实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Correlation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83%.
针对通信中断下由智能网联车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Manually Driven Vehicles,MDV)所组成的混合编队的稳定性控制问题,考虑基于前车-领航车通信拓扑(Predecessor-Leader Following topology,PLF)和...
详细信息
针对通信中断下由智能网联车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Manually Driven Vehicles,MDV)所组成的混合编队的稳定性控制问题,考虑基于前车-领航车通信拓扑(Predecessor-Leader Following topology,PLF)和协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)的混合编队,构建通信正常和通信中断状态下的车辆控制器.基于Routh-Hurwitz稳定性判据和频域分析方法设计稳定条件求解算法,计算控制器和MDV跟驰模型的稳定性条件,并提出针对两种控制器的平滑切换策略.案例分析表明:车队能够稳定安全行驶,各车速度标准差变化率均低于1.8%,平均加速度变化量和其平均值均低于0.016 m/s^(2),说明所提出的稳定性控制算法具有良好的有效性,可实现车辆及编队行驶状态的时空收敛;针对加速场景和减速场景,所提出的控制器切换策略能够分别减小车辆加速度波动幅度达37.1%和59.9%,控制器切换过程中的车辆状态稳定性得到显著提升.
暂无评论