基于多车状态变化特征的网联车跟驰模型

doi:10.19562/j.chinasae.qcgc.2023.08.002

摘要/Abstract

摘要：

针对前车速度单双向突变引起的交通流不稳定问题，提出一种基于多车状态变化特征的网联车跟驰模型（MVSCF）。首先引入多前车加速度差变化特征和优化的速度期望估计改进MVCM模型；然后利用微小扰动法和约化摄动法求解MVSCF模型的临界稳定条件，同时结合环形道路场景推导多前车加速度差系数k、多前车数q和多前车最优速度权重ε的相对最优值；最后利用直行道路场景对比分析MVSCF模型在前车速度非平稳变化作用下的交通流稳定效果。仿真结果表明：前车速度单双向突变时，MVSCF模型能够较好吸收前车扰动，速度波动峰谷差值和加速度波动幅度均有所减小，有利于提升交通流的稳定性。

关键词: 网联车, 跟驰模型, 最优速度, 微小扰动法, 约化摄动法

Abstract:

For the unstable problem of traffic flow caused by the unidirectional and bidirectional abrupt change of speed of the preceding vehicle， a car following model for connected vehicles based on Multiple Vehicles with State Change Features （MVSCF） is proposed. Firstly， the acceleration difference change characteristics of multiple preceding vehicles and the optimized estimation of speed expectation are introduced in to improve the model of Multiple Vehicles Changes with Memory （MVCM）. Secondly， the critical stability conditions of MVSCF model are obtained by utilizing the micro perturbation method and the reductive perturbation method， respectively. Meanwhile， for the multiple preceding vehicles， the acceleration difference coefficient k， the preceding vehicle quantity q and the optimal speed weight ε are deduced in the circular road scenario， respectively. Finally， the traffic flow stability effect of the MVSCF model is simulated and analyzed in the straight road scenario under the influence of non-stationary change of the preceding vehicle speed. The simulation results show that when the speed of the preceding vehicle is influenced by either unidirectional or bidirectional abrupt change， the MVSCF model can better absorb the disturbance from the preceding vehicle， with the peak-to-valley difference of speed change and the fluctuation amplitude of acceleration reduced， which is conducive to improving the stability of traffic flow.

Key words: connected vehicles, car-following model, optimal speed, the micro perturbation method, the reductive perturbation method

史昕,朱健,赵祥模,惠飞,马峻岩. 基于多车状态变化特征的网联车跟驰模型[J]. 汽车工程, 2023, 45(8): 1309-1319.

Xin Shi,Jian Zhu,Xiangmo Zhao,Fei Hui,Junyan Ma. Car-Following Model for Connected Vehicles Based on Multiple Vehicles with State Change Features[J]. Automotive Engineering, 2023, 45(8): 1309-1319.

图/表 13

图1

图2

表1

MVSCF模型仿真关键参数设置"

参数名称及符号	数值或取值范围
安全车头间距h_c	4 m
时间步长Δt	0.1 s
最优速度敏感系数α	0.41
速度差敏感系数 $λ'$	0.6
最优速度记忆敏感系数 $γ i$	0.2
多前车数q	［1， 2， 3， 4］
多前车最优速度权重ε	［1.0， 0.9， 0.8， 0.7］
多前车加速度差敏感系数k	［0， 0.1， 0.2， 0.3， 0.4， 0.5］

表1

表2

不同k影响下的速度波动特征"

k值	$v m a x$ / （m·s^-1）	$v a v e$ / （m·s^-1）	$v m i n$ / （m·s^-1）	$R u p$ /%	$R d n$ /%
k=0	2.19	1.26	0.69	73.81	45.24
k=0.1	1.96	1.22	0.70	60.66	42.62
k=0.2	1.75	1.17	0.72	49.57	38.46
k=0.3	1.28	1.08	0.87	18.52	19.44
k=0.4	1.46	1.11	0.80	31.53	27.93
k=0.5	1.45	1.09	0.79	33.03	27.52

