CN113674521A - 一种车辆换道对交通效率影响的预测方法 - Google Patents

一种车辆换道对交通效率影响的预测方法 Download PDF

Info

Publication number
CN113674521A
CN113674521A CN202010403474.6A CN202010403474A CN113674521A CN 113674521 A CN113674521 A CN 113674521A CN 202010403474 A CN202010403474 A CN 202010403474A CN 113674521 A CN113674521 A CN 113674521A
Authority
CN
China
Prior art keywords
vehicle
lane
lane change
change
flow
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.)
Withdrawn
Application number
CN202010403474.6A
Other languages
English (en)
Inventor
李志斌
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.)
Nanjing East Control Intelligent Transportation Research Institute Co ltd
Original Assignee
Nanjing East Control Intelligent Transportation Research Institute Co ltd
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 Nanjing East Control Intelligent Transportation Research Institute Co ltd filed Critical Nanjing East Control Intelligent Transportation Research Institute Co ltd
Priority to CN202010403474.6A priority Critical patent/CN113674521A/zh
Publication of CN113674521A publication Critical patent/CN113674521A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Abstract

本发明公开了一种车辆换道对交通运行效率影响的预测方法，涉及交通控制领域，包括如下步骤：首先提取车辆变道轨迹数据，并对轨迹数据进行分析，提取车辆换道行为，确定车道变化中车辆相互作用的变量，使用微观交通变量预测车辆变道影响(LCI)的流量变化，通过提出一种综合计算的方法来预测交通量的变化对交通运行效率的影响，建立回归支持向量机模型(SVR)，运用SVR模型预测LCI的流量变化，最后通过对FC(流量变化模型)进行灵敏度分析，确定本方法对交通效率的预测有效；本发明可以帮助预测车辆变道带来的流量变化影响，并制定最佳的车道变化策略，从而改善道路交通的运行效率。

