虚拟编组下基于跟驰模型的列车群运行控制方法研究

高速铁路移动闭塞方式下运输能力与运输需求之间依然存在缺口,虚拟编组是未来提高运输能力的新方式。本文基于虚拟编组概念,受道路交通跟驰模型启发,引入列车动力学和运动学理论,根据相邻两列车之间的速度和距离关系,提出一种新的追踪列车加速度调整策略,建立相应的列车群虚拟编组加速度控制模型,当实现列车群的虚拟编组时,列车群中所有列车的速度相等,任意相邻列车之间的间距等于期望间距,同时,能够确保列车安全与乘客舒适度。本文以CRH380A动车组为背景验证模型,算例仿真结果表明,本文提出的加速度调整策略能有效实现列车群的虚拟编组;与移动闭塞方式相比,采取虚拟编组方式达到列车协同的时间减少9.7%,列车间距缩小10.1%,效率更高;将列车群视为一个整体时,实现虚拟编组的时间比将整个列车群分为多组时更短。

考虑时延和多前车反馈的智能网联汽车跟驰模型

针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.

考虑多前车位置及分位数速度差跟驰模型稳定性分析

为探究交通流特性对车辆跟驰行为的影响,基于分位数回归方法对跟驰模型进行改进,通过稳定性分析方法利用车头间距描述交通拥堵情况。根据分位数回归方法对模型中的优化速度函数进行改进,并将其应用于考虑多前车位置及速度差跟驰模型,使模型可以通过分位点的变换,在仿真过程中模拟不同驾驶风格的车辆。运用傅里叶变换理论推导出该模型的线性稳定性条件,并通过摄动法求得其修正Korteweg-de Vries(mKdV)方程的解,根据车头间距的扭结-反扭结解描述交通拥堵的变化情况。分析对比考虑不同因素的跟驰模型的稳定性临界曲线,为评估改进模型的有效性,搭建环形车道仿真平台并对改进模型进行数值实验。结果表明:在仿真实验中,随着分位点的增加,改进模型达到稳定状态的平均速度逐渐增加,车速分别为9.57、12.58、14.76 m/s;相比原模型,改进模型能够实现更少的位移波动,位移差最小为1.05 m;在混合模型实验中,随着激进驾驶风格车辆数量的增加,改进模型与多速度差模型相比,车队整体的平均速度达到12.42 m/s,位移波动能够达到稳定状态。

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.

考虑车辆特征的分流区跟驰模型研究

为研究混合人工驾驶车辆(human-driven vehicle,HV)与网联自动驾驶车辆(connected and autonomous vehicle,CAV)交通流环境下不同特征车辆混入下高速路分流区的通行效率与行车安全性的提升问题[1],深入分析不同特征车辆混入造成的影响十分必要。基于此,文章以L3层级自动驾驶货车为研究对象,选取3组特征车辆,在考虑混分流(L0~L5)的影响下,选定并设置高速路匝道入口作为研究场景,引入车路协同系统[2],纳入交通参与者行为差异的多样性并加以改进。在所建立的混合交通流微观仿真模型基础上,联合SUMO(Simulation of Urban Mobility)与Python搭建仿真平台,实现驾驶行为模型的仿真验证与高速路中包含基本路段和分流区的混合交通流场景下的仿真试验[3],基于试验数据从交通效率与安全角度分析不同车辆特征对交通流特性的影响及改进跟驰模型的效果。

不同降雨强度环境下高速公路跟驰模型标定

为了标定不同降雨环境下高速公路跟驰模型,通过实地试验探究了不同降雨强度下驾驶员跟驰行为特性,基于遗传算法对跟驰模型进行标定,并采用交叉验证方式对标定参数进行验证。首先,通过实地试验收集了正常、小雨、中雨及大雨条件下的交通流数据,根据车头时距和车头间距筛选跟驰事件;其次,分析了不同降雨强度下驾驶员跟驰行为的变异性,探究了不同降雨强度下的车头间距和跟驰速度的关系;最后,利用遗传算法对GHR模型、FVD模型以及IDM模型参数进行了标定,并采用交叉验证检验了模型精度。结果显示,降雨强度对高速公路的车辆跟驰行为有显著影响。降雨强度越大,驾驶员倾向于保持更大的车头间距和更低的跟驰速度。大雨天气与正常天气相比,跟驰速度相同时的平均跟驰间距增加30 m以上,跟驰间距相同时的平均跟驰速度降低10 km·h^(-1)以上。标定结果进一步显示,随着降雨强度的增加,跟驰模型中体现驾驶员敏感程度的参数逐渐增加,反映驾驶行为或期望驾驶行为的参数呈现向更加保守方向变化的趋势。交叉验证分析还表明,与GHR模型和FVD模型相比,IDM模型更能有效反映不同降雨强度对驾驶员跟驰行为的影响。

