(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210598016.1 (22)申请日 2022.05.30 (71)申请人 东南大学 地址 211189 江苏省南京市江宁区东 南大 学路2号 (72)发明人 王灿　李林恒　冒培培　张莹　 曲栩　冉斌　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 姜慧勤 (51)Int.Cl. G06F 30/20(2020.01) G08G 1/01(2006.01) G08G 1/052(2006.01) G06F 119/02(2020.01) (54)发明名称 一种面向混合交通环境的交通流微观模型 优化方法 (57)摘要 本发明公开了一种面向混合交通环境的交 通流微观模型优化方法， 包括： 将目标车辆期望 属性信息和目标车辆属性信息进行融合， 得到车 辆运动势场场强； 利用元胞网格将各道路连续分 布运动势场场强进行离散化处理， 对 各道路每一 个离散的元胞网格在当前时刻赋予运动势场场 强； 分别计算在跟驰情景中智能网联车辆和人工 驾驶车辆的加速度； 根据车辆加速度以及离散化 后各道路元胞内车辆运动势场场强， 对经典 NaSch模型进行优化， 得到混合交通流下目标车 辆的元胞自动机模型演化规则。 本发 明由目标车 辆自身的速度势场和前车的车辆势场所组成的 综合势场决定目标车辆的加速度， 同时根据车辆 跟驰模式的不同决定随机慢化规则， 更准确地刻 画实际交通 流中车辆的跟驰行为。 权利要求书2页 说明书7页 附图4页 CN 115099002 A 2022.09.23 CN 115099002 A 1.一种面向混合交通环境的交通 流微观模型优化方法， 其特 征在于， 包括以下步骤： 步骤1， 获取目标车辆自身属性信 息和运动属性信息， 将目标车辆期望属性信 息和目标 车辆属性信息进行融合， 得到车辆运动势场 场强； 步骤2， 根据元胞自动机模型的特点， 利用元胞网格将各道路连续分布的运动势场场强 进行离散化处理， 对各道路每一个离 散的元胞网格在当前时刻赋予运动势场 场强； 步骤3， 根据离散化后车辆运动势场场强及不同类型车辆运动特征， 分别计算在跟驰情 景中智能网联 车辆和人工驾驶车辆的加速度； 步骤4， 根据智能网联车辆和人工驾驶车辆的加速度以及离散化后各道路元胞内车辆 运动势场场强， 对 经典NaSch模型进行优化， 得到混合交通流下目标车辆从t时刻到t+1时刻 的元胞自动机模型演化 规则。 2.根据权利要求1所述的交通流微观模型优化方法， 其特征在于， 所述目标车辆自身属 性是指目标 车辆i的质量mi； 所述运动属性是指目标车辆i在运动过程中产生的速度 vi、 加速度ai、 转向角 θ 以及与前 车i‑1之间的间距L； 目标车辆期望属性是指目标 车辆i的期望 速度vdes； 所述目标车辆属性包括自身属性和运动属性， 根据目标车辆属性信息计算目标车辆i 的车辆势场 场强Eveh， 表达式为： 其中， β1与β2表征不同类型 车辆对车辆运动状态的敏感度参数； 根据目标车辆属性信息和目标车辆期望属性信息计算目标车辆速度势场场强Evel， 表 达式为： Evel＝γ(vi‑vdes) 其中， γ表征不同类型 车辆对速度差值的反馈程度的参数； 根据目标 车辆势场 场强和速度势场 场强得到车辆运动势场 场强EV表达式为： EV＝Eveh+Evel。 3.根据权利要求2所述的交通 流微观模型优化方法， 其特 征在于， 所述 步骤2包括： 以确定的元胞尺寸大小对道路平面进行切割， 得到各元胞的关键节点势场场强值为 和 分别代表元胞j四条边上的中点处运动势场场强， 则元胞j处运动势场 场强为： 4.根据权利要求3所述的交通 流微观模型优化方法， 其特 征在于， 所述 步骤3包括： 根据目标 车辆自身质量与速度计算目标 车辆i的等效质量， 表达式为： 根据智能网联车辆的信 息感知能力， 计算目标车辆在跟驰情景中受前车车辆势场场力 作用下产生加速度 表达式为：权　利　要　求　书 1/2 页 2 CN 115099002 A 2其中， 为智能网联车辆目标车辆i在前车车辆G运动势场中受到的场力， 为目 标车辆所处位置的运动势场场强， 和 分别为目标车辆所处元胞四条 边上的中点处运动势场 场强； 根据人工驾驶车辆的信 息感知能力， 计算目标车辆在跟驰情景中受前车车辆势场场力 作用下产生的加速度 表达式为： 其中， 为目标车辆i为人工驾驶车辆在前车车辆G的运动势场中受到的场力， 为 目标车辆所处位置的运动势场场强， 和 分别为目标车辆所处元胞四条 边上的中点处运动势场 场强。 5.根据权利要求4所述的交通流微观模型优化方法， 其特征在于， 步骤4中元胞自动机 模型的演化 规则包括以下规则： (1)速度更新： vn(t+1)＝mi n(vn(t)+an,vmax,L‑Lsafe) 其中， vn(t)和vn(t+1)为第n辆车t时刻与 t+1时刻的速度， vmax为设定的道路限速值， L为 目标车辆与前 车之间的距离， Lsafe为前后车应该保持的最小安全间距； an为第n辆车的加速度， 当车辆类型为人工驾驶车辆， 当车辆类型为智能网联 车辆， 当加速度计算结果为正则目标车辆做加 速， 若计算结果为负则目标车辆做 减速； (2)随机慢化： 人工驾驶车辆： vn(t+1)＝max(vn(t+1)‑1,0) 智能网联 车辆： 无随机慢化 对于人工驾驶车辆， 设置随机慢化 概率为p； 对于智能网联汽车， 无随机慢化现象； (3)位置更新： xn(t+1)＝xn(t)+vn(t+1) 其中， xn(t+1)为第n辆车在t+1时刻的位置， xn(t)为第n辆车在t时刻的位置； 按照上述速度更新、 随机慢化和位置更新规则对目标车辆运行进行更新， 当到达预定 迭代步数时结束更新。权　利　要　求　书 2/2 页 3 CN 115099002 A 3