交通运输研究 >

2025 , Vol. 11 >Issue 1: 39 - 47

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2025.01.004

异构线路下考虑组合策略的智能网联公交运行控制方法

  • 何林林 ,
  • 胡宝雨 , *
展开
  • 东北林业大学 土木与交通学院，黑龙江 哈尔滨 150040
*胡宝雨（1987—），男，黑龙江宾县人，博士，副教授/博导，研究方向为公共交通规划与运营。E-mail:

何林林（1998—），女，甘肃西和人，硕士研究生，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2024-10-16

  网络出版日期: 2025-03-14

基金资助

黑龙江省自然科学基金项目(YQ2022E003)

中国博士后科学基金项目(2023M740558)

黑龙江省博士后基金项目(LBH-Z23045)

收起

Connected and Autonomous Bus Operation Control Method Considering Combination Strategies under Heterogeneous Routes

  • HE Linlin ,
  • HU Baoyu , *
Expand
  • School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, China

Received date: 2024-10-16

  Online published: 2025-03-14

Fold

摘要

为应对智能网联公交线路与传统人工驾驶公交线路并存场景下，智能网联公交车头时距不均匀以及站点、交叉口排队等问题引起的运行延误，提出了采用车速控制和信号优先两种策略组合的优化控制方法，以调整智能网联公交运行状态。首先，考虑节能驾驶和信号控制等约束条件，以最小化车头时距偏差和智能网联公交进入节点排队队列的次数为目标，建立双目标混合整数优化控制模型。然后，基于滚动优化的触发时刻，采用NSGA-Ⅱ算法求解优化模型，通过多次迭代更新最优解，输出速度控制和信号优先方案。最后，基于北京市41路公交数据建立仿真案例进行验证和对比分析。仿真结果表明，与无控制情形相比，仅速度优化控制方法使车头时距偏差降低了45%，站点和交叉口排队次数分别降低了25%和25%；而本文提出的优化控制方法使车头时距偏差降低了66%，站点和交叉口排队次数分别降低了50%和75%，表明该方法能显著提高智能网联公交运行稳定性，有效降低节点拥堵，提升智能网联公交运营效率和服务水平。

关键词： 智能网联公交; 车速控制; 信号优先; 滚动优化; NSGA-Ⅱ

本文引用格式

何林林 , 胡宝雨 . 异构线路下考虑组合策略的智能网联公交运行控制方法[J]. 交通运输研究, 2025 , 11(1) : 39 -47 . DOI: 10.16503/j.cnki.2095-9931.2025.01.004

Abstract

To address the running delay caused by the instability of headway and queuing at stops and intersections for connected and autonomous bus (CAB), in scenarios where CAB routes coexistes with traditional manually-driven bus routes, an operation optimization control method based on the combination control strategy of speed control and signal priority was proposed to adjust CABs′ operating state. Firstly, a dual-objective mixed-integer optimal control model was developed, considering constraints such as economy of CAB during operation and signal control. Its aim was to minimize both headway deviation and the number of times that CABs enter the node queuing sequences. Then, based on the trigger time of rolling optimization, the NSGA-Ⅱalgorithm was used to solve the model, the optimal solution was updated several times iteratively, and the speed control and signal priority schemes were output. Finally, a simulation case was established based on the data of the 41 bus route in Beijing City for verification and comparative analysis. The simulation results showed that compared to the no-control scenario, the speed-only control method reduced the headway deviation by 45%, and the number of queues for CABs at stops and intersections by 25% and 25%, respectively; the method presented in this paper reduced the headway deviation by 66%, and the number of queues for CABs at stops and intersections by 50% and 75%, respectively. It indicates that the method can effectively improve CAB operation stability, effectively reduce nodes congestion and enhance the operational efficiency and service level of CAB.

