蘇 銻 楊 明 王春香 唐 衛(wèi) 王 冰

諸如道路臨時(shí)施工和車道減少等道路瓶頸處,由于被阻斷車道中的車輛需要通過(guò)匯流來(lái)繼續(xù)行程,導(dǎo)致原本有序的車流產(chǎn)生擾動(dòng).根據(jù)三相交通流理論[1],被動(dòng)引發(fā)的換道行為必然導(dǎo)致交通流的大幅擾動(dòng),交通狀態(tài)從同步流轉(zhuǎn)變成擁堵流,且擁堵狀況將向車流上游擴(kuò)散,導(dǎo)致交通癱瘓,通行效率急劇下降[2].此外,匯流時(shí)的換道行為極易引發(fā)車輛事故,帶來(lái)更大的損失.

在無(wú)人車技術(shù)及車間通信技術(shù)快速發(fā)展的背景下,交通控制從人—車—路閉環(huán)轉(zhuǎn)變?yōu)檐嚒烽]環(huán),提高了車輛協(xié)作的效率,提升了安全性和通行效率.根據(jù)系統(tǒng)架構(gòu),基于無(wú)人車的交通流控制可分為集中式和分布式兩大類.集中式控制依賴路邊的主控電腦,通過(guò)車—路通信收集匯流點(diǎn)附近較大范圍內(nèi)車輛的狀態(tài)信息,再依據(jù)這些全局信息對(duì)車輛的行為進(jìn)行決策,并返送回被控車輛執(zhí)行.Cao等提出的基于滾動(dòng)優(yōu)化的匯流控制方法[3],Marinescu等提出的基于空間槽的匯流控制方法[4],Rios-Torres等提出的最優(yōu)在線交通流控制方法[5]以及Awal等提出的最優(yōu)匯流策略[6]均基于集中式控制架構(gòu).但在實(shí)際應(yīng)用中受現(xiàn)有通信技術(shù)的限制,集中式控制所要求的大量和穩(wěn)定的數(shù)據(jù)通信往往得不到滿足,致使控制效果變差.多車集中控制也使得主控電腦運(yùn)算負(fù)荷巨大.而分布式控制依賴車載傳感器及車—車通信獲取環(huán)境信息,由行車電腦自主決策.這種架構(gòu)有效減少網(wǎng)絡(luò)流量及運(yùn)算負(fù)荷,有較高的可實(shí)施性. Wang等[7]提出的主動(dòng)式匯流方法采用了此架構(gòu).

在決策算法方面,已有的研究主要采用基于邏輯規(guī)則的方法或基于函數(shù)模型的最優(yōu)化算法.前述Wang提出的方法采用了依據(jù)邏輯規(guī)則評(píng)估是否換道.該方法易于實(shí)現(xiàn),有極高的實(shí)時(shí)性,但其邏輯規(guī)則難以描述復(fù)雜的車輛交互關(guān)系,在車流稍大的情況下匯流效率不高.Rios-Torres,Cao以及國(guó)內(nèi)高校的陳思曼等[8]均提出了通過(guò)建立車輛的狀態(tài)微分方程求解最優(yōu)化問(wèn)題來(lái)協(xié)調(diào)車輛的匯流方法.該方法適合于集中式控制,且對(duì)匯流點(diǎn)浮動(dòng)的情況求解過(guò)程復(fù)雜,算法實(shí)時(shí)性較差.Kita在文獻(xiàn)[9]中提出了基于博弈論的匯流方法,建立每種決策的收益矩陣,評(píng)估收益作出決策.該方法雖然適合于分布式控制架構(gòu),但其難以獲得通行量方面的收益信息,從而難以在通行量方面提升匯流效果.

鑒于基于邏輯規(guī)則的方法對(duì)問(wèn)題模型的刻畫比較粗糙,控制精準(zhǔn)度較差;基于函數(shù)模型的決策方式過(guò)于依賴有精確參數(shù)的物理模型,且其在模型精確性方面往往不如基于概率模型的算法.因此,本文提出了基于優(yōu)秀決策樣本的統(tǒng)計(jì)學(xué)習(xí)方法獲得更為豐富和細(xì)膩的決策邏輯.

