1.本发明涉及交通管控领域，具体为一种入口匝道网联人工驾驶车辆汇入主线协同控制方法。
背景技术：2.在现有的交通体系中，由于城市的汽车保有量较大，在一些主要路段容易形成交通堵塞，所以在交通体系建设过程中，高架路或快速路作为重要的组成部分极大的缓解交通拥挤或堵塞的问题。
3.但是，不得不承认的是，由于车辆在进入到快速路的过程中存在并线问题，在车流量较大的情况下，如果不加以引导，容易发生剐蹭等事故，不利于道路的通畅性，现实情况中往往是司机根据经验或者驾驶技术进行并线，这种风险比较大，也对司机的驾驶要求较高。为此，我们提供一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，用以对匝道汇入主线的操作进行策略引导。
技术实现要素：4.本发明的目的在于提供了一种入口匝道网联人工驾驶车辆汇入主线协同控制方法。
5.本发明所解决的技术问题为：如何对匝道车辆进行策略生成，引导车辆安全有序的汇入到主线的问题。
6.本发明可以通过以下技术方案实现：一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，包括如下步骤：
7.步骤一：设置数据采集设备和数据计算设备，与互联网地图app建立指令和数据传输通道；
8.步骤二：根据历史数据，建立并训练短时车头时距预测模型；
9.步骤三：根据构建的短时车头时距预测模型得出预测车头时距集合；
10.步骤四：按照预测的车头时距集合，对合流区中每个可汇入间隙允许汇入的车辆规模进行分析，从而得出每个可汇入间隙允许汇入的车辆数；
11.步骤五：结合步骤四中输出的多个允许汇入的车辆规模和高精地图上匝道车辆的实时位置数据，对匝道车辆实施不同引导策略，使其顺利汇入主线。
12.本发明的进一步技术改进在于：所述步骤一中，数据采集设备包括多目标雷达和高清视频采集装置，在主线、合流点和入口匝道位置采集匝道和主线车辆的动态行驶数据，动态行驶数据包括流量、车速和车头时距，匝道入口安装路侧计算单元并建立其与互联网地图app的网络通信，为后续引导策略中数据和指令传输提供通信通道。
13.本发明的进一步技术改进在于：所述步骤三中的短时车头时距预测模型是基于熵的灰色关联分析和时间卷积网络进行构建，该模型通过对预测车头时距与历史车头时距之间的灰色关联等级的值进行计算，从而得出短时车头时距预测模型输出的预测车头时距集
合。
14.本发明的进一步技术改进在于：所述步骤四中在对每个可汇入间隙允许汇入的车辆规模m进行分析时，需要主线外侧车道上的车头时距满足以下条件：
15.tc+(m-1)tf≤th≤tc+mtf；
16.在满足上述条件后，得出匝道上有m辆车允许汇入主线上的一个可汇入间隙。
17.本发明的进一步技术改进在于：步骤五中所述的不同引导策略包括单车引导策略和车辆编组引导策略，当主线上每一个可汇入间隙允许汇入的车辆数为1时，则采用单车引导策略，当主线上每一个可汇入间隙允许汇入的车辆数大于1时，采用车辆编组引导策略。
18.本发明的进一步技术改进在于：所述单车引导策略包括单车加速引导策略和单车减速引导策略，使车辆匀加速或匀减速到期望速度，然后以匀速行驶的方式行驶至合流区，计算变速阶段和匀速阶段行驶的总时长，并将其与任一个可汇入间隙的时间长度进行比较，总时长不超过可汇入间隙的时间长度时，对应车辆可成功汇入主线；反之则无法汇入主线，此时不实施单车引导策略。
19.本发明的进一步技术改进在于：所述车辆编组引导策略中需要先对匝道车辆进行编组操作，使用全速度差跟驰模型对待编组后车进行跟驰引导，给予待编组车辆引导加速度，使其与头车形成编组车队。
20.本发明的进一步技术改进在于：在车辆编组引导策略中，计算车辆编组成功所用时长和编组成功后从匝道匀速行驶至合流区所用时长的总时长，并将其与任一个可汇入间隙的时间长度进行比较，总时长不超过可汇入间隙的时间长度时，对应车辆编组可成功汇入主线；反之则以编组形式无法汇入主线，此时，不实施车辆编组引导策略，实施单车引导策略。
21.与现有技术相比，本发明具备以下有益效果：
22.1、利用现有的数据采集设备和计算设备，使引导系统与互联网地图app关联，使策略生成和指令传达成为可能；对主线上的车辆的车头时距进行数据采集和预测，从而得出主线上存在的可汇入间隙以及能够允许汇入的车辆规模，为后续引导提供准确的数据支撑，便于后续引导策略的生成和实际运用。
23.2、通过引导策略对匝道上的车辆进行精确引导，向驾驶员发布其在匝道上的行驶操作指令，包括加减速操作和匀速操作，进而使车辆汇入引导策略中预定的可汇入间隙，保证了车辆成功汇入主线的成功率和安全性，进而保证了整个道路交通的持续性和高效通勤能力。
附图说明
