基于数据弥补的自稳控制交通流建模与仿真

传统车辆交通流模型根据车头距、当前速度及前车速度等数据建立,近年来,有些学者在传统交通流模型上加入了当前速度和历史速度的差,以提升交通流对小扰动传播的稳定性,并称之为自稳控制。但是这种自稳控制所需的信息容易因为一些因素丢失,导致交通流稳定性下降。本文试图在自稳数据丢失的情况下做数据的弥补,通过使用最近邻前车的相同类型的数据对丢失的自稳控制所需数据进行替换,并提出基于数据弥补的自稳控制交通流模型。为了验证对丢失数据的补偿是否能使自稳车辆稳定,对补偿方案进行了建模以及线性稳定性分析。理论分析结果表明,本文提出的补偿策略使交通流更稳定,仿真结果验证了理论分析结果的正确性。

编队运行中多车通信故障影响及其数据弥补研究

智能网联车编队运行以其特有的安全、高效和节能等优势,在智能交通领域受到广泛关注。然而,该技术应用极度依赖良好的车–车通信条件,偶发或连片的通信故障将大大影响编队运行的动态性能,严重情况甚至危及车辆行驶安全。本文主要聚焦于编队运行过程中,连续多车通信故障引发的队列行驶控制数据缺失问题,分别提出了单数据源、双数据源和多数据源的数据弥补策略。进一步地,本文从车辆跟随性、燃油经济性和驾驶舒适性三个方面对比了所提数据弥补策略在不同故障窗口大小情况下编队运行的性能维持效应。仿真结果表明,三种数据弥补策略均能极大缓解由于连续多车通信故障引起的编队运行性能下降,维持良好的车辆编队运行特性。此外,对比实验还发现,因单数据源的弥补策略所选取的交通状态数据最接近故障车的状态数据,所以单数据源的弥补策略在维持队列原有良好性能上具有最佳效果,可为将来编队运行控制数据的弥补提供参考。