CN116704753B - 一种考虑路径选择的新型混合流路网溢流预测方法及系统 - Google Patents

一种考虑路径选择的新型混合流路网溢流预测方法及系统 Download PDF

Info

Publication number
CN116704753B
CN116704753B CN202310611009.5A CN202310611009A CN116704753B CN 116704753 B CN116704753 B CN 116704753B CN 202310611009 A CN202310611009 A CN 202310611009A CN 116704753 B CN116704753 B CN 116704753B
Authority
CN
China
Prior art keywords
road network
vehicle
bottleneck
road
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
CN202310611009.5A
Other languages
English (en)
Other versions
CN116704753A (zh
Inventor
沈鹏涛
秦菲菲
黎怡彤
焦婕
成明
张勇
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202310611009.5A priority Critical patent/CN116704753B/zh
Publication of CN116704753A publication Critical patent/CN116704753A/zh
Application granted granted Critical
Publication of CN116704753B publication Critical patent/CN116704753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种考虑路径选择的新型混合流路网溢流预测方法及系统，涉及智能交通技术领域，该方法包括获取路网中的车辆数据信息和路网数据信息；根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；根据路网状态采取相应的措施来预防路网发生溢流。本发明为避免新环境下交通路网溢流提供了有效识别预防方法，为合理调整瓶颈路段及科学发展自动车辆提供了理论依据。

