交通流加速度与多速度差模型及稳定性分析

在多速度差模型(Multiple Velocity Difference Model,MVDD)的基础上,给出了一个扩展交通流模型———加速度差与多速度差模型(Multiple Velocity and Acceleration Difference Model,MVADM)。在MVADM中,尝试利用前车的加速度差以提高交通流的稳定性。通过线性稳定性分析,发现与MVDM相比,MAVDM模型中自由流稳定的敏感系数临界值变小,稳定区域有明显增加。

考虑前车加速度信息影响的多速度差模型

为开发智能交通系统,在多速度差(MVD)模型的基础上,提出一个扩展模型,即多信息(MI)模型。在MI模型中,采用前车的加速度信息以及速度差信息提高交通流的稳定性。通过稳定性理论,得到MI模型下线性稳定临界曲线。MI模型比它相应的MVD模型有明显的改善,稳定敏感系数临界值变小,稳定区域明显增加。对驾驶员灵敏度系数在不同取值情况下,分别进行反复数值模拟仿真,结果表明,MI模型能更好地描述交通流的波动特性。

考虑前车加速度信息的跟驰模型及数值模拟

为了改进最优速度(OV)跟驰模型只考虑车间距因素对车辆跟驰行为影响的不足,在考虑前导车加速度信息对后车跟驰行为影响的基础上,提出了一种改进OV跟驰模型。并利用小振幅扰动法对模型进行了线性稳定性分析,得到了模型的稳定性条件,对改进OV模型进行了数值模拟。仿真结果表明,与传统OV模型相比,考虑前导车加速度信息对跟驰车的影响后,交通流的稳定区域显著增加,改进OV模型能有效抑制交通流的堵塞。

加速度差与多速度差模型的数值模拟

对加速度与多速度差模型进行了详细的数值分析。通过数值模拟发现,加速度与多速度差模型能够更快地吸收外界的扰动,并能迅速地使系统达到稳定状态;在相同的敏感系数下,该模型的能量消耗也是最小的,有利于提高能源利用率,减少能量消耗。

基于多前车信息融合的智能网联车辆跟驰模型

为了进一步提高交通流的稳定性,在经典基于驾驶员记忆的最优速度(OVCM)模型的基础上,提出了一种基于多前车最优速度与紧邻加速度(MHOVA)的智能网联车辆跟驰模型。首先,引入k辆前车的最优速度变化量与紧邻前车的加速度改进OVCM模型,并分别以参数γ和ω表示其权重;然后,结合改进模型利用线性稳定性分析获得交通流的临界稳定条件;最后,利用Matlab对车队施加扰动后的速度和车头距等参数进行数值模拟与分析。仿真结果表明:在车队启动和停止过程的仿真中,所提模型比OVCM模型使得车队整体达到稳定状态的时间更短;在环形道路上车队施加扰动的仿真中,所提模型相比于全速度差(FVD)模型、OVCM和多前车最优速度(MHOV)模型,在合理加速度敏感系数ω和前车数k约束下的速度和车头距波动幅度相对较小,尤其当ω为0.3且k为5时车辆速度的向上和向下波动率最小可达0.67%和0.47%,表明改进模型能较好地吸收交通扰动和增强车队行驶稳定性。

考虑前方多车辆速度差的优化速度模型

提出了考虑前方多辆车速度差的多重向前看跟驰模型,利用线性稳定性分析给出交通流演化过程的稳定条件;数值模拟对比几种跟驰模型的稳定特性,考虑前方多辆车相对运动速度可避免出现负速度即车辆倒退的现象,并对车流有很好的致稳作用,得出车流越稳定、附加能耗越低的结论。

考虑车辆加速度和次邻近车辆速度差的跟驰模型及仿真研究

在次邻近车辆速度差模型(Two Velocity Difference Model,TVDM)的基础上,提出了一个扩展的交通流模型,即加速度与次邻近车辆速度差模型(Acceleration and Two Velocity Difference Model,ATVDM)。线性稳定性分析表明:和TVDM相比,ATVDM模型可以使交通流的稳定性得到增强,稳定区域有明显增加。数值模拟结果表明ATVDM不仅可以成功预测车辆运动延迟时间和启动波波速,还可以避免急刹车情况下事故的发生。

