智能网联道路交通控制 课件 第7-11章 优先路权车辆协同控制方法- 智能网联交通控制评价方法

第7章优先路权车辆协同

控制方法7.1优化背景

优先路权车辆(PriorityRight-of-wayVehicle,PRV)是指在特定任务执行或响应国家相关政策期间，享有高于社会车辆道路时空资源使用权限的载运工具，包括救援、防灾、医疗、军事、警务等应急车辆和BRT(BusRapidTransit)、有轨电车等公共交通工具。传统的PRV优先控制方法未能区分应急车辆与公共交通的优先级差异，二者在交叉口的优先控制逻辑相似，都会受到冲突相位转换和最短绿灯时间等限制。此外，现有PRV优先通行措施多采取刺激社会车辆让行的方式来实现，但因事件的不可预见性和车辆的不可控性，常常导致PRV出行受阻。网联交通环境下，道路交通运行状态具有实时可测的特点，且CAV具有轨迹可控、主动避让的优势，而CHV可通过速度诱导进行合理让行，令PRV优先通行控制更具灵活性和主动性，为其快速通行创造了条件。7.2道路阻抗函数

路径规划是保障应急车辆出行时间可靠性的基础，而道路阻抗函数是交通分配、路径规划中的核心参数，用于描述路网中各段道路的通行阻力，常与道路的交通流量等参数密切相关。既有道路阻抗函数的研究大都针对BPR(BureauofPublicRoads)函数本身存在的缺陷或加入了其他影响因素进行的修正或重构。式中，t—车辆在路段上的行程时间；t0—路段自由流状态下的行程时间；Q—路段交通流量；C—路段实际通行能力；

、

—待标定参数，美国联邦公路局标定

=0.15、

=4.0。1.传统道路阻抗函数(1)基于交通量和行程时间的基础BPR函数四兵锋等(2008)依据道路横断面特征及不同交通方式间的相互作用，分别建立了单幅路、双幅路、三幅路、四幅路的BPR函数模型。其中，道路交通流量va、机动车交通量

、非机动车交通量可表示为：

式中，xa—路段a上的出行者需求；pa—乘坐一种交通方式出行的比例，私家车、公交车、非机动车分别为

；o—一种交通方式的平均承载人数，私家车、公交车、非机动车分别为ocar、obus、obike。7.2道路阻抗函数1.传统道路阻抗函数单幅路：双幅路：三幅路：四幅路：7.2道路阻抗函数1.传统道路阻抗函数7.2道路阻抗函数1.传统道路阻抗函数(2)改进BPR函数除上述基础BPR函数外，还有考虑多种影响因素的广义BPR函数，如从隧道交通流特征、拥堵收费、限速、交通信号控制等角度修正BPR函数的。除此之外，还有从布雷斯(Braess)悖论、网络拓扑结构、介观模型、长短期记忆神经网络等更抽象角度研究BPR函数的。①布雷斯(Braess)悖论：将Braess悖论条件推广到BPR函数的简单网格网络，分析了成本、拥塞灵敏度对Braess悖论发生的影响并优化了路阻函数。②网络拓扑结构：从网络拓扑结构出发，以宏观路阻函数(MacroscopicBureauofPublicRoads,MBPR)为基础，在真实数据支持下，揭示了网络拓扑指标与宏观成本流函数参数间的直接联系，利用出租车全球定位系统数据校准了选定区域的MBPR函数。③介观模型：提出了一个基于时间离散介观交通流模型的交通时间预测框架，它采用了动态网络加载过程产生的路阻来度量行程时间。该模型将微观模型和基于行程时间函数的路阻函数相结合，模拟了路网上的时空交通流传播，在一定程度上解决了交通规划者将BPR函数用于较小区域较微观交通分配和分析评价时的精度问题。④长短期记忆神经网络：利用长短期记忆神经网络来预测改进BPR函数中未确定的系数，可以更精确地计算道路交通的阻抗值。7.2道路阻抗函数2.网联交通环境下道路阻抗函数尽管BPR函数的修正已趋完善，但现有研究均以传统交通环境为背景，缺乏基于网联交通主动感知与轨迹可控等特点对BPR函数进行的修正或重构。且由于道路交通状态的实时变化，传统交通环境难以全面捕捉交通流参数来动态标定BPR函数，导致BPR函数中参数可靠性下降、适应性不强等问题；而网联交通的实时可测则解决了BPR参数的动态标定问题，甚至还可应用大数据和人工智能算法进一步提高参数的可靠度，建立适用于人机混合驾驶的BPR函数，制定BPR函数适应性标准，扩大BPR函数的应用范围。在应急响应阶段，灾害事件对交通量的影响较明显，因此对应急车辆全局优先控制时需考虑路径上交通量的变化。目前，BPR函数在车辆行程时间可靠性研究中发挥着重要的作用，但在应急车辆全局优先控制中，少有研究使用BPR函数来计算应急车辆的行程时间及其时间可靠性。网联交通环境下，应利用其可测、可控、可诱导优势改进或重构BPR函数并用于应急车辆的全局优先控制中。7.2道路阻抗函数7.3PRV出行路径规划模型

出行路径规划旨在减少PRV的行程时间。网联交通环境下，PRV出行路径规划的主要思路为：首先，系统以PRV最大速度搜索一系列通往目的地的候选路径，并预估到达时间，在这个过程中不考虑道路上的交通状况；其次，车辆清障流程评估清除各条候选路径上的障碍物所需的时间，选择清除时间最少的路径；最后，系统估算并发布所选路线上交叉口的信号配时方案，以协调交通流，让PRV顺利通过。1.优化思路给定一条长度的边(vi,vi+1)和PRV的预期速度θ，若候选路径上不存在障碍车辆，则PRV在(vi,vi+1)上的平均行驶时间为

；否则，为，其中，是清空路段(vi,vi+1)的等待时间。PRV的最优路径为：基于最短路径算法(如Dijkstra算法)选择成本最低的路径需要使用最接近规划时间的最新交通数据，并根据交通密度为每个路段测算相应的出行成本。如下图所示，节点H和节点K之间的路段很短，但因交通繁忙或潜在拥堵，其出行成本很高。传统算法会在图中搜索出行成本最小的路径，而与最小成本算法不同，K最短路径算法(KSP)中各路段的出行成本基于静态因素，如道路长度、最大允许速度和车道数。在长度相同的情况下，允许速度越高、车道数越多的道路，出行成本就越低。该算法降低出行成本的策略是优先选择高通行能力的路段，这些路段能够快速放行车辆或在清空过程中容纳更多车辆。2.最短路径算法7.3PRV出行路径规划模型2.最短路径算法7.3PRV出行路径规划模型3.启发式交通疏导协调算法定义一辆长度为lx的普通车辆x在路段(vi,vi+1)上以ux的速度行驶，车道上相邻车辆之间的安全间隙为dgap。在时间tk(其中k<i)时，假设有辆车在路段(vi,vi+1)上行驶，预留空车道的路段总容量，即可表示为式(8-12)，为车均长度。7.3PRV出行路径规划模型3.启发式交通疏导协调算法车道预留可采用两种主要策略：(1)TCC命令需要让行的车辆并入路段上有空位的右侧车道，迅速将最左侧的车道让出，反之亦然。(2)TCC指挥车辆最少车道上的车辆驶入车辆较多的车道。如果道路只有两条车道，则最好采用从少到多的合并策略，这种从少到多的并线策略可以减少需要并线的车辆数量，从而缩短并线时间。然而，PRV车道预留仍存在许多问题，比如交通状况变化频繁，要估计特定车道上的交通密度以找到最合适的车道进行预留就比较困难。除此之外，当车道位于多条车道的道路中间，控制车辆保留所需的车道是另一个挑战，如确定哪些车辆并入左侧或右侧车道，以适应剩余的空间。若车辆行驶的路段没有足够的空间，则会启动交通协调疏导算法，将受影响的车辆分配到其他路段：步骤1：检查t1=0时处于拥堵状态的路段。步骤2：从距离PRV出发地最近的拥堵路段(vi,vi+1)开始，建立与vi+1相连的路段列表，称为分布列表。步骤3：计算t1时刻必须清空的车辆数，即。7.3PRV出行路径规划模型步骤4：对于分布列表中的每个相连路段v，计算其在t1时刻可容纳的车辆数，即若Qv>0，则将交通信号灯切换为绿灯或将绿灯时间延长Tv，然后指示Qv车辆驶向路段v，同时将剩余车辆数从

