智能网联车和人驾车辆混合交通流排队长度估计模型

作     者：曹宁博 陈家辉 赵利英 CAO Ningbo;CHEN Jiahui;ZHAO Liying

作者机构：长安大学运输工程学院陕西西安710061 西北工业大学自动化学院陕西西安710129 西安理工大学经济与管理学院陕西西安710048 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2024年第58卷第9期

页      面：1935-1944页

核心收录：

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：陕西省自然科学基础研究计划(青年项目)资助项目(2023-JC-QN-0531) 陕西省自然科学基础研究计划(面上项目)资助项目(2024JC-YBMS-376) 陕西省社会科学基金资助项目(2022R028,2021R025) 陕西省自然科学基金资助项目(2022JM-426) 

主　　题：混合交通流 智能网联车 贝叶斯定理 轨迹数据 排队长度估计 

摘      要：为了解决智能网联车(ICVs)和人驾车辆(HDVs)混行交叉口的排队估计问题,提出基于概率统计和贝叶斯定理的排队长度估计模型.综合考虑队列中智能网联车位置、速度和渗透率等因素,分别构建可观测队列排队长度估计模型、不可观测队列排队长度估计模型和渗透率估计模型,通过迭代实现排队长度和渗透率的实时估计.利用随机种子模拟不同渗透率条件下智能网联车在队列中的分布特征,分析不同交通条件下模型的估计精度.与已有模型的对比表明,在智能网联车低渗透率(10%)条件下,在非高峰时段,本研究模型、已有模型的平均绝对百分比误差(MAPE)分别为29.35%、59.68%;在高峰时段,本研究模型、已有模型的MAPE分别为26.50%、34.66%.在智能网联车高渗透率条件下(90%),在非高峰时段,本研究模型、已有模型的MAPE分别为6.90%、17.85%;在高峰时段,本研究模型、已有模型的MAPE分别为1.45%、1.05%,误差接近.本研究所提出的排队估计模型在低渗透率和高渗透率条件下均具有更好的估计精度.