CN115601958A - 一种基于连续型元胞自动机的车联网交通流建模方法 - Google Patents

一种基于连续型元胞自动机的车联网交通流建模方法 Download PDF

Info

Publication number
CN115601958A
CN115601958A CN202210867506.7A CN202210867506A CN115601958A CN 115601958 A CN115601958 A CN 115601958A CN 202210867506 A CN202210867506 A CN 202210867506A CN 115601958 A CN115601958 A CN 115601958A
Authority
CN
China
Prior art keywords
vehicle
type
intelligent
lane
vehicles
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.)
Pending
Application number
CN202210867506.7A
Other languages
English (en)
Inventor
刘贵云
刘志锋
梁忠伟
程乐峰
钟晓静
刘晓初
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202210867506.7A priority Critical patent/CN115601958A/zh
Publication of CN115601958A publication Critical patent/CN115601958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/22Platooning, i.e. convoy of communicating vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于连续型元胞自动机的车联网交通流建模方法,包括如下步骤:S1、对连续型元胞自动机的参数进行设置;S2、改进型智能车的前进模型;S3、改进型智能车的变道模型。本发明通过使用连续型元胞自动机中可以给每个元胞添加参数这个特点,建立一种新的车辆跟驰以及变道模型,构建的新元胞自动机智能车队模型能够更好地应对混行车辆的智能车队组合问题,能够在有智能车专属车道与无智能车专属车道两种不同的道路环境中正常组成智能车车队。