更新为；否则，系统将检分配列表中的下一个路段。步骤5：若，则对评估路径的下一段递归重复步骤1-4；否则，计算PRV等待其余车辆前往相连路段的总延迟时间(式(8-13)和式(8-14))。虽然这种方法有利于为PRV预留空间，但可能会将拥堵转移到分配列表中的路段上，若拥堵发生在多个路段且至少有两个连续节点的道路不相连，则可以同时进行清空操作。清除交通障碍后，路径pk的ETA值可按下式求得：3.启发式交通疏导协调算法7.3PRV出行路径规划模型考虑到距出发时间较远时估计路段状况的挑战，需要定期运行该程序，以积极清除PRV附近的潜在拥堵，并在必要时更新路线。3.启发式交通疏导协调算法7.3PRV出行路径规划模型最短路径是指PRV能在最短时间内到达目的地的路径，寻找最短路径算法的结果通常有两种情况，一旦满足这两种情况中的任何一种，算法就会停止。(1)最短路径上PRV不会遇到拥堵(最佳情况)；(2)最短路径上的所有道路拥堵都能在PRV到达之前被清除。除了这两种情况，最糟糕的情况是所有路段都超载(上下班高峰期、拥挤的体育赛事)，尤其是靠近PRV的路段，所有N条候选路径都必须经过验证。4.寻找最短路径算法7.3PRV出行路径规划模型4.寻找最短路径算法7.3PRV出行路径规划模型PRV出行优先控制(Prioritycontrol)是指PRV优先通行权的授予，一般适用于载客量较大的公共交通车辆，以及执行任务的救护车、消防车、工程抢险车、警备车等应急车辆，包括优先控制车辆的检测技术、交通信号优化技术等。公交优先信号控制是最早的PRV出行优先控制方法，早期的研究将公交信号优先(BusSignalPriority)与强制信号优先(PriorityandPreemption)归结为同一类问题。在NTCIP(NationalTransportationCommunicationsforITSProtocol)1202第二版中给出了公交信号优先的定义：在信号控制交叉口给予公交车辆相对于其他车辆的优先权，这种优先不应导致相应的信号机脱离正常运行状态。而强制信号优先的定义为：交通信号从正常状态切换到特殊状态，以满足紧急救援车辆、轨道交通等的通行，即需要中止正常的信号运行来提供特殊信号服务。7.4PRV出行优先控制方法公交信号优先策略主要分为被动优先、主动优先和实时优先，具体如表所示。相对于主动优先和实时优先，国外对被动优先策略的研究成果较少，这与其公交车辆流量小有关，而被动优先策略在流量较小时适应性差。被动优先策略在中国等公交车流量较大的国家和地区得到了发展。20世纪90年代中期起，主动优先策略逐渐被实时优先策略取代，公交信号优先也从绝对优先阶段发展到相对优先阶段。7.4PRV出行优先控制方法节点优先控制多用于BRT、有轨电车等公共交通的出行服务，以及在缺乏全局道路交通信息时在交叉口快速放行应急车辆，现已形成公交预信号和主动公交优先两大类较成熟的控制方法。其中，主动优先控制策略研究框架如图所示。1.节点优先7.4PRV出行优先控制方法近年来公交优先控制的研究主要集中在以下两个方面：(1)特定道路条件的优先控制，如可变车道、短间距交叉口、逆向左转交叉口、交叉口群等；(2)网联交通环境下公交优先多目标联合优化控制，如基于车速引导的交叉口公交优先控制、交通信号与车辆轨迹联合优化、碳排放与延误联合优化、交通信号与相位同时优化、兼顾社会车辆干线协调的公交优先控制、公交车与CAV联合专用道的优先控制等，旨在进一步完善公交优先控制的理论体系。此外，深度强化学习的兴起，也为公交优先控制开启了新的研究思路。对于PRV的优先通行，现有研究大多采用或借鉴了主动公交优先中的红灯早断、绿灯延长、插入专用相位等策略。这些策略对冲突相位绿灯时间的侵占十分严重，当PRV通行时，会打破各个相位交通负荷的均衡性，牺牲社会车辆利益，造成交通拥堵和冲突加剧。尽管现有研究在系统补偿方面有所改善，但主动公交优先策略固有的对社会车辆利益侵占缺陷，难以大幅度改观，亟待新的研究思路予以突破。1.节点优先7.4PRV出行优先控制方法(1)无信号交叉口采取CAV/CHV头车圈占控制解决无信号交叉口中低交通需求下PRV与社会车辆运行轨迹的冲突避让策略。基于PRV运行参数及交叉口交通状况与几何条件，评估PRV通过各个冲突区域的时间区间；遍历冲突车道上的CAVs与CHVs，基于轨迹优化(trajectory-basedalgorithms)/时空预约(reservation-basedalgorithms)的方法生成它们各自通过冲突区域的时间区间，实现系统最优；当与PRV通行时间冲突时，圈定冲突的CAV/CHV为头车，采取“轨迹优化”的策略，通过优化CAV头车行驶轨迹或诱导CHV头车降低车速晚到冲突区域，为PRV在交叉口内的快速通行锁定时间和空间。1.节点优先7.4PRV出行优先控制方法1.节点优先7.4PRV出行优先控制方法(1)无信号交叉口步骤1：探测交叉口通信范围内是否有PRV优先通行需求。交叉口设置一个交通管理器，基于网联技术实时采集交叉口通信范围内(200-300米)各个进口车道上的车辆运行信息。PRV进入交叉口通信范围内，须向交通管理器发送优先通行请求及前进方向；或交通控制中心提前向交通管理器下发PRV优先通行的指令，该指令包括通行的时间及路线。交通管理器一旦探测/接收到PRV的优先通行请求，无信号交叉口将转入内部空间动态锁定与释放的控制策略。步骤2：确立应急冲突区域，锁定PRV通过每一个应急冲突区域的时间区间。计算PRV抵达第m应急冲突区域下边界(8-17)、驶离第m应急冲突区域上边界的时刻(8-18)，由此确定第m应急冲突区域锁定的时间区间为(8-19)：1.节点优先式中，x(t0)—PRV优先通行请求被接受时间t0距交叉口停车