在優(yōu)秀決策樣本采集方面,Li等在文獻(xiàn)[10?12]中指出稠密交通流情況下遍歷解空間往往無(wú)法實(shí)現(xiàn),而可以采用啟發(fā)式的搜索算法獲得車輛決策在某一指標(biāo)方面的近似最優(yōu)解.鑒于粒子群算法沒有簡(jiǎn)單有效的措施防止陷入局部最優(yōu),蟻群算法計(jì)算開銷大而本文求解空間維數(shù)較高,因此選擇啟發(fā)式的遺傳算法,該方法在搜素本文離散解空間的情形下有較高的適用性.

有監(jiān)督的統(tǒng)計(jì)學(xué)習(xí)算法中,KNN(K-nearest neighbor)算法對(duì)參數(shù)k敏感,針對(duì)本文研究的問(wèn)題沒有相關(guān)前期工作可以提供參數(shù)選擇的經(jīng)驗(yàn).而樸素貝葉斯有各個(gè)特征相互獨(dú)立的前設(shè)條件,本文選取的車輛環(huán)境特征關(guān)聯(lián)性較大,與假設(shè)相悖.Weng等[13]曾采用分類回歸樹模型擬合了人類駕駛員在交通瓶頸處的匯流行為,獲得了較高的擬合度.因此,本文選擇了約束少、分類速度快和準(zhǔn)確性高的分類回歸樹方法作為匯流決策的模型.并通過(guò)對(duì)比Wang提出的方法,驗(yàn)證匯流方案的高效性.

1 匯流決策尋優(yōu)

1.1 數(shù)學(xué)模型

交通流的特性主要由流量、速度和密度來(lái)刻畫.本文依據(jù)流量、平均車速及匯流處速度衰減程度等參數(shù)選取多個(gè)匯流場(chǎng)景作為樣本,進(jìn)行決策尋優(yōu).

本文的微觀交通模型中,采用IDM(Intelligent driver model)模型刻畫交通流中單個(gè)車輛的跟車行為.車輛狀態(tài)與所處環(huán)境之間滿足如下關(guān)系式

其中,vα,v(α?1)分別表示本車和前車車速,v0表示期望車速,s0表示最短車間距,T表示期望車頭時(shí)距.車輛自身的加速和減速行為及并入車道后后繼車輛的響應(yīng)均受該模型約束.

本文研究的匯流問(wèn)題采取決策點(diǎn)與匯流點(diǎn)分離,且匯流點(diǎn)浮動(dòng)的方式進(jìn)行匯流.如圖1所示,車輛能夠在道路瓶頸前L米處提前獲知右側(cè)車道即將關(guān)閉開始匯流決策,車輛可以在瓶頸前的任意位置選擇匯流.匯流車輛的決策依據(jù)是周圍車輛的位置、速度信息及相對(duì)瓶頸點(diǎn)的距離.可能作出的決策為加速調(diào)整、減速調(diào)整、保持車速或者立即換道.評(píng)價(jià)車輛匯流決策優(yōu)劣的依據(jù)是瓶頸處的通行效率及匯流引起的車輛碰撞次數(shù).

圖1 匯流場(chǎng)景Fig.1 Merging scenario

由于單一車輛決策與瓶頸處通行量之間沒有明確的函數(shù)關(guān)系,所以本文采用對(duì)一定數(shù)量的車輛實(shí)施匯流決策后合成的宏觀表現(xiàn)來(lái)評(píng)價(jià)其對(duì)通行量的影響.為了合理限制尋優(yōu)的計(jì)算量和耗時(shí),本文截取各個(gè)典型匯流場(chǎng)景中的一部分,對(duì)該交通流片段中的所有車輛同時(shí)進(jìn)行決策尋優(yōu).從而對(duì)決策評(píng)價(jià)的依據(jù)演化成為盡可能縮短所有車輛完成匯流所消耗的時(shí)間,并且不發(fā)生碰撞.

