随着城市经济的不断发展,机动车保有量呈指数增长。汽车给人们提供出行便利的同时,也给城市道路造成了巨大的交通压力,提高交叉口通行效率成为缓解交通拥堵的关键手段。然而,传统的交叉口信号控制模式单一,实时性和鲁棒性较差。此外,大多信息获取手段依赖于线圈等故障率较高且数据单一的采集装置,这使制定合理的信号配时方案难度较大。网联车和车路协同技术的发展,为棘手的交通拥堵问题提供了新的解决思路和控制手段。本文基于网联车和车路协同系统,对混合交通环境下的交叉口信息感知模型和信号控制方案进行了研究。目的在于利用先进的感知技术实现高效率的流量控制,提高交叉口通行效率。本文的主要研究内容如下:(1)基于部分网联车数据实现交叉口实时信息感知:以网联车在交叉口的到达和停车数据为依据,分别以集结波理论和GRU神经网络建立感知模型,设置权重系数综合分析感知结果以确定实时排队长度。(2)基于强化学习算法实现交叉口自适应信号控制:以各进口道实时排队长度为状态集,以是否转换相位为动作集,以交叉口平均停车时间为奖励信号建立学习模型;通过信号控制机与交叉口环境之间的不断交互学习,确定最佳自适应信号控制方案。(3)搭建Vissim-Matlab联合仿真平台实现模型验证:利用交通仿真软件Vissim和Matlab模拟车路协同环境,分别对信息感知模型和信号控制模型实现仿真验证。本文信息感知模型经验证分析,表明该模型在不同装配率下都具有较高的预测精度,且精度随装配率的增加而提高。将本文基于强化学习算法的自适应控制模型与多时段固定配时方案的控制效果对比可知,本文所提自适应模型的通行效率与控制性能更高,在流量较大的高峰时段效果更为明显。综上,在网联车与非网联车同时存在的混合交通环境下,本文所提的感知与控制模型具有较大的适用空间,可有效提高交叉口通行效率,可在一定程度上缓解城市交通压力。