Description

一种车辆换道对交通效率影响的预测方法
技术领域
本发明涉及交通控制领域，尤其是涉及一种车辆换道对交通效率影响的预测 方法。
背景技术
随着我国高速公路建设里程的迅猛增加和汽车保有量的快速增长，交通需求 也越来越大，迅速增加的交通流量加大了道路的通行压力。高速公路部分路段的 通行能力已经不能满足现有需求，尤其是节假日，降低了整个高速公路网的运行 效率。高速公路交通需求大于通行能力时，就会导致高速公路交通拥堵，不仅影 响了高速公路的通行效率，而且增加了车辆之间得冲突。因此，寻找到合理的预 测方法，保证高速公路的高效运行，是目前需要解决的首要问题。
高速公路上的车道变换操纵可能会对交通流造成干扰，特别是在拥挤的情 况下，从而对交通运营产生负面影响。车辆变道对驾驶人的判断能力、反应能力 和操作能力有着更高的要求，一些不合理的换道行为和换道恶习都会引起通行效 率的变化。此前，许多研究应用经验车辆轨迹数据来评估车道变化对交通运营的 影响，计算车道变化引发的震荡传播和流量变化，但这并没有考虑车道变化前微 观交通参数对其的影响，预测结果并不准确。
发明内容
发明目的:现有的关于车道变换对运行效率的研究无法准确地用于预测给定 实时交通状态变量的LCI，为克服现有技术中存在的不足，本发明提出了一种车 辆换道对交通运行效率影响的预测方法，可以准确地预测不同的微观交通变量对 流量变化的影响，建立最佳换道模型，改善高速公路的运行效率。
技术方案:一种车辆换道对交通运行效率影响的预测方法，包括以下步骤：
步骤(1)：获取车辆变道轨迹数据；
步骤(2)：分析车辆变道轨迹数据，进行质量控制；
步骤(3)：提取车辆换道行为，确定微观变量；
步骤(4)：提出一种综合计算方法预测LCI对交通运营效率不确定性的影响；
步骤(5)：建立回归支持向量机模型(SVR)；
步骤(6)：运用回归支持向量机模型预测LCI的流量变化；
步骤(7)：进行灵敏度分析以检查独立变量对流量变化的影响。
进一步的，所述步骤(1)中车辆变道轨迹数据包括：所述车辆变道轨迹数 据包括车辆的速度、加速度、车辆间的距离以及车辆变道前和变道后的位置信息； 获取数据持续时间至少为45分钟，数据需要提供每0.1秒的车辆位置；所述车 辆变道前和变道后的位置信息，包括车辆的横向位置和纵向位置。
进一步的，步骤(2)的具体内容如下：
剔除在目标车道和原始车道中没有五辆车在车道变换器之前的车道变换操 纵以及在9秒内同一辆车变换两次车道行为的相关数据。
进一步的，步骤(3)的具体内容如下：
提取的车辆换道行为包含目标车辆的两辆跟随车辆和两辆前车的速度、所有 车辆的位置，插入时所有车辆的速度、加速度以及目标车道与原车道的速度；
确定的微观变量包括相邻两辆车间的距离、插入时相邻两辆车的速度差、目 标车道与原车道的速度差、插入时所有车辆的加速度、目标车辆的速度、目标车 道的ID序号以及变道方向。
进一步的，步骤(4)的具体内容如下：
FC的计算将在插入后忽略变速器与其后续车流量之间的速度差和间隙；
根据车头时距和流量间的关系，通过时间间隔h估算流量q
Figure BDA0002490375570000021
目标车道中，正常情况下的流量
Figure BDA0002490375570000022
定义为来自一个排的4个车头时 距的平均时间间隔的倒数
Figure BDA0002490375570000023
将qLC定义为
Figure BDA0002490375570000024
hLC为换道器与其引领车辆间的前进距离；
通过比较流速找到由于目标车道中的车道变换引起的流量变化，流量变化 FC计算如下
Figure BDA0002490375570000031
分别测出正常情况下和车道变化情况下的流量，正常情况下原始车道的流量
Figure BDA0002490375570000032
可用相同的公式计算，qFB是原始车道中换道车辆离开后的流量，定义 为
Figure BDA0002490375570000033
hFB是插入后九秒钟后车和换道车辆间的车头时距，则
Figure BDA0002490375570000034
因此，由车道变换引起的变化流量定义为ΔQ，计算公式如下
ΔQ＝FCtar+FCori。
进一步的，步骤(5)的具体内容如下：
假设有一定数量的培训数据，xi表示输入模式的空间，yi表示目标值的空间， 估计输入模式和目标值之间的函数f；