线的距离；v(t0)—PRV在时间t0的速度；le,m—PRV所在进口停车线距第m应急冲突区域下边

界的距离；lc,m—第m应急冲突区域的长度；lv—通过车辆的长度(此处指PRV)。7.4PRV出行优先控制方法无信号交叉口步骤3：圈定冲突车道上的网联车头车，优化其通过应急冲突区域的时间区间。确定每一个空间冲突的区域，按照先来先服务的原则，依次排序并确定各进口车道上所有行经应急冲突区域的车辆的时间区间，前序车记为Ijc=[tjc,s,tjc,e]，后续车记为Ikd=[tkd,s,tkd,e]。为满足Ijc∩Ikd=∅且tjc,e≤tkd,s，依次调整车道b上第i辆车行经后续空间冲突的时间区间，直至通过第m应急冲突区域的时间区间，记为Iib,m=[tib,s,tib,e]。当Im∩Iib,m≠∅，则第i辆车圈定为冲突车道b上被控制或引导的网联车头车，此时，需调整该车通过第m应急冲突区域的时间区间为Iib,m=[te,m,te,m+(lc,m+lv)/v1]。步骤4：对圈定的冲突车道网联车头车实施速度诱导或轨迹控制。根据调整后的Iib,m=[tib,s,tib,e]，冲突车道b上第i辆车(头车)的速度诱导或轨迹控制优化归结为在固定时长(tib,s-t-lb,m/v1)内将车辆从位置xib(t0)移动到交叉口停车线且速度从vib(t0)调整至v1。当采用匀加减速策略时，联立下述方程求解，即：1.节点优先7.4PRV出行优先控制方法1.节点优先求得冲突车道b上第i辆车在各个时间节点t5、t4、t3、t2、t1的速度v和加速度aib，以此控制智能网联车的轨迹或诱导网联人工驾驶车的速度。步骤5：PRV通过后，交叉口恢复到先到先服务的管理策略7.4PRV出行优先控制方法无信号交叉口采取虚拟SPaT控制解决无信号交叉口高交通需求下PRV出行保障与大规模社会车辆运行轨迹集中实时优化的难题。通过构建虚拟的信号相位，以PRV出行控制指标达成度(拟用交叉口范围内平均行程车速与期望车速的比值来量化)与交叉口通行能力乘积最大为优化目标，优化虚拟相位的信号配时，以此为基础，引导无信号交叉口各个进口车道上同向CAVs与CHVs以编队的形式错时利用冲突区，实现PRV快速通行与无信号交叉口优化控制的双向整合与协同，并降低大规模社会车辆运行轨迹集中实时优化的难度。1.节点优先7.4PRV出行优先控制方法无信号交叉口1.节点优先7.4PRV出行优先控制方法(2)信号交叉口考虑交叉口几何条件、各流向交通需求、CAV渗透率等因素，采取共享公交专用车道、共享进口CAV专用车道、混合驾驶车道变道让行等方式构建信号交叉口PRV出行空间保障策略，实现PRV轨迹优化/车速诱导与交叉口信号控制方案的协同。对有公交专用车道的交叉口，PRV利用公交专用车道通行，并采取冲突车流断链轨迹控制或冲突车流绿时拆借的策略通行交叉口。具体步骤如下所示：步骤1：首先评估PRV不停车通过交叉口的时间区间与交叉口当前信号相位方案中的哪一个绿灯相位重叠。1)PRV前方无车时，对其实施轨迹诱导，计算PRV通过停车线的最早(te,min)和最晚时刻(te,max)，即式中，ve(t0)—PRV在t0时刻的速度；tf—PRV前方车辆或车队抵达停车线的时刻；tsa—预留的安全时间；vf(t0)—PRV前方车辆或车队在t0时刻的速度；xf(t0)—PRV前方车辆或车队在t0时刻的位置；lf—PRV前方车辆或车队的长度。1.节点优先7.4PRV出行优先控制方法(2)信号交叉口2)PRV前方有车时，令tf=t0+[xf(t0)+lf]/vf(t0)，若te,min≤tf+tsa，则前车会应影响PRV抵达停车线的时间，则修改式(8-21)中的最小时间为te,min=tf+tsa，以前车抵达停车线的时间为准；否则，前车对PRV无影响。比较[te,min,te,max]与各个车道组绿灯显示时间的关系，判断重叠部分位于车道组绿灯时间的前部、中部还是后部。[te,min,te,max]与各车道组绿灯显示时间的关系见下图所示。1.节点优先7.4PRV出行优先控制方法(2)信号交叉口步骤2：判断PRV与绿灯相位交通流是否在空间上存在交叉冲突。如不存在冲突，则无须改变信号相位方案；若存在，则界定冲突的车流个数。若PRV所在车道组为s，令Ts,e=[te,min,te,max]，Tu,k、tu,k、gu,k为第k周期车道组u的绿灯显示时间区间、绿灯开启时刻、绿灯显示时长，根据不同情况采取不同的控制策略，见下表所示。步骤3：选择实施相应的控制策略，直至PRV通行交叉口。步骤4：待PRV快速通行交叉口后，恢复冲突车流的正常通行。1.节点优先7.4PRV出行优先控制方法(2)信号交叉口1)冲突车流绿时拆借策略

借用冲突车流绿灯时间的信号控制策略为：信号周期时长保持不变，各相位放行次序保持不变，调整与PRV通行时间冲突的车流开启时间至

+

，或提前至

时刻结束绿灯保障PRV快速通行。式中，

—第k周期车道组u与PRV冲突的相位绿灯开启时刻；

—第k周期车道组u与PRV冲突的相位绿灯结束时刻；te,m—PRV驶离第m应急冲突区域上边界的时刻；te,s—PRV抵达停车线的时刻。1.节点优先7.4PRV出行优先控制方法1.节点优先冲突车流绿灯时间拆借策略7.4PRV出行优先控制方法(2)信号交叉口2)冲突车流断链轨迹控制策略首先，界定冲突车流中与PRV在交叉口内存在时空冲突的车辆；然后，对该车及其后的车辆实施轨迹优化，延迟其抵达冲突区的时间，预留出PRV可穿越的时间空当。若社会车辆i进入交叉口检测区域时能并入前方车队或当绿灯开启时已处于车队当中，EMV与相位p冲突，则界定冲突车辆q的方法为式(8-23)；若社会车辆i进入检测区域后无法并入车队，那么冲突车辆q的界定方法为式(8-24)。1.节点优先式中，Vbl,h—车道组l车道b上CHV的数量；Vbl,a—车道组l车道b上CAV的数量；hchv—CHV的饱和车头时距；hcav—CAV的饱和车头时距；Tsm—与EMV冲突的车流头车从绿灯开启行驶至冲突

