CN116030632A

CN116030632A - 一种面向混合交通流的性能指标计算方法及系统

Info

Publication number: CN116030632A
Application number: CN202310092887.0A
Authority: CN
Inventors: 郑芳芳; 陆良; 刘晓波; 唐优华; 李越; 刘婧; 侯康宁; 白霖涵; 邹颜刚
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2023-02-10
Filing date: 2023-02-10
Publication date: 2023-04-28
Anticipated expiration: 2043-02-10
Also published as: CN116030632B

Abstract

本发明提供了一种面向混合交通流的性能指标计算方法及系统，涉及交通流评价技术领域，包括获取历史车辆轨迹数据，利用所述历史车辆轨迹数据拟合分布函数；实时获取混合交通流中的初始条件和边界条件；基于所述分布函数和预设的跟驰模型构建混合交通流随机模型；将所述初始条件和边界条件代入所述混合交通流随机模型中仿真模拟，得到所有车辆在预设时段的轨迹信息；根据所有车辆在预设时段的轨迹信息得到混合交通流中的所有车辆的位置组合，基于所有的位置组合计算得到所述混合交通流的性能指标，本发明基于人类驾驶行为的不确定性和CAVs的退化现象构建模型，能够对混合交通流性能指标的进行准确计算。

Description

一种面向混合交通流的性能指标计算方法及系统

技术领域

本发明涉及交通流评价技术领域，具体而言，涉及一种面向混合交通流的性能指标计算方法及系统。

背景技术

随着通信技术、传感和控制技术的发展，网联自动驾驶车辆（CAVs）在提高交通效率、稳定性和安全性方面具有巨大潜力。但是由于CAVs的普及需要一个漫长的过程，CAVs将与人工驾驶车辆（HVs）共存形成复杂的混合交通环境。在这样的混合交通环境下，如何准确地建模HVs和CAVs之间的相互作用以及计算混合交通流的性能指标，对混合交通流的高效可靠估计、控制和优化至关重要。现有的方法忽略了网联自动驾驶车辆行为的异质性和退化现象、人工驾驶车辆行为的随机性和异质性，导致对混合交通流性能指标的计算不准确。

发明内容

本发明的目的在于提供一种面向混合交通流的性能指标计算方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种面向混合交通流的性能指标计算方法，包括：

获取历史车辆轨迹数据，利用所述历史车辆轨迹数据拟合分布函数；

实时获取混合交通流中的初始条件和边界条件，所述初始条件为混合交通流中所有车辆在初始时刻的初始行驶参数，所述边界条件为混合交通流中的目标车辆在预设时段的行驶轨迹；

基于所述分布函数和预设的跟驰模型构建混合交通流随机模型；

将所述初始条件和边界条件代入所述混合交通流随机模型中仿真模拟，得到所有车辆在预设时段的轨迹信息；

根据所有车辆在预设时段的轨迹信息得到混合交通流中的所有车辆的位置组合，基于所有的位置组合计算得到所述混合交通流的性能指标。

第二方面，本申请还提供了一种面向混合交通流的性能指标计算系统，包括：

函数拟合模块：用于获取历史车辆轨迹数据，利用所述历史车辆轨迹数据拟合分布函数；

获取模块：用于实时获取混合交通流中的初始条件和边界条件，所述初始条件为混合交通流中所有车辆在初始时刻的初始行驶参数，所述边界条件为混合交通流中的目标车辆在预设时段的行驶轨迹；

模型构建模块：用于基于所述分布函数和预设的跟驰模型构建混合交通流随机模型；

仿真模拟模块：用于将所述初始条件和边界条件代入所述混合交通流随机模型中仿真模拟，得到所有车辆在预设时段的轨迹信息；

计算模块：用于根据所有车辆在预设时段的轨迹信息得到混合交通流中的所有车辆的位置组合，基于所有的位置组合计算得到所述混合交通流的性能指标。

第三方面，本申请还提供了一种面向混合交通流的性能指标计算设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述面向混合交通流的性能指标计算方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于面向混合交通流的性能指标计算方法的步骤。

