文摘为研究车辆组团视角下的道路偶发拥堵预警方法,本文提出一种基于双重跟驰模式与多参数融合层次聚类的粘滞性车辆组团(Viscous Vehicle Group,VVG)识别框架。首先,基于普通跟驰(Normal Following,NF)与错位跟驰(Staggered Following,SF)两种微观跟驰模式,划分VVG的普通跟驰单元(Normal Following Unit,NFU)和错位跟驰单元(Staggered Following Unit,SFU);然后,从偶发拥堵特征、时空相似性和结构动态稳定性这3个维度出发,分别选取车速、时间间隔、空间间隔、速度差和加速度差这5个核心参数用以进行量化表征,结合Kolmogorov-Smirnov检验与统计分析进行参数筛选,并通过自底向上的层次聚类确定NFU与SFU的参数阈值范围,并识别VVG。以南京市道路实测交通流数据为例,实证结果表明:NFU与SFU参数的分布差异显著,支持将两种组团单元区分处理;在3088个车辆样本中成功识别出243辆参与VVG,有效验证了模型的识别能力;VVG多在偶发拥堵前出现,可作为拥堵前驱信号,预警成功率可达93.33%。本文为道路偶发拥堵预警提供理论和方法支持。