Key words： connected and autonomous bus; speed control; signal priority; rolling optimization; NSGA-Ⅱ

0 引言

智能网联公交可为城市公共交通提供综合、高效、准确和可靠的信息服务体系，全面提升城市公共交通智能化水平[1]。近年来，我国不少城市正在开展智能网联公交试点示范工作。随着智能网联公交应用场景从特定、简单的道路向城市地面公共交通的复杂道路拓展，未来的城市公共交通将在很长一段时间处于传统的人工驾驶公交线路与智能网联公交线路并存的状态。在该状态下，由于人工驾驶公交的运行具有不确定性，容易导致智能网联公交车头时距不均匀和站点、交叉口处排队等待等问题。因此，深入研究智能网联公交运行优化方法，对促进智能网联公交应用推广、提升智能网联公交运营效率具有重要意义。
即使预先设计了高效的公交行车计划，各种不确定因素引起的实时波动也可能会使车辆偏离时刻表[2]，进而降低公交运行效率。为此，众多学者研究了站点和区间控制策略，旨在恢复公交线路规律性。其中，站点控制包括驻站、越站等[3-4]，区间控制包括速度控制、信号优先等[5-6]。然而，单一的控制策略调整幅度较小，后续便有学者采用组合控制策略[7-8]调整公交运行状态。近年来，智能网联技术的出现为公交运行优化控制策略的实施提供了有力的支撑，公交车可获取交通系统中的实时数据，如信号交叉口配时信息[9]、前方人工驾驶车辆状态[10]、公交车时刻表[11]、道路限速[12]等，实现“人-车-路-云”实时联动。但是，目前关于智能网联公交运行控制的研究主要集中在如何构建高效的信号交叉口通行速度规划模型[13⇓⇓-16]。智能网联公交的实际运行处于更为复杂的城市公共交通系统中，提高智能网联公交运行效率时还需考虑交通环境因素。有学者从社会车辆效益角度出发，以乘客人均延误或总延误最小化为目标建立了智能网联公交优先通过交叉口的信号控制优化模型[17⇓-19]；或在与人工驾驶汽车混合运行环境下，以不同的车辆跟驰模型为着力点，利用智能网联新技术提升混合交通的运行效率[20-21]。还有学者[22]描述了人工驾驶公交和智能网联公交串车问题，但未考虑两者间的相互影响。
综上，现有研究大多集中在智能网联公交渗透率较高的场景，未考虑与传统的人工驾驶公交混合运行的异构线路场景下智能网联公交车头时距不均匀、站点和交叉口处排队等问题。因此，本文以异构线路场景下的智能网联公交车为研究对象，提出了一种考虑组合策略的优化控制方法，以调整车速、绿灯延后或红灯早断为手段，建立双目标混合整数优化控制模型，并基于滚动优化多次迭代更新模型最优解，以提升优化控制方案的有效性，降低人工驾驶公交带来的影响，进一步提高智能网联公交的运行效率，促进其应用推广。

1 问题描述

本文中的智能网联公交可以从交通系统中获取实时数据，如交叉口信号配时、人工驾驶公交位置和速度等，这为构建优化控制模型提供了基础。本文考虑的场景其他线路均运行人工驾驶公交，因此在公交专用道上运行的智能网联公交容易出现延误、站点和交叉口排队等问题。
如图1所示，公交专用道上存在1条全为智能网联公交车的线路，其他线路均为人工驾驶公交车线路，不具备任何网联功能。智能网联公交线路上任意2个相邻站点间有J个交叉口，J个排队路段和 J + 1个路段。排队路段区别于其他路段，即当信号交叉口处于红灯相位时需要公交排队等待的区域范围，由交叉口历史最大排队车辆数的长度确定。
图1 智能网联公交线路示意图