本发明的有益效果为：

本发明将人工驾驶车辆和网联自动驾驶车辆的随机性和异质性转化为驾驶行为参数的不确定性，用分布函数来表征各个参数的不确定性。本发明提出了一种随机混合交通流模型，考虑了人类驾驶行为的不确定性和网联自动驾驶车辆的退化现象，可以更加准确地对混合交通流的实际特征进行描述，并且能够准确地计算混合交通流在不同的网联自动驾驶车辆渗透率和网联自动驾驶车辆位置分布下的随机性、效率和稳定性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的面向混合交通流的性能指标计算方法流程示意图;

图2为本发明实施例中所述的面向混合交通流的性能指标计算系统结构示意图一；

图3为本发明实施例中所述的面向混合交通流的性能指标计算系统结构示意图二；

图4为本发明实施例中所述的面向混合交通流的性能指标计算系统结构示意图三；

图5为本发明实施例中所述的面向混合交通流的性能指标计算设备结构示意图。

图中标记：

01、函数拟合模块；02、获取模块；03、模型构建模块；031、第一构建单元；0311、第五构建单元；0312、第六构建单元；0313、第七构建单元；0314、第八构建单元；032、第二构建单元；033、第三构建单元；034、第四构建单元；04、仿真模拟模块；05、计算模块；051、第一划分单元；052、第一计算单元；053、第二计算单元；054、第三计算单元；055、第四计算单元；056、第五计算单元；057、第六计算单元；058、第二划分单元；059、第七计算单元；0510、第八计算单元；0511、第九计算单元；0512、第十计算单元；0513、第十一计算单元；0514、第十二计算单元；0515、第三划分单元；0516、获取单元；0517、第十三计算单元；0518、第十四计算单元；0519、第十五计算单元；0520、第十六计算单元；0521、第十七计算单元；0522、第十八计算单元；

800、面向混合交通流的性能指标计算设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。

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定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

本实施例提供了一种面向混合交通流的性能指标计算方法。

参见图1，图中示出了本方法包括：

S1.获取历史车辆轨迹数据，利用所述历史车辆轨迹数据拟合分布函数；

本实施例中，设拟合的分布函数为；

获取已知的分布函数；

记为，记为；

假设含有个未知参数，对于随机变量（如：自由流速度、阻塞密度、驾驶员反应时间、期望车头时距等），将其分为段互不相交的区间，分点依次记为，记区间。

当成立时：

；（1）

式中，表示随机变量落在区间的概率，令。

假设区间的长度是，在次的随机实验中，当成立且足够大时，近似于。

计算的否定域：

；（2）

式中，的否定域，表示样本与假设分布的吻合程度。

给定显著性水平，根据所述得到阈值；

判断与的大小：

若，即认为样本在显著性水平下，样本来自分布。

通过以上步骤，可得到第一分布函数，第二分布函数，第三分布函数。

基于以上实施例，本方法还包括：

S2.实时获取混合交通流中的初始条件和边界条件，所述初始条件为混合交通流中所有车辆在初始时刻的初始行驶参数，所述边界条件为混合交通流中的目标车辆在预设时段的行驶轨迹，所述初始形式参数包括车辆在初始时刻的位置、速度和车头间距；

具体的，所述混合交通流中的车辆总数为N辆，预设时段为m秒，将所述初始条件和边界条件中的数据存储在三个表中，分别为表1、表2、表3；

表1

表1中记录了目标车辆在预设时段内（0-ms）的位置信息和每个车辆在初始时刻的位置信息，且车辆的位置信息按照从大到小的顺序进行排序，表格中的其余值为空值，其数值在后续的仿真模拟实验中计算得到。

