单个车辆 加权平均出行成
Figure 720495DEST_PATH_IMAGE003
，
Figure 974758DEST_PATH_IMAGE004
，
Figure 772819DEST_PATH_IMAGE005
表示所有；
S2：根据S1的初始化交通量分配结果，对路网各路段的交通量进行0-1分配，计算 得到附加路段交通量
Figure 267385DEST_PATH_IMAGE006
，
Figure 268839DEST_PATH_IMAGE007
，然后更新路段的CAV交 通量集合
Figure 389111DEST_PATH_IMAGE008
；
式中，
Figure 792411DEST_PATH_IMAGE009
表示n次迭代的附加路段交通量，
Figure 254616DEST_PATH_IMAGE010
表示n次迭代的附加路段交通量，
Figure 195896DEST_PATH_IMAGE011
表示路段与路径之间的相关变量，n表示迭代的次数；
以CAV交通分配结果为基础，进行HDV交通量分配，更新路网中任一路段a不同属性 车道下的混合交通流的单个车辆加权平均出行成本
Figure 605012DEST_PATH_IMAGE012
，更新附加交通量
Figure 846506DEST_PATH_IMAGE009
，然后更新 路段HDV交通量集合
Figure 10771DEST_PATH_IMAGE013
；更新混合交通量集合，即
Figure 924501DEST_PATH_IMAGE014
；
S3：若
Figure 183312DEST_PATH_IMAGE015
已满足收敛精度要求或达到最大迭代次数，即收敛精度
Figure 498887DEST_PATH_IMAGE016
或n≥n max 则停止迭代，记录经过n次迭代后路段a的交通量
Figure 568474DEST_PATH_IMAGE015
与n次迭代后更新的路网中任一路段a不同属性车道下的混合交通流的单个车辆加权平 均出行成本
Figure 218767DEST_PATH_IMAGE012
，进入S4，否则令n*=n+1，返回S2；
式中，
Figure 32003DEST_PATH_IMAGE015
表示n次迭代后路段a的交通量，
Figure 998822DEST_PATH_IMAGE017
表示n-1次迭代后路段a的交通量，
Figure 160682DEST_PATH_IMAGE018
表示误差限值，
Figure 845741DEST_PATH_IMAGE019
表示最大迭代数；
S4：根据经过n次迭代后路段a的交通量
Figure 649618DEST_PATH_IMAGE015
与路网中任一路段a不同属性车道下的 混合交通流的单个车辆加权平均出行成本
Figure 736522DEST_PATH_IMAGE012
，计算路网中各路段所有HDV车辆的总出行 成本
Figure 600442DEST_PATH_IMAGE020
和所有CAV车辆的总出行成本
Figure 772797DEST_PATH_IMAGE021
，完成考虑自动驾驶专用 车道的混合交通均衡分配。
本发明的有益效果是：本发明面向CAV与HDV混行的交通模式，考虑CAV在通行能力、时间价值和能耗等多维度的效益，建立了不同属性车道的车辆出行成本计算函数，克服了传统BPR函数无法表征CAV特性的问题，提出了构建考虑自动驾驶专用车道的混合交通均衡分配模型，并运用改进的连续平均法求解该模型，案例分析结果表明：当路网部署自动驾驶专用车道，交通需求较大时，随着自动驾驶车辆的渗透率增大到一定程度，系统出行成本显著下降，且算法的迭代次数虽然增加，但并不增加算法的运行时间，算法的运行效率显著提高，为深度刻画混合交通网络流量分配奠定了理论基础，也为未来的交通规划设计和混合交通流管理提供了理论指导。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例虚拟路段不同CAV渗透率下的通用车道通行能力示意图。
图2是本发明实施例虚拟路段不同CAV渗透率和不同交通量下的通用车道时间成本结果。
图3是本发明实施例虚拟路段不同CAV渗透率下的车道出行成本结果。
图4是本发明实施例虚拟路段不同CAV渗透率下的系统出行成本结果。
图5是本发明实施例采用的Nguyen–Dupuis 路网结构示意图。
图6是本发明实施例在路网交通需求为d 1 、CAV渗透率为20%的条件下的迭代结果。
图7是本发明实施例在路网交通需求为d 1 、CAV渗透率为60%的条件下的迭代结果。
图8a是本发明实施例在路网交通需求为d 1 、CAV渗透率为20%的条件下的CAV流量分布结果。
图8b是本发明实施例在路网交通需求为d 1 、CAV渗透率为20%的条件下的HDV流量分布结果。
图8c是本发明实施例在路网交通需求为d 1 、CAV渗透率为60%的条件下的CAV流量分布结果。
图8d是本发明实施例在路网交通需求为d 1 、CAV渗透率为60%的条件下的HDV流量分布结果。
图9是本发明实施例在路网交通需求为d 2 、CAV渗透率为20%的条件下的迭代结果。
图10是本发明实施例在路网交通需求为d 2 、CAV渗透率为60%的条件下的迭代结果。
图11a是本发明实施例在路网交通需求为d 2 、CAV渗透率为20%的条件下的CAV流量分布结果。
图11b是本发明实施例在路网交通需求为d 2 、CAV渗透率为20%的条件下的HDV流量分布结果。
图11c是本发明实施例在路网交通需求为d 2 、CAV渗透率为60%的条件下的CAV流量分布结果。
图11d是本发明实施例在路网交通需求为d 2 、CAV渗透率为60%的条件下的HDV流量分布结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
考虑自动驾驶专用车道的混合交通均衡分配方法，具体包括以下内容：
本申请中混合交通流指CAV与HDV混行下的交通流；城市道路车道划分为两类：一类是自动驾驶专用车道（Connected and Automated Vehicle Lane, CAVL），仅供CAV通行；另一类是通用车道（General-purpose Lane, GL），CAV和HDV都具有通行权，路段至少拥有一条GL；道路上车辆分为HDV和CAV两种类型，CAV可以感知路网所有信息且会遵循中央系统平台控制，故CAV遵循系统最优的路径选择原则，HDV遵循用户最优原则；由于CAV具备自动驾驶功能，其用户可以在出行时段处理其他事情，而HDV用户则需要把时间都花费在车辆操纵上，相同客观出行时间下，CAV用户可利用的时间更多，故出行时间成本小于HDV用户出行时间成本，且相较于HDV，CAV具备节约能耗的优势；CAV优先选择CAVL，当CAVL达到饱和时则选择GL。
选定路网G(N, A)，标记路网各节点、路段以及OD对，建立混合交通均衡模型的路网信息；路网各节点的集合为N，路段的集合为A，路网起点的集合为R，路网讫点的集合为S，R中某一起点r与S中某一讫点s组成OD对(r, s)。
每个路段的总车道数为
Figure 865518DEST_PATH_IMAGE022
，其中包括至少一条通用车道，可以设置自动驾驶专用车 道，自动驾驶专用车道的数量为
Figure 321776DEST_PATH_IMAGE023
，
Figure 107330DEST_PATH_IMAGE023
的取值为0~
Figure 766981DEST_PATH_IMAGE022
