CN116704775A - 一种考虑智能网联公交车的混合交通流通行能力计算方法 - Google Patents
一种考虑智能网联公交车的混合交通流通行能力计算方法 Download PDFInfo
- Publication number
- CN116704775A CN116704775A CN202310768150.6A CN202310768150A CN116704775A CN 116704775 A CN116704775 A CN 116704775A CN 202310768150 A CN202310768150 A CN 202310768150A CN 116704775 A CN116704775 A CN 116704775A
- Authority
- CN
- China
- Prior art keywords
- intelligent network
- bus
- representing
- traffic flow
- time
- 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
- 238000004364 calculation method Methods 0.000 title abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000035699 permeability Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 230000035484 reaction time Effects 0.000 claims description 7
- 230000035939 shock Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000003993 interaction Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 6
- 230000006855 networking Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了本发明的一种考虑智能网联公交车的混合交通流通行能力计算方法,该方法在准确描述混合交通流的考虑行驶延误时间后的混合交通流平均通行时间、混合交通流的平均交通密度、混合交通流的通行量等,探究智能网联公交车、智能网联私家车、人工驾驶车辆在跟驰、换道、交互等微观驾驶行为上的特征和差异性;实现了车辆微观驾驶行为和宏观交通特征的有机结合;同时引入幽灵密度从时空域占用情况的角度描述车辆速度变化、换道、公交车停站服务等微观行为,突破了在计算混合交通流通行能力时缺乏微观驾驶行为系统描述方法的局限性,能够有效适用于多种交通状态和不同智能网联技术发展情况。
Description
技术领域
本发明涉及互联网信息技术应用服务领域,尤其涉及一种考虑智能网联公交车的混合交通流通行能力计算方法。
背景技术
智能网联车是汽车产业与新一代信息技术、人工智能、大数据等技术结合的新兴产物,能够大幅提升车辆行驶效率和安全性。随着新一代互联网信息技术的发展,智能网联车涌入传统交通网络,城市道路上将在很长一段时间内存在智能网联车和人工驾驶车辆混行的异质交通流,车辆之间的交互影响发生显著变化,进而影响整体交通流特征。与此同时,由于城市公交具有固定的运营规则和天然的基础设施条件,已成为新一代信息技术和智能网联技术的率先落地的应用场景,智能网联公交、智能网联车、人工驾驶车辆混合的新型混合交通流将成为城市交通发展的必经阶段。公交车受到进站服务特性、固定线路、公交专用道等条件约束,在进出公交站和通过交叉口过程中存在诸多强制换道行为,与社会车辆存在频繁的交互作用,这些复杂的公交驾驶行为和异质车辆之间的交互作用是否会导致混合交通流截然不同的特性尚未明确。针对传统交通流通行能力的计算方法无法直接应用于混合交通流,且无法借助信息技术精准评估交通状态,主要存在以下问题:
现有关于交通流的研究多针对由智能网联私家车和人工驾驶车辆组成的混合交通流,忽略了智能网联公交车对交通流特征的重要影响,缺乏考虑公交运营规则的混合交通流系统描述方法;并且现有关于交通流的研究多通过改变模型参数体现不同车辆在跟驰和换道行为的差异性,对于描述智能网联公交车、智能网联私家车、人工驾驶车辆在反应时间、车头时距、可接受换道距离等方面差异性方面,计算精度较低。
发明内容
本发明提供一种考虑智能网联公交车的混合交通流通行能力计算方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种考虑智能网联公交车的混合交通流通行能力计算方法,包括如下步骤:
S1:获取不同智能网联车渗透率下的混合交通流的平均车头时距;
