一种智能网联环境下隧道群随机慢化概率计算方法

本发明涉及交通智能化，具体包括智能网联环境下隧道群路段交通流仿真，尤其涉及一种智能网联环境下隧道群路段不同区域cav车辆和hv车辆组成的异质混合交通流在仿真中车辆随机慢化概率计算方法。

背景技术：

1、传统道路上车辆在行驶过程中存在随机慢化现象，为了真实再现道路上交通流的变化规律，元胞自动机模型被广泛用于微观交通流的仿真，取得了很多研究成果。在现有仿真条件下，大部分研究将车辆在行驶过程中的随机慢化现象用随机慢化概率来表达，并赋以单一的确定值，影响了仿真结果的准确性。

2、智能网联环境下道路上的交通流中将长期存在自动驾驶车辆(connected andautomated vehicles，cav)与传统人工驾驶车辆(human-driving vehicle，hv)组成的异质混合交通流。由于智能网联环境下隧道群路段交通流复杂，车辆存在多次进出隧道，为适应隧道群环境车辆行驶状态多变，如何准确模拟异质混合交通流在隧道群路段不同区域的随机慢化概率，精准揭示智能网联环境下隧道群路段交通流的演变规律，具有重要的的理论研究价值和实际应用意义。

技术实现思路

1、为了精准揭示智能网联环境下隧道群路段不同区域异质混合交通流的演变规律，本发明提出一种智能网联环境下隧道群路段异质混合交通流仿真随机慢化概率计算方法。考虑隧道通风、照明、安全及驾驶人视觉特性等综合因素及隧道群各区段交通流特征，将隧道群路段进行合理分区并确定各区段随机慢化概率初始值；构建隧道群路段元胞自动机仿真模型，输入隧道群各路段交通流车速、密度等调查数据，通过自适应遗传算法，可得优化后的各区段随机慢化概率取值；从而提高隧道群路段异质混合交通流仿真准确性。

2、其具体采用以下技术方案：

3、一种智能网联环境下隧道群随机慢化概率计算方法，考虑包括隧道通风、照明、安全及驾驶人视觉特性的综合因素及隧道群各区段交通流特征，将隧道群路段进行分区并确定各区段随机慢化概率初始值；再进一步构建隧道群路段元胞自动机仿真模型，输入隧道群各路段包括交通流车速、密度的数据，通过自适应遗传算法，以获得优化后的各区段随机慢化概率取值。

4、进一步地，具体包括以下步骤：

5、step1：考虑包括隧道通风、照明、安全及驾驶人视觉特性的综合因素及隧道群各区段交通流特征，将隧道群路段划分为隧道入口前基本路段隧道入口影响段隧道入口过渡段隧道基本段隧道出口过渡段相邻两个隧道间距段隧道出口影响段隧道出口后基本路段n为隧道群中的隧道个数；

6、step2：定义隧道群各区段传统车辆随机慢化概率初始值为pin，i＝1,2,…6，其中：p11为隧道群前基本路段随机慢化概率、为隧道群入口前影响段随机慢化概率、p3n为第n个隧道入口过渡段随机慢化概率、p4n为第n个隧道基本段随机慢化概率、p5n为第n个隧道出口渐变段随机慢化概率、p6n-1为第n个隧道前隧道间距随机慢化概率、为隧道出口影响段随机慢化概率、为隧道出口后基本路段随机慢化概率；定义隧道群各区段智能网联车辆随机慢化概率为d为车头间距，l为常数，a为7到9的常数；

7、step3：采集不同长度隧道群组合下各区段的交通流密度和车速参数，选择经典隧道群路段构建元胞自动机仿真模型，并对各场景进行交通流仿真，分析隧道群各区段交通流变化规律；

8、step4：对比分析实地调查数据和仿真分析数据，计算自适应遗传算法中的适应度函数e(x)，ki为实地调查隧道群的第i区段密度，为通过隧道群元胞自动机模型得到的第i区段的密度；vi为实地调查的第i区段的平均速度，为通过隧道群元胞自动机模型得到的第i区段的速度；

9、step5：利用遗传算法对传统车辆随机慢化概率进行交叉、变异和种群更新，当适应度函数取最小值时，所得随机慢化概率值为最优解。

10、进一步地，设定隧道路路段各隧道内的车辆不得变道。

11、进一步地，步骤step1中，隧道群区段划分长度不固定，各隧道群分区根据不同的隧道群特征，分区长度取值不相同。

12、进一步地，交通流的组成包括：以可调比例组合的传统人工车辆hv、自适应控制巡航控制车辆acc和协调自适应控制巡航车辆cacc；自适应遗传算法计算隧道路段交通流随机慢化概率适用于hv车辆，cav车辆的随机慢化概率根据于前车的车头间距得到；隧道群路段在划分区域后各区段内的随机慢化概率只与该区段的异质混合交通流特征有关。

