1.用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,包括以下步骤:
生成交通运行状态分类器;建立总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线;确定自动驾驶专用车道的布设数量;
交通运行状态为拥挤状态时,开启自动驾驶专用车道与通用车道可变限速动态协同控制方案,交通信息云端将预测得到下一时刻的自动驾驶车辆渗透率输入至三种目标函数的预设函数曲线,得到三种目标函数的函数值,确定下一时刻的自动驾驶车辆渗透率下的最优自动驾驶专用车道的布设数量;
路侧通信单元接收交通信息云端指令,在动态专用车道信息提示板上发布自动驾驶专用车道控制信息,同时在通用车道可变限速信息提示板上发布动态可变限速控制信息;交通信息云端对交通流数据进行实时计算,动态调整可变限速信息,当交通流趋于稳定自由流状态后,交通信息云端向路侧通信单元传达自动驾驶专用车道关闭信息,所在道路上的自动驾驶车辆和人工驾驶车辆开始混行驾驶,高速公路上合流区域的自动驾驶专用车道与通用车道可变限速的动态协同管控结束。
2.根据权利要求1所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述生成交通运行状态分类器,具体为:S1、获取原始车辆数据集,对原始车辆数据集进行数据预处理,得到用于状态识别的训练车辆数据集,基于聚类分析对训练车辆数据集进行交通拥挤状态识别,获取带有拥挤状态标签的特征数据集:
S11、获取原始车辆数据集:以每秒相同帧数为间隔对高速公路的车辆进行图像采集,通过图像识别提取每个图像的车辆轨迹数据作为原始车辆数据,原始车辆数据的集合作为原始车辆数据集;
S12、对原始车辆数据集进行数据预处理:对原始车辆数据集中的原始车辆数据进行数据筛选整合,即从每个原始车辆数据中筛选出3个特征数据和1个常规数据,3个特征数据为车辆速度、车道空间占有率、车辆行程时间,1个常规数据为标准时间,并对每个原始车辆数据筛选出的特征数据进行数据整合,形成数据整合后的车辆数据集,按一定的时间粒度对数据整合后的车辆数据集进行聚合,聚合后的经数据整合的车辆数据集合作为样本,样本的集合形成用于状态识别的训练车辆数据集;
步骤S13、基于聚类分析对训练车辆数据集进行交通拥挤状态识别,获取带有交通拥挤状态标签的特征数据集;
S2、将带有交通拥挤状态标签的特征数据作为分类分析的先验知识,生成交通运行状态分类器。
3.根据权利要求2所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,S2中,所述交通运行状态分类器采用基于BP神经网络的交通运行状态分类器,将带有交通拥挤状态标签的特征数据集作为BP神经网络的数据集,然后通过进行离线的分类评估模型进行训练,学习交通流参数所表征的交通状态,最后得到交通运行状态分类器,具体实现过程包括以下步骤:步骤S21、建立基于BP神经网络的交通运行状态分类器模型:所建立的交通运行状态分类器模型的网络拓扑结构共3层,包含输入层、输出层和隐含层;其中输入层变量为平均车速Vel、平均占有率Occ、和平均行程时间Ttravel;输出层变量为畅通、拥挤、阻塞;隐含层节点数根据输入层节点个数和输出层节点个数确定;
步骤S22、基于TensorFlow搭建并训练基于BP神经网络的交通运行状态分类器模型,设计基于BP神经网络的交通运行状态分类器模型的传递过程、训练函数、激活函数,并将S1中得到的带有交通拥挤状态标签的特征数据集划分成训练集与预测集,利用训练集对基于BP神经网络的交通运行状态分类器模型执行训练过程,并在每轮训练中根据训练莱文伯格‑马夸特算法来计算交叉熵损失函数,然后根据交叉熵损失函数调整网络参数,得到基于BP神经网络的交通运行状态分类器模型;
步骤S23、根据步骤S21~S22,通过不断对基于BP神经网络的交通运行状态分类器模型进行训练,将得到的误差作对比,选择出使得误差较小的训练函数从而最终实现最佳节点数目的确定,从而生成最终的交通运行状态分类器。
4.根据权利要求1所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述建立总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线,具体为:首先,建立包含L条主线车道和单道匝道的高速公路场景,作为总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线的建模场景,通过设置下游车道通行能力Cdown和上游交通需求Dup的数值,使得下游车道通行能力Cdown小于上游交通需求Dup,模拟合流区处于拥挤状态;
其次,预设自动驾驶车辆市场渗透率PA、自动驾驶专用车道lA、匝道交通量qramp的取值,生成多个场景模型,以各个预设自动驾驶车辆市场渗透率PA为自变量,以总体通行能力、交通安全代理指标、车辆总停止时间分别作为因变量,分别拟合得到各个场景模型的三种目标函数的预设函数曲线。
5.根据权利要求4所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述总体通行能力Q的目标函数表达式如下式所示:
式中,Q为高速公路合流区总体通行能力,L为车道总数,lA为自动驾驶专用车道数量,相应地L‑lA为通用车道数量,qmix为通用车道交通量,qA为自动驾驶车道交通量,qramp为匝道交通量;
其中,自动驾驶车道交通量qA的计算见下式:式中,PA为自动驾驶车辆市场渗透率,D为每条车道交通需求,lA为自动驾驶专用车道,CA为自动驾驶专用车道通行能力;
通用车道交通量的计算见下式:
式中, 为溢出的自动驾驶车辆分配在通用车道的比率, 为溢出的自动驾驶车辆分配在通用车道的比率为 时的通用车道的通行能力, 为溢出的自动驾驶车辆分配在通用车道的比率为 时通用车道的平均车头时距。
6.根据权利要求4所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述交通安全代理指标目标函数的预设函数曲线的建立过程,具体为:
利用SUMO仿真软件在各个场景模型下进行仿真实验,同时将各个场景模型对应的路网属性数据和车辆属性数据写入到SUMO仿真软件中,并运行SUMO仿真软件,输出为包括车辆信息、交通安全代理指标和车辆总停止时间 的数据表格,交通安全代理指标包括追尾碰撞时间;以各个场景模型的预设自动驾驶车辆市场渗透率PA为自变量,相应数据表格中提取的追尾碰撞时间为中间量,计算交通安全代理指标TIT的函数值,拟合得到各个场景模型的以交通安全代理指标TIT为目标函数的预设函数曲线;
其中,路网属性数据包括路段长度、道路线型、车道宽度、车道数量、道路限速;
车辆属性数据包括车辆跟驰模型、车辆长度、车辆车头时距、车辆换道模型;
其中,自动驾驶专用车道不限速;通用车道的道路限速采用可变限速模型;匝道固定限速;
车辆信息包括车辆速度、车辆行程时间、车辆停止等待时间、车道空间占有率;
交通安全代理指标TIT的目标函数表达式如下式所示:*
式中,TTCn(t)为第n辆车在第t时刻的碰撞时间,TTC为碰撞时间阈值,Δt为仿真时间步长,N为仿真中总车辆数,M为仿真总步长,xn‑1(t)为t时刻冲突点前车位置,xn(t)为t时刻冲突点后车位置,l为车长,vn‑1(t)为t时刻冲突点前车速度,vn(t)为t时刻冲突点后车速度。
7.根据权利要求6所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述可变限速模型的函数关系表达如下式所示:式中,VSL_k(xi,t+Δt)表示t+Δt时刻第k条通用车道在xi处的限速值,Vk(xi+1,t)表示t时刻第k条通用车道在xi+1处检测器检测到的平均车速,a表示车辆期望减速度,ta表示驾驶员感知反应时间,S表示视距,L表示平均车辆长度,Occ_k(xi+1,t)表示t时刻第k条通用车道在xi+1处检测器检测到的平均占有率,k∈[1,L‑lA],当k=1时表示最内侧通用车道,k=L‑lA时表示最外侧通用车道,Vk(xi‑1,t)表示t时刻第k条通用车道在xi‑1处检测器检测到的平均车速,Vsafe(xi‑1,t)表示t时刻第k条通用车道在xi‑1处的安全速度值,即车辆减速至Vsafe(xi‑1,t)即可避免与前车产生碰撞的最大速度,Δt表示时间间隔;
可变限速模型修正:引入速度阈值Vmin、Vmax和最大速度变化率ΔV1、ΔV2来修正相邻时刻同一车道和相邻车道同一时刻的限速值;
相邻时刻同一车道的限速值修正,如下式所述:式中,ΔV1表示同一车道相邻时刻速度变化率;
相邻车道同一时刻的限速值修正,如下式所示:式中,VSL_k(xi,t+Δt)、VSL_k+1(xi,t+Δt)表示第k条和第k+1通用车道t+Δt时刻在xi处的限速值,abs(·)表示绝对值符号,ΔV2表示同一时刻相邻车道速度变化率。
8.根据权利要求4所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述车辆总停止时间的目标函数表达式如下式所示:
式中, 为车辆n在匝道区域停止和等待的总时间,Q为仿真时间内在匝道区域停留和等待的车辆总数,vn为总仿真时间内车辆n的速度。
9.根据权利要求1所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述确定自动驾驶专用车道的布设数量,具体为:构建不同场景模型下三种目标函数的预设函数曲线的权重向量A=(a1,a2,a3);
构建不同场景模型下三种目标函数的预设函数曲线在不同自动驾驶车辆市场渗透率T
下的自动驾驶专用车道最佳布设数量向量U=(u1,u2,u3) ;
结合权重向量A和向量U,得到最佳自动驾驶专用车道布设数值R=A·U,确定自动驾驶专用车道的布设数量。
10.根据权利要求1所述的用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法,其特征在于,所述预测得到下一时刻的自动驾驶车辆渗透率的计算如下式所示:
PA_predict(t+Δt)=(1+α)PA_real(t)式中,PA_real(t)为当前时刻自动驾驶车辆渗透率,α为衰减系数,PA_real(t‑Δt)为上一时刻自动驾驶车辆渗透率。