雾天网联车辆跟驰模型构建及行为影响分析

网联车辆(Connected Vehicle,CV)已从微观驾驶行为方面被证实其能有效改善雾天交通安全,但鲜有建立微观跟驰模型来模拟CV车辆在雾天的跟驰轨迹。本文根据雾天CV车辆的交通信息获取模式和跟驰行为特征,在雾天智能驾驶人模型的基础上,构建考虑车头时距因子、遵守因子和权重因子的雾天网联车辆智能驾驶人模型(Fog-related Intelligent Driver Model of Connected Vehicle,FIDMCV)。为评价FIDMCV模型的有效性及评估CV车辆在雾天的交通影响,选取累计碰撞时间倒数和交通量作为分析指标,并建立不同CV车辆渗透率和领车减速度的数值仿真场景。在进行数值仿真前,针对关键参数遵守因子和车头时距因子的取值进行敏感性分析。仿真结果表明:随着CV车辆渗透率的增加,混合交通流能更有效地改善雾天交通安全,但会导致雾天车辆跟驰间距增加,从而减少道路交通量,降低交通效率。CV车辆在高风险场景下(6 m·s^(-2)减速度)的碰撞时间倒数值减少比例为14.3%,在中低风险(4 m·s^(-2)和2 m·s^(-2)减速度)场景中为5.6%和6.3%,因此CV车辆在高风险场景下的交通安全改善作用更显著。本文提出的FIDMCV模型能有效再现雾天CV车辆的交通安全改善作用和跟驰间距增加特征,可用作雾天CV车辆的微观仿真工具。

信号交叉口跟驰模型及其参数标定研究

为了更好地运用跟驰模型描述车辆在信号交叉口的通行过程,提出一种考虑信号灯变化对车流瞬时冲击的交叉口全速度差和加速度(full velocity difference and acceleration at intersection,FVDA-I)模型,并根据车辆轨迹数据标定了跟驰模型参数。首先,构建位置-时间临界轨迹来判断车辆能否在绿灯时间内通过交叉口,并提出转弯车辆优化速度。然后,使用S-G滤波器对车辆位置进行平滑拟合,结合期望最大化(expectation maximum,EM)算法标定模型参数。最后,运用FVDA-I模型估计车辆在交叉口的通行时间以验证模型的有效性。仿真结果表明:相较于改进全速度差(full velocity difference,FVD)模型,FVDA-I模型具有头车启动舒适缓慢、跟随车辆启动快、车队总通行时间短的特点,通行效率提高了11.3%,车辆的通行时间与实际采样轨迹的估计时间对比误差小于10%。

考虑驾驶员记忆的多前车速度差跟驰模型研究

为了探究驾驶员记忆和多前车速度差对交通流的影响,本文基于全速度差模型(full velocity difference model,FVDM),结合驾驶员记忆因素和多前车对跟驰车的作用,构建了一种考虑了驾驶员记忆和多前车速度差的跟驰模型。通过改进模型的线性稳定性特征,得出改进模型的稳定性条件。再对改进模型下的车流启动和制动过程进行仿真,并与FVDM的仿真结果作对比。然后采用微小扰动法对改进模型进行数值仿真,研究驾驶员记忆因素和多前车速度差对交通流稳定性的影响。最后,利用下一代仿真(next generation simulation,NGSIM)数据标定了改进模型的参数,并预测了其加速度。研究结果表明:驾驶员记忆在一定程度上不利于交通流的稳定,而多前车速度差对稳定交通流具有积极作用;与FVDM相比,改进模型的启动延迟和制动延迟分别降低了10.0%和19.0%,预测精度更高,均方根误差降低了24.3%。