2 智能网联公交运行状态描述

本节从智能网联公交运行特性出发，综合考虑信号交叉口和人工驾驶公交状态等因素，分别进行路段和节点的运行状态描述，以相邻站点k和 k + 1之间为例。

2.1 路段运行状态描述

智能网联公交在各路段上的运行时间由其运行速度决定，而运行速度又受路段上的车流状态影响。当智能网联公交以特定速度行驶时，若前方有1辆人工驾驶公交以低于该速度行驶，则使智能网联公交在当前路段上被迫降速行驶的这辆人工驾驶公交被定义为障碍公交。智能网联公交在路段运行时需判断前方是否存在障碍公交。
如图2所示，在某个时刻，路段上公交2在目标公交的前方行驶，根据两车的位置和速度可知，目标公交到达路段终点位置之前存在2种场景。
图2 目标公交在路段上的两种运行场景
场景Ⅰ：在目标公交Ⅰ-1和公交2分别运行至路段终点的过程中，公交2未对目标公交Ⅰ-1的运行状态造成影响，因此目标公交Ⅰ-1前方不存在障碍公交。场景Ⅰ确定方法如下：
a 5 - a 3 = s 3 - s 1 u 11 - s 3 - s 2 u 2 > 0 s 1 ,   s 2 ≤ s 3
式（1）中： u 11为目标公交Ⅰ-1的运行速度； u 2为公交2的运行速度； s 1、 s 2和 s 3分别为目标公交Ⅰ-1初始位置、公交2初始位置和路段终点位置； a 3、 a 5为目标公交Ⅰ-1和公交2到达路段终点位置的时刻。
场景Ⅱ：当目标公交Ⅱ-1行驶至距离公交2 s 0（前后两车间的安全间距）处，受前方公交2运行速度的限制，目标公交Ⅱ-1无法保持原本的行驶速度，将被迫减速并跟随前方公交2运行至路段终点。因此，目标公交Ⅱ-1到达路段终点的时间将会增加。此时公交2为目标公交Ⅱ-1的障碍公交。场景Ⅱ确定方法如下：
a 4 - a 2 = s - s 1 u 12 + s 3 - s u 2 - s 3 - s 1 u 12 > 0 s 1 ,   s 2 ≤ s 3
式（2）中： u 12为目标公交Ⅱ-1的运行速度； s为与公交2达到安全间距时目标公交Ⅱ-1的位置； a 2、 a 4为目标公交Ⅱ-1计划到达和受公交2限制而实际到达路段终点的时刻。
综上，可进一步确定智能网联公交在路段上的运动状态，具体如下。
1）场景Ⅰ：前方不存在障碍公交
由式（1）可知，行驶在路段j上的智能网联公交前方无障碍公交，智能网联公交在路段j上的行驶时间 t k , 1 j的计算公式为：
t k , 1 j = l k , 1 j v k j , 1
式（3）中： l k , 1 j为路段j的长度； v k j , 1为智能网联公交在路段j上的运行速度。
2）场景Ⅱ：前方存在障碍公交
由式（2）可知，行驶在路段j上的智能网联公交作为目标公交Ⅱ-1受到障碍公交2（即人工驾驶公交）的速度限制。此时，为防止该速度限制引起运行时长的增加，智能网联公交需调整车速以超越前方障碍公交。因此，智能网联公交在路段j上的行驶过程可分为3个阶段。
阶段1：障碍公交位于智能网联公交前方 d k j处，且该间距大于车辆最小安全间距 d m i n，即 d k j > d m i n。在赶上障碍公交之前，智能网联公交车以速度 v k j , 1匀速行驶，该阶段行驶时间为 t k j , 1。
阶段2：超车过程。智能网联公交追上前方以速度 u k j行驶的障碍公交（即两车达到安全间距， d k j = d 0）时，调整车速超车。当智能网联公交的位置领先障碍公交后，表示超车过程完成，该阶段行驶时间为 t k j , 2。
阶段3：智能网联公交超越了障碍公交，在到达终点位置前的剩余路段匀速行驶，该阶段行驶时间为 t k j , 3。
路段j上3个阶段的行驶过程需满足：
d k j + u k j t k j , 1 = v k j , 1 t k j , 1 + d m i n 2 d m i n + u k j t k j , 2 = v k j , 2 t k j , 2 l k , 1 j - v k j , 1 t k j , 1 - v k j , 2 t k j , 2 = v k j , 3 t k j , 3
式（4）中： v k j , 2和 v k j , 3分别指智能网联公交在路段j上阶段2和阶段3的行驶速度。
根据式（4），智能网联公交在路段j上的行驶时间 t k , 1 j为：
t k , 1 j = t k j , 1 + t k j , 2 + t k j , 3

