众所周知,驾驶员行为与交通阻塞的发生存在着紧密的联系,经验证:通过优化驾驶行为可降低交通拥堵的发生,交通流理论作为连接交通驾驶行为与交通拥堵关系的桥梁,通过对交通流建模分析可以获得影响交通拥堵的重要因素,同时基于交通流模型还可以再现交通拥堵形成的过程。目前在传统的交通流模型中忽视了人作为驾驶主体所包含的重要信息要素,使得对交通阻塞的形成分析不够清晰透彻,对交通拥挤的影响因素定性不够准确,这就造成基于很多理论模型上所设计的控制算法实施效果往往也低于预期。同时随着智能交通的发展,车辆之间可实现了车-车通信,这也就使得车辆不仅可以获得当前车辆周围的信息,而且还可以得到道路上其余车辆的具体信息,这为缓解交通拥堵、提高道路服务水平提供了有力的工具。同时车联网作为国家“十三五”重点扶持的项目,是未来智能交通的重要发展趋势,为此,如何在车联网这大环境下,结合考虑具体的驾驶员的驾驶行为,对交通拥堵的特性加以分析,同时提供一定的拥堵抑制的控制办法,就显得更加具有理论意义和实践意义。为此,本文在现有的经典交通流理论和交通拥堵抑制方法的基础上,考虑驾驶员受时变延迟时间、模糊灵敏度和记忆时间的多重影响,以驾驶行为作为核心,从宏观模型和微观模型上分别加以分析,其中微观层面上重点对单车道上驾驶员受到时变滞后时间影响和模糊灵敏度的作用效应进行论述,同时设计了相应的控制算法以增强模型的稳定性,而在宏观层面则主要结合ITS技术,在跟驰、超车、换道三种不同情形下,考虑记忆最优流量差对交通流影响,同时进行建模分析,利用线性和非线性稳定性方法对上述三种情形的模型进行理论分析和数值仿真模拟,以探索在车联网环境下驾驶员考虑记忆最优流量差下交通流的各种非线性现象,论文的主要工作如下:首先,从微观层面,考虑到驾驶员在行车过程中不可避免的受到滞后时间的影响,且该滞后时间并非像其余学者假设的是恒定不变的,为此,本文在最优速度(OV:Optimal Velocity)跟驰模型和耦合映射(CM:coupled map)跟驰模型的基础上,基于控制方法,提出了两种时变(VTD:Varing Time-Delay)滞后跟驰模型,同时为了抑制交通阻塞,本文借助前后车辆在速度上的差值,设计了反馈控制器,同时给出了该控制器存在的充分条件,随后的仿真算例给出了车流在控制器作用前后车流速度、车间距随时间的演化情况,验证了该控制器对于抑制交通拥挤问题是有效的;其次,在以往跟驰模型的研究中一般都是设定驾驶员的灵敏度是恒定的,而实际调查显示,在不同的车速和车间距下驾驶员的灵敏度会发生微小的变化,为此,本文在VTD&OV跟驰模型和VTD&CM跟驰模型的基础上,引入模糊控制理论,分别提出了新的模糊VTD&OV跟驰模型和模糊VTD&CM跟驰模型,随后对这两类跟驰模型的稳定性问题分别进行研究。基于分段Lyapunov函数方法,首先给出了新跟驰模型满足渐近稳定的充分条件,当跟驰模型满足稳定时,交通拥挤现象将不会出现;然而系统稳定性不满足时,为了抑制交通拥挤,对于模糊VTD&OV模型和模糊VTD&CM模型各自设计了控制算法以用来抑制交通拥堵,且该控制器可以通过求解LMIs而得到。最后通过仿真算例验证该方法对于保持交通状态稳定和降低车辆行驶中的二氧化碳排放是有效的。最后,从宏观层面,基于车联网环境所提供的道路最优流量信息(OC:Optimal Current),考虑到驾驶员在行车过程受到记忆时间(Memory)制约影响,为分析记忆最优流量差(OCCM:Optimal Current Change with Memory)对交通流演化的影响,基于具有跟驰特性的单车道格子模型、带有换道行为的双车道格子模型和具有超车特性的超车格子模型,本文分别对上述三种情形加以建模,以分析记忆最优流量差项在跟驰、超车、换道三种不同情形上的具体影响,探索了考虑记忆最优流量差影响下交通拥堵的宏观传播机制。针对驾驶员在行车过程中会考虑前方流量与上一记忆时间的流量之间的差值(OCCM:Optimal Current Change with Memroy)来调整车辆下一步长的车辆速度这一特性,本文在原有的Natagani模型的基础上,提出了一类新的带有记忆流量差的新格子模型,随后采用线性稳定性理论和非线性慑动理论对新模型进行分析,前者可以得到该模型的线性稳定性条件,后者获得了带有记忆流量差项的新格子流体动力学模型的的扭结-反扭结解,对临界点区域密度波的传播机制进行分析,最后的数值仿真验证了增大记忆步长与加强记忆流量差的灵敏度能够提高交通流的稳定性。然而上述的模型仅能够描述单车道上交通流的演化,对于带有换道行为的多车道下交通流模型并不适用,为此,本文将上述的带有记忆流量差项的单车道格子流体力学模型扩展到双车道上,建立了双车道格子流体力学模型,与单车道研究类似,通过上述的线性和非线性稳定性理论方法和数值模拟对该新模型中的交通流特性进行了理论分析和仿真研究,结果表明,在双车道上通过增大记忆步长与记忆流量差的灵敏度依然能够提高交通流的稳定性,且相比于非换道情况,考虑一定的换道更有利于缓解交通拥挤。随着研究的深入发现,上述的格子模型仅能够反映诸如跟驰、换道等“常规”的驾驶情况,并没有考虑诸如超车行为等“非常规”驾驶情况,为此,本文将记忆流量差项引入到Natagani超车格子模型中来,同时基于线性稳定性理论获得了模型的稳定性判据,随后基于非线性稳定性方法得到了临界点附近交通阻塞的传播演化规律,研究结果表明,驾驶员超车率的大小严重影响着交通流的稳定,当车流超车率表现较低时(低于一个设定阈值时),整个相空间仅被区分为稳定性区域和非稳定性区域,在非稳定性区域车流以扭结-反扭结解得形式向后传播,且该扭结-反扭结解可以通过求解mKDV方程而得到,同时通过增大驾驶员的记忆时间,交通流的稳定性可得到增强;而对当超车率较时(超过一定阈值时),上述的非稳定性区域得以进一步的切分,分为密度波特性区域和混沌特征区域两部分,且两区域表现出完全不一样的形态,其中在密度波特征区域中,失稳车流主要以周期行为向后演化,而在混沌特征区域中,失稳车流展现出看似“杂乱无章”的混沌行为。综上所述,本文主要借助车联网平台,为了分析驾驶行为中的时变延迟时间、模糊灵敏度和记忆时间与交通拥堵之间的关系,分别建立了宏观交通流模型和微观建模型,同时在微观交通模型中还设计了反馈控制算法以提高交通流的鲁棒性,该文章的研究成果可以加深人们对交通拥堵的认识,同时还可以了解交通拥挤形成的过程,了解驾驶员自身特性对交通流稳定性的影响,同时还能够构建出具有车联网环境下交通流拥挤控制的新体系和框架,丰富了以往交通流研究的成果,为交通流的研究开辟新枝,而所设计的控制算法为先进智能驾驶系统的设计提供一定的指引指导作用。