表2

表2中记录了目标车辆在预设时段内（0-ms）的速度信息和每个车辆在初始时刻的速度信息，表格中的其余值为空值，其数值在后续的仿真模拟实验中计算得到。

表3

表3中记录了目标车辆在预设时段内（0-ms）的车头间距信息和每个车辆在初始时刻的车头间距信息，表格中的其余值为空值，其数值在后续的仿真模拟实验中计算得到。

基于以上实施例，本方法还包括：

S3.基于所述分布函数和预设的跟驰模型构建混合交通流随机模型；

具体的，所述步骤S3包括：

S31.利用第一预设跟驰模型和所述分布函数构建单一交通流随机模型，其中，单一交通流随机模型为描述人工驾驶车辆的交通流随机模型；

具体的，所述步骤S31包括：

S311.构建人工驾驶车辆的车头间距模型和动态位置模型；

令交通流中有辆人驾驶车辆，按位置从远及近排列，即车辆是头车，车辆是紧随头车其后的车辆，依此类推。

构建人工驾驶车辆的车头间距模型：

；（3）

式中，表示车辆在时刻与前车之间的车头间距，表示前车的车长，表示车辆在时刻的位置，表示车辆在时刻的位置，其中t表示预设时段的任意时刻，t∈[0,T]，T表示预设时段。

构建动态位置模型：

；（4）

式中，表示前车在初始时刻的位置，表示车辆的速度，表示微元。

S312.由车头间距模型和动态位置模型得到人工驾驶车辆的动态车头间距模型，具体的，将式代（4）入式（3）中得到；

<msub><mi>s</mi><mi>n</mi></msub><mi>(t)=</mi><msub><mi>s</mi><mi>n</mi></msub><mi>(0)+</mi><mstyle displaystyle="false"><munderover><mo>∫</mo><mi>0</mi><mi>t</mi></munderover><mrow><mi>[</mi><msub><mi>v</mi><mi>n-1</mi></msub><mi>(z)-</mi><msub><mi>v</mi><mi>n</mi></msub><mi>(z)]dz</mi></mrow></mstyle>；（5）

式中，表示车辆在初始时刻与前车之间的车头间距，表示前车的速度。

S313.令第一预设跟驰模型的参数服从所述分布函数，得到第一随机模型；

本实施例中，为了刻画驾驶员的异质性，令所述第一预设跟驰模型为Newell模型，所述Newell模型用于模拟人工驾驶车辆的跟车行为，具体的，所述Newell模型为：

；（6）

式中，表示随机的速度和车头间距之间的关系，表示期望（自由流）速度，表示最小安全距离，表示当跟随前车时驾驶员反应时间的倒数，表示车辆n的车头间距。

S314.基于所述动态车头间距模型和第一随机模型得到单一交通流随机模型。

本实施例中，为了引入随机性，模型参数被设置为随机变量。定义参数向量，其中，表示期望（自由流）速度的变量，表示最小安全距离的变量，表示驾驶员反应时间的倒数的变量，服从联合分布函数。每个驾驶员（或人工驾驶车辆）n的参数由参数元组表示，参数元组从联合分布中独立抽取：。

由此得到单一交通流随机模型：

；（7）

式中，表示引入随机变量后车辆的车头间距，表示引入随机变量后车辆在初始时刻与前车之间的车头间距，表示前车的车头时距，表示微元。

将所述单一交通流随机模型进行离散型表示得：

；（8）

式中，表示时间步长。

S32.利用第二预设跟驰模型和所述分布函数构建第一跟驰模型，所述第一跟驰模型为混合交通流中网联自动驾驶车辆的跟驰模型，所述混合交通流包括人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆；

本实施例中，假设混合交通流由辆人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆组成、沿着一条单车道上行驶的、没有变道和超车行为的交通系统。退化的网联自动驾驶车辆无法与前面的人工驾驶车辆形成V2V通信，但仍然保持与紧随其后的网联自动驾驶车辆通信的能力。