稳态控制驾驶行为下车辆跟驰模型的稳定性分析

通过考虑驾驶员针对车头间距的自我稳态控制效应,并基于全速度差模型,本文提出了一种改进的车辆跟驰模型。然后利用线性摄动理论,得到了本文改进模型在小扰动下保持稳态的中性稳定性条件;该稳定性条件的解析式表明驾驶员的稳态控制行为可以有效提高交通流系统的稳定性,并且比全速度差模型具有更高的稳定性。最后通过数值模拟研究了不同强度的稳态控制行为对交通流系统车头间距、速度以及迟滞回环的影响;数值结果显示:随着稳态控制系数的增大,交通流系统将变得更加稳定。数值结果和稳定性条件的解析结果完全吻合。

一种新的多速度差交通流跟驰模型

从提高车流的稳定性和降低车流能耗的角度,考虑多辆车相对速度的总体阻尼效应,提出一种多重"向前看"多速度差交通流跟驰模型(MRVOV模型),并将该模型与几种典型的跟驰模型的稳定性及能耗进行比较。结果表明在充分利用前方车辆运动信息的情况下,MRVOV模型能较好的反映现实交通的跟驰效应,仅仅考虑前方较少车辆对当前车的影响,就可以增强车流的稳定性,降低资源浪费,减少对周围环境的污染。

一种改进全速度差模型的稳定性分析与仿真

针对传统全速度差(FVD)模型缺乏考虑前车最优速度影响的局限性,提出了一种改进的全速度差(IFVD)模型。在IFVD模型中,除了考虑跟驰车自身的最优速度和前车的速度差外,还进一步分析了多辆前车的最优速度信息对提高交通流稳定性的作用。并利用小振幅扰动法对模型的稳定性进行了分析,推导了模型的临界稳定性条件。最后通过数值模拟方法对FVD和IFVD模型进行了对比研究。研究结果表明,在相同的初始扰动条件下,考虑前车最优速度影响的IFVD模型能更有效地抑制交通流的堵塞,且随着考虑前车数量的增多,自由流稳定的灵敏度系数临界值在减小,稳定区域逐渐增大。

Stability Analysis for Car Following Model Based on Control Theory

Stability analysis is one of the key issues in car-following theory. The stability analysis with Lyapunov function for the two velocity difference car-following model(for short, TVDM) is conducted and the control method to suppress traffic congestion is introduced. Numerical simulations are given and results are consistent with the theoretical analysis.

多速度差模型及稳定性分析

在全速度差(Full Velocity Difference,FVD)模型的基础上,提出了一个扩展模型———多速度差(Multiple VelocityDifference,MVD)模型.在MVD模型中,尝试利用多辆前车信息以提高交通流的稳定性,除了考虑前车与本车的速度差外,进一步利用了多辆前车间的速度差信息.通过线性稳定性分析,对两个模型进行比较,发现在MVD模型中,自由流稳定的敏感系数临界值变小,稳定区域有明显增加.数值仿真结果表明,MVD模型能有效地抑制交通流堵塞.

非邻近车辆最优速度差模型

描述了优化速度模型、广义力模型和全速度差模型,分析了这些模型解决交通流问题的不足。在全速度差模型的基础上,考虑驾驶人对非邻近双前车优化速度差信息的关注程度,提出了最优速度差模型。通过线性稳定性分析,得到交通流的稳定性条件,通过数值模拟,比较了最优速度差模型与全速度差模型。模拟结果表明:应用最优速度差模型,临界稳定性曲线的敏感系数变小,自由流区域明显增大;当敏感系数为0.310 0s-1时,交通流稳定性增强,并未出现负速度现象;当敏感系数为0.777 8s-1且反应系数为0.2时,车辆速度基本保持在0.963 5m.s-1;随着反应系数的增大,速度迟滞环逐渐趋向于一点。可见,最优速度差模型有效。