1.2 遺傳算法尋優(yōu)

本文將匯流過(guò)程中的決策基于時(shí)間片分割,形成一串決策序列,對(duì)這一序列采用符號(hào)編碼,作為遺傳算法的染色體,編碼示例如圖2.決策對(duì)應(yīng)編碼如下:

0—保持當(dāng)前車速

1—減速調(diào)整

2—加速調(diào)整

3—執(zhí)行換道

圖2 匯流決策時(shí)間序Fig.2 Merging decision sequence

根據(jù)匯流點(diǎn)可以在一定距離內(nèi)浮動(dòng)的特性,本文采用可變有效位的編碼方式.即車輛可以選擇采用m個(gè)時(shí)間片來(lái)調(diào)整位置及速度,在第m+1個(gè)時(shí)間片中執(zhí)行匯流.則對(duì)應(yīng)的編碼形式是:染色體中前m個(gè)基因位是0,1,2組成的隨機(jī)序列,自第m+1個(gè)基因位開始所有后續(xù)基因位均用編碼3填充.

適應(yīng)度函數(shù)采用如下表達(dá)式

其中,tc(V)表示一特定交通片段中所有車輛完成匯流并全部通過(guò)瓶頸處所消耗時(shí)間.匯流中若發(fā)生碰撞適應(yīng)度直接置零.

本文采用了無(wú)放回式隨機(jī)余數(shù)選擇算子(Remainder stochastic sampling with replacement, RSSR)[14]作為優(yōu)勝劣汰的方式.RSSR算子依據(jù)個(gè)體的適應(yīng)度值確定其在下一代群體中的生存數(shù)目,表達(dá)式如下

基于可變有效位染色體編碼方式的單點(diǎn)交叉操作如下,以含10個(gè)時(shí)間片段的決策序列為例:

A染色體的有效交叉點(diǎn)有4個(gè),B染色體的有效交叉點(diǎn)有7個(gè).分別隨機(jī)選擇A、B的交叉點(diǎn)為2和6,截?cái)嗪笃唇?A染色體中的空缺位隨機(jī)選擇0, 1,2填補(bǔ).B染色體中的冗余位舍去,由A段中的基因位覆蓋.交叉結(jié)果為:

匯流決策的尋優(yōu)不具有單調(diào)性,因此為防止遺傳算法陷入局部最優(yōu)解,對(duì)相似的最優(yōu)解進(jìn)行計(jì)數(shù)ConvergenceCount,當(dāng)種群連續(xù)迭代5次均收斂于同一準(zhǔn)最優(yōu)解fitness(TempBest)時(shí),發(fā)生一次大規(guī)模變異以更新種群中的基因模式,同時(shí)對(duì)變異次數(shù)用變量OptCount計(jì)數(shù).3次大規(guī)模變異后,均收斂于相近的準(zhǔn)最優(yōu)值fitness(Best),則將Best作為近似最優(yōu)決策.算法流程如算法1.

算法1.基于RSSR的遺傳算法

2 分類回歸樹訓(xùn)練

分類回歸樹 (Classi fi cation and regression tree,CART)是一種有監(jiān)督的統(tǒng)計(jì)學(xué)習(xí)方法.以損失函數(shù)最小化為目標(biāo)對(duì)數(shù)據(jù)層層分類,建立決策樹模型.分類決策樹由于其對(duì)訓(xùn)練集容量要求較少、分類速度快和預(yù)測(cè)準(zhǔn)確度高等特點(diǎn)適用于本文研究的問(wèn)題.本文根據(jù)流量、平均車速和擁堵狀況選取了50種典型的匯流場(chǎng)景在軟件中仿真實(shí)現(xiàn),采用第一節(jié)描述的尋優(yōu)方法獲取最優(yōu)匯流決策.記錄每個(gè)時(shí)間片中每臺(tái)車周圍的環(huán)境特征和對(duì)應(yīng)的決策,作為標(biāo)記的數(shù)據(jù)集訓(xùn)練分類決策樹.