Description

一种基于连续型元胞自动机的车联网交通流建模方法
技术领域
本发明属于智能交通系统技术领域,尤其涉及一种基于连续型元胞自动机的车联网交通流建模方法。
背景技术
目前,交通流仿真领域大多会使用离散型元胞自动机进行仿真,而为了保证仿真结果与现实情况尽量贴合,都会采用细化元胞的方法处理即将道路分为更多的元胞,导致的结果就是运算量数据量的激增。此外,随着车联网、自动驾驶车等智能车的出现,交通流仿真出现的新的要求,而现有许多设计采用的方案是智能车智能行驶在特定的车道或是单车道条件下进行,与实际情况有所不同。
发明内容
有鉴于现有技术智能车智能行驶在特定的车道或是单车道条件下进行与实际情况有所不同的缺陷,本发明提供一种基于连续型元胞自动机的车联网交通流建模方法,以解决上述问题。
本发明提供如下的技术方案:
一种基于连续型元胞自动机的车联网交通流建模方法,包括如下步骤:
S1、对连续型元胞自动机的参数进行设置;
S2、构建改进型智能车的前进模型;
S3、构建改进型智能车的变道模型。
进一步地,所述连续型元胞自动机为空间连续时间离散的一种新型元胞自动机,能够给每个元胞添加多个参数。
进一步地,所述参数包括车辆速度、车辆位置、车辆类型和进入车道时间。
进一步地,所述连续型元胞自动机的构建是将车辆元胞化,车与车之间的距离能够用一个精确到小数点的浮点数表示。
进一步地,所述S2的具体步骤为:
S21、在Gipps安全距离准则下建立模型;
S22、加入智能车队的代码;
S33、通过判断当前智能车是否能够与前车组成车队,确定当前车辆的类型,根据不同的类型按照规则进行前进。
进一步地,所述规则具体为:
Step1加速规则:每一辆汽车期望最高的行驶速度vmax
Step2减速规则:每一辆汽车会为了避免与前车产生碰撞而减速;
Step3随机慢化规则:在人工驾驶车辆行驶过程中,司机因为道路上的意外情况而减速,这种概率设置为p;
Step4位置更新规则:在下一步时更新元胞的位置。
进一步地,所述Gipps安全距离准则为假如前方的汽车遇到紧急情况而需要制动,前车会最大程度地使汽车停下,后车遇见这种情况,首先是先有一段反应时间,经过这段反应时间,当前的车也会采用最大程度的刹车来避免与前车碰撞,通过这样的计算能够计算出跟车的最小跟车距离,及安全距离。
进一步地,所述S3具体为:先获取每一辆智能车的类型信息,通过不同的类型进行不同的变道。
进一步地,所述智能车的类型包括:type=0、type=1和type=n。
进一步地,当所述智能车的类型type=0时,所述类型type=0的智能车按照人工驾驶车辆的特征寻找最优的车道进行变道,驾驶条件最好的车道;
当所述智能车的类型type=1,所述类型type=1的智能车寻找附近车道是否存在类型type=1的智能车或所述类型type=n的智能车,若是,进行变道,变道后type类型会根据前车类型type变化,若否,则按照所述type=0的智能车一样在无法满足最大行驶条件下进行变道;
当所述智能车的类型type=n,当前类型type=n的智能车会判断前车是否为当前车的类型type的变化减1,若是,智能车不进行变道处理,若否,智能车的类型变为type=1,再进行类型type=1的智能车的操作。
本发明的有益技术效果至少在于以下:
(1)本发明通过使用连续型元胞自动机中可以给每个元胞添加参数这个特点,建立一种新的车辆跟驰以及变道模型,构建的新元胞自动机智能车队模型能够更好地应对混行车辆的智能车队组合问题,能够在有智能车专属车道与无智能车专属车道两种不同的道路环境中正常组成智能车车队;
(2)新建立的智能车模型能够在多车道的条件下在任意车道进行组队,没有特定车道限制;
(3)本发明建立的车队模型能够保证车队的完整性,出现意外情况,有非车队车辆插入,能够自动转换重新组合。
(4)空间上是连续的,避免了离散元胞自动机存在的精度问题,使用浮点数表示位置与速度信息,提高仿真精度;
(5)相比其他使用传统元胞自动机的模型更简单明了地展示车队情况以及每辆车的位置、速度等参数;
(6)在交通预测问题上,能够结合实际的车流情况输入对应类型的参数代表车辆进行更为准确的仿真。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明实施例基于连续型元胞自动机的车联网交通流建模方法流程图的示意图;
图2是本发明实施例离散型元胞自动机示意图;
图3是本发明实施例安全距离示意图方法示意图;
图4是本发明实施例改进前进模型流程图示意图。
图5是本发明实施例组成车队示意图。
