考虑CAV自主停车行为的混合交通均衡配流模型

为了评估网联自动驾驶汽车(CAV)的自主停车行为对交通系统效率的影响,建立了CAV通勤流、人工驾驶汽车(HDV)通勤流、CAV自主停车流3类交通流混行下的交通均衡配流模型.通过引入CAV停车需求内生变量,考虑CAV对路段通行能力的提升效应,从而定量描述CAV停车需求分布以及3类交通流在路段上混行的拥挤效应.分别采用用户均衡、随机用户均衡原则描述CAV、HDV出行者的路径选择行为,采用Logit离散选择模型描述自主停车CAV的停车场选择行为,由此建立多用户混合交通均衡条件以及等价的变分不等式(VI)模型.由于模型中CAV自主停车需求为未知的内生变量,提出一种改进的相继加权平均法求解该模型.最后,通过算例验证了混合交通均衡配流模型及求解算法的有效性.

智能网联车和人驾车辆混合交通流排队长度估计模型

为了解决智能网联车(ICVs)和人驾车辆(HDVs)混行交叉口的排队估计问题,提出基于概率统计和贝叶斯定理的排队长度估计模型.综合考虑队列中智能网联车位置、速度和渗透率等因素,分别构建可观测队列排队长度估计模型、不可观测队列排队长度估计模型和渗透率估计模型,通过迭代实现排队长度和渗透率的实时估计.利用随机种子模拟不同渗透率条件下智能网联车在队列中的分布特征,分析不同交通条件下模型的估计精度.与已有模型的对比表明,在智能网联车低渗透率(10%)条件下,在非高峰时段,本研究模型、已有模型的平均绝对百分比误差(MAPE)分别为29.35%、59.68%;在高峰时段,本研究模型、已有模型的MAPE分别为26.50%、34.66%.在智能网联车高渗透率条件下(90%),在非高峰时段,本研究模型、已有模型的MAPE分别为6.90%、17.85%;在高峰时段,本研究模型、已有模型的MAPE分别为1.45%、1.05%,误差接近.本研究所提出的排队估计模型在低渗透率和高渗透率条件下均具有更好的估计精度.

高速公路客货混行交通流元胞传输模型

针对客货混行引发的交通流稳定性下降、交通安全风险增加以及运行效率降低等问题,构建一个多车道客货混行交通流元胞传输模型,从宏观角度研究不同货车渗透率下的高速公路客货混行交通流特性.首先,利用微观车辆跟驰模型,分析均质小汽车和货车交通流的基本图特征,提出不同货车渗透率下的客货混行交通流基本图模型.然后,采用具体参数表征换道、有限加速度造成的道路交通容量下降效应,刻画客货混行交通流中货车对直行和换道流量的影响,采用Logit模型计算多因素影响下的换道交通流量,构建多车道客货混行交通流元胞传输模型.最后,通过高速公路多场景仿真实验验证模型的有效性.研究结果表明:所提出的模型可准确模拟高速公路上的客货混行交通流演变过程;货车渗透率是影响混行交通运行的关键因素,在交通事件导致车道数减少时,货车渗透率超过0.6会导致交通拥堵难以消散.研究成果可为高速公路客货混行交通流特性研究提供分析工具,为客货混行下的交通管理和疏导策略制定提供理论方法.

基于改进NaSch模型的网联异质交通流特性分析

为研究智能网联环境下异质交通流演变规律,设计典型场景驾驶模拟实验,采集传统车辆(human driven vehicle,HDV)与智能网联车辆(connected vehicle,CV)驾驶行为特征指标,对异质交通流关键参数进行分析和标定;构建考虑HDV与CV驾驶行为差异的异质交通流元胞自动机模型;并基于改进的NaSch模型进行仿真实验,解析智能网联环境下交通流基本图,分析异质交通流特性。研究结果表明:较于HDV,CV驾驶员捕捉道路信息和反应时间提升约11.4%;自由流状态下,CV车速比HDV车速提升了7.4%,且同一车速下安全跟驰距离缩短了18.2%;随着CV所占比例由20%增至80%,交通流基本图显示交通流平均车速显著提升,交通流率增加,时空轨迹图显示局部拥堵状况明显改善。