Description

一种考虑路径选择的新型混合流路网溢流预测方法及系统
技术领域
本发明涉及智能交通技术领域，尤其涉及一种考虑路径选择的新型混合流路网溢流预测方法及系统。
背景技术
在未来，全自动驾驶车辆将与传统人工驾驶车辆长期共存。相较于传统人工驾驶车辆，全自动驾驶车辆通过高精设备可以向用户及交通控制中心提供精确的路段行程时间。因此，两类用户在路径选择机制上有很大不同。人工车辆用户有两种路径选择机制：固定路径、用户最优。前者用户坚持预先设定的道路通行(如早晚上下班通勤，用户根据道路熟悉程度固定选择日常使用的道路。预设道路无法保证行程时间最少)。后者用户选择行程时间最少的路径以减少自身出行成本(如用户通过导航提供的信息选择用时最少的路线)。自动驾驶汽车有两种路径选择机制：用户最优、系统最优。前者用户设置自动车辆选择耗时最少的路线，不允许交通控制中心操控。后者用户允许交通控制中心介入，交通控制中心获得自动车辆控制权限后可调整车辆行驶路径以实现交通系统运行最优化。两种异质车辆不同路线选择会改变交通网络流量分布，进而影响交通拥堵状况。车辆路径选择机制的改变将导致路网排队溢流的机理发生根本性改变。因此，需要研究新环境下路网拥堵溢流判别预防方法。
现有技术中对不同用户路径选择机制进行了研究，但现有研究大部分以单一的路径选择机制(如单纯用户最优或单纯系统最优)来表示两类车辆的路径选择行为。也有研究采用用户最优与系统最优的组合模型，但没有考虑固定路径的情况。最重要的是以往研究所使用的路径选择模型大多数采用点队列，点队列虽然利于模型求解，但模型中每条路段都能容纳无穷数量的车辆，无法反映路网溢流的现实状况。并且现有关于溢流问题工作集中于识别、缓解，不能在溢流发生前进行有效预防。
因此，需要一种考虑路径选择的新型混合流路网溢流预测方法及系统。
发明内容
为此，本发明实施例提供了一种考虑路径选择的新型混合流路网溢流预测方法及系统，用于解决现有技术中车辆类型单一，无法体现多类车辆混行的特点；路径选择机制单一，无法涵盖未来可能存在的所有情况以及路径选择模型大多数采用点队列，无法反映路网溢流的现实状况的问题。
为了解决上述问题，本发明实施例提供一种考虑路径选择的新型混合流路网溢流预测方法，该方法包括：
S1：获取路网中的车辆数据信息和路网数据信息；
S2：根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
S3：确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
S4：根据路网状态采取相应的措施来预防路网发生溢流。
优选地，所述车辆数据信息包括车辆驾驶类型，所述车辆驾驶类型包括自动驾驶车辆、人工驾驶车辆。
优选地，所述路网数据信息包括车辆排队数量、车辆流量。
优选地，所述车辆路径选择机制包括人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优、人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优、人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优。
优选地，确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态的方法包括：
在人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优情况下，当q≤c时，路网不会发生溢流、处于欠饱和状态；当c<q<c+C1时，若瓶颈通行能力c在范围内，路网不会发生溢流、处于欠饱和状态，出行总成本为τ1q，否则路网发生溢流、处于过饱和状态；当c+C1<q时，路网发生溢流、处于过饱和状态；其中q为车辆流量，c为瓶颈通行能力，C1表示绕行路段通行能力，ε为自动驾驶车辆渗透率，为瓶颈路段上游可容纳最大排队车辆数量，τ1为绕行路段行程时间，为瓶颈下游路段的自由流通行时间。
优选地，确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态的方法包括：
在人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优情况下，当q≤c时，路网处于欠饱和状态且实现系统最优，出行成本为τ2q；当c<q<c+C1时，若q(1-ε)≤c，路网处于欠饱和状态且实现系统最优，出行总成本为τ1q+(τ2-τ1)c，若q(1-ε)>c，路网处于过饱和状态；当c+C1<q时，路网处于过饱和状态且无法避免；其中q为车辆流量，c为瓶颈通行能力，C1表示绕行路段通行能力，ε为自动驾驶车辆渗透率，τ1为绕行路段行程时间，τ2为瓶颈路段的自由流通行时间。
优选地，确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态的方法包括：