图6是本发明实施例智能网联车换道流程图示意图。
图7是本发明实施例混合交通路变道模型示意图。
图8是本发明实施例驾驶条件最好的通道示意图。
图9是本发明实施例单车道仿真速度密度示意图。
图10是本发明实施例单车道仿真流量密度示意图。
图11是本发明实施例多车道下流量密度示意图。
图12是本发明实施例多车道下速度密度示意图。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
参见附图1-12,本发明实施例的提供基于连续型元胞自动机的车联网交通流建模方法,包括如下:
S1、对连续型元胞自动机的参数进行设置;
目前关于交通流模型的建立大多通过空间离散的元胞自动机来实现的,连续型元胞自动机通过将汽车作为元胞而达成空间上的连续,所以,连续型元胞自动机是空间连续时间离散的一种新型元胞自动机。连续性元胞自动机存在空间离散的元胞自动机许多没有的特点,正如道路连续,以及可以给每一个元胞添加更多的参数,如表1所示:
表1元胞参数的设置
车辆速度v 车辆位置p 车辆类型type 进入车道时间t
改进后每个元胞都具有四个参数,通过参数的设置,可作为不同类型的车辆。
不再仅仅局限于只有速度信息。连续性元胞自动机的构建是将车辆元胞化,而不是将道路元胞化,车辆元胞化后,车与车之前的距离不再用元胞数量来表示,而是一个可以精确到小数点的浮点数,从而能够更加精确地对车辆道路信息的描述。连续性元胞自动机也给与每一个元胞更多的改变空间,更加方面地设置参数确定其的车辆特征,更加精确地描述其特点。具体如图2所示。离散型元胞自动机的道路被分为若干块作为元胞,而连续性元胞自动机的每一个元胞为一个汽车。相比之下,离散元胞自动机的数据量要大得多。
S2、改进型智能车的前进模型;
连续型元胞自动机与空间离散的元胞自动机在前进模型是有一致性的,本发明基于Gipps安全距离准则设计,在这个安全准则下建立模型。并且加入智能车队的规则,通过判断当前智能车是否能够与前车组成车队,确定当前车辆的“type”,进而根据不同的类型按照不同的规则进行前进。
安全距离的概念是假如前方的汽车遇到紧急情况而需要制动,前车会最大程度地使汽车停下,而后车遇见这种情况,首先是现有一段反应时间τ,经过这段反应时间,当前的车也会采用最大程度的刹车来避免与前车碰撞,而通过这样的计算能够计算出我们跟车的最小跟车距离,及安全距离。如图3所示。
有了这个安全距离,我们的驾驶员通过判断跟车距离是否大于或小于安全距离来决定是否进行加速或则减速,如果大于安全距离并且没有达到预期的速度,则加速前进,如果计算出安全距离大于当前跟车距离,则会进行减速。安全距离的计算根据前后辆车的位置与速度动态变化,与此同时,跟车的安全速度亦可以由Gipps安全距离原理来确定。
根据Gipps原理得到安全距离gapsafe,n可以得到如下式所示:
Figure BDA0003760003640000051
另外,根据Gipps安全距离原理,也可以得到另外一种安全速度vsafe,n,如下式所示:
Figure BDA0003760003640000052
其中:
gapsafe,n:表示第n辆车需要与前车保持的安全距离,xn(t):表示第n辆车在第t 时刻时的位置,xn-1(t):表示第n-1辆车在t时刻时的位置,ln-1:表示第n-1辆车的车长,vn(t):表示第n辆车在t时刻的速度,vn-1(t):表示第n-1辆车在t时刻的速度,bn:表示n车的制动能力,及最大减速度,τn:表示n车的反应时间,vsafe,n(t):表示n车在t时刻的安全速度。
具体规则如下:
Step1加速规则:设置每一辆汽车期望最高的行驶速度v_max
当type=1时
vn(t+1)=min(vsd,vn(t)+acc*dt,vsaft,xn-1-xn);
当type>1时
vn(t+1)=min(vmax,vn(t)+acc*dt,vsafe,xn-1-xn);
当type=0时
vn(t+1)=min(vmax,vn(t)+acc*dt,vsafe,xn-1-xn);
Step2减速规则:每一辆车会为了避免与前车产生碰撞而减速
vn(t+1)=max(0,min(vn(t),gapn(t),vsafe);
Step3随机慢化:在人工驾驶车辆行驶过程中,司机可能会因为道路上的意外情况而减速,这个概率设置为p,p的取值范围为(0,1);
vn(t+1)=max(vn(t)-acc*dt,0);
Step4位置更新:在下一步时更新元胞的位置。
xn(t+1)=xn(t)+vn(t)*dt;
