考虑时延速度差和限速信息的智能网联车跟驰模型

针对由于驾驶员对于道路限速和时延信息获取的不确定性而引起的跟驰行为受扰和交通流失稳等问题,提出了一种车联网（IoV）环境下考虑时延速度差和限速信息的跟驰模型TD-VDVL。首先,引入时延导致的速度变化量和道路限速信息对全速差（FVD）模型进行改进;然后,利用线性谱波微扰法推导出TD-VDVL模型的交通流稳定性判断依据,并分析模型中各参数对系统稳定性的影响;最后,利用Matlab进行数值仿真实验与对比分析。仿真实验中,分别选取在笔直道路和环形道路,给行驶过程中的车队施加轻微扰动。当条件一致时,TD-VDVL模型比优化速度（OV）、FVD模型中车队的速度波动率和车头间距起伏均小,尤其是当限速信息的敏感系数取0.3、时延速度差的敏感系数取0.3时,所提模型的车队速度平均波动率在时间500 s时可以达到2.35%,车头间距波峰波谷差仅为0.019 4 m。实验结果表明,TD-VDVL模型在引入时延速差和限速信息后,具备更优的稳定区域,能够明显增强跟驰车队吸收扰动的能力。     

考虑后视效应和多前车信息的跟驰模型

网联车跟驰模型的研究可为未来实施大规模的实地测试提供模型参考,已成为交通流及智能交通领域的研究热点.为了更好地研究智能网联车的跟驰特性,在MVD模型的基础上,提出了一种考虑后视效应和多前车信息的跟驰模型(BL-MVDAM),利用线性稳定性分析方法推导出BL-MVDAM模型的交通流稳定性判断依据,并分别分析了模型中各参数对系统稳定性的影响,给出分析结果并进行了数值仿真实验.仿真实验选取在环形道路上给行驶过程中的车队施加轻微扰动,并根据跟驰车对后车的关注程度P和前车数量k设计数值模拟实验,当其他条件一致时,本文模型相比FVD,MVD,OMVC和BLVD模型,BL-MVDAM模型中车队的速度波动率较小,尤其是当P=0.8,k=3 时,车队速度平均波动率最小可以达0.24％,实验分析结果表明,所提出模型在引入后视效应和多前车信息后,具备更优的稳定区域,能较好地吸收扰动且有利于增强车队行驶的稳定性.     

考虑后视和多前车信息反馈的车辆跟驰模型

为改进车联网环境下车辆跟驰模型的稳定性,在经典OVCM模型基础上考虑后视效应、多前车速度差和多前车最优速度记忆综合信息对交通流稳定性能的影响,提出一种基于后视和多前车信息反馈的扩展车辆跟驰模型。根据线性稳定性分析法得出模型的中性稳定性判断条件,并进行数值仿真实验与分析。实验结果表明,在扰动初始条件设置一致下,所提模型相比于OV、FVD、OVCM模型,交通流稳定区域增大,速度波动幅度减小,特别是考虑的前车数k、后视敏感系数λi和记忆效应敏感系数γi取值为k=3,λi=［0.2,0.15,0.1］,γi=［0.1,0.08,0.06］时,车辆的平均速度波动率低于0.1%,由此说明,所提模型能有效减少扰动影响,增强交通流的稳态保持。