，通用车道的数量为
Figure 912661DEST_PATH_IMAGE022
-
Figure 442999DEST_PATH_IMAGE023
。
本申请协同考虑路网中各路段不同属性车道上的车辆出行时间成本、能耗成本，以及CAV对通行能力的影响，基于混合交通流中自动驾驶车辆的渗透率，计算路网中各路段不同属性车道上的车辆出行时间成本和车辆出行能耗成本，得到路网中各路段不同属性车道下的混合交通流的车辆出行成本；根据路网中各路段不同属性车道下的混合交通流的车辆出行成本，计算路网中各路段所有HDV车辆的总出行成本和所有CAV车辆的总出行成本，构建考虑自动驾驶专用车道的混合交通均衡分配模型，为深度刻画混合交通网络流量分配奠定技术基础，也为混合交通流管理提供理论指导。
首先，出行时间是出行者路径抉择优先考虑的因素，其受道路、交通量、环境等因素的影响，目前多数研究采用美国联邦公路局提出的BPR阻抗函数作为出行时间计算方法，但BPR阻抗函数仅适用于表征HDV车流的特性，并不适用于CAV车流。为此，本申请基于CAV车流特性拓展BPR函数，建立面向具有CAVL的路网的车辆出行时间成本计算函数。
路网中各路段不同属性车道上车辆的出行时间成本的计算，具体为：根据路网中任一路段通用车道上行驶车辆的出行时间成本和自动驾驶专用车道上行驶车辆的出行时间成本，计算得到路网中任一路段不同属性车道上行驶车辆的加权平均出行时间成本。
路网中任一路段通用车道上行驶车辆的出行时间成本的计算，包括路网中任一路段通用车道上行驶的单个HDV的出行时间成本的计算和路网中任一路段通用车道上行驶的单个CAV的出行时间成本的计算。
其中，计算路网中任一路段a通用车道GL上行驶车辆的出行时间成本：
通用车道上行驶车辆包括HDV，若自动驾驶专用车道上CAV达到饱和，若有剩余，则剩余CAV在通用车道上行驶。
路段a通用车道上行驶的单个HDV的出行时间成本
Figure 461771DEST_PATH_IMAGE024
的计算，如式（1）所示：
Figure 795669DEST_PATH_IMAGE025
（1）；
式（1）中，t 0为自由流阻抗；
Figure 558089DEST_PATH_IMAGE026
表示路段a上通用车道的HDV交通量；
Figure 661043DEST_PATH_IMAGE027
表示 路段a上通用车道的CAV交通量；
Figure 585136DEST_PATH_IMAGE028
表示路段a上通用车道的通行能力；O表示HDV的出行 时间价值；
Figure 157063DEST_PATH_IMAGE029
和
Figure 441283DEST_PATH_IMAGE030
为阻滞系数，本申请
Figure 477372DEST_PATH_IMAGE029
取值0.15，
Figure 510050DEST_PATH_IMAGE030
取值4。
路段a通用车道上行驶的单个CAV的出行时间成本
Figure 880857DEST_PATH_IMAGE031
的计算，如式（2）所示：
Figure 922763DEST_PATH_IMAGE032
（2）；
式（2）中，
Figure 547779DEST_PATH_IMAGE033
表示CAV用户时间价值的折减系数，
Figure 266205DEST_PATH_IMAGE034
。
由于缺乏全面大规模在实际道路上的行驶CAV轨迹数据，目前CAVL阻抗计算方法 仍没有达成共识，普遍还是使用传统的BPR函数计算道路阻抗，但是CAV编队后会巡航控制， 车辆速度和车辆密度之间不存在显著关系，车辆密度的增大并不会导致车速的降低，使用 传统的BPR函数计算道路阻抗误差较大。因此，基于CAV车队巡航控制的特性，路段a自动驾 驶专用车道上行驶的单个CAV的出行时间成本
Figure 609462DEST_PATH_IMAGE035
的计算，如式（3）所示：
Figure 704326DEST_PATH_IMAGE036
（3）；
式（3）表示平衡态下CAVL上的CAV车流将保持恒定速度的巡航行驶，不受车辆密度的影响。
综合式（1）~式（3），根据上述路网中任一路段a不同属性车道上行驶的单个车辆的 出行时间成本的计算，求解路段a上行驶的单个车辆的加权平均出行时间成本
Figure 449428DEST_PATH_IMAGE037
，其计算 如式（4）所示：
Figure 89488DEST_PATH_IMAGE038
（4）；
式（4）中，
Figure 169308DEST_PATH_IMAGE039
表示路段a上CAV的渗透率；
Figure 553016DEST_PATH_IMAGE040
表示路段a自动驾驶专用车道上 的CAV交通量占路段a总流量
Figure 152625DEST_PATH_IMAGE041
的比例。
其中，路段a上通用车道的HDV交通量
Figure 478433DEST_PATH_IMAGE026
的计算，如式（5）所示：
Figure 717653DEST_PATH_IMAGE042
（5）；
式（5）中，
Figure 905052DEST_PATH_IMAGE041
表示路段a总交通量。
路段a上通用车道的CAV交通量
Figure 811697DEST_PATH_IMAGE027
的计算，如式（6）所示：
Figure 59138DEST_PATH_IMAGE043
（6）；
路段a上自动驾驶专用车道的CAV交通量
Figure 582393DEST_PATH_IMAGE044
的计算，如式（7）所示：
Figure 573482DEST_PATH_IMAGE045
（7）；
式（7）中，
Figure 600213DEST_PATH_IMAGE023
表示自动驾驶专用车道CAVL的车道数，
Figure 221818DEST_PATH_IMAGE046
表示路段a上单条自动 驾驶专用车道的道路通行能力。
式（4）中路段a的自动驾驶专用车道上的CAV交通量占路段总流量的比例
Figure 497948DEST_PATH_IMAGE040
可由式（7）求得，具体计算如式（8）所示：
Figure 495991DEST_PATH_IMAGE047
（8）；
CAVL上CAV未达到饱和时，
Figure 666245DEST_PATH_IMAGE048
。
其次，CAV不仅在减少车辆出行时间成本具有显著效益，在节能减排、降低车辆出行能耗成本方面也具有显著效益，其通过轨迹规划来减少车辆提速降速的频率，进而减少能量损耗，本申请通过路网中各路段不同属性车道的车辆出行能耗成本的计算，与路网中各路段不同属性车道的车辆出行时间成本共同计算路网中各路段不同属性车道下的混合交通流的车辆出行成本。
路网中任一路段a不同属性车道的单个车辆出行能耗成本E a 的计算，如式（9）所示：
Figure 973598DEST_PATH_IMAGE049
（9）；
式（9）中，
Figure 956598DEST_PATH_IMAGE050
表示汽油的价格，单位是元/升，本申请
Figure 679703DEST_PATH_IMAGE051
，1.609为英里转换为 公里的系数，3.785为加仑转换为升的系数；
Figure 415447DEST_PATH_IMAGE052
为CAV节约能耗率，通用车道上
Figure 441172DEST_PATH_IMAGE052
取95%，自 动驾驶专用车道上
Figure 160735DEST_PATH_IMAGE052