其中,t:表示第t个时刻,vsd:表示自动驾驶车辆的最高速度,acc:表示汽车的加速度,dt:表示时间步长,gapsafe,n:表示第n辆车需要与前车保持的安全距离,xn(t):表示第n辆车在第t时刻时的位置,xn-1(t):表示第n-1辆车在t时刻时的位置,ln-1:表示第n-1辆车的车长,vn(t):表示第n辆车在t时刻的速度,vn-1(t):表示第n-1 辆车在t时刻的速度,bn:表示n车的制动能力,及最大减速度,τn:表示n车的反应时间,vsafe,n(t):表示n车在t时刻的安全速度。
具体的改进型智能车的前进模型流程如图4所示。
如图5所示,计算安全距离,计算每一辆车与前车的间距,计算是否在安全距离之内或之外,用smax表示,安全距离之外即smax>0时,为了最寻最大的行驶效率而加速,不同类型的最大行驶速度,为了组成随航车,头车速度不能够太高,随航车为了跟进必须加速,所以两者的最大速度不同,type=1类型车作为领航车的最大距离为vsd, 随航车按照其是第几辆车来排序,typen表示这辆车是车队内的第n辆车,而type=n 的车辆为了有加速赶上type=1头车的空间而有最大速度vmax,其中vmax>vsd;安全距离之内即smax<0时为了保证出现意外情况两辆车不会发生碰撞而减速,减速。通过判断类型是否为人工驾驶车辆,作为type0车,type0车由于是人工驾驶车辆,在行驶过程中可能会存在概率p的随机慢化。最后是位置更新,连续型元胞自动机的位置更新是更新其中的参数。
S3、改进型智能车的变道模型。
为了达成组成车队的目的,通过连续型元胞自动机能够设置参数的特点,将考虑附近车道是否有可以组成车队的智能网联车的存在,优先变道向有智能车的车道,能够达到动态地、自由地组成车队,突破了智能车专属车道的界限,是一种更为合理的、可靠的模型。
具体规则如图6,先获取每一辆车的type类型信息,通过不同的类型进行不同的变道。
如图7所示,所示当当前车辆类型为type=0时,按照人工驾驶车辆的特征寻找最优的车道进行变道,驾驶条件最好的车道,即当前车限制阻挡当前车辆进行加速到最大速度时,当前车辆选择变道。
第二种情况,当前车辆的类型是type=1类型的智能车,则该车会寻找附近车道是否存在智能车,即类型大于0小于n(车队上限)的车辆,,如果存在这样的条件,则进行变道,变道后type类型会根据前车类型进行改变,具体为前车的type类型加一,如果没有,则按照type类型为0的车一样,在无法满足最大行驶条件下进行变道。
第三种情况是,当前类型的车是type=n类型车,即当前类型是车队内的随航车,此时当前车会判断前车是否为当前车的类型数减一,如果是,不进行变道操作,如果不是,则车辆的类型变为type=1,再进行type=1的操作,这样可以避免智能随航车中间被插队的情况,也可以动态地调节车队类型,保证车队的完整性。为了防止出现很多智能车都往同一条车道变道,但是变道之后的目标车道行驶状况不好的情况,只有在目标车道行驶条件好,当前智能车才会加入该车队。
当前车辆为n,n为人工驾驶车辆,在邻道有充足的安全空间的条件下(即 dn,back>gapsafe,n)时,当前车辆距离前车的距离与邻道前车距离作为判断最优车道的依据。
如图8所示,dn(t)<dn,other(t),则领道为驾驶条件好的通道。
若当前车辆n为typen=1智能车,小车将确认当前车道的前车n-1以及邻道前车m的车辆类型,
1、若当前车道前车n-1的车辆类型0<typen-1<n,不变道;
2、若当前车道前车n-1的type=0,相邻车道前车车辆类型0<typem<n且符合安全条件(d_n,back(t)>gapsafe,n),变道与领道前车m组成车队,变道后车辆类型 typen=typem+1;(typem:邻道前车类型)
3、若当前车道前车n-1与相邻车道前车m车辆类型皆为0,智能车将当前车辆距离前车的距离dn(t)与邻道前车距离dn,other(t)作为判断依据,寻找距离前车距离最大的车道作为最优车道进行变道。
采用以下的实施例验证上述实施方式的有益效果:
仿真条件:
单车道环境仿真模拟:在模型的仿真环境设置中,单车道的长度设置为L=1000m,车辆元胞设置长度为5m,时间步长为1s。初始状态下,每一辆车的速度为22m/s到 33m/s随机分布。车道的流量边界条件采用周期边界,即每一辆车到达车道的末尾会从车道开头出现每次仿真运行100步长。车辆的生成使用固定数量的车进行投放,数量为N,平均地分布在道路上。道路流量的密度使用每千米的车辆数来表示ρ=N/L,道路的流量使用一定时间步长内到达道路末端的数量out表示。
