智能网联环境下客货混合异质交通流有序性定量计算方法技术

本发明专利技术提供一种智能网联环境下客货混合异质交通流有序性定量计算方法，涉及智能网联环境下自动驾驶车辆（

【技术实现步骤摘要】
智能网联环境下客货混合异质交通流有序性定量计算方法


[0001]本专利技术属于智能网联环境下客货混合异质交通流通行能力管控
，涉及一种智能网联环境下客货混合异质交通流有序性定量计算方法，具体为智能网联环境下
CAV
客车
、CAV
货车
、HV
客车
、HV
货车混合异质交通流场景下交通流有序性定量计算方法
。

技术介绍

[0002]随着云计算
、
大数据
、
移动互联网
、
物联网
、
人工智能等新兴技术与交通系统的深度融合，以自动驾驶技术为核心内容的新兴智能交通系统将为驾驶人提供智能网联的有效出行供给
、
车路协同
、
自主行驶等服务
。
因
CAV
车辆的普及是一个长期的过程，未来道路上将长期存在由
CAV
客车
、CAV
货车
、HV
客车
、HV
货车组成的客货混合异质交通流
。
如何管控这种由多类型车辆组成的复杂异质交通流环境中的交通运营，特别是量化客货复杂异质交通流的有序性，对提高道路通行能力具有前瞻性的理论研究价值和实际应用意义
。
[0003]专利技术人已在
《
智能网联异质交通流混合特性
》(
西南交通大学学报，
2022,57(04)
：
761
‑
768)
论文中对智能网联环境下的异质交通流的有序性定量计算方法进行了理论推导和仿真验证，然而已有研究只针对客车组成的异质交通流，考虑当交通流中混合有货车时，需要对客货混合异质交通流的有序性重新定义和拓展，才能更贴近实际情况，以有助于进一步认清在智能网联环境下复杂的客货混合异质交通流演化规律，才能更好为有效提高道路通行能力提供理论参考
。

技术实现思路

[0004]为了进一步吻合实际情况，从而揭示智能网联环境下客货混合异质交通流演化规律，本专利技术在已有研究的基础上进行了创新性的完善，提出一种智能网联环境下客货混合异质交通流有序性定量计算方法
。
[0005]本专利技术涉及智能网联环境下自动驾驶车辆
(Connected and Automated Vehicles
，
CAV)
与传统人工驾驶车辆
(Human
‑
driving Vehicle
，
HV)
在客货混合异质交通流场景下交通流有序性定量计算方法
。
智能网联交通流存在混合态
、
随机态和分离态三种不同车辆跟驰状态，同一渗透率下不同类型车辆跟驰状态会显著影响道路通行能力
。
本专利技术通过计算不同车辆跟驰状态出现的概率和通行能力分析，定义智能网联环境下客货混合异质交通流的有序性，并利用
KL
散度计算相对熵，从而定量衡量智能网联环境下客货混合异质交通流的有序性，为智能网联道路交通通行能力管控提供理论依据
。
[0006]本专利技术解决其技术问题具体采用的技术方案是：
[0007]一种智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：通过计算不同车辆跟驰状态出现的概率和通行能力分析，定义智能网联环境下客货混合异质交通流的有序性，并利用
KL
散度计算相对熵，从而定量衡量智能网联环境下客货混合异质交通流的有序性
。
[0008]进一步地，包括以下步骤：
[0009]Step1
：定义智能网联环境下客货混合异质交通流存在的混合态
、
随机态和分离态三种不同车辆跟驰状态；
[0010]Step2
：定义智能网联环境下客货混合异质交通流车辆跟驰状态的有序性；
[0011]Step3
：基于马尔科夫链理论计算交通流中
CAV
客车
、CAV
货车
、HV
客车以及
HV
货车四类车辆两两组合共
16
种不同跟驰类型车辆状态出现的概率；
[0012]Step4
：利用
KL
散度计算相对熵，定量衡量智能网联环境下客货混合异质交通流的有序性
。
[0013]其中，智能网联环境下混合态
、
随机态和分离态三种不同车辆跟驰状态的最大通行能力存在显著差异
。
[0014]进一步地，智能网联环境下交通流中当
CAV
客车与
CAV
客车跟驰
、CAV
货车与
CAV
货车跟驰
、HV
客车与
HV
客车跟驰
、HV
货车与
HV
货车跟驰，且
CAV
车辆和
HV
车辆分别有序排行驶时定义为有序性；
[0015]以
KL
散度定量计算相对熵，即定量描述两个不同车辆跟随状态概率分布的差异，衡量客货混合异质交通流的有序性
[0016]进一步地，步骤
step1
中智能网联环境下客货混合异质交通流存在混合态
、
随机态和分离态三种不同车辆跟驰状态；根据数值仿真结果，在
CAV
车辆渗透率及客车比例相同的场景下交通流中车辆跟驰为分离态状态下的道路最大通行能力显著比车辆跟驰状态为混合态和随机态下的道路最大通行能力大
。
[0017]进一步地，步骤
step2
中，智能网联环境下客货混合异质交通流有序的定义为：道路中所有车辆的跟驰状态为
CAV
客车
‑
CAV
客车
、CAV
货车
‑
CAV
货车，
HV
客车
‑
HV
客车
、HV
货车
‑
HV
货车，且
CAV
车辆与
HV
车辆分别有序跟驰行驶；因此当交通流中出现越多的
CAV
车辆与
CAV
车辆
、HV
车辆与
HV
车辆分别有序跟驰状态时，交通流越接近有序状态
。
[0018]进一步地，步骤
step3
中混合异质交通流中存在
CAV
客车
、CAV
货车
、HV
客车以及
HV
货车四类车辆，其在道路上的跟驰状态有：
CAV
客车
‑
CAV
客车
、CAV
客车
‑
HV...