取80%；ϑ 1、ϑ 2为标定系数，ϑ 1=147.92，ϑ 2=0.689；s a 表示路段a的长度；t a 表示路段a上单个车辆的出行时间。
其中，路段a通用车道和自动驾驶专用车道上单个车辆的出行时间t a 的计算采用不同的计算方法，具体如式（10）和式（11）所示：
Figure 297318DEST_PATH_IMAGE053
（10）；
Figure 887568DEST_PATH_IMAGE054
（11）；
式中，
Figure 84194DEST_PATH_IMAGE055
表示路段a通用车道上的单个车辆出行时间；
Figure 25474DEST_PATH_IMAGE056
分别表示路段a上 自动驾驶专用车道上的单个CAV的车辆出行时间。
本申请通过路网中各路段不同属性车道的单个车辆出行能耗成本的计算，与路网中各路段不同属性车道的单个车辆出行时间成本共同计算路网中各路段不同属性车道下的混合交通流的单个车辆出行成本。
路网中任一路段a不同属性车道下的混合交通流的单个车辆加权平均出行成本
Figure 700169DEST_PATH_IMAGE057
的计算，如式（12）所示：
Figure 410505DEST_PATH_IMAGE058
（12）。
由于CAV的跟车时距小于HDV，随着CAV渗透率的增大，路段道路通行能力也随之增大，CAV渗透率与路段道路通行能力之间存在显著的关联性，而路段道路通行能力又直接影响混合交通流的车辆出行时间成本和车辆出行能耗成本，进而影响混合交通均衡分配结果，因此，在考虑自动驾驶专用车道的混合交通均衡分配的过程中必须考虑不同CAV渗透率影响下的路段道路通行能力，以提高考虑自动驾驶专用车道的混合交通均衡分配方法的结果准确性。
路段a上单条自动驾驶专用车道的道路通行能力的计算，如式（13）所示：
Figure 778033DEST_PATH_IMAGE059
（13）；
式（13）中
Figure 144292DEST_PATH_IMAGE060
表示CAV车头时距，单位是s。
CAV优先选择CAVL，当CAVL达到饱和时则选择GL，则路段a上CAV的渗透率为
Figure 871945DEST_PATH_IMAGE039
的 情况下，若路段a上的自动驾驶专用车道CAVL达到饱和，则剩余的CAV选择路段a上的通用车 道GL，则此时通用车道GL上CAV的渗透率
Figure 453099DEST_PATH_IMAGE061
的计算，如式（14）所示：
Figure 522687DEST_PATH_IMAGE062
（14）；
式（14）中，
Figure 172980DEST_PATH_IMAGE063
表示CAV分配至自动驾驶专用车道CAVL达 到饱和后的剩余CAV车辆数，CAVL通行能力满足CAV需求时
Figure 189477DEST_PATH_IMAGE063
用 零表示；d表示路段a的交通需求；
Figure 671143DEST_PATH_IMAGE023
表示自动驾驶专用车道CAVL的车道数；
Figure 849315DEST_PATH_IMAGE064
表示路段a上通用车道的交通量；
Figure 799953DEST_PATH_IMAGE065
表示路段a上自动驾驶专用车道的 交通量，
Figure 603830DEST_PATH_IMAGE066
，使用max函数是为避免分母为零。
路段a上单条通用车道的道路通行能力
Figure 690735DEST_PATH_IMAGE028
的计算，如式（15）所示：
Figure 554654DEST_PATH_IMAGE067
（15）；
式（15）中h H 为人工驾驶车辆HDV的车头时距。
综合路段a上单条自动驾驶专用车道的道路通行能力
Figure 930272DEST_PATH_IMAGE046
和路段a上单条通用 车道的道路通行能力
Figure 537840DEST_PATH_IMAGE028
，得到路段a的路段通行能力C a ，如式（16）所示：
Figure 479251DEST_PATH_IMAGE068
（16）；
式（16）中
Figure 982913DEST_PATH_IMAGE022
表示路段a的总车道数量。
其中，路段a上通用车道的通行能力
Figure 642565DEST_PATH_IMAGE069
，路段a 上自动驾驶专用车道的通行能力
Figure 538977DEST_PATH_IMAGE070
。
由于CAV具有全局信息感知与共享的功能，且受到中央控制平台的调控，CAV车辆遵循系统最优的路径选择原则；而HDV依据历史经验选择对自己最优的路径，遵循用户最优的路径选择原则。考虑CAV在时间价值、能耗和通行能力的效益，基于Wardrop原理和Beckman模型构建考虑自动驾驶专用车道的混合交通均衡分配模型。
HDV遵循UE原则，计算路网中各路段所有HDV车辆的总出行成本
Figure 53003DEST_PATH_IMAGE020
，如式 （17）所示：
Figure 275037DEST_PATH_IMAGE071
（17）；
式（17）中，
Figure 671253DEST_PATH_IMAGE020
中的x为自变量，
Figure 574618DEST_PATH_IMAGE072
表示路网中某一路段a的单个HDV的 加权平均出行成本；A表示路段集合。
s.t.
Figure 739889DEST_PATH_IMAGE073
（18）；
式（18）中，
Figure 132824DEST_PATH_IMAGE074
表示OD对(r, s)第k条路径的HDV的车流量；
Figure 954018DEST_PATH_IMAGE011
表示路段与路 径之间的相关变量；r表示路网某一起点；R表示路网起点的集合；s表示路网某一讫点；S表 示路网讫点的集合；k表示某一路径；
Figure 254550DEST_PATH_IMAGE075
表示OD对(r, s)之间所有路径的集合。
路段与路径之间的相关变量
Figure 962743DEST_PATH_IMAGE011
的计算，如式（19）所示：
Figure 775847DEST_PATH_IMAGE076
（19）；
Figure 897386DEST_PATH_IMAGE077
（20）；
式（20）中，
Figure 470450DEST_PATH_IMAGE078
表示OD对(r, s)之间的HDV交通量。
Figure 547996DEST_PATH_IMAGE079
（21）；
公式（17）中的
Figure 79472DEST_PATH_IMAGE027
根据公式（6）、公式（7）计算。
路网中某一路段a的单个HDV的加权平均出行成本
Figure 609679DEST_PATH_IMAGE080
的计算，如式（22）所示：
Figure 517592DEST_PATH_IMAGE081
（22）；
CAV遵循SO原则，计算路网中各路段所有CAV车辆的总出行成本
Figure 465957DEST_PATH_IMAGE021
， 如式（23）所示：
Figure 355284DEST_PATH_IMAGE082
（23）；
式（23）中，
Figure 185837DEST_PATH_IMAGE083
表示路段a通用车道的单个CAV的出行能耗成本；
Figure 553233DEST_PATH_IMAGE084
表示 路段a自动驾驶专用车道的单个CAV的出行能耗成本。
s.t.
