用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法

技术领域

本发明属于智能交通技术领域，涉及用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法。

背景技术

近年，中国相继提出《交通强国纲要》和“新基建”国家重点战略需求，明确指出未来智慧交通发展需围绕智能网联自动驾驶汽车和数字化交通基础设施展开。在此背景下，自动驾驶的关键技术不断得到突破，自动驾驶车辆也在全国各地开始陆续进行路测，未来很长一段时间将会出现自动驾驶车辆与人工驾驶车辆混行的局面，传统单一交通流逐渐演变为混合的异质交通流。

目前，有关异质交通流的交通流稳定性、运行安全性、通行效率性等具体特性尚不明确，其存在交通安全因素不明确和管控措施不完善的缺陷。这一缺陷在畅通流状态下并不突显，但随着交通流组成的复杂化和交通密度的致密化，这一缺陷会愈发突显，当交通拥挤时，自动驾驶车辆与人工驾驶车辆混行会降低道路资源利用率、增加交通流的不稳定性，从而对通行效率、交通安全和走行时间等产生负面影响。因此，有必要设置自动驾驶车辆动态专用车道，以在复杂交通环境和出行高峰时段缓解自动驾驶车辆和人工驾驶车辆的矛盾。

然而，目前常见的机动车专用车道例如公交车专用车道、高占有率车辆(HOV)专用车道一方面都是分时段、分区域进行固定设置的，无法根据交通流拥挤状态进行实时调整，另一方面其管理方法是交管部门在道路上绘制标识，或是在路侧设置固定标牌。上述方法既不能实现对专用车道灵活机动地配置，同时还会影响车道的使用效率。此外，越来越多的研究表明道路限速与交通安全密切相关。然而目前我国的道路限速大多是固定的，这在一定程度上对道路通行效率、交通安全产生负面影响。

本发明具体实施方式提出了一种用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法，拟根据实时交通流状态及自动驾驶车辆渗透率来动态布设自动驾驶专用车道(CAV_Lane)以分离异质交通流，同时根据实时交通流信息对通用车道车流进行可变速度限制，达到提高通行效率、减少交通冲突和走行时间的目的。

发明内容

本发明具体实施例的目的在于提供用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法，通过为自动驾驶车辆提供优先使用权来促进CAVs的适应性和为交通管理者提供主动管理模式，根据实时交通流信息对通用车道车流进行可变速度限制，达到提高通行效率、减少交通冲突和走行时间的目的；其次CAV车辆借助V2V、V2X等通信技术，使得其能够在专用车道上保持更小的车头时距、更快的运行速度及更高的稳定性，从而改善交通安全、提高道路通行能力，以解决面向未来向全自动驾驶环境过渡下存在的异质交通流运行特性尚不清晰、管控方法有待提升等问题，进而引发的通行能力低、安全隐患大、运行延误高的问题。

本发明具体实施例所采用的技术方案是，用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法，包括以下步骤：

生成交通运行状态分类器；建立总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线；确定自动驾驶专用车道的布设数量；

交通运行状态为拥挤状态时，开启动态自动驾驶专用车道与通用车道可变限速动态协同控制方案，交通信息云端将预测得到下一时刻的自动驾驶车辆渗透率输入至三种目标函数的预设函数曲线，得到三种目标函数的函数值，确定下一时刻的自动驾驶车辆渗透率下的最优自动驾驶专用车道的布设数量；

路侧通信单元接收交通信息云端指令，在动态专用车道信息提示板上发布自动驾驶专用车道控制信息，同时在通用车道可变限速信息提示板上发布动态可变限速控制信息；交通信息云端对交通流数据进行实时计算，动态调整可变限速信息，当交通流趋于稳定自由流状态后，交通信息云端向路侧通信单元传达自动驾驶专用车道关闭信息，所在道路上的自动驾驶车辆和人工驾驶车辆开始混行驾驶，高速公路上合流区域的自动驾驶专用车道与通用车道可变限速的动态协同管控结束。

进一步地，生成交通运行状态分类器，具体为：

S1、获取原始车辆数据集，对原始车辆数据集进行数据预处理，得到用于状态识别的训练车辆数据集，基于聚类分析对训练车辆数据集进行交通拥挤状态识别，获取带有拥挤状态标签的特征数据集：

S11、获取原始车辆数据集：以每秒相同帧数为间隔对高速公路的车辆进行图像采集，通过图像识别提取每个图像的车辆轨迹数据作为原始车辆数据，原始车辆数据的集合作为原始车辆数据集；