其中,所述混合交通流由人工驾驶车辆、智能网联私家车、智能网联公交车组成;所述智能网联私家车和智能网联公交车车头时距小于人工驾驶车辆的车头时距;
所述智能网联车渗透率指混合交通流中,智能网联私家车的数量占车辆总数的比例;
S2:获取在[t,t+Δt]时间段,从交叉口向公交站行驶的智能网联公交车的流量;
S3:获取混合交通流的行驶延误时间中的车速延误时间,和根据所述混合交通流的平均车头时距,获取混合交通流的行驶延误时间中的信号灯延误时间,以获取考虑行驶延误时间后的混合交通流平均通行时间;
S4:根据幽灵密度理论,获取混合交通流的平均交通密度;
S5:根据所述智能网联公交车的流量、混合交通流平均通行时间、混合交通流的平均交通密度,获取混合交通流的通行量,以对混合交通流的通行能力进行评估。
进一步的,所述S1中,不同智能网联车渗透率下的平均车头时距获取如下:
式中,表示混合交通流平均车头时距;ξa表示智能网联车渗透率;nm表示混合交通流中的车辆的总数;nb表示混合交通流中智能网联公交车的数量,ξanm表示混合交通流中智能网联私家车的数量;hhv-hv表示人工驾驶车辆与人工驾驶车辆之间的车头时距;hhv-cv表示人工驾驶车辆与智能网联私家车之间的车头时距;hhv-cb表示人工驾驶车辆与智能网联公交车之间的车头时距;hcv-hv表示智能网联私家车与人工驾驶车辆之间的车头时距;hcv-cv表示智能网联车私家与智能网联私家车之间的车头时距;hcb-hv表示智能网联公交车与人工驾驶车辆之间的车头时距。
进一步的,所述S2中,智能网联公交车的流量获取如下:
式中,表示[t,t+Δt]时间段公交站输出的智能网联公交车的流量;Nb表示公交站内智能网联公交车的数量;pt(Nb≥2)表示[t,t+Δt]时间段公交站停有两辆以上智能网联公交车的概率;pt(Nb<2)表示[t,t+Δt]时间段公交站停有不足两辆智能网联公交车的概率;/>表示[t,t+Δt]时间段公交站停放两辆以上智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段公交站停放不足两辆智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段内智能网联公交车在公交站的总服务时间;/>表示[t,t+Δt]时间段内智能网联公交车从交叉口到达公交站的行驶时间;t表示当前时刻;Δt表示单位时间步长;
其中,
式中,表示公交站的服务强度;/>表示公交站最大服务强度;/>表示智能网联公交车的到达率;/>表示公交站的服务率,/>pt(Nb=0)表示t时刻公交站内没有智能网联公交车停放的概率;j表示公交站内停放的智能网联公交车数量;k表示可能到达公交站的智能网联公交车数量。
进一步的,所述信号灯延误时间获取如下:
式中,表示[t,t+Δt]时间段内由于信号灯造成的行驶延误时间;R表示信号灯红灯持续时间;/>表示[t,t+Δt]时间段内由于红灯导致的冲击波生成速度;/>表示[t,t+Δt]时间段内红灯结束后冲击波的消散速度;cm表示混合交通流在交叉口处的最大流量;/>表示[y,t+Δt]时间段内混合交通流在交叉口处的到达率,包括智能网联私家车、人工驾驶车辆、左转和直行的智能网联公交车;1-pRB表示智能网联公交车左转和直行所占的比例;n表示混合交通流所在道路车道数;kj表示临界拥堵密度;/>表示[t-Δt,t]时间段内混合交通流平均行驶速度;/>表示[t,t+Δt]时间段内社会车辆的到达率,包括智能网联私家车和人工驾驶车辆;/>表示智能网联公交车的到达率。
进一步的,所述车速延误时间获取如下:
式中,表示由于智能网联私家车、智能网联公交车速度变化导致的通行时间增加率;Lb表示公交站向交叉口行驶的距离的总长度;Ll表示公交站所在的路段的总长度;γm表示受到智能网联私家车、智能网联公交车速度变化影响的车辆比例;/>表示[t,t+Δt]时间段内智能网联私家车、智能网联公交车的期望行驶速度。
进一步的,考虑行驶延误时间后的混合交通流平均通行时间Tt获取如下:
进一步的,所述S4中,混合交通流的平均交通密度获取如下:
式中,表示[t,t+Δt]时间段内混合交通流的交通密度;/>表示[t-Δt,t]时间段内混合交通流中的车辆总数;/>表示[t,t+Δt]时间段内产生的幽灵车辆数;/>表示[t,t+Δt]时间段内由于智能网联私家车、智能网联公交车速度变化产生的幽灵车辆;表示[t,t+Δt]时间段内由于智能网联公交车驻站产生的幽灵车辆;/>表示[t,t+Δt]时间段内由于智能网联公交车强制换道和人工驾驶车辆随机换道产生的幽灵车辆;表示[t,t+Δt]时间段内智能网联公交车所需要的换道距离;/>表示[t,t+Δt]时间段内人工驾驶车辆所需要的换道距离;/>表示[t,t+Δt]时间段内智能网联公交车停车等待乘客上下车的时间;NLC表示换道车辆数;tLC表示换道持续时间;pRB表示智能网联公交车在交叉口右转的比例;pLB表示智能网联公交车在交叉口左转的比例;pSB表示智能网联公交车在交叉口直行的比例;n表示混合交通流所在道路车道数,tblc表示智能网联公交车换道所需时间;thlc表示人工驾驶车辆换道所需时间;lb表示智能网联公交车身长度;lh表示人工驾驶车辆车身长度;