Figure 418421DEST_PATH_IMAGE085
（24）；
式（24）中，
Figure 229382DEST_PATH_IMAGE086
表示OD对(r, s)第k条路径的CAV车流量。
Figure 796499DEST_PATH_IMAGE087
（25）；
式（25）中，
Figure 983898DEST_PATH_IMAGE088
表示OD对(r, s)之间的CAV交通量。
Figure 890543DEST_PATH_IMAGE089
（26）。
式（23）中，
Figure 137984DEST_PATH_IMAGE044
根据式（7）计算。
连续平均法（method of successive average，MSA）是求解交通分配的经典方法，相比于Frank-wolf算法，它的主要特点是计算速度快，不用求方程的根，并且在步长足够小的时候，连续平均法和Frank-wolf是等价的。连续平均法的具体求解思路为：不断调整各路段分配的流量而逐渐接近平衡分配结果。每步迭代中，根据各路段分配到的交通量进行一次全有全无分配（全有全无分配的定义为：按所有出行者都选取出行最短的路线从出发点到目的地的原则分配交通量，也叫0-1分配），得到一组各路段的附加交通量；然后用该次迭代中各路段已分配的交通量和得到的附加交通量进行加权平均，得到下一次迭代的分配交通量；当相邻两次迭代中分配的交通量十分接近时或达到最大迭代次数，即停止运算，最后一次迭代得到的交通量即为最终混合交通分配结果。
运用连续平均法求解考虑自动驾驶专用车道的混合交通均衡分配模型，获取每条路段上CAV车辆与HDV车辆的交通量，并与获取的路段不同属性车道下的混合交通流的单个车辆加权平均出行成本一起，计算路网中各路段所有HDV车辆的总出行成本和所有CAV车辆的总出行成本，完成考虑自动驾驶专用车道的混合交通均衡分配，具体包括以下步骤：
步骤1，根据路网各路段的自由流阻抗t 0，对路网各路段的交通量进行0-1分配，得 到HDV初始交通量集合
Figure 395659DEST_PATH_IMAGE090
和CAV初始交通量集合
Figure 386749DEST_PATH_IMAGE002
；
令迭代次数n=1，计算路网中任一路段a不同属性车道下的混合交通流的单个车辆 加权平均出行成本
Figure 413480DEST_PATH_IMAGE003
，
Figure 831823DEST_PATH_IMAGE004
，
Figure 311215DEST_PATH_IMAGE005
表示所有。
步骤2，根据步骤1的初始化交通量分配结果（即
Figure 105995DEST_PATH_IMAGE090
和
Figure 987232DEST_PATH_IMAGE002
），对路网各路段的交通 量进行0-1分配，计算得到附加路段交通量
Figure 107635DEST_PATH_IMAGE006
，
Figure 90635DEST_PATH_IMAGE007
，然 后更新路段的CAV交通量集合
Figure 203953DEST_PATH_IMAGE008
。
式中，
Figure 487167DEST_PATH_IMAGE009
表示n次迭代的附加路段交通量，
Figure 512892DEST_PATH_IMAGE010
表示n次迭代的附加路段交通量，
Figure 724734DEST_PATH_IMAGE011
表示路段与路径之间的相关变量，n表示迭代的次数。
以CAV交通分配结果（即
Figure 392476DEST_PATH_IMAGE091
）为基础，进行HDV交通量分配，更新路网中任一路段a 不同属性车道下的混合交通流的单个车辆加权平均出行成本
Figure 982726DEST_PATH_IMAGE012
，更新附加交通量
Figure 444931DEST_PATH_IMAGE006
，然后更新路段HDV交通量集合
Figure 120632DEST_PATH_IMAGE092
。
更新混合交通量集合，即
Figure 264169DEST_PATH_IMAGE014
。
步骤3，判断是否满足收敛条件：如果
Figure 974504DEST_PATH_IMAGE015
已满足收敛精度要求或达到最大迭代次 数，即收敛精度
Figure 76453DEST_PATH_IMAGE016
或n≥n max 则停止迭代，记录经过n次迭代后 路段a的交通量
Figure 973870DEST_PATH_IMAGE015
与n次迭代后更新的路网中任一路段a不同属性车道下的混合交通流的 单个车辆加权平均出行成本
Figure 701524DEST_PATH_IMAGE012
，进入步骤4，否则令n*=n+1，返回步骤2。
式中，
Figure 17099DEST_PATH_IMAGE015
表示n次迭代后路段a的交通量，
Figure 804795DEST_PATH_IMAGE017
表示n-1次迭代后路段a的交通量，
Figure 205820DEST_PATH_IMAGE018
表示误差限值，
Figure 284635DEST_PATH_IMAGE019
表示最大迭代数。
步骤4，根据经过n次迭代后路段a的交通量
Figure 703984DEST_PATH_IMAGE015
与路网中任一路段a不同属性车道 下的混合交通流的单个车辆加权平均出行成本
Figure 944472DEST_PATH_IMAGE012
，计算路网中各路段所有HDV车辆的总 出行成本
Figure 82061DEST_PATH_IMAGE020
和所有CAV车辆的总出行成本
Figure 698987DEST_PATH_IMAGE021
，完成考虑自动驾驶 专用车道的混合交通均衡分配，根据考虑自动驾驶专用车道的混合交通均衡分配合理进行 道路网络规划。
数值及案例分析
出行成本分析
为分析考虑不同因素的出行成本计算方法之间的差异并解耦影响出行成本的主要因素，本申请搭建了一条长2km的虚拟路段环境，路段的基本条件及其他参数如表1所示。
表1 道路及交通条件参数
Figure 520313DEST_PATH_IMAGE094
以往混合交通流均衡相关研究直接使用BPR函数计算车辆出行时间成本，忽略了CAV的混入可以提高道路通行能力和降低出行时间价值。如图1所示，CAV渗透率的增大可以显著提升通行能力，减少出行时间。同时CAV用户可以利用出行时间从事其他办公或娱乐活动，减少出行时间价值。因此本申请考虑两者对车辆出行成本的影响，解析CAV渗透率和交通量变化下的出行时间成本演变规律，分析多要素之间的关联性。如图2所示，低交通量条件下，车辆处于自由流状态，CAV渗透率的提高对降低出行时间成本影响不大，这说明CAV低渗透下并不能为路网带来效益；当交通量逐渐增大，CAV渗透率的提高可以显著减少出行时间，降低出行时间成本。由此可见，混合交通流出行时间成本的计算必须同时考虑CAV渗透率对通行能力和时间价值的影响，不能简单的使用传统的BPR阻抗函数衡量出行成本，否则无法体现CAV的效益。
基于以上假定的场景，分析通行能力、时间价值差异和自动驾驶专用车道的设置对出行时间成本的影响。由图3可知，运用经典的BRP函数计算的单辆车出行时间成本为1元。考虑CAV对通行能力的影响后，随着CAV渗透率的增加出行时间成本逐渐降低，CAV渗透率为40%，可以降低4%的出行成本；CAV渗透率为100%时，可以节约6%的出行成本。同时考虑通行能力与时间价值差异，随着CAV渗透率的提高，出行时间成本有大幅度的降低，CAV渗透率为40%时，出行时间成本降低了12%；CAV渗透率达到100%时，出行时间成本减少了25%。由此可知，CAV带来的出行变革不仅仅是出行效率的提升，在时间价值上也存在巨大的效益。
