用计算机仿真模拟道路通行能力,一种使道路通行能力最优的智能车比例获取方法与流程...

本发明属于交通管理技术领域，涉及一种智能车比例获取方法，具体是一种使道路通行能力最优的智能车比例获取方法。

背景技术：

世界各大城市的大部分地区交通繁忙，因拥挤、堵塞等状况造成的损失惨重。而造成交通拥挤的原因很多，如道路的形状，意外的车祸，道路通行能力的限制等，道路通行能力对解决交通拥堵的困境至关重要。

而在特定参数道路系统中，如何配置智能汽车所占的比例，才能使得系统的道路通行能力最优，是本领域技术人员面临的主要问题。

其中，特定参数道路系统是指，有两种类型汽车——普通汽车与智能汽车——同时行驶的道路交通系统。普通汽车是指由驾驶员操作而行驶的汽车；智能汽车是一种配备了合作系统的自动驾驶汽车，它可与其他智能汽车实时通讯，分享即时状态，并能根据环境和其他车辆的行驶信息做出瞬间决策，调整行驶方式。

现有技术通常用仿真的方式计算目标变量，当数据集很大时会消耗巨大的计算资源，而且仿真的计算结果近似收敛于从假设分布中抽取的随机样本，准确性不高。

技术实现要素：

本发明的目的在于提供一种使道路通行能力最优的智能车比例获取方法，从统计物理的角度，提出重整化方法建立描述系统当前平均道路通行能力的物理模型，进而得出使得系统道路通行能力最优的智能车比例。

本发明的目的可以通过以下技术方案实现：

一种使道路通行能力最优的智能车比例获取方法，具体包括以下步骤：

步骤S1，对当前平均道路通行能力PACR进行建模；

步骤S2，以步骤S1中的模型为基础，确定智能汽车最低比例；

步骤S3，获取任意路段的最大车辆密度；

步骤S4，对步骤S3中的路段，确定道路通行能力值对应的智能车比例；

步骤S5，计算使道路通行能力最优的智能车比例。

进一步地，所述步骤S1中对PACR进行建模时，将道路分割为多个局部路段，对各局部路段分别分析再进行整合；在局部路段中，采用重整化方法对PACR建模，把智能车和前面的车组合为一个车队，当所有车都在普通车打头的车队中时，重整化结束；

此时，PACR通过下式描述：

式中，Ψ(λ,ρ0)为当前平均道路通行能力PACR，λ为智能车所占比例；ρ0为初始车辆密度；dc为智能车与前车间的距离，由于智能车能连续获知前车状态并立即做出改变，所以它们和前车能保持最小的安全距离ds；v(·)表示车辆的平均速度，是车辆密度的函数，d(·)表示前后两车的距离，是速度的函数。

进一步地，所述步骤S2中，对任意路段计算出所有路段的当前车流量Φi0，i＝1,2,…,n，求出一个智能汽车比例λ，使所有路段都满足：

Φi0≤Ψ(λ,ρi)max

此时λ＝λ0即为智能汽车最低比例。

进一步地，所述步骤S3中，在智能车最低比例λ0情况下，对第i个路段求解方程：

Φi0＝Ψ(λ0,ρi0)

解得使该路段达到当前车流量的车辆密度ρi0，两个解中取较大的值，记为该路段的最大车辆密度ρimax。

进一步地，所述步骤S4中，对第i个路段，令ρi＝ρimax，在一系列智能车比例对应的不同当前平均道路通行能力Ψi中，找出最大的当前平均道路通行能力Ψimax，即道路通行能力值，并记录此时的智能车比例λi。

进一步地，所述步骤S5中，对所有路段重复步骤S3和步骤S4，得到各路段达道路通行能力值时的智能车比例λi所构成的序列{λi，i＝1,2,…,n，且该序列收敛于一个极限，于是，最优的智能车比例λbest为：

式中，si为第i个路段的长度。

本发明的有益效果：本发明提供的使道路通行能力最优的智能车比例获取方法，根据统计物理中的相关理论，通过重整化建模，在复杂交通运输系统中，分层整合微观离散信息，模拟宏观上交通系统的道路通行能力，总结出一个反映微观车辆数和宏观通行能力关系的公式，该结果能够以较少的噪音有效地直接拟合到数值计算模型中，进而在此模型基础上提出一种使道路通行能力最优的智能车比例求取方法，相比于仿真方法更高效快捷，具有一定的现实意义。

附图说明

下面结合附图和具体实施例对本发明作进一步详细描述。

图1为本发明的方法流程图。

图2为不同智能车比例λ下，当前平均道路通行能力随初始车辆密度变化的曲线。

图3为不同初始车辆密度下，当前平均道路通行能力随智能车比例λ变化的曲线。

图4为多车道元胞自动机仿真结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供了一种使道路通行能力最优的智能车比例获取方法，通过重整化建模，在复杂交通运输系统中，分层整合微观离散信息，模拟宏观上交通系统的道路通行能力，总结出一个反映微观车辆数和宏观通行能力关系的公式，进而在此公式基础上求出使得系统道路通行能力最优的智能车比例。

如图1所示，本发明具体实施步骤包括：

步骤S1，当前平均道路通行能力(PACR)建模。

其中，道路通行能力是指在所有道路、交通和控制条件下，车辆可合理地穿过车道或道路的一个点或统一部分的最大的每小时比率；当前平均道路通行能力(PACR)是指当前条件下，每小时可能的最大车流量，单位：辆/秒；从而，道路通行能力即为PACR曲线的极值点，因此，通过研究PACR与智能车比例的关系，进而求得使道路通行能力最优的智能车比例。本发明首先要对PACR进行建模，由于PACR与车辆间的距离、车辆长度和车辆行驶速度有关，其一般公式为：

