当前位置：首页>自动驾驶>UBLL文章推荐|基于自动驾驶数据集的智能网联环境下混合交通流特性评估

UBLL文章推荐|基于自动驾驶数据集的智能网联环境下混合交通流特性评估

2026-04-16 02:35:16

Urban Lifeline（城市生命线 / UBLL）是由东南大学主办的开放获取国际学术期刊。本期推荐文章为“Evaluating the characteristics of mixed traffic flow under the intelligent connected environment based on autonomous driving dataset”，该文章已在全球学术出版机构Springer Nature在线平台正式上线。欢迎广大读者扫码或点击文末“阅读原文”或浏览期刊主页，免费阅读、引用或下载原版文章。

引用格式：

Hu, Y., Shan, X. & Wan, C. Evaluating the characteristics of mixed traffic flow under the intelligent connected environment based on autonomous driving dataset. Urban Lifeline 4, 1 (2026). https://doi.org/10.1007/s44285-025-00058-z

特别说明

本刊对所有稿件都将进行快速、细致的同行评审。被接收稿件将由施普林格•自然集团以开放获取模式出版，目前作者无需支付出版费用（APC）。

全文速览

论文标题

Evaluating the characteristics of mixed traffic flow under the intelligent connected environment based on autonomous driving dataset

基于自动驾驶数据集的智能网联环境下混合交通流特性评估

作者信息

Ying Hu

College of Civil and Transportation Engineering, Hohai University, Nanjing, China

Xiaonian Shan

College of Civil and Transportation Engineering, Hohai University, Nanjing, China

Changxin Wan

College of Civil and Transportation Engineering, Hohai University, Nanjing, China

关键词

Connected and automated vehicle 网联自动驾驶车辆

Heterogeneous traffic flow 异质交通流

Car-following model 跟驰模型

Fundamental diagram 基本图

Penetration rate 渗透率

文章摘要

混合交通流由人类驾驶车辆（HDV）和网联自动驾驶车辆（CAV）组成，预计将在未来道路中占主导地位。本研究在智能网联环境下建立了一种异质交通流模型，分析在不同CAV渗透率下的宏观特性，包括通行能力、临界密度和基本图。考虑了三种跟驰模式：HDV跟随HDV、HDV跟随CAV、CAV跟随CAV，分别采用智能驾驶模型（IDM）、自适应巡航控制（ACC）和协同自适应巡航控制（CACC）建模。基于公开的自动驾驶数据集，采用遗传算法对模型参数进行标定。标定结果表明模型具有高预测精度：IDM的距离和速度平均绝对百分比误差分别为0.009%和2.37%，ACC为0.27%和3.67%，CACC接近零误差。基本图分析表明，CAV渗透率的提高显著提升了交通流效率、增强了稳定性并缓解了拥堵。研究结果为优化混合交通运行和智能网联交通系统的发展提供了理论指导。

文章介绍

研究背景

随着网联自动驾驶车辆（CAVs）技术的快速发展，未来道路交通将长期处于人类驾驶车辆（HDVs）与CAVs共存的混合交通流状态。现有研究多基于简化假设或仿真场景，缺乏对真实驾驶数据的参数标定，且对CAV渗透率变化的宏观影响分析不够系统。因此，本研究基于真实自动驾驶数据集，构建混合交通流模型，评估不同CAV渗透率下的交通效率与稳定性。

研究内容

步骤一：定义三种跟驰模式

本研究首先对混合交通流中的跟驰行为进行了系统分类。如图1所示，根据前车与后车的类型组合，混合交通流中主要存在三种跟驰模式：人类驾驶跟驰模式（Human-Driven Car-Following Mode）、自适应巡航控制模式（Adaptive Cruise Control Mode, ACC）和协同自适应巡航控制模式（Cooperative Adaptive Cruise Control Mode, CACC）。其中，人类驾驶跟驰模式适用于HDV跟随任意类型前车的情形。ACC模式适用于CAV跟随HDV的情形。CACC模式适用于CAV跟随CAV的情形。