S12、对原始车辆数据集进行数据预处理：对原始车辆数据集中的原始车辆数据进行数据筛选整合，即从每个原始车辆数据中筛选出3个特征数据和1个常规数据，3个特征数据为车辆速度、车道空间占有率、车辆行程时间，1个常规数据为标准时间，并对每个原始车辆数据筛选出的特征数据进行数据整合，形成数据整合后的车辆数据集，按一定的时间粒度对数据整合后的车辆数据集进行聚合，聚合后的经数据整合的车辆数据集合作为样本，样本的集合形成用于状态识别的训练车辆数据集；

步骤S13、基于聚类分析对训练车辆数据集进行交通拥挤状态识别，获取带有交通拥挤状态标签的特征数据集；

S2、将带有交通拥挤状态标签的特征数据作为分类分析的先验知识，生成交通运行状态分类器。

更进一步地，S2中，交通运行状态分类器采用基于BP神经网络的交通运行状态分类器，将带有交通拥挤状态标签的特征数据集作为BP神经网络的数据集，然后通过进行离线的分类评估模型进行训练，学习交通流参数所表征的交通状态，最后得到交通运行状态分类器，具体实现过程包括以下步骤：

步骤S21、建立基于BP神经网络的交通运行状态分类器模型：所建立的交通运行状态分类器模型的网络拓扑结构共3层，包含输入层、输出层和隐含层；其中输入层变量为平均车速V

步骤S22、基于TensorFlow搭建并训练基于BP神经网络的交通运行状态分类器模型，设计基于BP神经网络的交通运行状态分类器模型的传递过程、训练函数、激活函数，并将S1中得到的带有交通拥挤状态标签的特征数据集划分成训练集与预测集，利用训练集对基于BP神经网络的交通运行状态分类器模型执行训练过程，并在每轮训练中根据训练莱文伯格-马夸特算法来计算交叉熵损失函数，然后根据交叉熵损失函数调整网络参数，得到基于BP神经网络的交通运行状态分类器模型；

步骤S23、根据步骤S21～S22，通过不断对基于BP神经网络的交通运行状态分类器模型进行训练，将得到的误差作对比，选择出使得误差较小的训练函数从而最终实现最佳节点数目的确定，从而生成最终的交通运行状态分类器。

进一步地，建立总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线，具体为：

首先，建立包含L条主线车道和单道匝道的高速公路场景，作为总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线的建模场景，通过设置下游车道通行能力C

其次，预设自动驾驶车辆市场渗透率P

更进一步地，总体通行能力Q的目标函数表达式如下式所示：

式中，Q为高速公路合流区总体通行能力，L为车道总数，l

其中，自动驾驶车道交通量q

式中，P

通用车道交通量的计算见下式：

式中，

更进一步地，交通安全代理指标目标函数的预设函数曲线的建立过程，具体为：

利用SUMO仿真软件在各个场景模型下进行仿真实验，同时将各个场景模型对应的路网属性数据和车辆属性数据写入到SUMO仿真软件中，并运行SUMO仿真软件，输出为包括车辆信息、交通安全代理指标和车辆总停止时间

