CN113781774B - 考虑人机混驾交通流的信号控制交叉口通行能力确定方法 - Google Patents
考虑人机混驾交通流的信号控制交叉口通行能力确定方法 Download PDFInfo
- Publication number
- CN113781774B CN113781774B CN202110949438.4A CN202110949438A CN113781774B CN 113781774 B CN113781774 B CN 113781774B CN 202110949438 A CN202110949438 A CN 202110949438A CN 113781774 B CN113781774 B CN 113781774B
- Authority
- CN
- China
- Prior art keywords
- hdv
- cav
- signal control
- traffic
- man
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法，包括以下步骤：S1、设定交叉口内交通流包含人类驾驶车辆和智能网联自动驾驶车辆两类机动车；S2、得到HDV与CAV的占有率；S3、实测获取HDV与CAV的饱和流率、绿灯损失时间等运行指标；S4、实测获取车道内的饱和流率等运行指标；S5、得到人机混驾交通流在信号控制交叉口处的饱和流率与绿灯损失时间；S6、获取考虑考虑人机混驾交通流的信号控制交叉口通行能力的概率分布函数；S7、采用确定性表达与概率性表达作为该通行能力的表达方式。本发明考虑了人机混驾的异质交通流，能够反映出交叉口通行能力的实质，创新地给出了一种通行能力的概率性表达。
Description
技术领域
本发明涉及道路车辆的交通系统解析的技术领域，尤其是涉及一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法。
背景技术
通行能力是交通工程的核心概念之一，也是交通规划、交通设计与交通管理与控制的理论基石。伴随着机动车交通流由只包含人类驾驶车辆(Human Driving Vehicle,HDV)的同质交通流转变为同时包含HDV与智能网联自动驾驶车辆(Connected AutonomousVehicle,CAV)的异质交通流，现有的通行能力算法已经显示出其不适应性。
现有技术中，车道通行能力是以“同质交通流”为研究对象的，《道路通行能力手册(2016版)》对通行能力的定义为“在一定道路几何条件和交通管理条件下，单位小时内车辆通过断面的合理期望的最大交通流”。这里面的两大关键词语：“期望”与“最大交通流”在考虑自动驾驶车辆混入的“异质交通流”时均会发生变化。一是计算方法，异质交通流的排队组合及性能特征会造成车道饱和流率与绿灯损失时间的变化；二是表达范式，也就是将用一个定值表达通行能力的“确定性表达”变为用概率分布函数的“概率性表达”。
发明内容
本发明要解决的技术问题在于，提供一种考虑人机混驾的异质交通流，反映出交叉口通行能力的实质，方法易于理解、提升计算效率的考虑人机混驾交通流的信号控制交叉口通行能力确定方法。
本发明解决其技术问题所采用的技术方案是：提供一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法，包括以下步骤：
S1、设定交叉口内交通流包含人类驾驶车辆和智能网联自动驾驶车辆两类机动车；
所述人类驾驶车辆为由人类感知外界环境并操纵执行相关动作的车辆，所述智能网联自动驾驶车辆为由车载传感器感知外界环境并操纵执行相关动作，且与其它车辆通讯、协作的车辆；
所述人类驾驶车辆即为Human Vehicle，简称HDV，所述智能网联自动驾驶车辆即为Connected Autonomous Vehicle，简称CAV；
S2、统计研究对象进口道，得到HDV与CAV的占有率；
S3、在多个周期内，实测获取HDV作为后车时的跟车车头时距hHDV、感知-反应时间tHDV、行驶速度vHDV、停止时的车间距离lHDV、最大加速度aHDV、最大减速度dHDV的运行指标，实测获取CAV作为后车时的跟车车头时距hCAV、感知-反应时间tCAV、行驶速度vCAV、停止时的车间距离lCAV、最大加速度aCAV、最大减速度dCAV的运行指标；
S4、在对应周期内，实测获取车道内的饱和流率指标S，实测获取车道内的绿灯损失时间指标L；
S5、通过对基准饱和流率与基准绿灯损失时间的线形回归处理，得到人机混驾交通流在信号控制交叉口处的饱和流率与绿灯损失时间；
S6、采用Monte-Carlo方法进行仿真，获取考虑考虑人机混驾交通流的信号控制交叉口通行能力的概率分布函数；
S7、分别采用确定性表达与概率性表达作为该通行能力的表达方式。
上述方案中，所述的步骤S2中HDV与CAV的占有率分别为：
