CN115662121A - 混行信控交叉口以排队方式估算通行能力上下限的方法 - Google Patents
混行信控交叉口以排队方式估算通行能力上下限的方法 Download PDFInfo
- Publication number
- CN115662121A CN115662121A CN202211280142.9A CN202211280142A CN115662121A CN 115662121 A CN115662121 A CN 115662121A CN 202211280142 A CN202211280142 A CN 202211280142A CN 115662121 A CN115662121 A CN 115662121A
- Authority
- CN
- China
- Prior art keywords
- traffic
- vehicle
- intersection
- mixed
- traffic capacity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 25
- 230000015556 catabolic process Effects 0.000 claims description 23
- 238000006731 degradation reaction Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000035699 permeability Effects 0.000 description 20
- 241000725585 Chicken anemia virus Species 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000000087 stabilizing effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011172 small scale experimental method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种混行信控交叉口以排队方式估算通行能力上下限的方法，包括以下步骤：S1基于微观仿真平台，选取表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关参数；S2获取参数敏感性分析实验表，按试验编号开展智能车辆车流仿真试验，获取网联自动驾驶车辆参数敏感程度排序并设置最敏感参数试验步长与范围；S3获取信号控制交叉口的信号控制信息、道路信息、车辆参数、单信号周期内通行车队规模、车辆类型以及其交叉口行驶模型；S4运行微观仿真平台，输出仿真结果并将其换算为通行能力；S5基于所述仿真结果进行交叉口道路的通行能力上下限估计。本发明解决混行交叉口排列顺序不确定情况下的通行能力上限与下限边界值。
Description
技术领域
本发明涉及交通仿真技术领域，具体涉及一种混行信控交叉口以排队方式估算通行能力上下限的方法。
背景技术
随着车辆智能化的发展，城市交通在未来相当长时间内将处于人工驾驶车辆与智能车辆混行的状态。不同于高速行驶，交叉口路段受到信号灯周期影响交通流呈现出周期性的启停。在交叉口前车队的聚集与消散不同的停止位置在启和停的过程中通过交叉口有不同的特点；智能车辆的加入交通，车辆性能的改变使得交叉口的流动特点发生进一步的改变。交叉口作为城市交通瓶颈，研究车辆混行对交叉口的影响，对未来交通管理和交叉口疏散有重要意义。
为了解决上述问题，现有的大部分技术是利用微观交通仿真平台构建仿真交通场景，研究各类型智能驾驶车辆的渗透率对通行能力产生的影响，但是大量的随机交通流试验只会得到一个通行能力的平均值，交叉口车辆混行中车辆排列位置和排列顺序不同，产生的结果也随之变化，因此需要研发一种仿真系统能够从微观上分析车辆在交叉口的排序队列及位置的规律，用以估计确定车辆渗透率下的交叉口的通行能力上限值与下限值，以便为未来的交通流指导提供研究的平台指导提供理论依据。
现有的大部分技术是利用微观交通仿真平台构建仿真交通场景，研究各类型智能驾驶车辆的渗透率对通行能力产生的影响，但是大量的随机交通流试验只会得到一个通行能力的平均值，如文献《混有网联车队的道路通行能力分析》以及《混有网联车队的高速公路通行能力分析》记载，针对这一现状需要一种方法进一步的去估计通行能力的极限值，用于充分调度交叉口车流，疏解和缓解出行压力。
为了弥补上述研究方面的缺陷，本发明中提出了通过队列排列方法分析通行能力的上限与下限值，用于得出混合行驶对通行能力带来的具体影响范围。
发明内容
为了克服上述现有技术的不足，本发明提供了混行信控交叉口以排队方式估算通行能力上下限的方法，用以解决混行交叉口排列顺序不确定情况下的通行能力上限与下限边界值。