区m所需的时间；tp,k—与EMV冲突的相位p第k周期的绿灯开启时刻；xi,m—车辆或车队i所在进口停车线距第m冲突区域下

边界的距离；ds—安全车距；τcv—CV的反应时间。7.4PRV出行优先控制方法1.节点优先冲突车流断链轨迹控制策略7.4PRV出行优先控制方法(2)信号交叉口对无公交专用车道的交叉口，当交叉口几何条件许可时，鉴于CAV专用车道的高机动性，考虑交通需求与CAV渗透率等因素，采取动态配置进口“CAV专用车道”并共享的策略，一则为PRV通行提供专用空间，二则挖掘CAV专用车道的复合利用潜力。在CAV专用车道后方建立虚拟停车线，红灯期间通过轨迹优化控制左转CAVs与直行CAVs各自编队靠近或驻留在虚拟停车线之后；左转/直行相位开启前，提前引导左转CAVs/直行CAVs进入CAV专用车道，绿灯亮起时不停车通过交叉口；左转/直行相位结束前，提前优化虚拟停车线后的左转CAVs/直行CAVs轨迹令其禁止驶入以清空CAV专用车道，达到左转CAVs与直行CAVs轮流共享CAV专用车道的目的。一旦有PRV通行需求，则调度该车辆进入共享的进口CAV专用车道，为其提供专用通行空间；然后实施冲突车流绿时拆借策略或冲突车流断链轨迹控制策略。当交叉口不具备设置进口“CAV专用车道”时，空间上，则利用CAV轨迹的可控性和CHV速度的可诱导性变道让行PRV；时间上，以PRV驶离交叉口停车线的缓冲时间窗(通过对PRV实施速度诱导/轨迹优化，其最早和最晚驶离交叉口停车线的时间区间)为约束，全局优化信号交叉口的SPaT与CAV轨迹/CHV车速，为PRV通行提供时间保障。1.节点优先7.4PRV出行优先控制方法1.节点优先共享进口CAV专用车道策略7.4PRV出行优先控制方法PRV路段优先控制是在交通网络中为PRV(如救护车、消防车、警车等)提供优先通行权来减少其行驶时间和提高其响应速度的策略。主要的优先控制措施包括：(1)让行警报系统PRV通过车载通信系统向周围的社会车辆发出让行警报，提前通知社会车辆，使社会车辆能够及时做出让行决策，调整车道或速度，避免与PRV发生冲突，确保道路的通行效率与安全性。例如，适用于紧急医疗服务的新型智能PRV报警系统、PRV隐私保护预警系统等通过技术手段提高应急响应效率，同时也为社会车辆传达明确、及时的让行指令，在确保PRV优先通行的同时，尽可能减少对其他交通参与者的影响。2.路段优先7.4PRV出行优先控制方法

(2)车道控制通过V2I、V2V等技术，为PRV动态规划救援车道，确保其快速、安全地到达目的地。车道控制策略分为固定车道通行和最优车道通行两种方式。固定车道通行适用于理想化的交通环境，常见的方法是为PRV预留应急车道，清空其车道前方一定范围内的社会车辆。当PRV接近时，通过车联网技术或传统的信号优先控制，及时清空该车道前方一定范围内的社会车辆，确保PRV能够在畅通的车道上快速行驶。这种策略适合在高速公路或城市主干道等交通结构相对简单的路段应用。然而，固定车道策略对交通资源的高占用，尤其是在交通流量较大的区域，可能造成非PRV的严重拥堵，降低整体交通效率。相比之下，最优车道通行策略更加符合复杂、动态的实际交通环境。该策略基于实时传感技术、交通大数据分析和优化算法，为PRV寻找一条交通密度较低的行驶路径。通过V2V和V2I通信，PRV可以实时获取路段的交通状况，并与周围的车辆进行协同，前方社会车辆可通过车载系统调整车道或速度，主动让行PRV。数学模型和算法则用于评估车道选择，确保PRV行驶路径的畅通性和安全性，同时为非PRV分配尽可能远离PRV的行驶位置，以减少车道交织、避免交通冲突。这一策略能够动态适应复杂路网和各种交通条件，提高PRV的通行效率，并最大程度降低对社会车辆的干扰。2.路段优先7.4PRV出行优先控制方法2.路段优先7.4PRV出行优先控制方法(3)自动驾驶车辆协同自动驾驶车辆具备先进的感知与决策能力，可以通过车载传感器(如雷达、激光雷达、摄像头)和车联网技术，实时感知PRV的接近，并根据PRV的行驶方向、速度和距离，自动进行速度调整或让行操作。通过这种自动化的响应机制，自动驾驶车辆能够在无须人工干预的情况下迅速做出合理的避让决策，确保PRV顺利通过。同时，自动驾驶系统会与其他自动驾驶或联网车辆进行协同，避免因让行操作引发的交通混乱，从而提高整个交通网络的流动性和安全性。通过减少对人工干预的依赖，自动驾驶车辆能够更快、更精确地响应应急状况，大大降低了驾驶员在紧急情况下的反应延迟。此外，这种自动化应急让行操作还能有效减少因驾驶员错误或不确定性带来的交通事故风险，为PRV提供更安全和高效的通行环境。2.路段优先7.4PRV出行优先控制方法7.5适用性分析(1)出行路径规划

现有研究大多基于传统道路阻抗函数来预测最短行程时间，主要是通过计算每条道路的阻力(如交通拥堵、红绿灯等待时间等)，进而选择阻力最小的路径。未考虑到CAV轨迹控制和CHV速度诱导等主动避让策略的影响，使得现有行程时间预测的准确性、可靠性降低。未来的研究应当综合考虑CAV和CHV的主动避让能力，建立更加精准的道路阻抗函数，并开发实时的交通管理系统，以提高应急车辆路径规划的效率和可靠性。(2)优先控制方法主要聚焦信号灯控制和道路管理上，而对车联网技术以及CAV和CHV在避让中的作用关注较少。因此，网联交通环境中，着重考虑CAV和CHV的避让作用，为PRV高效通行提供技术保障。

节点优先控制应用于交通节点(交叉口、环岛、信号灯控制的复杂路段等)，通过动态调整信号灯及时为PRV提供绿灯，该策略能有效减少PRV在节点处的等待时间，大多依赖于信号灯控制系统，对于无信号控制的道路或高速路段，优先通行难以发挥有效作用。

路段优先控制适用于长距离、无信号灯的道路，如高速公路、城市快速路等。通过V2V技术，PRV能够向前方车辆传递让行信号，CAV和CHV通过速度调整或让行变道，为PRV腾出快速通行的空间。路段优先控制对车联网技术依赖严重，在网联车低渗透率下，预期控制效果难以得到保证。第8章交通效率与能耗协

同优化方法8.1优化背景城市交通中，传统的节能减排措施更多依赖于信号控制技术，以减少车辆在交叉口的延误达到节能减排的目的。然而，面向随机的车辆到达模式，每个信号周期各进口道车流量、每辆车通过交叉口的时刻无法确定，导致此类控制方法的精度一直难以提升，造成不必要的延误损失。此外，车辆行驶的平稳性对能耗和尾气排放影响甚大，传统方案缺乏可干预到车辆端驾驶行为的技术或措施，仅靠信号控制端的优化，节能减排的成效提升有限。

随着智能交通向纵深发展，智能网联与自动驾驶已成为当前及未来很长一段时间内道路交通发展的主流和趋势，与传统交通相比，网联汽车的高效通信与数据交换有着巨大优势，车辆运行状态的可获取性、CHV驾驶汽车的可诱导性和CAV行驶轨迹的可操控性，不仅能准确预判车辆的到达时间，提升交叉口信号控制的精度；而且，还能依据优化后的信号控制参数，实时优化每一辆车的行驶轨迹，实现节能减排效益的最大化。1.传统能耗模型(1)宏观模型