选取交通高峰时段，在研究对象的路段，设立一个基准断面，HDV与CAV在高峰时段内通过基准断面的车辆数分别为VHDV与VCAV。
上述方案中，所述步骤S5具体为：
通过对基准饱和流率S0的线形回归，得到人机混驾交通流在信号控制交叉口处的饱和流率，回归模型为：
S＝S0(α0+α1hHDV+α2tHDV+α3vHDV+α4lHDV+α5aHDV+α6dHDV+α7αHDV
+α8hCAV+α9tCAV+α10vCAV+α11lCAV+α12aCAV+α13dCAV)
其中，α1-α13是线形回归的系数，α0是线性回归的截距；
通过对基准绿灯损失时间L0的线形回归，得到人机混驾交通流在信号控制交叉口处的绿灯损失时间，回归模型为：
L＝L0(β0+β1hHDV+β2tHDV+β3vHDV+β4lHDV+β5aHDV+β6dHDV+β7αHDV
+β8hCAV+β9tCAV+β10vCAV+β11lCAV+β12aCAV+β13dCAV)
其中，β1-β13是线形回归的系数，β0是线性回归的截距。
上述方案中，所述的步骤S6中，具体包括以下步骤：
S601、在仿真环境中初始化仿真计数器A＝0，以1为步长更新仿真计数器，根据S与L的概率分布函数，分别产生1个S与L的随机数值，其中，S∈(Smin，Smax)，L∈(Lmin，Lmax)；
S602、以公式
计算获取一个信号控制交叉口车道的通行能力C值，其中G为信号灯的绿灯显示时间，T为信号周期；
S603、判断仿真次数A，当A等于N次时进行下一步，否则，重复步骤S601-S602；
S604、对仿真得到的N个信号控制交叉口车道C值进行数理统计，得到C的平均值μC、标准差δC及概率分布函数C～f(C)。
上述方案中，所述的步骤S7具体为：
在确定性表达下，考虑人机混驾交通流的信号控制交叉口通行能力为μC；
在概率性表达下，考虑人机混驾交通流的信号控制交叉口通行能力为C～f(C)。
上述方案中，当C服从正态分布时，C～N(μC，δC)。
实施本发明的考虑考虑人机混驾交通流的信号控制交叉口通行能力确定方法，具有以下有益效果：
1、本发明提供了一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法，通过观测HDV与CAV的占有率、跟车车头时距、感知-反应时间、行驶速度、停止时的车间距离、最大加速度、最大减速度，再通过线形回归得到饱和流率与绿灯损失时间的表达式，最后利用Monte-Carlo仿真得到人机混驾交通流在信号控制交叉口处车道通行能力的概率分布函数；
2、本发明在通行能力计算层面，利用交通工程学知识与经验，简化了车辆在空间上的复杂组合，而只选用一些能够方便观测且易于理解的参数便可得到交叉口车道通行能力的概率分布；
3、本发明在通行能力表达方面，提出了“确定性表达”与“概率性表达”两种表达方式，考虑了人机混驾的异质交通流，又反映出了交叉口通行能力的实质，并且方法易于理解、提升了计算效率，同时创新地给出了一种通行能力的概率性表达。
附图说明
图1为本发明预测方法中Monte-Carlo仿真求解车道通行能力概率分布函数的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
在本发明的考虑考虑人机混驾交通流的信号控制交叉口通行能力确定方法施例中，包括以下步骤：
S1、在计算车道通行能力时，将交通流内的车辆界定为人类驾驶车辆(HumanVehicle,HDV)与智能网联自动驾驶车辆(Connected Autonomous Vehicle,CAV)。
所谓HDV，即由人类感知外界环境并操纵执行相关动作的车辆；所谓CAV是指由车载传感器感知外界环境并操纵执行相关动作，且与其它车辆通讯、协作的车辆。
S2、在研究对象的路段中，选取高峰小时，统计HDV与CAV的占有率分别为αHDV与αCAV。
S2具体包括以下步骤：
S201、选取交通高峰的1个小时，如晚高峰17:00～18:00，作为研究时段；
S202、在研究对象的路段，设立一个基准断面，按照车辆类型，即HDV、与CAV统计1小时内通过基准断面的车辆数VHDV与VCAV；
S203、利用以下公式，计算HDV与CAV的占有率，分别为：
本实施例中，在晚高峰对某高速公路设立一个基准断面，观测得到HDV与CAV统计1小时内通过基准断面的车辆数分别为600台与200台，故HDV与CAV的占有率分别为75％与25％。
S3、实测获取HDV与CAV作为后车时的跟车车头时距hHDV、感知-反应时间tHDV、行驶速度vHDV、停止时的车间距离lHDV、最大加速度aHDV、最大减速度dHDV等运行指标。
S3具体包括以下步骤：
S301：用无人机在交叉口上方150m高度悬停，拍摄高峰小时内交叉口运行的实景录像；
S302：在交叉口内建立平面直角坐标系，并将交叉口空间离散为1m×1m的格点；