考虑异质交通流的随机参数优化速度跟驰模型

为分析交通流异质性对车辆跟驰行为的影响,基于随机参数线性回归方法改进优化速度函数.根据分位数回归对交通流速度-密度数据进行分类,对每个类别数据进行随机参数线性回归,并得到不同类别的改进优化速度函数与假设检验结果,结合改进的优化速度函数和全速度差跟驰模型建立随机优化速度跟驰模型,利用傅里叶变化理论对跟驰模型进行稳定性分析,并搭建环形车道仿真平台对跟驰模型进行数值实验.结果表明,分类处理后的随机参数模型误差较未分类降低28%;随机参数跟驰车队的速度值随着0.5分位点车辆的增多而增大;随机参数跟驰模型车队较固定参数跟驰模型车队更能反映交通流异质性对车队的影响.建立的模型能够提高仿真维度,真实反映交通流的复杂运行状况.

考虑编队意愿的CAV队列对混合交通流条件下交叉口通行能力的影响研究

为研究考虑编队意愿的网联自动驾驶车辆(CAV)队列对混合交通流条件下交叉口通行能力的影响,针对CAV、自动驾驶车辆(AV)、人工驾驶车辆(HDV)构成的混合交通流,考虑CAV的编队意愿,基于10种车辆跟随状态类型和4种车间时距类型,基于马尔可夫链理论,推导出车辆跟随状态类型的状态转移矩阵和状态概率分布,构建交叉口通行能力模型,分析队列时距、编队意愿、渗透率(P_(C))、最大队列规模对交叉口通行能力的影响并进行数值案例验证。研究结果表明:通行能力随CAV队列时距的减小而增加;在给定P_(C)时,通行能力随编队意愿的增强而增加;P_(C)小于0.2时,编队意愿对交叉口通行能力的提高很小,P_(C)大于0.4时,编队意愿对提高交叉口通行能力的影响变得显著;更高的P_(C)是否会带来更大的通行能力,取决于编队意愿和异质的车间时距;对于控制队列规模不超过一个最大值k_(m′),在给定P_(C)时,通行能力随最大队列规模的增大而增加,但增幅逐渐减小;P_(C)小于0.2时,提高最大队列规模对通行能力的提高较小,P_(C)大于0.6时,最大队列规模对提高通行能力的影响变得显著。

基于粒子滤波的智能网联混合交通流状态估计

面向智能网联车辆和普通人工驾驶车辆共存的混合交通流环境,采用粒子滤波算法对城市快速路路段进行宏观交通流参数的估计,从而实现对城市快速路智能网联混合交通流状态的估计。以二阶宏观交通流模型为基础,结合混合交通流模型,构建粒子滤波交通流状态估计的状态-空间模型,并通过Matlab和SUMO仿真软件测定粒子滤波对混合交通流的状态估计效果,通过计算分析,发现粒子滤波状态估计模型对交通流状态波动有较好的追踪能力,性能上优于扩展卡尔曼滤波方法。

领域知识与数据驱动的混合交通流车辆轨迹预测

自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路,高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性,设计一个融合领域知识和经验的深度学习模型(DKConv-LSTM)实现车辆的长、短时轨迹预测。该模型采用卷积结构(Conv)提取交互特征,并将融合车辆历史信息的特征向量送入长短时记忆网络(LSTM)模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比,仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差(FDE)约30.46%,提升平均轨迹误差(ADE)约34.78%;而DK-Conv-LSTM模型可分别提升FDE 46.81%和ADE 49.08%;同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。

面向队列实际行为特性的混合交通流建模及分析

为探讨自主汽车队列实际行为特性对交通流的影响,针对混入前车跟驰(PF)汽车队列的混合交通流,考虑队列实际行为特性并按照其实际控制策略进行建模,基于元胞自动机方法建立了混合交通流模型。仿真分析表明:队列车头时距、队列渗透率、队列规模、控制增益等队列特征对混合交通流呈现出耦合及非线性的影响特性,不同队列特征下的混合交通流时空特征差异显著;减小队列车头时距或增加队列渗透率对提升道路的通行能力总体是有利的;队列规模及控制增益对交通流量的一致性影响规律不明显,都需要结合其他队列特征进行具体分析。

