[发明专利]一种考虑无人驾驶车辆的路网混合流量日变预测方法

权利要求书

1.一种考虑无人驾驶车辆的路网混合流量日变预测方法，其特征在于，包括下述步骤：

S1：混合流量日变模型路段-路径流量关系确定，路网中的流量由无人驾驶流量和出行者流量两部分构成，路网中的两部分流量演化分别同时进行，当两者均达到均衡状态时，路网总流量随之均衡，路网中各部分流量分别等于各路径的流量之和，具体为：

假设路网G＝(N,A)，式中N表示节点集，A表示路段集，对于任意路段a∈A，r、s分别表示起讫点，R、S分别表示起讫点集合，有rs∈RS，k表示路径，K表示路径集，有k∈K，Krs表示连接OD对rs间所有路径的集合，q^rs表示研究时段内起讫点间的交通需求量，u和z分别表示出行者和无人驾驶车辆；

路网中的流量的数学描述如下：

式中，分别表示起讫点rs间的出行者交通需求量与无人驾驶车辆交通需求量，分别表示第n天起讫点rs间路径k上的出行者流量与无人驾驶流量；

由路网总流量与两部分流量的关系可知，任意路径的流量等于两部分流量之和，即：

由路段与路径的关联关系可得路段-路径的流量函数关系，即：

S2：路径-路段阻抗函数/行程时间确定，通过每次的实际出行时间对路网参数进行修正，结合第n-1天路径k的均值与第n天路径k的出行时间可以对第n天路径k的均值进行更新，第n天路径k的方差由第n-1天路径k的方差和第n天的均值及行程时间更新，路径-路段的阻抗函数关系为：

式中，表示第n天起讫点rs间路径k的流量，x_a(n)表示第n天路段a的流量，表示标志变量，用以反映路段与路径是否关联，若a∈k，则该标志变量取1，否则取0，当表示第n天起讫点rs间路径k的行程时间，t(x_a(n))表示第n天路段a的实际行程时间，t_a⁰表示路段a的自由流行程时间，c_a表示路段a的通行能力；

所述对第n天路径k的均值τ_k(n)进行更新和第n天路径k的方差(σ_k(n))²由第n-1天路径k的方差和第n天的均值及行程时间更新的方法为：

τ_k(n)＝[τ_k(n-1)·(n-1)+t_k(n)]/n

(σ_k(n))²＝[(σ_k(n-1))²·(n-1)+(t_k(n)-τ_k(n))²]/n

式中，t_k(n)表示第n天路径k的实际行程时间，当n＝1时，τ_k(1)＝t_k^free，σ_k(1)＝0，t_k^free表示路径k的自由流行程时间；

S3：出行者流量日变前景值关系确定，出行者依据路径前景进行路径选择且路网处于非均衡状态时，流量会逐渐向路径前景较大的路径转移；当出行者流量满足随机用户均衡条件时，所有具有出行者流量的路径前景相等且等于最大前景值，所有没有出行者流量的路径前景不大于最大路径前景值，具体为：

采用路径前景来进行路径选择需要建立出行收益或者损失框架，假设参考点事先给定并不随时间变化，用e₀表示；受自身历史出行经验和习惯影响，出行者的路径理解行程时间和实际行程时间往往不同，且实际行程时间是理解行程时间的基础，每一次实际出行的完成都会对理解行程时间造成影响，据此得到理解行程时间的逐日调整方程：

式中，et_k(n)为理解行程时间，为参数，表示前一日理解行程时间对出行日的理解行程时间的影响权重，若的取值小，则实际行程时间占比大，若的取值大，则实际行程时间占比小，属于[0,1]，特殊情况下：当时，第n天的理解行程时间等于第n-1天的实际行程时间；当时，第n天的理解行程时间等于第n-1天的理解行程时间，由递推关系知此种情况下每日的理解行程时间相等，均等于第1天的理解行程时间，逐日出行过程中的实际行程时间对理解行程时间不产生影响，当n＝1时，et_k(1)＝t_k^free，t_k(n-1)表示在第n-1天选择路径k出行所花费的时间；

