CN116030632B - 一种面向混合交通流的性能指标计算方法及系统 - Google Patents

一种面向混合交通流的性能指标计算方法及系统 Download PDF

Info

Publication number
CN116030632B
CN116030632B CN202310092887.0A CN202310092887A CN116030632B CN 116030632 B CN116030632 B CN 116030632B CN 202310092887 A CN202310092887 A CN 202310092887A CN 116030632 B CN116030632 B CN 116030632B
Authority
CN
China
Prior art keywords
traffic flow
model
average
vehicle
mixed traffic
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
Application number
CN202310092887.0A
Other languages
English (en)
Other versions
CN116030632A (zh
Inventor
郑芳芳
陆良
刘晓波
唐优华
李越
刘婧
侯康宁
白霖涵
邹颜刚
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310092887.0A priority Critical patent/CN116030632B/zh
Publication of CN116030632A publication Critical patent/CN116030632A/zh
Application granted granted Critical
Publication of CN116030632B publication Critical patent/CN116030632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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
Figure SMS_1
；
获取已知的分布函数
Figure SMS_2
；
记
Figure SMS_3
为
Figure SMS_4
，记
Figure SMS_5
为
Figure SMS_6
；
假设
Figure SMS_7
含有
Figure SMS_8
个未知参数，对于随机变量
Figure SMS_9
（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
Figure SMS_10
段互不相交的区间，分点依次记为
Figure SMS_11
，记区间
Figure SMS_12
。
当
Figure SMS_13
成立时：
Figure SMS_14
；（1）
式中，
Figure SMS_15
表示随机变量落在区间
Figure SMS_16
的概率，令
Figure SMS_17
。
假设区间
Figure SMS_18
的长度是
Figure SMS_19
，在
Figure SMS_20
次的随机实验中，当
Figure SMS_21
成立且
Figure SMS_22
足够大时，
Figure SMS_23
近似 于
Figure SMS_24
。
计算
Figure SMS_25
的否定域：
Figure SMS_26
；（2）
式中，
Figure SMS_27
的否定域，表示样本与
Figure SMS_28
假设分布的吻合程度。
给定显著性水平
Figure SMS_29
，根据所述
Figure SMS_30
得到阈值
Figure SMS_31
；
判断
Figure SMS_32
与
Figure SMS_33
的大小：
若
Figure SMS_34
，即认为样本在显著性水平
Figure SMS_35
下，样本来自
Figure SMS_36
分布。
通过以上步骤，可得到第一分布函数
Figure SMS_37
，第二分布函数
Figure SMS_38
，第三分布函数
Figure SMS_39
。
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
Figure SMS_40
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
Figure SMS_41
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
Figure SMS_42
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
Figure SMS_43
辆人驾驶车辆，按位置从远及近排列，即车辆
Figure SMS_44
是头车，车辆
Figure SMS_45
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：
Figure SMS_46
；（3）
式中，
Figure SMS_49
表示车辆
Figure SMS_57
在
Figure SMS_58
时刻与前车
Figure SMS_50
之间的车头间距，
Figure SMS_52
表示前车
Figure SMS_54
的车长，
Figure SMS_56
表示车辆
Figure SMS_48
在
Figure SMS_51
时刻的位置，
Figure SMS_53
表示车辆
Figure SMS_55
在
Figure SMS_47
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：
Figure SMS_59
；（4）
式中，
Figure SMS_60
表示前车
Figure SMS_61
在初始时刻的位置，
Figure SMS_62
表示车辆
Figure SMS_63
的速度，
Figure SMS_64
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；
Figure SMS_65
；（5）
式中，
Figure SMS_66
表示车辆
Figure SMS_67
在初始时刻与前车
Figure SMS_68
之间的车头间距，
Figure SMS_69
表示前 车
Figure SMS_70
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：
Figure SMS_72
；（6）
式中，
Figure SMS_73
表示随机的速度和车头间距之间的关系，
Figure SMS_74
表示期望（自由流）速 度，
Figure SMS_75
表示最小安全距离，
Figure SMS_76
表示当跟随前车
Figure SMS_77
时驾驶员反应时间的倒数，
Figure SMS_78
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
Figure SMS_80
，其中，
Figure SMS_83
表示期望（自由流）速度的变量，
Figure SMS_85
表示最 小安全距离的变量，
Figure SMS_81
表示驾驶员反应时间的倒数的变量，
Figure SMS_82
服从联合分布函数
Figure SMS_84
。 每个驾驶员（或人工驾驶车辆）n的参数由参数元组
Figure SMS_86
表示，参数元组从 联合分布中独立抽取：
Figure SMS_79
。
由此得到单一交通流随机模型：
Figure SMS_87
；（7）
式中，
Figure SMS_90
表示引入随机变量后车辆
Figure SMS_92
的车头间距，
Figure SMS_93
表示引入随机 变量后车辆
Figure SMS_89
在初始时刻与前车
Figure SMS_91
之间的车头间距，
Figure SMS_94
表示前车
Figure SMS_95
的车头时 距，
Figure SMS_88
表示微元。
将所述单一交通流随机模型进行离散型表示得：
Figure SMS_96
；（8）
式中，
Figure SMS_97
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
Figure SMS_98
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：
Figure SMS_99
；（9）
式中，
Figure SMS_100
表示网联自动驾驶车辆n的速度，
Figure SMS_101
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；
Figure SMS_102
表示网联自动驾驶车辆 n的期望车头时 距，
Figure SMS_103
表示网联自动驾驶车辆n与前车的车头时距；
Figure SMS_104
和
Figure SMS_105
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