基于极限学习机的短期交通流预测混合优化模型

交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

亚临界区圆柱绕流相干结构壁面模化混合RANS/LES模型

本文发展了一种具有壁面模化大涡模拟能力的雷诺平均纳维-斯托克斯(RANS)和大涡模拟(LES)方法的混合模型(简称WM-HRL模型),致力于对亚临界区雷诺数钝体绕流相干结构这类复杂流动现象进行高置信度的CFD解析模拟研究.该方法通过一个仅与当地网格空间分布尺寸有关的湍动能解析度指标参数rk即可实现从RANS到LES的无缝快速转换,并且RANS/LES混合转换区的边界位置及其各个分区(包括RANS区、LES区及RANS/LES混合转换区)对湍动能的解析能力均可通过两个指标参数nrk1-Q和nrk2-Q准则进行预先设定.通过对雷诺数Re=3900下圆柱绕流场的系列数值模拟研究,获得了能够高置信度解析并捕捉其绕流场中三维时空瞬态发展相干结构特性的湍动能解析度指标参数nrk1-Q和nrk2-Q准则的组合条件.研究表明,该WM-HRL模型不仅能够准确获取圆柱绕流场中剪切层小尺度K-H不稳定性结构的精细谱结构,而且在同一套网格系统下通过变化湍动能解析度指标参数nrk2-Q和nrk1-Q准则的组合条件,还可以精细解析圆柱绕流场中两类不同回流区的长度结构特征,及其对应的圆柱尾部近壁面处V和U形两个平均流向速度剖面的分支结构特性.

基于误差补偿的多模态协同交通流预测模型

交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.

结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。

新型混合交通流场景下交叉口信号控制和轨迹控制协同优化方法

针对人类驾驶车辆(human driven vehicle,HDV)和智能网联车辆(connected and autonomous vehicle,CAV)组成的新型混合交通流场景,现有的交叉口协同控制方法中,集中控制和单车控制分别对中央控制器的算力和车载计算单元的算力要求较高。本文研究了1种将元胞传输模型(cell transmission model,CTM)与双层规划模型相结合的协同优化方法,利用可调整的元胞长度平衡求解信号控制与CAV轨迹优化2个问题所需的算力,从而灵活地根据中央控制器和车载计算单元的算力分配计算资源;通过上层模型预测交通流状态并优化信号控制参数,引入动态调整元胞长度规则,降低中央控制器的计算负担;基于上层的交通状态预测结果,利用下层模型对CAV轨迹进行全局规划,进一步提升交叉口通行效率。同时,为了提升解的最优性和求解的实时性,采用结合随机梯度下降法和遗传算法的迭代优化算法,避免陷入局部最优的同时提升求解效率。最后以无锡市先锋中路与春风南路交叉口数据为例,验证了不同CAV渗透率下优化的效果,结果表明:①相较于基准方案,本文提出的协同优化方案最高可以降低交叉口8.09%的车均行程时间,降低了交叉口拥堵向上游的传播;②当CAV渗透率为30%、60%和90%时,优化比例为2.51%、5.08%和7.88%;③在进口道流量大于3000 pcu/h时,仍能在100s内获得最优信号控制方案,可支持实时优化。该方法可以有效改善城市交通拥堵,提高新型混合交通流场景下交叉口的通行效率。

融合流能量模型的流量异常检测方法

网络流量异常检测是一种可以协助识别和预防恶意网络攻击的关键网络安全技术。现有的网络流量异常检测方法通常依赖于复杂的机器学习模型和大量的标记数据,因此,这些方法在不重新训练模型的情况下难以应用于不同场景,无法实时有效地处理大规模的、持续发生的网络攻击。针对这些问题,提出了一种基于网络流能量模型的分类方法,使用逆统计物理学模型学习网络中目标流量特征,能够以宏观的现实观测或现实数据为基础,不再依赖人工标注。结合能量模型的概念构建网络流量识别模型,通过该模型判断样本是否与主体统计分部相符。具体来讲,通过能量模型中的局部场和耦合场分别描述流量包之间的个体行为特征以及相互行为特征。结合以上两种特征来计算样本的能量,若能量小于或等于阈值,则样本与主体分布相符,说明该样本为正常数据,否则判断为异常数据。由于该方法不依赖于人工标注,能够适应多种网络环境,且无须重复训练,进而能够解决当前流量异常检测方法无法适应不同场景,以及需要大量标注等问题。为了评估该方法的有效性,使用数据集Kitsune-2018和CTU-13对方法进行验证。实验结果表明,该方法在网络流量分类任务中能够取得较好的分类效果和性能表现,进一步说明该方法能够准确地执行网络流分类任务并且能够适应场景变化。