在人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优情况下，当q≤c时，路网始终处于欠饱和状态，出行总成本为τ2q；当c<q<c+C1时，若则当时，路网将处于过饱和状态，当时，路网处于欠饱和状态；若则当时，路网处于欠饱和状态，出行总成本等于用户最优结果τ1q，当时，路网处于欠饱和状态，出行总成本等于系统最优结果；当c+C1<q时，路网将始终处于过饱和状态；其中q为车辆流量，c为瓶颈通行能力，ε为自动驾驶车辆渗透率，为瓶颈路段上游可容纳最大排队车辆数量，τ1为绕行路段行程时间，为瓶颈下游路段的自由流通行时间，τ2为瓶颈路段的自由流通行时间。
本发明实施例还提供了一种考虑路径选择的新型混合流路网溢流预测系统，所述系统包括：
数据获取模块，用于获取路网中的车辆数据信息和路网数据信息；
计算模块，用于根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
路网状态判断模块，用于确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
预防模块，用于根据路网状态采取相应的措施来预防路网发生溢流。
本发明实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
从以上技术方案可以看出，本发明申请具有以下优点：
本发明实施例提供一种考虑路径选择的新型混合流路网溢流预测方法及系统，本发明充分考虑了自动驾驶车辆与人工驾驶车辆采用的路径选择机制组合形式，通过累积流量图分析了物理队列下瓶颈通行能力、自动车渗透率等对路网流量分布及路网状态的影响。为避免新环境下交通路网溢流提供了有效识别预防方法，为合理调整瓶颈路段及科学发展自动车辆提供了理论依据。研究使用的路网为一般性路网，因此结果可普遍应用于实际。当确定了车辆路径选择机制之后，通过分析瓶颈通行能力、自动驾驶车辆渗透率来判断路网是否会发生溢流，当瓶颈通行能力能够调节，一定条件下可通过调节瓶颈通行能力来避免溢流，若无法调节瓶颈通行能力，则需在最初对进入路网的交通流进行限流以避免溢流发生，从源头分析以减小溢流发生的可能性，有助于提高路网的整体效率。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。其中：
图1为根据实施例中提供的一种考虑路径选择的新型混合流路网溢流预测方法的流程图；
图2为实施例中路网溢流预测的流程图；
图3为实施例中车辆累计曲线示意图；
图4为实施例中瓶颈通行能力小于人工驾驶车辆车流时的路网溢流示意图；
图5为实施例中过度提高瓶颈通行能力下的路网溢流示意图；
图6为实施例中一般路网示意图；
图7为根据实施例中提供的一种考虑路径选择的新型混合流路网溢流预测系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚，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。基于本发明中的实施例，本领域普通技术人员在没有做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。
如图1所示，本发明实施例提供了一种考虑路径选择的新型混合流路网溢流预测方法，所述方法包括：
S1：获取路网中的车辆数据信息和路网数据信息；
S2：根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
S3：确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
S4：根据路网状态采取相应的措施来预防路网发生溢流。
本发明提供了一种考虑路径选择的新型混合流路网溢流预测方法，本发明采用不同路径选择机制，在确定车辆路径选择机制之后，通过分析瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态，当瓶颈通行能力能够调节，一定条件下可通过调节瓶颈通行能力来避免溢流，若无法调节瓶颈通行能力，则需在最初对进入路网的交通流进行限流以避免溢流发生，从源头分析以减小溢流发生的可能性，有助于提高路网的整体效率。
下面结合图2具体阐述本发明方法。
进一步地，获取路网中的车辆数据信息和路网数据信息。所述车辆数据信息包括车辆驾驶类型，所述路网数据信息包括车辆排队数量、车辆流量所述车辆驾驶类型包括自动驾驶车辆、人工驾驶车辆。
进一步地，根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间。
进一步地，人工驾驶车辆选择固定路径或用户最优时。假定人工驾驶车辆用户按预定路线出行(即选择固定路径通行)，所有人工驾驶车辆选择瓶颈路段通行，故路网中人工驾驶车辆的车辆流量分布为：
其中，表示选择瓶颈路段的人工驾驶车辆车流，表示选择绕行路段的人工驾驶车辆车流，QH表示人工驾车辆的总车流。
假定人工驾驶车辆用户仅考虑自身出行成本，尽可能降低成本来进行路径选择，即人工驾驶车辆遵循用户最优原则，故路径选择模型为：
其中，I表示路段集合，qH表示人工驾驶车辆在各路段上流量集合，ti(q)表示路段i的阻抗函数，ΩH表示人工车辆车流可行集，fH表示OD对分布在各路径上的人工驾驶车辆的流量集合。△表示路径路段的关联矩阵，其中如果路段i在路径p上，则关联矩阵内部元素δip等于1，否则为0。M表示OD路径关联矩阵，其中如果路径p包含OD对d，则关联矩阵内部元素δdp为1，否则为0。
