论文部分内容阅读
随着经济发展,机动车数量急剧增加,交通拥堵问题日益严重。而车联网技术的出现使驾驶员可以准确掌握邻近多车的行驶信息,这为提高交通流的稳定性、缓解交通拥堵带来了新的机遇。车辆跟驰作为最基本的微观驾驶行为,是交通流理论研究的基础,普通车辆的跟驰模型研究虽然已较为成熟,却并不能准确描述车联网环境下的跟驰行为及其对宏观交通流所产生的影响。本文以现有的跟驰模型为基础,构建了车联网环境下的跟驰模型,并对模型进行了稳定性分析和仿真验证。论文主要工作如下:(1)基于BLVD(Backward Looking and Velocity Difference)模型和OVCM(Optimal Velocity Changes with Memory)模型,同时考虑到利用车-车通信可以准确获取多前车的行驶信息,提出了基于后视和多前车最优速度记忆(Backward Looking and Multi-preceding Vehicles’Optimal Velocity Changes with Memory,BL-MOVCM)跟驰模型。(2)采用线性稳定性分析,得出跟驰模型的中性稳定条件;通过非线性分析,推导出mKdV(modified Kortewege-de-Vries)方程,描述在临界点附近的密度波稳定性特征。据此划分出模型的稳定、亚稳定和不稳定区域,并与传统的FVD(Full Velocity Difference)模型、BLVD模型和OVCM模型进行对比,结果显示BL-MOVCM模型的稳定区域有明显增大。(3)通过仿真,对比了BL-MOVCM模型、OVCM模型、BLVD模型和FVD模型在车队启动、停止和扰动演化过程中的稳定性表现,验证了理论分析的正确性。并且对网联车和普通车构成的混合交通流特性进行了仿真分析,结果表明,随着车联网渗透率的增加,交通流的稳定性得到逐步改善。综上所述,理论分析和仿真实验均表明,借助车-车通信技术,考虑后视和多前车最优速度记忆的综合效应后,有利于提高交通流的稳定性,缓解和抑制交通拥堵。研究结果对车联网环境下交通控制策略的制定具有理论指导意义。