[發明專利]一種基于CP-CNN的近信號區混合車群CAV引導控制方法

在審

• 申請號: 202211570329.2
• 申請日: 2022-12-08
• 公開（公告）號: CN115909743A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 孫棣華;趙敏;田雨聃
• 申請（專利權）人: 重慶大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/0464;G06N3/08;G06N3/006
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 張瑾

1.一種基于CP-CNN的近信號區混合車群CAV引導控制方法，其特征在于，包括：

步驟1：獲取三車道近信號區內混合異質車群的單車數據，將單車物理特征信息映射到多維特征圖，構建模型數據集；

步驟2：基于卷積神經網絡構建混合車群宏觀車流預測模型CP-CNN，并對模型進行訓練；

步驟3：根據近信號區信號燈與實時交通狀態，構建混合車群動態優化目標；

步驟4：設計混合交通近信號區下基于CP-CNN的近信號區混合車群CAV引導控制方法；

步驟5：設計基于粒子群優化算法的可變限速值尋優策略。

2.根據權利要求1所述的基于CP-CNN的近信號區混合車群CAV引導控制方法，其特征在于，所述步驟1包括：

步驟11：選定長度為L的近信號區路段s，獲取t時刻路段s內車輛n₁,n₂,...,n_k的物理特征信息，所述物理特征信息包含車輛信息、車輛位置信息和運動狀態信息，其中，所述車輛信息包括車輛id、車輛類型p，其用以區分人駕車HV和網聯自動車CAV；所述車輛的位置信息包括所屬車道c、車道縱向位置x(車頭位置)；所述運動狀態信息包括速度v、加速度a、偏航角h、目標轉向車道td；

步驟12：根據t時刻路段s內的單車數據，將路段s劃分為c×m個單元，c為車道的數量，m為每條車道劃分的單元數量，確定每條車道單個單元劃分的長度l_min，用公式表示為：

式中，L代表路段s的長度；

步驟13：確定每一條車道每輛車插入的單元位置，具體的操作為先構建c×m×f的特征矩陣，f為特征層的數量，然后根據車輛在路段中的相對位置將車輛的物理特征信息插入到對應的單元中，對于每一條車道，每輛車插入的單元位置的計算公式為：

式中，m_i和m_i′表示插入特征矩陣中橫向位置的范圍，即，m_i′表示插入的起始位置，m_i表示插入的終止位置，x_j為第j輛車的縱向位置，s_min為路段s的初始位置，l_j為第j輛車的長度，“[·]”表示取整函數；

步驟14：選取τ作為時間間隔，將選定控制時間T內所有時刻構建的特征矩陣作為卷積神經網絡輸入，表示為：

X＝[M₁,M₂,M₃,…,M_n]

式中，M_t為時刻t的車群特征矩陣，n為時間T內獲取的數據量，即CNN模型輸入的訓練集數據大小。

3.根據權利要求1所述的基于CP-CNN的近信號區混合車群CAV引導控制方法，其特征在于，所述步驟2包括：

步驟21：選取t+τ時刻，近信號區引道內平均車流量作為訓練標簽，搭建CNN深度網絡；

步驟22：對構建的t時刻路段s的多維特征圖進行標準化處理，輸入到CNN模型中進行訓練，其中，數據標準化的公式為：

式中，f_i^*為標準化的數據，f_i為樣本i中的需要進行標準化的特征值，f_min為需要進行標準化的特征值的最小值，f_max為需要進行標準化的特征值的最大值；

步驟23：經過多次卷積和池化后，經過全連接層輸出，完成模型的訓練，CP-CNN模型輸出為預測出的t+τ時刻近信號區引道內平均車流量q。