Figure SMS_106
服从分布函数
Figure SMS_107
，每个网联自动驾驶车辆
Figure SMS_108
的期望车头时距
Figure SMS_109
从分布函数
Figure SMS_110
中独立抽取，由此可以得到第一跟驰模型为：
Figure SMS_111
；（10）
式中，
Figure SMS_112
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：
Figure SMS_113
；（11）
式中，
Figure SMS_114
表示退化的网联自动驾驶车辆n的速度，
Figure SMS_115
表示间距误差的系数，k2 表示速度误差的系数，tn,a表示退化的网联自动驾驶车辆 n的期望车头时距，
Figure SMS_116
表示为 退化的网联自动驾驶车辆n的加速度，
Figure SMS_117
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
Figure SMS_118
，其分布函数为
Figure SMS_119
,期望车头时距
Figure SMS_120
从分布函数
Figure SMS_121
中独立抽 取。由此可以得到第二跟驰模型：
Figure SMS_122
；（12）
式中，
Figure SMS_123
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；
Figure SMS_124
；（13）
式中，i表示后车的类型，j表示前车的类型，
Figure SMS_125
表示后车与前车的车头间距，
Figure SMS_126
表示前车的速度，
Figure SMS_127
表示前车的加速度，
Figure SMS_128
表示后车的速度，
Figure SMS_129
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
Figure SMS_130
在第
Figure SMS_131
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
Figure SMS_132
表示仿真的总次数，
Figure SMS_133
表示第
Figure SMS_134
次仿真的索引，
Figure SMS_135
；
令
Figure SMS_136
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，
Figure SMS_137
表示第
Figure SMS_138
种位置组合的索引，
Figure SMS_139
，
Figure SMS_140
的计算公式为：
Figure SMS_141
；（14）
式中，
Figure SMS_142
是车辆的总数量，
Figure SMS_143
是网联自动驾驶车辆的数量，
Figure SMS_144
表示对括号内 的值向下取整，
Figure SMS_145
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
Figure SMS_146
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，
Figure SMS_147
；
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；
Figure SMS_148
；（15）
式中，
Figure SMS_149
表示位置组合，
Figure SMS_150
表示在时间步长
Figure SMS_151
时车辆
Figure SMS_152
在位置组合
Figure SMS_153
的集 合平均速度方差，
Figure SMS_154
表示在时间步长k时车辆n在位置组合
Figure SMS_155
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；
Figure SMS_156
；（16）
式中，
Figure SMS_157
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；
Figure SMS_158
；（17）
式中，
Figure SMS_159
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；
Figure SMS_160
；（18）
式中，
Figure SMS_161
表示在时间步长
Figure SMS_162
时车辆
Figure SMS_163
在位置组合
Figure SMS_164
的集合平均间距方差；
Figure SMS_165
表示在时间步长k时车辆n在位置组合
Figure SMS_166
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；
Figure SMS_167
；（19）
式中，
Figure SMS_168
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；
Figure SMS_169
；（20）
式中，
Figure SMS_170
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；
Figure SMS_171
；（21）
式中，
Figure SMS_172
表示在时间步长
Figure SMS_173
时车辆
Figure SMS_174
在位置组合
Figure SMS_175
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；
Figure SMS_176
；（22）
式中，
Figure SMS_177
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；
Figure SMS_178
；（23）
式中，
Figure SMS_179
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；
Figure SMS_180
；（24）
式中，
Figure SMS_181
表示在时间步长
Figure SMS_182
时车辆
Figure SMS_183
在位置组合
Figure SMS_184
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；
Figure SMS_185
；（25）
式中，
Figure SMS_186
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；
Figure SMS_187
；（26）
式中，
Figure SMS_188
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
Figure SMS_189
的振荡持续时间为：
Figure SMS_190
；（27）
式中，
Figure SMS_191
表示振荡持续时间，
Figure SMS_192
是振荡产生的时间，而
Figure SMS_193
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；
Figure SMS_194
；（28）
式中，
Figure SMS_195
表示在时间步长
Figure SMS_196
时车辆
Figure SMS_197
在位置组合
Figure SMS_198
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；
Figure SMS_199
；（29）
式中，
Figure SMS_200
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；
Figure SMS_201
；（30）
式中，
Figure SMS_202
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：
Figure SMS_203
；（31）
式中，
Figure SMS_204
表示振荡幅度，
Figure SMS_205
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；
Figure SMS_206
；（32）
式中，
Figure SMS_207
表示在时间步长
Figure SMS_208
时车辆
Figure SMS_209
在位置组合
Figure SMS_210
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；
Figure SMS_211
；（33）
式中，
Figure SMS_212
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；
Figure SMS_213
；（34）
式中，
Figure SMS_214
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 (6)

