快速道路亚稳态交通环境下网联车辆行为协同优化

Considering the new opportunity for freeway active traffic management brought by the connected vehicle technology, this project takes the metastable traffic state as the environment and studies the connected vehicle behavior collaboration and optimization issue. Based on the aggregated traffic flow and vehicle trajectory data, the project analyzes the impact mechanism of micro-behaviors on metastable traffic flow, and expands the simulation model for vehicle behavior collaboration. Based on that, the project considers the traffic characteristics at merge and diverge areas and proposes the ramp and mainline vehicle behavior collaboration model based on the temporal-spatial trajectory management. For mainline, the project builds the vehicle behavior collaboration model for crash prevention and kinematic wave elimination. During the study process, the collaboration/non-collaboration gaming scenarios between vehicle groups are considered and the behavior optimization algorithm is proposed under demand conflicts. Based on the deep neural network and reinforcement learning algorithms, the project builds the data chain of road environment-traffic state- vehicle behavior-effect reward, and forms the deep enhancement and continuous learning abilities to improve the adaptive capacity under complex environments. The impacts of algorithms on traffic flow stability, efficiency and safety are evaluated. Findings of the project can enhance the understanding towards the mechanism of connected vehicle behavior collaboration under metastable traffic environments, and can provide the theoretical and technical support for expressway smart vehicle management and traffic flow optimization in future.

网联技术为快速道路主动交通管理带来新的机遇。以快速道路亚稳态交通流为环境，研究网联车辆行为协同机理与优化管理技术。基于集计交通流和车辆轨迹等数据，分析微观行为对亚稳态交通流的影响机理，二次开发车辆行为协同仿真模型。此基础上，针对合流和分流区交通流特性，提出基于轨迹时空调配的匝道与主线车辆行为协同模型；针对主线建立面向主动事故预防和运动波消除的车辆行为协同模型。在此过程中考虑车辆群体合作/非合作等博弈情境，构建需求冲突下群体行为优化算法。构建网联车辆行为深度学习模型，基于深度神经网络和强化学习算法建立道路环境-交通状态-车辆行为-效果回报数据链，形成算法的深度增强和持续学习能力，提升复杂环境下的适应性。在仿真模型中量化对于交通流稳定性、效率和安全等多目标影响。研究成果可加深理解亚稳态交通环境下网联车辆行为协同机理，可为未来快速道路智慧化车辆管理和交通流优化提供理论与技术支撑。

本项目基于新一轮网联技术浪潮为交通管理带来的机遇，以快速道路亚稳态交通流为研究环境，通过宏观-微观等交通流数据，针对车辆微观行为对亚稳态交通流影响机理、进出匝道和主线路段车辆群体行为协同、群体智能下车辆行为深度学习与优化等关键问题进行研究。研究内容主要包括四个方面：一是车辆行为与亚稳态交通流间关联分析及仿真，从轨迹数据的车辆行为对亚稳态交通流影响、面向网联车辆行为协同的微观交通仿真建模两方面进行分析；二是快速道路交汇区域网联车辆行为协同优化方法，基于合流区匝道与主线车辆冲突下群体行为、分流区驶离与通过车辆冲突下群体行为及快速道路主线路段网联车辆行为，建立对应的协同优化模型；三是快速道路主线路段网联车辆行为协同优化方法，分别建立面向交通事故主动预防的群体车速和面向运动波主动消除的群体行为的协同模型；四是环境感知下网联车辆行为优化的深度学习方法，对基于深度学习算法的网联车辆行为优化和变化环境下车辆行为的持续学习两方面进行建模。结果表明，从宏观层面上，在连续的一阶相变中存在具有不同时空物理结构及其关键特征的三种交通状态（自由流、亚稳态交通流和堵塞），并伴有自发的时空流量中断和容量下降。从微观层面，用速度波动幅度理论和滞后距离对变道对前方车辆的影响进行建模量化，能有效的识别扰动源和确定车辆在宏观相变之间转换的微观临界阈值。在考虑上游车辆减速导致上游路段导致的多次运动波情形，所建立的主线车辆群体行为的协同优化模型使得路网内TTT减少了1.27%，而TET和TIT分别减少了93.53%和94.78%。所构建的面向事故主动预防的车辆群体车速协同模型，可以将总碰撞风险降低19.4%，而总行程时间仅增加1.5%。本研究深入探究车辆行为协同策略和优化算法，充分考虑分/合流区域车辆行为的异质性，并分别面向交通事故主动预防的群体车速协同和运动波主动消除的群体行为协同构建数学模型，有助于交通流稳定性增强、通行效率提升和交通安全改善等多目标协同优化。