24.为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
25.图1为本发明的控制方法流程示意图；
26.图2为本发明的车辆编组汇入主线状态示意图。
具体实施方式
27.为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
28.请参阅图1-2所示，一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，包括如下步骤：
29.步骤一：在主线、合流点前后和入口匝道上安装多目标雷达、高清视频采集装置采集主线和匝道车辆运行轨迹数据，实现匝道和主线车辆的流量、密度、车速、车头时距等交通运行动态信息的实时精准感知；在匝道入口安装路侧计算单元，为前端各种算法提供算力支持，对匝道和合流点前后200米采集车道级高精度地图数据，路侧计算单元与互联网地图app进行指令和数据双向互通；
30.步骤二：根据主线车辆的轨迹数据，路侧计算单元对合流区的车头时距进行短时预测，具体包括构建eb-gra-tcn模型，所谓eb-gra-tcn表示短时车头时距预测模型，该模型包括基于熵的灰色关联分析和时间卷积网络tcn；
31.其中涉及基于熵的灰色关联分析的车头时距最优滞后步长选取过程如下：
32.(1)设待预测的车头时距时序数据为其中，代表第k辆车在t+j时刻的车头时距，j为预测步长，j＝(1，2，...，m)；
33.假设的值与t时刻前i个时间步长的历史车头时距相关，则令t时刻前i个时间步长的历史车头时距的时序数据为步长的历史车头时距的时序数据为其中，i为滞后步长，i＝(1，2，...，τ)；
34.(2)计算灰色关联系数：和之间的灰色关联系数为：
[0035][0036]
其中，ζ为分辨系数，且ζ∈[0，1]；
[0037]
(3)计算灰色关联密度：
[0038][0039]
(4)计算灰色关联熵：
[0040][0041]
其中，e(t，i)∈[0，1]，ln(m)为最大灰熵值。
[0042]
(5)计算灰色关联等级(grg)：grg代表预测车头时距与历史车头时距数据之间的相关性，所计算得到的值越大，代表两者之间的相关性越高，对应的计算方式如下：
[0043][0044]
(6)最优滞后步长为τ
best
为grg值最高的数据所对应的步长，则短时车头时距预测模型的输出数据为
[0045]
其中，短时车头时距预测基于时间卷积网络tcn的架构，该架构包括三个部分：因果卷积、扩张卷积和残差连接；
[0046]
因果卷积：为了使卷积神经网络具备处理时序数据的结构，tcn采用因果卷积架构
方法，因果卷积具备两个特性：(1)不存在信息泄露，即未来的卷积结果只与历史观测数据相关；(2)因果卷积层堆积越深，表明对历史数据的追溯越久远。
[0047]
扩张卷积：
[0048]
随着对历史追溯长度的增加，需要加深网络深度，增加模型参数及复杂度。因此，tcn在网络架构中引入了空洞卷积。通过在卷积计算时加入一定长度的空洞，通过跳过部分输入达到对较长历史时间数据的记忆。
[0049]
对于一维车头时距时序数据和过滤器f：{0，1...，r-1}，空洞计算的定义如下：
[0050][0051]
其中，d是空洞因子，且d＝1，2，4，...，2n，r是过滤器大小，h
s-d*i
为输入的车头时距；
[0052]
f(s)表示经过1次空洞卷积计算后，新的车头时距时间序列在位置s上的计算结果；
[0053]
扩张卷积通过在两个相邻的过滤器之间引入固定长度的采样间隔，感受野的计算公式为：
[0054]
field＝(r-1)*d
[0055]
残差连接：
[0056]
随着网络深度的增加，会出现梯度消失和爆炸问题。因此，tcn采用残差连接解决网络退化问题。残差结构将输出0表征为输入x和输入的非线性变换f(x)的叠加，残差结构输出的计算公式如下：
[0057]
o＝activation(x+f(x))
[0058]
其中，activation()为激活函数。
[0059]
步骤三：根据步骤二的短时车头预测结果，对合流区的可汇入间隙分析，分析每个可汇入间隙允许汇入的车辆规模和最优汇入位置：
[0060]
设匝道车辆汇入主线的最小临界时间间隙为tc，匝道车辆汇入主线所需最小时间为tf，则当主线外侧车道上的车头时距满足：
[0061]
tc+(m-1)tf≤th≤tc+mtf[0062]
则此时匝道上有m辆车可汇入主线，进一步地，将主线上第y个可汇入间隙的时间长度为和允许汇入的车辆数标记为ty和my。
[0063]
步骤四：根据步骤三得到的多个允许汇入的车辆规模，根据高精地图上匝道车辆的实时位置数据，路侧计算单元生成匝道车辆编组的控制方案，路侧计算单元与互联网地图app实现数据和指令双向交互，通过互联网地图app对匝道人工驾驶车辆进行指令发布，对匝道车辆进行引导，使其顺利汇入主线；