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：
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；
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；
将服从所述分布函数的期望车头时距作为随机变量引入第二预设跟驰模型，得到第一跟驰模型，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；
将服从所述分布函数的期望车头时距作为随机变量引入第三预设跟驰模型，得到第二跟驰模型，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；
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；
将所述第一随机模型的模型参数作为随机变量引入所述动态车头间距模型，得到单一交通流随机模型。
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,基于所有的位置组合计算所述混合交通流的随机性指标，所述随机性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。
3.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。
4.一种面向混合交通流的性能指标计算系统，其特征在于，包括：
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；
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：用于将服从所述分布函数的期望车头时距作为随机变量引入第二预设跟驰模型，得到第一跟驰模型，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：用于将服从所述分布函数的期望车头时距作为随机变量引入第三预设跟驰模型，得到第二跟驰模型，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；
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：用于将所述第一随机模型的模型参数作为随机变量引入所述动态车头间距模型，得到单一交通流随机模型。
5.根据权利要求4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。
6.根据权利要求4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。
CN202310092887.0A 2023-02-10 2023-02-10 一种面向混合交通流的性能指标计算方法及系统 Active CN116030632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310092887.0A CN116030632B (zh) 2023-02-10 2023-02-10 一种面向混合交通流的性能指标计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310092887.0A CN116030632B (zh) 2023-02-10 2023-02-10 一种面向混合交通流的性能指标计算方法及系统

Publications (2)

Publication Number Publication Date
CN116030632A CN116030632A (zh) 2023-04-28
CN116030632B true CN116030632B (zh) 2023-06-09

Family

ID=86073758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310092887.0A Active CN116030632B (zh) 2023-02-10 2023-02-10 一种面向混合交通流的性能指标计算方法及系统

Country Status (1)

Country Link
CN (1) CN116030632B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
WO2018123706A1 (ja) * 2016-12-28 2018-07-05 日立オートモティブシステムズ株式会社 車両制御装置
CN108806252A (zh) * 2018-06-19 2018-11-13 西南交通大学 一种高速公路混合交通流协同优化控制方法
CN109978260A (zh) * 2019-03-26 2019-07-05 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
CN110796859A (zh) * 2019-10-28 2020-02-14 长安大学 基于交通流的实时交通状态辨识及事故风险预警方法
CN112116822A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法
CN112614344A (zh) * 2020-12-14 2021-04-06 中汽研汽车试验场股份有限公司 一种自动驾驶汽车参与的混合交通系统效能评估方法
CN113033883A (zh) * 2021-03-12 2021-06-25 西南交通大学 一种混合交通流环境下的优化控制和收益分配方法
CN113066282A (zh) * 2021-02-26 2021-07-02 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行环境下车辆跟驰耦合关系建模方法及系统
CN113781774A (zh) * 2021-08-18 2021-12-10 华中科技大学 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
CN113919157A (zh) * 2021-10-14 2022-01-11 华中科技大学 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
CN114969626A (zh) * 2022-04-15 2022-08-30 西南交通大学 一种混合交通流车队强度计算及基本图模型构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11675371B2 (en) * 2020-04-08 2023-06-13 Pony Ai Inc. System and method for fleet management