2.2 节点运行状态描述

根据公交线路运行特性，节点指智能网联公交在交叉口信号控制条件下通过的各交叉口以及为完成乘客上下车服务所经过的各站点。

2.2.1 交叉口运行状态描述

智能网联公交从排队路段起始位置运行到交叉口停止线的过程中，需考虑是否存在其他线路的人工驾驶公交排队现象。根据交通波理论，人工驾驶公交排队队列消散时间 T k j的计算公式为：
T k j = q k j φ k j
式（6）中： φ k j为交叉口饱和流率； q k j为排队路段的人工驾驶公交车辆数。
智能网联公交在排队路段的行驶时间与是否加入排队队列、信号状态、排队路段运行车速等因素有关，主要有3种情形：
1）交叉口j为红灯，即 0 < n k j ≤ r k j , 0；
2）交叉口j为绿灯且排队队列正在消散，即 n k j = 0且 T k j ≠ 0；
3）交叉口j为绿灯且排队队列已经完全消散，即 n k j = 0且 T k j = 0。
上文中， n k j为智能网联公交车到达排队路段j起始位置时，当前相位剩余红灯时长； r k j , 0为交叉口j的红灯时长。
智能网联公交在排队路段j的运行时间 t k , 2 j的计算公式如下：
t k , 2 j = ( 1 - δ k j ) l k , 2 j v k j , 0 + δ k j ( q k j + 1 φ k j + n k j )
δ k j = 0 T k j + n k j < l k , 2 j v k j , 0 1 T k j + n k j ≥ l k , 2 j v k j , 0
式（7）~式（8）中： δ k j为0-1整数变量，当智能网联公交车加入排队的队列时， δ k j = 1，否则 δ k j = 0； v k j , 0为智能网联公交车在排队路段j的运行速度； l k , 2 j为排队路段j的长度。
根据智能网联公交车到达交叉口j停止线的时间以及信号相位状态判断是否需要公交信号优先。下面公式中，式（9）可计算智能网联公交车到达交叉口停止线的时间，式（10）和式（11）判断是否启动智能网联公交信号优先，式（12）表示智能网联公交车在绿灯相位通过交叉口停止线。
r k j = d k + t k ,   1 1 + t k ,   2 1 + ⋯ + t k ,   1 j + t k ,   2 j
α k j = 0 G k j ,   o p < r k j ≤ G k j ,   o p + g k j ,   0 1 G k j ,   o p - r k j , 0 < r k j ≤ G k j ,   o p
β k j = 0 G k j ,   o p < r k j ≤ G k j ,   o p + g k j ,   0 1 G k j ,   o p + g k j ,   0 < r k j ≤ G k j ,   o p + C k j
α k j ( G k j ,   o p - Δ k j ) + ( 1 - α k j ) G k j ,   o p ≤ r k j ≤ ( 1 - β k j ) ( G k j ,   o p + g k j ,   0 ) + β k j ( G k j ,   o p + g k j ,   0 + Δ k j )
式（9）~式（12）中： r k j为智能网联公交车到达交叉口j停止线的时间； Δ k j为红灯早断或绿灯延后的优化时间； α k j和 β k j分别指是否启动红灯早断或绿灯延后的信号优先策略，若启动信号优先，则为1，否则为0； G k j ,   o p为绿灯启亮时刻； g k j ,   0为绿灯时长； C k j为信号周期； d k为智能网联公交离开站点k的时间。

2.2.2 站点运行状态描述

受到停车泊位数的限制，人工驾驶公交在站点服务时，智能网联公交须在站点前排队等待。站点 k + 1排队等待时间 m k + 1与到站时间 a k + 1间的关系式如下：
a k + 1 = d k + ∑ j = 1 J + 1 t k ,   1 j + ∑ j = 1 J t k ,   2 j + m k + 1 J > 0 d k + t k ,   1 1 + m k + 1 J = 0
引入0-1变量 x k + 1表示站点排队次数，当 x k + 1 = 1时，表示智能网联公交需要在站点 k + 1排队。
x k + 1 = 1 m k + 1 ≥ 0 0 m k + 1 < 0