式中,表示智能网联公交车的跟驰距离;/>表示换道过程中车辆加减速所需要的距离;/>表示智能网联公交车换道过程中速度变化所需要的距离;tb表示人工驾驶车辆的跟驰时间;/>表示[t-Δt,t]时间段内混合交通流的平均行驶速度;/>表示人工驾驶车辆的跟驰距离;vl表示人工驾驶车辆的跟驰速度;/>表示人工驾驶车辆换道过程中速度变化所需要的距离;df,b表示智能网联公交车的安全跟车距离;df,h表示人工驾驶车辆的安全跟车距离;τf,b表示智能网联公交车需要的反应时间;τf,h表示人工驾驶车辆需要的反应时间;/>表示[t,t+Δt]时间段内智能网联公交车和智能网联私家车的期望行驶速度。
进一步的,获取混合交通流的通行量如下:
式中:qt表示混合交通流整体的通行量;表示除智能网联公交车外社会车辆的通行量。
有益效果:本发明的一种考虑智能网联公交车的混合交通流通行能力计算方法,该方法在准确描述混合交通流的考虑行驶延误时间后的混合交通流平均通行时间、混合交通流的平均交通密度、混合交通流的通行量等,探究智能网联公交车、智能网联私家车、人工驾驶车辆在跟驰、换道、交互等微观驾驶行为上的特征和差异性;充分考虑异构车辆可接受车头时距的差异性,获取不同智能网联私家车渗透率条件下的混合交通流平均车头时距;考虑智能网联公交车进出站车速对社会车辆(智能网联私家车、人工驾驶车辆)产生的影响,以及交叉口信号灯导致的行驶延误时间,获取混合交通流平均通行时间,实现了车辆微观驾驶行为和宏观交通特征的有机结合;同时引入幽灵密度,从时空域占用情况的角度描述车辆速度变化、换道、公交车停站服务等微观行为,突破了在计算混合交通流通行能力时缺乏微观驾驶行为系统描述方法的局限性。本发明充分考虑异构车辆驾驶行为上的差异性,及其交互过程的复杂性,能够有效适用于多种交通状态和不同智能网联技术发展情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的考虑智能网联公交车的混合交通流通行能力计算方法流程图;
图2为本发明的实施例中的仿真结果误差分析对比图。
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。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。
本实施例提供了一种考虑智能网联公交车的混合交通流通行能力计算方法,如图1所示,包括如下步骤:
S1:获取不同智能网联车渗透率下的混合交通流的平均车头时距;
所述混合交通流中包括人工驾驶车辆、智能网联私家车、智能网联公交车三种车辆组成;所述智能网联私家车指搭载智能网联技术的私家车,智能网联公交指搭载智能网联技术的公交车;所述智能网联私家车和智能网联公交车具备引导车队行驶速度的功能,且车头时距小于人工驾驶车辆的车头时距;其中,由智能网联私家车和智能网联公交车能够协同驾驶就能够形成不同的车队。
所述智能网联车渗透率指混合交通流中,智能网联私家车的数量占车辆总数的比例,其中,智能网联私家车的数量占比越大,表示信息技术发展水平越高。
具体的,所述智能网联车渗透率包括小于50%,等于50%,和大于50%三种情况,当智能网联车渗透率小于50%时,大部分车辆没有通讯能力,无法形成由智能网联私家车引导的车队;当智能网联车渗透率为50%时,混合交通流中普遍存在由智能网联私家车和人工驾驶车辆构成的异质车队;当智能网联车渗透率大于50%时,混合交通流中的所有车队均是由智能网联公交车或智能网联私家车引导的车队;
优选地,所述S1中,不同智能网联车渗透率下的平均车头时距获取如下:
式中,表示混合交通流平均车头时距;ξa表示智能网联车渗透率;nm表示混合交通流中的车辆的总数;nb表示混合交通流中智能网联公交车的数量,ξanm表示混合交通流中智能网联私家车的数量;hhv-hv表示人工驾驶车辆与人工驾驶车辆之间的车头时距;hhv-cv表示人工驾驶车辆与智能网联私家车之间的车头时距;hhv-cb表示人工驾驶车辆与智能网联公交车之间的车头时距;hcv-hv表示智能网联私家车与人工驾驶车辆之间的车头时距;hcv-cv表示智能网联车私家与智能网联私家车之间的车头时距;hcb-hv表示智能网联公交车与人工驾驶车辆之间的车头时距;
S2:获取在[t,t+Δt]时间段,从交叉口向公交站行驶的智能网联公交车的流量;
其中,由于每个公交站能停两个公交车,即包含两个泊位(港湾式公交站可能有三个泊位),且两个泊位独立服务,每个泊位可以视为排队系统中独立的服务台,进而可以将智能网联公交车进出站过程描述为在两个泊位处的排队过程;
优选地,所述S2中,智能网联公交车的流量获取如下:
式中,表示[t,t+Δt]时间段公交站输出的智能网联公交车的流量;Nb表示公交站内智能网联公交车的数量;pt(Nb≥2)表示[t,t+Δt]时间段公交站停有两辆以上智能网联公交车的概率;pt(Nb<2)表示[t,t+Δt]时间段公交站停有不足两辆智能网联公交车的概率;/>表示[t,t+Δt]时间段公交站停放两辆以上智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段公交站停放不足两辆智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段内智能网联公交车在公交站的总服务时间,包括从交叉口到达公交站的行驶时间和在公交站停车等待乘客上下车的时间;/>表示[t,t+Δt]时间段内智能网联公交车从交叉口到达公交站的行驶时间;t表示当前时刻;Δt表示单位时间步长;
其中,公交站停有两辆以上智能网联公交车和不足两辆智能网联公交车的概率分别为:
式中,表示公交站的服务强度;/>表示公交站最大服务强度;/>表示智能网联公交车的到达率;/>表示公交站的服务率,/>pt(Nb=0)表示t时刻公交站内没有智能网联公交车停放的概率;j表示公交站内停放的智能网联公交车数量;k表示可能到达公交站的智能网联公交车数量;
S3:获取混合交通流的行驶延误时间中的车速延误时间,和根据所述混合交通流的平均车头时距,获取混合交通流的行驶延误时间中的信号灯延误时间,以获取考虑行驶延误时间后的混合交通流平均通行时间;
本实施例中的行驶延误时间包括信号灯延误时间和车速延误时间;
所述信号灯延误时间为混合交通流在交叉口由于信号灯造成的行驶延误时间,所述车速延误时间为由于智能网联私家车、智能网联公交车速度变化造成的行驶延误时间;
优选地,所述信号灯延误时间获取如下:
式中,表示[y,y+Δy]时间段内由于信号灯造成的行驶延误时间;R表示信号灯红灯持续时间;/>表示[t,y+Δt]时间段内由于红灯导致的冲击波生成速度;/>表示[t,t+Δt]时间段内红灯结束后冲击波的消散速度;cm表示混合交通流在交叉口处的最大流量;/>表示[t,t+Δt]时间段内混合交通流在交叉口处的到达率,包括智能网联私家车、人工驾驶车辆、左转和直行的智能网联公交车;1-pRB表示智能网联公交车左转和直行所占的比例;n表示混合交通流所在道路车道数;kj表示临界拥堵密度;/>表示[t-Δt,t]时间段内混合交通流平均行驶速度;/>表示[t,t+Δt]时间段内社会车辆的到达率,包括智能网联私家车和人工驾驶车辆;/>表示智能网联公交车的到达率;
优选地,所述车速延误时间获取如下:
式中,表示由于智能网联私家车、智能网联公交车速度变化导致的通行时间增加率;Lb表示公交站向交叉口行驶的距离的总长度;Ll表示公交站所在的路段的总长度,即该公交站所在的路段的两个交叉口之间的长度;γm表示受到智能网联私家车、智能网联公交车速度变化影响的车辆比例;/>表示[t,t+Δt]时间段内智能网联私家车、智能网联公交车的期望行驶速度;
优选地,考虑行驶延误时间后的混合交通流平均通行时间Tt获取如下:
S4:根据幽灵密度理论,获取混合交通流的平均交通密度;
具体的,幽灵密度理论为现有技术,在本实施例中,幽灵密度为单位距离上真实车辆和幽灵车辆之和;其中的幽灵车辆在三种情况下产生,一是由于智能网联私家车和智能网联公交车速度变化,导致人工驾驶车辆减速,占用了更多时空域面积,产生了幽灵车辆;二是智能网联公交车的强制换道和人工驾驶车辆的随机换道过程中的时空域无法被其他车辆占用,占用了更多时空域面积,产生了幽灵车辆;三是智能网联公交车在公交站停靠服务时,虽然在空间上占用的面积不变,但是由于需要停靠一段时间,在时空域上占用了更多面积,产生了幽灵车辆;
优选地,所述S4中,混合交通流的平均交通密度获取如下:
式中,表示[t,t+Δt]时间段内混合交通流的交通密度;/>表示[t-Δt,t]时间段内混合交通流中的车辆总数;/>表示[t,t+Δt]时间段内产生的幽灵车辆数;/>表示[t,t+Δt]时间段内由于智能网联私家车、智能网联公交车速度变化产生的幽灵车辆;表示[t,t+Δt]时间段内由于智能网联公交车驻站产生的幽灵车辆;/>表示[t,t+Δt]时间段内由于智能网联公交车强制换道和人工驾驶车辆随机换道产生的幽灵车辆;表示[t,t+Δt]时间段内智能网联公交车所需要的换道距离;/>表示[t,t+Δt]时间段内人工驾驶车辆所需要的换道距离;/>表示[t,t+Δt]时间段内智能网联公交车停车等待乘客上下车的时间;NLC表示换道车辆数;tLC表示换道持续时间;pRB表示智能网联公交车在交叉口右转的比例;pLB表示智能网联公交车在交叉口左转的比例;pSB表示智能网联公交车在交叉口直行的比例;n表示混合交通流所在道路车道数,tblc表示智能网联公交车换道所需时间;thlc表示人工驾驶车辆换道所需时间;lb表示智能网联公交车身长度;lh表示人工驾驶车辆车身长度;