MOBILE(MOBILESourceEmissionFactor)模型为美国环保局于1978年开发。MOBILE模型对不同的输入数据，需选用相应的修正因子对基本排放因子进行修正，最后得到实际的排放因子，从而计算总体排放水平。该模型综合考虑了车辆的维修保养状况、行驶里程、车辆特性及环境参数等各种因素对排放产生的影响，计算结果具有一定的代表性与较强的可比性。8.2能耗模型1.传统能耗模型(1)宏观模型COPERT(ComputerProgrammetocalculateEmissionsfromRoadTransportation)模型于1987年由欧盟委员会开发，用来估算空气污染物的排放及不同类型车辆产生的温室气体，但未考虑道路坡度和加速度。该模型的原理与MOBILE模型类似，其输入的主要参数包括车辆的平均速度、累计里程、平均出行旅程长度、天气与燃料相关参数等。8.2能耗模型1.传统能耗模型

(2)中观模型

在输入量规模与计算尺度上介于宏观模型与微观模型之间，适用于对局部区域，例如某个街区、某条道路在一天或一小时内的燃油排放进行测算。典型代表为MOVES(DraftMotorVehicleEmissionSimulator)模型，MOVES模型是EPA开发的全面综合性能耗模型，有宏观、中观、微观三个层面。MOVES模型在中观层面上通过车辆比功率(VehicleSpecificPower,VSP)的分布特性来表征不同运行工况下车辆的能源消耗率或污染物的排放，VSP与发动机负载有直接关系，因此相较于速度、加速度更能反映与能耗之间的关系。8.2能耗模型1.传统能耗模型

(3)微观模型

以车辆瞬时能耗与状态参数之间的关系为依据推导得到的模型，适用于估计车辆通过某一路段或交叉口以秒为单位的瞬时能耗及排放。该类模型需要以每辆车的瞬时行驶工况作为输入，例如瞬时速度、瞬时加速度等。代表性的微观能耗模型有：CMEM能耗模型：基于车辆在不同行驶模式下的发动机运行状态参数逐秒计算燃油消耗，可准确反映车辆的排放特征。8.2能耗模型1.传统能耗模型

(3)微观模型VT-Micro能耗模型：将车辆分为加速与减速两种情形，分别进行建模，采用了对数变换的方法，将能耗的对数拟合为速度、加速度幂次乘积的函数，由车辆瞬时速度、瞬时加速度的多项式组成。多项式包括线性项、一次项、二次项和三次项，各多项式拟合系数的实测数据由ORNL(OakRidgeNationalLaboratory)通过底盘测功机所采集，模型的预测精度高。8.2能耗模型1.传统能耗模型

(4)能耗模型对比分析

8.2能耗模型2.混合式能耗模型

(1)组合方法

通过将机器学习方法组合来构建能耗模型，其主要思路为用不同的方法解决不同的问题。尝试用不同的方法提取不同数据源的特征，然后进行组合建模。通过机器学习方法对数据进行降维，挖掘出影响燃油消耗的主要特征，然后作为另一种机器学习方法能耗预测模型的输入，该类组合方法模型能有效提高能耗预测的准确率。

例如从行驶工况特征参数方面分析影响实际能耗的因素，以实际百公里能耗作为评价指标，建立能耗预测模型。引入多个行驶工况特征参数，通过主成分分析法提取部分主成分；利用BP神经网络(BackPropagationNeuralNetwork)基于这部分主成分的得分开展能耗预测。与未经主成分分析的BP神经网络输入神经元数对比，基于主成分分析的BP神经网络输入神经元数减少，从而可降低神经网络的输入维数，简化神经网络的输入单元数，提高收敛速度。利用组合方法预测城市道路实际百公里能耗的精度要高于单一模型。8.2能耗模型2.混合式能耗模型

(2)集成方法Bagging可以看作是一种并行的集成学习方法，即学习器的训练没有先后顺序，可以同时进行。以随机森林(RandomForest,RF)为代表，在能耗预测方面有很好的表现。对公交车能耗进行建模与预测，随机森林模型预测效果与实际能耗误差最小，即使在缺乏关键参数的情形下，也能很好地学习数据的特征，并且能够很好地解释自变量与因变量之间的关系。将支持向量机(SupportVectorMachine,SVM)、RF和人工神经网络(ArtificialNeuralNetwork,ANN)三种机器学习方法应用在卡车能耗建模中，基于英国某货运车队的运行状态数据，同时考虑道路特征的条件下，RF方法善于处理高维数据，并且由于其特征子集是随机选择的，因此不用进行特征选择。且模型具有很强的泛化能力，对于大部分数据缺失的情形也能具有很好的预测精度。Boosting则是基于串行的思想序列化进行，将弱学习器提升为强学习器的算法。以梯度提升(GradientBoosting)与极端梯度增强(eXtremeGradientBoosting,XGBoost)方法为代表，在机动车能耗模型的建模中，有着很好的效果。通过XGBoost，将多个树模型(弱分类器)集成为一个强分类器建立的能耗预测模型，与传统的能耗模型相比准确率更高，拟合系数R2达到0.93，平均绝对百分比误差(MeanAbsolutePercentError,MAPE)达到8.78%。XGBoost方法预测精度高，训练速度快，并且可以自动为特征添加不同的权重，具有很强的解释性。8.2能耗模型2.混合式能耗模型

(3)对比分析8.2能耗模型3.电动汽车能耗模型

纯电动汽车，能耗是在电池端测量的输出功率的积分，且电池的充电和放电模式应单独处理，常见的纯电动汽车能耗模型如下：

放电模式，可以通过将车轮处的牵引功率Pwheel除以动力系统的效率来估计电池的输出功率Pout。车轮上的牵引力是车速v与车轮上的牵引力Fwheel的乘积，Fwheel可以近似为滚动阻力Frr、空气阻力Fad、坡度阻力Frg、加速阻力Faccel之和，输出功率Pout计算如下：

充电模式，通常发生在滑行和制动过程中，此时浪费的动能可部分转换成电能回收，输入功率Pin计算如下：

与纯电动汽车运动相关的电池总能耗Ebatt为电池功率Pbatt的积分：8.2能耗模型1.交通信号与车辆轨迹分层优化

(1)交通信号优化

传统的交通信号周期时长优化目标通常集中在最小化车辆延误或最大化交叉口吞吐量。然而，最小化延误的最优信号配时不一定与最小化能耗和排放的配时方案完全相同。以式(8-20)为代表的改进模型在进一步降低交通延误方面也优于Webster法，尤其是在交通需求较大时。式(8-21)计算最佳周期时长，然后考虑绿灯时间产生的临界车道流量比来计算信号配时，最后根据信号交叉口上游路段的交通流量，计算出每个时段的最优信号配时。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

(2)车辆轨迹优化

一般采用生态驾驶控制器，例如利用交叉口生态协同自适应巡航控制(Eco-CooperativeAdaptiveCruiseControlatIntersections,Eco-CACC-I)计算实时能耗和能量优化的速度曲线，以协助车辆通过信号交叉口。控制区定义为信号交叉口上游的距离(dup)到交叉口下游的距离(ddown)，其中Eco-CACC-I控制器优化车辆进出信号交叉口的速度曲线，车辆在驶近信号交叉口时，根据车速、信号配时、相位、到交叉口的距离、道路等级、车头时距等因素进行加速、减速或保持恒定的速度巡航。若在目标车辆前方没有前导车辆，这样就可以在不考虑其他车辆影响的情况下计算目标车辆的能量优化轨迹。将计算得到的最优速度作为车辆纵向运动的约束之一，除此之外将车辆动力学模型设定的允许速度、稳态跟驰模式、避撞约束以及道路限速等考虑在内，所有这些约束共同作用来控制车辆速度。