自动驾驶车辆选择用户最优或系统最优。前者，用户只会选择有利于自己的道路通行，因此假设自动驾驶车辆之间没有任何合作，均采用用户最优原则。后者，交通控制中心能够通过控制部分自动驾驶汽车的行驶路径来实现交通系统出行总成本最小化。系统最优模型如下：
如下表1所示，车辆路径选择机制包括人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优、人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优、人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优。
表1
人工车辆(HV)路径选择机制可分为固定路径(FP)和用户最优(UE)，自动车辆(AV)路径选择机制可分为用户最优(UE)和系统最优(SO)。当两类车辆同时使用用户最优时，两类车辆的差异无法体现，故不考虑。因此，只使用其他三种组合结果。
进一步地，在人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优情况下。如图3所示。上部分为瓶颈路段，下部分表示绕行路段。用Ui,Vi分别表示进入路段i的输入输出车辆累计数。路网的输入输出总累计数分别用UT,VT表示。瓶颈将路段2分为上下游两部分，自由流通行时间分别为
车辆流量以流量q>c进入瓶颈路段2，瓶颈上游区域开始产生队列。在时刻tUE之前，路段2的行驶时间随着进入的车辆数增加而增加。p点时，瓶颈路段行程时间等于绕行路段行程时间τ1。用户最优模型下，被选用的路径通行时间趋于相同且最少。在路口N点自动车辆车流开始分流，一部分自动车辆用户仍选择瓶颈路段导致其通行时间维持在τ1，另一部分则开始选择绕行路段。曲线U2在点P处弯曲并且斜率等于瓶颈通行能力c。在tUE时刻之后，路段1开始有车流进入，车辆经历τ1之后从D点驶出。f点之后，系统最终达到稳定状态，三对输入输出曲线平行。路段2上游区域的车辆数稳定在n辆车(后者表示上游可容纳最大排队车辆数)。路网不会溢流，处于欠饱和状态。
若自动驾驶车辆需求量增加，人工车辆需求不变，多余的自动驾驶车辆车流将选择路段1。路网能够在理想情况下(q≤C1+c)承受不断增加的需求。当人工车辆需求增加，路网瓶颈会因无法承受人工车辆车流而发生队列溢出。溢出的影响分为两种情况。
当溢出的车辆会阻塞绕行车道，如图4(a)所示。qH>c，瓶颈路段上游队列长度持续增加。p点之后，瓶颈路段通行时间大于绕行路段通行时间，故自动驾驶车辆用户全部选择路段1。g点时，队列在持续延长，网络将处于过饱和状态。路网溢流。物理队列溢流会限制进入路网的车流，输入流量变为q′＝c＝q′H+q′A。g点之后，c>q′H，队列逐渐消散。车辆存在启动、加速等的时间损失，流量需要一段时间恢复，队列在这段时间内继续减小。当空隙达到一定程度，路口转向车流不再受限，从N点进入路网的流量恢复。自动驾驶车辆重新以qA驶入路段1，人工车辆也重新以qH进入路段2，路网将再次处于过饱和。
当溢出的车辆不会阻塞绕行车道时，如图4(b)所示。P点之后，后续的自动驾驶车辆全部选择绕行。g点处，人工车辆在瓶颈路段排队溢出，后续进入瓶颈路段的人工车辆车流流量被限制在c。进入路网的总流量从q降至c+qA。两种情况下的溢流均会对路网容量及运行效率产生影响。前者的影响更为严重。
瓶颈通行能力小于人工车辆车流(固定选择瓶颈路段)而产生的过饱和能够通过增加道路、提高道路等级的手段来避免。但是，用户最优模型背景下，规划者不能盲目提高瓶颈通行能力。如图5所示，路网队列至路口N，瓶颈通行时间可由排队车辆数与瓶颈通行能力的关系求出：若该通行时间仍然小于绕行路段通行时间。自动驾驶车辆用户经过交叉口将无视绕行道路，与人工车辆共同选择瓶颈路段。队列在交叉口N溢出且路段1不再有车流流入。进入路网的车流被瓶颈完全限制在c。队列至路口，瓶颈路段的通行时间恰好等于τ1，此刻对应的瓶颈通行能力为若瓶颈通行能力超过该值，瓶颈路段上游通行时间将减小。路段2整体通行时间将始终小于绕行路段1通行时间。所有车辆涌入路段2从而导致溢出。
综上，在人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优情况下，当q≤c时，路网不会发生溢流、处于欠饱和状态；当c<q<c+C1时，若瓶颈通行能力c在范围内，路网不会发生溢流、处于欠饱和状态，出行总成本为τ1q，否则路网发生溢流、处于过饱和状态；当c+C1<q时，路网发生溢流、处于过饱和状态；其中q为车辆流量，c为瓶颈通行能力，C1为绕行路段通行能力，ε为自动驾驶车辆渗透率，为瓶颈路段上游可容纳最大排队车辆数量，τ1为绕行路段行程时间，为瓶颈下游路段的自由流通行时间。
在人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优情况下。相较于用户最优模式，系统最优模式下中央控制器能够控制自动驾驶车辆在适当位置分流以避免队列溢出的同时实现系统最优。出行总成本可通过路径车流及路径通行时间乘积之和表示：若路网路段无队列，则总成本为总成本公式可转化为 由于(τ2-τ1)<0，故选择瓶颈路段的车流越大，系统总成本越小。为避免溢流，路段车流不能超过路段通行能力，即 故总成本最优为τ1q+(τ2-τ1)c。若路网存在队列，交通系统出行总成本总是高于τ1q+(τ2-τ1)c。人工车辆用户固定路径，自动驾驶车辆遵循系统最优。为实现系统最优，自动驾驶车辆在最初就进行分流。路网车流以流量c进入瓶颈路段，部分自动驾驶车流选择绕行路段，人工车辆全部进入瓶颈路段。
