论文部分内容阅读
随着计算机等先进技术和自动驾驶车辆技术的发展，使得未来交通流由自动驾驶车辆和安装车-车通信设备的人工驾驶车辆随机混合形成，这种交通流的特性值得广泛研究。
交通流预测是智能交通系统的重要研究领域，对交通管理和诱导、提升出行效率具有重要意义。由于传统交通流的预测模型简单实用，但不适合处理海量交通数据，无法捕获交通数据中的复杂时空特性。因此，难以在数据量大的复杂应用场取得令人满意的性能。随着近年来深度学习算法等智能算法的广泛应用，提出了将智能交通与交通流结合的分析方法。
可以将这种混合交通流进行分类，下面对人工驾驶车辆和自动驾驶车辆构成的混合交通流以及基于元胞自动机的自动驾驶交通流进行综述。
1.人工驾驶车辆和自动驾驶车辆构成的混合交通流
针对由自动驾驶车辆和安装车-车通信设备的人工驾驶车辆随机混合形成的混合交通流的特性，国内外学者进行了诸多方面的研究，包括自动驾驶车对通行能力的提升、对交通安全的影响、以及对交通流稳定性的影响等诸多方面。
Van Arem等针对自动驾驶车辆对交通流通行能力的影响，进行了数值仿真实验设计，实验结果表明，当自动驾驶车辆比例超过60%时，才可以有效提升交通流通行能力[1]。Lee等在车辆网环境下研究了自动驾驶车辆对交通环境污染的影响，针对交叉口的仿真实验结果表明，相比于传统交通流，自动驾驶车辆可降低33%的平均旅行时间，降低44%的二氧化碳排放，节省44%的车辆燃油消耗[2]。国内对这一方面的研究开展的较晚，秦严严等通过分析自适应巡航控制（ACC）与协同自适应巡航控制车辆跟驰模型（CACC）及其对交通流的特性影响，将目前主流的ACC/CACC车辆跟驰模型进行了分类总结[3];同时，还针对CACC在发展过程中存在退化为ACC的情况，研究了混有CACC车辆和ACC车辆的混合交通流基本图模型[4];此外，还针对混有自动驾驶车辆的混合交通流，研究了混合交通流基本图和驾驶舒适性，并进行数值仿真实验，结果表明，当传统交通流通行能力为2016veh/h时，在自动驾驶期望车间时距取0.6s时，自动驾驶车辆交通流可将通行能力提升至4597veh/h，但随着自动驾驶车辆比例的增加，舒适性由“Fairly uncomfortable”逐步改善为“Not uncomfortable”[5]。
2.基于元胞自動机的自动驾驶交通流
元胞自动机模型是一种较为广泛应用的数学模型。
邱小平等将Arnab Bose自动驾驶模型与经典的NaSch模型结合，提出了一个适用于自动驾驶的单车道元胞自动机交通流模型，并通过数值模拟进行仿真，结果表明，车头时距为0.5s时的通行能力约是车头时距为3s的通行能力的4倍，当车头时距从4s减少为1s时交通拥堵可降低约95%[6]。此外，随着人们对驾驶安全性考虑意识的提高，邱小平等通过引入经典Gipps模型思想对NaSch模型规则进行改进，引入“安全距离”标尺，提出了基于Gipps安全距离的混合交通流模型，并进行数值模拟。结果表明，在全自动驾驶交通流中，减小自动驾驶反应时间可以提高道路通行能力，但不一定能减少交通拥堵[7]。
3.基于学习算法的智能交通流
智能交通动态预测通常以交通诱导为基本，基于动态的交通分配理论，对路网上的流量空间进行预测，以及实施变化的路网交通进行动态分析。
李晓飞[8]等提出了基于神经网络的智能体交通动态预测模型，对长春市的主干道路作出仿真研究分析，实验结果表明，在一定假设下，文章的研究模型可以对实际问题作出一定程度上的简化。
与此同时，林锦香[9]等人通过建立基于卷积神经网络的道路交通速度预测模型，对交通流进行了预测分析。通过建模实验，对周五工作日和周六的道路交通速度趋势进行了准确预测。
罗向龙[10]等考虑了路网结构，使用K最近邻（KNN）分类算法筛选出与目标站点相关误差最小时对应的K个检测站点数据，输入LSTM模型进行预测取得了较好的预测效果;王祥雪[11]等人构建基于LSTM-R NN的城市快速路预测模型，模型训练时对时空关联特性进行识别和强化，兼顾了精度和时效性。
综上所述，综合考虑路网各方面影响因素，充分研究交通流的时空特征并进行深度学习，对预测可以有较好的研究成果。
在将来，自动驾驶将成为主流，对于自动驾驶车辆交通流的研究，对缓解交通拥堵、提高道路利用率、增加安全性有指导意义。
参考文献：
[1]VAN AREM B，VAN DRIEL C J G，VISSER R.The impact of cooperative adaptive cruise control on traffic-flow characteristics[J].IEEE Transactions on Intelligent Transportation Systems，2006，7（4）：429-436.
