在人工驾驶小客车与货车,以及智能网联小客车与货车混行的客货混行异质交通流条件下,设置智能网联车(Connected and Autonomous Vehicle, CAV)专用道能够有效避免不同类型车辆之间的相互干扰。本文针对高速公路CAV专用道的车流管理方法...在人工驾驶小客车与货车,以及智能网联小客车与货车混行的客货混行异质交通流条件下,设置智能网联车(Connected and Autonomous Vehicle, CAV)专用道能够有效避免不同类型车辆之间的相互干扰。本文针对高速公路CAV专用道的车流管理方法展开研究,分析不同类型车辆的空间分布特征,综合考虑CAV渗透率、货车混入率、CAV编队模式及编队规模等因素,给出基于马尔科夫链的客货混行异质交通流通行能力计算方法。然后,在高速公路CAV专用道设置条件下,计算CAV专用道和混行车道的通行能力,并从加权车道饱和度及车道饱和度均衡性两方面考虑,提出基于双目标优化的高速公路CAV专用道车流管理方法。通过案例分析验证了本文方法的合理性。研究表明:CAV渗透率、货车混入率、聚集因子和CAV编队对通行能力具有显著影响;在智能网联小客车(Connected and Autonomous Car, CAC)专用道设置条件下,当交通需求为6000 veh·h^(-1),货车混入率为0.1,CAV渗透率达到0.6时,与优先为专用道分配CAV的车流管理方法相比,本文方法在加权车道饱和度及车道饱和度均衡性方面的表现更优。研究方法可为高速公路CAV专用道的优化部署及其车流管理提供理论支撑。展开更多
为精确刻画匝道合流区客货混行条件下的车辆微观换道行为,本文以量化客货交互为切入点,构建并验证考虑货车影响的微观换道模型。首先,引入“压迫”概念,构建改进Morse势函数模型描述周边货车行驶对小汽车横纵驾驶行为产生的“压迫”影响...为精确刻画匝道合流区客货混行条件下的车辆微观换道行为,本文以量化客货交互为切入点,构建并验证考虑货车影响的微观换道模型。首先,引入“压迫”概念,构建改进Morse势函数模型描述周边货车行驶对小汽车横纵驾驶行为产生的“压迫”影响;随后,分析小汽车换道过程中的横纵向“压迫”变化,提出一种考虑货车“压迫”影响的车辆换道决策模型(Modified Morse-Based Lane-Changing model,MMBLC);最后,基于实测轨迹数据进行数值仿真,验证模型的稳定性与有效性,并进一步利用Python与SUMO(Simulation of Urban Mobility)联合仿真,对比MMBLC模型和现有换道模型在交通流中的表现。结果表明:在稳定性分析中,MMBLC模型对交通流的影响更小,恢复稳定的速度更快;在货车占比30%和交通量3600 veh·h-1的主路3车道客货混行匝道合流区中,MMBLC模型相比LC2013和MOBIL(Model of Optimal Control Based on Interacting Trajectories)模型,换道成功率分别提高11.9%和53.1%,危险场景占比分别降低10.5%和52.8%。展开更多
文摘在人工驾驶小客车与货车,以及智能网联小客车与货车混行的客货混行异质交通流条件下,设置智能网联车(Connected and Autonomous Vehicle, CAV)专用道能够有效避免不同类型车辆之间的相互干扰。本文针对高速公路CAV专用道的车流管理方法展开研究,分析不同类型车辆的空间分布特征,综合考虑CAV渗透率、货车混入率、CAV编队模式及编队规模等因素,给出基于马尔科夫链的客货混行异质交通流通行能力计算方法。然后,在高速公路CAV专用道设置条件下,计算CAV专用道和混行车道的通行能力,并从加权车道饱和度及车道饱和度均衡性两方面考虑,提出基于双目标优化的高速公路CAV专用道车流管理方法。通过案例分析验证了本文方法的合理性。研究表明:CAV渗透率、货车混入率、聚集因子和CAV编队对通行能力具有显著影响;在智能网联小客车(Connected and Autonomous Car, CAC)专用道设置条件下,当交通需求为6000 veh·h^(-1),货车混入率为0.1,CAV渗透率达到0.6时,与优先为专用道分配CAV的车流管理方法相比,本文方法在加权车道饱和度及车道饱和度均衡性方面的表现更优。研究方法可为高速公路CAV专用道的优化部署及其车流管理提供理论支撑。
文摘为精确刻画匝道合流区客货混行条件下的车辆微观换道行为,本文以量化客货交互为切入点,构建并验证考虑货车影响的微观换道模型。首先,引入“压迫”概念,构建改进Morse势函数模型描述周边货车行驶对小汽车横纵驾驶行为产生的“压迫”影响;随后,分析小汽车换道过程中的横纵向“压迫”变化,提出一种考虑货车“压迫”影响的车辆换道决策模型(Modified Morse-Based Lane-Changing model,MMBLC);最后,基于实测轨迹数据进行数值仿真,验证模型的稳定性与有效性,并进一步利用Python与SUMO(Simulation of Urban Mobility)联合仿真,对比MMBLC模型和现有换道模型在交通流中的表现。结果表明:在稳定性分析中,MMBLC模型对交通流的影响更小,恢复稳定的速度更快;在货车占比30%和交通量3600 veh·h-1的主路3车道客货混行匝道合流区中,MMBLC模型相比LC2013和MOBIL(Model of Optimal Control Based on Interacting Trajectories)模型,换道成功率分别提高11.9%和53.1%,危险场景占比分别降低10.5%和52.8%。