【技术保护点】

【技术特征摘要】
1.
一种智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：通过计算不同车辆跟驰状态出现的概率和通行能力分析，定义智能网联环境下客货混合异质交通流的有序性，并利用
KL
散度计算相对熵，从而定量衡量智能网联环境下客货混合异质交通流的有序性
。2.
根据权利要求1所述的智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：包括以下步骤：
Step1
：定义智能网联环境下客货混合异质交通流存在的混合态
、
随机态和分离态三种不同车辆跟驰状态；
Step2
：定义智能网联环境下客货混合异质交通流车辆跟驰状态的有序性；
Step3
：基于马尔科夫链理论计算交通流中
CAV
客车
、CAV
货车
、HV
客车以及
HV
货车四类车辆两两组合共
16
种不同跟驰类型车辆状态出现的概率；
Step4
：利用
KL
散度计算相对熵，定量衡量智能网联环境下客货混合异质交通流的有序性
。3.
根据权利要求2所述的智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：智能网联环境下交通流中当
CAV
客车与
CAV
客车跟驰
、CAV
货车与
CAV
货车跟驰
、HV
客车与
HV
客车跟驰
、HV
货车与
HV
货车跟驰，且
CAV
车辆和
HV
车辆分别有序排行驶时定义为有序性；以
KL
散度定量计算相对熵，即定量描述两个不同车辆跟随状态概率分布的差异，衡量客货混合异质交通流的有序性
。4.
根据权利要求2所述的智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：步骤
step2
中，智能网联环境下客货混合异质交通流有序的定义为：道路中所有车辆的跟驰状态为
CAV
客车
‑
CAV
客车
、CAV
货车
‑
CAV
货车，
HV
客车
‑
HV
客车
、HV
货车
‑
HV
货车，且
CAV
车辆与
HV
车辆分别有序跟驰行驶；因此当交通流中出现越多的
CAV
车辆与
CAV
车辆
、HV
车辆与
HV
车辆分别有序跟驰状态时，交通流越接近有序状态
。5.
根据权利要求4所述的智能网联环境下客货混合异质交通流有序性定量计算方法，其特征在于：步骤
step3
中混合异质交通流中存在
CAV
客车
、CAV
货车
、HV
客车以及
HV
货车四类车辆，其在道路上的跟驰状态有：
CAV
客车
‑
CAV
客车
、CAV
客车
‑
HV
客车
、CAV
客车
‑
CAV
货车
、CAV
客车
‑
HV
货车
、HV
客车
‑
HV
客车
、HV
客车
‑
HV
货车
、HV
客车
‑
CAV
客车
、HV
客车
‑
CAV
货车
、HV
货车
‑
CAV
客车
、HV
货车
‑
CAV
货车
、HV
货车
‑
HV
客车
、HV
货车
‑
HV
货车
、CAV
货车
‑
CAV
货车
、CAV
货车
‑
HV
货车
、CAV
货车
‑
CAV
客车
、CAV
货车
‑
HV
客车共
16
种；定义1：假定交通流中
CAV
车辆渗透率为
p
，则
HV
车辆渗透率为1‑
p
，由于车辆包含客车和货车，假定交通流中客车占比为
q
，则货车占比为1‑
q
；定义2：假定交通流中
CAV
客车出现的概率为
P1，
CAV
货车出现的概率为
P2,HV
客车出现的概率为
P3,HV
货车出现的概率为
P4；由定义1可知
Ρ1＝
p
·
q
，
Ρ2＝
p
·
(1
‑
q),
...

【专利技术属性】
技术研发人员：吴德华，陈荣峰，
申请(专利权)人：福州大学，
类型：发明
国别省市：