[2]LEE J，PARK B.Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（1）：81-90.
[3]秦严严. 自适应巡航控制车辆跟驰模型综述[J].交通运输工程学报2017，17（3）：121-130.
[4]秦严严. 混有AV车辆和ACC车辆的异质交通流基本图模型[J].中国公路学报，2017，30（10）：127-136.
[5]秦严严. 自动驾驶车辆交通流基本图与驾驶舒适性[A]. 中国智能交通协会.第十三届中国智能交通年会大会论文集[C].中国智能交通协会：中国智能交通协会，2018：9.
[6]邱小平，马丽娜.基于元胞自动机的自动驾驶交通流仿真研究[J].西华大学学报（自然科学版），2017，36（02）：50-54.
[7]邱小平，马丽娜，周小霞，杨达.基于安全距离的手动—自动驾驶混合交通流研究[J].交通运输系统工程与信息，2016，16（04）：101-108+124.
[8]李晓飞，吕阳，周胜龙.基于神经网络的智能交通动态预测模型[J].营销界，2019（29）：160+177.
[9]林锦香.基于卷积神经网络的道路交通速度预测[J].电脑知识与技术，2019，15（09）：176-178.
[10]罗向龙， 李丹阳， 杨彧. 基于KNN-LSTM的短时交通流预测[J]. 北京工业大学学报， 2018， 44（12）： 55-61.
[11]王祥雪， 许伦辉. 基于深度学习的短时交通流预测研究[J]. 交通运输系统工程与信息， 2018.
交通流预测是智能交通系统的重要研究领域，对交通管理和诱导、提升出行效率具有重要意义。由于传统交通流的预测模型简单实用，但不适合处理海量交通数据，无法捕获交通数据中的复杂时空特性。因此，难以在数据量大的复杂应用场取得令人满意的性能。随着近年来深度学习算法等智能算法的广泛应用，提出了将智能交通与交通流结合的分析方法。
可以将这种混合交通流进行分类，下面对人工驾驶车辆和自动驾驶车辆构成的混合交通流以及基于元胞自动机的自动驾驶交通流进行综述。
1.人工驾驶车辆和自动驾驶车辆构成的混合交通流
针对由自动驾驶车辆和安装车-车通信设备的人工驾驶车辆随机混合形成的混合交通流的特性，国内外学者进行了诸多方面的研究，包括自动驾驶车对通行能力的提升、对交通安全的影响、以及对交通流稳定性的影响等诸多方面。
Van Arem等针对自动驾驶车辆对交通流通行能力的影响，进行了数值仿真实验设计，实验结果表明，当自动驾驶车辆比例超过60%时，才可以有效提升交通流通行能力[1]。Lee等在车辆网环境下研究了自动驾驶车辆对交通环境污染的影响，针对交叉口的仿真实验结果表明，相比于传统交通流，自动驾驶车辆可降低33%的平均旅行时间，降低44%的二氧化碳排放，节省44%的车辆燃油消耗[2]。国内对这一方面的研究开展的较晚，秦严严等通过分析自适应巡航控制（ACC）与协同自适应巡航控制车辆跟驰模型（CACC）及其对交通流的特性影响，将目前主流的ACC/CACC车辆跟驰模型进行了分类总结[3];同时，还针对CACC在发展过程中存在退化为ACC的情况，研究了混有CACC车辆和ACC车辆的混合交通流基本图模型[4];此外，还针对混有自动驾驶车辆的混合交通流，研究了混合交通流基本图和驾驶舒适性，并进行数值仿真实验，结果表明，当传统交通流通行能力为2016veh/h时，在自动驾驶期望车间时距取0.6s时，自动驾驶车辆交通流可将通行能力提升至4597veh/h，但随着自动驾驶车辆比例的增加，舒适性由“Fairly uncomfortable”逐步改善为“Not uncomfortable”[5]。
2.基于元胞自動机的自动驾驶交通流
元胞自动机模型是一种较为广泛应用的数学模型。