图1 混合交通流中跟驰模式分类

步骤二：数据提取、去噪与参数标定

本研究基于Waymo公开数据集提取了不同跟驰模式下的车辆轨迹片段。在标定前，采用卡尔曼滤波（Kalman filtering）对轨迹数据进行去噪处理，有效消除了测量噪声对轨迹平滑性的干扰。将70%的数据用于模型标定，30%用于验证，采用遗传算法（Genetic Algorithm, GA）对IDM、ACC和CACC三种模型的参数进行优化求解，以平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）作为评价指标。图2展示了三种跟驰模式的标定结果，表1汇总了参数标定的具体数值和误差分析。标定结果显示，IDM模型在距离和速度预测上的MAPE分别为0.009%和2.37%，ACC模型分别为0.27%和3.67%，而CACC模型取得了接近零的预测误差。

图2 三种跟驰模式的标定结果

表1 跟驰模型参数标定结果

步骤三：构建混合交通流基本图模型

在获得三种跟驰模式的标定参数后，本研究进一步推导了混合交通流的基本图表达式。首先，基于平衡状态假设（速度差和加速度导数为零），推导出三种跟驰模式下的平衡车头间距表达式。设CAV渗透率为p，则HDV比例为1-p 。根据车辆类型的随机组合概率，三种跟驰模式的发生概率分别为：人类驾驶模式P_H= 1-p，ACC模式P_CH = p(1-p)，CACC模式P_CC = p²。基于加权平均方法，得到混合交通流的平均车头间距，进而推导出交通密度k和交通流量Q的解析表达式。这些表达式建立了微观跟驰行为与宏观交通流特性之间的定量联系。

步骤四：仿真分析与基本图绘制

基于所建立的基本图模型，本研究利用MATLAB平台对不同CAV渗透率（0%、25%、50%、75%、100%）下的混合交通流特性进行了仿真分析，重点考察了Q-V（流量-速度）、K-V（密度-速度）和Q-K（流量-密度）三类基本图关系。图3展示了Q-K关系（流量-密度）的仿真结果。分析表明，随着CAV渗透率的提高，相同密度对应的交通流量显著上升，临界密度和道路通行能力均得到大幅提升。当CAV渗透率达到100%时，最大交通流量达到4130辆/小时，临界密度达到31.87辆/公里，对应速度为37 m/s。这一结果说明，CAV通过协同跟驰和实时信息共享，有效抑制了速度波动和“走走停停波”，使得交通系统能够在更高密度下维持稳定高效的运行状态。相比之下，传统交通流在高密度条件下容易出现拥堵和流量下降的现象。

图3 不同CAV渗透率下的Q-K关系（流量-密度）

研究结论

第一，高精度建模。基于Waymo真实驾驶数据，采用遗传算法标定的IDM、ACC和CACC三种跟驰模型，在速度和距离预测上的平均绝对百分比误差（MAPE）均低于4%。其中，CACC模型表现最优，实现了接近零的预测误差。这验证了基于真实数据标定和V2V通信协同控制的有效性。

第二，CAV提升交通效率。随着CAV渗透率的提高，混合交通流的流量、速度、密度和通行能力均显著提升。当CAV渗透率达到100%时，最大通行能力达到4130辆/小时，临界密度达到31.87辆/公里，对应速度为37 m/s。这表明CAV的引入能够显著提升道路资源的利用效率。

第三，增强交通稳定性。CAV通过协同控制机制，实时共享速度和加速度信息，能够预判交通流变化并提前调整驾驶行为，从而有效抑制速度波动和“走走停停波”的传播。这种协同行为改善了混合交通流的稳定性，降低了拥堵发生的风险。

第四，理论与实践指导。 本研究建立的混合交通流基本图模型和参数标定框架，为智能网联环境下的交通流优化控制、车道管理策略以及CAV专用道部署等工程实践提供了理论依据和方法支持。

欢迎广大读者扫码阅读全文。

DOI：

https://doi.org/10.1007/s44285-025-00058-z

期刊简介

Urban Lifeline是由东南大学主办的开放获取国际学术期刊。本刊是全球第一本专门聚焦城市生命线工程、全面覆盖城市生命线诸多场景、并融合智慧信息技术的学术期刊。本刊致力于建立跨学科的前沿学术交流平台，主要刊发城市生命线工程安全韧性、健康智慧、低碳耐久等方向的高质量研究论文、综述论文和案例研究，促进城市生命线领域国内外科研人员的学术交流。