3 智能网联公交运行优化控制模型的建立

本节将建立一种考虑节点排队的智能网联公交运行优化控制模型：以智能网联公交运行经济性（节能驾驶）和信号控制等为约束条件，以最小化车头时距偏差和进入节点排队队列的次数为目标，构建双目标混合整数优化模型，进一步结合滚动优化思想和非支配排序遗传算法（Non-Dominated Sorting Genetic Algorithm Ⅱ, NSGA-Ⅱ），通过多次迭代更新最优解，输出速度控制和信号优先组合方案。

3.1 目标函数

1）车头时距偏差
车头时距偏差是衡量智能网联公交系统稳定性的指标。以连续两辆智能网联公交到达同一站点 k + 1的车头时距 h k + 1与其调度车头时距 H的偏差为目标函数 Z 1，则：
m i n Z 1 = h k + 1 - H H 2 = a k + 1 - A k + 1 - H H 2
式（15）中： A k + 1为前一辆智能网联公交到达站点 k + 1的时间。
2）节点排队次数
若智能网联公交在站点和交叉口排队，会产生频繁的加减速行为，降低乘客舒适性，并增加运行延误。为降低人工驾驶公交车带来的影响，以智能网联公交进入各个节点排队队列的次数为优化目标 Z 2，则：
m i n Z 2 = x k + 1 + ∑ j = 1 J δ k j

3.2 约束条件

1）车速约束
由于车速影响智能网联公交运行能耗，进一步影响企业运营成本，因此智能网联公交运行速度与节能驾驶速度 v e c o差值越小，其经济效益越好，故车速约束条件如下：
m a x v m i n ,   v e c o - V ≤ v k j ,   1 ,   v k j ,   2 ,   v k j ,   3 ,   v k j ,   0 ≤ m i n v m a x ,   v e c o + V
式（17）中： V为速度控制阈值； v m i n和 v m a x分别代表路段允许的智能网联公交车最小和最大车速。
同时阶段2的速度 v k j , 2需大于障碍公交车速 u k j，即：
u k j < v k j , 2
2）超车约束
排队路段路况复杂，不允许超车，因此智能网联公交的阶段2应在路段j终点前完成，故超车约束条件如下：
l k ,   1 j - v k j ,   1 t k j ,   1 - v k j ,   2 t k j ,   2 = v k j ,   3 k j ,   3 > 0
此外，智能网联公交的阶段2将借助其他车道完成。因此，其他车道的车流状态需满足智能网联公交换道超车的安全间距，即：
S k j - l 0 - 2 d m i n ≥ 0
式（20）中： S k j为换道时其他车道上两辆社会车辆间的距离； l 0为智能网联公交车身长度。
3）信号控制约束
为避免出现公交信号优先申请冲突现象，每个信号周期内的公交信号优先申请次数最多为1次。同时要确保红灯早断或绿灯延后的非公交信号优先相位的绿灯时长满足各方向行人的安全过街需求，即：
α k j + β k j ≤ 1
g k , m i n j = 7 + L k ,   p j V p - I k j
式（21）~式（22）中： g k , m i n j为最小绿灯时间[23]； L k ,   p j为人行横道长度； V p为行人步行速度，一般取1.5 m/s； I k j为绿灯间隔时间，设为5 s。

