智能网联混行环境下交叉口时空资源配置优化

在网联自动车辆（CAVs）与人工驾驶车辆混行环境下,构建混合整数线性规划（MILP）模型,以优化交叉口时空资源配置. 该模型以交叉口通行能力最大化为目标,约束条件主要包括车道渠化、流量分配和信号配时等相关约束. 以典型四车道十字交叉口为例,在网联自动车不同驾驶行为和不同渗透比例的条件下,优化交叉口渠化方案和信号配时方案. 结果表明,随着网联自动车占比和跟驰行为的改变,交叉口最优渠化方案和信号配时方案须相应调整. 网联自动车占比增大和跟车时距减小,均有利于提高交叉口的通行能力,且当网联自动车跟车时距不受前车类型的影响时,交叉口通行能力提高更多.     

城市区域电动汽车充电设施配置优化

综合考虑公共充电设施与私人充电设施特性,根据行程时间、排队时间、等待时间、充电费用等计算车辆充电成本. 采用Logit模型刻画用户的充电设施选择行为,得到各交通小区到各公共充电站、私人充电桩的出行分布量. 以充电总成本最小化为目标,建立城市区域充电设施网络配置优化模型,设计充电设施的布局位置和容量;所得模型为非线性优化模型,可采用现有的求解器（如：Matlab优化工具箱中的相关函数）直接进行求解. 基于杭州市区内的局部路网构建2套算例,来验证提出的充电设施配置优化方法的可行性,并讨论研究区域内外公共充电设施与私人充电设施之间的交互影响. 算例结果显示：所建立的模型可为城市电动汽车充电设施的选址布局和容量设计提供定量决策参考.     

自动车轨迹优化以实现分转向车流串联交叉口控制

在全自动驾驶环境中,采用控制网联自动车（CAVs）行驶轨迹的方法来完成分转向车流的串联排列,从而实现信号交叉口处车流的串联控制以提高通行效率. 自动车行驶轨迹控制过程主要包括：不同转向车流在纵向行驶方向上实现前后分离、同一转向车辆在所有车道上实现横向均匀分布. 给定上游来车分布及转向信息,自动车轨迹精确计算过程如下：通过一系列规则确定各自动车在交通流中的相对位置演变过程,直到分转向车流串联排列成型;基于车辆纵横向动力学模型,计算车辆相对位置演变过程中每一步所需时间;从初始状态开始整合形成每辆自动车的行驶轨迹. 算例表明,通过自动车的轨迹控制可以实现分转向车流的串联排列,且轨迹计算速度较快,可以用于车流实时控制.