因此，在人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优情况下，当q≤c时，路网处于欠饱和状态且实现系统最优，出行成本为τ2q；当c<q<c+C1时，若q(1-ε)≤c，路网处于欠饱和状态且实现系统最优，出行总成本为τ1q+(τ2-τ1)c，若q(1-ε)>c，路网处于过饱和状态；当c+C1<q时，路网处于过饱和状态且无法避免；其中q为车辆流量，c为瓶颈通行能力，C1为绕行路段通行能力，ε为自动驾驶车辆渗透率，τ1为绕行路段行程时间，τ2为瓶颈路段的自由流通行时间。
在人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优情况下，交通系统总是希望通过调控自动车辆的路径选择以实现车流分布情况与单纯系统最优下的车流分布情况一致。当(人工车流大于瓶颈通行能力)，路网状态受人工车辆影响。当(人工车流小于瓶颈通行能力)，路网状态可通过调控自动车辆路径来改善。
因此，在人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优情况下。当q≤c时，路网始终处于欠饱和状态且系统最优结果与用户最优结果相等，出行总成本为τ2q；当c<q<c+C1时，若则当时，路网将处于过饱和状态，当时，路网处于欠饱和状态；若 则当时，路网处于欠饱和状态，出行总成本等于用户最优结果τ1q，当时，路网处于欠饱和状态，出行总成本等于系统最优结果；当c+C1<q时，路网将始终处于过饱和状态；其中q为车辆流量，c为瓶颈通行能力，C1为绕行路段通行能力，ε为自动驾驶车辆渗透率，为瓶颈路段上游可容纳最大排队车辆数量，τ1为绕行路段行程时间，为瓶颈下游路段的自由流通行时间，τ2为瓶颈路段的自由流通行时间。
综上所述，当车辆流量q≤c时，所有车辆均可使用瓶颈路段。当车辆流量c+C1<q时，路网无法避免溢流。当c<q<c+C1时路网状态结果如下表2所示。
表2
进一步地，在确定车辆路径选择机制后，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态，当瓶颈通行能力能够调节，一定条件下可通过调节瓶颈通行能力来避免溢流。若无法调节瓶颈通行能力，则需在最初对进入路网的交通流进行限流以避免溢流发生。从源头分析以减小溢流发生的可能性，有助于提高路网的整体效率。
实施例二
本发明基于一般性路网设计，如图6所示，面向自动驾驶车辆和传统人工驾驶车辆并存的混合交通流。初始数据：假设总流量检测为2000辆/小时，自动驾驶车渗透率为0.6(即自动驾驶车辆车流为1200辆/小时，传统人工车辆为800辆/小时)。瓶颈通行能力为900辆/小时，绕行路段通行能力为1800辆/小时。瓶颈上游可容纳80辆车排队，瓶颈路段上游自由流时间为30秒，瓶颈下游路段自由流时间为10秒。绕行路段自由流通行时间为120秒。故瓶颈通行能力临界值可计算得到为2618辆/小时。瓶颈路段行程时间设为：
其中单位为秒。同样，绕行路段行程时间设为：
采用本发明方法获得路网状态结果。倘若人工驾驶车辆固定路径，自动驾驶车辆遵循用户最优，路网车流分布：自动驾驶车辆以1100辆/小时的车流进入绕行路段，以100辆/小时的车流进入瓶颈路段。人工驾驶车辆以800辆/小时的车流进入瓶颈路段。绕行路段无排队车辆，而瓶颈路段上有20辆车的队列。路网不会溢流。倘若人工驾驶车辆固定路径，自动驾驶车辆遵循系统最优，路网车流分布：自动驾驶车辆以1100辆/小时的车流进入绕行路段，以100辆/小时的车流进入瓶颈路段。人工驾驶车辆以800辆/小时的车流进入瓶颈路段。瓶颈路段与绕行路段均无排队车辆，此时路网在不溢流情况下出行成本最小。倘若人工驾驶车辆遵循用户最优，自动驾驶车辆遵循系统最优，路网车流分布：瓶颈路段车流为900辆/小时，其中自动驾驶汽车为100辆/小时。绕行路段均为自动驾驶汽车，流量为1100辆/小时。
实施例三
如图7所示，本发明提供一种考虑路径选择的新型混合流路网溢流预测系统，所述系统包括：
数据获取模块10，用于获取路网中的车辆数据信息和路网数据信息；
计算模块20，用于根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
路网状态判断模块30，用于确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
预防模块40，用于根据路网状态采取相应的措施来预防路网发生溢流。
所述系统，用以实现上述所述的一种考虑路径选择的新型混合流路网溢流预测方法，为了避免冗余，在此不再赘述。
本发明实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种考虑路径选择的新型混合流路网溢流预测方法，其特征在于，所述方法包括：