2.1 特征描述

車輛對(duì)環(huán)境的感知程度依賴于傳感器的配置,測(cè)量范圍及測(cè)量精度.無(wú)人車通常配備了GPS、慣導(dǎo)和雷達(dá)等定位及測(cè)距傳感器,能夠較為準(zhǔn)確地獲得車輛的絕對(duì)位置和相對(duì)位置.專用短程通信技術(shù)(Dedicated short range communication,DSRC)能夠?qū)崿F(xiàn)高速移動(dòng)物體間短距通信,因此通過(guò)車載單元(On board unit,OBU)車輛間能夠交換自身的狀態(tài)信息,借助路側(cè)單元(Road side unit,RSU)車輛能獲悉更遠(yuǎn)范圍內(nèi)的路況信息.

參照現(xiàn)有技術(shù)條件,首先選取決策車輛本身相對(duì)于瓶頸處的位置及車速作為基本的特征信息,該信息可由RSU提供.其次選擇車輛碰撞危險(xiǎn)評(píng)估指標(biāo)TTC(Time to collision).TTC表示若本車保持當(dāng)前車速行駛,與前車的碰撞預(yù)計(jì)在多長(zhǎng)時(shí)間后發(fā)生,其表達(dá)式如下:

如圖3所示,匯流車輛與當(dāng)前車道前驅(qū)車輛以及相鄰車道前、后驅(qū)車輛的TTC均納入對(duì)環(huán)境的評(píng)估指標(biāo).

此外,Pei在文獻(xiàn)[15]曾指出,交通流密度是影響匯流點(diǎn)位置的重要因素.因此,本文還選取了本車與周圍車輛的相對(duì)位置關(guān)系,作為當(dāng)前局部交通流密度的評(píng)估.TTC及車輛相對(duì)位置關(guān)系均可以通過(guò)車載傳感器及車間通信實(shí)時(shí)獲得.環(huán)境特征變量在表1中詳述.

圖3 環(huán)境特征描述示例Fig.3 Environment feature description

表1 環(huán)境特征變量描述Table 1 Environment feature description

2.2 訓(xùn)練算法

分類回歸樹將所有訓(xùn)練數(shù)據(jù)集作為根節(jié)點(diǎn),采用遞歸分割的方法選擇特征向量中合適的變量及分割值對(duì)節(jié)點(diǎn)中的樣本進(jìn)行二分.經(jīng)過(guò)分割的節(jié)點(diǎn)派生出兩個(gè)子節(jié)點(diǎn),循環(huán)往復(fù)直至滿足分割的終止條件.最終生成樹形結(jié)構(gòu)的分割結(jié)果,葉子結(jié)點(diǎn)表示決策結(jié)果,從根節(jié)點(diǎn)到葉子結(jié)點(diǎn)路徑上的分割特征及分割閾值表示作出該決策對(duì)應(yīng)的環(huán)境條件.常用的節(jié)點(diǎn)分割算法有信息增益率法、基尼指數(shù)法和卡方分布檢驗(yàn)法等.相比于基尼指數(shù)法和卡方分布檢驗(yàn)法,信息熵增益法需要更長(zhǎng)時(shí)間達(dá)到峰值,有更苛刻的劃分標(biāo)準(zhǔn).由于本文針對(duì)的特征向量維數(shù)不高,不會(huì)因?yàn)榭量痰姆指顥l件而使計(jì)算時(shí)間過(guò)長(zhǎng),因此本文先對(duì)特征離散化,再選用信息增益率作為節(jié)點(diǎn)分割的標(biāo)準(zhǔn).信息增益率計(jì)算方式如下:

式(7)表達(dá)了信息熵的計(jì)算方式,P(Ci)表示屬于Ci決策的樣本概率.式(8)中,IG(Ft,Gap)表示以環(huán)境特征Ft及對(duì)應(yīng)的閾值Gap分割該節(jié)點(diǎn)中的樣本所產(chǎn)生的信息熵增益.P(＜Ft,Gap)和P(＞Ft,Gap)分別表示節(jié)點(diǎn)樣本二分后,兩個(gè)子集各自所占父節(jié)點(diǎn)樣本的比例.式(9)描述了信息增益比的計(jì)算方式.

節(jié)點(diǎn)分割會(huì)在滿足以下三個(gè)條件中任意一個(gè)的情況下終止:1)節(jié)點(diǎn)中的樣本數(shù)小于預(yù)設(shè)的閾值;2)節(jié)點(diǎn)的信息熵小于閾值;3)生成決策樹的深度達(dá)到了最大深度.