S303：以1s为时间步长，记录下车辆在平面直角坐标系中的位置；
S304：根据参数定义，计算得到HDV与CAV作为后车时的跟车车头时距hHDV、感知-反应时间tHDV、行驶速度vHDV、停止时的车间距离lHDV、最大加速度aHDV、最大减速度dHDV等运行指标。
S4、根据参数定义，并结合无人机拍摄视频，实测获取车道内的饱和流率指标S与绿灯损失时间指标L。
S5：以车道内的饱和流率指标S与绿灯损失时间指标L为因变量，以HDV与CAV的占有率、作为后车时的跟车车头时距hHDV、感知-反应时间tHDV、行驶速度vHDV、停止时的车间距离lHDV、最大加速度aHDV、最大减速度dHDV等运行指标为自变量，建立线形回归模型。
步骤S5具体为：
通过对基准饱和流率S0的线形回归，得到人机混驾交通流在信号控制交叉口处的饱和流率，回归模型为：
S＝S0(α0+α1hHDV+α2tHDV+α3vHDV+α4lHDV+α5aHDV+α6dHDV+α7αHDV
+α8hCAV+α9tCAV+α10vCAV+α11lCAV+α12aCAV+α13dCAV)
通过对基准绿灯损失时间L0的线形回归，得到人机混驾交通流在信号控制交叉口处的绿灯损失时间，回归模型为：
L＝L0(β0+β1hHDV+β2tHDV+β3vHDV+β4lHDV+β5aHDV+β6dHDV+β7αHDV
+β8hCAV+β9tCAV+β10vCAV+β11lCAV+β12aCAV+β13dCAV)
S6、采用Monte-Carlo方法进行仿真，获取考虑人机混驾交通流的信号控制交叉口车道的通行能力C值的概率分布函数f(C)。
步骤S6具体包括以下步骤：
S601、在仿真环境中初始化仿真计数器A＝0，以1为步长更新仿真计数器，根据S与L的概率分布函数，分别产生1个S与L的随机数值，其中，S∈(Smin，Bmax)，L∈(Lmin，Lmax)；
S602、以公式
计算获取一个信号控制交叉口车道的通行能力C值，其中G为信号灯的绿灯显示时间，T为信号周期；
S603、判断仿真次数A，当A等于N次时进行下一步，否则，重复S601-S602；
S6.4、对仿真得到的N个信号控制交叉口车道C值进行数理统计，得到C的平均值μC、标准差δC及概率分布函数C～f(C)。
本例实施例中，Monte-Carlo为数学软件MATLAB的常用仿真软件包，本领域技术人员可以依据需求设置参数并进行仿真模拟。为了保证仿真结果的可靠性，A取100000次，G取38s，T取120s。本领域技术人员可以在条件允许的情况下，综合考虑仿真结果对次数A进行增减，C应服从正态分布，若C不服从正态分布，应当重新开始步骤2。
本实施例的最终仿真结果为：考虑不同制式自动驾驶车辆混入的高速公路车道通行能力C服从正态分布，其平均值μC＝613.2，标准差δC＝24.1，因此其概率分布函数为C～N(613.2，24.12)。
S7、在确定性表达下，考虑不同制式自动驾驶车辆混入的高速公路车道通行能力C为613.2pcu/h；在概率性表达下，不同制式自动驾驶车辆混入的高速公路车道通行能力为C～N(613.2，24.12)。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (2)
1.一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法，其特征在于，包括以下步骤：
S1、设定交叉口内交通流包含人类驾驶车辆和智能网联自动驾驶车辆两类机动车；
所述人类驾驶车辆为由人类感知外界环境并操纵执行相关动作的车辆，所述智能网联自动驾驶车辆为由车载传感器感知外界环境并操纵执行相关动作，且与其它车辆通讯、协作的车辆；
所述人类驾驶车辆即为Human Vehicle，简称HDV，所述智能网联自动驾驶车辆即为Connected Autonomous Vehicle，简称CAV；
S2、统计研究对象进口道，得到HDV与CAV的占有率；所述的步骤S2中HDV与CAV的占有率分别为：
选取交通高峰时段，在研究对象的路段，设立一个基准断面，HDV与CAV在高峰时段内通过基准断面的车辆数分别为VHDV与VCAV；
S3、在多个周期内，实测获取HDV作为后车时的跟车车头时距hHDV、感知—反应时间tHDV、行驶速度vHDV、停止时的车间距离lHDV、最大加速度aHDV、最大减速度dHDV的运行指标，实测获取CAV作为后车时的跟车车头时距hCAV、感知—反应时间tCAV、行驶速度vCAV、停止时的车间距离lCAV、最大加速度aCAV、最大减速度dCAV的运行指标；
S4、在对应周期内，实测获取车道内的饱和流率指标S，实测获取车道内的绿灯损失时间指标L；
S5、通过对基准饱和流率与基准绿灯损失时间的线形回归处理，得到人机混驾交通流在信号控制交叉口处的饱和流率与绿灯损失时间；具体为：