元胞参数的设置,这里将每个车辆元胞设置了三个主要参数,分别是速度v,位置s,以及车辆类型type。通过查证道路车辆的数据,仿真详细设置的参数为:随机慢化概率设置为p=0.3,智能车队最大速度为vsd=27.8m/s,汽车的加速度同意设定为 2.3m/s2,刹车时的减速度为-3.6m/s2。
具体表格如表2所示。
表2不同类型车辆参数:
Figure BDA0003760003640000081
为了合理地描述不同比例的智能车联网的交通流特征,本节对于不同的智能车混行比例进行多次模拟仿真。得到的流量密度图,横坐标为密度(veh/km),纵坐标为流量(veh),其中P代表智能车的混行比例。
速度密度图分析,如图9所示,速度密度图受智能网联车占比的影响显著。图中表明车辆的平均速度随着交通密度的降低而增加。此外,在相同的交通密度下,随着智能网联车的增加,车辆的平均速度将显著提高。当智能车占比从60%(81,7.7)增加到80%(81,10.8)--10.5时,在密度为80的道路对比时通行能力对比仅有人工驾驶车辆(81,5.85)提升了的1.33倍增加到1.95倍。这意味着道路通行能力随着智能网练车辆的增加而增加。当智能网联车占比为100%时,交通流随交通密度线性增加,平均速度接近最大速度。在交通密度达到饱和之前,车辆可以自由通行。这是因为智能网联车不会随机减速,会不断调整速度以形成一个排。未组成排的车辆将继续加速并赶上前一排,直到加入该排或达到最大速度。最后,在稳定所有车辆后,将以最大速度形成一个或多个车辆排。当所有车辆均为智能网练时,道路通行能力仅受临界交通密度的影响。因此,增加智能网联车的占比有利于提高道路通行能力。
多车道仿真:此处的仿真将采用对比不同程度车联网以及不同规模车队,对比其流量密度图以及速度密度图来分析,探究车队对于交通堵塞缓解的程度,寻求可能的效果最好的车队规模。在这一小节,本文将探讨在多车道条件下智能车队的有无对于多车道堵塞情况的缓解程度,下一小节将探讨同一智能车占比时,是否存在最佳的车队规模使得交通堵塞有最好的缓解,将通过对比不同的车队规模的流量密度,速度密度图来进行总结。
流量密度图如图10所示。在密度较低的情况下,车的流量会随着密度的增加而增加,而到密度较高的时候,每公里150辆车,之后密度增加不再会提高车流量,超过一定程度密度,流量反而会下降。增加一定比例的智能车混行后,相同密度下车流量有不同程度地提高,对比混行比例为0的车流,混行比例为20%的车流中,流量由936 提升到了1040,车流通行水平提高了11%,而将混行比例提高到40%以及80%时,流量提升到了1188和1910,相比于混行比例为0的车流,分别提高了27%和104%,交通堵塞缓解有质地提升。
如图11所示,这里使用5辆车为车队上限的车队规模进行仿真,分别使用不同程度的速度。在多车道条件下,随着智能车比例的增加,在相同密度条件下,车流的平均速度也在逐步提高,智能车比例从0逐步提高到80%,分别增加了约8%(20%)、21%(40%)、54%(60%)、80%(80%)(括号内表示智能车比例)。而且,随着智能车比例的提高,车流密度的增加对于车流平均速度的波动逐渐减小,可以直观地从图片中看出,曲线的斜率在减小,当智能车比例为100%时,无论在何总比例下车流的平均速度几乎不变,保持在一个较为理想的行驶速度中。
如图12所示,在不同车队规模下的在进行车队规模分析时,采用100%智能车,分别采用车队规模由小到大进行比较,车道长度1000m。在车队规模为1时,即不组成车队时,当密度增加到96时车速开始出现下降趋势并逐渐下降,原因是未组成车队的智能网联车辆车与车之间没有实时通讯,存在一定的信息延迟,此外车队内的智能网联车能够保持一个较为紧密的跟车距离,车队规模给道路节省出一定量的空间,使得车流密度增大的同时增大平均车速以及车流量。由图可知,当车队规模增加的同时,保持平均速度不下降的同时,密度也在增加,当车队规模增加到5时密度由原来的提高到136,而车队规模由5提高到15时,并没有很明显的提升,说明,在车道上的车全为智能网联车辆时,增加车队规模可以提高道路通行能力。但是,在一定密度范围内,最大排数具有最佳值,如上,在1km双车道的道路上,最佳的车队规模为4。