式中，Ψ表示PACR，N为目标路段上的车辆总数，vk表示第k辆车的速度，s为车辆长度，d为两辆普通汽车间的距离。

结合平均场理论，假设一个位置的交通速度可以独立地受到整个路况的影响，于是可以将道路分割为多个局部，各局部路段分别分析再进行整合。

在局部路段中，本发明采用统计物理中的重整化思想对PACR建模。重整化的每一步就是：把智能车和前面的车组合为一个“车队”，通过将局部路段的“小车队”转变成由“小车队”决定特征的“大车队”，从而优化局部路段的PACR函数。

在这个过程中我们目标是使局部PACR最大，也就是尽可能使车辆速度大而车距小。

首先，关于车辆速度，由于智能车能连续获知前车状态而立即做出改变，进而能与前车能保持相同的速度，所以最终路段车辆的平均速度取决于普通车的平均速度。又因为人类驾驶行为的波动性，特别是不必要的制动行为，因此具有人类行为模式的普通车的密度决定了普通车的平均速度。

其次，关于车距，同样因为智能车能连续获知前车状态而立即做出改变，进而能和前车能保持最小的安全距离，即dc＝ds；对于普通车，安全距离下的车距最小，而安全距离是前后两车速度的函数，由于智能车速度与前车相同，所以普通车的安全距离即为普通车平均速度的函数，即d(v)＝d(v((1-λ)ρ0))。，

所以，重整化策略的核心原则是：尽可能与其他智能车排成一队。当所有车都在普通车打头的车队中时，重整化结束。

因此，在含有智能车和普通车的道路系统中，PACR可以通过下式描述：

式中，Ψ(λ,ρ0)为当前平均道路通行能力PACR，λ为智能车所占比例；ρ0为初始车辆密度；dc为智能车与前车间的距离，由于智能车能连续获知前车状态并立即做出改变，所以它们和前车能保持最小的安全距离ds；v(·)表示车辆的平均速度，是车辆密度的函数，d(·)表示前后两车的距离，是速度的函数。

现有技术通常采用计算机仿真的方式研究道路通行能力，通过对比相同参数下的元胞自动机仿真结果与上述模型的计算结果，可以证明本发明所述模型的有效性。实验结果如下。

图2为当前平均道路通行能力Ψ(λ,ρ0)随初始车辆密度ρ0的变化曲线，其中智能车比例λ取值分别为从0到0.95，间隔为0.05的20个值。由于道路通行能力被定义为所有道路条件下的最大流量，每个PACR曲线的极值点都代表目标路段的通行能力。由图2可以看出，智能车比例λ越高，道路通行能力越大，但部分λ下的道路通行能力，即Ψ(λ,ρ0)曲线顶点，所对应的车辆密度不满足ρ0＜1的实际要求。

于是，将初始车辆密度ρ0的取值设定为从0到0.95，间隔为0.05的20个值，得到在不同初始车辆密度ρ0下，当前平均道路通行能力Ψ(λ,ρ0)随智能车比例λ的变化曲线，如图3所示。图3说明当前平均道路通行能力和智能车比例不是正相关的，Ψ(λ,ρ0)随λ先增大后减小。

相同参数下的传统元胞自动机仿真结果如图4所示。从左到右，从上到下，四个子图分别为1车道、2车道、3车道和4车道时，智能车比例p在九种不同取值情况下，当前平均道路通行能力(Ψ)随初始车辆密度(dens i ty)的变化曲线。

对比图2和图4可以看出，仿真结果的主要趋势和特征峰值与本发明所述模型的理论计算结果一致，证明了所述建模方法的有效性。

下述步骤将以步骤S1中的模型为基础，继续获取使道路通行能力最优的智能车比例。

步骤S2，确定智能汽车最低比例λ0。

对某一路段计算出所有路段的当前车流量Φi0，i＝1,2,…,n，求出一个智能汽车比例λ，使所有路段都满足：

Φi0≤Ψ(λ,ρi)max

此时λ＝λ0即为智能汽车最低比例。在这个比例下，高峰时段不会有路段出现堵塞。

步骤S3，获取任意路段的最大车辆密度ρimax

在最低智能车比例λ0情况下，对第i个路段求解方程：

Φi0＝Ψ(λ0,ρi0)

解得使该路段达到当前车流量的车辆密度ρi0，两个解中取较大的值，记为该路段的最大车辆密度ρimax。

步骤S4，对步骤S3中的路段，确定道路通行能力值对应的智能车比例λi。

对第i个路段，令ρi＝ρimax，在一系列智能车比例λ对应的不同道路通行能力Ψi中，找出最大的当前平均道路通行能力Ψimax，即道路通行能力值，并记录此时的智能车比例λi。

步骤S5，计算使道路通行能力最优的智能车比例λbest。

对所有路段重复步骤S3和步骤S4，得到各路段达道路通行能力值时的智能车比例λi所构成的序列{λi}，i＝1,2,…,n，且该序列收敛于一个极限。根据相关文献，道路拥塞率与道路长度线性相关，所以本发明使用道路长度来衡量最佳智能车比例。于是，系统的最优智能车比例λbest可由下式计算得出：

式中，si为第i个路段的长度。