摘要
高速公路主线与匝道车流合流所形成的合流区域是交通流控制中最具挑战性的研究场景之一。由于合流区内车道数量的减少以及匝道汇入车流与主线车流潜在的速度差异，当路段整体通行流量较大时，该区域极易成为常态化拥堵区域。为缓解合流区交通拥堵，需要对高速公路交通流进行合流管控，使得合流区交通流控制成为十分重要的研究方向。考虑到智能网联车辆的发展以及其表现出的高可控制性，利用智能网联车辆进行速度引导，从而缓解合流区交通拥堵展现出巨大潜力。但是，考虑到目前智能网联车辆发展程度，在未来很长一段时间内，高速公路将出现人类驾驶车辆和智能网联车辆构成的混合交通流。现有针对混合流下交通控制研究较少，且在智能网联车辆低渗透率下控制效果不明显。另外，现有智能网联车辆控制研究多为速度控制，且研究多假设主线单车道的合流区场景，智能网联车辆不能感知全面的交通状态信息。同时，现有匝道合流控制多为使用单一控制方法缓解拥堵，协同控制方法多目标函数难以求解。 本文针对现有交通流控制研究中智能网联车辆感知交通状态信息不全面的问题，提出了智能网联环境下混合交通流主线车流优化方法，通过建立智能网联车辆控制模型控制其跟驰和换道行为，为匝道合流车辆提供更多的可汇入间隙，并优化主线各个车道车辆分布。为了使智能网联车辆能够感知更全面的交通状态信息，将其相邻车道的微观交通状态加入状态空间，使智能网联车辆做出精准控制决策。为了衡量换道行为对于主线车流造成的影响，本文建立了混合交通流不均匀模型，用各个车道交通流量的方差来描述该时刻车道交通流不均匀性，从而衡量智能网联车辆换道前后对于主线车流的影响。 本文针对现有匝道合流协同控制研究中多目标函数难以求解的问题，提出了混合交通流主线车流优化和匝道合流分层协同控制方法。该协同控制策略包含两层以实现多目标控制，上层为主线车道优化，下层为匝道信号灯控制，利用深度强化学习控制智能网联车辆的加速度和换道行为优化主线车道交通流，为匝道合流提供更多可汇入间隙，通过匝道信号灯开关控制匝道车辆汇入主线。本文在SUMO交通仿真软件上实现协同控制策略，通过与基准模型对比分析验证算法性能。实验结果表明，本文提出的协同控制模型在提高通行效率上优于基准模型，特别是在主线和匝道流量增大的情况下，协同控制方法仍然能够保持很好的控制效果。综上所述，通过对智能网联环境下高速公路混合交通流进行主线车流优化和匝道合流协同控制，能够为高速公路系统管理与控制提供思路，有利于提升高速公路合流区交通流通行效率、改善合流区交通安全。
NETL