一、基于驾驶行为分析的交通流中车辆跟驰建模与仿真（论文文献综述）
赵伟光[1]（2021）在《高速公路下的拟人化自主车道变换算法研究》文中研究表明作为高速公路上常见的驾驶行为,换道对交通流有着诸多影响,如何实现安全、合理的自主车道变换,是当下自动驾驶领域的研究热点。基于上述背景,同时为了使自主车道变换动作更接近驾驶员的驾驶行为,让驾乘人员获得较好的接受度和满意度,本文依托科技部重点专项“电动自动驾驶汽车关键技术研究及示范运行”,开展高速公路下的拟人化自主车道变换算法研究。首先,搭建换道数据采集平台记录驾驶员换道行为数据,提取体现驾驶员行为的换道特征参数;然后,研究拟人化的自主换道行为触发机理,利用多项式曲线实现换道轨迹规划;最后,基于预瞄-跟随理论设计轨迹跟踪控制器,搭建Car Sim&Simulink联合仿真平台和实车试验平台,设计典型工况对算法进行功能验证。为了对驾驶员的换道行为进行分析,本文搭建了换道数据采集平台,记录多种典型工况下的驾驶员换道试验数据;然后,分析了驾驶员在单一速度和多种速度下换道时的车辆运动状态,探索车辆运动学和动力学参数的变化规律;最后,提取出了可体现驾驶员换道行为的拟人化特征参数,为后续的换道行为触发机理与轨迹规划方法研究提供拟人化的数据支撑。为了模拟驾驶员的换道决策行为,本文围绕换道意图产生原因、目标车道选择方法和换道安全性判断策略,对拟人化的自主换道行为触发机理进行研究。首先,定义车道容忍度变量来描述换道意图的产生原因;其次,考虑速度优势进行目标车道的选择;然后,建立改进的换道最小安全距离模型,进行换道安全性判断;最后做出车道变换或车道保持的驾驶决策。为了对换道轨迹进行安全且合理地规划,首先利用势场法构建本车周围的安全可行驶区域,考虑到驾驶环境的动态变化,提出改进势场系数,使环境车的风险影响范围随相对速度变化动态调整,更符合实际交通场景;然后,结合拟人化换道时间和五次多项式曲线,规划出安全区域内的候选轨迹;最后,设计了考虑行驶安全性、驾乘接受性和高效通行性的评价函数,进行换道轨迹的合理选择。为实现车辆对目标轨迹的良好跟随,本文基于车辆二自由度模型和预瞄-跟随理论设计了轨迹跟踪控制器。首先,建立车辆-道路模型,提出了目标轨迹上的预瞄点搜索方法;然后,针对高速行驶时固定预瞄时间的局限性问题,提出了基于目标轨迹曲率的预瞄时间自适应方法;最后,综合考虑侧向偏差和侧向加速度偏差,设计了前馈-反馈轨迹跟踪控制器。最后,为验证本算法的合理性与有效性,搭建了基于Car Sim&Simulink的仿真平台和基于Haval H7的实车试验平台,分别设计典型的驾驶工况进行算法功能验证。仿真与实车试验结果表明,基于拟人化特征参数的决策方法可针对多种行驶工况进行拟人化的换道行为触发与合理的轨迹规划,预瞄时间自适应的前馈-反馈控制器可实现对目标轨迹的良好跟随。
闫红日[2]（2021）在《智能网联环境下快速路合流区车辆协作控制研究》文中提出在城市道路系统中,快速路合流区是交通拥堵及交通事故常发的重要节点。目前,现有的合流区控制方法虽然在提高合流区运行效率方面能够取得一定效果,但合流间隙的选择依然取决于驾驶员本身。由于驾驶员个体间存在差异性,不同驾驶员面对汇入间隙时选择不同,这可能导致主线间隙不能被匝道车辆充分利用。除此之外,由于车辆间信息获取有限,在匝道车辆汇入主线过程中,很难判断主线车辆驾驶员的动机。因此,在这种情况下,极易导致交通效率降低以及交通事故的发生。近年来,智能网联技术的出现,为管理者对每辆机动车进行微观控制提供了可能。该技术通过采集合流区通信范围内车辆的位置、速度等信息,能够预测主线和匝道车辆到达合流点的时间,在保证行车安全的前提下,可通过提前调整车辆的轨迹,提高合流区的运行效率。本文针对智能网联环境下城市快速路合流区进行研究,主要包括以下内容:1.基于传统车辆在城市快速路合流区范围内的驾驶行为特性分析,提出了一种智能网联环境下的合流区控制方法。通过获取车辆上传至路侧控制单元的信息实现了主线及匝道车辆到达合流点位置的时间预测,主线车辆换道方案的生成及匝道车辆速度的再优化。2.道路通行能力是评价道路系统中的重要参数,而匝道连接点通行能力是分析合流区交通流运行状态、制定管控措施的重要依据。本文基于Cowan M3分布和可插车间隙理论,推导了应用与未应用协作换道两种控制方法下的匝道连接点通行能力模型。将主路三车道、匝道单车道的在不同主线交通需求量下的计算结果作为基础示例。分析了临界跟驰车头时距、临界合流间隙、临界换道间隙、主线车道数等参数变化对于匝道连接点通行能力及合流区整体释放车辆数的影响。3.由于目前的智能网联技术尚未成熟,更不具备大流量的往复实验条件。因此,选用VISSIM作为仿真软件,搭建了传统车辆、未应用协作换道控制的自动驾驶车辆及协作换道控制下的智能网联车辆三种合流仿真环境。选取合流区释放车辆数及车辆平均行程时间作为评价指标,验证了匝道连接点通行能力计算模型的准确性以及协作换道控制方法对于提高合流区运行效率的有效性。本文选用长春市西部快速路南湖广场南入口匝道作为研究地点,对传统车辆的合流特性进行分析,提出了一种智能网联车辆协作换道的合流控制方法。通过对不同主线及匝道交通需求下的合流区车辆运行状况进行了多次仿真,证明了本文提出的控制方法可以提高城市快速路合流区的释放车辆数,减少车辆的平均行程时间。在相同的主线及匝道需求下,智能网联环境下应用协作控制方法的车辆平均行程时间明显小于传统车辆,较未应用协作控制的自动驾驶车辆平均降低了14%左右。
吴霞[3]（2020）在《基于智能网联车辆可控性的高速公路与城市道路混合交通流主动控制方法 ——以高速公路长路段和城市信号交叉口为例》文中研究表明自动驾驶和车路协同技术在全面投入实际运用的过程中,必然经历由智能网联车辆和人类驾驶车辆组成的混合交通流阶段。基于有限的智能网联车辆的交通管控模式,将为交通流管控手段带来质的飞跃。通过控制智能网联车辆,可从物理上影响周边交通流的运行状态,改变传统交通流控制方法严重依赖人类驾驶员的服从率、缺乏精确性控制的现状,从而避免因为人类驾驶员驾驶行为的随机性和不确定性导致交通控制效率下降,解决瓶颈/拥堵区容量下降、消散率低等交通问题,有效改善道路交通效率和通行能力。论文充分利用智能网联车辆的可控性,以高速公路长路段和城市信号交叉口为例,开展了不同智能网联车辆渗透率的混合交通流主动控制方法的研究。主要创新性工作包括以下四个方面:（1）提出了高速公路长路段智能网联车辆极低渗透率的交通流主动控制方法。论文以两车道高速公路长路段为交通场景,通过控制分布于两条车道上的两辆智能网联头车以确定的速度和纵向间距行驶,从而人工构造移动瓶颈,控制交通流的运行状态。论文通过考虑人类驾驶车辆穿越不同构型的移动瓶颈时横向换道行为的随机性,分析不同换道行为并构建交通流演化模型,给出移动瓶颈周围交通流的计算方法。基于上述人工移动瓶颈构型与交通流的耦合关系,提出了一种基于多模换道的可变限速交通流主动控制方法,并通过仿真实验验证了在不同人类驾驶员驾驶行为下所提出的交通流主动控制方法的有效性。（2）提出了高速公路长路段智能网联车辆中低渗透率的混合交通流主动控制方法。承接第一方面工作,充分利用智能网联车辆渗透率提升导致可控性增加这一特性,基于智能网联车辆和人类驾驶车辆换道行为的差异性,构建各自的交通流演化模型,并给出混合交通流的计算方法。构建的“人工移动瓶颈构型-智能网联车辆接受间隙-交通流演化特征”耦合模型,通过协同控制人工构造的移动瓶颈和智能网联车辆的可接受前向换道间隙,获得更大的交通流可控范围。论文对比了智能网联车辆不同换道行为下的移动瓶颈周围交通流的数学模型理论结果和对照实验实际结果,验证了所提出的混合交通流主动控制方法的正确性;此外,论文还验证了不同的智能网联车辆渗透率下,所提出的混合交通流主动控制方法的控制效果。（3）提出了城市多信号交叉口基于预定义函数的智能网联车辆轨迹优化方法。针对信号交叉口频繁的走-停现象导致车辆产生过多燃油消耗的问题,考虑多信号交叉口之间的协同作用对车辆行驶轨迹的影响,综合交叉口信号灯约束和车辆运动学约束,以最小化车辆的燃油消耗为目标,建立车辆行驶速度预定义函数曲线,构建智能网联车辆的轨迹优化模型。通过仿真实验验证了所提出的轨迹优化方法能够有效地降低车辆通过多信号交叉口时的燃油消耗,并降低交叉口延误,从而改善交通效率。（4）提出了城市多信号交叉口智能网联车辆中低渗透率的轨迹优化方法。针对多车通过多信号交叉口的交通场景,考虑交叉口通行效率,从集中式控制和分散式控制两种角度,分别提出智能网联车辆中低渗透率下的车辆轨迹优化方法。集中式控制方法协同考虑多车的燃油消耗,构建不同队列组合模式下多车轨迹协同优化模型,并通过仿真验证了所提出的多车轨迹协同优化方法能够改善燃油经济性。分散式控制方法考虑了混合流中智能网联车辆和人类驾驶车辆纵向驾驶行为的异质性,分析了交叉口排队车辆对轨迹优化的影响,构建了考虑通行能力的轨迹优化模型,并在交叉口有/无排队的两种交通场景中考虑不同智能网联车辆渗透率,对比车辆燃油消耗、延误和交叉口通行车辆数,验证了所提出的轨迹优化方法的有效性。结果表明,所提出的方法能够有效的改善车辆燃油经济性,降低延误,并提高交叉口通行能力。高速公路长路段和城市信号交叉口的仿真结果证明,论文所提出的混合交通流主动控制方法能够充分利用智能网联车辆的可控性特征,有效改善道路通行能力,提升道路混合交通流的效率,为智能交通管控提供全新的、更为直接有效的管控手段。