本发明采用的技术方案是：本发明提供了一种混行信控交叉口以排队方式估算通行能力上下限的方法，包括以下步骤：
S1基于微观仿真平台，选取表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关参数；
S2获取参数敏感性分析实验表，按试验编号开展智能车辆车流仿真试验，获取网联自动驾驶车辆参数敏感程度排序并设置最敏感参数试验步长与范围；S3获取信号控制交叉口的信号控制信息、道路信息、车辆参数、单信号周期内通行车队规模、车辆类型以及其交叉口行驶模型；
S4基于混行排列编队算法产生混行交通流，运行微观仿真平台，输出仿真结果并将其换算为通行能力；
S5基于所述仿真结果进行交叉口道路的通行能力上下限估计。
进一步地，步骤S1中，所述表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关内容包括相关参数以及每个相关参数的跟驰模型和表现网联功能退化参数的取值范围，所述相关参数包括最大行驶车速、最大加速度、最大减速度、期望车头时距和最小安全距离。
进一步地，步骤S2中所述参数敏感性分析实验表包括以下内容：最大行驶车速、最大加速度、最大减速度、期望车头时距、最小安全距离，将每个参数单位变化引起的单车道小时流量变化，与对照组进行比较。
进一步地，步骤S4中所述输出仿真结果为车辆在每个仿真步长下输出其相应的道路信息、车道信息、车道位置变化信息、速度信息、及其本身的车辆名称；通行能力的换算方法为：
其中，T为交叉口信号周期，Tg为指定进口道的绿灯信号时长，Tm为排队车辆通过交叉口的时间，N为单信号交叉口的车队数量，C交叉口单车道小时交通流量。
进一步地，步骤S4所述基于混行排列编队算法产生混行交通流，为网联自动驾驶车辆与人工驾驶车辆数量确定情况下组成队列的全部可能情况，将其队列顺序转化为混合行驶交通流。
进一步地，组成队列的全部可能情况后进行队列特征筛选和算法优化，包括识别网联自动驾驶车辆网联功能退化仿真位置和删除相同次序的队列组合，以优化形式生成混行交通流。
进一步地，步骤S5中所述交叉口道路通行的边界值估计为通过分析仿真结果中的通行能力上限和下限的车辆排列规律，得出车队车辆按车队所处位置阶段和车与车临近关系的排列特征。
进一步地，所述位置阶段是将交叉口车队的车头时距分布化分为头车、启动阶段、稳定阶段三个部分；所述车与车临近关系为将队列形式分为分散和连续形式，所述分散为局域范围内主车跟随与其不同类型的车辆，连续为局域范围内主车跟随与其相同类型的车辆。
本发明的有益效果是：
1)本发明利用优化的全排列算法对交叉口路段的排列车队所处阶段及排队形态进行了逐一列举，以用作数据分析基础，得出全面系统的归纳结果。
2)本发明中创新性的提出了根据数据归纳结果估算交叉口通行能力上下限边界值，可根据已得出混行排列规律迅速计算，极大缩减了边界值的时间。
3)本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为根据本发明混行信控交叉口以排队方式估算通行能力上下限方法的流程图；
图2为根据本发明混行信控交叉口以排队方式估算通行能力上下限方法具体执行流程图；
图3为本发明实施例中针对混行信控交叉口每种渗透率下通行能力上下限对应的队列排列特征示意图；
图4为本发明实施例中针对每种渗透率下通行能力上下限对应的队列排列特征具体变成排列实例的示意图。
图5为本发明实施例中具体排列实例仿真后得到个方案下通行能力统计的示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明混行信控交叉口以排队方式估算通行能力上下限的方法，如图1所示，包括如下步骤：
S1基于微观仿真平台，选取表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关参数；本步骤中微观仿真平台为本领域技术人员公知技术，也可以自建仿真平台。
S2获取参数敏感性分析实验表，按试验编号开展智能车辆车流仿真试验，获取网联自动驾驶车辆参数敏感程度排序并设置最敏感参数试验步长与范围；S3获取信号控制交叉口的信号控制信息、道路信息、车辆参数、单信号周期内通行车队规模、车辆类型以及其交叉口行驶模型，所述交叉口行驶模型为公知技术；
S4基于混行排列编队算法产生混行交通流，运行步骤S1的微观仿真平台，输出仿真结果并将其换算为通行能力；
S5基于所述仿真结果进行交叉口道路的通行能力上下限估计。
下面结合具体实施例对本发明方法进行说明：
步骤S1：定义两种混行车辆的通行模型，使用IDM模型，对人工驾驶车辆参数进行标定，确定人工驾驶车辆交叉口基本参数及跟驰模型参数；网联自动驾驶车辆使用CACC跟驰模型，车辆基本参数位置选取数值与MV车辆一致。CAV基于普通ACC传感器和车辆间无线通信链路，当CAV无法与前车建立通信时CACC都会固有地退化为ACC，功能退化通常产生车头时距0.9-2.9秒范围。