由图3可知，设置CAVL车道（设计速度为60 km·h-1）后，CAV渗透率低时，出行时间成本大于1元，可知低CAV渗透率下设置CAVL会浪费道路资源，造成交通拥堵。但随着CAV渗透率的提高，大于31%时CAVL的效益变为正；CAV渗透率较高时，GL的通行能力增大，出行效益再次逐渐降低，当CAV渗透率为100%时，GL与CAVL功能一致，效益为0。但当CAVL的设计速度提高至80 km·h-1时，正效益的CAV渗透率阈值变为0.18，CAV渗透率为60%时，出行时间成本降低29%。由此可知CAVL的布局不仅仅与CAV渗透率和交通需求有关联性，还与设计速度有显著关系，当设计速度一致时，CAVL的效益并不显著，本申请首次提出并证实这一重要发现。
假定GL上CAV的节能率为5%，CAVL上的CAV的节能率为20%，对比分析系统出行成本计算方法之间的差异。如图4所示，考虑能耗成本后，即使CAVL与GL的设计速度一致，但是CAVL由于具有节约能耗的功能而体现它的优越性，CAV渗透率为60%时，节约成本7.5%；当速度为80 km·h-1时，每公里可以节约0.3元。当CAV渗透率大于60%时，随着CAV渗透率的增大出行成本的增幅基本保持不变，其原因是CAVL在渗透率为60%时达到饱和，额外增加的CAV需在GL上行驶，虽然可以提高GL的通行能力，但也导致GL的阻抗增大，系统成本减幅较小。
由以上分析可知，（1）混合交通流环境下的车辆出行成本与CAV渗透率、出行时间价值和能耗显著相关，仅仅考虑路径选择差异的影响是不全面的；（2）CAVL部署是一种提高混合交通流效率的车道管理策略，但需要考虑CAV渗透率、设计速度和能耗等影响因素，盲目的部署CAVL可能会造成交通资源的浪费。
案例分析
本申请使用Nguyen–Dupuis网络作为测试网路，路网有13个节点、19条路段、4对OD对，基本拓扑结构如图5所示，CAVL通行能力为3600 veh·h-1。其中，1、4节点表示需求生成点，2、3节点表示需求吸引点，路网的具体信息见表2。为分析不同交通需求下的CAVL部署方案，本申请分别研究需求1（d 1）和需求2（d 2）条件下的混合交通分配，交通需求如表3所示。
表2 Nguyen–Dupuis路网信息
Figure 118653DEST_PATH_IMAGE095
表3 OD对交通需求
Figure 291009DEST_PATH_IMAGE096
路网需求为d 1
在路网交通需求为d 1的条件下，由图6可知，CAV渗透率为20%时，运用MSA算法求解考虑自动驾驶专用车道的混合交通均衡分配模型，迭代次数18次后收敛，运时长为13.51秒，系统的总成本为1.70×105元。由图7可知，CAV渗透率为60%时，算法在迭代17次后收敛，运时长为12.62秒，系统的总成本是1.63×105元，相较于CAV渗透率为20%，系统成本降低了4.12%。
路网需求为d 1条件下，CAV渗透率分别为20%和60%时，路网的交通分配情况如图8a~图8d所示。由图8a、图8c可知， CAV流量主要沿1→5→7→9→11、4→12→14→15和4→13→19三条路径分布（数字表示路段编号）。其中路段1、5、7、14具备CAVL，这表明由于CAV整体行驶效率高，为达到系统最优，CAV流量分布较为集中，且主要分布在CAVL路径。由图8b、图8d可知，CAV渗透率提高后，路段2和路段18的HDV流量减少。
同时由图8a~图8d可知，CAV渗透率为20%和60%时，路段6都未分布流量，路段3和10的流量很小。路段6、10无流量的主要原因是其基础阻抗相对周围路段较大（表2可得其自由流时间为10，相邻路段为4或6）；而路段3流量少是由于路段2和18的自由流时间较大，需求产生点1大部分流量流向节点5，为达到系统平衡，需求产生点4的大部分流量都流向节点9，然后流向需求吸引点2、3。这表明盲目增加道路基础建设并不能提高路网通行能力，需要考虑交通行为和需求等因素，合理进行道路网络规划才能使得交通系统效益最大化。
路网需求为d 2
路网交通需求为d 2时，由图9可知，CAV渗透率为20%时，算法在迭代30次后收敛，系统成本为8.15×105元，运时长为13.43秒。由图10可知，CAV渗透率为60%时，算法在迭代38次后收敛，系统的成本为4.37×105元，运时长为12.43秒，相较于CAV渗透率为20%，成本降低46.38%。与交通需求为d 1相比，收敛速度降低了2倍，说明交通需求的增加会降低收敛速度，但是运行的时长并无明显变化。
路网交通需求为d 2时，CAV渗透率为20%、60%下的CAV和HDV流量分布如图11a~图11d所示。由图11a、图11c可知，CAV主要集中在路段1、4、5和14，该四条路段都设有1条CAVL，由此可知CAV流量主要沿CAVL路段分布。由图11b、图11d可知，随着CAV的渗透率增大至60%，需求点1的HDV流量主要通过节点1→5→6→7→8→2流向吸引点2，与CAV渗透率为20%的流量路径存在显著的差异。其主要原因是，CAV渗透率的增大提高了路网其他道路的通行能力，HDV可以避免由路段18（节点12-8）到达节点2，由表2可知路段18的自由流时间最长，说明其距离较远。
由图11a~图11d可知，路段6上流量为零，路段3交通量较少。CAV渗透率为20%时，路段10的流量为7216 veh·h-1，然而CAV渗透率增大至60%时，其流量为40 veh·h-1。结合交通需求为d 1条件下的流量分析可知，这三条路段的流量很小，尤其是路段6的流量一直为零流。此外还发现，路段1、4、5、7和16为网络的核心路段，分布较大流量，CAV渗透率的变化对其流量大小影响较小。CAV渗透率对路段2、18、8和14的流量的影响较大，CAV渗透率为20%时，四条路段的交通量分别为4670 veh·h-1、2944 veh·h-1、1344 veh·h-1和3920 veh·h-1，而CAV渗透率为60%时，四条路段的交通量分别为912 veh·h-1、616 veh·h-1、4028veh·h-1和6996 veh·h-1。路段2和18的流量分别减少了80.75%和79.08%，而路段8和14的交流量分别提升了200%和78.47%，交通网络设计时需重点考虑其部署的必要性。
需要说明的是，在本申请中，诸如第一、第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，包括：
基于混合交通流中自动驾驶车辆的渗透率，计算路网中各路段不同属性车道上的车辆出行时间成本和车辆出行能耗成本，得到路网中各路段不同属性车道下的混合交通流的车辆出行成本；
根据路网中各路段不同属性车道下的混合交通流的车辆出行成本，计算路网中各路段所有HDV车辆的总出行成本和所有CAV车辆的总出行成本，构建考虑自动驾驶专用车道的混合交通均衡分配模型；
运用连续平均法求解考虑自动驾驶专用车道的混合交通均衡分配模型，完成考虑自动驾驶专用车道的混合交通均衡分配。
2.根据权利要求1所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述计算路网中各路段不同属性车道上的车辆出行时间成本，具体为：根据路网中任一路段通用车道上行驶车辆的出行时间成本和自动驾驶专用车道上行驶车辆的出行时间成本，计算得到路网中任一路段不同属性车道上行驶车辆的加权平均出行时间成本；
所述路网中任一路段通用车道上行驶车辆的出行时间成本的计算，包括路网中任一路段通用车道上行驶的单个HDV的出行时间成本的计算和路网中任一路段通用车道上行驶的单个CAV的出行时间成本的计算。
3.根据权利要求2所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述路网中任一路段通用车道上行驶的单个HDV的出行时间成本的计算，如下式所示：
Figure 668136DEST_PATH_IMAGE001
；
上式中，
Figure 778043DEST_PATH_IMAGE002
表示路网中任一路段通用车道上行驶的单个HDV的出行时间成本，t 0为 自由流阻抗；
Figure 415698DEST_PATH_IMAGE003
表示路段a上通用车道的HDV交通量；
