一种基于CP-CNN的近信号区混合车群CAV引导控制方法技术

本发明专利技术公开了一种基于CP

【技术实现步骤摘要】
一种基于CP
‑
CNN的近信号区混合车群CAV引导控制方法


[0001]本专利技术属于智能交通信息
，具体涉及一种新型混合交通条件下的近信号区车群CAV引导控制方法，可适用于智能网联环境下的近信号区车群优化与瓶颈负效应抑制。

技术介绍

[0002]信号交叉口是城市道路拥堵瓶颈区域与事故高发区，车路冲突集中、调控决策复杂、通行效率低下。为提升控制效果，增加调控手段，国内外学者将交叉口及其相邻的一段延伸区域作为近信号控制区进行研究。随着智能汽车技术的发展，出现了网联自动车与网联人驾车构成的异质交通流，为解决信号交叉口拥堵问题提供了新的途径。因此，以新型混合车流中的网联自动车作为近信号区瓶颈负面影响的切入点，是一个值得探索的问题。
[0003]现有的关于信号交叉口拥堵的研究，多集中于车流预测对信号灯进行配时控制。如专利公开文献CN109697866A公开了一种边缘计算交通信号灯控制系统及控制方法，根据采集的车流量进行动态调整学习获得第一交通信号灯配时策略，根据预设算法对所有路口第一交通信号灯配时策略进行全局优化获得所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CP
‑
CNN的近信号区混合车群CAV引导控制方法，其特征在于，包括：步骤1：获取三车道近信号区内混合异质车群的单车数据，将单车物理特征信息映射到多维特征图，构建模型数据集；步骤2：基于卷积神经网络构建混合车群宏观车流预测模型CP
‑
CNN，并对模型进行训练；步骤3：根据近信号区信号灯与实时交通状态，构建混合车群动态优化目标；步骤4：设计混合交通近信号区下基于CP
‑
CNN的近信号区混合车群CAV引导控制方法；步骤5：设计基于粒子群优化算法的可变限速值寻优策略。2.根据权利要求1所述的基于CP
‑
CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤1包括：步骤11：选定长度为L的近信号区路段s，获取t时刻路段s内车辆n1,n2,...,n
k
的物理特征信息，所述物理特征信息包含车辆信息、车辆位置信息和运动状态信息，其中，所述车辆信息包括车辆id、车辆类型p，其用以区分人驾车HV和网联自动车CAV；所述车辆的位置信息包括所属车道c、车道纵向位置x(车头位置)；所述运动状态信息包括速度v、加速度a、偏航角h、目标转向车道td；步骤12：根据t时刻路段s内的单车数据，将路段s划分为c
×
m个单元，c为车道的数量，m为每条车道划分的单元数量，确定每条车道单个单元划分的长度l
min
，用公式表示为：式中，L代表路段s的长度；步骤13：确定每一条车道每辆车插入的单元位置，具体的操作为先构建c
×
m
×
f的特征矩阵，f为特征层的数量，然后根据车辆在路段中的相对位置将车辆的物理特征信息插入到对应的单元中，对于每一条车道，每辆车插入的单元位置的计算公式为：对应的单元中，对于每一条车道，每辆车插入的单元位置的计算公式为：式中，m
i
和m
i
′
表示插入特征矩阵中横向位置的范围，即，m
i
′
表示插入的起始位置，m
i
表示插入的终止位置，x
j
为第j辆车的纵向位置，s
min
为路段s的初始位置，l
j
为第j辆车的长度，“[
·
]”表示取整函数；步骤14：选取τ作为时间间隔，将选定控制时间T内所有时刻构建的特征矩阵作为卷积神经网络输入，表示为：X＝[M1,M2,M3,
…
,M
n
]式中，M
t
为时刻t的车群特征矩阵，n为时间T内获取的数据量，即CNN模型输入的训练集数据大小。3.根据权利要求1所述的基于CP
‑
CNN的近信号区混合车群CAV引导控制方法，其特征在于，所述步骤2包括：步骤21：选取t+τ时刻，近信号区引道内平均车流量作为训练标签，搭建CNN深度网络；
步骤22：对构建的t时刻路段s的多维特征图进行标准化处理，输入到CNN模型中进行训练，其中，数据标准化的公式为：式中，f
i*
为标准化的数据，f
i
为样本i中的需要进行标准化的特征值，f
min
为需要进行标准化的特征值的最小值，f
max
为需要进行标准化的特征值的最大值；步骤23：经过多次卷积和池化后，经过全连接层输出，完成模型的训练，CP
‑
CNN模型输出为预测出的t+τ时刻近信号区引道内平均车流量q。4.根据权利要求1所述的基于CP
‑
CNN的近信号区混合车群CAV引...

【专利技术属性】
技术研发人员：孙棣华，赵敏，田雨聃，
申请(专利权)人：重庆大学，
类型：发明
国别省市：