综上所述,本发明通过使用连续型元胞自动机中可以给每个元胞添加参数这个特点,建立一种新的车辆跟驰以及变道模型,构建的新元胞自动机智能车队模型能够更好地应对混行车辆的智能车队组合问题,能够在有智能车专属车道与无智能车专属车道两种不同的道路环境中正常组成智能车车队。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于连续型元胞自动机的车联网交通流建模方法,其特征在于,包括如下步骤:
S1、对连续型元胞自动机的参数进行设置;
S2、构建改进型智能车的前进模型;
S3、构建改进型智能车的变道模型。
2.根据权利要求1所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述连续型元胞自动机为空间连续时间离散的一种新型元胞自动机,能够给每个元胞添加多个参数。
3.根据权利要求2所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述参数包括车辆速度、车辆位置、车辆类型和进入车道时间。
4.根据权利要求1所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述连续型元胞自动机的构建是将车辆元胞化,车与车之间的距离能够用一个精确到小数点的浮点数表示。
5.根据权利要求3所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述S2的具体步骤为:
S21、在Gipps安全距离准则下建立模型;
S22、加入智能车队的代码;
S33、通过判断当前智能车是否能够与前车组成车队,确定当前车辆的类型,根据不同的类型按照规则进行前进。
6.根据权利要求5所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述规则具体为:
Step1加速规则:每一辆汽车期望最高的行驶速度vmax
Step2减速规则:每一辆汽车会为了避免与前车产生碰撞而减速;
Step3随机慢化规则:在人工驾驶车辆行驶过程中,司机因为道路上的意外情况而减速,这种概率设置为p;
Step4位置更新规则:在下一步时更新元胞的位置。
7.根据权利要求5所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述Gipps安全距离准则为假如前方的汽车遇到紧急情况而需要制动,前车会最大程度地使汽车停下,后车遇见这种情况,首先是先有一段反应时间,经过这段反应时间,当前的车也会采用最大程度的刹车来避免与前车碰撞,通过这样的计算能够计算出跟车的最小跟车距离,及安全距离。
8.根据权利要求1所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述S3具体为:先获取每一辆智能车的类型信息,通过不同的类型进行不同的变道。
9.根据权利要求8所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,所述智能车的类型包括:type=0、type=1和type=n。
10.根据权利要求9所述的基于连续型元胞自动机的车联网交通流建模方法,其特征在于,当所述智能车的类型type=0时,所述类型type=0的智能车按照人工驾驶车辆的特征寻找最优的车道进行变道,驾驶条件最好的车道;
当所述智能车的类型type=1,所述类型type=1的智能车寻找附近车道是否存在类型type=1的智能车或所述类型type=n的智能车,若是,进行变道,变道后type类型会根据前车类型type变化,若否,则按照所述type=0的智能车一样在无法满足最大行驶条件下进行变道;
当所述智能车的类型type=n,当前类型type=n的智能车会判断前车是否为当前车的类型type的变化减1,若是,智能车不进行变道处理,若否,智能车的类型变为type=1,再进行类型type=1的智能车的操作。
CN202210867506.7A 2022-07-22 2022-07-22 一种基于连续型元胞自动机的车联网交通流建模方法 Pending CN115601958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210867506.7A CN115601958A (zh) 2022-07-22 2022-07-22 一种基于连续型元胞自动机的车联网交通流建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210867506.7A CN115601958A (zh) 2022-07-22 2022-07-22 一种基于连续型元胞自动机的车联网交通流建模方法