为了实现非线性SVR，必须使用非线性映射φ将数据映射到执行线性SVR的 更高维特征空间，考虑具有映射φ的线性函数，该映射采用该形式
f(x)＝<ω,φ(x)>+b ω∈Rn,b∈R
<·,·>表示内在的产品Rn,ω控制模型的平整度，φ(x)是一个映射函数。 <ω,φ(x)>+b是用于在高维特征空间中训练数据的预测函数。因此，最优回 归函数由以下函数的最小值给出：
Figure RE-GDA0002533239360000035
其中C是预先指定的值，ξi是损失函数，和ηi和
Figure BDA0002490375570000036
是松散的变量。由
Figure BDA0002490375570000037
和
Figure BDA0002490375570000038
可以重新确定SVR问题，作为对以下 二次规划问题的最优解的确定
Figure BDA0002490375570000039
受制于<ω,φ(x)>+b-yi≤ηi+ε
Figure BDA00024903755700000310
Figure BDA0002490375570000041
为了解决这个二次规划问题，通过引入双重变量集，基于目标函数和相应 约束构造拉格朗日函数
Figure BDA0002490375570000042
解决方案如下：
Figure BDA0002490375570000043
使用二次损失函数ξ(η)＝η2如ξ并将使用
Figure BDA0002490375570000044
的RBF内核实现到特征空间的非线性映射
k(X,Xi)＝exp(-||X-Xi||2/2δ2)
则SVR的优化问题变为
Figure BDA0002490375570000045
Figure BDA0002490375570000046
受制于
Figure BDA0002490375570000047
进一步的，步骤(6)的具体内容如下：
将LCI建模视为回归问题，使用经验数据拟合操作；
原始数据集随机分为训练集和比例为4:1的测试集，使用数据标准化到<0,1> 间隔进行预测，运用确定参数的网格搜索算法(C，γ)，对流量变化进行10次 不同训练集和测试集的实验，得到预测结果，其中输入矢量为表示交通状态的变 量，输出矢量为FC。
进一步的，步骤(7)的具体内容如下：
将每个变量设置为从平均值增加或减少一个标准偏差，确保变化在合理的范 围内；每次更改一个变量，其他变量保持不变，可以确定LCI对哪个变量更敏感； 再进一步对目标车辆的速度和加速度、原车道和目标车道的速度差的进行灵敏度 分析。
有益效果：本发明运用车辆轨迹的车道变换记录来探索LCI，可以准确 地预测不同的微观交通变量对流量变化的影响，从而到最佳的的换道策略，保证 高速公路的快捷高效地运行。
附图说明
图1为本发明预测方法的流程图。
图2a正常情况下和车道变化情况下的目标车道的流量。
图2b正常情况下和车道变化情况下的原车道的流量。
图3a R2＝0.98076下，利用SVR模型预测流量变化的结果图。
图3b R2＝0.95344下，利用SVR模型预测流量变化的结果图。
图4a车辆间隙对流量变化的灵敏度分析图。
图4b速度差对流量变化的分析图。
图4c对目标车辆的速度、加速度、原车道和目标车道的速度差进行灵敏度分 析图。
具体实施方式
下面结合附图对本发明进行详细说明：
如图1所示，一种车辆换道对交通运行效率影响的预测方法，包括以下步骤：
(1)本方法需要获取车辆变道轨迹数据：
所述车辆变道轨迹数据包括车辆的速度、加速度、车辆间的距离以及车辆变 道前和变道后的位置信息；数据持续时间至少为45分钟，数据需要提供每0.1 秒的车辆位置；
所述车辆变道前和变道后的位置信息，包括车辆的横向位置和纵向位置；
(2)分析车辆变道轨迹数据，进行质量控制：
剔除在目标车道和原始车道中没有五辆车在车道变换器之前的车道变换操 纵以及在9秒内同一辆车变换两次车道行为的相关数据；
(3)提取车辆换道行为，确定微观变量：
提取的车辆换道行为包含目标车辆的两辆跟随车辆和两辆前车的速度、所有 车辆的位置，插入时所有车辆的速度、加速度以及目标车道与原车道的速度；
确定的微观变量包括相邻两辆车间的距离、插入时相邻两辆车的速度差、目 标车道与原车道的速度差、插入时所有车辆的加速度、目标车辆的速度、目标车 道的ID序号以及变道方向；
(4)提出一种综合计算方法预测LCI对交通运营效率不确定性的影响：