Figure 404864DEST_PATH_IMAGE004
表示路段a上通用车道的CAV 交通量；
Figure 441959DEST_PATH_IMAGE005
表示路段a上通用车道的通行能力；O表示HDV的出行时间价值；
Figure 609635DEST_PATH_IMAGE006
和
Figure 483438DEST_PATH_IMAGE007
为阻 滞系数；
其中，路网中任一路段通用车道上行驶的单个CAV的出行时间成本的计算，如下式所示：
Figure 634934DEST_PATH_IMAGE008
；
上式中，
Figure 882244DEST_PATH_IMAGE009
表示路网中任一路段通用车道上行驶的单个CAV的出行时间成本，
Figure 822869DEST_PATH_IMAGE010
表 示CAV用户时间价值的折减系数，
Figure 802326DEST_PATH_IMAGE011
；
所述路网中任一路段自动驾驶专用车道上行驶车辆的出行时间成本的计算，如下式所示：
Figure 909959DEST_PATH_IMAGE012
；
上式中，
Figure 633065DEST_PATH_IMAGE013
表示路段a自动驾驶专用车道上行驶的单个CAV的出行时间成本。
4.根据权利要求3所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在 于，所述路段a上通用车道的HDV交通量
Figure 775333DEST_PATH_IMAGE003
的计算，如下式所示：
Figure 990938DEST_PATH_IMAGE014
；
上式中，
Figure 851447DEST_PATH_IMAGE015
表示路段a上CAV的渗透率，
Figure 378243DEST_PATH_IMAGE016
表示路段a总交通量；
路段a上通用车道的CAV交通量
Figure 109439DEST_PATH_IMAGE004
的计算，如下式所示：
Figure 430699DEST_PATH_IMAGE017
；
上式中，
Figure 306732DEST_PATH_IMAGE018
表示路段a上自动驾驶专用车道的CAV交通量；
路段a上自动驾驶专用车道的CAV交通量
Figure 902798DEST_PATH_IMAGE018
的计算，如下式所示：
Figure 754080DEST_PATH_IMAGE019
；
上式中，
Figure 246241DEST_PATH_IMAGE020
表示自动驾驶专用车道的车道数，
Figure 815763DEST_PATH_IMAGE021
表示路段a上单条自动驾驶专用车 道的道路通行能力；
路段a上单条自动驾驶专用车道的道路通行能力
Figure 684361DEST_PATH_IMAGE021
的计算，如下式所示：
Figure 390149DEST_PATH_IMAGE022
；
上式中，
Figure 321721DEST_PATH_IMAGE023
表示CAV车头时距，单位是s。
5.根据权利要求4所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述路网中任一路段不同属性车道上行驶车辆的加权平均出行时间成本的计算，如下式所示：
Figure 847380DEST_PATH_IMAGE024
；
上式中，
Figure 785249DEST_PATH_IMAGE025
表示路段a上行驶的单个车辆的加权平均出行时间成本，
Figure 345543DEST_PATH_IMAGE026
表示路段a 自动驾驶专用车道上的CAV交通量占路段总流量的比例；
所述路段a的自动驾驶专用车道上的CAV交通量占路段总流量的比例
Figure 179507DEST_PATH_IMAGE026
的计算，如 下式所示：
Figure 458042DEST_PATH_IMAGE027
。
6.根据权利要求3所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在 于，所述路段a上通用车道的通行能力
Figure 688951DEST_PATH_IMAGE005
的计算，如下式所示：
Figure 634910DEST_PATH_IMAGE028
；
上式中，
Figure 905355DEST_PATH_IMAGE029
表示路段a的总车道数量，
Figure 405606DEST_PATH_IMAGE030
表示通用车道上CAV的渗透率，h H 表示HDV的车头 时距；
通用车道上CAV的渗透率
Figure 419698DEST_PATH_IMAGE030
的计算，如下式所示：
Figure 954585DEST_PATH_IMAGE031
；
式中，
Figure 130351DEST_PATH_IMAGE032
表示CAV分配至自动驾驶专用车道达到饱和后的 剩余CAV车辆数；d表示路段a的交通需求；
Figure 386408DEST_PATH_IMAGE020
表示自动驾驶专用车道的车道数；
Figure 938612DEST_PATH_IMAGE033
表示路段a上通用车道的交通量；
Figure 593584DEST_PATH_IMAGE034
表示路段a上自动驾驶专用车道的交 通量，
Figure 674673DEST_PATH_IMAGE035
。
7.根据权利要求1所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述计算路网中各路段不同属性车道上的车辆出行能耗成本，如下式所示：
Figure 415096DEST_PATH_IMAGE036
；
上式中，E a 表示路网中任一路段a不同属性车道的单个车辆出行能耗成本；
Figure 505411DEST_PATH_IMAGE037
表示汽油 的价格；
Figure 14890DEST_PATH_IMAGE038
为CAV节约能耗率；ϑ 1、ϑ 2为标定系数；s a 表示路段a的长度；t a 表示路段a上单个车 辆的出行时间；
其中，路段a上单个车辆的出行时间t a 在通用车道和自动驾驶专用车道上采用不同的计算，如下式所示：
Figure 529529DEST_PATH_IMAGE039
；
Figure 491669DEST_PATH_IMAGE040
；
上式中，
Figure 385676DEST_PATH_IMAGE041
表示路段a通用车道上的单个车辆出行时间；
Figure 15240DEST_PATH_IMAGE042
表示路段a上自动驾 驶专用车道上的单个CAV的车辆出行时间。
8.根据权利要求1所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述路网中各路段不同属性车道下的混合交通流的车辆出行成本的计算，如下式所示：
Figure 969290DEST_PATH_IMAGE043
；
上式中，
Figure 153147DEST_PATH_IMAGE044
表示路网中任一路段a不同属性车道下的混合交通流的单个车辆加权平 均出行成本。
9.根据权利要求1所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述计算路网中各路段所有HDV车辆的总出行成本和所有CAV车辆的总出行成本，具体为：
路网中各路段所有HDV车辆的总出行成本
Figure 119353DEST_PATH_IMAGE045
的计算，如下式所示：
Figure 337845DEST_PATH_IMAGE046
；式中，
Figure 462796DEST_PATH_IMAGE045
中的x为自变 量，
Figure 665107DEST_PATH_IMAGE047
表示路网中某一路段a的单个HDV的加权平均出行成本；A表示路段集合；
s.t.