表2

图3

图4

图5

图6

图7

表3

图8

图9

表4

参考文献 21

1	赵祥模，惠飞，史昕，等. 泛在交通信息服务系统的概念，架构与关键技术［J］. 交通运输工程学报， 2014， 14（4）： 105-115.
	ZHAO X M， HUI F， SHI X， et al. Concept， architecture and key technology of ubiquitous traffic information service system［J］. Journal of Traffic and Transportation Engineering， 2014， 14（4）： 105-115.
2	梁军，王军，杨云庆，等. 网联车对抗神经网络跟驰模型［J］. 汽车工程， 2021， 43（4）： 588-600.
	LIANG J， WANG J， YANG Y Q， et al. A connected and autonomous vehicle following model based on generative adversarial network［J］. Automotive Engineering， 2021， 43（4）： 588-600.
3	BANDO M， HASEBE K， NAKAYAMA A， et al. Dynamical model of traffic congestion and numerical simulation［J］. Physical Review E， 1995， 51（2）： 1035-1042.
4	HELBING D， TILCH B. Generalized force model of traffic dynamics［J］. Physical Review E， 1998， 58（1）： 133-138.
5	JIANG R， WU Q， ZHU Z. Full velocity difference model for a car-following theory［J］. Physical Review E， 2001， 64： 017101.
6	PENG G， LU W， HE H， et al. Nonlinear analysis of a new car-following model accounting for the optimal velocity changes with memory［J］. Communications in Nonlinear Science and Numerical Simulation， 2016， 40： 197-205.
7	MA M H， MA G Y， LIANG S D. Density waves in car-following model for autonomous vehicles with backward looking effect［J］. Applied Mathematical Modelling， 2021， 94： 1-12.
8	安树科，徐良杰，钱良辉，等. 考虑前方多车优化速度信息的车辆跟驰模型［J］. 东南大学学报， 2020， 50（6）： 1156-1162.
	AN S K， XU L J， QIAN L H， et al. Car-following model with optimal velocity information of multiple-vehicle ahead［J］. Journal of Southeast University， 2020， 50（6）： 1156-1162.
9	WANG S Y， YU B， WU M Y. MVCM car-following model for connected vehicles and simulation-based traffic analysis in mixed traffic flow［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 99： 1-8.
10	PENG G H. Stabilization analysis of multiple car-following model in traffic flow［J］. Chinese Physics B， 2010， 19（5）： 434-441.
11	WANG L， HORN B K. On the stability analysis of mixed traffic with vehicles under car-following and bilateral control［J］. IEEE Transactions on Automatic Control， 2020， 65： 3076-3083.
12	GONG H， LIU H， WANG B H. An asymmetric full velocity difference car-following model［J］. Physica A： Statistical Mechanics and its Applications， 2008， 387（11）： 2595-2602.
13	宗芳，石佩鑫，王猛，等. 考虑前后多车的网联自动驾驶车辆混流跟驰模型［J］. 中国公路学报， 2021， 34（7）： 105-117.
	ZONG F， SHI P X， WANG M， et al. Connected and automated vehicle mixed-traffic car-following model considering states of multiple front and rear vehicles［J］. China Journal of Highway and Transport， 2021， 34（7）： 105-117.
14	孙亮，于建均，龚道雄. 线性系统理论基础［M］. 北京：北京工业大学出版社， 2006： 136-168.
	SUN L， YU J J， GONG D X. Theoretical basis of linear system［M］. Beijing： Beijing University of Technology Press， 2006： 136-168.
15	GE H X， CHENG R J， LI Z P. Two velocity difference model for a car following theory［J］. Physica A： Statistical Mechanics and its Applications， 2012， 387（21）： 5239-5245.
16	ZHANG J J， LU G Q， YU H Y， et al. Effect of the uncertainty level of vehicle-position information on the stability and safety of the car-following process ［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 99： 1-15.
17	HUANG X， SUN J， SUN J. A car-following model considering asymmetric driving behavior based on long short-term memory neural networks［J］. Transportation Research Part C， 2018， 95： 346-362.
18	李修云，周桐，杨智勇. 基于最紧邻前车加速度信息的跟驰模型［J］. 重庆大学学报， 2015， 38（1）： 153-158.
	LI X Y， ZHOU T， YANG Z Y. Car-following model based on the information of the nearest-neighbor leading car's acceleration［J］. Journal of Chongqing University， 2015， 38（1）： 153-158.
19	纪艺，史昕，赵祥模. 基于多前车信息融合的智能网联车辆跟驰模型［J］. 计算机应用， 2019， 39（12）： 3685-3690.
	JI Y， SHI X， ZHAO X M. Car-following model for intelligent connected vehicles based on multiple headway information fusion［J］. Journal of Computer Applications， 2019， 30（12）： 3685-3690.
20	MA G Y， MA M H， LIANG S D， et al. Nonlinear analysis of the car-following model considering headway changes with memory and backward looking effect［J］. Physica A： Statistical Mechanics and its Applications， 2021， 562： 125303.
21	ZONG F， WANG M， TANG M， et al. An improved intelligent driver model considering the information of multiple front and rear vehicles［J］. IEEE Access， 2021， 9： 66241-66252.