FC的计算将在插入后忽略变速器与其后续车流量之间的速度差和间隙；
根据车头时距和流量间的关系，通过时间间隔h估算流量q
Figure BDA0002490375570000061
目标车道中，正常情况下的流量
Figure BDA0002490375570000062
定义为来自一个排的4个车头时 距的平均时间间隔的倒数
Figure BDA0002490375570000063
将qLC定义为
Figure BDA0002490375570000064
hLC为换道器与其引领车辆间的前进距离；
通过比较流速找到由于目标车道中的车道变换引起的流量变化，流量变化 FC计算如下
Figure BDA0002490375570000065
分别测出正常情况下和车道变化情况下的流量，如图2(a)计算出的是目 标车道的流量,图2(b)计算出的是原车道的流量。正常情况下原始车道的流量
Figure BDA0002490375570000066
可用相同的公式计算，qFB是原始车道中换道车辆离开后的流量，定义 为
Figure BDA0002490375570000067
hFB是插入后九秒钟后车和换道车辆间的车头时距，则
Figure BDA0002490375570000068
因此，由车道变换引起的变化流量定义为ΔQ，计算公式如下
ΔQ＝FCtar+FCori
(5)建立回归支持向量机模型(SVR)：
假设有一定数量的培训数据，xi表示输入模式的空间，yi表示目标值的空间， 估计输入模式和目标值之间的函数f；
为了实现非线性SVR，必须使用非线性映射φ将数据映射到执行线性SVR的 更高维特征空间，考虑具有映射φ的线性函数，该映射采用该形式
f(x)＝<ω,φ(x)>+b ω∈Rn,b∈R
<·,·>表示内在的产品Rn,ω控制模型的平整度，φ(x)是一个映射函数。 <ω,φ(x)>+b是用于在高维特征空间中训练数据的预测函数。因此，最优回 归函数由以下函数的最小值给出：
Figure RE-GDA0002533239360000071
其中C是预先指定的值，ξi是损失函数，和ηi和
Figure BDA0002490375570000072
是松散的变量。由
Figure BDA0002490375570000073
和
Figure BDA0002490375570000074
可以重新确定SVR问题，作为对以下 二次规划问题的最优解的确定
Figure BDA0002490375570000075
受制于<ω,φ(x)>+b-yi≤ηi+ε
Figure BDA0002490375570000076
Figure BDA0002490375570000077
为了解决这个二次规划问题，通过引入双重变量集，基于目标函数和相应 约束构造拉格朗日函数
Figure BDA0002490375570000078
解决方案如下：
Figure BDA0002490375570000079
使用二次损失函数ξ(η)＝η2如ξ并将使用
Figure BDA0002490375570000081
的RBF内核实现到特征空间的非线性映射
k(X,Xi)＝exp(-||X-Xi||2/2δ2)
则SVR的优化问题变为
Figure BDA0002490375570000082
Figure BDA0002490375570000083
受制于
Figure BDA0002490375570000084
(6)运用回归支持向量机模型预测LCI的流量变化：
将LCI建模视为回归问题，使用经验数据拟合操作；
原始数据集随机分为训练集和比例为4:1的测试集，使用数据标准化到<0,1> 间隔进行预测，运用确定参数的网格搜索算法(C，γ)，对流量变化进行10次 不同训练集和测试集的实验，得到预测结果，结果图见图3；其中输入矢量为表 示交通状态的变量，输出矢量为FC。
(7)进行灵敏度分析以检查独立变量对流量变化的影响：
将每个变量设置为从平均值增加或减少一个标准偏差，确保变化在合理的范 围内；每次更改一个变量，其他变量保持不变，可以确定LCI对哪个变量更敏感； 图4(a)是间隙对流量变化的分析图，图4(b)是速度差对流量变化的分析图；
再进一步对目标车辆的速度和加速度、原车道和目标车道的速度差的进行灵 敏度分析，分析图见图4(c),结果表明，这三个值对流量变化都有积极的影响。
综上所述，车辆变道对运行效率影响的预测方法有效。