Figure 635337DEST_PATH_IMAGE048
；式中，
Figure 770652DEST_PATH_IMAGE049
表示OD对(r, s)第k条路径的HDV的车流量；
Figure 703055DEST_PATH_IMAGE050
表示路段与路径之间的相关变量；r表示路网某一起点；R 表示路网起点的集合；s表示路网某一讫点；S表示路网讫点的集合；k表示某一路径；
Figure 661171DEST_PATH_IMAGE051
表 示OD对(r, s)之间所有路径的集合；
路段与路径之间的相关变
Figure 700671DEST_PATH_IMAGE050
的计算，如下式所示：
Figure 628176DEST_PATH_IMAGE052
；
Figure 94930DEST_PATH_IMAGE053
；
上式中，
Figure 740675DEST_PATH_IMAGE054
表示OD对(r, s)之间的HDV交通量；
Figure 583866DEST_PATH_IMAGE055
；
路网中各路段所有CAV车辆的总出行成本
Figure 365877DEST_PATH_IMAGE056
的计算，如下式所示：
Figure 266181DEST_PATH_IMAGE057
；
上式中，
Figure 399222DEST_PATH_IMAGE058
表示路段a通用车道的单个CAV的出行能耗成本；
Figure 780525DEST_PATH_IMAGE059
表示路段a自 动驾驶专用车道的单个CAV的出行能耗成本；
s.t.
Figure 682622DEST_PATH_IMAGE060
表示 OD对(r, s)第k条路径的CAV车流量；
Figure 491178DEST_PATH_IMAGE061
；式中，
Figure 377094DEST_PATH_IMAGE062
表示OD对(r, s)之间的CAV交 通量；
Figure 30930DEST_PATH_IMAGE063
；
所述路网中某一路段a的单个HDV的加权平均出行成本
Figure 56042DEST_PATH_IMAGE047
的计算，如下式所示：
Figure 301078DEST_PATH_IMAGE064
；
式中，h H 表示HDV的车头时距，l表示路段a的总车道数量。
10.根据权利要求1所述的考虑自动驾驶专用车道的混合交通均衡分配方法，其特征在于，所述运用连续平均法求解考虑自动驾驶专用车道的混合交通均衡分配模型，完成考虑自动驾驶专用车道的混合交通均衡分配，具体为：
S1：根据路网各路段的自由流阻抗t 0，对路网各路段的交通量进行0-1分配，得到HDV初 始交通量集合
Figure 143133DEST_PATH_IMAGE065
和CAV初始交通量集合
Figure 600659DEST_PATH_IMAGE066
；
令迭代次数n=1，计算路网中任一路段a不同属性车道下的混合交通流的单个车辆加权 平均出行成本
Figure 477348DEST_PATH_IMAGE067
，
Figure 627706DEST_PATH_IMAGE068
，
Figure 222636DEST_PATH_IMAGE069
表示所有；
S2：根据S1的初始化交通量分配结果，对路网各路段的交通量进行0-1分配，计算得到 附加路段交通量
Figure 504361DEST_PATH_IMAGE070
，
Figure 501136DEST_PATH_IMAGE071
，然后更新路段的CAV交通量 集合
Figure 556816DEST_PATH_IMAGE072
；
式中，
Figure 639042DEST_PATH_IMAGE073
表示n次迭代的附加路段交通量，
Figure 438370DEST_PATH_IMAGE074
表示n次迭代的附加路段交通量，
Figure 289652DEST_PATH_IMAGE050
表示路段与路径之间的相关变量，n表示迭代的次数；
以CAV交通分配结果为基础，进行HDV交通量分配，更新路网中任一路段a不同属性车道 下的混合交通流的单个车辆加权平均出行成本
Figure 781813DEST_PATH_IMAGE075
，更新附加交通量
Figure 354264DEST_PATH_IMAGE073
，然后更新路段 HDV交通量集合
Figure 957284DEST_PATH_IMAGE076
；更新混合交通量集合，即
Figure 194230DEST_PATH_IMAGE077
；
S3：若
Figure 591714DEST_PATH_IMAGE078
已满足收敛精度要求或达到最大迭代次数，即收敛精度
Figure 648531DEST_PATH_IMAGE079
或n≥n max 则停止迭代，记录经过n次迭代后路段a的交通量
Figure 55242DEST_PATH_IMAGE078
与n次迭代后更新的路网中任一路段a不同属性车道下的混合交通流的单个车辆加权平 均出行成本
Figure 143765DEST_PATH_IMAGE075
，进入S4，否则令n*=n+1，返回S2；
式中，
Figure 243308DEST_PATH_IMAGE078
表示n次迭代后路段a的交通量，
Figure 521843DEST_PATH_IMAGE080
表示n-1次迭代后路段a的交通量，
Figure 732244DEST_PATH_IMAGE081
表 示误差限值，
Figure 147045DEST_PATH_IMAGE082
表示最大迭代数；
S4：根据经过n次迭代后路段a的交通量
Figure 417489DEST_PATH_IMAGE078
与路网中任一路段a不同属性车道下的混合 交通流的单个车辆加权平均出行成本
Figure 183320DEST_PATH_IMAGE075
，计算路网中各路段所有HDV车辆的总出行成本
Figure 934763DEST_PATH_IMAGE045
和所有CAV车辆的总出行成本
Figure 735228DEST_PATH_IMAGE056
，完成考虑自动驾驶专用车道 的混合交通均衡分配。
CN202110939974.6A 2021-08-17 2021-08-17 考虑自动驾驶专用车道的混合交通均衡分配方法 Active CN113393690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110939974.6A CN113393690B (zh) 2021-08-17 2021-08-17 考虑自动驾驶专用车道的混合交通均衡分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110939974.6A CN113393690B (zh) 2021-08-17 2021-08-17 考虑自动驾驶专用车道的混合交通均衡分配方法

Publications (2)

Publication Number Publication Date
CN113393690A true CN113393690A (zh) 2021-09-14
CN113393690B CN113393690B (zh) 2021-11-19

Family

ID=77622653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110939974.6A Active CN113393690B (zh) 2021-08-17 2021-08-17 考虑自动驾驶专用车道的混合交通均衡分配方法

Country Status (1)

Country Link
CN (1) CN113393690B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265398A (zh) * 2021-11-16 2022-04-01 长安大学 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN114897306A (zh) * 2022-04-12 2022-08-12 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN116702389A (zh) * 2023-04-27 2023-09-05 北京交通大学 一种针对混合交通流的嵌套流量计算方法
CN117079451A (zh) * 2023-07-11 2023-11-17 清华大学 城市连续交叉路口场景下混合交通系统的控制方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920395A (zh) * 2017-04-21 2017-07-04 杭州市综合交通研究中心 一种基于参数标定的交通阻抗计算方法
CN107038863A (zh) * 2017-05-17 2017-08-11 东南大学 一种考虑综合交通管理措施的城市道路网络广义路权计算方法