決策樹存在的過(guò)擬合問(wèn)題可以通過(guò)剪枝有效防止.悲觀剪枝法在實(shí)踐中有效性較高,本文選擇了該方法作為剪枝方式.悲觀剪枝通過(guò)增加經(jīng)驗(yàn)性的懲罰因子代替測(cè)試集來(lái)計(jì)算內(nèi)部節(jié)點(diǎn)的誤差率.通過(guò)比較內(nèi)部結(jié)點(diǎn)與該節(jié)點(diǎn)派生的葉子節(jié)點(diǎn)的誤差率決定是否剪枝.算法流程如算法2.

算法2.分類回歸樹算法

該算法采用棧結(jié)構(gòu)和循環(huán),將分裂得到的子節(jié)點(diǎn)壓入棧中,在下次循環(huán)中取一棧元素,即子節(jié)點(diǎn)判斷其是否需要再二分.其中,isLeaf表示是否滿足終止條件.

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)平臺(tái)為開源交通仿真軟件(Simulation of urban mobility,SUMO).SUMO為德國(guó)宇航局開發(fā)的面向城市智能交通研究的仿真軟件,可以自定義車輛數(shù)學(xué)模型、道路結(jié)構(gòu)、交通流特性以及各種交通設(shè)施.此外,SUMO具有較為完備的仿真結(jié)果報(bào)告,例如平均旅行時(shí)間、排放和道路的平均通行量等.Wegener等開發(fā)了基于TCP的客戶端—服務(wù)器模式的TraCI[16],開辟接口實(shí)現(xiàn)對(duì)SUMO中仿真元素在線干預(yù).本實(shí)驗(yàn)中的所有匯流實(shí)驗(yàn)均在SUMO中通過(guò)TraCI接口實(shí)現(xiàn)實(shí)時(shí)控制.

3.1 分類回歸樹訓(xùn)練結(jié)果

在配置為Intel Core i7 4770,主頻3.4GHz, RAM 4GB電腦上對(duì)50個(gè)匯流場(chǎng)景進(jìn)行近80小時(shí)的尋優(yōu),最終獲得了2311條樣本.由于一段完整的匯流過(guò)程中,用于速度調(diào)整的策略遠(yuǎn)多于最終執(zhí)行換道的策略,因此2311條樣本中僅有200條有關(guān)換道決策的樣本.這種不平衡數(shù)據(jù)集會(huì)嚴(yán)重影響分類決策樹的訓(xùn)練效果.Batista等在論文中提出處理機(jī)器學(xué)習(xí)中不平衡數(shù)據(jù)集的方法[17]主要有過(guò)采樣和欠采樣.相比欠采樣,過(guò)采樣容易引起過(guò)擬合的問(wèn)題,因此本文選擇隨機(jī)欠采樣,減少與換道決策無(wú)關(guān)的樣本,最終選用了636條樣本訓(xùn)練分類決策樹.訓(xùn)練終止條件為葉子節(jié)點(diǎn)至少包含10個(gè)樣本,決策樹的最大深度為9,最小信息熵為0.8.

決策樹訓(xùn)練結(jié)果如圖4所示,包含48個(gè)葉子節(jié)點(diǎn),其中12個(gè)決策結(jié)果為保持車速,11為加速?zèng)Q策,16個(gè)為減速?zèng)Q策,9個(gè)為換道決策.離道路瓶頸的距離是影響決策的首要因素,車輛距道路瓶頸較近時(shí),更傾向于作出換道決策,距瓶頸較遠(yuǎn)時(shí),則更傾向于作出加減速等調(diào)整決策,這也符合人們的常識(shí):距離瓶頸越近,越迫切的執(zhí)行換道.當(dāng)車輛處于低速狀態(tài)更易作出決策,而高速狀態(tài)則需要更多地考察環(huán)境信息來(lái)作出決策.TTC是影響決策最多的因素,過(guò)小或過(guò)大的TTC均導(dǎo)致調(diào)整決策,合適的TTC才導(dǎo)致?lián)Q道決策.