具体的，所述第二预设跟驰模型采用协同自适应巡航控制(CACC)模型，所述CACC模型为：

；（9）

式中，表示网联自动驾驶车辆n的速度，表示网联自动驾驶车辆n在t时刻的车头间距与期望车头间距的间距误差；表示网联自动驾驶车辆 n的期望车头时距，表示网联自动驾驶车辆n与前车的车头时距；和均为系数，用于调整网联自动驾驶车辆 n与前车的车头时距。

本实施例中，为了考虑网联自动驾驶车辆的不确定性，期望车头时距被设置为一个随机变量。定义随机参数服从分布函数，每个网联自动驾驶车辆的期望车头时距从分布函数中独立抽取，由此可以得到第一跟驰模型为：

；（10）

式中，表示引入随机变量后的网联自动驾驶车辆n的速度。

S33.利用第三预设跟驰模型和所述分布函数构建第二跟驰模型，所述第二跟驰模型为混合交通流中退化的网联自动驾驶车辆的跟驰模型；

具体的，所述第三预设跟驰模型采用自适应巡航控制（ACC）模型，所述ACC模型为：

；（11）

式中，表示退化的网联自动驾驶车辆n的速度，表示间距误差的系数，k₂表示速度误差的系数，t_n,a表示退化的网联自动驾驶车辆 n的期望车头时距，表示为退化的网联自动驾驶车辆n的加速度，表示退化的网联自动驾驶车辆n与前车的车头间距。

本实施例中，为了引入退化的网联自动驾驶车辆的随机性，本发明定义随机参数，其分布函数为,期望车头时距从分布函数中独立抽取。由此可以得到第二跟驰模型：

；（12）

式中，表示引入随机变量后退化的网联自动驾驶车辆n的速度。

S34.基于所述单一交通流随机模型、第一跟驰模型、第二跟驰模型构建混合交通流随机模型；

；（13）

式中，i表示后车的类型，j表示前车的类型，表示后车与前车的车头间距，表示前车的速度，表示前车的加速度，表示后车的速度，表示后车的加速度；

基于以上实施例，本方法还包括以下步骤：

S4.将所述初始条件和边界条件代入所述混合交通流随机模型中仿真模拟，得到所有车辆在预设时段的轨迹信息；

具体的，将所有车辆的轨迹信息输入表1、表2和表3中，需要说明的是，由于人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆的异质性导致随机的交通动态，因此在每一次仿真过程中，车辆在第时间步长下的车辆间距和速度均不相同。

基于以上实施例，本方法还包括以下步骤：

S5.根据所有车辆在预设时段的轨迹信息得到混合交通流中的所有车辆的位置组合；

具体的，令表示仿真的总次数，表示第次仿真的索引，<mi>g</mi><mi>∈[1,G]</mi>；

令表示人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆的位置组合总数，表示第种位置组合的索引，<mi>w</mi><mi>∈[1,W]</mi>，的计算公式为：

；（14）

式中，是车辆的总数量，是网联自动驾驶车辆的数量，表示对括号内的值向下取整，代表网联自动驾驶车辆的渗透率。需要注意的是，本发明中的网联自动驾驶车辆渗透率是指退化前交通流中网联自动驾驶车辆的比例。