许倩[4]（2020）在《基于深度跟驰网络的驾驶行为特性分析》文中研究表明跟驰和换道行为是影响车辆运行安全性的重要因素,也是目前驾驶行为和车辆主动安全领域的研究热点。跟驰行为的研究提出了刺激-反应、安全距离等数学模型来揭示单行道上跟驰车辆之间的驾驶行为,在实际应用中,由于驾驶环境复杂,跟驰模型在少数刺激源下并不能真实揭露驾驶员的实际驾驶特性,因此,不能得到广泛推广。本文以车辆间的纵向跟驰行为研究现状与背景为基础,设计一种自学习深度跟驰网络,探索交通流中跟驰车及前导车的驾驶规律,最终以前导车速度、后导车速度、相对距离三个参数的变化趋势反应驾驶员的驾驶行为特性。主要研究内容如下:（1）深度跟驰网络下的前导车检测。借鉴CNN卷积网络及YOLO系列图像检测原理,设计深度跟驰网络目标检测算法,为保证数据在正反向传播时数据分布的一致性,在网络中引入批量归一化算法与卷积层构成基本组件,防止网络在训练过程中的过拟合问题;大量使用层与层之间的跳层链接,使网络检测深度增强,提高了对前导车检测的准确性;采用ROC曲线对YOLO以及深度跟驰网络进行分类效果评价,测试结果显示,深度跟驰网络在不同光线环境下检测性能均优于YOLO网络。（2）改进RNN网络下的驾驶行为分析。基于传统RNN对于序列化数据预测机理,设计能够预测驾驶行为表征参数序列化数据的分析网络,网络将输出层信息返回到隐藏层,并进行双向融合处理,使测试结果取决于输入及输出两个方向的信息特征,提高了序列化数据特征预测的准确性;对双向改进RNN进行最佳参数选取实验以及预测效果对比实验,实验结果表明,双向改进RNN对于驾驶行为的预测准确度优于传统RNN网络。（3）深度跟驰网络下的驾驶行为预测。将深度跟驰网络目标检测算法、双向改进RNN序列化数据预测算法、测速测距算法在Keras下进行融合构建深度跟驰网络驾驶行为分析算法,实现行车记录仪下的图像信息预测;搭建实验环境,对深度跟驰网络进行前导车不同行驶状态激励下的驾驶行为预测效果进行评估,实验结果表明,深度跟驰网络能够实现对驾驶员驾驶行为的预测。
王振[5]（2020）在《面向混合交通流的智能网联汽车换道策略研究与实现》文中研究表明近年来车-车/车-路通信和车辆自动驾驶技术的持续进步极大地推动了智能网联汽车的发展。同时,在相关政策的引导下,智能网联汽车的开放道路测试得到了进一步推广。因而,包含智能网联汽车、自动驾驶汽车和人工驾驶汽车在内的混合交通流场景将会是未来较长时间内不可避免的趋势。由于人工驾驶行为的动态性和随机性,混合交通流场景对于智能网联汽车与人工驾驶汽车之间的协作提出了更高的要求。车辆换道作为车辆间协作的一个典型应用场景具有重要的理论研究和产业应用价值。当前对于智能汽车换道策略的研究集中在单个车辆的换道行为,尚缺少关于智能网联汽车动态换道策略及多辆智能网联汽车之间协作换道策略的研究。针对这一现状,本文以现有的智能网联汽车技术为基础,针对混合交通流场景下人工驾驶车辆行为的动态性、换道行为对交通流的影响、车辆间协同强制换道等研究空白构建了完善的换道模型,并在多种交通场景下进行了全面的实验验证。具体研究内容有:（1）提出了一种考虑人工驾驶车辆动态行为特性的智能网联汽车换道模型。通过线性化跟车模型、换道安全决策、动态换道轨迹规划和高精度轨迹跟踪这四个步骤的紧密配合实现了对人工驾驶车辆在换道过程中可能出现的急加速/减速、配合/不配合换道、同时换道等动态行为的合理应对。并且创新性地提出了换道失败的应对机制,详细阐述了动态环境下换道失败时的应对措施。设计并实现了四种典型交通场景下的仿真实验。实验结果证实了所提出模型的动态性和适用性。（2）针对混合交通流场景中多智能网联汽车协同换道策略展开研究,提出了一种基于集中式控制的多车协同换道控制策略。在构建车辆纵向运动动力学模型的基础上,通过预测车辆的运动轨迹进行换道决策,并以最小化对目标车道后方车辆队列的影响为目标进行协同换道轨迹规划。在仿真实验中设置了97461种交通场景对所提出协同式换道模型的效果进行了验证,并与传统换道模型的效果进行了对比。实验结果表明,所提出的协同式换道模型较之传统换道模型提升了36.7%的换道成功率,并且极大地减小了对目标车道后方车辆队列的影响。（3）针对车-车/车-路通信环境下智能网联汽车强制换道场景展开研究,提出了一种基于多车协同的智能网联汽车强制换道策略。为了更好地应对车辆驶出高速公路、前方车道减少、避让本车道障碍物等强制换道场景,本研究立足于车辆间协作,通过三次曲线计算换道时的横向加速度进行道路区域划分,实现了在自由换道区域内以不影响目标车道后方车辆的正常行驶为前提进行换道操作;在强制换道区域内,多辆车之间协同配合进行换道轨迹规划确保了强制换道任务的安全顺利完成。囊括两种典型交通场景和735种交通状况的仿真实验证实了所提出强制换道模型的适用性和可靠性。（4）设计并开发了智能网联汽车,从车-车/车-路通信、定位与导航、环境感知、决策与规划、轨迹跟踪、车辆线控六个部分详细介绍了智能网联汽车开发过程中的关键技术,并改进了现有的线控制动技术。此外,结合研发的智能网联汽车平台和测试环境,建立了整车三自由度动态动力学模型,并改进了基于模型预测控制的高精度轨迹跟踪算法,在满足轨迹跟踪精度的前提下提升了运算效率,确保了算法实时性。（5）为了对所提出的换道模型进行更加全面的测试和应用,在试验场开展了实车实验对所提出的模型进行了验证。通过设置多种不同的测试场景对研发的智能网联汽车平台和换道模型进行了全面的测试和验证。实验结果表明,所提出的换道模型可以适应多种不同的交通场景和不同人工驾驶车辆的动态行为,并且确保了换道过程中的安全性和舒适性。相比同等场景下人工驾驶员的换道行为,所提出的换道模型在不降低换道效率的前提下,实现了更加安全且舒适的换道操作。论文根据实验结果总结了研究中所提出的多个换道模型的优势和不足,同时也对下一步的研究工作提出了展望。
董长印[6]（2020）在《高速公路智能网联汽车下匝道换道控制与评价研究》文中研究表明智能网联交通系统是智能交通系统未来的重要发展方向之一。智能网联交通涵盖车联网与车路协同、自动驾驶、智能网联汽车、自动公路等研究领域,具有广阔的市场前景和重要的战略意义。按照约定的通信协议和数据交互标准,实现车与车、车与路、车与人以及车与交通管理设施/系统之间的通讯和信息交换,形成智能化交通管理、智能化动态信息服务和网联车辆智能化自动驾驶的一体化智能网络,是物联网技术在交通运输领域的重要应用。作为一种新型加强版的出行工具,智能网联汽车是解决道路安全、交通拥堵、能源短缺及环境污染等问题的手段之一。面向智能网联汽车的换道控制是引导更安全、更舒适、更节能、更环保的关键技术,近年来得到了学术界和工程界的广泛关注。但目前针对高速公路智能网联汽车下匝道换道控制与评价的理论研究较少,尚未建立起完善的换道控制研究框架,严重制约着这一新兴技术的发展。理论研究层面,论文研究的开展有助于加深理解智能网联汽车换道控制对高速公路瓶颈交通流影响机理,理解控制算法与策略对于换道控制效果的影响,并认识换道控制对于改善多车道高速公路瓶颈路段交通安全与通行能效率的作用。工程应用层面,论文研究成果有助于加快我国智慧高速公路建设,提升智能网联交通系统管理水平,改善高速公路现存严峻的交通问题,具有重要的工程应用价值。论文依托一项国家重点研发计划和两项国家自然科学基金,采用美国NGSIM数据库、各国交通经济等相关数据,从机理分析、策略对比、效果分析、技术应用、远景预测五方面出发,对智能网联汽车下匝道换道控制与评价中若干关键问题进行探索与研究。