Claims (8)

1.一种车辆换道对交通运行效率影响的预测方法，其特征在于，包括以下步骤：
步骤(1)：获取车辆变道轨迹数据；
步骤(2)：分析车辆变道轨迹数据，进行质量控制；
步骤(3)：提取车辆换道行为，确定微观变量；
步骤(4)：提出一种综合计算方法预测LCI对交通运营效率不确定性的影响；
步骤(5)：建立回归支持向量机模型(SVR)；
步骤(6)：运用回归支持向量机模型预测LCI的流量变化；
步骤(7)：进行灵敏度分析以检查独立变量对流量变化的影响。
2.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
所述步骤(1)中车辆变道轨迹数据包括：所述车辆变道轨迹数据包括车辆的速度、加速度、车辆间的距离以及车辆变道前和变道后的位置信息；获取数据持续时间至少为45分钟，数据需要提供每0.1秒的车辆位置；所述车辆变道前和变道后的位置信息，包括车辆的横向位置和纵向位置。
3.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(2)的具体内容如下：
剔除在目标车道和原始车道中没有五辆车在车道变换器之前的车道变换操纵以及在9秒内同一辆车变换两次车道行为的相关数据。
4.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(3)的具体内容如下：
提取的车辆换道行为包含目标车辆的两辆跟随车辆和两辆前车的速度、所有车辆的位置，插入时所有车辆的速度、加速度以及目标车道与原车道的速度；
确定的微观变量包括相邻两辆车间的距离、插入时相邻两辆车的速度差、目标车道与原车道的速度差、插入时所有车辆的加速度、目标车辆的速度、目标车道的ID序号以及变道方向。
5.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(4)的具体内容如下：
FC的计算将在插入后忽略变速器与其后续车流量之间的速度差和间隙；
根据车头时距和流量间的关系，通过时间间隔h估算流量q
Figure FDA0002490375560000021
目标车道中，正常情况下的流量
Figure FDA0002490375560000028
定义为来自一个排的4个车头时距的平均时间间隔的倒数
Figure FDA0002490375560000022
将qLC定义为
Figure FDA0002490375560000023
hLC为换道器与其引领车辆间的前进距离；
通过比较流速找到由于目标车道中的车道变换引起的流量变化，流量变化FC计算如下
Figure FDA0002490375560000024
分别测出正常情况下和车道变化情况下的流量，正常情况下原始车道的流量
Figure FDA0002490375560000025
可用相同的公式计算，qFB是原始车道中换道车辆离开后的流量，定义为
Figure FDA0002490375560000026
hFB是插入后九秒钟后车和换道车辆间的车头时距，则
Figure FDA0002490375560000027
因此，由车道变换引起的变化流量定义为ΔQ，计算公式如下
ΔQ＝FCtar+FCori。
6.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(5)的具体内容如下：
假设有一定数量的培训数据，xi表示输入模式的空间，yi表示目标值的空间，估计输入模式和目标值之间的函数f；
为了实现非线性SVR，必须使用非线性映射φ将数据映射到执行线性SVR的更高维特征空间，考虑具有映射φ的线性函数，该映射采用该形式
f(x)＝<ω,φ(x)>+b ω∈Rn,b∈R
<·,·>表示内在的产品Rn,ω控制模型的平整度，φ(x)是一个映射函数。<ω,φ(x)>+b是用于在高维特征空间中训练数据的预测函数。因此，最优回归函数由以下函数的最小值给出：
Figure RE-FDA0002533239350000031
其中C是预先指定的值，ξi是损失函数，和ηi和
Figure RE-FDA0002533239350000032
是松散的变量。由
Figure RE-FDA0002533239350000033
和
Figure RE-FDA0002533239350000034
可以重新确定SVR问题，作为对以下二次规划问题的最优解的确定
Figure RE-FDA0002533239350000035
受制于<ω,φ(x)>+b-yi≤ηi+ε
Figure RE-FDA0002533239350000036
Figure RE-FDA0002533239350000037
为了解决这个二次规划问题，通过引入双重变量集，基于目标函数和相应约束构造拉格朗日函数αi,
Figure RE-FDA0002533239350000038
解决方案如下：
Figure RE-FDA0002533239350000039
使用二次损失函数ξ(η)＝η2如ξ并将使用
Figure RE-FDA0002533239350000041
的RBF内核实现到特征空间的非线性映射
k(X,Xi)＝exp(-||X-Xi||2/2δ2)
则SVR的优化问题变为
Figure RE-FDA0002533239350000042
7.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(6)的具体内容如下：
将LCI建模视为回归问题，使用经验数据拟合操作；
原始数据集随机分为训练集和比例为4:1的测试集，使用数据标准化到<0,1>间隔进行预测，运用确定参数的网格搜索算法(C，γ)，对流量变化进行10次不同训练集和测试集的实验，得到预测结果，其中输入矢量为表示交通状态的变量，输出矢量为FC。
8.根据权利要求1所述的车辆换道对交通运行效率影响的预测方法，其特征在于，
步骤(7)的具体内容如下：
将每个变量设置为从平均值增加或减少一个标准偏差，确保变化在合理的范围内；每次更改一个变量，其他变量保持不变，可以确定LCI对哪个变量更敏感；
再进一步对目标车辆的速度和加速度、原车道和目标车道的速度差的进行灵敏度分析。
CN202010403474.6A 2020-05-13 2020-05-13 一种车辆换道对交通效率影响的预测方法 Withdrawn CN113674521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010403474.6A CN113674521A (zh) 2020-05-13 2020-05-13 一种车辆换道对交通效率影响的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010403474.6A CN113674521A (zh) 2020-05-13 2020-05-13 一种车辆换道对交通效率影响的预测方法