基于所有的位置组合计算得到所述混合交通流的性能指标；具体的，所述性能指标包括随机性指标、效率指标和稳定性指标；

具体的，所述随机性指标包括位置平均的平均振荡时间和位置平均的平均振荡幅度，位置平均的平均振荡时间的计算方法为：

1）将预设时段划分为若干个时间步长，以时间步长将所述预设时段划分为K个时间步长，k表示第k个时间步长，<mi>k</mi><mi>∈[1,K]</mi>；

2）计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度方差；

；（15）

式中，表示位置组合，表示在时间步长时车辆在位置组合的集合平均速度方差，表示在时间步长k时车辆n在位置组合的速度。

3）由所有车辆的集合平均速度方差计算得到在预设时段内每个位置组合对应的平均速度方差；

；（16）

式中，表示所有车辆在预设时段内的平均速度方差。

4）由所有位置组合的平均速度方差计算得到位置平均的平均速度方差；

；（17）

式中，表示位置平均的平均速度方差。

具体的，位置平均的平均振荡幅度的计算方法为：

1）计算每个车辆在每个时间步长下每个位置组合对应的集合平均间距方差；

；（18）

式中，表示在时间步长时车辆在位置组合的集合平均间距方差；表示在时间步长k时车辆n在位置组合的车头间距。

2）由所有车辆的集合平均间距方差计算得到在预设时段内每个位置组合对应的平均间距方差；

；（19）

式中，表示所有车辆在预设时段内的平均间距方差。

3）由所有位置组合的平均间距方差计算得到位置平均的平均间距方差；

；（20）

式中，表示位置平均的平均间距方差。

基于以上实施例，所述效率指标包括位置平均的平均速度和位置平均的平均间距；

具体的，位置平均的平均速度的计算方法为：

1）计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度；

；（21）

式中，表示在时间步长时车辆在位置组合的集合平均速度。

2）由所有车辆的集合平均速度计算得到在预设时段内每个位置组合对应的平均速度；

；（22）

式中，表示所有车辆在预设时段内的平均速度。

3）由所有位置组合对应的平均速度计算得到位置平均的平均速度；

；（23）

式中，表示位置平均的平均速度。

具体的，位置平均的平均间距的计算方法为：

1）计算每个车辆在每个时间步长下每个位置组合对应的集合平均间隙间距；

；（24）

式中，表示在时间步长时车辆在位置组合的集合平均间隙间距。

2）由所有车辆的集合平均间隙间距计算得到在预设时段内每个位置组合对应的平均间隙间距；

；（25）

式中，表示所有车辆在预设时段内的平均间隙间距。

3）由所有位置组合的平均间隙间距计算得到位置平均的平均间隙间距；

；（26）

式中，表示位置平均的平均间隙间距。

基于以上实施例，所述稳定性指标包括位置平均的平均振荡时间和位置平均的平均振荡幅度；

具体的，所述位置平均的平均振荡时间的计算方法为：

1）获取每个车辆在每个位置组合对应的振荡持续时间；

令车辆的振荡持续时间为：

；（27）

式中，表示振荡持续时间，是振荡产生的时间，而是振荡消失的时间。

2）根据所述振荡持续时间计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡时间；

；（28）

式中，表示在时间步长时车辆在位置组合的集合平均振荡时间。

3）由所有车辆的集合平均振荡时间计算得到在预设时段内每个位置组合对应的平均振荡时间；

；（29）

式中，表示所有车辆在预设时段内的平均振荡时间。

4）由所有位置组合的平均振荡时间计算得到位置平均的平均振荡时间；

；（30）

式中，表示位置平均的平均振荡时间。

具体的，所述位置平均的平均振荡幅度的计算方法为：

1）获取每个车辆在每个位置组合对应的振荡持续时间；

令车辆n的振荡幅度为：

；（31）

式中，表示振荡幅度，代表示车辆在平衡状态下的速度，此时每辆车的加速度和车辆之间的速度差均为0。

2）根据所述振荡幅度计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡幅度；

；（32）

式中，表示在时间步长时车辆在位置组合的集合平均振荡幅度。

3）由所有车辆的集合平均振荡幅度计算得到在预设时段内每个位置组合对应的平均振荡幅度；

；（33）

式中，表示所有车辆在预设时段内的平均振荡幅度。

4）由所有位置组合的平均振荡幅度计算得到位置平均的平均振荡幅度；

；（34）

式中，表示位置平均的平均振荡幅度。

实施例2

如图2-图4所示，本实施例提供了一种面向混合交通流的性能指标计算系统，所述系统包括：

函数拟合模块01：用于获取历史车辆轨迹数据，利用所述历史车辆轨迹数据拟合分布函数；

获取模块02：用于实时获取混合交通流中的初始条件和边界条件，所述初始条件为混合交通流中所有车辆在初始时刻的初始行驶参数，所述边界条件为混合交通流中的目标车辆在预设时段的行驶轨迹；

