智能网联车辆低渗透率下交叉口排队长度估计策略

来源：中国血液净化杂志2024年第11期北京时间：

作者：房山, 杨澜, 赵祥模, 王威, 魏诚, 吴国垣

单位：1. 长安大学　信息工程学院，陕西　西安　710064","2. 加州大学河滨分校　环境研究与技术中心，加利福尼亚　河滨　CA92501

摘要：<p>为了提高混合交通流条件下信号交叉口的车辆通行效率，提出一种智能网联车辆低渗透率下的信号交叉口车辆排队长度估计策略。首先，根据信号交叉口上游区域车辆的随机到达特性，构建考虑智能网联车辆与人类驾驶车辆组成的车辆排队场景。其次，以智能网联车辆的位移差，速度差以及加速度差为输入，以人类驾驶车辆位移差为输出，建立基于Seq2seq架构的车辆微观轨迹前/后向重构模型，采用时间注意力机制判断车辆行驶状态变化的关键时域，提高模型对车辆“走-停”波的重构能力。再次，以当前信号周期排队车辆数为输入，以车辆排队长度为输出，建立基于XGBoost的车辆排队长度估计模型，可在历史样本数据较少的条件下准确估计车辆排队长度。最后，试验基于NGSIM数据集进行模型训练，在不同智能网联车辆渗透率、单信号周期以及多信号周期等条件下验证所提方法性能。结果表明：在10%～30%的低渗透率条件下，与经典时间序列预测模型RNN、LSTM、Seq2seq以及CNN模型相比，所提出的车辆微观轨迹前/后向重构模型的损失函数收敛速度较快，稳定性更好，车辆轨迹均方根误差降低了8.9%～71.7%，且能够准确描述信号交叉口区域车辆的“走-停”波；相比于基于KNN、随机森林与多项式回归模型的排队长度估计方法，所提方法的均方根误差降低了13.56%～91.99%，排队长度估计的运行时间降低至约8 ms，有效证明了所提方法在交叉口车辆排队长度估计的精确性和实时性。</p>

关键词：交通工程,车辆排队长度估计,车辆轨迹重构,数据驱动