S1：获取路网中的车辆数据信息和路网数据信息；
S2：根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
S3：确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
其中，所述车辆路径选择机制包括人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优、人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优、人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优；
人工驾驶车辆有两种路径选择机制：固定路径、用户最优，其中人工驾驶车辆选择固定路径表示用户选择预先设定的道路通行，人工驾驶车辆选择用户最优表示用户选择行程时间最少的路径以减少自身出行成本；
自动驾驶车辆有两种路径选择机制：用户最优、系统最优；其中自动驾驶车辆选择用户最优表示用户设置自动车辆选择耗时最少的路线，不允许交通控制中心操控，自动驾驶车辆选择系统最优表示用户允许交通控制中心介入，交通控制中心获得自动车辆控制权限后可调整车辆行驶路径以实现交通系统运行最优化；
所述确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态的方法，具体包括：在人工驾驶车辆选择固定路径和自动驾驶车辆选择用户最优情况下，当q≤c时，路网不会发生溢流、处于欠饱和状态；当c<q<c+C1时，若瓶颈通行能力c在范围内，路网不会发生溢流、处于欠饱和状态，出行总成本为τ1q，否则路网发生溢流、处于过饱和状态；当c+C1＜q时，路网发生溢流、处于过饱和状态；
其中q为车辆流量，c为瓶颈通行能力，C1表示绕行路段通行能力，ε为自动驾驶车辆渗透率，为瓶颈路段上游可容纳最大排队车辆数量，τ1为绕行路段行程时间，为瓶颈下游路段的自由流通行时间；
在人工驾驶车辆选择固定路径和自动驾驶车辆选择系统最优情况下，当q≤c时，路网处于欠饱和状态且实现系统最优，出行成本为τ2q；当c＜q＜c+C1时，若q(1-ε)≤c，路网处于欠饱和状态且实现系统最优，出行总成本为τ1q+(τ2-τ1)c，若q(1-ε)＞c，路网处于过饱和状态；当c+C1＜q时，路网处于过饱和状态且无法避免；
其中τ2为瓶颈路段的自由流通行时间；
在人工驾驶车辆选择用户最优和自动驾驶车辆选择系统最优情况下，当q≤c时，路网始终处于欠饱和状态，出行总成本为τ2q；当c＜q＜c+C1时，若则当时，路网将处于过饱和状态，当时，路网处于欠饱和状态；若则当时，路网处于欠饱和状态，出行总成本等于用户最优结果τ1q，当时，路网处于欠饱和状态，出行总成本等于系统最优结果；当c+C1＜q时，路网将始终处于过饱和状态；
S4：根据路网状态采取相应的措施来预防路网发生溢流。
2.根据权利要求1所述的考虑路径选择的新型混合流路网溢流预测方法，其特征在于，所述车辆数据信息包括车辆驾驶类型，所述车辆驾驶类型包括自动驾驶车辆、人工驾驶车辆。
3.根据权利要求1所述的考虑路径选择的新型混合流路网溢流预测方法，其特征在于，所述路网数据信息包括车辆排队数量、车辆流量。
4.一种考虑路径选择的新型混合流路网溢流预测系统，其特征在于，所述系统用于实现权利要求1至3任意一项所述的考虑路径选择的新型混合流路网溢流预测方法，具体包括：
数据获取模块，用于获取路网中的车辆数据信息和路网数据信息；
计算模块，用于根据所述车辆数据信息和所述路网数据信息计算瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间；
路网状态判断模块，用于确定车辆路径选择机制，根据瓶颈通行能力、自动驾驶车辆渗透率以及瓶颈路段的通行时间来判断路网状态；
预防模块，用于根据路网状态采取相应的措施来预防路网发生溢流。
5.一种电子装置，其特征在于，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至3任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
6.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至3任意一项所述的考虑路径选择的新型混合流路网溢流预测方法。
CN202310611009.5A 2023-05-29 2023-05-29 一种考虑路径选择的新型混合流路网溢流预测方法及系统 Active CN116704753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310611009.5A CN116704753B (zh) 2023-05-29 2023-05-29 一种考虑路径选择的新型混合流路网溢流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310611009.5A CN116704753B (zh) 2023-05-29 2023-05-29 一种考虑路径选择的新型混合流路网溢流预测方法及系统