式中,表示智能网联公交车的跟驰距离;/>表示换道过程中车辆加减速所需要的距离;/>表示智能网联公交车换道过程中速度变化所需要的距离;tb表示人工驾驶车辆的跟驰时间;/>表示[t-Δt,t]时间段内混合交通流的平均行驶速度;/>表示人工驾驶车辆的跟驰距离;vl表示人工驾驶车辆的跟驰速度;/>表示人工驾驶车辆换道过程中速度变化所需要的距离;df,b表示智能网联公交车的安全跟车距离;df,h表示人工驾驶车辆的安全跟车距离;τf,b表示智能网联公交车需要的反应时间;τf,h表示人工驾驶车辆需要的反应时间;/>表示[t,t+Δt]时间段内智能网联公交车和智能网联私家车的期望行驶速度;
S5:根据所述智能网联公交车的流量、混合交通流平均通行时间、混合交通流的平均交通密度,根据系统动态方程获取混合交通流的通行能力;以对混合交通流通行能力进行评估,实现借助信息技术精准评估交通状态。
式中:qt表示混合交通流整体的通行量;表示除智能网联公交车外社会车辆的通行量。
本实施例中提供的考虑智能网联公交车的混合交通流通行能力计算方法能够与仿真结果对比验证其精度,通过测试不同拥堵条件、不同智能网联车渗透率条件下的通行能力,可以发现本实施例方法均能够实现对混合交通流通行能力的准确计算。在多种复杂实际交通场景下,计算精度均为85%以上,如图2所示。
综上所述,本发明实例提供的一种考虑智能网联公交车的混合交通流通行能力计算方法,融合公交运营规则(信号灯)和异构车辆交互关系,探究车队组成情况、平均车头时距、跟驰和换道驾驶行为对混合交通流的影响;考虑车辆换道、速度变化、公交车停站服务等驾驶行为在时空域上的影响,根据幽灵密度理论,提出混合交通流的交通密度的计算方法;进而结合车辆在进出公交站和在交叉口转向过程中产生的行驶延误时间,描述车辆微观驾驶行为对宏观交通特征的影响过程;如图2所示,横轴为输入流量,表示不同的交通状态,纵轴为本实施例的方法计算结果与仿真结果相比的误差率,不同类型的线段表示不同的智能网联车渗透率;从图中可以看出,与仿真结果相比,在多种交通状态、不同智能网联车渗透率条件下本实施例的方法均能保证85%以上的计算精度,且随着智能网联车渗透率的增加,求解精度不断增加,适用于多种实际应用场景,普适性较强。本发明充分考虑异构车辆驾驶行为上的差异性,及其交互过程的复杂性,根据系统动态方程实现了混合交通流通性能力的准确计算,能够有效适用于多种交通状态和不同智能网联技术发展情况。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,包括如下步骤:
S1:获取不同智能网联车渗透率下的混合交通流的平均车头时距;
其中,所述混合交通流由人工驾驶车辆、智能网联私家车、智能网联公交车组成;所述智能网联私家车和智能网联公交车车头时距小于人工驾驶车辆的车头时距;
所述智能网联车渗透率指混合交通流中,智能网联私家车的数量占车辆总数的比例;
S2:获取在[t,t+Δt]时间段,从交叉口向公交站行驶的智能网联公交车的流量;
S3:获取混合交通流的行驶延误时间中的车速延误时间,和根据所述混合交通流的平均车头时距,获取混合交通流的行驶延误时间中的信号灯延误时间,以获取考虑行驶延误时间后的混合交通流平均通行时间;
S4:根据幽灵密度理论,获取混合交通流的平均交通密度;
S5:根据所述智能网联公交车的流量、混合交通流平均通行时间、混合交通流的平均交通密度,获取混合交通流的通行量,以对混合交通流的通行能力进行评估。
2.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,所述S1中,不同智能网联车渗透率下的平均车头时距获取如下:
式中,表示混合交通流平均车头时距;ξa表示智能网联车渗透率;nm表示混合交通流中的车辆的总数;nb表示混合交通流中智能网联公交车的数量,ξanm表示混合交通流中智能网联私家车的数量;hhv-hv表示人工驾驶车辆与人工驾驶车辆之间的车头时距;hhv-cv表示人工驾驶车辆与智能网联私家车之间的车头时距;hhv-cb表示人工驾驶车辆与智能网联公交车之间的车头时距;hcv-hv表示智能网联私家车与人工驾驶车辆之间的车头时距;hcv-cv表示智能网联车私家与智能网联私家车之间的车头时距;hcb-hv表示智能网联公交车与人工驾驶车辆之间的车头时距。
3.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,所述S2中,智能网联公交车的流量获取如下:
式中,表示[t,t+Δt]时间段公交站输出的智能网联公交车的流量;Nb表示公交站内智能网联公交车的数量;pr(Nb≥2)表示[t,t+Δt]时间段公交站停有两辆以上智能网联公交车的概率;pt(Nb<2)表示[t,t+Δt]时间段公交站停有不足两辆智能网联公交车的概率;表示[t,t+Δt]时间段公交站停放两辆以上智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段公交站停放不足两辆智能网联公交车时智能网联公交车的总体流量;/>表示[t,t+Δt]时间段内智能网联公交车在公交站的总服务时间;/>表示[t,t+Δt]时间段内智能网联公交车从交叉口到达公交站的行驶时间;t表示当前时刻;Δt表示单位时间步长;
其中,
式中,表示公交站的服务强度;/>表示公交站最大服务强度;/>表示智能网联公交车的到达率;/>表示公交站的服务率,/>pt(Nb=0)表示t时刻公交站内没有智能网联公交车停放的概率;j表示公交站内停放的智能网联公交车数量;k表示可能到达公交站的智能网联公交车数量。
4.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,所述信号灯延误时间获取如下:
式中,表示[t,t+Δt]时间段内由于信号灯造成的行驶延误时间;R表示信号灯红灯持续时间;/>表示[t,t+Δt]时间段内由于红灯导致的冲击波生成速度;/>表示[t,t+Δt]时间段内红灯结束后冲击波的消散速度;cm表示混合交通流在交叉口处的最大流量;/>表示[t,t+Δt]时间段内混合交通流在交叉口处的到达率,包括智能网联私家车、人工驾驶车辆、左转和直行的智能网联公交车;1-pRB表示智能网联公交车左转和直行所占的比例;n表示混合交通流所在道路车道数;kj表示临界拥堵密度;/>表示[t-Δt,t]时间段内混合交通流平均行驶速度;/>表示[t,t+Δt]时间段内社会车辆的到达率,包括智能网联私家车和人工驾驶车辆;/>表示智能网联公交车的到达率。
5.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,所述车速延误时间获取如下:
式中,表示由于智能网联私家车、智能网联公交车速度变化导致的通行时间增加率;Lb表示公交站向交叉口行驶的距离的总长度;Ll表示公交站所在的路段的总长度;γm表示受到智能网联私家车、智能网联公交车速度变化影响的车辆比例;/>表示[t,t+Δt]时间段内智能网联私家车、智能网联公交车的期望行驶速度。
6.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,考虑行驶延误时间后的混合交通流平均通行时间Tt获取如下:
7.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,所述S4中,混合交通流的平均交通密度获取如下:
式中,表示[t,t+Δt]时间段内混合交通流的交通密度;/>表示[t-Δt,t]时间段内混合交通流中的车辆总数;/>表示[y,y+Δy]时间段内产生的幽灵车辆数;/>表示[t,t+Δt]时间段内由于智能网联私家车、智能网联公交车速度变化产生的幽灵车辆;/>表示[t,t+Δt]时间段内由于智能网联公交车驻站产生的幽灵车辆;/>表示[t,t+Δt]时间段内由于智能网联公交车强制换道和人工驾驶车辆随机换道产生的幽灵车辆;/>表示[t,t+Δt]时间段内智能网联公交车所需要的换道距离;/>表示[t,t+Δt]时间段内人工驾驶车辆所需要的换道距离;/>表示[t,t+Δt]时间段内智能网联公交车停车等待乘客上下车的时间;NLC表示换道车辆数;tLC表示换道持续时间;pRB表示智能网联公交车在交叉口右转的比例;pLB表示智能网联公交车在交叉口左转的比例;pSB表示智能网联公交车在交叉口直行的比例;n表示混合交通流所在道路车道数,tblc表示智能网联公交车换道所需时间;thlc表示人工驾驶车辆换道所需时间;lb表示智能网联公交车身长度;lh表示人工驾驶车辆车身长度;
式中,表示智能网联公交车的跟驰距离;/>表示换道过程中车辆加减速所需要的距离;/>表示智能网联公交车换道过程中速度变化所需要的距离;tb表示人工驾驶车辆的跟驰时间;/>表示[t-Δt,t]时间段内混合交通流的平均行驶速度;/>表示人工驾驶车辆的跟驰距离;vl表示人工驾驶车辆的跟驰速度;/>表示人工驾驶车辆换道过程中速度变化所需要的距离;df,b表示智能网联公交车的安全跟车距离;df,h表示人工驾驶车辆的安全跟车距离;τf,b表示智能网联公交车需要的反应时间;τf,h表示人工驾驶车辆需要的反应时间;/>表示[t,t+Δt]时间段内智能网联公交车和智能网联私家车的期望行驶速度。
8.根据权利要求1所述的一种考虑智能网联公交车的混合交通流通行能力计算方法,其特征在于,获取混合交通流的通行量如下:
式中:qt表示混合交通流整体的通行量;表示除智能网联公交车外社会车辆的通行量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768150.6A CN116704775B (zh) | 2023-06-27 | 2023-06-27 | 一种考虑智能网联公交车的混合交通流通行能力计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768150.6A CN116704775B (zh) | 2023-06-27 | 2023-06-27 | 一种考虑智能网联公交车的混合交通流通行能力计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704775A true CN116704775A (zh) | 2023-09-05 |
CN116704775B CN116704775B (zh) | 2024-01-30 |
Family
ID=87829126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768150.6A Active CN116704775B (zh) | 2023-06-27 | 2023-06-27 | 一种考虑智能网联公交车的混合交通流通行能力计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704775B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238131A (zh) * | 2023-09-14 | 2023-12-15 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073523A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种道路通行能力与网联自动驾驶车当量系数估计方法 |
US20210319691A1 (en) * | 2021-06-25 | 2021-10-14 | Arvind Merwaday | Collaborative detection and avoidance of phantom traffic jams |
CN113591269A (zh) * | 2021-06-29 | 2021-11-02 | 东南大学 | 基于交通仿真的拥堵路段智能网联车辆专用道控制方法 |
CN113781806A (zh) * | 2021-09-23 | 2021-12-10 | 西南交通大学 | 一种用于智能网联环境下的混合交通流通行方法 |
CN114852076A (zh) * | 2022-03-30 | 2022-08-05 | 北京航空航天大学 | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 |
CN114999207A (zh) * | 2022-05-27 | 2022-09-02 | 大连海事大学 | 一种智能网联环境下的公交车生态迫近引导方法 |
CN115116249A (zh) * | 2022-06-06 | 2022-09-27 | 苏州科技大学 | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 |
-
2023
- 2023-06-27 CN CN202310768150.6A patent/CN116704775B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073523A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种道路通行能力与网联自动驾驶车当量系数估计方法 |
US20210319691A1 (en) * | 2021-06-25 | 2021-10-14 | Arvind Merwaday | Collaborative detection and avoidance of phantom traffic jams |
CN113591269A (zh) * | 2021-06-29 | 2021-11-02 | 东南大学 | 基于交通仿真的拥堵路段智能网联车辆专用道控制方法 |
CN113781806A (zh) * | 2021-09-23 | 2021-12-10 | 西南交通大学 | 一种用于智能网联环境下的混合交通流通行方法 |
CN114852076A (zh) * | 2022-03-30 | 2022-08-05 | 北京航空航天大学 | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 |
CN114999207A (zh) * | 2022-05-27 | 2022-09-02 | 大连海事大学 | 一种智能网联环境下的公交车生态迫近引导方法 |
CN115116249A (zh) * | 2022-06-06 | 2022-09-27 | 苏州科技大学 | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 |