基于隧道照度因素的车辆跟驰模型研究

为研究隧道环境下车辆的跟驰特性,通过实车试验获得高速公路隧道路段的照度值、车头时距,总结隧道段的照度变化规律,分析照度变化对车辆安全时距的影响作用.以照度变化率为指标,建立照度变化率与车辆安全时距的函数关系模型,基于该模型计算得到的安全时距数据,结合隧道不同区段的照度变化规律对车辆安全时距进行分段拟合,最后根据所拟合的分段函数改进了智能驾驶员跟驰模型(Intelligent Diver Model,IDM),将原模型中的静态安全时距修订为能体现隧道环境下车辆行驶状态变化的动态变量.通过仿真试验所输出的车辆速度检测结果表明,原模型在车辆进入隧道过程中车速从29 m/s减小至24 m/s,随着驾驶员暗适应阶段结束车速逐渐增加至29 m/s且趋于稳定;改进后的跟驰模型在车辆进入隧道过程中车速从29 m/s减小至20 m/s,随着隧道内部照度逐渐稳定,车速稳定在隧道路段限速值附近,在车辆驶出隧道后车速逐渐增加直至趋于稳定,改进后的跟驰模型能符合实际高速公路隧道段的车速阶段性的变化特征.

基于LSTM的跟驰车辆反应时间预测模型

影响跟驰反应时间的主客观因素较为复杂,目前利用深度学习对跟驰反应时间的预测的研究较少。首先对数据集中跟驰轨迹的刺激点和反应点进行筛选,并计算每条轨迹的反应时间。其次,建立基于LSTM的跟驰反应时间预测模型,对数据集中的跟驰车辆反应时间进行预测。最后,对模型进行测试,通过测试结果可知:该模型可以对车辆的跟驰反应时间进行较好的预测,其预测值与真实值具有较高的拟合度,并且其预测结果较于BP跟驰车辆反应时间预测模型具有较高的精准度。

考虑速度差特性的网联车辆弯道跟驰模型

为了研究网联车辆在弯道的跟驰特性和稳定性条件,在纵向控制模型的基础上,综合考虑速度差、弯道半径和汽车最小转弯半径等因素的影响,建立网联车辆弯道跟驰模型。使用线性傅里叶展开式对所提模型的线性稳定性进行理论分析,得到了网联车辆弯道跟驰模型的稳定性判别条件。根据所提模型稳定性判别条件,分析各关键参数对模型稳定性的影响。将改进模型与LCM、IDM和IDM改进模型在跟驰场景下进行对比分析。结果表明:当速度差权值λ>0.9和弯道半径R>200 m时,交通流处于稳定区域,且稳定性随着λ和R的增大而增强;改进后的网联车辆弯道跟驰模型具有较小的车头间距且各跟驰状态下表现良好。

基于动态安全车距的车辆跟驰模型及稳定性分析

为了更好地模拟车辆的跟驰特性,在全速度差(full velocity difference,FVD)模型的基础上考虑前车与跟随车的车头间距、速度差、速度和加速度等因素,建立了一种基于动态安全车距的改进FVD跟驰模型。构建了可变车头时距模型量化前车加速度对跟驰车头间距的影响程度;应用小振幅扰动分析和长波展开进行了模型线性稳定性分析,推导了改进FVD模型的临界稳定性条件;设计环形道路上微扰动数值仿真实验,分析了扰动后的车辆跟驰行为特性,解析加速度参数对模型抗扰能力的影响。研究结果表明:考虑前车加速度信息可以降低扰动演化时的波动振幅,有助于提高车流的稳定性。

基于XGBoost模型的公路运输车辆跟驰行为风险预测方法

针对传统的风险预测方法模型只能对线性数据进行处理,导致预测精度低的问题,提出基于XGBoost模型的公路运输车辆跟驰行为风险预测方法。获取大量的公路运输车辆跟驰样本,对这些样本进行特征提取和划分特征参数阈值,确定与车辆跟驰行为风险相关的部分特征,并进一步确定车辆跟驰行为风险预测的变量。利用XGBoost算法建立风险预测模型,通过对训练样本的学习,使模型能够处理非线性的数据。对比实验结果表明,基于XGBoost模型的风险预测精度高,能及时发现潜在的危险情况,降低事故发生率。

基于Wiedemann74跟驰模型的VISSIM排放测算适用性分析

基于实测的西安市城市道路车辆行驶数据,在采用参数默认值的情况下,对比分析实测及仿真得到的速度、比功率分布,分析结果表明:不能将VISSIM仿真输出直接用于依托比功率的交通排放测算,需进一步对模型参数进行标定.采用遗传算法对模型参数优化,对比分析仿真与实测得到的跟驰后车比功率及排放因子.结果表明,通过遗传算法优化模型参数,可以显著减少比功率均方误差及排放因子计算误差.