步骤S1中，所述表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关内容包括相关参数以及每个相关参数的跟驰模型和表现网联功能退化参数的取值范围，所述相关参数包括最大行驶车速、最大加速度、最大减速度、期望车头时距和最小安全距离。
所述表现网联功能退化参数的取值范围为相关参数中的一个参数，其涵义为它的网联功能退化以及需要定义该参数的取值范围。
车辆参数取值及范围定义如下表：
表1车辆参数描述
步骤S2：分析网联自动驾驶车辆参数与交通性能的相关性，数值变化对性能的影响，根据影响程度对参数敏感性进行排序。
制作参数敏感性分析实验表，首先确定每个参数的初始值和取值范围，对试验组标号。初始值为对照组，参数取值应在取值范围内选取。其次按试验编号在仿真平台内仅对单一CAV车流进行仿真试验，生成数据。最后分析仿真数据，计算每组试验的车头时距平均值。
步骤S2中所述参数敏感性分析实验表包括以下内容：最大行驶车速、最大加速度、最大减速度、期望车头时距、最小安全距离，将每个参数单位变化引起的单车道小时流量变化，与对照组进行比较。
所述对照组的设置为实验表中涉及参数的初始值，为未发生单位变化的参数数值。
见表2。
表2车辆参数敏感度分析
计算各试验组数值相对于对照组的变化记录在数值变化栏，分析参数改变与其对应的平均车头时距变化趋势判断两者相关性；最后分析车辆参数单位变化量引起的平均车头时距变化率，对变化率进行排序，得到参数对平均车头时距的敏感程度排序，可知单位期望车头时距改变量与通行能力正相关且最敏感。
步骤S3：获取信号控制交叉口的信号控制信息、道路信息、车辆参数、单信号周期内通行车队规模、车辆类型以及其交叉口行驶模型。
步骤S4：步骤S4中所述输出仿真结果为车辆在每个仿真步长下输出其相应的道路信息、车道信息、车道位置变化信息、速度信息、及其本身的车辆名称；
本实施例中交叉口单车道直行信号周期平均通行车辆数为20辆，南北方向同质MV车队通行时间57.4秒,小时交通流为430辆。
交叉口混合行驶小时流量计算方法采用如下方法：
T为交叉口信号周期为193秒，Tg为指定进口道的绿灯信号时长为65秒，Tm为排队车辆通过交叉口的时间，N为单信号交叉口的车队数量，C交叉口单车道小时交通流量。
步骤S4所述基于混行排列编队算法产生混行交通流，为网联自动驾驶车辆与人工驾驶车辆数量确定情况下组成队列的全部可能情况，将其队列顺序转化为混合行驶交通流。
组成队列的全部可能情况后进行队列特征筛选和算法优化，包括识别网联自动驾驶车辆网联功能退化仿真位置和删除相同次序的队列组合，以优化形式生成混行交通流。
CACC出现通信丢包或中断情况下，功能退化后的信号稳定出现0.7-3s的延时，表3为退化后的期望车头时距数值变化的试验表。
表3CACC功能退化后ACC期望车头时距取值实验表
考虑CAV功能退化对通行的影响，使用混行车队全排列方式测试单车道的通行能力，分析不同渗透率下车辆参数变化与车队排列优劣方式，找到异质交通流交叉口通行的车队排列影响边界队列形态。
使用上文中CAV、MV车辆通行模型、交叉口几何信息和信号灯信息以及正交试验设计方案，在仿真平台中构建仿真的基础环境。利用全排列算法实现车队的自动化排列，同时为增加计算单周期车辆数目，对算法进行剪枝，去掉重复数据，降低时间和空间复杂度，为避免不同类型头车启动反应时间所带来的干扰，本文采用全部CAV为头车进行队列设计。其中利用全排列算法生成的全部可能情况这里以2台CAV与2台MV为例，去掉重复数据全部可能情况为6种。分别是：
CAV-CAV-MV-MV,CAV-MV-CAV-MV,CAV-MV-MV-CAV,MV-CAV-CAV-MV,MV-CAV-MV-CAV,MV-MV-CAV-CAV其中将生成队列按顺序转化为交通流；生成顺序中应具备能够辨识车辆类型的代号，以20台为周期，借助python将按顺序加入到单周期的交通流中。
通过对各个渗透率下全排列方案根据排列通行时间最值进行统计，将混合行驶车辆通过交叉口的车头时距分布分为头车、启动阶段、稳定阶段三个部分：①头车为车队的第一辆车，其对通行能力的影响主要体现在绿灯启亮到头车启动的相应时间。②启动阶段发生在车队的前端，该阶段受到车辆的加速度参数设置和前后车辆相对位置的影响。根据本文的参数选取启动阶段车辆属于2-6的排列位置。该阶段车辆处于刚起步通过交叉口停止线同时受到前车相对距离和相对速度的制约，高低渗透率下排列呈现不同的影响。③稳定阶段发生在启动阶段之后阶段，稳定阶段并非车头时距数值稳定而是在这个阶段跟驰车辆已经度过了车辆刚起步的加速阶段，与前车的相对速度和位置到达了一个短暂性的平衡，是一个稳定跟驰的阶段。受到排列和渗透率影响呈现出不同的形式。
