面向网联自动驾驶车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Human Driven Vehicle,HDV)混行的交通模式,研究部署自动驾驶专用车道(Lanes for Connected and Automated Vehicles,CAVL)环境下的混合交通网络均衡演变规律。考虑CAV在通行能力、时间价值和节能方面的优势,建立了面向不同属性车道的车辆出行成本计算函数,克服了传统BPR函数无法表征CAV特性的问题;提出了面向混合交通流的车道管理策略,并建立了路段交通量分配模型,为混合交通流下的道路通行能力计算提供了基础。假定CAV受中央系统调控而遵循系统最优的路径选择原则,而HDV用户根据自身驾驶经验而遵循用户最优的路径选择原则,基于此构建了CAVL环境下的混合交通均衡模型,并运用改进的连续平均法求解该模型。数值分析结果表明:同时考虑CAV对道路通行能力和用户时间价值的效益,CAV渗透率达到40%时,出行时间成本降低12%。同时发现CAVL与通用车道的设计速度相同时,当渗透率大于31%,部署CAVL才能降低时间成本。通过Nguyen-Dupuis网络测试分析发现:由于CAV行驶稳定和CAVL的优势,为达到系统最优,CAV流量主要沿CAVL路段流动;当交通需求分别为7 000 veh·h-1和15 000 veh·h-1时,CAV渗透率由20%增大至60%,系统成本分别降低4.12%和46.38%。研究成果为深度刻画混合交通网络流量分配奠定了基础,也为自动驾驶专用车道的优化部署提供了理论指导。
为了解决因设备长期失修造成的数据大量缺失和传统数据修复方法无法表示上下文时空关系以及不规则时序特征的问题,提出一种时空生成对抗变分自编码网络(Spatiotemporal Variational Autoencoder with W-Generative Adversarial Network-GP,SVAE-WGANGP),用以恢复地点车速数据质量。该方法以生成对抗变分自编码网络为模型基本框架,直接学习自然缺失数据集的概率分布;基于改进时空信息单元的变分自编码生成网络提取数据在缺失模式下的隐式不规则时序特征与显式上下文时空相互依赖信息;利用对抗训练策略(Wasserstein GAN with Gradient Penalty,WGAN-GP)优化深度全连接判别网络,以获得最优重构数据。借助乌鲁木齐市某路网46天实际卡口地点车速实例验证模型合理性,结果表明:与其他6个基准模型的评估指标均值相比,PMCR机制下,所提方法的均方根误差(RMSE)和平均绝对误差(MAE)降低幅度分别在0.794~0.332和0.899~0.321,决定系数R2升高幅度在3.175%~60.918%;LMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.600~0.222和0.773~0.208,R2平均升高幅度在4.681%~91.518%;BMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.212~0.625和0.269~0.715,R2平均升高幅度在5.309%~49.671%。SVAE-WGANGP在恢复不同缺失机制下的路网地点车速数据质量时具备较优精确性和良好普适性,交通时空信息和不规则时序特征对该模型的数据质量恢复性能具有一定贡献性。此外,在BMR机制下,SVAE-WGANGP的运算耗时均值较VAE-GAN的均值降低0.421 s,与其他5个基准模型相比,增长幅度在0.155~12.518 s。从整体来看,该方法在恢复数据时具有较高的时效性。