Non-Patent Citations (2)
Title |
---|
LIANHUA AN等: ""Modeling System Dynamics of Mixed Traffic With Partial Connected and Automated Vehicles"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 23, no. 9, pages 15755 - 15764, XP011919663, DOI: 10.1109/TITS.2022.3145395 * |
盛东雪: ""网联车环境下城市干道交通参数估计研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 5, pages 034 - 701 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238131A (zh) * | 2023-09-14 | 2023-12-15 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
CN117238131B (zh) * | 2023-09-14 | 2024-05-07 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116704775B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022121247A1 (zh) | 汽车协同决策方法、装置、电子设备及计算机存储介质 | |
CN110853357B (zh) | 高速公路危险路段及施工区域预警控制系统和方法 | |
CN104794919B (zh) | 一种多车道高速公路车道资源实时优化配置方法 | |
WO2019080874A1 (zh) | 一种车辆借道通行的方法和控制中心 | |
CN105118320B (zh) | 一种基于车路协同的城市路段交通诱导方法及装置 | |
CN110910646B (zh) | 用于交叉口的无人驾驶公交车辆的协同控制方法 | |
CN108022450A (zh) | 一种基于蜂窝网络的辅助驾驶方法及交通控制单元 | |
CN116704775B (zh) | 一种考虑智能网联公交车的混合交通流通行能力计算方法 | |
CN110444015B (zh) | 基于无信号十字路口分区的智能网联汽车速度决策方法 | |
CN110992676B (zh) | 一种道路通行能力与网联自动驾驶车当量系数估计方法 | |
CN107730883A (zh) | 一种车联网环境下交叉口区域车辆调度方法 | |
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 | |
CN109300323A (zh) | 一种基于车联网的车速引导方法及系统 | |
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 | |
CN116740945B (zh) | 混行环境下快速路合流区多车协同编组交汇方法及系统 | |
Younes et al. | A vehicular network based intelligent lane change assistance protocol for highways | |
CN104504902A (zh) | 车辆使用路权、路权计算方法及基于路权的道路计费方法 | |
CN110364003B (zh) | 基于车联网的交叉路口双线路有轨电车信号优先控制方法 | |
CN108711285A (zh) | 一种基于道路路口的混合交通模拟方法 | |
Jin et al. | Dsrc & c-v2x comparison for connected and automated vehicles in different traffic scenarios | |
CN107067785A (zh) | 堵车路段经济车速匹配系统及控制方法 | |
CN115100904B (zh) | 一种基于正和博弈的慢行交通与汽车冲突预警方法及系统 | |
CN110556025A (zh) | 一种基于车联网的汽车超车预警方法 | |
CN112373482B (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
CN116246452A (zh) | 网联自动驾驶车辆专用道规划方案合理性分析方法 |
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 |