3.3 智能网联公交运行优化控制模型求解

通过滚动优化控制可减少人工驾驶公交运行不确定性带来的影响。由于本文所构建的非线性混合整数优化模型的两个目标之间具有冲突性，获得的解无法直接用于优劣判定，而NSGA-Ⅱ算法引入了精英选择策略，可维持种群的多样性并保留高质量的解，因此在滚动优化的各个触发时刻，利用NSGA-Ⅱ求解双目标优化模型。
算法基本流程如下：
步骤1：初始化参数，迭代次数 b = 1、 S 1 = 0（即站点k的位置）、 f 1 = D k。
步骤2：智能网联公交离开站点k，激活优化控制流程。
步骤3：输入当前位置 S b至站点 k + 1的人工驾驶公交位置和速度、信号灯信息等。
步骤4：利用NSGA-Ⅱ求解双目标混合整数优化模型[24]。
步骤5：输出Pareto最优解集，并选择该解集中第1个个体作为当前位置 S b至站点 k + 1的最优速度控制和信号优先方案。
步骤6：执行滚动步长 t D R H后， b = b + 1，并更新参数 S b和 f b。
步骤7：判断智能网联公交是否到达站点 k + 1，若已到达，则算法结束；若未到达，则转至步骤3。

4 案例分析

由于目前智能网联公交普及率不高，试验数据获取较为困难，因此基于北京市41路公交的实例数据，利用MATLAB建立仿真模型，进一步对比分析采用无控制方案、仅速度优化控制方案和本文所提的优化控制方案三者的结果。

4.1 参数输入

如图3所示，北京41路公交线路从首站东单路口南至平乐园间的路段位于公交专用道上，不受社会车辆的影响，符合本文对研究对象的要求。该线路总长7 067 m，共包含12个站点、18个信号交叉口、29个路段。41路公交均为电动公交车，根据巡航控制实验[25]可知，电动公交的节能驾驶速度区间为8.33~11.11 m/s，本文选择节能驾驶速度 v e c o = 8.33 m/s，标准调度车头时距设置为360 s。
图3 北京市41路公交线路示意图

注：底图来源于百度地图。

41路公交各站点的乘客到达率和下车率如表1所示。此处假设人均上下车时间为2 s。
表1 各站点乘客到达率和下车率
站点
编号		 站点名称 站点
位置
/m		 相邻站点
间交叉口
数量		 乘客
到达率
/（人/min）		 乘客
下车率
/（人/min）
S1 东单路口南 0 1 0 0
S2 崇文门内 325 2 0.8 0.8
S3 磁器口北 125 5 2 0.7 0.3
S4 法华寺 222 6 2 0.6 0.4
S5 北京体育馆西 287 2 0 0.7 0.3
S6 北京体育馆 316 7 4 0.5 0.2
S7 光明楼 397 6 1 1.2 0.4
S8 光明桥东 484 0 0 0.3 0.3
S9 劲松中街 522 3 2 0.4 0.4
S10 劲松桥东 613 4 2 0.9 0.8
S11 南磨房 664 8 2 0.6 0.4
S12 平乐园 706 5 0 0.4 0.2
假设各信号交叉口的第1相位是智能网联公交通行相位。智能网联公交离开站点S1时，所有信号交叉口的绿灯亮起，各信号交叉口参数如图4所示，各路段速度参数如图5所示，排队路段长度设置为20 m。
图4 各信号交叉口参数

注：由于黄灯时长较短，对于公交信号优先过于微观，故被并入红灯中。

图5 各路段速度参数
在无控制时，不调整智能网联公交运行状态，可能会产生延误并且在节点发生多次排队等待情形。在各路段上，智能网联公交各车次的运行速度 V k j随机生成，等于其平均速度 V - k j与随机变量 τ k j之和[26]，如式（23）和（24）所示。统计41路公交连续3个工作日的晚高峰时段内的路段速度数据，可计算各路段平均速度 V - k j、最小车速 V k , m i n j和最大车速 V k , m a x j。
V k j = V ¯ k j + τ k j
τ k j = [ V k , m i n j - V - k j ,   V k , m a x j + V - k j ]
其他与算法相关的参数设置如下：滚动步长 t D R H=30 s，各交叉口的最小绿灯时间设置为初始绿灯时长的30%，最小安全间距 d m i n = 5  m，交叉概率 P C = 0.7，变异概率 P M = 0.1，初始种群规模 N 0 = 30，最大迭代次数 E = 200。所选参数均为多次实验后的最优选择。