根据统计结果将队列形式分为分散和连续形式：分散为局域范围内主车跟随与其不同类型的车辆，连续为局域范围内主车跟随与其相同类型的车辆，本文采用全局范围既整个车队的CAV车辆(包括功能退化车辆)连续与分散程度描述排列形式。
为避免头车差异产生影响本文全部采用CAV车辆作为头车进行排队分析并对全排列算法按需优化，得到图3规律。
图3中对渗透率、退化程度进行粗颗粒度划分，目的是满足大多数情况编队序列及小时通行量误差情况下能更具体的表达出车辆的排列规律：根据规律将10-90％渗透率划分为3份：P<＝20％，20％<P<＝70％和P>70％。将功能退化后车头时距0.9-2.9s分为:0.9<＝T<1.5s，1.5<＝T<2s和T>2s。
图3中得出基本规律：一方面车队排列形式影响主要取决于网联车辆的退化程度，退化程度低，智能车辆少时分散与连续形态队列没有形成很大差异，只有当CAV与退化大于1.5s时对分散与连续的影响比较大。另一方面车辆连续所处的位置处于车队启动或稳定阶段取决于车辆CAV车辆自身参数与退化参数的共同影响；既车队中智能车在该参数和退化参数情况下在启动阶段与稳定阶段位置产生的车头时距与该位置是MV车辆时的车头时距的数值变化总值对比。
图3中点状填充表示排列形式的规律不明显，主要原因是退化不明显情况下，队列分散与连续影响不显著；该参数情况下大多数车辆位于稳定阶段产生的数值影响大于启动阶段，但车队中智能车辆少，车辆渗透率最大通行能力、最小通行能力排列的通行时间相差不超过0.5s，进而认为该阶段的排列形式位置影响不显著。
图3中竖条状填充表示通行最大通行能力的排列方式规律，最大通行能力形式一般为稳定阶段车队连续形式和启动阶段车队连续形式，出现这种情况的多数原因是车辆前后相邻状态可避免智能车辆的退化。
图3中横条状填充为最小通行能力排列方式规律。上述方案表示的是一类的排列方案，符合划分类的规律达到的通行效果基本一致，不局限一种通行排队方案。
步骤S5：步骤S5中所述交叉口道路的通行能力上下限估计为通过分析仿真结果中的通行能力上限和下限的车辆排列规律，得出车队车辆按车队所处位置阶段和车与车临近关系的排列特征。
所述通行能力的上限为通行能力的最优情况，所述通行能力的下限位为通行能力的最劣情况。
将混合行驶车辆通过交叉口的车头时距分布分为头车、启动阶段、稳定阶段三个部分；车与车临近关系为将队列形式分为分散和连续形式：分散为局域范围内主车跟随与其不同类型的车辆，连续为局域范围内主车跟随与其相同类型的车辆。
图3中规律对各渗透率及车辆参数情况下的车队排列进行设计，其中将渗透率低于20％分为一类，最小通行排队与最大通行的排列方式为为启动阶段连续与稳定阶段连续队列类型，且由于退化参数小于1.5s时，智能车队列中参与少，车队通行交叉口的通行时间上下偏差小于0.5s，这部分没有进行排列设计，渗透率20％<P<＝70％按其排列规则分为启动阶段连续类型，稳定阶段分散型、稳定阶段连续型3种方式，渗透率P>70％分为稳定阶段连续，启动阶段连续和稳定阶段连续3种排列。
将CAV渗透率10％-90％仿真排列按照队列中A、B两组试验进行仿真，A、B分别表示当前参数下的代表大多数编队的最大通行排列方式和最小通行排列方式，如图4，图4中横排编号表示车辆的车队的排列位置，交叉填充表示CAV车辆，白色表示MV车辆，横条状填充表示因为通行中断的网联退化车辆。
该方案可以基本解决交叉口20台以内的智能车辆与人工车辆混合行驶时，渗透率、车辆参数和编队影响对通行能力影响边界划分，给混行交叉口通行编队以及局域车辆调度提供指导。
试验共计2000组。使用Python语言自动完成期望车头时距、渗透率参数的分配和需求车队排列形式的排列，自动化启动系统进行试验并输出试验结果，经计算如图5，有排列规律编排的混行交通流通行结果反应了规律总结的合理性。
目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的小规模实验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已经着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。
以上所述实施方式为本发明的优选实施例，而非本发明可行实施的穷举。对于本领域的技术人员而言，在不脱离本发明的精神和实质的情况下，做出的各种改进，都应当被认为包含在本发明的保护范围内。
Claims (8)
1.一种混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，包括以下步骤：S1基于微观仿真平台，选取表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关参数；
S2获取参数敏感性分析实验表，按试验编号开展智能车辆车流仿真试验，获取网联自动驾驶车辆参数敏感程度排序并设置最敏感参数试验步长与范围；