当车辆在控制区域内行驶时，行驶模式分两种情况：工况1，车辆不减速通过信号交叉口；工况2，车辆必须减速通过交叉口。两种工况中车辆行驶模式不同，Eco-CACC-I控制策略也有所区分。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

①

工况1—车辆不减速通过信号交叉口。这种情况下，车辆接近红灯时的巡航速度可以通过式(8-22)计算，以最大限度地提高控制区内的平均车速。当车辆进入控制区时，将速度调整到uc。交通灯由红变绿后，车辆按照车辆动力学模型从速度uc加速到最大允许速度(限速uf)，直至离开控制区域。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

②工况2—车辆必须减速通过交叉口。整车能量优化后的速度曲线如图8-1所示。在规划时长T内，初始速度为u(t0)的车辆进入控制区后，需要以加速度a减速制动至t1时刻结束，然后以uc匀速巡航接近信号交叉口。车辆靠近停车线后，根据车辆动力学模型将速度增加到uf(t2时刻为加速过程结束时刻)，然后以uf巡航，直到车辆离开控制区。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

理想的交通信号与车辆轨迹联合优化是将信号优化与自动驾驶汽车轨迹规划相结合。挑战在于获取未来的交通状态信息作为轨迹规划算法的输入。大多数现有的轨迹规划算法都需要确定性的未来信号规划和下游车辆的轨迹作为输入，由于人类驾驶行为和交通需求的随机性，混合交通流很少以确定性的方式表现。为了应对这一挑战，一种典型的耦合优化模型是协同交叉口控制系统，系统包含交通信号优化算法和CAV轨迹规划算法。它计算下一个周期的信号计划，并向预计在下一个相位通过交叉口的CAV推荐轨迹。在更新过程中，控制系统搜索最优相位序列和时序，产生一个能够最大化整体交叉口吞吐量的信号控制方案，并利用动态规划方法进行最优参数搜索。

①协同控制系统。交通信号优化目标：最大化交叉口吞吐量。基于V2V、V2I等技术获取交通数据源，得到交叉口区域内车辆的实时状态(例如速度和位置)，供系统估计这些车辆的未来位置。估计的位置表明目标车辆是否可以在信号周期结束时通过交叉口。

协同控制系统采用动态规划方法计算最优信号方案，这使得它可以生成具有可变相位序列和周期长度的信号规划。此外，动态规划方法易在并行计算框架中实现，可以很大程度上减少计算时间，使得优化能够实时实现。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

轨迹规划采用比例控制器，引导车辆不停车通过路口，减少因车辆减速而造成的能量损失。规划时考虑前面队列的长度和下一个绿色信号的开始时间。这些信息很容易从信号优化过程中获得，具体实现过程如下：

目标车辆采取零加速度，通过求解下列方程得到跟车间距de：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

②实时交通模拟。实时仿真使用高保真汽车跟随模型来描述模拟车辆响应前车、交通控制和道路几何形状的纵向加速和减速。该模型考虑了加速度、系统交互和安全约束。自由加速度分量描述了在没有其他道路使用者或道路几何形状约束情况下的车辆速度。交互组件模拟车辆对前车速度变化的反应和交通控制设备(如交通信号控制器)的命令。安全组件提供给定当前交通状况的最大允许速度，确保模拟车辆无碰撞行为。汽车跟随模型为人类驾驶员和自动驾驶汽车实现单独的算法，能再现真实的交通流。

仿真中通过最优交通信号方案来影响虚拟交通流。交叉口控制算法在每个信号相位结束时计算控制方案。一旦计算完成，它将最优信号计划发送给现实世界的交通管制员和模拟的交通管制员。然后，真实和虚拟控制员执行下一阶段的控制计划。交叉口控制器还将未来的绿灯时间发送给队列的负责人，以便他们规划轨迹。若为模拟CAV，则将信息发送到实时仿真，若为测试CAV，将信息提供给负责人，具体场景示意如图8-3所示。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型

电动汽车正越来越多的渗透到道路交通系统，另一种典型的耦合优化模型是以电动汽车行驶总时间(TotalTimeSpent,TTS)和能量消耗(EnergyConsumption,EC)最小为目标的协同网络交通管理框架。由包含交通灯设计的交通控制模型，估计TTS作为网络性能指标的交通流模型，以及估计十字路口EC的电动汽车模型组成。EC函数从弗吉尼亚理工基于功率的电动汽车综合能耗模型(VirginiaTechComprehensivePower-basedEVEnergyconsumptionModel,VT-CPEM)中导出，用于模拟消耗，具体过程如图8-4所示。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型TTS计算方法：在系统运行期间，网络所有道路上观察到的车辆数量乘以每个时间步长的总和。然而，由于模拟以空网络开始，因此设置一个预热期，不计算指标。然后，系统运行一次为3600秒，时间步长为1秒。TTS可以通过两个组成部分来描述：运行时间(路段长度与速度之间的比值)和等待(延迟)时间。运行行程时间与能耗直接相关，为了分析TTS与能耗估计的一致性，计算每个环节所有车辆的速度(能耗函数的输入变量)。

定义Δt为时间步长，T1为系统预热阶段，T为系统运行时长，l为路网中具体的路段，nl为路段l上的车辆数，则TTS可表示为：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型TTS计算方法：在系统运行期间，网络所有道路上观察到的车辆数量乘以每个时间步长的总和。然而，由于模拟以空网络开始，因此设置一个预热期，不计算指标。然后，系统运行一次为3600秒，时间步长为1秒。TTS可以通过两个组成部分来描述：运行时间(路段长度与速度之间的比值)和等待(延迟)时间。运行行程时间与能耗直接相关，为了分析TTS与能耗估计的一致性，计算每个环节所有车辆的速度(能耗函数的输入变量)。

定义Δt为时间步长，T1为系统预热阶段，T为系统运行时长，l为路网中具体的路段，nl为路段l上的车辆数，则TTS可表示为：

车辆i行驶(进入和退出)路段l的增量时间计算为：

车辆i在路段l上行驶的平均速度为：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型

基于电动汽车的能源消耗(EC)是以所有使用电动动力系统的车辆(100%电动汽车率)为基础计算得到的，其数值等于每个环节上所有车辆能量消耗的总和，电动汽车能耗函数估计如图8-5所示。VT-CPEM需将瞬时速度、坡度、车载载荷和车辆特性作为输入，输出为车辆在特定行驶周期内的能耗(EC)，能够准确估计能源消耗，相对于经验数据平均误差约为6%。该模型首先根据路径(如坡度)、轨迹(如速度剖面)和车辆特性计算车轮瞬时功率PW(t)，然后根据车辆效率(发动机、制动系统、电池)确定瞬时所需牵引功率PT(t)，最后在整个驾驶周期内对PW(t)和PT(t)进行积分，计算出能量消耗/恢复以及充电状态的相应变化，给定其在驾驶周期开始时的值。牵引功率PT(t)确定如下：8.3交通信号与车辆轨迹联合优化1.动态规划法8.4

优化算法

定义状态变量sj表示开始优化时刻到第j个阶段结束的时间长度，取值范围由前一阶段的状态变量和当前阶段的决策变量共同决定，将单次优化时长H限定为一个信号周期。决策变量为gj，gj表示第j个阶段(即信号周期中的某个相位)分配的绿灯时长，取值范围限制在最小绿灯时长gj,min与最大绿灯时长gj,max之间，定义Ij为绿灯间隔时间。状态转移方程如下：