3.2 仿真驗(yàn)證

圖4 分類決策樹結(jié)構(gòu)Fig.4 Classi fi cation and regression tree

本節(jié)將比較基于分類回歸樹的匯流方法(CART)和同樣基于分布式控制架構(gòu)下,Wang提出的基于到達(dá)優(yōu)先的匯流方法(PV).鑒于基于概率模型的CART方法較基于邏輯規(guī)則的PV方法有較大優(yōu)勢(shì),本文還引入Awal提出的基于瓶頸點(diǎn)附近全局車輛信息的匯流方法(Optimal merging strategy, OMS)作為對(duì)標(biāo)實(shí)驗(yàn),比較基于局部信息方法與基于全局信息匯流方法的差距.此外,本文還設(shè)計(jì)仿真實(shí)驗(yàn)考察了分類回歸樹方法在有定位誤差干擾情況下的匯流效率.

驗(yàn)證實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn)均在SUMO中實(shí)現(xiàn).匯流場(chǎng)景中設(shè)置了4000m的雙車道與1000m的單車道交匯于Dm(0,0),產(chǎn)生了一個(gè)由車道數(shù)減少引起的匯流場(chǎng)景.圖5為道路瓶頸處的仿真截圖.仿真車輛最大速度為33.3m/s,最大加速度為4m/s2,最大減速度為?2m/s2,車輛依據(jù)泊松分布隨機(jī)插入在雙車道的左端D0(?4000,0),出發(fā)速度為30m/s左右.車輛在道路瓶頸前500mDr(?500,0)獲悉即將發(fā)生匯流,開始執(zhí)行換道決策算法.車間通信有效距離是300m,因此仿真過(guò)程中,車輛能收集周圍300m內(nèi)車輛的位置和速度信息,并作出決策.實(shí)驗(yàn)中分別在Dr和Dm設(shè)置感應(yīng)線圈,用于檢測(cè)進(jìn)出匯流區(qū)域的車流.

圖5 SUMO仿真環(huán)境Fig.5 SUMO simulation environment

本文選取了車輛平均等待時(shí)間、通行量和下游平均車速作為匯流效果的評(píng)測(cè)依據(jù).

平均等待時(shí)間指所有車輛車速低于0.5m/s的時(shí)間累積均值.通常是由于道路瓶頸處產(chǎn)生擁堵而使車輛停車等待.本文選取了上游雙車道流量1200veh/h、1800veh/h和2400veh/h,3種車流密度及符合恒定和泊松分布的兩種車流特性針對(duì)上述3種匯流方案進(jìn)行實(shí)驗(yàn),仿真運(yùn)行1200s,統(tǒng)計(jì)結(jié)果如表2.

表2 平均等待時(shí)間比較Table 2 Mean waiting time comparison

在不同車流量及不同的車流特性情況下,基于分類回歸樹的匯流方案相較于PV方法都具有明顯優(yōu)勢(shì),且其平均等待時(shí)間與基于全局信息方法相近.

平均通行量指道路瓶頸點(diǎn)下游一道路截面中,單位時(shí)間內(nèi)通過(guò)車的數(shù)量,它直觀反映了匯流效率.圖 6和圖 7分別描述上游雙車道總流量為1400veh/h和2600veh/h時(shí),下游的平均通行量.

小流量狀況下,0～200s內(nèi)3種方法的匯流效果并無(wú)差異.200s后,匯流效果產(chǎn)生了差異,PV最終穩(wěn)定在1050veh/h左右,而CART與OMS穩(wěn)定時(shí)性能幾乎一致,能夠保持道路瓶頸點(diǎn)上游及下游流量近乎一致,有效防止了擁堵現(xiàn)象.

大流量狀況下,0～400s內(nèi)3種方法的匯流效果并無(wú)差異.之后,匯流效果同樣產(chǎn)生差異.PV最終穩(wěn)定在1400veh/h左右,造成嚴(yán)重的擁堵現(xiàn)象. CART方法的穩(wěn)定流量相較于OMS方法并沒有懸殊的差異,在大流量情況下仍然能夠有效抑制擁堵產(chǎn)生.由此實(shí)驗(yàn)對(duì)比可見,本文方法與基于全局信息的匯流方法在匯流效率方面有著很強(qiáng)的可比性,且其控制架構(gòu)在應(yīng)用過(guò)程中有著明顯優(yōu)勢(shì).