其中，路网属性数据包括路段长度、道路线型、车道宽度、车道数量、道路限速；

车辆属性数据包括车辆跟驰模型、车辆长度、车辆车头时距、车辆换道模型；

其中，自动驾驶专用车道不限速；通用车道的道路限速采用可变限速模型；匝道固定限速；

车辆信息包括车辆速度、车辆行程时间、车辆停止等待时间、车道空间占有率；

交通安全代理指标TIT的目标函数表达式如下式所示：

式中，TTC

更进一步地，可变限速模型的函数关系表达如下式所示：

式中，V

可变限速模型修正：引入速度阈值V

相邻时刻同一车道的限速值修正，如下式所述：

式中，ΔV

相邻车道同一时刻的限速值修正，如下式所示：

式中，V

更进一步地，车辆总停止时间的目标函数表达式如下式所示：

式中，

进一步地，确定自动驾驶专用车道的布设数量，具体为：

构建不同场景模型下三种目标函数的预设函数曲线的权重向量A＝(a

构建不同场景模型下三种目标函数的预设函数曲线在不同自动驾驶车辆市场渗透率下的自动驾驶专用车道最佳布设数量向量U＝(u

结合权重向量A和向量U，得到最佳自动驾驶专用车道布设数值R＝A·U，确定自动驾驶专用车道的布设数量。

进一步地，预测得到下一时刻的自动驾驶车辆渗透率的计算如下式所示：

P

式中，P

本发明具体实施例的有益效果是：

(1)通过高速公路上合流区域的实时交通流状态及下一时刻的自动驾驶车辆渗透率来动态布设自动驾驶专用车道，用以动态实时分离异质交通流，使得自动驾驶车辆在专用车道上行驶，通用车道上自动驾驶车辆会减少甚至没有，有效解决拥挤交通状态下自动驾驶车辆和人工驾驶车辆混行对交通流产生的负面影响；由于自动驾驶专用车道上的自动驾驶车辆具备V2V和V2X的通信技术，能完全发挥自动驾驶技术，不受人工驾驶车辆干扰，大幅提高车辆通行能力以及运行速度，有效减少通行时间；通用车道上由于大幅减少甚至没有自动驾驶车辆，也使得通用车道上的交通流的安全性和稳定性大幅提高。

(2)本发明具体实施例通过自动驾驶专用车道与通用车道可变限速的动态协同管控方法达到缓解交通拥堵、减少交通冲突和提高通行能力的目的，同时根据实时交通流信息对通用车道车流进行可变速度限制，可以达到提高通行效率、减少交通冲突和走行时间的目的。

(3)本发明具体实施例制定了多目标函数，旨在找到自动驾驶专用道布设数值平衡点，在通过性、安全性和高效性之间进行权衡；通过通用车道采用动态可变限速控制方案，能够有效降低高速公路合流区域瓶颈路段车流的冲突风险，降低平均车道车辆增加的总停止时间比例。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明具体实施例的BP神经网络拓扑结构图。

图2是本发明具体实施例的异质交通流下不同车辆跟驰模式车头间距图。

图3是本发明具体实施例的动态专用车道场景设置图。

图4是本发明具体实施例的限速板与检测器部署设置图。

图5是本发明具体实施例的匝道交通量为400辆/小时场景下的三种目标函数预设函数曲线图。

图6是本发明具体实施例的匝道交通量为600辆/小时场景下的三种目标函数预设函数曲线图。

图7是本发明具体实施例的匝道交通量为800辆/小时场景下的三种目标函数的预设函数曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明具体实施例提供用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法，包括以下步骤：

S1、获取原始车辆数据集，对原始车辆数据集进行数据预处理，得到用于状态识别的训练车辆数据集，基于聚类分析对训练车辆数据集进行交通拥挤状态识别，获取带有拥挤状态标签的特征数据集，具体包括以下步骤：

S11、获取原始车辆数据集：以每秒相同帧数为间隔对高速公路的车辆进行图像采集，通过图像识别提取每个图像的车辆轨迹数据作为原始车辆数据，原始车辆数据的集合作为原始车辆数据集。

其中，车辆轨迹数据包括车辆位置数据、车辆速度数据、车辆类型数据、车头间距数据。

本发明具体实施例以美国101高速公路(U.S.freeway 101)为一个具体实例进行具体分析，步骤如下：

获取用于训练的原始车辆数据集，数据采集时间为7:50-13:50共计360分钟，该数据集包含了对101高速公路以每秒10帧为间隔的车辆图像采集，并通过图像识别技术提取了车辆轨迹数据作为原始车辆数据，原始车辆数据的集合作为原始车辆数据集，其中，车辆轨迹数据包括车辆位置数据、车辆速度数据、车辆类型数据、车头间距数据。

S12、对原始车辆数据集进行数据预处理：对原始车辆数据集中的原始车辆数据进行数据筛选整合，即从每个原始车辆数据中筛选出3个特征数据和1个常规数据，3个特征数据为车辆速度、车道空间占有率、车辆行程时间，1个常规数据为标准时间，并对每个原始车辆数据筛选出的特征数据进行数据整合，形成数据整合后的车辆数据集，按一定的时间粒度对数据整合后的车辆数据集进行聚合，聚合后的经数据整合的车辆数据集合作为样本，样本的集合形成用于状态识别的训练车辆数据集。

车道空间占有率为交通流参数指标，描述的是一个特定的时刻、特定区域内，已被车辆在地面投影占有的道路量与区域内道路总量的比率。

本发明具体实施例对原始车辆数据集进行数据预处理：对原始车辆数据集中的原始车辆数据进行数据筛选整合，以30秒的时间粒度对数据整合后的车辆数据集进行聚合，聚合后的经数据整合的车辆数据集合作为样本，样本的集合形成720条用于状态识别的训练车辆数据集，每条数据集含车速、车道空间占有率、车辆行程时间3类特征数据，标准时间1类常规数据。