4.2 结果分析

基于案例数据，使用MATLAB语言进行编译，以检验本文中模型和算法的有效性。所有测试在1台硬件参数为Intel(R)Core(TM)i5-1035G1 CPU@1.00GHz和8GB RAM的个人计算机上进行。
图6给出了研究时段内5辆智能网联公交车在各个站点与前车的车头时距偏差。对数据进行分析可知，在不调整智能网联公交运行状态（无控制）的情形下，各车次的运行规律性较差，仅速度优化控制方法使车头时距偏差降低了45%，而本文所提的优化控制方法可使车头时距偏差降低66%，明显改善了运行效果。
图6 车头时距偏差
表2和表3分别给出了研究时段内智能网联公交在各站点和交叉口的排队次数。由表中数据可得出，无控制情形下站点和交叉口的排队次数分别为4次和52次；相较于此，通过仅速度优化控制，两者分别降低了25%和25%，而经由本文提出的优化控制方法，两者分别降低了50%和75%。因此，本文提出的优化控制方法能显著降低智能网联公交进入节点排队队列的次数，减少交通拥堵，有助于提升公共交通系统的可靠性。
表2 各站点排队次数
控制方法 站点编号
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12
无控制 0 0 0 0 1 0 1 0 1 0 0 1
仅速度优化控制 0 0 0 1 1 0 0 0 0 0 1 0
本文优化
控制		 0 0 0 1 0 0 0 0 0 1 0 0
表3 各交叉口排队次数
控制方法 交叉口编号
1 2 3 4 5 6 7 8 9
无控制 2 3 2 4 4 5 1 2 5
仅速度优化控制 0 3 2 4 5 1 0 2 2
本文优化控制 0 3 2 3 1 0 0 0 0
控制方法 交叉口编号
10 11 12 13 14 15 16 17 18
无控制 2 1 3 3 5 2 5 3 0
仅速度优化控制 1 2 1 3 2 5 0 3 3
本文优化控制 0 0 1 2 1 0 0 0 0

5 结束语

本文建立了异构线路场景下的智能网联公交运行优化控制模型，通过速度控制和信号优先组合策略，解决因智能网联公交车头时距不均匀和节点拥堵等导致的运行延误问题，并基于模型非线性特征和实时性需求，在滚动优化的各个触发时刻利用NSGA-Ⅱ求解优化模型。最后，基于北京市41路公交数据建立仿真案例，通过与无控制和仅速度优化控制方法的结果对比可知，本文提出的优化控制方法显著降低了车头时距偏差和节点排队次数，提高了智能网联公交运行效率。然而，本文使用的信号优先策略只针对单个信号交叉口，且仅考虑传统的绿灯延后或红灯早断策略，未来需结合其他信号优先手段实现干线协调控制；此外，本文研究聚焦于公交专用道，后续可考虑有社会车辆的常规道路，以进一步促进智能网联公交的推广应用，提高公交服务水平。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
董志国, 吴冬升, 包颖. 智能网联公交的三大发展趋势[J]. 智能网联汽车, 2021(5):68-71.

[2]
NEWELL G, POTTS R. Maintaining a bus schedule[C]// Proceedings of Australian Road Research Board (ARRB) Conference, 2nd. Melbourne: Australian Road Research Board, 1964: 388-393.

[3]
滕靖, 杨晓光. APTS下公共汽车单线路实时控制方法[J]. 同济大学学报(自然科学版), 2006(6):744-747,751.

[4]
何胜学. 双线单换乘区条件下公交串车的驻站防治方法[J]. 交通运输工程与信息学报, 2019, 17(3):133-143.

[5]
DAGANZO C, PILACHOWSKI J. Reducing bunching with bus-to-bus cooperation[J]. Transportation Research Part B: Methodological, 2011, 45(1): 267-277.

[6]
王旭, 蒋佩玉, 张汝华. 基于多目标优化的公交运行速度优化控制方法[J]. 交通信息与安全, 2020, 38(3):32-39,66.

[7]
BIE Y, XIONG X, YAN Y, et al. Dynamic headway control for high‐frequency bus line based on speed guidance and intersection signal adjustment[J]. Computer-Aided Civil and Infrastructure Engineering, 2020, 35(1): 4-25.

