不同网联车渗透率条件下路网非均衡交通控制方法研究

For the scenario of vehicle networking, estimating network traffic state and taking network traffic control can change the the distribution of traffic flow in time and space, enhance the capacity of road network, and relief congestion. However, the estimation of traffic state under vehicle networking is constrained by the penetration rate of connected vehicles, which restricts the effects of taking optimal traffic control strategies at system level. This project aims at optimizing network traffic control for unbalanced network under the scenario of vehicle networking. First, we build a model to estimate traffic state with the implementation of vehicle networking information, and then investigating the threshold value of the penetration rate for different level of accuracy. Second, we put forward the MFD based sub-network division model for unbalanced network. The third, we propose data driven and artificial intelligence traffic control model and optimize the distribution of traffic in time and space. Finally, we develop the simulation platform and empirical analysis for the traffic control model. This project tries to taking a breakthrough on revealing the traffic state estimation and the optimization of traffic control strategy for unbalanced traffic state under different penetration rate of vehicle networking. The outcome of this project build foundation for enhancing traffic efficiency and relieving congestion for the scenario of vehicle networking in the future.

在车联网环境下对路网进行交通状态估算，并基于此实施交通控制方案可改变交通流量在时空上的分布，提升路网容量并缓解拥堵。然而基于车联网信息进行交通状态估算的精度受到网联车渗透率的影响，进而限制了基于车联网信息在系统层面实施交通控制的效果，本项目以不同渗透率条件下的车联网为背景，研究路网非均衡交通分布状态下的交通控制优化问题：基于车联网信息进行道路交通状态估算，研究不同估算精度条件下的网联车渗透率阈值；探寻基于宏观交通图的非均衡路网的子网划分模型；建立基于数据驱动和人工智能的路网交通控制方法与策略，在系统层面优化交通流量在时空上的分布；实施不同网联车渗透率条件下交通控制试验仿真平台开发和实证研究。力图在揭示不同网联车渗透率条件下的道路交通状态估算和路网非均衡交通状态下的交通控制方法上进行突破和创新。本项目成果为未来车联网环境下的路网交通效率提高及减少拥堵提供理论支撑和技术支持。

项目研究了车联网环境下的城市路网交通状态估计与控制问题。我们将城市路网交通状态估计问题分解为：（1）基于车联网GPS轨迹数据的路网生成问题；（2）基于低渗透率车联网GPS轨迹数据的路段及交叉口流量估计问题；（3）路网交通状态估计问题。针对上述问题，项目采用了基于最小二乘法、交通波理论和贝叶斯统计学推断的方法，建立了基于低渗透率网联车轨迹数据的城市路网交通状态估计方法，可以在低至5%网联车轨迹数据的条件下，实现对城市路段、交叉口、路网、宏观交通基本图等的准确刻画，如在5%渗透率条件下，我们的方法对交叉口排队长度和流量的估计精度高达95%。我们将城市交通控制问题分解为：（1）基于长期网联车轨迹数据的交叉口信号灯静态控制问题；（2）基于短期网联车轨迹数据的交叉口信号灯动态控制问题；（3）交叉口车道优化问题；（4）路网交叉口信号灯协调控制问题。针对上述问题，我们建立了基于元胞传输模型的交叉口静态信号灯控制模型，该模型以长期的低渗透率车联网数据估计的交叉口流量到达率和转向比为输入，可以同步求解交叉口的车道优化和信号灯配时；更进一步，我们以深度强化学习算法为基础，构建了基于短期低渗透率网联车轨迹数据为基础的单交叉口信号灯动态优化模型和路网信号灯协调控制模型，可以实现路网信号灯的实时控制；最后，我们提出了在未来中高网联车渗透率条件下的“虚拟信号灯”模型，他可以使得绝大多数车联在不停车的情况下通过交叉口，与常规的信号灯控制方法相比较，车辆的车均停车次数下降超过了97%。项目进一步实地验证了提出的模型和方法，信号灯控制模型被应用于天津市和温州市路网的交通控制中，协助交管实现了拥堵情况下的车辆疏散时间降低10%到15%。项目成果参加“Di-Tech全球算法大赛”、北京市交通科技大赛、全国交通科技大赛、互联网+创新创业大赛等，取得了全国前十强，全国二等奖等成绩。