CN107798867A (zh) * 2017-10-12 2018-03-13 上海交通大学 一种基于电动汽车和内燃机车混合车流的拥堵交通网络均衡方法
US20180292830A1 (en) * 2017-04-06 2018-10-11 Uber Technologies, Inc. Automatic Tuning of Autonomous Vehicle Cost Functions Based on Human Driving Data
US20190120640A1 (en) * 2017-10-19 2019-04-25 rideOS Autonomous vehicle routing
CN110288821A (zh) * 2019-07-11 2019-09-27 北京航空航天大学 一种人工驾驶公交和自动驾驶公交联合调度优化方法
CN110472354A (zh) * 2019-08-20 2019-11-19 东南大学 一种新能源汽车渗透的环境影响评估方法
CN112116822A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法
CN112734089A (zh) * 2020-12-28 2021-04-30 长沙理工大学 智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质
CN113096416A (zh) * 2021-03-29 2021-07-09 长沙理工大学 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180292830A1 (en) * 2017-04-06 2018-10-11 Uber Technologies, Inc. Automatic Tuning of Autonomous Vehicle Cost Functions Based on Human Driving Data
CN106920395A (zh) * 2017-04-21 2017-07-04 杭州市综合交通研究中心 一种基于参数标定的交通阻抗计算方法
CN107038863A (zh) * 2017-05-17 2017-08-11 东南大学 一种考虑综合交通管理措施的城市道路网络广义路权计算方法
CN107798867A (zh) * 2017-10-12 2018-03-13 上海交通大学 一种基于电动汽车和内燃机车混合车流的拥堵交通网络均衡方法
US20190120640A1 (en) * 2017-10-19 2019-04-25 rideOS Autonomous vehicle routing
US20200182639A1 (en) * 2017-10-19 2020-06-11 rideOS, Inc. System and method of overlaying real-time data onto an autonomous vehicle routing cost model
CN110288821A (zh) * 2019-07-11 2019-09-27 北京航空航天大学 一种人工驾驶公交和自动驾驶公交联合调度优化方法
CN110472354A (zh) * 2019-08-20 2019-11-19 东南大学 一种新能源汽车渗透的环境影响评估方法
CN112116822A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法
CN112734089A (zh) * 2020-12-28 2021-04-30 长沙理工大学 智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质
CN113096416A (zh) * 2021-03-29 2021-07-09 长沙理工大学 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXANDER Y. KRYLATOV 等: "Signal Control in a Congested Traffic Area", 《 2015 INTERNATIONAL CONFERENCE "STABILITY AND CONTROL PROCESSES" IN MEMORY OF V.I. ZUBOV (SCP)》 *
陈旭等: "道路阻抗函数研究综述", 《交通运输研究》 *
黄中祥等: "无人驾驶环境下考虑OD结构的路网容量模型", 《中国公路学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265398A (zh) * 2021-11-16 2022-04-01 长安大学 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN114265398B (zh) * 2021-11-16 2023-12-15 长安大学 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN114897306A (zh) * 2022-04-12 2022-08-12 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN114897306B (zh) * 2022-04-12 2024-04-26 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN116702389A (zh) * 2023-04-27 2023-09-05 北京交通大学 一种针对混合交通流的嵌套流量计算方法
CN116702389B (zh) * 2023-04-27 2024-04-19 北京交通大学 一种针对混合交通流的嵌套流量计算方法
CN117079451A (zh) * 2023-07-11 2023-11-17 清华大学 城市连续交叉路口场景下混合交通系统的控制方法及装置
CN117079451B (zh) * 2023-07-11 2024-04-19 清华大学 城市连续交叉路口场景下混合交通系统的控制方法及装置

Also Published As

Publication number Publication date
CN113393690B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113393690B (zh) 考虑自动驾驶专用车道的混合交通均衡分配方法
CN108847037B (zh) 一种面向非全局信息的城市路网路径规划方法
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN110648022B (zh) 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法
CN108177648B (zh) 一种基于智能预测的插电式混合动力车辆的能量管理方法
CN102081658B (zh) 基于分层路网的路径搜索方法和装置
CN107813820A (zh) 一种仿优秀驾驶员的无人车换道路径规划方法
CN105760960A (zh) 基于轨道交通的停车换乘设施最优选址和容量确定方法
CN112216130B (zh) 一种车路协同环境下的应急车辆诱导方法
CN105989737B (zh) 一种停车诱导方法
CN105841709B (zh) 一种汽车行驶路径规划方法
CN110414833A (zh) 一种城市多模式交通网络运能协调评价方法
CN107563546B (zh) 一种基于区域协同的高速铁路列车运行图编制方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN114550482B (zh) 一种基于低碳目标的导航方法及停车场导航方法
CN109686091A (zh) 一种基于多源数据融合的交通流量填补算法
CN107798867A (zh) 一种基于电动汽车和内燃机车混合车流的拥堵交通网络均衡方法
CN107134137A (zh) 一种考虑实时信息的动态路径选择方法
CN109670240A (zh) 一种城市多模式公交网络初始线路生成方法
CN104821086B (zh) 一种定位大规模交通网络中低效路段组合的方法
Song et al. Exploring pareto routes in multi-criteria urban bicycle routing
CN111879329A (zh) 基于a*算法的定制公交可通行最短路径计算方法
CN107622665B (zh) 一种宏观与微观交通仿真系统交互的交通分配方法
CN113743644A (zh) 高速铁路通过能力通用计算方法
CN109583708B (zh) 多智能体微观交通配流模型的建立方法

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