首先建立智能网联汽车换道模型和换道路径控制策略,其次提出基于机器学习的换道行为建模方法,接着应用进化学习理论,构建智能网联汽车换道轨迹反馈控制框架,之后提出基于场论的换道行为安全评价指标,最后建立面向智能网联交通系统的综合经济评价模型。论文的主要研究内容可以具体分为如下几个方面:首先,建立智能网联汽车下匝道换道模型和控制策略。根据高速公路下匝道交通流运行特征和智能网联汽车控制流程,分析智能网联汽车环境感知系统获取信息及换道决策过程,分析下匝道换道行为对瓶颈交通流的影响机理,通过分析目标车道内换道间隙计算、预测、比选、执行等步骤,提出面向下匝道智能网联汽车的强制换道模型;提出多种分级换道路径控制策略并对比分析不同策略控制下交通运行状态,求解特定环境下多车道高速公路下匝道瓶颈路段最优换道路径控制策略。其次,应用机器学习算法对下匝道换道行为进行建模。将完整的换道过程分为换道决策和换道执行两个步骤,分别提出基于机器学习算法的换道行为建模方法。建立基于随机森林的换道决策模型,采用目标车道内多辆车和多个间隙构建决策树,针对下匝道换道行为对前后车辆的影响,建立基于神经网络的换道执行模型,对比不同换道模型对车辆行驶轨迹在速度和位置特征追踪效果方面的差异,并针对多车道高速公路下匝道瓶颈路段不同设置场景,分析新型换道模型对智能网联交通系统控制的效果。第三,构建基于进化学习的下匝道换道轨迹反馈控制框架。对进化论与交通控制进行本质分析与对比研究,基于进化学习思想构建旨在解决数据数量和质量的换道控制框架。以基于机器学习的下匝道换道模型为智能网联环境仿真平台,采用多目标综合成本函数对目标轨迹数据库进行筛选并形成母本训练集,从新旧换道轨迹综合数据库中提取出子代数据集。分析换道控制区域长度、智能网联汽车市场渗透率等关键参数对运行效率和交通安全的影响,探究进化学习迭代次数和换道轨迹提取数量设置对拟合精度和计算效率的控制效果。第四,提出基于场论的换道行为安全评价指标。提出五车交互的换道行为建模方法,针对动力学场和行为场构建智能网联汽车综合磁场,仿真分析基于叠加场力的换道行为评价效果,并与传统指标碰撞时间TTC对比分布效果。提出以百分比为判别条件的换道行为风险等级,评价不同下匝道换道路径控制策略的速度演化、场力分布、风险评估等特征,为最优控制策略的选择提供决策支持。最后,提出面向智能网联环境交通下匝道瓶颈路段的综合经济评价模型。针对智能网联交通下匝道瓶颈路段特征进行经济影响因素研究,通过对比常规高速公路环境建立面向智能网联环境的综合经济评价模型,通过对世界典型18个国家及其组成的5个地区交通经济调查,收集与预测近中远期综合经济评价模型中各项成本参数,根据不同车-车/车-路控制方案,仿真分析各国各区域的智能网联交通下匝道瓶颈路段经济表现特征,对比不同控制方案在不同时期的经济优势,为智能网联环境交通经济影响评价和控制策略决策提供理论依据。
刘源[7]（2020）在《基于VISSIM仿真的协同自适应巡航控制（CACC）对驾驶行为的影响研究》文中认为随着计算机及其应用技术、通讯技术、图像识别技术等多种前沿科学技术的迅猛发展及其在汽车领域的应用,汽车的智能化程度不断提高,自动驾驶和车联网领域也成为了多方研究的热点。协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）是传统的自适应巡航控制（Adaptive Cruise Control）在车联网环境下的扩展应用,是向最高级自动驾驶过渡的重要技术阶段。该系统最大的特点是能够基于邻近车辆的数据交互形成协同运行的稳定车队,车队成员车辆间车头时距更小。这一特性不仅有助于提高交通设施利用效率,同时在交通安全改善、节能减排等方面也产生了积极的作用。但由于系统部分地代替了驾驶员的驾驶任务,使得驾驶员的驾驶行为发生了变化,并且运行中的车队可能会对邻近车辆驾驶员的驾驶行为产生影响。本文聚焦协同自适应巡航控制技术对驾驶行为的影响,利用VISSIM软件定义CACC驾驶规则,实现了CACC混合交通流的仿真,并基于高速公路三车道的基本路段和分流区设施建模获取数据,分析了CACC车辆混入情景下的混合交通流与传统交通流驾驶行为的特征及差异,并对CACC影响驾驶行为的因素、方式、程度及结果进行了深入的剖析,得到了有价值的结论。研究发现,高速公路基本路段和分流区、不同流量水平和不同CACC混入率条件下的混合交通流与传统交通流中,车辆的纵向和横向驾驶行为表征指标是存在差异的,表明协同自适应巡航控制系统的应用确实会对交通流中驾驶员的横向和纵向驾驶行为产生影响,且随着流量、混入率、设施类型的变化呈现出不同的变化规律。CACC影响驾驶员驾驶行为的因素是多样的,既包含了是否CACC、流量水平、混入率、设施类型四个因素中部分因素的主体效应,也包含了不同因素组合的各阶的交互效应。其中流量主体效应、设施类型和混入率、流量水平和混入率的二阶交互效应、是否CACC、设施类型和流量水平的三阶交互效应是影响纵向驾驶行为速度的效应,且流量水平因素对应的效应量是最大的,其他几个交互作用的效应量远远小于流量水平的效应量;是否CACC、设施类型、流量水平的主体效应、是否CACC与设施类型的二阶交互效应、是否CACC、设施类型与流量水平和是否CACC、设施类型与混入率的三阶交互效应是影响纵向驾驶行为变道距离的效应,且流量水平和设施类型主体效应对差异的贡献相对较大,二阶交互效应贡献相对较小,两个三阶交互项的效应的贡献相对最小。不同因素及其交互效应对纵向驾驶行为速度和横向驾驶行为变道距离的影响规律是不同。其中,当CACC混入率低于某一阈值时,对速度的影响是负效应,随后随着混入率的继续增大而转为正效应,且基本路段交通流中的该阈值低于分流区,基本路段的该阈值在0.2～0.4之间,分流区则介于0.6～0.8之间;不同流量下,混入率的影响效应也呈现出“先负后正”的规律,阈值约在0.4左右。CACC车辆和传统车辆的变道距离均表现出了随流量的增大先减小后增大的规律;随着混入率的增加,变道距离表现出先减小后增大的规律,阈值在0.6～0.8之间;混入率越高,对变道距离变化的影响强度越小。
彭国庆[8]（2020）在《快速路入口匝道合流区交通流演变特性与仿真控制研究》文中进行了进一步梳理随着中国城市化进程加快,交通出行需求与日俱增,相应的城市交通主动脉-快速路的建设也加快了步伐。然而,近年来快速路拥堵已经成为许多城市的常发性交通现象。实际上,快速路常态拥堵的瓶颈往往是交通流运行比较复杂的路段,如入口匝道的交织区,其频繁出现的局部范围交通流紊乱、但没有陷入整体严重拥堵的亚稳态交通流是引发通行能力下降和宏观滞回等现象的主要因素。围绕交通拥堵演化过程,本文以南京市应天大街高架（1865产业园附近）入口匝道交汇瓶颈区为研究场景,利用高精度车辆轨迹数据对交通流进行理论分析、提出改进匝道控制算法和仿真分析,以重建、解析和预测交通状况的时空变化特征。为此,基于提取的轨迹数据,理论研究上,本论文将重点观察交通拥堵演变的特征与相变临界阈值,并深入理解车辆的跟驰与换道行为对瓶颈区亚稳态交通流的形成与变化的影响;实践技术上,本论文构建基于深度学习图像识别方向的预测模型,提出融合了三相交通理论临界相变阈值判定、短时交通流预测和单点控制的匝道联动控制算法,从通行效率和占有率等方面二次开发仿真评价快速道路系统效能的提升效果。整体上,包含如下三个部分内容:首先,使用无人机航拍视频与图像识别技术,对匝道交织区拥堵发生前后时段内的所有车辆进行标定与跟踪,并经过数据去噪平滑、拼接拟合与聚类重构等多步骤流程获取车辆轨迹数据;其次,面向三相交通理论,提出微观换道模型量化捕捉振荡波的扰动传播特征,提出改进的非对称模型研究迟滞现象和驾驶行为的非对称性,从宏观交通相变和微观驾驶行为层面研究拥堵形成和演变机理;最后,基于新兴的深度残差网络模型,提出融合多种理论的入口匝道联动控制算法,并构建二次开发的仿真控制平台,进行短时交通流相变预测与匝道调节率控制,并对仿真效果进行评估。本文可以为将来交通管控制技术发展提供理论与仿真支撑。