通过对基准饱和流率S0的线形回归，得到人机混驾交通流在信号控制交叉口处的饱和流率，回归模型为：
S＝S0(α0+α1hHDV+α2tHDV+α3vHDV+α4lHDV+α5aHDV+α6dHDV+α7αHDV+α8hCAV+α9tCAV+α10vCAV+α11lCAV+α12aCAV+α13dCAV)
其中，α1-α13是线形回归的系数，α0是线性回归的截距；
通过对基准绿灯损失时间L0的线形回归，得到人机混驾交通流在信号控制交叉口处的绿灯损失时间，回归模型为：
L＝L0(β0+β1hHDV+β2tHDV+β3vHDV+β4lHDV+β5aHDV+β6dHDV+β7αHDV+β8hCAV+β9tCAV+β10vCAV+β11lCAV+β12aCAV+β13dCAV)
其中，β1-β13是线形回归的系数，β0是线性回归的截距；
S6、采用Monte-Carlo方法进行仿真，获取考虑人机混驾交通流的信号控制交叉口通行能力的概率分布函数；具体包括以下步骤：
S601、在仿真环境中初始化仿真计数器A＝0，以1为步长更新仿真计数器，根据S与L的概率分布函数，分别产生1个S与L的随机数值，其中，S∈(Smin，Smax)，L∈(Lmin，Lmax)；
S602、以公式
计算获取一个信号控制交叉口车道的通行能力C值，其中G为信号灯的绿灯显示时间，T为信号周期；
S603、判断仿真次数A，当A等于N次时进行下一步，否则，重复步骤S601-S602；
S604、对仿真得到的N个信号控制交叉口车道C值进行数理统计，得到C的平均值μC、标准差δC及概率分布函数C～f(C)；
S7、分别采用确定性表达与概率性表达作为该通行能力的表达方式具体为：
在确定性表达下，人机混驾交通流的信号控制交叉口通行能力为μC；
在概率性表达下，人机混驾交通流的信号控制交叉口通行能力为C～f(C)。
2.根据权利要求1所述的一种考虑人机混驾交通流的信号控制交叉口通行能力确定方法，其特征在于，当C服从正态分布时，C～N(μC，δC)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110949438.4A CN113781774B (zh) | 2021-08-18 | 2021-08-18 | 考虑人机混驾交通流的信号控制交叉口通行能力确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110949438.4A CN113781774B (zh) | 2021-08-18 | 2021-08-18 | 考虑人机混驾交通流的信号控制交叉口通行能力确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781774A CN113781774A (zh) | 2021-12-10 |
| CN113781774B true CN113781774B (zh) | 2022-07-01 |
Family
ID=78838136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110949438.4A Active CN113781774B (zh) | 2021-08-18 | 2021-08-18 | 考虑人机混驾交通流的信号控制交叉口通行能力确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781774B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116217B (zh) * | 2022-05-26 | 2023-09-26 | 东北林业大学 | 车道饱和流率与启动损失时间的动态测算方法及系统 |
| CN116030632B (zh) * | 2023-02-10 | 2023-06-09 | 西南交通大学 | 一种面向混合交通流的性能指标计算方法及系统 |
| CN116363905B (zh) * | 2023-05-19 | 2023-09-05 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629970A (zh) * | 2018-04-25 | 2018-10-09 | 浙江大学 | 基于蒙特卡罗树搜索的交叉口信号参数优化方法 |
| CN112102631A (zh) * | 2020-11-17 | 2020-12-18 | 长沙理工大学 | 一种混入自动驾驶车辆的城市交叉口交通控制方法 |
-
2021
- 2021-08-18 CN CN202110949438.4A patent/CN113781774B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629970A (zh) * | 2018-04-25 | 2018-10-09 | 浙江大学 | 基于蒙特卡罗树搜索的交叉口信号参数优化方法 |