[0064]
具体地，计算主线上每一个可汇入间隙允许汇入的车辆数my，当my＝1时，此时该间隙只允许1辆匝道车辆汇入，结合匝道上车辆的位置和速度信息，制定单车的引导策略；当my＞1时，可允许匝道上多辆车汇入。
[0065]
根据匝道上车辆的位置和速度信息，判断匝道上的车辆是否满足成组汇入主线条件：若是，则制定车辆编组引导策略，引导匝道上的车辆成组汇入主线；若否，则制定单车引导策略。
[0066]
1、单车引导策略包括以下内容：
[0067]
设匝道待汇入车辆顺利汇入主线所需的期望速度为v
*
，设匝道待汇入车辆与和合流区末端的距离为ls，合流区长度为lc；
[0068]
若待汇入车辆当前速度v(t)≤v*，则对待汇入车辆执行单车加速引导策略；若待汇入车辆当前速度v(t)＞v*，则对待汇入车辆执行单车减速引导策略，具体引导策略如下：
[0069]
1.1、单车加速引导策略：
[0070]
单车加速引导策略是指车辆先匀加速至期望速度v
*
，而后匀速行驶至合流区的行驶方式，则待汇入车辆行驶至合流区所需时长tu＝t
u1
+t
u2
；
[0071]
其中，t
u1
为单车匀加速行驶时长，au为驾驶员能接受的加速度，是一个标定的参考值；
[0072]
t
u2
为匀速行驶时长，
[0073]
若tu≤ty，则单车按照加速引导策略，可成功利用主线可汇入间隙汇入主线；反之，车辆无法利用主线可插入汇入主线，不实施车辆加速引导策略。
[0074]
1.2、单车减速引导策略：
[0075]
单车加速引导策略是指车辆先匀减速至期望速度v*，而后匀速行驶至合流区的行驶方式，则待汇入车辆行驶至合流区所需时长td＝t
d1
+t
d2
。
[0076]
其中，t
d1
为单车匀减速行驶时长，ad为加速度；
[0077]
t
d2
为匀速行驶时长，
[0078]
若td≤ty，则单车按照减速引导策略，可成功利用主线可汇入间隙汇入主线；反之，车辆无法利用主线中的可汇入间隙汇入主线，不实施车辆减速引导策略。
[0079]
2、车辆编组引导策略包括以下内容：
[0080]
2.1、匝道车辆编组
[0081]
假设匝道头车以当前速度匀速行驶，使用全速度差跟驰模型对待编组后车进行跟驰引导，给予待编组车辆引导加速度，使其与头车形成车队。全速度差跟驰模型如下：
[0082][0083]
其中，为待编组车辆的加速度；
[0084]
ω为驾驶人的敏感系数，ω＞0，单位为s-1
；
[0085]
λ为驾驶人对速度差的反应系数，λ＞0，单位为s-1
；
[0086]
ve(t)为待编组车辆速度，e表示待编组车辆的编号；
[0087]
δv(t)为匝道头车(已编组车辆)与待编组车辆之间的速度差为δv(t)＝v
l-ve(t)，v
l
为匝道头车速度；v(δx)为速度优化函数，v(δx)的计算方法如下：
[0088]
v(δx)＝v1+v2tan[c1(δx-lc)-c2]
[0089]
其中，lc为待编组车辆长度；
[0090]
δx为匝道头车(已编组车辆)与待编组车辆之间的距离差，δx＝x
l-xe(t)，x
l
为匝道头车位置，xe(t)为待编组车辆位置；
[0091]v1
，v2，c1，c2为标定参数。
[0092]
2.2、车辆编组所用时长
[0093]
当已编组车辆与待编组车辆之间的速度相等且距离小于l
*
时，则认为车队编组成功，将第e辆车编组完成所用时长标记为te，即：
[0094][0095]
其中，ve(t+te)为t+te时刻第e辆待编组车辆的速度，满足：
[0096][0097]
xe(t+te)为t+te时刻第e辆待编组车辆的位置，满足：
[0098][0099]
x
l
(t+te)为第t+te时刻头车的位置，x
l
(t+te)＝x
l
(t)+v
l
te；
[0100]
l
*
为车辆编组成功的车头间距阈值。
[0101]
此时，当车辆编组成为1个包含my辆车的车队后，可计算车辆编组完成所用时长
[0102]
2.3、车队匀速行驶阶段
[0103]
车辆编组完成后，以车队形式匀速行驶t
q2
时间至待汇入区域，等待可汇入间隙出现，汇入主线，t
q2
的计算方法如下：
[0104][0105]
其中，l
s，l
为车队编组开始时刻头车与匝道待汇入区域末端的距离。
[0106]
则编组车队到达待汇入区域所用的总时间为tq＝t
q1
+t
q2
；
[0107]
当若tq≤ty，则车辆按照车辆编组引导策略，可成功利用主线可插入间隙汇入主线；反之，车辆无法成功编组为车队汇入主线，不实施车辆编组引导策略，实施单车引导策略。
[0108]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