莫江春[9]（2020）在《车辆互联环境下瓶颈路段交通运行特性及通行能力研究》文中研究指明改革开放以来,随着经济的腾飞,城市拥堵问题已经成为制约城市发展的重要因素,瓶颈路段作为城市拥堵产生的主要源头之一,提升瓶颈路段的通行效率,是提高城市整体路网运行效率的重要措施。车辆互联是车联网的重要分支,是指通过在车辆上安装信号发送装置与接收装置,使得道路上的车辆之间能够相互通信和交流。对车辆互联环境下的交通流进行研究,对城市路网整体运行效率提升有积极作用。本文以城市车道减少的瓶颈路段为研究对象。首先,对车辆互联环境与传统环境下瓶颈路段跟驰数据进行分析,分别确定了两种环境下的静态停车距离和不同速度下的跟驰车头时距,并通过matlab拟合出了车头时距分布模型;其次,通过对无人机视频、摄像机视频等资料进行分析,获取了传统环境下瓶颈路段车辆换道特性;并通过相关设备模拟了车辆互联环境,进行实车试验,获取了车辆互联环境下车辆的换道特性;通过获得的数据资料,进一步获取了车辆互联环境与传统环境车辆在不同换道间隔换道时对目标车道车辆速度的影响关系,总结出了车辆互联环境与传统环境不同速度换道的最小自由换道车头间距与车头时距。其次,本文以瓶颈路段的自由变道与强制变道为基础,提出了以强制变道率为影响因素的瓶颈路段通行能力计算方法。当在一定强制换道率下,当主线上能提供的自由换道数量恰好匹配车道缩减车道所需要的自由换道数量时,此时达到了瓶颈路段整体平衡,通行能力最大,将模型计算值与实际值进行比较,偏差约为3.8%,证明了模型的有效性。模型计算结果表明:车辆互联环境模型计算值比传统环境下的模型计算值提升约5%。最后,本文设计了瓶颈路段车速引导模型,通过对瓶颈路段到达车辆进行速度引导,使得车辆到达瓶颈口的时间更加“均匀”,减少了车辆换道的相互影响,提高瓶颈路段的通行效率;通过Vissim软件提供的com接口,将车速引导模型编译到微观仿真软件中,并将仿真输出结果与传统环境下的仿真输出结果进行比较,得到了基于车速引导的车辆互联环境下的瓶颈路段通行效率比传统环境下的更高的结论。仿真数据表明,车辆互联环境下瓶颈路段平均拥堵时间比传统环境缩短25%,上游平均速度提升37%,高峰延误时间与总延误时间缩短38%,通行能力提升约9.2%。
谢济铭[10]（2020）在《考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析》文中指出受地形和道路条件等限制,部分干线交织区车道和流向多、交织区较短,车辆换道交织现象更为复杂。研究交织区车辆行驶行为规律并进行有效建模,是探明交织区交通运行机理的关键和基础。为探索这类复杂交织区交通运行特性,本文基于高精度、全样本车辆微观轨迹数据,提出交织区精细化元胞自动机跟驰模型和换道决策模型,从而更精细地捕捉和再现短距多车道交织区实际的车辆行为及交通流状况。内容研究具体如下:（1）基于无人机视频的车辆微观轨迹数据提取与分析。由于复杂交织区车辆行为对时间和空间尺度要求更为微观精细,本文以0.1s的时间尺度、0.1m的空间尺度,提取分析流量、车道密度、单车速度、车前间距、加速度、速度角度等交通流信息,提取分析车辆换道次数、位置及其方向等换道行为信息。结果表明,复杂交织区换道条件局促、换道行为频繁、急加速急减速等异常行为增多,车辆干扰与冲突加剧,影响交织区交通运行安全与效率,极易形成交通拥堵瓶颈。（2）基于细化元胞尺寸和时间步长的分区跟驰模型。根据车辆在上下游、交织区不同场景下交通及几何特性的差异性,采用分区建模的思想,将研究范围划分为若干可独立设置变量与规则的分区,并细化了模型的元胞尺寸和更新时间步长,更加真实的反映实际车辆跟驰行为特性。（3）构建上下游自由换道模型和交织影响区双层换道决策模型。为细致刻画交织区复杂的车辆换道行为,考虑上下游与交织区换道需求强度与换道约束等差异性,在上下游换道模型中,建立了自由换道间距条件和Logistic换道概率条件。在交织影响区换道模型中,根据安全风险进行换道时机多步决策,建立了基于风险型、强制型等5类换道间距条件和3类换道概率条件的交织影响区双层换道决策模型。（4）数值模拟与分析。基于重庆市四公里交织区高峰时段实测数据,对未分区换道决策模型、分区多路合流换道模型、分区换道决策模型（本文模型）进行仿真与验证分析。本文选取典型山地城市干线复杂交织区,分析微观交通运行特性,构建了基于分区建模的精细化交织区元胞自动机行为决策模型。验证显示,与实测数据相比,本文模型平均车道流量误差1.64%、速度分布平均误差4.14%、换道次数平均误差11.85%。说明本文模型能较好反映流量、密度、速度分布等交通流特性,描述车辆在不同位置的换道需求与强度差异性,刻画多车道交织区的复杂车辆行为,可为交织区交通运行评估、通行能力测算及优化管控等提供理论与方法支撑。
二、基于驾驶行为分析的交通流中车辆跟驰建模与仿真（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于驾驶行为分析的交通流中车辆跟驰建模与仿真（论文提纲范文）
（1）高速公路下的拟人化自主车道变换算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 拟人化自动驾驶方法研究现状 |
| 1.2.2 自主换道决策方法研究现状 |
| 1.2.3 自主换道控制方法研究现状 |
| 1.2.4 自主换道技术研究现状分析 |
| 1.3 本文主要研究内容 |
| 第2章 驾驶员换道行为分析与特征参数提取 |
| 2.1 引言 |
| 2.2 基于模拟器的驾驶员换道行为试验 |
| 2.2.1 驾驶员换道数据采集平台搭建 |
| 2.2.2 换道驾驶试验工况设计 |
| 2.2.3 换道行为数据采集测试 |
| 2.3 驾驶员换道过程中的车辆运动状态分析 |
| 2.3.1 单一速度下的车辆换道运动状态分析 |
| 2.3.2 多种速度下的车辆换道运动状态对比 |
| 2.4 体现驾驶员行为的换道特征参数提取 |
| 2.5 本章小结 |
| 第3章 基于拟人化特征参数的自主换道决策方法 |
| 3.1 引言 |
| 3.2 拟人化的自主换道行为触发机理 |
| 3.2.1 基于车道容忍度的换道意图产生 |
| 3.2.2 考虑速度优势的目标车道选择 |
| 3.2.3 基于IMSS模型的换道安全性判断 |
| 3.2.4 换道行为触发机理过程分析 |
| 3.3 自主换道轨迹规划算法开发 |
| 3.3.1 基于改进势场法的安全区域建模 |
| 3.3.2 换道轨迹规划与拟人化分析 |
| 3.3.3 考虑多维度评价的最优轨迹确定 |
| 3.4 本章小结 |
| 第4章 预瞄时间自适应的自主换道跟踪控制方法 |
| 4.1 引言 |
| 4.2 车辆侧向动力学系统建模 |
| 4.3 基于车辆-道路模型的跟踪控制前处理 |
| 4.3.1 预瞄-跟随理论 |
| 4.3.2 基于车辆-道路模型的预瞄点搜索 |
| 4.4 预瞄时间自适应的前馈-反馈控制器设计 |
| 4.4.1 预瞄时间自适应方法 |
| 4.4.2 基于侧向偏差的前馈控制器 |
| 4.4.3 基于侧向加速度偏差的反馈控制器 |
| 4.5 本章小结 |
| 第5章 自主换道算法仿真与试验验证 |
| 5.1 引言 |
| 5.2 基于Car Sim&Simulink平台的仿真验证 |
| 5.2.1 联合仿真平台的搭建 |
| 5.2.2 典型工况下的仿真验证结果 |
| 5.3 基于Haval H7 平台的实车试验验证 |
| 5.3.1 实车试验平台的搭建 |
| 5.3.2 典型工况下的实车验证结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（2）智能网联环境下快速路合流区车辆协作控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 智能网联车发展现状 |
| 1.3.2 智能网联下合流控制研究现状 |
| 1.3.3 研究现状总结 |
| 1.4 研究内容框架 |
| 第2章 智能网联下车辆协作合流控制机理 |
| 2.1 合流区传统车辆行为分析 |
| 2.1.1 匝道车辆运行特征 |
| 2.1.2 主路车辆运行特征 |
| 2.2 智能网联车辆合流区控制架构 |
| 2.3 智能网联下合流区车辆行为建模 |
| 2.3.1 协作换道控制逻辑 |
| 2.3.2 车辆到达合流点时间预测 |
| 2.3.3 匝道车辆速度优化 |
| 2.4 本章小结 |
| 第3章 智能网联环境下合流区匝道连接点通行能力建模 |
| 3.1 Cowan M3分布及各参数示意 |
| 3.2 智能网联下匝道连接点通行能力模型 |
| 3.2.1 未应用协作控制下的匝道连接点通行能力建模 |
| 3.2.2 协作控制下的匝道连接点通行能力建模 |