模型构建模块03：用于基于所述分布函数和预设的跟驰模型构建混合交通流随机模型；

仿真模拟模块04：用于将所述初始条件和边界条件代入所述混合交通流随机模型中仿真模拟，得到所有车辆在预设时段的轨迹信息；

计算模块05：用于根据所有车辆在预设时段的轨迹信息得到混合交通流中的所有车辆的位置组合，基于所有的位置组合计算得到所述混合交通流的性能指标。

基于以上实施例,所述模型构建模块03包括：

第一构建单元031：用于利用第一预设跟驰模型和所述分布函数构建单一交通流随机模型，其中，单一交通流随机模型为描述人工驾驶车辆的交通流随机模型；

第二构建单元032：用于利用第二预设跟驰模型和所述分布函数构建第一跟驰模型，所述第一跟驰模型为混合交通流中网联自动驾驶车辆的跟驰模型，所述混合交通流包括人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆；

第三构建单元033：用于利用第三预设跟驰模型和所述分布函数构建第二跟驰模型，所述第二跟驰模型为混合交通流中退化的网联自动驾驶车辆的跟驰模型；

第四构建单元034：用于基于所述单一交通流随机模型、第一跟驰模型、第二跟驰模型构建混合交通流随机模型。

基于以上实施例,所述第一构建单元031包括：

第五构建单元0311：用于构建人工驾驶车辆的车头间距模型和动态位置模型；

第六构建单元0312：用于由车头间距模型和动态位置模型得到人工驾驶车辆的动态车头间距模型；

第七构建单元0313：用于令第一预设跟驰模型的参数服从所述分布函数，得到第一随机模型；

第八构建单元0314：用于基于所述动态车头间距模型和第一随机模型得到单一交通流随机模型。

基于以上实施例,所述计算模块05包括：

第一划分单元051：用于将预设时段划分为若干个时间步长；

第一计算单元052：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度方差；

第二计算单元053：用于由所有车辆的集合平均速度方差计算得到在预设时段内每个位置组合对应的平均速度方差；

第三计算单元054：用于由所有位置组合的平均速度方差计算得到位置平均的平均速度方差；

第四计算单元055：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均间距方差；

第五计算单元056：用于由所有车辆的集合平均间距方差计算得到在预设时段内每个位置组合对应的平均间距方差；

第六计算单元057：用于由所有位置组合的平均间距方差计算得到位置平均的平均间距方差。

基于以上实施例,所述计算模块05还包括：

第二划分单元058：用于将预设时段划分为若干个时间步长；

第七计算单元059：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度；

第八计算单元0510：用于由所有车辆的集合平均速度计算得到在预设时段内每个位置组合对应的平均速度；

第九计算单元0511：用于由所有位置组合对应的平均速度计算得到位置平均的平均速度；

第十计算单元0512：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均间隙间距；

第十一计算单元0513：用于由所有车辆的集合平均间隙间距计算得到在预设时段内每个位置组合对应的平均间隙间距；

第十二计算单元0514：用于由所有位置组合的平均间隙间距计算得到位置平均的平均间隙间距。

基于以上实施例,所述计算模块05包括：

第三划分单元0515：用于将预设时段划分为若干个时间步长；

获取单元0516：用于获取每个车辆在每个位置组合对应的振荡持续时间和振荡幅度；

第十三计算单元0517：用于根据所述振荡持续时间计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡时间；