S3获取信号控制交叉口的信号控制信息、道路信息、车辆参数、单信号周期内通行车队规模、车辆类型以及其交叉口行驶模型；
S4基于混行排列编队算法产生混行交通流，运行微观仿真平台，输出仿真结果并将其换算为通行能力；
S5基于所述仿真结果进行交叉口道路的通行能力上下限估计。
2.根据权利要求1所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，步骤S1中，所述表现人工驾驶车辆与网联自动驾驶车辆的通行模型特征的相关内容包括相关参数以及每个相关参数的跟驰模型和表现网联功能退化参数的取值范围，所述相关参数包括最大行驶车速、最大加速度、最大减速度、期望车头时距和最小安全距离。
3.根据权利要求1所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，步骤S2中所述参数敏感性分析实验表包括以下内容：最大行驶车速、最大加速度、最大减速度、期望车头时距、最小安全距离，将每个参数单位变化引起的单车道小时流量变化，与对照组进行比较。
4.根据权利要求1所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，步骤S4中所述输出仿真结果为车辆在每个仿真步长下输出其相应的道路信息、车道信息、车道位置变化信息、速度信息、及其本身的车辆名称；通行能力的换算方法为：
其中，T为交叉口信号周期，Tg为指定进口道的绿灯信号时长，Tm为排队车辆通过交叉口的时间，N为单信号交叉口的车队数量，C交叉口单车道小时交通流量。
5.根据权利要求1所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，步骤S4所述基于混行排列编队算法产生混行交通流，为网联自动驾驶车辆与人工驾驶车辆数量确定情况下组成队列的全部可能情况，将其队列顺序转化为混合行驶交通流。
6.根据权利要求5所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，组成队列的全部可能情况后进行队列特征筛选和算法优化，包括识别网联自动驾驶车辆网联功能退化仿真位置和删除相同次序的队列组合，以优化形式生成混行交通流。
7.根据权利要求1所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，步骤S5中所述交叉口道路通行的边界值估计为通过分析仿真结果中的通行能力上限和下限的车辆排列规律，得出车队车辆按车队所处位置阶段和车与车临近关系的排列特征。
8.根据权利要求7所述的混行信控交叉口以排队方式估算通行能力上下限的方法，其特征在于，所述位置阶段是将交叉口车队的车头时距分布化分为头车、启动阶段、稳定阶段三个部分；所述车与车临近关系为将队列形式分为分散和连续形式，所述分散为局域范围内主车跟随与其不同类型的车辆，连续为局域范围内主车跟随与其相同类型的车辆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211280142.9A CN115662121B (zh) | 2022-10-19 | 2022-10-19 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211280142.9A CN115662121B (zh) | 2022-10-19 | 2022-10-19 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115662121A true CN115662121A (zh) | 2023-01-31 |
| CN115662121B CN115662121B (zh) | 2024-05-10 |
Family
ID=84989438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211280142.9A Active CN115662121B (zh) | 2022-10-19 | 2022-10-19 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115662121B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
| CN112767700A (zh) * | 2020-10-28 | 2021-05-07 | 吉林大学 | 一种信号交叉口动态感应式cav专用直行进口道布设方法 |
| CN113112796A (zh) * | 2021-04-07 | 2021-07-13 | 吉林大学 | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 |