圖8描述了恒定車流下,匯流點(diǎn)上游的平均車速.PV明顯由于擁堵造成車流平均速度急劇下降,而基于決策樹和基于全局信息的方法仍能夠保持較高的車速,實(shí)現(xiàn)車流的持續(xù)高效通行.

圖6 平均流量1400veh/h下游平均流量Fig.6 1400veh/h,mean fl ow

圖7 平均流量2600veh/h下游平均流量Fig.7 2600veh/h,mean fl ow

圖8 匯流點(diǎn)上游平均速度Fig.8 Mean velocity of upstream

本文方法對(duì)環(huán)境描述的準(zhǔn)確程度依賴于車輛傳感器的測(cè)量精度.車速測(cè)量通常采用編碼器,該傳感器能準(zhǔn)確反映車輛的瞬時(shí)速度,但車輛定位所依靠的全球定位系統(tǒng)(Global positioning system,GPS)和慣性導(dǎo)航系統(tǒng)(Inertial navigation system,INS)等卻存在較大誤差,因此設(shè)置定位誤差干擾下的仿真實(shí)驗(yàn),考察分本方法匯流效率所受影響.

基于連續(xù)運(yùn)行衛(wèi)星定位服務(wù)參考站(Continuously operating reference stations,CORS)的定位結(jié)果與慣導(dǎo)融合后能夠?qū)⒍ㄎ徽`差控制在1～2m范圍內(nèi).其定位誤差呈現(xiàn)為一段段的系統(tǒng)誤差疊加上白噪聲.模擬一段定位誤差,其最小值為±1m,沿時(shí)間軸遞增的高次函數(shù)再疊加上均值為0.3m方差為0.5m2的白噪聲.分別對(duì)上游雙車道流量為1400veh/h和2600veh/h情況下進(jìn)行實(shí)驗(yàn).

如圖9所示,稀疏交通流情形下,定位誤差并未對(duì)匯流效果產(chǎn)生負(fù)面影響.

圖9 平均流量1400veh/h定位誤差對(duì)匯流效果影響Fig.9 In fl uence of positioning error on merging eきciency,mean fl ow 1400veh/h

如圖10所示,稠密交通流情形下,定位誤差使得通行效率下降了約15%,但較前述PV方法仍有極大的優(yōu)勢(shì).由于本文方法所依賴的環(huán)境特征描述均基于車輛間的相對(duì)位置,因此可以采用基于車間通信信號(hào)強(qiáng)度的相對(duì)定位方法來(lái)較準(zhǔn)由GPS和INS求得的相對(duì)位置,以提高車輛間相對(duì)定位的精度,避免由定位誤差產(chǎn)生的通行效率下降.

4 結(jié)論

本文通過(guò)決策樹的方法,大量學(xué)習(xí)優(yōu)秀匯流案例中的決策方法,使得車輛能夠不僅根據(jù)臨近車道的局部交通狀況做出決策,還能根據(jù)本車道局部交通狀況做出更為靈活的調(diào)整,作出使群體最優(yōu)的決策.實(shí)驗(yàn)表明,本文所提出的匯流方法確實(shí)能夠盡可能降低匯流行為對(duì)車流的擾動(dòng),即使通行量較大的情形下也能夠保證較高的匯流效率,縮短了車輛的平均旅行時(shí)間.與基于全局信息的方法相比,不僅在通行效率方面可以與之媲美,而且在控制架構(gòu)的實(shí)施效力方面有極大的優(yōu)勢(shì).因此,基于分類回歸樹的匯流方法是一種通行量及可實(shí)施性均優(yōu)的決策方式.此外,本文還驗(yàn)證了實(shí)際應(yīng)用中傳感器誤差對(duì)本方法的影響.雖然會(huì)使匯流效率略微下降,但不影響其相對(duì)其他分布式匯流方法的匯流效率優(yōu)勢(shì).至于通信時(shí)延及丟包等對(duì)匯流效果的影響更為復(fù)雜和多變,由于篇幅限制會(huì)在未來(lái)工作中進(jìn)一步完善.