其中，对每个原始车辆数据筛选出的特征数据进行数据整合，具体包括以下步骤：

步骤S121、对每个原始车辆数据筛选出的特征数据进行数据标准化处理，得到数据标准化处理后的车辆数据集；

本发明具体实施例提供一种具体的数据标准化处理方法，具体是采用最小-最大值规范化方法进行特征变换，如式(1)所示，计算每个原始车辆数据筛选出的特征数据的数值与该数据所在特征数据类别的最小值之差与该数据所在特征数据类别的最大值之差的比值作为特征变换后的数值，该比值的数值范围为[0，1]：

其中，x

步骤S122、将数据标准化处理后的车辆数据集中的离群数据剔除；

离群数据也被称为异常数据，其存在会对数据处理结果产生干扰，通常要进行离群数据剔除处理，本发明具体实施方式提供一种优选的离群数据剔除处理方法，具体采用局部离群因子(Local Outlier Factor，LOF)算法对离群数据进行剔除处理，通过计算样本点周围的样本点所处位置的平均密度与该样本点所在位置的密度之比作为局部离群因子LOF，根据样本点局部离群因子LOF程度判定为异常点，具体包括以下步骤：

(1)计算数据标准化处理后的车辆数据集中的每个特征数据与其他同类别的特征数据的欧式距离，将欧式距离排序后找到每个特征数据的前k个近邻。

(2)计算所有特征数据的第k邻近距离，p

(3)计算每个特征数据点到其k个近邻的可达距离：

其中，

(4)计算每个特征数据点的局部可达密度:

式中，lrd

(5)计算所有特征数据的局部离群因子：

式中，LOF

步骤S13、基于聚类分析对训练车辆数据集进行交通拥挤状态识别，获取带有交通拥挤状态标签的特征数据集。

本发明具体实施例提供一种具体的聚类分析方法，即基于K-Means算法聚类分析进行交通拥挤状态识别。

在确定聚类数目u后，通过设置u个随机点作为初始质心进行迭代计算。然后将每个训练车辆数据样本分配到最近的质心，采用欧几里德距离进行测量，并重新计算新的聚类。反复迭代计算过程使得目标函数最小化，满足迭代终止条件时，算法停止。K-Means聚类方法的聚类误差平方和函数如下：

式中，J(X,C)表示聚类误差平方和函数，g表示训练车辆数据样本总量，u为聚类数目，x

式中，c

S2、将S1带有交通拥挤状态标签的特征数据作为分类分析的先验知识，生成交通运行状态分类器。利用生成的交通运行状态分类器对实时交通流进行分类，可以得到实际道路交通运行状态。

本发明具体实施例选用基于BP(back propagation)神经网络的交通运行状态分类器作为交通运行状态分类器，将带有交通拥挤状态标签的特征数据集作为BP神经网络的数据集，然后通过进行离线的分类评估模型进行训练，学习交通流参数所表征的交通状态，最后得到交通运行状态分类器，对同等道路场景下的交通流状态进行实时或未来的迁移分类预测，具体实现过程包括以下步骤：

步骤S21、建立基于BP神经网络的交通运行状态分类器模型：所建立的交通运行状态分类器模型的网络拓扑结构如图1所示，共3层，包含输入层、输出层和隐含层；其中输入层变量为平均车速V

通过对交通流参数在不同状态下输出的分析，确定了交通运行状态分类器模型的输入层变量为平均车速V

表1交通运行状态分类器模型的输入变量

交通拥挤状态分类的形式有很多，本发明具体实施例采用的交通运行状态分类器模型可以辨别三种拥挤状态，分别为畅通、拥挤、阻塞，交通运行状态分类器模型的输出层设计如表2所示。当交通状态为拥挤时就开始进行控制，直至恢复畅通，理想结果不会出现阻塞，如果出现同拥挤时的处理方法。

BP神经网络中隐含层节点数根据输入层节点个数和输出层节点个数确定，确定公式如式(7)所示：

其中，r为隐含层节点个数，g为输入层节点个数，h为输出层节点个数，δ为常数，1≤a≤10。

步骤S22、基于TensorFlow搭建并训练基于BP神经网络的交通运行状态分类器模型，设计基于BP神经网络的交通运行状态分类器模型的传递过程、训练函数、激活函数，并将S1中得到的带有交通拥挤状态标签的特征数据集划分成训练集与预测集，利用训练集对基于BP神经网络的交通运行状态分类器模型执行训练过程，并在每轮训练中根据训练莱文伯格-马夸特(Levenberg-Marquardt，LM)算法(matlab工具箱调用)来计算交叉熵损失函数(matlab工具箱调用)，然后根据交叉熵损失函数调整网络参数(包括各网络层节点个数、节点连接权重参数w，节点偏置值b)，得到基于BP神经网络的交通运行状态分类器模型。