状态变量集合Sj、给定状态变量sj下对应的决策变量取值集合Gj(sj)如下所示，Sj表示各个阶段的状态变量取值集合，不同的状态变量值对应不同决策变量值：1.动态规划法8.4

优化算法

目标函数的递推计算过程中，提取规划时长内车辆的速度和加速度计算通行时间和能耗，定义L为交叉口所有车道组的集合，Bl为车道组(相位)l中全部车道的集合，Ibl为车道组(相位)l中车道b全部车辆的集合，w1、w2分别为延误和能耗的权重系数，fj(sj,gj)为阶段目标函数，Fj+1(sj+1)为截止到j+1阶段的累计目标函数：

采用前向递归和后向检索的方式来进行优化。在前向递归过程中，从第一个相位开始，逐步计算每个阶段的状态变量和决策变量，每个相位的绿灯时长会受到前一相位绿灯时长的影响。完成相位的前向递归，通过遍历四个相位的绿灯时长配置组合，得到最终的累计目标函数值F4(s4)，代表整个信号周期内累计的最优通行时间和能耗。然后开始后向检索过程，从最后一个相位开始，逐步回溯到第一个相位，确定每个阶段的最优绿灯时长g*j(sj)和对应的车辆加速时间区间A*ibl(gj)，优化车辆的行驶轨迹。2.GA-PSO算法8.4

优化算法

将遗传算法与粒子群算法混合的启发式算法(GA-PSO)对此类问题进行求解。在求解过程中，基于车辆运动模型的车辆轨迹估计与基于启发式算法的优化计算相互嵌套。每当得到新遗传个体(即新的交叉口信号配时)，算法首先根据信号配时，通过车辆运动模型估计各个单独车辆的行驶轨迹。然后，根据单独行驶车辆排队特性及通过交叉口速度规划模型等，得到各混合组队的最优参考速度轨迹与车辆总能耗。最后根据延误公式计算得到交叉口车辆总延误，并通过目标函数计算这组解的重要性，求解流程如下：2.GA-PSO算法8.4

优化算法Step1：预设遗传迭代总次数Γ，种群规模B；Step2：在满足交通信号约束前提下，随机产生B组遗传个体(交通信号配时)，组成初始种群；Step3：基于车辆运动等模型，分别得到各遗传个体下单独车辆的行驶轨迹；Step4：利用粒子群算法分别求解各遗传个体下的速度规划，得到各混合组队最优参考速度轨迹与总能耗，并计算车辆总延误；Step5：根据适应度函数(目标函数)，分别评价并标记各遗传个体；Step6：评判所有遗传个体，如果到达最大迭代总次数Γ，则输出最优个体及其代表的最优解，并停止计算，否则进入Step7；Step7：以适应度函数值为依据选择再生个体，并对其进行交叉变异生成下一代新个体，汇总得到新一代种群，迭代次数加1，并返回Step3。(1)模型的适用性。当前提出的模型主要适用于全网联自动驾驶场景，未来很长一段时间内将是人机混合驾驶的局面，HV、CHV的轨迹控制困难，难以通过现有系统进行精确管理，这种不确定性使得模型的适用性受到限制。(2)对数据的依赖性。联合优化的过程高度依赖实时的交通数据，但数据的获取和处理面临诸多挑战。交通数据的来源、质量和完整性决定了优化结果的准确性和可靠性。数据传输延迟或误差会导致优化结果偏离实际交通状况，从而影响信号控制效果。(3)优化实时性与计算复杂性的平衡。交通信号控制与车辆轨迹联合优化需要在高效实时的前提下完成，这一过程面临着如何平衡优化精确度与计算复杂性的挑战。更高的优化精度往往意味着更复杂的计算需求，导致算法运行时间延长，从而影响系统的实时性，特别是在交通流量大的情况下。(4)电动车耗能特性研究。有关电动车在交通信号控制与车辆轨迹联合优化中的耗能特征研究较少，主要集中在传统燃油车的能耗模型上。电动车与燃油车的动力特性、加速减速响应等方面存在显著差异，尤其是在低速和频繁启停的城市交通环境下，电动车的能耗表现更加复杂。随着全球范围内新能源汽车的普及，特别是政策推动，电动车将成为未来交通的主流。因此，研究电动车的能耗特征并将其纳入交通信号控制与轨迹优化的框架中，显得尤为重要。未来的优化方法需考虑电动车的特有耗能模式，如再生制动能量回收、不同驾驶模式下的能耗差异等，以实现更精确的优化，从而促进可持续交通系统的发展。8.5

适用性分析第9章干线交通信号协同

控制方法9.1优化背景传统的干线或区域交通信号协调控制系统中，相位差往往是一个定值，根源在于车辆的运行速度难以动态精准诱导和控制，一般从平均行程车速±10%范围内优选一个速度作为设计速度，外加交叉口不等间距因素的制约，导致绿波带的宽度不尽人意，我国道路交通干线信号协调控制的效果往往较差。网联交通环境下，最大的优势在于车辆行驶轨迹完全可控(CAVs)或车辆可动态诱导(CHVs)。在开展干线或区域交通信号协调控制时，突破了设计速度固定的限制，绿波带的宽度能得到极大扩展。对于定时干线协调控制，优化CAV和CHV的行驶轨迹可采用基于轨迹控制的优化方法实现。9.2优化原理网联交通环境下，干线信号协同控制的原理见图。基于最新获取到的网联车信息，整合各个进口和流向的交通需求，运用传统的干线协调信号控制方法优化得到信号配时方案；再基于信号配时方案来调整车辆行驶轨迹以形成车辆队列，让车辆队列以饱和车头时距和诱导车速通过交叉口停车线，达到提升干线通行能力和服务水平的目的。1.优化思路9.2优化原理2.路段划分9.2优化原理3.联合控制模型右图阐述了联合控制模型的优化流程，整个优化过程包括速度诱导、队列控制和信号配时三部分。速度诱导模型用来识别头车并计算优化的车辆队列诱导速度，包括两种类型：类型Ⅰ，车辆队列不停车通过交叉口；类型Ⅱ，车辆队列至少需要停一次车才能通过交叉口。队列控制模型确保所有车辆以期望的安全间距排成一排、并以相同的速度向前行驶。信号配时优化模型以最大化绿灯时长来确保在最少的信号周期内让车辆队列完全通过。9.3速度诱导1.类型一为确保车辆队列不停车通过交叉口，队列区头车的速度诱导分四个阶段，见图。9.3速度诱导1.类型一9.3速度诱导1.类型一9.3速度诱导2.类型二9.3速度诱导2.类型二9.3速度诱导2.类型二9.4队列控制右图解析了队列区头车和后续两辆车整合成队列的轨迹优化与速度诱导过程。9.5信号配时优化9.6适用性分析(1)该方法仅对信号控制参数进行动态调整，未涉及相位差的优化；相位差仍采用传统的优化方法计算得到。(2)此方法要求所有车辆均能实施精准的轨迹控制，难以适应人机混合驾驶场景。(3)该方法提出的优化模型并非完整意义上的联合优化，先整合CAV队列，再调整信号控制参数，未考虑改变CAV轨迹对信号配时参数的影响。第10章高速干道智能网