Publications (2)

Publication Number Publication Date
CN116704753A CN116704753A (zh) 2023-09-05
CN116704753B true CN116704753B (zh) 2024-08-06

Family

ID=87836636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310611009.5A Active CN116704753B (zh) 2023-05-29 2023-05-29 一种考虑路径选择的新型混合流路网溢流预测方法及系统

Country Status (1)

Country Link
CN (1) CN116704753B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820125A (zh) * 2021-03-24 2021-05-18 苏州大学 车辆混行情况的智能网联车辆的通行引导方法及引导系统
CN113393690A (zh) * 2021-08-17 2021-09-14 长沙理工大学 考虑自动驾驶专用车道的混合交通均衡分配方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013057544A (ja) * 2011-09-07 2013-03-28 I-Transport Lab Co Ltd 交通状況の経路案内装置、経路案内方法及び経路案内プログラム
US11840256B2 (en) * 2021-07-30 2023-12-12 Mitsubishi Electric Research Laboratories, Inc. Global multi-vehicle decision making system for connected and automated vehicles in dynamic environment
CN115798199A (zh) * 2022-11-04 2023-03-14 山东科技大学 车辆路径动态自适应规划方法、系统、计算机设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820125A (zh) * 2021-03-24 2021-05-18 苏州大学 车辆混行情况的智能网联车辆的通行引导方法及引导系统
CN113393690A (zh) * 2021-08-17 2021-09-14 长沙理工大学 考虑自动驾驶专用车道的混合交通均衡分配方法

Also Published As

Publication number Publication date
CN116704753A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN108806283B (zh) 一种交通信号灯的控制方法及车联网平台
Yao et al. A dynamic predictive traffic signal control framework in a cross-sectional vehicle infrastructure integration environment
RU2610065C2 (ru) Способ и устройство для управления опорной скоростью регулятора скорости на спуске
JP7035179B2 (ja) デジタル式の地理的な地図タイルをロードするための方法およびシステム
EP1890274B1 (en) Predictive traffic information creating method, predictive traffic information creating apparatus, and traffic information display terminal
CN102458944B (zh) 用于确定车辆控制系统的速率参考值的方法和模块
Ngoduy et al. Multiclass dynamic system optimum solution for mixed traffic of human-driven and automated vehicles considering physical queues
WO2014118962A1 (ja) 走行制御装置及び走行制御システム
CN104010910A (zh) 用于确定车辆控制系统的参考值的方法和模块
Wunderlich et al. Link travel time prediction for decentralized route guidance architectures
CN112435473B (zh) 一种结合历史数据的快速路交通流溯源及匝道调控方法
CN109993984B (zh) 一种车速引导方法及装置
JP2002523832A (ja) 交通進路を制御する方法と手段
CN104010861A (zh) 用于确定至少一个参考值的方法和模块
JP2007122584A (ja) 交通信号制御システム、および交通信号制御システムの制御方法
Čičić et al. Stop-and-go wave dissipation using accumulated controlled moving bottlenecks in multi-class CTM framework
CN103914988A (zh) 一种交通路况数据处理方法、装置和系统
SE536267C2 (sv) Metod och modul för bestämning av åtminstone ett referensvärde för ett styrsystem i ett fordon
CN114627647A (zh) 一种基于可变限速与换道结合的混合交通流优化控制方法
JP2000231690A (ja) 旅行時間予測装置
CN111915876A (zh) 道路通行的控制系统及其控制方法
CN113412458A (zh) 辅助系统的轨迹规划方法
JP2005056071A (ja) 信号制御装置、および信号制御システム
CN116704753B (zh) 一种考虑路径选择的新型混合流路网溢流预测方法及系统
Karimi et al. Integration of dynamic route guidance and freeway ramp metering using model predictive control

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