邱小平等将Arnab Bose自动驾驶模型与经典的NaSch模型结合，提出了一个适用于自动驾驶的单车道元胞自动机交通流模型，并通过数值模拟进行仿真，结果表明，车头时距为0.5s时的通行能力约是车头时距为3s的通行能力的4倍，当车头时距从4s减少为1s时交通拥堵可降低约95%[6]。此外，随着人们对驾驶安全性考虑意识的提高，邱小平等通过引入经典Gipps模型思想对NaSch模型规则进行改进，引入“安全距离”标尺，提出了基于Gipps安全距离的混合交通流模型，并进行数值模拟。结果表明，在全自动驾驶交通流中，减小自动驾驶反应时间可以提高道路通行能力，但不一定能减少交通拥堵[7]。
3.基于学习算法的智能交通流
智能交通动态预测通常以交通诱导为基本，基于动态的交通分配理论，对路网上的流量空间进行预测，以及实施变化的路网交通进行动态分析。
李晓飞[8]等提出了基于神经网络的智能体交通动态预测模型，对长春市的主干道路作出仿真研究分析，实验结果表明，在一定假设下，文章的研究模型可以对实际问题作出一定程度上的简化。
与此同时，林锦香[9]等人通过建立基于卷积神经网络的道路交通速度预测模型，对交通流进行了预测分析。通过建模实验，对周五工作日和周六的道路交通速度趋势进行了准确预测。
罗向龙[10]等考虑了路网结构，使用K最近邻（KNN）分类算法筛选出与目标站点相关误差最小时对应的K个检测站点数据，输入LSTM模型进行预测取得了较好的预测效果;王祥雪[11]等人构建基于LSTM-R NN的城市快速路预测模型，模型训练时对时空关联特性进行识别和强化，兼顾了精度和时效性。
综上所述，综合考虑路网各方面影响因素，充分研究交通流的时空特征并进行深度学习，对预测可以有较好的研究成果。
在将来，自动驾驶将成为主流，对于自动驾驶车辆交通流的研究，对缓解交通拥堵、提高道路利用率、增加安全性有指导意义。
参考文献：
[1]VAN AREM B，VAN DRIEL C J G，VISSER R.The impact of cooperative adaptive cruise control on traffic-flow characteristics[J].IEEE Transactions on Intelligent Transportation Systems，2006，7（4）：429-436.
[2]LEE J，PARK B.Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（1）：81-90.
[3]秦严严. 自适应巡航控制车辆跟驰模型综述[J].交通运输工程学报2017，17（3）：121-130.
[4]秦严严. 混有AV车辆和ACC车辆的异质交通流基本图模型[J].中国公路学报，2017，30（10）：127-136.
[5]秦严严. 自动驾驶车辆交通流基本图与驾驶舒适性[A]. 中国智能交通协会.第十三届中国智能交通年会大会论文集[C].中国智能交通协会：中国智能交通协会，2018：9.
[6]邱小平，马丽娜.基于元胞自动机的自动驾驶交通流仿真研究[J].西华大学学报（自然科学版），2017，36（02）：50-54.
[7]邱小平，马丽娜，周小霞，杨达.基于安全距离的手动—自动驾驶混合交通流研究[J].交通运输系统工程与信息，2016，16（04）：101-108+124.
[8]李晓飞，吕阳，周胜龙.基于神经网络的智能交通动态预测模型[J].营销界，2019（29）：160+177.
[9]林锦香.基于卷积神经网络的道路交通速度预测[J].电脑知识与技术，2019，15（09）：176-178.
[10]罗向龙， 李丹阳， 杨彧. 基于KNN-LSTM的短时交通流预测[J]. 北京工业大学学报， 2018， 44（12）： 55-61.
[11]王祥雪， 许伦辉. 基于深度学习的短时交通流预测研究[J]. 交通运输系统工程与信息， 2018.