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
WO2018123706A1 (ja) * 2016-12-28 2018-07-05 日立オートモティブシステムズ株式会社 車両制御装置
CN108806252A (zh) * 2018-06-19 2018-11-13 西南交通大学 一种高速公路混合交通流协同优化控制方法
CN109978260A (zh) * 2019-03-26 2019-07-05 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
CN110796859A (zh) * 2019-10-28 2020-02-14 长安大学 基于交通流的实时交通状态辨识及事故风险预警方法
CN112116822A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法
CN112614344A (zh) * 2020-12-14 2021-04-06 中汽研汽车试验场股份有限公司 一种自动驾驶汽车参与的混合交通系统效能评估方法
CN113066282A (zh) * 2021-02-26 2021-07-02 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行环境下车辆跟驰耦合关系建模方法及系统
CN113033883A (zh) * 2021-03-12 2021-06-25 西南交通大学 一种混合交通流环境下的优化控制和收益分配方法
CN113781774A (zh) * 2021-08-18 2021-12-10 华中科技大学 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
CN113919157A (zh) * 2021-10-14 2022-01-11 华中科技大学 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
CN114969626A (zh) * 2022-04-15 2022-08-30 西南交通大学 一种混合交通流车队强度计算及基本图模型构建方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于元胞传输模型的智能网联车环境混合交通流建模与分析;胡蓉;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第5期);C034-748 *
基于网联车轨迹重构的交通油耗和排放估计方法;蒋阳升等;《安全与环境学报》(第4期);2147-2155 *
基于轨迹数据的城市快速路跟驰行为随机特征分析与建模;张建波;《中国博士学位论文全文数据库工程科技Ⅱ辑》(第3期);C034-33 *
混有网联车队的高速公路通行能力分析;常鑫等;《华南理工大学学报(自然科学版)》(第4期);142-148 *
网联环境下混合交通流偶发拥堵演化机理研究;马庆禄等;《交通运输系统工程与信息》(第5期);97-106 *
考虑时延的智能网联车混合交通流稳定性与基本图分析;徐桃让;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第5期);C034-786 *

Also Published As

Publication number Publication date
CN116030632A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN112364439B (zh) 自动驾驶系统的仿真测试方法、装置以及存储介质
WO2021232229A1 (zh) 虚拟场景生成方法、装置、计算机设备和存储介质
Song et al. Multi-vehicle tracking with road maps and car-following models
CN109060370B (zh) 对自动驾驶车辆进行车辆测试的方法及装置
Yan et al. Distributionally consistent simulation of naturalistic driving environment for autonomous vehicle testing
CN107526906A (zh) 一种基于数据采集的驾驶风格辨识装置及方法
CN111752258A (zh) 自主车辆的操作测试
CN115601954B (zh) 一种智能网联车队的换道判断方法、装置、设备及介质
CN116306323A (zh) 一种数字孪生模型的确定方法、装置、终端设备及介质
CN115017742A (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
CN107240104A (zh) 点云数据分割方法和终端
CN114328448A (zh) 基于模仿学习算法的高速公路车辆跟驰行为重构方法
CN116030632B (zh) 一种面向混合交通流的性能指标计算方法及系统
CN115185205A (zh) 智能驾驶仿真方法、系统、终端设备和可读存储介质
CN109752952B (zh) 一种获取多维随机分布及强化控制器的方法和装置
Abbas et al. Line-of-sight obstruction analysis for vehicle-to-vehicle network simulations in a two-lane highway scenario
CN110213741B (zh) 一种基于宽度学习的车辆发送信息真伪性的实时检测方法
Zhou et al. A survey on autonomous driving system simulators
CN103839278A (zh) 一种前景检测方法及装置
CN116620327A (zh) 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法
WO2023123812A1 (zh) 轨迹点筛选及轨迹生成方法、装置、电子设备、存储介质、计算机程序产品
CN116010543A (zh) 车道信息确定方法、装置、电子设备以及存储介质
CN114419758B (zh) 跟车距离的计算方法、装置、车辆及存储介质
KR102412066B1 (ko) 상태 결정 방법 및 장치, 로봇, 저장 매체 및 컴퓨터 프로그램
CN111881121B (zh) 一种自动驾驶数据填充方法和装置

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