模型	v_ave/ （m·s^-1）	v_pt/ （m·s^-1）	D_v/ （m·s^-1）	a_ave/ （m·s^-2）	D_a/ （m·s^-2）
OVCM	5.21	3.59	3.92	-2.72	1.85
ITVDM	4.58	2.87	2.71	-2.04	1.36
MVCM	4.17	1.94	2.53	-1.75	0.92
MFRHVAD	3.76	1.25	1.83	-1.16	0.65
MVSCF	3.49	0.86	1.45	-0.92	0.48

模型	v_ave/ （m·s^-1）	v_pt/ （m·s^-1）	D_v/ （m·s^-1）	a_ave/ （m·s^-2）	D_a/ （m·s^-2）
OVCM	9.23	12.31	1.29	2.13	2.08
ITVDM	10.85	12.03	0.83	1.62	1.74
MVCM	11.67	11.75	0.68	1.34	1.16
MFRHVAD	11.80	10.96	0.35	1.18	0.61
MVSCF	11.89	10.84	0.15	0.96	0.35

[1]	杨彪,范福成,杨吉成,蔡英凤,王海. 基于动作预测与环境条件的行人过街意图识别[J]. 汽车工程, 2021, 43(7): 1066-1076.
[2]	田洪清,丁峰,郑讯佳,黄荷叶,王建强. 基于势能场虚拟力的智能网联车辆运动规划[J]. 汽车工程, 2021, 43(4): 518-526.
[3]	许庆,潘济安,李克强,王建强,吴向斌. 不可靠通信的云控场景下网联车辆控制器的设计[J]. 汽车工程, 2021, 43(4): 527-536.
[4]	高志军,王江锋,陈磊,董佳宽,罗冬宇,闫学东. 基于动态距离窗的交叉口CAV轨迹规划算法[J]. 汽车工程, 2021, 43(4): 537-545.
[5]	梁军,王军,杨云庆,陈龙,盘朝奉,鲁光泉. 网联车对抗神经网络跟驰模型[J]. 汽车工程, 2021, 43(2): 189-195.
[6]	张涛, 邹渊, 张旭东, 王文伟. 网联车辆并线预测与巡航控制的研究^*[J]. 汽车工程, 2020, 42(2): 250-256.
[7]	李克强, 常雪阳, 李家文, 许庆, 高博麟, 潘济安. 智能网联汽车云控系统及其实现^*[J]. 汽车工程, 2020, 42(12): 1595-1605.
[8]	邹渊, 张涛, 张旭东, 郭宁远. 考虑车流影响的网联车辆节能驾驶研究^*[J]. 汽车工程, 2020, 42(10): 1320-1326.