| 3.3 算例分析 |
| 3.3.1 基础示例 |
| 3.3.2 临界跟驰车头时距敏感性分析 |
| 3.3.3 临界合流间隙敏感性分析 |
| 3.3.4 临界换道间隙敏感性分析 |
| 3.3.5 主路车道数敏感性分析 |
| 3.4 本章小结 |
| 第4章 合流区车辆仿真及运行效率评价 |
| 4.1 智能网联仿真实现方式 |
| 4.2 评价指标选择 |
| 4.3 仿真环境搭建 |
| 4.3.1 传统车辆仿真环境搭建 |
| 4.3.2 未应用协作控制下的自动驾驶车辆仿真环境搭建 |
| 4.3.3 智能网联协作控制下的车辆仿真环境搭建 |
| 4.4 不同交通需求下的仿真结果对比 |
| 4.4.1 释放车辆数对比 |
| 4.4.2 平均行程时间对比 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）基于智能网联车辆可控性的高速公路与城市道路混合交通流主动控制方法 ——以高速公路长路段和城市信号交叉口为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 智能交通系统发展现状 |
| 1.2.2 高速公路长路段交通流控制研究现状 |
| 1.2.3 城市信号交叉口交通流控制研究现状 |
| 1.2.4 现有研究和发展动态分析与总结 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文组织结构 |
| 第二章 高速公路长路段智能网联车辆极低渗透率的交通流主动控制方法 |
| 2.1 引言 |
| 2.2 交通流主动控制方法与控制场景分析 |
| 2.3 车辆运动状态分析及换道场景分类 |
| 2.3.1 不同换道阶段的可接受前向和后向换道间隙边界 |
| 2.3.2 可接受换道间隙随驾驶员参数的变化分析 |
| 2.4 不同换道阶段的交通流演化 |
| 2.5 移动瓶颈的交通流计算 |
| 2.5.1 移动瓶颈的交通流通用计算 |
| 2.5.2 移动瓶颈下游的输出交通流计算 |
| 2.5.3 移动瓶颈的期望交通流计算 |
| 2.6 实验参数设置及仿真验证 |
| 2.6.1 实验设计及参数设置 |
| 2.6.2 VSL-TFAC方法正确性验证 |
| 2.7 本章小结 |
| 第三章 高速公路长路段智能网联车辆中低渗透率的混合交通流主动控制方法 |
| 3.1 引言 |
| 3.2 混合交通流主动控制方法与控制场景分析 |
| 3.3 车辆换道场景分类及其交通流分析 |
| 3.4 人类驾驶车辆换道的交通流演化 |
| 3.4.1 前向和后向换道间隙边界的确定 |
| 3.4.2 可接受换道间隙随驾驶员参数的变化 |
| 3.4.3 人类驾驶车辆不同换道阶段的输出流 |
| 3.5 智能网联跟随车辆换道的交通流演化 |
| 3.6 移动瓶颈期望混合交通流计算 |
| 3.7 实验参数设置及仿真验证 |
| 3.7.1 实验设计与参数设置 |
| 3.7.2 MTFAC方法正确性分析 |
| 3.7.3 MTFAC方法控制效果分析 |
| 3.8 本章小结 |
| 第四章 城市多信号交叉口基于预定义函数的智能网联车辆轨迹优化方法 |
| 4.1 引言 |
| 4.2 交叉口附近运动状态分析 |
| 4.2.1 交叉口附近交通流特性分析 |
| 4.2.2 车辆行驶状态分析 |
| 4.2.3 交叉口运动场景分析 |
| 4.3 交叉口协同作用下的优化策略 |
| 4.3.1 优化问题 |
| 4.3.2 优化控制方法 |
| 4.3.3 轨迹优化策略 |
| 4.4 单车轨迹优化模型构建 |
| 4.5 基于预定义函数的速度曲线 |
| 4.6 实验参数设置及仿真验证 |
| 4.6.1 实验设计及参数设置 |
| 4.6.2 优化模型有效性仿真验证 |
| 4.6.3 优化模型可扩展性仿真验证 |
| 4.7 本章小结 |
| 第五章 城市多信号交叉口智能网联车辆中低渗透率的轨迹优化方法 |
| 5.1 引言 |
| 5.2 多车轨迹优化方法及场景分析 |
| 5.3 多车轨迹协同优化模型构建 |
| 5.4 多车轨迹协同优化仿真结果分析 |
| 5.5 考虑通行能力的轨迹优化模型构建 |
| 5.5.1 考虑通行能力的轨迹优化策略 |
| 5.5.2 交叉口排队车辆的影响 |
| 5.5.3 考虑通行能力的车辆轨迹优化模型构建 |
| 5.6 考虑通行能力的轨迹优化方法仿真结果分析 |
| 5.6.1 实验设计及参数设置 |
| 5.6.2 考虑通行能力的轨迹优化方法有效性验证 |
| 5.6.3 交叉口排队影响下的轨迹优化结果对比分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（4）基于深度跟驰网络的驾驶行为特性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于数学模型的驾驶行为研究现状 |
| 1.2.2 基于机器学习的驾驶行为研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术方案 |
| 2 基于机器学习的深度跟驰网络基础研究 |
| 2.1 驾驶车辆检测神经网络理论基础 |
| 2.1.1 CNN卷积神经网络构建原理 |
| 2.1.2 卷积神经网络反向传播训练算法 |
| 2.1.3 随机隐退思想和批量归一化 |
| 2.2 时间序列数据分析理论基础 |
| 2.2.1 RNN循环神经网络预测机理 |
| 2.2.2 RNN循环网络的训练 |
| 2.2.3 计算循环神经网络的梯度 |
| 2.3 RNN与 CNN网络结合 |
| 2.4 本章小结 |
| 3 基于改进CNN网络的车辆检测 |
| 3.1 车辆检测网络结构设计 |
| 3.2 基于CNN的跟驰车辆特征提取 |
| 3.2.1 特征提取网络结构 |
| 3.2.2 卷积特征提取基本组件设计 |
| 3.3 基于CNN卷积网络的车辆检测原理 |
| 3.3.1 分类预测车辆 |
| 3.3.2 前导车回归预测 |
| 3.4 基于CNN卷积网络的车辆检测流程 |
| 3.5 车辆检测实验过程及结果分析 |
| 3.5.1 模型检测训练及实车实验 |
| 3.5.2 ROC检测分类效果评价 |
| 3.6 本章小结 |
| 4 基于车辆检测的驾驶行为分析算法研究 |
| 4.1 驾驶行为分析下的深度跟驰网络设计目标 |
| 4.1.1 基于改进RNN的驾驶行为预测网络设计 |
| 4.1.2 双向改进RNN预测网络设计 |
| 4.1.3 算法线性双向融合处理 |
| 4.2 基于卷积特征提取的驾驶行为参数测量 |
| 4.2.1 驾驶行为参数检测方法 |
| 4.2.2 基于边缘回归的相对距离测量算法设计 |
| 4.2.3 驾驶车辆速度测量方法研究 |
| 4.3 跟驰车辆驾驶行为参数测量结果分析 |
| 4.3.1 检测车辆速度测量结果分析 |
| 4.3.2 跟驰车辆间距测量结果分析 |
| 4.4 检测数据集预处理 |
| 4.4.1 异常数据的处理 |
| 4.4.2 数据的加和整理 |
| 4.4.3 数据的正反归一化处理 |
| 4.5 双向改进RNN网络的预测 |
| 4.5.1 预测评价指标 |
| 4.5.2 数据训练与预测流程 |
| 4.5.3 实验结果及分析 |
| 4.6 本章小结 |
| 5 基于CNN与 RNN的深度跟驰网络研究 |
| 5.1 驾驶行为分析下的深度跟驰网络构建 |
| 5.1.1 深度跟驰网络分析算法设计 |
| 5.1.2 深度跟驰网络实验流程 |
| 5.2 实验软硬件要求 |
| 5.2.1 Keras需求 |
| 5.2.2 图像采集 |
| 5.3 实验结果及分析 |
| 5.3.1 实验环境配置 |
| 5.3.2 深度跟驰网络下驾驶行为预测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）面向混合交通流的智能网联汽车换道策略研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 换道行为分析 |
| 1.2.2 基于微观模型的换道方法 |
| 1.2.3 基于人工智能的换道方法 |
| 1.2.4 基于博弈论的换道方法 |