假设理解行程时间依赖于前一天的实际出行时间，得到et_k(n)＝t_k(n-1)，价值函数v、决策权重函数w以及路径前景pv如下：

式中，α、β分别表示风险系数，由出行者对待风险的态度决定，具有风险偏好的出行者风险系数高，风险规避出行者风险系数低，λ表示损失厌恶系数，其值越高则出行者对损失越敏感，考虑到出行者对待损失比收益更为敏感，λ取值大于1，θ为取值在(0,1]间的参数，表示第n天OD对rs间路径k的行程时间收益或损失的发生概率；

考虑出行者自身的计算能力、获取信息的准确性及可靠性、风险态度多方面因素的差异及影响，路径前景值与观测值之间存在偏差，路径前景均表示采用感知路径前景

所有具有出行者流量的路径前景满足均衡条件：

式中，表示出行者流量达到网络均衡时起讫点rs间的最大路径前景值；

S4：出行者流量逐日更新方法及条件，出行者在逐日出行中根据前一日的路径前景调整当日的出行路径，直至达到出行者流量均衡状态，具体为：

考虑出行者流量转移过程及SUE平衡条件，建立出行者流量日变模型：

式中，Δ_lk均是矢量，维度等于起讫点rs间的路径数，(n)表示第n天起讫点rs间各路径的出行者流量分布情况，表示出行者根据第n天起讫点rs间各路径前景差值在第n+1天调整的流量值，是路径k上的流量向其他路径转移的方向和步长在起讫点间所有路径上的集计结果，流量转移值的大小与前景差值正相关，Δ_lk为路径l与k之间的出行关联矢量，第k行和l行的值分别为-1与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ω_u表示出行者流量逐日调整系数，表示对第n+1天起讫点rs间所有路径出行者流量调整值加和，该式等于0确保了研究时段内传统出行者流量的每日出行总量相等；

当出行者这部分流量达到均衡状态时，同一OD对间各路径的前景值相等，路径间的流量不再发生相互转移，即路径流量转移值为0；同时，各路径流量分布情况与前一日相同，均为均衡流量，即满足：

S5：无人驾驶流量日变模型最优流量分配确定，根据系统最优的均衡条件，当无人驾驶流量满足系统最优时，在所有具有无人驾驶流量的路径上增加一个出行单位时，该单位遇到的阻抗及该单位经过路径对原有流量产生的额外阻抗最小，即增加一个出行单位对网络总阻抗的边际贡献最小，所有没有无人驾驶流量的路径增加一个出行单位时，该增加的出行单位对路网总阻抗的边际贡献不小于最小边际阻抗，无人驾驶流量系统最优分配模型如下：

式中，表示路段新增的无人驾驶车辆出行单位对路段原有流量产生的额外阻抗，通过路径-路段关联关系并加和所有路段额外阻抗即得路径的额外阻抗，表示增加一个出行单位的最小边际阻抗，

无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态。

2.根据权利要求1所述一种考虑无人驾驶车辆的路网混合流量日变预测方法，其特征在于，无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态，无人驾驶流量转移过程类似出行者流量转移，故参考出行者流量日变模型，建立无人驾驶流量日变模型：

式中，表示路径k的边际阻抗，Δ_lk均是矢量，维度等于起讫点rs间的路径数，表示第n天OD对rs间各路径的无人驾驶流量分布情况；表示第n+1天无人驾驶车辆发生路径流量调整的向量，流量转移大小的绝对值与不同路径间的边际阻抗大小差值有关且呈正相关；Δ_lk为路径l与k之间的出行关联矢量，第k行和l行的值分别为-1与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ω_z表示无人驾驶流量逐日调整系数，表示对第n+1天OD对rs间所有路径无人驾驶流量调整值加和，该式等于0确保了研究时段内无人驾驶流量的每日出行总量相等；

类似出行者流量达到均衡状态时的均衡流量，对于达到系统最优状态时的无人驾驶流量，有均衡分布矢量：