基于期望速度的交通流仿真模型

根据驾驶人换道行为中是否有换道的意愿和是否可能换道2个方面,基于心理制约条件模型和物理制约条件模型,提出了基于期望速度的一种车辆换道模型,并与Treiber和Helbing提出的智能驾驶人模型结合,提出了新的交通流模拟模型,并应用JAVA针对不同的交通状态进行模拟再现。模拟结果表明:局域堆积群交通堵塞的合流部交通流速度平均值在20 m/s左右变动,合流部的局域交通不安定的交通堵塞状态空间轴上并没有向上传播,而同步态模式交通堵塞的车辆平均速度减少到3 m/s,堵塞波向时间和空间2个方向传播,交通模拟结果再现了同步流到宽幅运动堵塞S-J交通流相转移现象。

强化学习型匝道控制模型的研究

高速公路上的交通堵塞造成了道路利用效率低下,并伴随着能源消耗和环境污染问题,因此各种各样的高速公路控制方法应用于缓解交通堵塞。本文提出强化学习型匝道控制模型,该模型以交通流模拟为预测工具,以人工智能的强化学习为最优化选择模型,并具有一定的自主性、有记忆功能和性能反馈功能,且是一种动态的过程。应用JAVA针对不同的交通状态进行模拟再现,模拟结果表明匝道控制模型对于减少交通堵塞具有显著的效果。

高速公路单点入口匝道RLRM控制方法

为缓解交通堵塞,基于人工智能的强化学习理论,提出了不完全信息下的强化学习单点入口匝道控制方法(RLRM)。基于6个仿真实例,分别计算了平均速度、平均密度、流出交通量与旅行时间,比较了无控制、定时控制与RLRM控制的控制效果。仿真结果表明:在交通量较小的实例1中,以旅行时间为评价指标,定时控制与RLRM控制的交通阻塞缓解率分别为-6.25%、-9.38%,几乎没有控制效果;在交通量变大的实例3中,以旅行时间为评价指标,定时控制与RLRM控制的交通阻塞缓解率分别为-8.19%、3.51%,匝道控制有一定效果,RLRM控制略优于定时控制;在交通量最大的实例6中,以平均速度、平均密度、流出交通量与旅行时间为评价指标,定时控制的交通阻塞缓解率分别为8.20%、0.39%、18.97%与23.99%,RLRM控制的交通阻塞缓解率分别为18.18%、3.42%、30.65%与44.41%,RLRM控制明显优于定时控制。可见,交通量越大,RLRM控制效果越明显。

基于自适应加速度的高速公路合流部交通流合流仿真模型

针对高速公路合流部的合流特性,将高速公路合流部交通流合流分为自由合流和强制合流,根据驾驶员合流行为的心理特性和道路的物理属性,导入自适应加速度的概念,提出基于不等式方程组的高速公路合流模型,并与智能驾驶员模型结合,提出基于高速公路合流部交通流仿真模型。应用JAVA对该模型进行交通仿真,再现了高速公路上合流部典型的局域堆积群交通堵塞和同步态模式交通堵塞的现象。