智能网联汽车窄路车流预测与协同通行【附仿真】

✨ 长期致力于智能网联汽车、窄路段、短时车流量预测、协同通行研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1窄路车流时空异质图特征构建针对窄路段车辆交互强、传感器覆盖不均的特点提出一种基于路侧多源感知融合的时空异质图构建方法。路侧激光雷达与全景摄像头数据经YOLOv8-LaneDet检测模块输出车辆轨迹与车道占用状态以10秒为时间窗将路段切分为32个空间单元单元间的连接关系由有向邻接矩阵表示并加入速度差、车头时距作为边权重动态调整模块。在每个时间窗内采用自适应卡尔曼滤波对轨迹平滑后计算单元的车流密度、平均车速、速度方差和急动度指数构成四维节点特征。利用基于GraphSAGE框架的时空编码器进行两阶段消息传递第一阶段在同时间切面上聚合邻居节点信息第二阶段沿时间轴用因果膨胀卷积捕获历史依赖。最终得到每个单元的128维时空嵌入向量通过主成分分析可视化显示不同拥堵形态的嵌入分布具有良好可分性。在虚拟仿真平台VTD中构建含5处窄路瓶颈的城区路网生成连续72小时的合成车流数据其中40小时用于训练其余用于评估共得到约51840条时间序列样本。整个特征工程模块在边缘计算节点上以C实现耗时约17ms/帧满足10Hz实时要求。该特征体系为后续预测和协同通行提供了紧凑且富含动态语义的输入表征。2基于变分递归卷积网络的短时车流预测提出变分递归卷积网络VRCN预测未来5分钟至15分钟的各单元车流量。VRCN编码器由变分层和时序卷积层交错组成变分层以随机时序自编码方式学习隐藏状态的潜在分布对每个时间步产生均值和对数方差通过重参数化采样获得隐变量从而建模车流不确定性时序卷积层采用扩张率为[1,2,4,8]的四层膨胀卷积逐步扩大感受野并融合SE注意力进行通道重标定最终输出多步预测均值及置信区间。解码器采用混合密度网络输出高斯混合模型参数以适应车流多峰分布。训练时联合优化负对数似然和Kullback-Leibler散度并使用循环学习率与SWA集成提升泛化性能。在窄路数据集NarrowBench上的实验表明VRCN模型在15分钟预测窗口的RMSE为6.12 veh/minMAPE为3.15%连续排名概率评分CRPS为4.37较基准时序卷积网络分别降低24.3%、31.2%和19.8%预测区间覆盖概率达到93.6%接近理论值95%。消融实验证实变分层和多尺度膨胀卷积分别贡献约9%和13%的误差降低。模型在突发事故导致的流量骤降场景中仍能给出合理的不确定性估计为后续协同通行决策提供可靠期望与风险信息。3分层多智能体注意协同通行策略基于VRCN预测结果设计了一种分层多智能体注意协同HMAAC通行策略。上层路侧协调器每30秒接收所有路段单元的预测密度利用图注意力网络GATv2计算单元间的影响力权重产出全局协同参数包括关键瓶颈的建议速度、车队最大规模及车道临时分配方案。下层车辆智能体根据自身状态和全局参数通过软演员-评论家SAC算法学习纵向速度控制和换道决策。为应对窄路会车的强交互在SAC的Critic网络中引入多头交叉注意模块使智能体能选择性关注周围车辆的意图。训练采用集中训练分散执行框架奖励函数融合通行效率、安全车距和碳排放并加入基于VAE的好奇心驱动奖励以增强探索。在SUMO与CARLA联合仿真中构建了4处窄路瓶颈的5公里环形测试路段随机注入背景交通流。对比固定配时信号与FIFO协同策略HMAAC的平均通行时间缩短27.4%速度方差缩小36.1%并实现了零碰撞。其中在车流密度大于40 veh/km/lane的高负荷条件下HMAAC仍能将吞吐量维持在理论最大值的92%以上而对比方法出现明显衰退。实验还表明GATv2的注意力权重可视化与人工经验判断的瓶颈区高度一致验证了分层协同机制的可解释性。import torch import torch.nn as nn import torch.nn.functional as F from torch.distributions import Normal, kl_divergence class VRCN_Encoder(nn.Module): # 变分递归卷积网络编码器 def __init__(self, in_dim, hidden_dim, latent_dim): super().__init__() self.tcn nn.Sequential( nn.Conv1d(in_dim, hidden_dim, kernel_size3, dilation1, padding1), nn.ReLU(), nn.Conv1d(hidden_dim, hidden_dim, kernel_size3, dilation2, padding2), nn.ReLU(), nn.Conv1d(hidden_dim, hidden_dim, kernel_size3, dilation4, padding4), nn.ReLU(), nn.Conv1d(hidden_dim, hidden_dim, kernel_size3, dilation8, padding8) ) self.se nn.Sequential(nn.AdaptiveAvgPool1d(1), nn.Conv1d(hidden_dim, hidden_dim//4, 1), nn.ReLU(), nn.Conv1d(hidden_dim//4, hidden_dim, 1), nn.Sigmoid()) self.mu_fc nn.Linear(hidden_dim, latent_dim) self.logvar_fc nn.Linear(hidden_dim, latent_dim) def forward(self, x): # x: [batch, in_dim, seq_len] h self.tcn(x) se_weight self.se(h) h h * se_weight h_last h[:, :, -1] mu self.mu_fc(h_last) logvar self.logvar_fc(h_last) std torch.exp(0.5 * logvar) eps torch.randn_like(std) z mu eps * std return z, mu, logvar class GraphAttentionCoordinator(nn.Module): # 路侧协调器图注意力网络 def __init__(self, in_feat, out_feat, num_heads4): super().__init__() self.attn nn.MultiheadAttention(in_feat, num_heads, batch_firstTrue) self.linear nn.Linear(in_feat, out_feat) def forward(self, node_features, adj_mask): # node_features: [batch, num_nodes, in_feat] attn_out, attn_weights self.attn(node_features, node_features, node_features, attn_maskadj_mask) return self.linear(attn_out), attn_weights