高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型

为提前准确预知高速公路施工控制区交通流变化趋势,解决交通流时间序列中的长期依赖问题,文中建立了高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型。首先,将预处理后的动态交通流数据集按时间步长顺序输入到LSTM网络,对交通流信息建模和学习。然后,引入BiGRU和Attention机制以更好地捕捉上下文信息和提供更具针对性的权重分配。最后,将构建的LSTM-BiGRU-Attention模型与其他模型进行交通流预测对比,评估模型性能。实验以G35济广高速公路某施工控制区交通运行情况为案例进行研究,结果显示该模型的平均绝对误差MAE为1.91,均方根误差RMSE为2.83,决定系数R^(2)为0.79,平均绝对百分数误差MAPE为3.23。对比其他模型,LSTM-BiGRU-Attention模型的4个评估指标均有所下降,说明该模型可为高速公路施工控制区提供更加精准的预测。

带干扰项的ARZ交通流模型的时滞控制与ISS稳定性

针对线性化之后的ARZ交通流模型,已有文献通常基于如下假设:一是系统的平衡态恰好等于自由流的速度,二是进入上游路段的交通量恰好等于交通需求的数学期望,三是边界反馈不考虑时滞因素的影响.该文抛开各类限制条件,结合时滞边界控制策略,建立了具有模型漂移项和边界扰动项的PDE-PDE无穷维耦合闭环系统.具体地,采用算子半群理论,将闭环系统改写为抽象发展方程的形式;结合线性系统解与控制算子的允许性理论,证明了闭环系统的适定性;构造加权ISS-Lyapunov函数,证明了闭环系统的输入-状态稳定性(ISS),得到了反馈参数的耗散性条件.通过数值仿真实验,进一步验证本文设计的时滞控制器的有效性与参数条件的可行性.

基于时滞反馈的ARZ交通流模型的入口匝道控制

对于Aw-Rascle-Zhang(ARZ)非平衡交通流模型,若入口处的交通流量恒定,出口处交通流的密度恒定,则系统处于临界稳定,在平衡状态附近会有持续的振荡。提出在入口匝道处设计时滞反馈控制策略,并将时滞项用一阶运输方程初值问题的解进行刻画,建立了PDE-PDE无穷维耦合闭环系统的形式。采用算子半群理论证明系统的适定性。构造加权严格Lyapunov函数得到系统指数稳定的结论。结果表明,当反馈增益和时滞取值满足某个不等式约束条件时,系统能量达到指数衰减。最后,通过数值仿真,验证所设计时滞控制器的有效性和参数条件的可行性。

基于季节性ARIMA模型的短时交通流预测方法研究

综合道路特点、行驶时间和车辆的特征等信息,采用时间差值法筛除无效数据,剔除运营车数据;在通过序列分解与ADF-1平稳性检验后,提出基于季节性ARIMA模型的短时交通流预测技术,以探究该模型下车流量预测精度达到最佳预测效果时的最优采样间隔;采用AIC准则对参数寻优定阶,ADF检验和差分分析选择最优的差分阶层;为确保模型的可靠性,使用Ljung-Box Q检验进行白噪声检验。结果表明,时间间隔为15 min的车流量统计模型SARIMA(1,1,2)×(2,0,0)4在预测精度和稳定性方面均优于其他时间间隔和传统的ARIMA模型。同时,该方法也具有一定的通用性,可以应用于其他领域的短时流量预测。

ARZ交通流模型的时滞边界控制

当使用时滞控制器(即瞬时位置和时滞位置线性组合的边界反馈控制律)控制Aw-Rascle-Zhang(ARZ)交通流模型时,闭环系统的指数稳定性与控制器增益以及时滞参数的选取有较大的关系。旨在建立时滞偏微分方程系统的适定性,并定量求取参数稳定域。首先,结合时滞反馈控制策略,建立偏微分方程-偏微分方程(partial differential equation-partialdifferentialequation,PDE-PDE)耦合闭环系统。第二,采用算子半群方法将闭环系统改写为抽象发展方程的形式,进而讨论系统算子的可逆性及闭环系统的适定性。第三,构造加权严格Lyapunov函数,精确求解出闭环系统指数稳定时反馈参数及时滞值所满足的条件,求得的稳定域为抑制交通流的振荡提供了理论依据。最后,借助MATLAB数学软件进行数值模拟,仿真结果验证了时滞控制器的有效性。