Publications (1)

Publication Number Publication Date
CN113674521A true CN113674521A (zh) 2021-11-19

Family

ID=78536978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010403474.6A Withdrawn CN113674521A (zh) 2020-05-13 2020-05-13 一种车辆换道对交通效率影响的预测方法

Country Status (1)

Country Link
CN (1) CN113674521A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法
CN117173913A (zh) * 2023-09-18 2023-12-05 日照朝力信息科技有限公司 基于不同时段车流量分析的交通控制方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法
CN116246492B (zh) * 2023-03-16 2024-01-16 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法
CN117173913A (zh) * 2023-09-18 2023-12-05 日照朝力信息科技有限公司 基于不同时段车流量分析的交通控制方法及系统
CN117173913B (zh) * 2023-09-18 2024-02-09 日照朝力信息科技有限公司 基于不同时段车流量分析的交通控制方法及系统

Similar Documents

Publication Publication Date Title
CN111768637B (zh) 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN110610260B (zh) 行车能耗预测系统、方法、存储介质和设备
CN111311913B (zh) 一种提高公路变窄路段通行效率的控制方法和系统
Xing et al. Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling
CN108198425A (zh) 一种电动汽车行驶工况的构建方法
CN1909022A (zh) 公路地图管理系统
CN113674521A (zh) 一种车辆换道对交通效率影响的预测方法
CN111695241A (zh) 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法
CN107705635B (zh) 信号交叉口电动自行车的交通冲突判别方法
Li et al. Exploring the effects of traffic density on merging behavior
CN113299107A (zh) 一种多目标融合的交叉口动态车辆网联速度引导控制方法
CN111062648A (zh) 一种沥青路面综合性能的评价方法
CN111707476A (zh) 一种面向自动驾驶汽车的纵向驾驶能力检测方法
CN112731806B (zh) 智能网联汽车随机模型预测控制实时性优化方法
Jeoung et al. Data-driven analysis of the correlation of future information and costates for PMP-based energy management strategy of hybrid electric vehicle
Easa et al. Generalized procedure for estimating single-and two-regime traffic-flow models
CN113299060B (zh) 一种基于实测数据车辆信息系数获取系统
Li et al. Analysis and improvement of car-following stability for connected automated vehicles with multiple information uncertainties
Asher et al. The effect of hill planning and route type identification prediction signal quality on hybrid vehicle fuel economy
Bai et al. Exploring heterogeneity in car-following behaviors based on driver visual characteristics: modeling and calibration
Huang et al. Energetic Impacts of Autonomous Vehicles in Real-World Traffic Conditions From Nine Open-Source Datasets
CN113763708B (zh) 一种基于交通仿真的多类型专用道控制方法
CN114084150B (zh) 一种越野车辆行驶工况生成方法
CN115311838B (zh) 一种隧道入口区域车辆协同一致性评价方法
Shi et al. Inconsistency of AV Impacts on Traffic Flow: Predictions in Literature

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211119

WW01 Invention patent application withdrawn after publication