| 1.2.5 基于元胞自动机的换道方法 |
| 1.3 本文主要创新点 |
| 1.4 论文结构安排 |
| 第二章 考虑驾驶员动态特性的换道模型研究 |
| 2.1 引言 |
| 2.2 动态换道模型设计 |
| 2.2.1 动态换道模型概述 |
| 2.2.2 跟车行驶 |
| 2.2.3 换道决策 |
| 2.2.4 动态换道轨迹生成 |
| 2.2.5 基于模型预测控制的轨迹跟踪 |
| 2.3 动态换道模型验证与分析 |
| 2.3.1 实验设置 |
| 2.3.2 实验结果分析 |
| 2.4 本章小结 |
| 第三章 基于多车协同的智能网联汽车换道模型研究 |
| 3.1 引言 |
| 3.2 协作式换道模型 |
| 3.2.1 协作式换道模型概述 |
| 3.2.2 车辆纵向运动动力学模型 |
| 3.2.3 协同换道决策 |
| 3.2.4 协同换道轨迹规划 |
| 3.3 协同换道模型验证与分析 |
| 3.3.1 实验设置 |
| 3.3.2 换道成功率分析 |
| 3.3.3 换道行为对参与车辆影响的分析 |
| 3.3.4 换道行为对交通流影响的分析 |
| 3.4 本章小结 |
| 第四章 面向强制换道场景的智能网联汽车换道策略研究 |
| 4.1 引言 |
| 4.2 强制换道模型 |
| 4.2.1 模型概述 |
| 4.2.2 换道区域计算 |
| 4.2.3 协同换道决策与轨迹规划 |
| 4.3 模型验证与分析 |
| 4.3.1 实验设置 |
| 4.3.2 道路区域划分结果分析 |
| 4.3.3 自由换道区域启动换道结果分析 |
| 4.3.4 强制换道区域启动换道结果分析 |
| 4.4 本章小结 |
| 第五章 实车实验 |
| 5.1 智能网联汽车构建 |
| 5.1.1 概述 |
| 5.1.2 车-车/车-路通信系统 |
| 5.1.3 定位与导航系统 |
| 5.1.4 环境感知系统 |
| 5.1.5 决策与规划系统 |
| 5.1.6 线控系统 |
| 5.2 基于模型预测控制的轨迹跟踪 |
| 5.2.1 三自由度动态车辆动力学模型 |
| 5.2.2 MPC轨迹跟踪控制器设计 |
| 5.3 实验设置 |
| 5.3.1 实验场地介绍 |
| 5.3.2 实验车辆介绍 |
| 5.3.3 参与人员介绍 |
| 5.3.4 实验场景设置 |
| 5.3.5 模型参数设置 |
| 5.3.6 实验数据记录 |
| 5.4 实验结果分析 |
| 5.4.1 实验数据处理 |
| 5.4.2 人工与自动换道行为对比 |
| 5.4.3 换道结果分析 |
| 5.4.4 轨迹跟踪结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（6）高速公路智能网联汽车下匝道换道控制与评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.1.1 论文立题背景 |
| 1.1.2 论文立题意义 |
| 1.2 国内外研究概况 |
| 1.2.1 面向智能网联汽车的纵向控制模型 |
| 1.2.2 面向智能网联汽车的横向控制模型 |
| 1.2.3 高速公路瓶颈路段管理与控制技术 |
| 1.2.4 人工智能在交通工程领域中应用 |
| 1.2.5 交通安全分析与交通系统经济评价 |
| 1.2.6 国内外研究现状评述 |
| 1.3 研究目标及研究内容 |
| 1.3.1 论文研究目标 |
| 1.3.2 论文研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 论文研究方法 |
| 1.4.2 论文技术路线 |
| 1.5 本章小结 |
| 第二章 高速公路智能网联汽车下匝道换道模型和控制策略 |
| 2.1 研究动机与思路 |
| 2.2 高速公路智能网联汽车换道行为建模与效果分析 |
| 2.2.1 智能网联汽车跟驰模型 |
| 2.2.2 智能网联汽车微观自由换道模型 |
| 2.2.3 智能网联汽车微观强制换道模型 |
| 2.3 高速公路智能网联汽车下匝道分级控制策略 |
| 2.3.1 智能网联环境下匝道分级控制策略 |
| 2.3.2 智能网联环境匝道控制策略评价指标 |
| 2.3.3 智能网联环境仿真平台搭建与参数标定 |
| 2.4 高速公路智能网联汽车下匝道控制效果分析 |
| 2.4.1 换道路径控制策略对速度演化影响分析 |
| 2.4.2 换道路径控制策略对通行能力影响分析 |
| 2.4.3 换道路径控制策略对间隙选择影响分析 |
| 2.4.4 换道路径控制策略对综合费用影响分析 |
| 2.5 本章小结 |
| 第三章 基于机器学习的智能网联汽车下匝道换道行为建模 |
| 3.1 研究动机与思路 |
| 3.2 基于机器学习的智能网联汽车微观仿真平台 |
| 3.2.1 智能网联汽车纵向控制模型 |
| 3.2.2 基于随机森林的换道决策过程 |
| 3.2.3 基于神经网络的换道执行过程 |
| 3.3 基于机器学习的智能网联环境交通仿真研究框架 |
| 3.3.1 基于机器学习的智能网联汽车换道行为建模研究框架 |
| 3.3.2 NGSIM数据库车辆轨迹数据提取与分析 |
| 3.3.3 交通系统安全评价指标 |
| 3.3.4 智能网联环境计算机仿真场景设计 |
| 3.4 基于机器学习的智能网联汽车换道模型评价与影响分析 |
| 3.4.1 换道模型标定及不同换道模型控制效果对比 |
| 3.4.2 基于机器学习的换道模型控制下行驶速度演化分析 |
| 3.4.3 基于机器学习的换道模型控制下通行能力影响分析 |
| 3.4.4 基于机器学习的换道模型控制下交通安全影响分析 |
| 3.5 智能网联交通系统关键参数敏感性分析 |
| 3.5.1 跟驰模型对通行能力与交通安全影响分析 |
| 3.5.2 延迟时间对通行能力与交通安全影响分析 |
| 3.5.3 下匝道车辆比例对通行能力与交通安全影响分析 |
| 3.5.4 碰撞时间阈值对交通安全评价影响分析 |
| 3.6 本章小结 |
| 第四章 基于进化学习的智能网联汽车下匝道控制 |
| 4.1 研究动机与思路 |
| 4.2 进化学习与智能网联汽车换道控制框架 |
| 4.2.1 进化学习与交通控制 |
| 4.2.2 基于进化学习的智能网联汽车下匝道控制框架 |
| 4.3 交通流数据采集与仿真场景设置 |
| 4.3.1 智能网联环境交通流跟驰模型与换道模型 |
| 4.3.2 NGSIM数据库车辆轨迹数据提取与分析 |
| 4.3.3 智能网联环境交通仿真场景设置与实施流程 |
| 4.4 进化学习控制下智能网联环境混合交通流系统评价 |
| 4.4.1 换道模型标定及不同换道模型控制效果对比 |
| 4.4.2 进化学习控制框架下速度演化特征分析 |
| 4.4.3 进化学习控制框架下通行能力特征分析 |
| 4.4.4 进化学习控制框架下交通安全特征分析 |
| 4.5 进化学习控制框架中智能网联交通系统关键参数敏感性分析 |
| 4.5.1 车头时距对通行能力与交通安全影响分析 |
| 4.5.2 TTC阈值对交通安全评价影响分析 |
| 4.5.3 进化学习迭代次数对拟合精度与计算效率影响分析 |
| 4.5.4 车辆轨迹提取数量对拟合精度与计算效率影响分析 |
| 4.6 本章小结 |
| 第五章 基于场论的智能网联汽车下匝道换道行为安全评价 |
| 5.1 研究动机与思路 |
| 5.2 基于场论的智能网联汽车换道行为安全评价指标 |
| 5.2.1 场论思想与车辆换道行为 |
| 5.2.2 智能网联环境下驾驶安全场分类 |
| 5.2.3 基于场论的智能网联汽车换道行为安全评价指标 |
| 5.3 智能网联汽车交通流模型与换道控制策略 |
| 5.3.1 智能网联汽车交通流模型 |
| 5.3.2 智能网联汽车下匝道控制策略 |
| 5.3.3 智能网联仿真环境参数设置 |
| 5.4 基于场论的智能网联汽车下匝道换道控制策略安全评价 |
| 5.4.1 下匝道瓶颈处速度与磁场力分析 |
| 5.4.2 换道比例与风险等级分布特征 |
| 5.4.3 换道行为对跟随车辆影响分析 |
| 5.4.4 换道行为对当前车辆影响分析 |
| 5.5 本章小结 |
| 第六章 智能网联环境下高速公路下匝道瓶颈路段经济评价模型 |