其中，BP神经网络是一个基于Widrow-Hoff学习规则的正向传递工作信号，反向传递误差信号的多层网络，其正向传递子过程如式(8)、式(9)所示：

式中，

本发明具体实施例选取sigmoid函数作为激活函数，如式(10)所示；选取莱文伯格-马夸特(Levenberg-Marquardt，LM)算法作为训练函数trainlm。

f(ε)表示表示激活函数，ε表示式9中的S

步骤S23、根据步骤S21～S22，通过不断对基于BP神经网络的交通运行状态分类器模型进行训练，将得到的误差作对比，选择出使得误差较小的训练函数从而最终实现最佳节点数目的确定，从而生成最终的交通运行状态分类器。本发明具体实施例最终确定隐含层为2层，输入层、隐含层、输出层的节点数分别为3-5-3。

步骤S3、分别建立总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线，具体为：

首先，建立包含L条主线车道和单道匝道的高速公路场景，作为总体通行能力、交通安全代理指标、车辆总停止时间三种目标函数的预设函数曲线的建模场景，通过设置下游车道通行能力C

其次，预设自动驾驶车辆市场渗透率P

这种提前预设三种目标函数曲线的做法使得步骤S5中检测器反馈的实时自动驾驶车辆市场渗透率P

本发明具体实施例设计了一个包含四条主线车道和单车道匝道的高速公路场景，作为三种目标函数的预设函数曲线的建模场景，如图3所示。当匝道下游通行能力小于上游交通需求时间，匝道处于拥挤状态。为模拟匝道处于拥挤状态，设置下游车道通行能力C

(1)指标之一，总体通行能力目标函数为整数非线性规划模型，动态专用车道控制问题转化为求解最优自动驾驶车道数以实现高速公路合流区总体通行能力Q最大的函数优化问题，具体见式(11)：

式中，Q为高速公路合流区总体通行能力，L为车道总数(L≥2)，l

分别根据通用车道交通量q

高速公路合流区总体通行能力Q中，自动驾驶车道交通量q

式中，P

高速公路合流区总体通行能力Q中，通用车道交通量的计算见式(13)～(16)：

式中，

匝道交通量q

式(16)中溢出的自动驾驶车辆分配在通用车道的比率为

首先，建立异质交通流下车辆跟驰模型，建立异质交通流的4种车辆跟驰模式：

针对本发明具体实施例的异质交通流，所有自动驾驶车辆和人工驾驶车辆的到达是随机的，异质交通流的车辆跟驰模式出现如图2所示的4种车辆跟驰模式，4种车辆跟驰模式下的平均车头时距分别为

然后，根据异质交通流的4种车辆跟驰模式求解异质交通流下的平均车头时距

式中，N

然后，自动驾驶车辆市场渗透率P

最后，当溢出的自动驾驶车辆分配在通用车道的比率为

当前高速公路上匝道合流区交通流大多考虑通行能力最大，未能将交通安全及交通延误考虑在内。本发明具体实施例基于此，利用SUMO仿真软件分别针对交通安全及交通延误在上述不同场景模型下进行仿真实验，以交通安全代理指标最小为目标函数来衡量交通安全程度，即方案二；以车辆总停止时间最小为目标函数来衡量通行效率，即方案三。通过数值分析与仿真模拟，分别得到3个目标函数的不同方案，建立不同方案权重矩阵，确定最终车道布设方案。

(2)指标之二：利用SUMO仿真软件在各个场景模型下进行仿真实验，同时将各个场景模型对应的路网属性数据和车辆属性数据写入到SUMO仿真软件中，并运行SUMO仿真软件，输出为包括车辆信息、交通安全代理指标和车辆总停止时间

