摘要：基于自动驾驶车辆(AV)和常规人驾车辆(RV)混合行驶的情况,在全速度差(FVD)模型的基础上考虑了多前车和一辆后车的车头间距、速度、速度差、加速度差等因素,建立了适用于AV和RV 2种车辆的混行车辆跟驰模型;引入分子动力学理论定量化表达了周围车辆对主体车辆的影响程度;利用RV和AV混行场景跟车数据,以模型拟合精度最高为目标,对所有参数遍历寻优,进行标定;对比分析了混行车辆跟驰模型和FVD模型控制下交通流的稳定性,解析了车速对交通流稳定性的影响;设计了数值仿真试验,模拟了城市道路和高速公路2种常见场景,分析了混行车辆跟驰模型的拟合精度。研究结果表明:考虑周围多车信息有利于提高交通流的稳定性;车辆速度越低交通流稳定性越差;考虑多车信息的分子动力学混行车辆跟驰模型可以提前获得整个车队的运行趋势,更好地模拟AV的动力学特征;与FVD模型相比,在城市道路条件下混行车辆跟驰模型中的RV平均最大误差与平均误差分别减小了0.18 m·s^(-1)和13.12%,拟合精度提高了4.47%;与PATH实验室的ACC模型相比,在高速公路条件下混行车辆跟驰模型中的AV平均最大误差和平均误差分别减小了7.78%和26.79%,拟合精度提高了1.21%。可见,该模型可用于混行环境下AV的跟驰控制与队列控制,以及AV和RV的跟驰仿真。

摘要：为了研究交通拥堵问题,同时了解交通拥挤形成的过程以及驾驶员自身特性对交通流稳定性的影响.本文基于复杂网络同步理论,对一类考虑前后车效应的时变时滞最优速度车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计基于速度和车头间距的自适应控制器使得该车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到随机外部扰动的情形下,研究了该模型的稳定性.最后,采用MATLAB仿真技术进行了数值模拟,结果表明在本文设计的控制器下,考虑前后车效应的时变时滞最优速度车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.

摘要：为了研究交通拥堵问题,基于多智能体一致性理论对一类车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计适当的控制器使得车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到不确定的外部扰动的情形下,研究了车辆跟驰模型的稳定性.最后,采用Matlab仿真技术进行了数值模拟,结果表明在设计的控制器下,车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.

摘要：介绍了一个全新的考虑驾驶员原始的驾驶风格体现的车辆跟驰模型,使用非线性自回归神经网络和直接逆模型法对驾驶员实际车辆跟驰行为进行学习,进而完成了对驾驶员在车辆跟驰状态下的个性化建模。通过设计跟驰测试系统和采用能量谱密度作为分类指标对所提出的模型进行了测试和风格聚类。将测试结果与原始驾驶风格数据进行对比,验证了所提出方案的有效性。

摘要：为更好地模拟城市信号交叉口交通流的运行特性,在深入分析信号交叉口减速停车过程中车辆跟驰运动特性的基础上,提出一种考虑信号灯作用的车辆跟驰模型。首先,设计一种基于视频的数据采集方法来采集信号交叉口减速停车过程中的跟驰数据;然后,对实测数据进行挖掘分析,选择相对速度、车间距、前导车加速度和跟驰车到信号灯的距离作为拟构建模型的输入变量;最后,在GM模型的基础上确定新模型的结构并进行参数标定、效果验证和比较分析。结果表明:新提出的模型能够很好地拟合实测数据,其平均绝对误差值比重新标定的GM模型减小了6.08%,拟合性能明显优于重新标定的GM模型。

摘要：本文针对港珠澳大桥桥梁设计和车辆安全问题,建立了车辆行驶模型,给出了汽车在无气候因素影响下转弯时的最大安全行驶速度和考虑气候因素影响下汽车行驶的最大安全速度和台风级数的关系,以及建立港珠澳大桥通行能力模型,给出机动车通过大桥的时长。本文首先建立车辆动力学模型,分析纵向力和侧向力对车辆转弯的影响,然后通过对不同路段行驶的车辆在不同风速和风向的影响下的情况进行受力分析,求解出汽车最大安全速度与台风级数满足的方程。最后通过对不同天气状态下,不同类型的汽车通过港珠澳大桥的情况进行分析,建立了车辆跟驰模型,进而得到在港珠澳大桥最大通行能力下,机动车通过港珠澳大桥的时长。

摘要：针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆(long short term memory, LSTM)的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归(support vector regression, SVR)模型的预测性能低于深度学习模型,LSTM模型的R2较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元(gated recurrent unit, GRU)模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。

摘要：针对目前有关分车道行驶的方案,对不同车辆行驶速度特征进行的研究,以及对不分车道行驶和分车道行驶两种情况下的车辆运行状况进行的有效仿真,可为当前公交优先通行提供较好的理论基础。

摘要：随着目前城市交通中道路使用功能的细化,逐步提出了按车型分车道行驶的措施。本文通过对重庆市某段典型的主干道上车辆的行使速度进行调查分析,结合车辆之间的跟驰模型,并考虑不同车辆行驶状况下的安全时距,分析对比了车辆分车道行驶前和分车道行驶后的行驶速度和延误特性。课题使用vissum软件对不分车道行驶和分车道行驶两种情况下的车辆运行状况进行了仿真。仿真结果表明,使用分车道行驶的方案,能够有效的提高车辆行驶的速度,减小行车延误。该论文的研究成果为当前公交优先通行提供了较好的支撑依据。