圖10 平均流量2600veh/h定位誤差對(duì)匯流效果影響Fig.10 In fl uence of positioning error on merging eきciency,mean fl ow 2600veh/h

1 Kerner B S.Experimental features of self-organization in traきc fl ow.Physical Review Letters,1998,81(17):3797?3800

2 Krau? S.Microscopic Modeling of Traきc Flow:Investigation of Collision Free Vehicle Dynamics[Ph.D.dissertation], University of Cologne,Germany,1998

3 Cao W J,Muka M,Kawabe T,Nishira H,Fujiki N.Merging trajectory generation for vehicle on a motor way using receding horizon control framework consideration of its applications.In:Proceedings of the 2014 IEEE Conference on Control Applications(CCA).Juan Les Antibes,France: IEEE,2014.2127?2134

4 Marinescu D,ˇCurn J,Bouroche M,Cahill V.On-ramp traffic merging using cooperative intelligent vehicles:a slotbased approach.In:Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems (ITSC).Anchorage,AK,USA:IEEE,2012.900?906

5 Rios-Torres J,Malikopoulos A,Pisu P.Online optimal control of connected vehicles for eきcient traきc fl ow at merging roads.In:Proceedings of the 18th International Conference on Intelligent Transportation Systems(ITSC).Las Palmas, Spain:IEEE,2015.2432?2437

6 Awal T,Kulik L,Ramamohanrao K.Optimal traきc merging strategy for communication-and sensor-enabled vehicles.In:Proceedings of the 16th International IEEE Conference on Published of the Intelligent Transportation Systems-(ITSC).The Hague,Netherlands:IEEE,2013.

7 Wang Z Y,Kulik L,Ramamohanarao K.Proactive traきc merging strategies for sensor-enabled cars.In:Proceedings of the 4th ACM International Workshop on Vehicular Ad Hoc Networks.New York,NY,USA:ACM,2007.39?48

8 Chen Si-Man,Meng Xian-Shi,Ma Jun.Study on the model and simulation for con fl uence avoidance at ramp intersection.Agricultural Equipment and Vehicle Engineering, 2016,54(2):44?50 (陳思曼,孟憲實(shí),馬鈞.匝道口智能車合流避撞模型及仿真研究.農(nóng)業(yè)裝備與車輛工程,2016,54(2):44?50)

9 Kita H.A merging-giveway interaction model of cars in a merging section:a game theoretic analysis.Transportation Research Part A:Policy and Practice,1999,33(3?4):305?312

10 Li L,Wen D,Yao D Y.A survey of traきc control with vehicular communications.IEEE Transactions on Intelligent Transportation Systems,2014,15(1):425?432

11 Li L,Wang F Y,Zhang Y.Cooperative driving at lane closures.In:Proceedings of the 2007 IEEE Intelligent Vehicles Symposium.Istanbul,Turkey:IEEE,2007.1156?1161

12 Li L,Wang F Y.Cooperative driving at blind crossings using intervehicle communication.IEEE Transactions on Vehicular Technology,2006,55(6):1712?1724

13 Weng J X,Xue S,Yan X D.Modeling vehicle merging behavior in work zone merging areas during the merging implementation period.IEEE Transactions on Intelligent Transportation Systems,2016,17(4):917?925

14 Brindle A.Genetic Algorithms for Function Optimization [Ph.D.dissertation],University of Alberta,Canada,1981.

15 Pei Y L,Dai L L.Study on intelligent lane merge control system for freeway work zones.In:Proceedings of the 2007 Intelligent Transportation Systems Conference.Seattle,WA, USA:IEEE,2007.586?591

16 Wegener A,Pi′orkowski M,Raya M,Hellbr¨uck H,Fischer S,Hubaux J P.TraCI:an interface for coupling road traきc and network simulators.In:Proceedings of the 11th Communications and Networking Simulation Symposium.New York,NY,USA:ACM,2008.155?163

17 Batista G E A P A,Prati R C,Monard M C.A study of the behavior of several methods for balancing machine learning training data.ACM Sigkdd Explorations Newsletter,2004, 6(1):20?29