[8]
XUE Y, ZHONG M, XUE L, et al. A real-time control strategy for bus operation to alleviate bus bunching[J]. Sustainability, 2022, 14(13): 7870. DOI: https://doi.org/10.3390/su14137870.

[9]
VAHIDI A, SCIARRETTA A. Energy saving potentials of connected and automated vehicles[J]. Transportation Research Part C: Emerging Technologies, 2018, 95: 822-843.

[10]
胡永辉, 金旭峰, 王亦兵, 等. 智能网联混行动力异构交通流生态驾驶[J]. 中国公路学报, 2022, 35(3):15-27.

[11]
XIE S, QI S, LANG K, et al. Coordinated management of connected plug-in hybrid electric buses for energy saving, inter-vehicle safety, and battery health[J]. Applied Energy, 2020, 268: 115028. DOI: https://doi.org/10.1016/j.apenergy.2020.115028.

[12]
MA F, YANG Y, WANG J, et al. Predictive energy-saving optimization based on nonlinear model predictive control for cooperative connected vehicles platoon with V2V communication[J]. Energy, 2019, 189: 116120. DOI: https://doi.org/10.1016/j.energy.2019.116120.

[13]
TONG P, YAN Y, LI B, et al. Speed planning for connected electric buses based on battery capacity loss[J]. Journal of Cleaner Production, 2021, 321: 129031. DOI: https://doi.org/10.1016/j.jclepro.2021.129031.

[14]
SHAN X, WAN C, HAO P, et al. Connected eco‐driving for electric buses along signalized arterials with bus stops[J]. IET Intelligent Transport Systems, 2023, 17(3): 579-591.

[15]
JIN K, LI X, WANG W, et al. Energy-optimal speed control for connected electric buses considering passenger load[J]. Journal of Cleaner Production, 2023, 385: 135773. DOI: https://doi.org/10.1016/j.jclepro.2022.135773.

[16]
殷炬元, 黎淘宁, 孙剑. 网联环境下基于可选相位优化框架的公交信号优先[J]. 同济大学学报(自然科学版), 2023, 51(3):395-404.

[17]
欧诗琪, 俞春辉, 马万经. 干线信号协调背景下的网联公交实时优先控制方法[J]. 同济大学学报(自然科学版), 2022, 50(3):339-350.

[18]
HU J, PARK B, PARKANY A. Transit signal priority with connected vehicle technology[J]. Transportation Research Record: Journal of the Transportation Research Board, 2014, 2418(1): 20-29.

[19]
HU J, ZHANG Z, FENG Y, et al. Transit signal priority enabling connected and automated buses to cut through traffic[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 8782-8792.

[20]
FENG Y, ZHENG J, LIU H. Real-time detector-free adaptive signal control with low penetration of connected vehicles[J]. Transportation Research Record: Journal of the Transportation Research Board, 2018, 2672(18): 35-44.

[21]
ZHAO W, NGODUY D, SHEPHERD S, et al. A platoon based cooperative eco-driving model for mixed automated and human-driven vehicles at a signalised intersection[J]. Transportation Research Part C: Emerging Technologies, 2018, 95: 802-821.

[22]
XIN Q, FU R, YU S, et al. Modeling bus bunching and anti-bunching control accounting for signal control and passenger swapping behavior[J]. Journal of Public Transportation, 2021, 23(1): 31-62.

[23]
Transportation Research Board. Highway Capacity Manual 6th Edition: A Guide for Multimodal Mobility Analysis[M]. Washington DC: The National Academies Press, 2016.

[24]
DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-Ⅱ[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[25]
袁伟, 张雅丽, 王虹霞, 等. 纯电动公交车交叉口节能驾驶策略[J]. 中国公路学报, 2021, 34(7):54-66.

[26]
HE S, DONG J, LIANG S, et al. An approach to improve the operational stability of a bus line by adjusting bus speeds on the dedicated bus lanes[J]. Transportation Research Part C: Emerging Technologies, 2019, 107: 54-69.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发