| CN112102631A (zh) * | 2020-11-17 | 2020-12-18 | 长沙理工大学 | 一种混入自动驾驶车辆的城市交叉口交通控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于马尔科夫链的自动驾驶-手动驾驶混合通行能力研究;于佳丽;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210615(第6期);43-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781774A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113781774B (zh) | 考虑人机混驾交通流的信号控制交叉口通行能力确定方法 | |
| CN109345020B (zh) | 一种完全信息下的无信号交叉口车辆驾驶行为预测方法 | |
| Feng et al. | Spatiotemporal intersection control in a connected and automated vehicle environment | |
| CN108053645B (zh) | 一种基于轨迹数据的信号交叉口周期流量估计方法 | |
| Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
| CN105006147B (zh) | 一种基于道路时空关联关系的路段行程时间推断方法 | |
| CN112783151A (zh) | 从预先计算的或动态生成的轨迹库的轨迹预测 | |
| US20100079306A1 (en) | Traffic flow monitoring for intersections with signal controls | |
| CN102005122B (zh) | 多匝道调节方法及其系统 | |
| CN103366582B (zh) | 信号控制交叉口的交通安全评价方法 | |
| CN105810013A (zh) | 一种基于车群风险的车辆防撞控制方法和装置 | |
| CN108804810A (zh) | 基于社会力的交叉口横跨式施工区交通流模型建立方法 | |
| CN107240252A (zh) | 一种交叉口的主动式车辆调度方法 | |
| CN105930614A (zh) | 一种针对可变限速控制的元胞传输模型参数标定与验证方法 | |
| CN110012069A (zh) | 一种车辆数据处理装置、方法及车辆监控平台 | |
| CN114254567A (zh) | 一种基于Muti-Agent与强化学习的机场融合仿真方法 | |
| CN113919157B (zh) | 考虑不同制式自动驾驶车辆的高速公路通行能力计算方法 | |
| CN115565149A (zh) | 用于对象检测的方法、运载工具和存储介质 | |
| Hao et al. | Connected Eco-approach and Departure System for Diesel Trucks | |
| CN114132341A (zh) | 一种车联网环境下自动驾驶车辆上匝道轨迹规划模型 | |
| CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
| CN115909768A (zh) | 一种智能网联混合交通流交叉口信号协同优化方法及系统 | |
| Suriyarachchi et al. | Gameopt: Optimal real-time multi-agent planning and control for dynamic intersections | |
| Guan et al. | Markov chain-based traffic analysis on platooning effect among mixed semi-and fully-autonomous vehicles in a freeway lane | |
| Yang et al. | Cooperative driving model for non-signalized intersections based on reduplicate dynamic game |
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 |