其中，路网属性数据包括路段长度、道路线型、车道宽度、车道数量、道路限速；

车辆属性数据包括车辆跟驰模型、车辆长度、车辆车头时距、车辆换道模型；

其中，自动驾驶专用车道不限速；通用车道的道路限速采用可变限速模型；匝道固定限速设置为60km/h；形成动态可变限速控制方案。

车辆信息包括车辆速度、车辆行程时间、车辆停止等待时间、车道空间占有率。

以各个预设的自动驾驶车辆市场渗透率P

式中，TTC

其中，传统限速没有考虑下游交通状态且方式固定，当上匝道交通量大时，合流区呈现拥挤状态，而上游处于畅通状态，如果不对上游交通速度进行逐级限速控制，会使得车辆来不及减速进入拥挤区域，使得拥挤状况进一步加剧，且具有一定的风险。

本发明具体实施方式的指标二和指标三的预设函数曲线的设置过程中通用车道的道路限速采用可变限速控制模型，根据下游交通流检测器监测数据进行实时调节，且逐级进行限速控制，非现有道路固定限速，即当下游占有率较高时，限速值计算结果则较低，反之则较高。

可变限速控制模型的函数关系表达如式(21)和式(22)所示：

式中，V

可变限速模型修正：可变限速模型通过控制区域t时刻下一子路段车速和占有率信息来计算t+Δt时刻当前子路段限速值，使其分段逐步提前减速，来实现降低事故风险，改善交通安全的目的。为避免速度骤降造成事故，需要对该模型的计算限速值进行修正。本发明具体实施例引入速度阈值V

相邻时刻同一车道的限速值修正：

式中，V

相邻车道同一时刻的限速值修正：

式中，V

(3)指标之三：利用SUMO仿真软件在各个场景模型下进行仿真实验，以各个场景模型的预设自动驾驶车辆市场渗透率P

车辆总停止时间的目标函数关系式见式(26)，从通行效率方面衡量方案的优劣性，三种方案共同制约得到最终方案，方便根据不同权重值设置来进行不同指标的取舍。

式中，

步骤S4、确定自动驾驶专用车道的布设数量：

自动驾驶专用车道布设方案的分配原则为：即当自动驾驶专用车道布设方案开启时，传统车辆只能在通用车道上行驶，自动驾驶车辆将优先在自动驾驶专用道行驶，当自动驾驶车辆大于专用车道通行能力时，溢出的自动驾驶车辆将被分配到通用车道。

首先，构建不同场景模型下三种目标函数的预设函数曲线的权重向量A＝(a

本发明具体实施例根据SUMO仿真分析结果结合本领域专家经验知识，确定权重矩阵A＝(0.38,0.38,0.24)。a

步骤S5、根据步骤S1将检测到的实时交通流数据发送给交通信息云端进行预处理并储存，利用步骤S2生成的交通运行状态分类器对交通信息云端存储的交通流数据进行分类，当分类器输出交通运行状态为拥挤状态时，交通信息云端开启自动驾驶专用车道与通用车道可变限速动态协同控制方案，交通信息云端利用公式(27)～(28)对交通流中下一时刻的自动驾驶车辆渗透率P

P

式中，P

步骤S6、路侧通信单元接收交通信息云端指令，在动态专用车道信息提示板上发布自动驾驶专用车道控制信息，对准许行驶在该道路上的车辆进行提示，处于自动驾驶专用车道内的人工车辆应尽快驶离，未进入控制路段的人工车辆将禁止进入自动驾驶专用车道；同时在通用车道可变限速信息提示板上发布动态可变限速控制信息，处于通用车道的所有车辆按照可变限速信息提示板发布的限速值进行行驶，通用车道可变限速信息提示板每30秒进行实时可变限速信息更新；道路检测器实时监测控制路段交通流，并将实时监测的交通流信息向交通信息云端传达，交通信息云端对交通流数据进行实时计算，动态调整可变限速信息，当交通流趋于稳定自由流状态后，交通信息云端向路侧通信单元传达自动驾驶专用车道关闭信息，路侧通信单元传递信息给动态专用车道信息提示板，自动驾驶专用车道灯熄灭，所在道路上的自动驾驶车辆和人工驾驶车辆开始混行驾驶，结束高速公路上合流区域的自动驾驶专用车道与通用车道可变限速的动态协同管控。

并且，可以通过合流区入口处的高清摄像头对进入控制路段的车流进行实时监控，对违规进入自动驾驶专用车道的人工车辆以及通用车道上超速行驶车辆进行抓拍，并将违规车辆信息实时上传至交通信息云端，交通信息云端与交警管理平台互联，对违规车辆进行依法处理。

为了确保通用车道车辆可以按照实时更新的可变限速速度限制行驶，在控制路段下游之前按照每0.5km进行可变限速信息板和检测器布设，详见图(4)。

需要说明的是，在本申请中，诸如第一、第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。