技术特征：1.一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于：包括如下步骤：步骤一：设置数据采集设备和数据计算设备，与互联网地图app建立指令和数据传输通道；步骤二:根据历史数据，建立并训练短时车头时距预测模型；步骤三:根据构建的短时车头时距预测模型得出预测车头时距集合；步骤四：按照预测的车头时距集合，对合流区中每个可汇入间隙允许汇入的车辆规模进行分析，从而得出每个可汇入间隙允许汇入的车辆数；步骤五：结合步骤四中输出的多个允许汇入的车辆规模和高精地图上匝道车辆的实时位置数据，对匝道车辆实施不同引导策略，使其顺利汇入主线。2.根据权利要求1所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，所述步骤一中，数据采集设备包括多目标雷达和高清视频采集装置，在主线、合流点和入口匝道位置采集匝道和主线车辆的动态行驶数据，动态行驶数据包括流量、车速和车头时距，匝道入口安装路侧计算单元并建立其与互联网地图app的网络通信，为后续引导策略中数据和指令传输提供通信通道。3.根据权利要求1所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，所述步骤三中的短时车头时距预测模型是基于熵的灰色关联分析和时间卷积网络进行构建，该模型通过对预测车头时距与历史车头时距之间的灰色关联等级的值进行计算，从而得出短时车头时距预测模型输出的预测车头时距集合。4.根据权利要求1所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，所述步骤四中在对每个可汇入间隙允许汇入的车辆规模m进行分析时，需要主线外侧车道上的车头时距满足以下条件：t
c
+(m-1)t
f
≤t
h
≤t
c
+mt
f
；在满足上述条件后，得出匝道上有m辆车允许汇入主线上的一个可汇入间隙。5.根据权利要求4所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，步骤五中所述的不同引导策略包括单车引导策略和车辆编组引导策略，当主线上每一个可汇入间隙允许汇入的车辆数为1时，则采用单车引导策略，当主线上每一个可汇入间隙允许汇入的车辆数大于1时，采用车辆编组引导策略。6.根据权利要求5所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，所述单车引导策略包括单车加速引导策略和单车减速引导策略，使车辆匀加速或匀减速到期望速度，然后以匀速行驶的方式行驶至合流区，计算变速阶段和匀速阶段行驶的总时长，并将其与任一个可汇入间隙的时间长度进行比较，总时长不超过可汇入间隙的时间长度时，对应车辆可成功汇入主线；反之则无法汇入主线，此时不实施单车引导策略。7.根据权利要求5所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，所述车辆编组引导策略中需要先对匝道车辆进行编组操作，使用全速度差跟驰模型对待编组后车进行跟驰引导，给予待编组车辆引导加速度，使其与头车形成编组车队。8.根据权利要求7所述的一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，其特征在于，在车辆编组引导策略中，计算车辆编组成功所用时长和编组成功后从匝道匀速
行驶至合流区所用时长的总时长，并将其与任一个可汇入间隙的时间长度进行比较，总时长不超过可汇入间隙的时间长度时，对应车辆编组可成功汇入主线；反之则以编组形式无法汇入主线，此时，不实施车辆编组引导策略，实施单车引导策略。
技术总结本发明公开了一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，包括安装设备采集数据、构建预测模型、预测车头时距集合和对合流区中每个可汇入间隙允许汇入的车辆规模进行分析，最终对匝道车辆实施不同引导策略，使其顺利汇入主线等步骤，解决对匝道车辆进行策略生成，引导车辆安全有序的汇入到主线的问题；利用现有的数据采集设备和计算设备，使引导系统与互联网地图APP关联，使策略生成和指令传达成为可能；通过引导策略对匝道上的车辆进行精确引导，向驾驶员发布其在匝道上的行驶操作指令，保证了车辆成功汇入主线的成功率和安全性，进而保证了整个道路交通的持续性和高效通勤能力。效通勤能力。效通勤能力。
技术研发人员：汪春 张卫华 吴丛 朱文佳 董婉丽 梁子君 李志斌
受保护的技术使用者：合肥工业大学设计院（集团）有限公司
技术研发日：2022.05.07
技术公布日：2022/7/5