联协同控制方法10.1优化背景网联交通环境下，高速干道实施车辆编队控制可以将道路上的无序车辆进行编队组合，作为一个整体进行控制。核心是将车队中行驶路线相同车辆的运行状态(包括速度、加速度、车距等)统一起来，简化高速干道上的控制对象并增强车辆行驶的安全性。车辆编队行驶，是指沿道路同一方向行驶的两辆或多辆汽车，通过保持固定的车距和相同的速度，以列队形式行进。车队编队技术是自动驾驶技术在实践中的一项重要应用，涉及车辆间的通信、多车协同控制以及避障策略等多方面技术。目前，各国的学者和企业都在积极研究和探索车辆编队的方式。如2019年12月30日，奥迪中国研发团队在延崇高速公路的一段封闭路段进行了乘用车编队的L4自动驾驶及网联汽车相关演示，涵盖了7个高速公路驾驶场景，再次在自动驾驶领域取得了里程碑式的进展。1.车辆编队行驶(a)车队变道(b)车队跟驰匝道出入口往往是高速公路交通运行的瓶颈点。其中，入口匝道合流区因两车道车辆合流极易发生交通冲突导致交通拥堵的产生。出口匝道分流区因分流车辆驶出主线时的换道行为会与直行车辆产生冲突，导致分流区内交通紊乱。此外，交通拥堵还容易引发交通事故，进一步加剧交通拥堵，形成恶性循环。因此，对匝道出入口内的交通流进行优化控制来避免交通拥堵产生、提高主线通行效率、保证行车安全具有十分重要的现实意义。传统出入口匝道控制主要从宏观层面对整体交通流进行优化调节，因调节的精度不够，控制效果并不理想。近年来，随着智能网联技术的兴起，与传统汽车相比，CAV轨迹的可控性和CHV速度的可诱导性，使得基于智能网联环境的车辆协同优化控制成为破解匝道出入口通行效率地下、安全性低等问题的突破口。2.出入口匝道(a)入口匝道合流区(b)出口匝道分流区10.1优化背景10.2路段协同控制策略在高速干道上实施车辆队列行驶，尤其是CAV的编队控制，面临诸多挑战。其中一个核心问题是混合交通条件下的协调控制。CAV不得不与HV共享道路，而HV与CAV编队之间的交互可能因人类驾驶员反应时间长或驾驶行为不稳定，增加事故发生的可能性。此外，当CAV渗透率较低时，编队难度加大，因为HV的存在干扰了CAV的队列效益。即使CAV渗透率较高，HV的插队行为或驾驶失误依然可能破坏CAV队列的稳定性，导致安全隐患。因此，在高速干道上设置CAV专用车道成为提高编队效率和减少CAV与HV相互干扰的关键措施。通过专用车道配置，CAV可以更有效地形成队列，并减少与HV的潜在冲突。1.高速干道车道配置方法(1)高速干道跟车模式在高速干道上，包含CAV和HV的情况下，共有五种跟车模式：①HV跟随HV-HV：引导车辆和跟随车辆为HV。在交通流稳定状态下，车头时距为hHH。HV-CAV：引导车辆为CAV，跟随车辆为HV。在交通流稳定状态下，车头时距为hHC。②CAV跟随CAV-HV：引导车辆为HV，跟随车辆为CAV。在交通流稳定状态下，车头时距为hCH。CAV-CAV：当引导车辆的车队已经形成CAV最大队列时，引导车辆和跟随车辆均为CAV，这种跟车模式定义为队间跟车。在交通流稳定状态下，车头时距为hCC。CAVs-CAV：在CAV队列中，引导车辆和跟随车辆都为CAV，这种跟车模式定义为队内跟车。在交通流稳定状态下，车头时距为hCSC。基于上述分析，高速干道内呈现出五种差异化的车头时距。依据现有研究成果，这些车头时距的大小为：hCSC<hCC<hCH<hHH<hHC。1.高速干道车道配置方法10.2路段协同控制策略(2)车道管理策略①CAV专用车道此策略下，仅CAV享有该车道通行权，HV则被限制通行，该车道呈现出纯CAV交通流。1.高速干道车道配置方法在CAV专用车道上，仅存在两种特定的跟车模式：CAV-CAV及CAVs-CAV。若设定道路上允许连续跟随的最大CAV数量为N，则此数值直接定义了最大车队规模，即车队中成员的上限为N。当CAV严格遵循这一最大成员数量限制时，基于条件概率，CAV专用车道上CAV-CAV及CAVs-CAV跟车模式的概率为：式中，N—CAV车队的最大成员数量；PCC—CAV-CAV跟车模式的概率；PCSC—CAVs-CAV跟车模式的概率。10.2路段协同控制策略CAV专用车道的通行能力可依据其平均车头时距来推算。其中，CAV专用车道平均车头时距仅与CAV-CAV及CAVs-CAV跟车模式的概率相关。基于此，CAV专用车道的平均车头时距和通行能力为：1.高速干道车道配置方法式中，

hDL—CAV专用车道平均车头时距；CDL—CAV专用车道通行能力。10.2路段协同控制策略②

混合车道该策略允许CAV与HV共享同一车道。1.高速干道车道配置方法混合车道上，共存在五种跟车模式：CAV-CAV、CAVs-CAV、HV-HV、HV-CAV、CAV-HV。鉴于混合车道的特性，CAV的渗透率并未达到100%，这意味着CAV-CAV和CAVs-CAV这两种跟车模式的出现概率将受到CAV渗透率的直接影响，呈现出与纯CAV车道不同的概率分布特征。因此CAV-CAV和CAVs-CAV跟车模式的概率为：式中，Pcav—CAV渗透率。

10.2路段协同控制策略基于条件概率，HV-HV、HV-CAV和CAV-HV跟车模式的概率分别为：1.高速干道车道配置方法式中，PHH—HV-HV跟车模式的概率；PHC—HV-CAV跟车模式的概率；PCH—CAV-HV跟车模式的概率。混合车道的通行能力同样可依据其平均车头时距来推算。其中，混合车道的平均车头时距与五种跟车模式的概率相关。基于此，混合车道的平均车头时距和通行能力为：式中，

hML—混合车道平均车头时距；CML—混合车道通行能力。10.2路段协同控制策略(3)CAV专用车道配置优化模型高速干道CAV专用车道优化配置的核心：在既定交通需求下，实现高速干道整体吞吐量的最大化。若该路段共有L条车道，I={1,2，…，L}，从最内侧车道开始依次编号为i，Ɐi∈I。因此，优化目标可表示为：1.高速干道车道配置方法式中，f—路段总的吞吐量；fi—第i条车道的吞吐量。约束条件如下：①

管理策略限制高速干道上的每条车道都应有相应的车道管理策略(CAV专用车道管理策略或混合车道管理策略)且只能使用一种策略。则有：式中，αi、βi—决策变量，αi=1表示第i条车道为CAV专用车道，βi=1表示第i条车道为混合车道。10.2路段协同控制策略②

通行能力与交通需求限制每条车道的吞吐量fi不能超过其通行能力，且路段的总吞吐量应小于交通需求。则有：1.高速干道车道配置方法式中，d—交通需求。③

专用车道使用意愿限制使用专用车道的CAV数量应受到专用车道使用意愿的限制。其中，CAV使用专用车道的意愿O由选择使用专用车道的CAV车辆数与CAV总数的比值表示，O∈[0,1]。则有：式中，ρ—混合车道中CAV的渗透率；O—CAV使用专用车道的意愿。10.2路段协同控制策略④

车辆在吞吐量中的比例限制车辆在吞吐量中的比例应受到限制，以确保HV和CAV在道路使用方面的公平性。吞吐量由两个部分