| 6.1 研究动机与思路 |
| 6.2 面向智能网联环境的综合经济评价模型 |
| 6.2.1 面向智能网联环境的综合经济评价模型通式 |
| 6.2.2 综合经济评价模型中时间成本 |
| 6.2.3 综合经济评价模型中能耗成本 |
| 6.2.4 综合经济评价模型中道路建设成本 |
| 6.2.5 综合经济评价模型中设备设施成本 |
| 6.3 经济数据采集与智能网联汽车交通流模型 |
| 6.3.1 智能网联环境下综合经济评价模型研究框架 |
| 6.3.2 智能网联环境下经济数据预测与采集 |
| 6.3.3 智能网联汽车微观交通流仿真平台 |
| 6.3.4 智能网联环境高速公路瓶颈路段场景设置 |
| 6.4 智能网联环境下交通系统经济指标分析 |
| 6.4.1 同质交通流下速度与通行能力特性 |
| 6.4.2 不同国家交通系统单一经济指标对比分析 |
| 6.4.3 不同国家交通系统运行总成本对比分析 |
| 6.4.4 不同地区交通系统经济指标对比分析 |
| 6.5 智能网联交通系统关键参数敏感性分析 |
| 6.5.1 主线与匝道流量对交通系统运行总成本影响分析 |
| 6.5.2 电动汽车对交通系统运行总成本影响分析 |
| 6.5.3 高载客率车辆对交通系统运行总成本影响分析 |
| 6.5.4 CACC退化ACC对交通系统运行总成本影响分析 |
| 6.6 5G通讯技术对交通系统经济影响分析 |
| 6.6.1 5G通讯特征简介 |
| 6.6.2 5G通讯技术对智能网联环境影响分析 |
| 6.6.3 5G通讯技术对交通系统经济影响分析 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文研究工作总结 |
| 7.2 论文创新点 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于VISSIM仿真的协同自适应巡航控制（CACC）对驾驶行为的影响研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 CACC混合交通流研究现状 |
| 1.2.2 驾驶行为研究现状 |
| 1.2.3 交通流建模与仿真 |
| 1.2.4 研究现状总结 |
| 1.3 论文研究内容及意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.3.3 研究内容 |
| 1.4 论文技术路线 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第二章 CACC车辆控制及编组理论 |
| 2.1 CACC系统框架 |
| 2.2 信息流拓扑 |
| 2.3 控制理论 |
| 2.4 本章小结 |
| 第三章 CACC混合交通流的仿真实现 |
| 3.1 VISSIM中的驾驶行为模型 |
| 3.1.1 跟驰模型 |
| 3.1.2 横向行为 |
| 3.2 VISSIM中的外部驾驶员模型API |
| 3.2.1 执行逻辑 |
| 3.2.2 重要函数 |
| 3.3 CACC仿真车辆控制逻辑设计 |
| 3.3.1 车辆状态判断 |
| 3.3.2 纵向驾驶行为控制 |
| 3.3.3 横向驾驶行为控制 |
| 3.3.4 车队长度控制 |
| 3.4 基于VISSIM的 CACC混合交通流场景建模 |
| 3.4.1 道路设施 |
| 3.4.2 流量及组成 |
| 3.4.3 车头时距 |
| 3.4.4 仿真建模及结果 |
| 3.5 本章小结 |
| 第四章 CACC影响下的驾驶行为特征及差异性分析 |
| 4.1 基本路段驾驶行为特征及差异性分析 |
| 4.1.1 速度特征与差异性分析 |
| 4.1.2 加速度特征与差异性分析 |
| 4.1.3 变道次数特征及差异性分析 |
| 4.1.4 变道时长和变道距离特征及差异性分析 |
| 4.2 分流区驾驶行为特征及差异性分析 |
| 4.2.1 速度特征及差异性分析 |
| 4.2.2 加速度特征和差异性性分析 |
| 4.2.3 变道次数特征和差异性分析 |
| 4.2.4 变道时长和变道距离特征和差异性分析 |
| 4.3 本章小结 |
| 第五章 CACC对驾驶行为的影响因素分析 |
| 5.1 纵向驾驶行为影响因素分析 |
| 5.1.1 速度数据预处理 |
| 5.1.2 速度多因素方差分析 |
| 5.2 横向驾驶行为影响因素分析 |
| 5.2.1 变道距离数据预处理 |
| 5.2.2 变道距离多因素方差分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录:CACC仿真车辆控制逻辑部分代码 |
（8）快速路入口匝道合流区交通流演变特性与仿真控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 数据提取综述 |
| §1.2.2 交通拥堵演化与三相交通理论综述 |
| §1.2.3 迟滞现象与非对称驾驶行为综述 |
| §1.2.4 交通仿真算法综述 |
| §1.3 研究内容 |
| §1.4 研究方法及技术路线 |
| §1.5 本章小结 |
| 第二章 数据采集与提取 |
| §2.1 调查地点与步骤 |
| §2.2 轨迹数据提取和处理 |
| §2.3 交通拥堵演变特征分析 |
| §2.4 本章小结 |
| 第三章 换道行为引起相变的微观诱因研究 |
| §3.1 识别振幅形成和传播的微观换道模型 |
| §3.2 换道行为诱发扰动的临界点研究 |
| §3.3 本章小结 |
| 第四章 跟驰行为下异质驾驶行为微观特征研究 |
| §4.1 驾驶行为识别与分析模型 |
| §4.1.1 Newell的跟驰模型 |
| §4.1.2 非对称行为分析模型 |
| §4.1.3 迟滞性行为分析模型 |
| §4.2 驾驶特性测量结果分析 |
| §4.2.1 非对称驾驶特征分析 |
| §4.2.2 迟滞性驾驶特征分析 |
| §4.3 改进的迟滞性模型构建 |
| §4.3.1 模型比较研究 |
| §4.3.2 新非对称性驾驶行为模型 |
| §4.3.3 迟滞性微观诱发机理分析 |
| §4.4 本章小结 |
| 第五章 关于三相交通理论的宏观验证分析 |
| §5.1 交通相的时空结构特征观察研究 |
| §5.2 临界基本假设的验证 |
| §5.3 基于三相交通理论的短时交通特征值预测 |
| §5.4 本章小结 |
| 第六章 基于深度残差网络的入口匝道联动控制与仿真 |
| §6.1 控制模型框架构建步骤 |
| §6.2 数据收集与处理 |
| §6.2.1 数据调查 |
| §6.2.2 数据预处理 |
| §6.2.3 数图转换 |
| §6.3 深度残差网络交通流特征数据预测模型训练 |
| §6.3.1 超参数设置 |
| §6.3.2 数据输入与初始化 |
| §6.3.3 深度残差网络层级配置 |
| §6.3.4 前向传播 |
| §6.3.5 反向传播及参数调优 |
| §6.4 入口匝道联动控制融合算法构建 |
| §6.4.1 ALINEA算法原理 |
| §6.4.2 入口匝道联动控制算法 |
| §6.4.3 预测误差分析 |
| §6.5 仿真分析与信息发布 |
| §6.5.1 仿真效果 |
| §6.5.2 信息发布 |
| §6.6 本章小结 |
| 第七章 论文研究成果与展望 |
| §7.1 主要研究成果 |
| §7.2 研究展望 |
| 参考文献 |
| 附录一 轨迹数据(节选) |
| 附录二 仿真平台搭建代码(节选) |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（9）车辆互联环境下瓶颈路段交通运行特性及通行能力研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆互联环境交通流研究现状 |
| 1.2.2 瓶颈路段交通流研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究目的与研究意义 |
| 1.4 研究内容与技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 瓶颈路段车辆行为分析 |