| US20210375129A1 (en) * | 2017-09-28 | 2021-12-02 | Weiping Meng | Traffic Signal Pan-String Control Method and Its System |
| CN113936461A (zh) * | 2021-10-15 | 2022-01-14 | 吉林大学 | 一种信号控制交叉口车辆混行的仿真方法和系统 |
| KR20220102395A (ko) * | 2021-01-13 | 2022-07-20 | 부경대학교 산학협력단 | 자율주행 차량 군집 운행을 위한 비신호 교차로에서의 강화학습기반 통행 개선을 위한 장치 및 방법 |
-
2022
- 2022-10-19 CN CN202211280142.9A patent/CN115662121B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
| US20210375129A1 (en) * | 2017-09-28 | 2021-12-02 | Weiping Meng | Traffic Signal Pan-String Control Method and Its System |
| CN112767700A (zh) * | 2020-10-28 | 2021-05-07 | 吉林大学 | 一种信号交叉口动态感应式cav专用直行进口道布设方法 |
| KR20220102395A (ko) * | 2021-01-13 | 2022-07-20 | 부경대학교 산학협력단 | 자율주행 차량 군집 운행을 위한 비신호 교차로에서의 강화학습기반 통행 개선을 위한 장치 및 방법 |
| CN113112796A (zh) * | 2021-04-07 | 2021-07-13 | 吉林大学 | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 |
| CN113936461A (zh) * | 2021-10-15 | 2022-01-14 | 吉林大学 | 一种信号控制交叉口车辆混行的仿真方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| XIAN-SHENG LI: "Unsupervised Driving Style Analysis Based on Driving Maneuver Intensity", 《IEEE ACCESS》, 29 April 2022 (2022-04-29) * |
| XIAO TONG CUI: "Research on Traffic Characteristics of Signal Intersections with Mixed Traffic Flow", 《IEEE》, 13 September 2020 (2020-09-13) * |
| 任园园: "高速路换道意图参数提取及意图阶段确定", 《湖南大学学报(自然科学版)》, 25 February 2021 (2021-02-25) * |
| 杨龙海, 张春, 仇晓赟, 等: "车辆跟驰模型研究进展", 《交通运输工程学报》, 31 December 2019 (2019-12-31) * |
| 梁春岩: "机非混行交叉口右转机动车通行能力研究", 《吉林建筑工程学院学报 》, 31 December 2014 (2014-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|
| CN115662121B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Development and Evaluation of a Procedure for the Calibration of Simulation Models | |
| CN114354219A (zh) | 自动驾驶车辆的测试方法及装置 | |
| CN110069888A (zh) | 一种机场场面模拟与路径优化方法 | |
| CN115662121A (zh) | 混行信控交叉口以排队方式估算通行能力上下限的方法 | |
| Wei et al. | An improved road network partition algorithm for parallel microscopic traffic simulation | |
| CN115017050A (zh) | 自动驾驶的测试场景生成系统及方法 | |