第十四计算单元0518：用于由所有车辆的集合平均振荡时间计算得到在预设时段内每个位置组合对应的平均振荡时间；

第十五计算单元0519：用于由所有位置组合的平均振荡时间计算得到位置平均的平均振荡时间；

第十六计算单元0520：用于根据所述振荡幅度计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡幅度；

第十七计算单元0521：用于由所有车辆的集合平均振荡幅度计算得到在预设时段内每个位置组合对应的平均振荡幅度；

第十八计算单元0522：用于由所有位置组合的平均振荡幅度计算得到位置平均的平均振荡幅度。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本实施例中还提供了一种面向混合交通流的性能指标计算设备，下文描述的一种面向混合交通流的性能指标计算设备与上文描述的一种面向混合交通流的性能指标计算方法可相互对应参照。

图5是根据示例性实施例示出的一种面向混合交通流的性能指标计算设备800的框图。如图5所示，该面向混合交通流的性能指标计算设备800可以包括：处理器801，存储器802。该面向混合交通流的性能指标计算设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该面向混合交通流的性能指标计算设备800的整体操作，以完成上述的面向混合交通流的性能指标计算方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该面向混合交通流的性能指标计算设备800的操作，这些数据例如可以包括用于在该面向混合交通流的性能指标计算设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该面向混合交通流的性能指标计算设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，面向混合交通流的性能指标计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的面向混合交通流的性能指标计算方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的面向混合交通流的性能指标计算方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由面向混合交通流的性能指标计算设备800的处理器801执行以完成上述的面向混合交通流的性能指标计算方法。

实施例4

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种面向混合交通流的性能指标计算方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的面向混合交通流的性能指标计算方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种面向混合交通流的性能指标计算方法，其特征在于，包括：

2.根据权利要求1所述的面向混合交通流的性能指标计算方法，其特征在于,所述基于所述分布函数和预设的跟驰模型构建混合交通流随机模型，包括：

利用第一预设跟驰模型和所述分布函数构建单一交通流随机模型，其中，单一交通流随机模型为描述人工驾驶车辆的交通流随机模型；

利用第二预设跟驰模型和所述分布函数构建第一跟驰模型，所述第一跟驰模型为混合交通流中网联自动驾驶车辆的跟驰模型，所述混合交通流包括人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆；

利用第三预设跟驰模型和所述分布函数构建第二跟驰模型，所述第二跟驰模型为混合交通流中退化的网联自动驾驶车辆的跟驰模型；

基于所述单一交通流随机模型、第一跟驰模型、第二跟驰模型构建混合交通流随机模型。

3.根据权利要求2所述的面向混合交通流的性能指标计算方法，其特征在于,所述利用第一预设跟驰模型和所述分布函数构建单一交通流随机模型，包括：

构建人工驾驶车辆的车头间距模型和动态位置模型；

由车头间距模型和动态位置模型得到人工驾驶车辆的动态车头间距模型；

令第一预设跟驰模型的参数服从所述分布函数，得到第一随机模型；

基于所述动态车头间距模型和第一随机模型得到单一交通流随机模型。

4.根据权利要求1所述的面向混合交通流的性能指标计算方法，其特征在于,基于所有的位置组合计算所述混合交通流的随机性指标，所述随机项指标包括位置平均的平均速度方差和位置平均的平均间距方差，包括：

将预设时段划分为若干个时间步长；

计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度方差；

由所有车辆的集合平均速度方差计算得到在预设时段内每个位置组合对应的平均速度方差；

由所有位置组合的平均速度方差计算得到位置平均的平均速度方差；

计算每个车辆在每个时间步长下每个位置组合对应的集合平均间距方差；

由所有车辆的集合平均间距方差计算得到在预设时段内每个位置组合对应的平均间距方差；

由所有位置组合的平均间距方差计算得到位置平均的平均间距方差。

5.根据权利要求1所述的面向混合交通流的性能指标计算方法，其特征在于,所述基于所有的位置组合计算得到所述混合交通流的性能指标，所述性能指标为稳定性指标，所述稳定性指标包括位置平均的平均振荡时间和位置平均的平均振荡幅度，包括：