| 2.1 瓶颈路段定义 |
| 2.2 瓶颈路段交通组织流线分析 |
| 2.3 瓶颈路段跟驰行为分析 |
| 2.4 瓶颈路段换道行为分析 |
| 2.4.1 换道模型简介 |
| 2.4.2 换道过程分析 |
| 2.4.3 瓶颈路段换道方式分类 |
| 2.5 本章小结 |
| 第三章 车辆互联环境下瓶颈路段跟驰及换道特性分析 |
| 3.1 车辆互联环境与传统环境差异性分析 |
| 3.2 车辆互联环境下瓶颈路段跟驰行为分析 |
| 3.2.1 静态停车距离对比分析 |
| 3.2.2 饱和车流跟驰车头时距对比分析 |
| 3.2.3 车头时距分布模型 |
| 3.3 传统环境下瓶颈路段换道数据获取 |
| 3.3.1 调查地点的选取 |
| 3.3.2 调查时间 |
| 3.3.3 调查设备 |
| 3.3.4 实验方案 |
| 3.3.5 实验数据处理 |
| 3.4 车辆互联环境瓶颈路段换道数据获取 |
| 3.4.1 车辆互联环境模拟 |
| 3.4.2 实车试验准备 |
| 3.4.3 道路实车实验 |
| 3.5 不同换道间距对后车的影响分析 |
| 3.5.1 换道对后车影响分析 |
| 3.5.2 换道影响实测数据分析 |
| 3.5.3 换道影响模型 |
| 3.6 自由换道车头间距与时距分析 |
| 3.6.1 最小自由变道车头间距 |
| 3.6.2 最小自由变道车头时距 |
| 3.7 本章小结 |
| 第四章 车辆互联环境下瓶颈路段通行能力研究 |
| 4.1 瓶颈路段通行能力影响分析 |
| 4.1.1 道路通行能力分类 |
| 4.1.2 外车道强制变道对主线流量影响分析 |
| 4.1.3 外车道强制变道对通行能力影响分析 |
| 4.2 瓶颈路段通行能力模型构建 |
| 4.2.1 瓶颈路段通行能力计算方法 |
| 4.2.2 传统环境下模型计算值 |
| 4.2.3 车辆互联环境模型计算值 |
| 4.2.4 车辆互联环境与传统环境通行能力对比分析 |
| 4.3 本章小结 |
| 第五章 车辆互联环境下瓶颈路段仿真分析 |
| 5.1 微观仿真软件选取 |
| 5.2 基本仿真模型建立 |
| 5.2.1 微观仿真模型参数标定 |
| 5.2.2 基于C~#二次开发Vissim仿真平台搭建 |
| 5.3 瓶颈路段车速引导模型 |
| 5.3.1 车速引导模型概述 |
| 5.3.2 车速引导模型功能 |
| 5.3.3 车速引导距离确定 |
| 5.4 瓶颈路段拥堵-消散研究 |
| 5.4.1 瓶颈路段拥堵-消散机理分析 |
| 5.4.2 传统环境下的拥堵-消散分析 |
| 5.4.3 车辆互联环境车速引导下的拥堵-消散分析 |
| 5.5 车辆互联环境与传统环境交通运行效率对比分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.1.1 主要成果和结论 |
| 6.1.2 主要创新点 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在校发表的论着与参与的科研工作 |
| 附录 A:二次开发关键代码 |
| 附录 B:部分调查记录表格(样表) |
（10）考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 章节组织 |
| 1.5 课题来源 |
| 第二章 国内外研究现状 |
| 2.1 城市道路交织区运行特性 |
| 2.1.1 交织区几何特性 |
| 2.1.2 交织区交通流运行特性 |
| 2.1.3 交织区车辆行为特性 |
| 2.2 交织区交通安全分析 |
| 2.2.1 静态安全特性 |
| 2.2.2 动态安全特性 |
| 2.3 交织区仿真研究 |
| 2.3.1 元胞自动机 |
| 2.3.2 其它仿真工具 |
| 2.4 城市干线交织区控制策略研究 |
| 2.4.1 匝道控制 |
| 2.4.2 主线控制 |
| 2.4.3 交织区综合协同控制 |
| 2.5 小结 |
| 第三章 数据提取及特性分析 |
| 3.1 数据采集 |
| 3.1.1 复杂交织区现状 |
| 3.1.2 数据采集结果 |
| 3.2 基于多尺度KCF算法的车辆行为信息提取 |
| 3.2.1 多尺度KCF算法简介 |
| 3.2.2 交通流信息提取 |
| 3.2.3 车辆行驶行为信息提取 |
| 3.3 交织区交通运行特性分析 |
| 3.3.1 交通流特性分析 |
| 3.3.2 车辆行为特性分析 |
| 3.4 本章小结 |
| 第四章 车辆跟驰行为建模 |
| 4.1 元胞自动机简介 |
| 4.1.1 元胞自动机的构成 |
| 4.1.2 元胞自动机交通流模型 |
| 4.2 分区建模 |
| 4.2.1 模型分区设置 |
| 4.2.2 模型框架 |
| 4.3 模型变量与边界条件 |
| 4.3.1 模型变量 |
| 4.3.2 边界条件 |
| 4.4 跟驰行为建模 |
| 4.4.1 元胞模型精细化设置 |
| 4.4.2 加速行为建模 |
| 4.4.3 匀速行为建模 |
| 4.4.4 减速行为建模 |
| 4.5 本章小结 |
| 第五章 车辆换道行为建模 |
| 5.1 换道模型框架 |
| 5.2 上下游换道行为建模 |
| 5.2.1 车辆换道动机 |
| 5.2.2 换道间距条件 |
| 5.2.3 换道概率条件 |
| 5.2.4 速度位置更新 |
| 5.3 交织影响区双层换道决策模型 |
| 5.3.1 换道决策模型框架 |
| 5.3.2 车辆换道动机 |
| 5.3.3 换道时机决策 |
| 5.3.4 换道概率决策 |
| 5.3.5 速度位置更新 |
| 5.4 本章小结 |
| 第六章 数值模拟与分析 |
| 6.1 参数标定与设置 |
| 6.2 交通参数计算 |
| 6.3 分区建模效果分析 |
| 6.3.1 基本图分析 |
| 6.3.2 时空轨迹图分析 |
| 6.3.3 小结 |
| 6.4 换道规律分析 |
| 6.4.1 换道次数验证 |
| 6.4.2 换道分布分析 |
| 6.4.3 小结 |
| 6.5 限速值与到达率对换道行为的影响 |
| 6.5.1 限速值对换道次数的影响 |
| 6.5.2 到达率对换道次数的影响 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.1.1 主要结论 |
| 7.1.2 论文创新点 |
| 7.2 展望 |
| 致谢 |
| 附录 |
| 附录1 多尺度KCF优化跟踪算法C++代码 |
| 附录2 轨迹数据提取MATLAB代码 |
| 附录3 双层换道决策模型Mat Lab代码 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
四、基于驾驶行为分析的交通流中车辆跟驰建模与仿真（论文参考文献）
- [1]高速公路下的拟人化自主车道变换算法研究[D]. 赵伟光. 吉林大学, 2021(01)
- [2]智能网联环境下快速路合流区车辆协作控制研究[D]. 闫红日. 吉林大学, 2021(01)
- [3]基于智能网联车辆可控性的高速公路与城市道路混合交通流主动控制方法 ——以高速公路长路段和城市信号交叉口为例[D]. 吴霞. 长安大学, 2020(06)
- [4]基于深度跟驰网络的驾驶行为特性分析[D]. 许倩. 西安科技大学, 2020(01)
- [5]面向混合交通流的智能网联汽车换道策略研究与实现[D]. 王振. 长安大学, 2020(06)
- [6]高速公路智能网联汽车下匝道换道控制与评价研究[D]. 董长印. 东南大学, 2020
- [7]基于VISSIM仿真的协同自适应巡航控制（CACC）对驾驶行为的影响研究[D]. 刘源. 东南大学, 2020(01)
- [8]快速路入口匝道合流区交通流演变特性与仿真控制研究[D]. 彭国庆. 桂林电子科技大学, 2020(04)
- [9]车辆互联环境下瓶颈路段交通运行特性及通行能力研究[D]. 莫江春. 重庆交通大学, 2020(01)
- [10]考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析[D]. 谢济铭. 重庆交通大学, 2020(01)