基于轨迹重构数据的不同反应时间跟驰模型

基于NGSIM-I80数据集,首先通过人工标注跟驰车辆轨迹曲线的刺激点与反应点,提取每条轨迹的反应时间,得到4种不同反应时间的跟车数据,然后采用零反应时间跟驰模型重构刺激点后的跟驰车轨迹数据,得到任意不同反应时间的重构跟驰轨迹样本,最后采用LSTM神经网络架构,基于重构样本建立不同反应时间的跟驰行为模型。通过仿真发现:反应时间越小,和前车保持的车头间距越小,达到稳定状态的时间越短,反应时间的大小与仿真交通流稳定后的速度大小呈负相关。

考虑反应时滞的ACC跟驰模型构建与分析

为建立自适应巡航(Adaptive cruise control, ACC)车辆的跟驰模型,采用实车试验数据,确定ACC车辆的反应时滞的存在,并将反应时滞代入全速度差(Full Velocity Difference, FVD)模型,建立考虑反应时滞的ACC跟驰模型;通过傅里叶变换和泰勒展开,推导出所构建模型的稳定性条件;通过灵敏性分析,确定各参数对模型的影响;采用遗传算法进行模型标定,分析仿真结果的稳定性状态。研究结果表明,ACC车辆仍旧存在较大的反应时滞,各车的反应时滞均值均大于1.3 s;随着ACC车辆对车头间距和速度差灵敏性提升,保持车队稳定所需的时滞时间逐渐减低,反之则逐渐上升;稳定状态判定结果与实际结果基本一致。得到以下结论,ACC车辆对前后车速度差的敏感程度对车队线性稳定性的影响更大;所构建模型能较好地反映ACC车辆的行为模式和跟驰特点。

跟驰模型参数标定及验证方法

为解决跟驰模型建模过程中参数标定问题及确定合适的模型效果评价方法,首先介绍了应用遗传算法对参数进行标定的过程,并以GM模型为例,利用实测数据对其参数加以具体确定。在此基础上,从检验跟驰模型与实际情况在整体上的契合程度出发,综合考虑模型效果,提出了对跟驰模型的具体检验方法,并对标定参数后的GM模型进行了验证。研究结果表明,本文提出的模型检验方法克服了以往常用跟驰模型验证方法的片面性,对绝大多数跟驰过程,GM模型的模拟输出与实测值间的综合误差在15%以内,而非仅通过加速度对比得到的较大误差。

基于可变跟驰时间和随机因素的通行能力理论计算模型

从车头间距构成的理论分析入手 ,考虑了不同跟驰状态下跟驰时间的变化规律和车辆、驾驶员总体随机特性对车头间距的影响 ,建立了跟驰时间和车头间距随机项的数学模型 ,并在此基础上 ,根据车头间距的一般形式 ,给出了通行能力的理论计算公式。通过对比改进模型与原有模型的速度—流量关系理论曲线 ,认为改进模型能更好地反映实际的交通流状况。最后 ,通过计算不同自由流速度、不同最大跟驰时间和不同速度均方差条件下的通行能力 ,分析了这些影响因素对通行能力造成的影响 ,进一步说明了改进模型在一定程度上的合理性和实用性。

基于最小安全距离的车辆跟驰模型研究

在传统的基于车头时距的安全距离模型和基于制动过程的安全距离模型的研究基础上,针对前导车分别处于静止、匀速和匀减速等不同行驶状态,相应地建立了单车道跟驰状态下跟随车与前导车不发生追尾碰撞的最小安全距离模型,并充分考虑了车辆制动过程中减速度渐变的过程,避免了以往模型中采用制动减速度突变的问题。最后,通过M atlab仿真系统对改进模型和传统模型进行了同等条件下的仿真,仿真数据从理论上验证了改进模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题,可为今后研究跟驰模型提供一定的参考。