将预设时段划分为若干个时间步长；

获取每个车辆在每个位置组合对应的振荡持续时间和振荡幅度；

根据所述振荡持续时间计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡时间；

由所有车辆的集合平均振荡时间计算得到在预设时段内每个位置组合对应的平均振荡时间；

由所有位置组合的平均振荡时间计算得到位置平均的平均振荡时间；

根据所述振荡幅度计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡幅度；

由所有车辆的集合平均振荡幅度计算得到在预设时段内每个位置组合对应的平均振荡幅度；

由所有位置组合的平均振荡幅度计算得到位置平均的平均振荡幅度。

6.一种面向混合交通流的性能指标计算系统，其特征在于，包括：

7.根据权利要求6所述的面向混合交通流的性能指标计算系统，其特征在于，所述模型构建模块包括：

第一构建单元：用于利用第一预设跟驰模型和所述分布函数构建单一交通流随机模型，其中，单一交通流随机模型为描述人工驾驶车辆的交通流随机模型；

第二构建单元：用于利用第二预设跟驰模型和所述分布函数构建第一跟驰模型，所述第一跟驰模型为混合交通流中网联自动驾驶车辆的跟驰模型，所述混合交通流包括人工驾驶车辆、网联自动驾驶车辆和退化的网联自动驾驶车辆；

第三构建单元：用于利用第三预设跟驰模型和所述分布函数构建第二跟驰模型，所述第二跟驰模型为混合交通流中退化的网联自动驾驶车辆的跟驰模型；

第四构建单元：用于基于所述单一交通流随机模型、第一跟驰模型、第二跟驰模型构建混合交通流随机模型。

8.根据权利要求7所述的面向混合交通流的性能指标计算系统，其特征在于，所述第一构建单元包括：

第五构建单元：用于构建人工驾驶车辆的车头间距模型和动态位置模型；

第六构建单元：用于由车头间距模型和动态位置模型得到人工驾驶车辆的动态车头间距模型；

第七构建单元：用于令第一预设跟驰模型的参数服从所述分布函数，得到第一随机模型；

第八构建单元：用于基于所述动态车头间距模型和第一随机模型得到单一交通流随机模型。

9.根据权利要求6所述的面向混合交通流的性能指标计算系统，其特征在于，所述计算模块包括：

第一划分单元：用于将预设时段划分为若干个时间步长；

第一计算单元：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均速度方差；

第二计算单元：用于由所有车辆的集合平均速度方差计算得到在预设时段内每个位置组合对应的平均速度方差；

第三计算单元：用于由所有位置组合的平均速度方差计算得到位置平均的平均速度方差；

第四计算单元：用于计算每个车辆在每个时间步长下每个位置组合对应的集合平均间距方差；

第五计算单元：用于由所有车辆的集合平均间距方差计算得到在预设时段内每个位置组合对应的平均间距方差；

第六计算单元：用于由所有位置组合的平均间距方差计算得到位置平均的平均间距方差。

10.根据权利要求6所述的面向混合交通流的性能指标计算系统，其特征在于，所述计算模块包括：

第三划分模块：用于将预设时段划分为若干个时间步长；

获取单元：用于获取每个车辆在每个位置组合对应的振荡持续时间和振荡幅度；

第十三计算单元：用于根据所述振荡持续时间计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡时间；

第十四计算单元：用于由所有车辆的集合平均振荡时间计算得到在预设时段内每个位置组合对应的平均振荡时间；

第十五计算单元：用于由所有位置组合的平均振荡时间计算得到位置平均的平均振荡时间；

第十六计算单元：用于根据所述振荡幅度计算每个车辆在每个时间步长下每个位置组合对应的集合平均振荡幅度；

第十七计算单元：用于由所有车辆的集合平均振荡幅度计算得到在预设时段内每个位置组合对应的平均振荡幅度；

第十八计算单元：用于由所有位置组合的平均振荡幅度计算得到位置平均的平均振荡幅度。