智能网联信息流与交通流互馈机理与协同优化研究

Combining Internet of Vehicle, Automatic Driving and Artificial Intelligence, Connected and Automated Vehicle (CAV) is regarded as a symbolic technology during the evolution of the automobile industry. In CAV environment, information transmission improves the intelligence of vehicles, thus changing the pattern of traffic flow. Also, the high dynamics of traffic flow closely influence the quality of information transmission. Therefore, traditional information theory and traffic flow theory cannot apply to the novel CAV environment, making it necessary to establish combined information flow and traffic flow theory under CAV environment. In order to solve above problems, this project will study the crossfeed mechanism between information flow and traffic flow under CAV environment. Further, the project will explore the positive crossfeed, which means that while utilizing information flow to improve the traffic flow performance, positive feedback can be generated to the information flow, so as to simultaneously improve the performance of information flow and traffic flow. This win-win result provides an important theoretical basis for the joint optimization of information flow and traffic flow under CAV environment. Finally, considering specific information and traffic conditions and requirements, the information network resources (channel, power) and automatic vehicle control strategies (route selection, speed control) will be jointly considered for optimization via utilizing the positive crossfeed between information flow and traffic flow. The project is aimed to reveal the theoretical law of closed-loop interaction between information flow and traffic flow, and to provide a novel method for collaborative optimization of information flow and traffic flow.

作为物联网、自动驾驶和人工智能技术交叉融合的产物，智能网联交通技术被视为智能交通产业变革的标志性技术，已成为国际竞争的重要领域。在智能网联交通系统中，信息传输促进了车辆智能化，改变了交通运行方式；交通流高动态性密切影响着信息传输质量。可见，传统上相对割裂的信息流和交通流理论难以适用于智能网联新环境，亟待建立智能网联环境下信息流与交通流一体化理论。本项目拟研究智能网联环境信息流与交通流的相互作用关系，探索信息流-交通流互馈机理，揭示其协同运行规律，提供二者协同优化的重要理论依据。以信息网络资源（信道、功率）和车辆控制策略（路径选择、速度控制）为优化变量，信息成功传输率和道路通行能力为优化目标，建立多目标优化问题。运用信息流与交通流的双向正反馈规律，结合博弈论、机器学习等优化理论，求解多目标优化问题。通过本研究，能够揭示信息流与交通流闭环作用的理论规律，提供信息流与交通流协同优化新方法。

智能网联交通系统同时承载信息流与交通流。然而，传统相对割裂的信息流和交通流理论难以适用于智能网联新环境，忽略了两者相互作用关系，亟待建立智能网联环境下信息流与交通流一体化理论。基于此，本项目基于仿真与数据混合的方法，构建了智能网联交通数字孪生系统，研究了信息流与交通流互馈机理。进而，利用互馈机理，研究了基于交通流空间特征的车载网络负载均衡优化策略，并提出利用深度学习降低优化策略复杂度的方法理论。进一步地，研究了视距与非视距信息聚合下的微观交通流优化策略，提升智能网联车换道效率。最后，针对智能网联交通异构特征，研究了智能网联车、网联合和传统车混行条件下的交通流优化问题，针对异构车辆交互机制复杂难建模的问题，提出了一种基于黑盒问题的异构交通泛在控制策略。此外，由于交通安全是智能网联交通系统基本需求，项目研究了考虑数据安全的微观交通流优化策略，提出利用联邦强化学习保证智能网联车在不泄露本地数据的情况下进行联合训练换道策略。并提出区块链与联邦强化学习结合，以保障联邦强化学习决策模型上传与下载过程种的训练安全。研究结论：信息流与交通流互馈机理具有较强场景依赖特性，且大规模路网条件下难以获得解析解，利用神经网络可表征其特征。通信网络为低容错，交通网络为零容错，因此，联合优化中交通网络优化具有更高优先级。信息流对交通安全性能提升明显，对交通流效率提升则更依赖交通决策本身。