13、进一步地，步骤step2中，定义包括自适应控制巡航控制车辆acc和协调自适应控制巡航车辆cacc的智能网联车随机慢化概率与传统驾驶车辆随机慢化概率互相独立，互不干扰；智能网联车的随机慢化概率根据与前车距离进行调整和确定。

14、进一步地，步骤step3中，每间隔20m，统计车辆地点速度和车辆密度；采集隧道段的隧道特征，包括：隧道长度、隧道限速，隧道净空高度和车道数；仿真场景根据调查所得的隧道长度、隧道组合和隧道限速进行建立；各场景的隧道分区，车辆地点速度和车辆密度根据调查所得，并代入以建立元胞自动机仿真模型模型。

15、进一步地，步骤step4中，对比分析调查数据和仿真分析数据，计算每辆车的适应度值；各车辆的密度定义为当前车辆与前车的距离。

16、进一步地，步骤step5中自适应遗传算法具体流程如下：

17、(1)在对初步隧道群模型的随机慢化概率数据集x(i)进行评估后，使用精英个体保留选择方法选择其中的一些个体进行下一步操作，得到一个新的种群xs(i)

18、(2)交叉:在两个随机选择的个体之间进行单点交叉，给出一个新的集合xc(i)，并从评估个体中获取交叉概率(pc)如下式所示；

19、

20、fmax是指种群中适应度的最大值，favg是指种群适应度的平均值；f′是指2个要交叉个体中的较高的适应度值；

21、(3)突变:对来自xc(i)的所有染色体施加突变算子，并从评估个体中获取概率(pm)，pm取值如下式所示，从而得到一个相同大小的全新种群xm(i)

22、

23、(4)群体更新，最后，以精英个体保留法从原种群x(i)和xm(i)种群中选择一个新种群x(i+1)；

24、多次重复以上步骤，新种群中的适应度最小值时的各区段随机慢化概率取值即为隧道群各区段随机慢化概率。

25、相对于现有技术，本发明及其优选方案可以减少由于单一随机慢化概率确定值造成的仿真结果的不准确性，使其仿真结果更贴近现实。

技术特征：

1.一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：考虑包括隧道通风、照明、安全及驾驶人视觉特性的综合因素及隧道群各区段交通流特征，将隧道群路段进行分区并确定各区段随机慢化概率初始值；再进一步构建隧道群路段元胞自动机仿真模型，输入隧道群各路段包括交通流车速、密度的数据，通过自适应遗传算法，以获得优化后的各区段随机慢化概率取值。

2.根据权利要求1所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于，具体包括以下步骤：

3.根据权利要求1所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：设定隧道路路段各隧道内的车辆不得变道。

4.根据权利要求2所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：步骤step1中，隧道群区段划分长度不固定，各隧道群分区根据不同的隧道群特征，分区长度取值不相同。

5.根据权利要求1所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：交通流的组成包括：以可调比例组合的传统人工车辆hv、自适应控制巡航控制车辆acc和协调自适应控制巡航车辆cacc；自适应遗传算法计算隧道路段交通流随机慢化概率适用于hv车辆，cav车辆的随机慢化概率根据于前车的车头间距得到；隧道群路段在划分区域后各区段内的随机慢化概率只与该区段的异质混合交通流特征有关。

6.根据权利要求2所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：步骤step2中，定义包括自适应控制巡航控制车辆acc和协调自适应控制巡航车辆cacc的智能网联车随机慢化概率与传统驾驶车辆随机慢化概率互相独立，互不干扰；智能网联车的随机慢化概率根据与前车距离进行调整和确定。

7.根据权利要求2所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：步骤step3中，每间隔20m，统计车辆地点速度和车辆密度；采集隧道段的隧道特征，包括：隧道长度、隧道限速，隧道净空高度和车道数；仿真场景根据调查所得的隧道长度、隧道组合和隧道限速进行建立；各场景的隧道分区，车辆地点速度和车辆密度根据调查所得，并代入以建立元胞自动机仿真模型模型。

8.根据权利要求2所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：步骤step4中，对比分析调查数据和仿真分析数据，计算每辆车的适应度值；各车辆的密度定义为当前车辆与前车的距离。

9.根据权利要求2所述的一种智能网联环境下隧道群随机慢化概率计算方法，其特征在于：

技术总结
本发明提出一种智能网联环境下隧道群随机慢化概率计算方法，考虑隧道通风、照明、安全及驾驶人视觉特性等综合因素及隧道群各区段交通流特征，将隧道群路段进行合理分区并确定各区段随机慢化概率初始值；构建隧道群路段元胞自动机仿真模型，输入隧道群各路段交通流车速、密度等调查数据，通过自适应遗传算法，可得优化后的各区段随机慢化概率取值；从而提高隧道群路段异质混合交通流仿真准确性。

技术研发人员：吴德华,刘京松,张天星,祝可为
受保护的技术使用者：福建船政交通职业学院
技术研发日：
技术公布日：2024/4/24