| Zhang et al. | An improved method for evaluating eco-driving behavior based-on speed-specific vehicle-specific power distributions | |
| Lu et al. | Impacts of connected and automated vehicles on freeway with increased speed limit | |
| CN113312733B (zh) | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 | |
| Jie et al. | Calibration of a micro simulation program for a Chinese city | |
| Han et al. | Optimal differential variable speed limit control in a connected and autonomous vehicle environment for freeway off-ramp bottlenecks | |
| CN117131589A (zh) | 智能网联车辆协同算法的仿真测试方法及装置 | |
| Zhang et al. | Improved driver clustering framework by considering the variability of driving behaviors across traffic operation conditions | |
| Jiang et al. | Modeling the Effect of the Platoon Size of CAVs on Mixed Traffic Flow: A Cellular Automaton Method | |
| Henning et al. | Methodology for determining critical locations in road networks based on graph theory | |
| Ghiasi | Connected autonomous vehicles: Capacity analysis, trajectory optimization, and speed harmonization | |
| Li et al. | Modeling of merging decision during execution period based on random forest | |
| CN116486612B (zh) | 基于车路云协同的混合交通队列稳定性评价方法及装置 | |
| Thamilselvam et al. | Scalable coordinated intelligent traffic light controller for heterogeneous traffic scenarios using UPPAAL STRATEGO | |
| Chai et al. | Simulation modeling of typical urban traffic congestion areas based on SUMO | |
| Verbakel et al. | Legend pattern calculation for dynamic traffic management using ILP | |
| Ramsahye et al. | Data-driven adaptive automated driving model in mixed traffic | |
| Saha | Estimation of the Capacity of a Basic Freeway and Weaving Segment Under Traditional, Autonomous, and Connected Autonomous Vehicles, Using Oversaturated Traffic Condition Data | |
| Acuto et al. | Integrating Vehicle specific Power Methodology and Microsimulation in Estimating emissions on Urban Roundabouts | |
| Rehunathan et al. | Federating of MITSIMLab and ns-2 for realistic vehicular network simulation |
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 |