Publications (1)

Publication Number Publication Date
CN115601958A true CN115601958A (zh) 2023-01-13

Family

ID=84842645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210867506.7A Pending CN115601958A (zh) 2022-07-22 2022-07-22 一种基于连续型元胞自动机的车联网交通流建模方法

Country Status (1)

Country Link
CN (1) CN115601958A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884225A (zh) * 2023-09-05 2023-10-13 天津大学 评估自动驾驶车辆比例对交通效率影响的方法及装置
CN117408086A (zh) * 2023-12-14 2024-01-16 中汽信息科技(天津)有限公司 一种基于驾驶员响应时间的混合交通流仿真方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884225A (zh) * 2023-09-05 2023-10-13 天津大学 评估自动驾驶车辆比例对交通效率影响的方法及装置
CN116884225B (zh) * 2023-09-05 2023-12-26 天津大学 评估自动驾驶车辆比例对交通效率影响的方法及装置
CN117408086A (zh) * 2023-12-14 2024-01-16 中汽信息科技(天津)有限公司 一种基于驾驶员响应时间的混合交通流仿真方法
CN117408086B (zh) * 2023-12-14 2024-03-15 中汽信息科技(天津)有限公司 一种基于驾驶员响应时间的混合交通流仿真方法

Similar Documents

Publication Publication Date Title
CN113781806B (zh) 一种用于智能网联环境下的混合交通流通行方法
CN115601958A (zh) 一种基于连续型元胞自动机的车联网交通流建模方法
CN102433811B (zh) 港区道路交叉口最小间距确定方法
CN107945536B (zh) 一种基于屏信号系统的brt专用道的车辆借还道实现方法
EP2276012B1 (en) Method for transmission power control in vehicle-to-vehicle communication
CN112396834B (zh) 基于元胞自动机模型的雾天高速公路协调控制方法
CN114973733B (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN114067559A (zh) 一种自动车专用道并入普通车道的合流优化控制方法
CN110472271A (zh) 一种微观交通仿真的非机动车道混合交通流模型构建方法
CN109543255B (zh) 一种双车道环形交叉口元胞自动机模型的构建方法
CN113920762A (zh) 一种基于智能网联环境下应急车辆优先通行的控制方法
CN114582122A (zh) 一种多车道高速公路分流影响区通行能力分析方法
CN114842644A (zh) 一种混合交通流交织区通行能力计算方法
CN111932910A (zh) 一种智能车路协同环境下实时动态可变车道安全控制方法
CN114355896A (zh) 一种智能网联队列内车辆换道安全间距确定方法
CN115565390A (zh) 智能网联汽车多车道队列通行控制方法、系统及计算机可读存储介质
CN112991726B (zh) 一种城市快速路交织区道路标线设置方法
CN112373482B (zh) 一种基于驾驶模拟器的驾驶习惯建模方法
CN113409567B (zh) 一种公交与自动驾驶车辆混行车道的交通评估方法和系统
CN114201847B (zh) 一种混合交通流下多车轨迹控制的简化方法
CN109131349B (zh) 一种用于抑制道路交通幽灵堵塞的方法
CN115223347A (zh) 一种车辆闯红灯预警及车速控制方法
KR100405202B1 (ko) 이진셀을 이용한 미시적 교통류 분석 방법
Alanazi et al. Improving the performance of unsignalized t-intersections within CAVs mixed traffic
Kato et al. Group Formation for Cooperative Highway Merging Considering Undetected Vehicles in Mixed Traffic

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