为研究基于实测头车数据的多车辆跟驰场景下各车辆的跟随效果和排放拟合效果,选取Gipps、LCM、Fritzsche模型进行研究。进行模型标定与多车辆仿真,计算结果显示:Gipps、LCM、Fritzsche模型的CO_(2)、NO_(x)、CO、PN拟合排放误差的均值...为研究基于实测头车数据的多车辆跟驰场景下各车辆的跟随效果和排放拟合效果,选取Gipps、LCM、Fritzsche模型进行研究。进行模型标定与多车辆仿真,计算结果显示:Gipps、LCM、Fritzsche模型的CO_(2)、NO_(x)、CO、PN拟合排放误差的均值分别为2.59%、7.02%和4.07%,均能较好地实现排放仿真。Gipps模型在车速、加速度、VSP(vehicle specific power)分布与排放拟合方面的效果最佳,各跟驰车辆与头车的一致性最好,适用于对跟随效果与排放拟合有要求的多车辆跟驰仿真场景。LCM模型中,后方车辆的加速度、VSP分布与头车相比向数值更低的方向偏移,拟合排放减少,排放误差增加。Fritzsche模型加速度和VSP分布在高、低两个方向上均有偏移,呈三峰分布的特征,高、低峰值对拟合排放的影响有相互抵消的作用,排放误差略有降低。在多车辆跟驰仿真中,各车辆车速、加速度分布与头车保持相似,能够得到较为一致的跟驰车辆VSP分布,获得较好的多车辆排放拟合效果。展开更多
智能网联车辆(Connected and Automated Vehicle,CAV)为交通信号控制提供了新的数据源与优化机遇。然而,现有方法普遍存在两大局限:其一,多采用固定决策间隔,难以适应交通流的动态变化,导致控制策略的全局最优性不足;其二,缺乏对低渗透...智能网联车辆(Connected and Automated Vehicle,CAV)为交通信号控制提供了新的数据源与优化机遇。然而,现有方法普遍存在两大局限:其一,多采用固定决策间隔,难以适应交通流的动态变化,导致控制策略的全局最优性不足;其二,缺乏对低渗透率场景下混合交通流复杂交互特征的深入建模,限制了实际应用的鲁棒性。为此,本文提出一种基于近端策略优化(Proximal Policy Optimization,PPO)的动态决策间隔信号控制方法。首先,利用卷积神经网络与多头注意力机制,构建融合CAV与常规车辆(Regular Vehicle,RV)的多源交通状态表征;进而,设计融合动态决策间隔与相位选择的多离散动作空间,自适应生成信号控制策略,平衡决策效率与控制灵活性。在奖励函数设计中,引入累计延误、排队长度与延误标准差的多目标自适应加权机制,协同优化通行效率与公平性。基于实际路网仿真测试模型控制效果,结果表明:在不同交通需求下,本文方法相较于传统离散控制方法,平均等待时间和平均排队长度均降低8.50%以上;尤其在CAV渗透率低至20%时,本文方法仍能保持稳定的控制性能,验证了其在混合交通环境中的有效性与强适应性。展开更多
文摘为研究基于实测头车数据的多车辆跟驰场景下各车辆的跟随效果和排放拟合效果,选取Gipps、LCM、Fritzsche模型进行研究。进行模型标定与多车辆仿真,计算结果显示:Gipps、LCM、Fritzsche模型的CO_(2)、NO_(x)、CO、PN拟合排放误差的均值分别为2.59%、7.02%和4.07%,均能较好地实现排放仿真。Gipps模型在车速、加速度、VSP(vehicle specific power)分布与排放拟合方面的效果最佳,各跟驰车辆与头车的一致性最好,适用于对跟随效果与排放拟合有要求的多车辆跟驰仿真场景。LCM模型中,后方车辆的加速度、VSP分布与头车相比向数值更低的方向偏移,拟合排放减少,排放误差增加。Fritzsche模型加速度和VSP分布在高、低两个方向上均有偏移,呈三峰分布的特征,高、低峰值对拟合排放的影响有相互抵消的作用,排放误差略有降低。在多车辆跟驰仿真中,各车辆车速、加速度分布与头车保持相似,能够得到较为一致的跟驰车辆VSP分布,获得较好的多车辆排放拟合效果。
