基于用戶畫像與Stackelberg 博弈的交通環(huán)島通行策略

曹棟發(fā)，李 勇，胡創(chuàng)業(yè)，丁 男，2

（1.新疆師范大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，烏魯木齊 830054；2.大連理工大學(xué) 工業(yè)裝備智能控制與優(yōu)化教育部重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116024）

0 概述

交通環(huán)島是城市交通中必不可少的交通場景之一，其目的是替代交通信號燈，讓不同行駛方向的車輛安全通行［1］，以提升交通通行效率。然而，隨著路網(wǎng)中車輛數(shù)量不斷增加，環(huán)島通行效率降低［2］，擁堵現(xiàn)象頻發(fā)。受環(huán)島道路場景限制［3］，交通環(huán)島入口與出口處的通行壓力日益增大，車輛駛?cè)氕h(huán)島與駛出環(huán)島的沖突加大，甚至出現(xiàn)交通事故。因此，交通環(huán)島的通行已逐漸成為城市交通亟待解決的問題。智能網(wǎng)聯(lián)汽車［4］利用網(wǎng)絡(luò)以及人工智能，實(shí)現(xiàn)車-路-環(huán)境協(xié)同，輔助駕駛進(jìn)而提升車輛行駛安全性與舒適性，已成為新一代智能交通系統(tǒng)中有效解決交通擁堵方案之一?；诮煌ōh(huán)島通行規(guī)則以及場景特點(diǎn)，結(jié)合智能網(wǎng)聯(lián)汽車人-車-路-環(huán)境協(xié)同［5］，車輛在駛?cè)氕h(huán)島和駛出環(huán)島時(shí)換道策略以及通行策略的研究能有效提升交通環(huán)島通行效率與安全，逐漸成為一種有效的解決途徑。

研究人員結(jié)合交通環(huán)島通行場景，利用智能網(wǎng)聯(lián)汽車協(xié)同提升車輛通行效率，設(shè)計(jì)相鄰車輛間通行策略。目前，相關(guān)研究主要集中在車輛跟馳決策控制、車輛換道研究以及車隊(duì)編隊(duì)控制。例如，通過基于聯(lián)盟博弈論的協(xié)同編隊(duì)［6］、主動車輛和被動車輛之間的馬爾可夫博弈［7］、基于合作博弈的全局最優(yōu)合并模型等方法優(yōu)化協(xié)同策略性能［8］。同時(shí)，對于環(huán)島中的車輛博弈，研究人員采用Stackelberg 博弈（STG）和大聯(lián)盟博弈相結(jié)合的方法［9］，構(gòu)建車輛之間相互作用與駕駛員類型的博弈模型［10］，還有基于重復(fù)博弈論和子博弈中求解納什均衡解的方法生成有效且高效的路線規(guī)劃［11］。然而，協(xié)同策略設(shè)計(jì)主要基于車輛行駛的速度、距離等基礎(chǔ)數(shù)據(jù)［12］并假定車輛可以實(shí)時(shí)通信。因此，在實(shí)際應(yīng)用中通信受限情況下，結(jié)合交通環(huán)島特點(diǎn)，利用智能網(wǎng)聯(lián)汽車系統(tǒng)中其他輔助信息［13-14］設(shè)計(jì)的協(xié)同策略還需進(jìn)一步研究。

隨著智能網(wǎng)聯(lián)汽車中感知技術(shù)以及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，其系統(tǒng)中數(shù)據(jù)混雜多樣已成為趨勢。雖然相關(guān)行業(yè)標(biāo)準(zhǔn)與白皮書已對系統(tǒng)中車、路、環(huán)境等相關(guān)數(shù)據(jù)進(jìn)行描述和定義，但是數(shù)據(jù)類型的多態(tài)混雜是不可避免的，例如，離散數(shù)據(jù)與連續(xù)數(shù)據(jù)混雜、周期性數(shù)據(jù)與非周期性數(shù)據(jù)采集混合等。用戶畫像作為一種能夠統(tǒng)籌異構(gòu)數(shù)據(jù)、表征動作傾向和意圖的行為模型，逐漸應(yīng)用于智能網(wǎng)聯(lián)汽車的相關(guān)研究。研究人員利用用戶畫像對智能網(wǎng)聯(lián)汽車系統(tǒng)中異構(gòu)多維數(shù)據(jù)進(jìn)行組織與表征［15-16］，進(jìn)一步提升交通環(huán)島中車輛換道以及通行策略的性能。同時(shí)，結(jié)合預(yù)測技術(shù)，彌補(bǔ)系統(tǒng)中小樣本數(shù)據(jù)或者無法直接采集的信息缺失，進(jìn)一步完善用戶畫像對協(xié)同策略的知識表征和數(shù)據(jù)支撐。

在智能網(wǎng)聯(lián)汽車系統(tǒng)中實(shí)時(shí)通信受限的條件下，本文提出交通環(huán)島中車輛換道以及車輛駛?cè)牒婉偝鰰r(shí)車輛協(xié)同通行策略。在環(huán)島中心設(shè)置路側(cè)單元（Road Side Unit，RSU），車輛可以獲取到自身以及周圍車輛、環(huán)境等歷史信息。基于時(shí)空特征的車輛預(yù)測方法AP-LSTM，通過關(guān)聯(lián)規(guī)則對智能網(wǎng)聯(lián)汽車中的多維異構(gòu)數(shù)據(jù)進(jìn)行分析，以提高預(yù)測精度。同時(shí)，結(jié)合車輛畫像，在車輛軌跡預(yù)測的基礎(chǔ)上設(shè)計(jì)強(qiáng)制換道策略。

1 基于車輛畫像的場景數(shù)據(jù)處理

在智能網(wǎng)聯(lián)汽車的發(fā)展階段，車輛上擁有眾多車載智能設(shè)備來獲取車輛數(shù)據(jù)，包括傳感器、處理器、通信設(shè)備等。因此，本文以車輛作為邊緣節(jié)點(diǎn)，通過車輛進(jìn)行數(shù)據(jù)感知，并通過地理位置更靠近邊緣節(jié)點(diǎn)的RSU 協(xié)作處理車聯(lián)網(wǎng)感知數(shù)據(jù)，以提高多車協(xié)同的車聯(lián)網(wǎng)整體計(jì)算效率，提升多車協(xié)同感知的信息融合性能。環(huán)島場景示意圖如圖1 所示。本文在環(huán)島路口處設(shè)立4 個(gè)RSU，通過RSU 對路口處車輛感知數(shù)據(jù)進(jìn)行統(tǒng)籌處理后，由RSU 將數(shù)據(jù)分發(fā)至各邊緣節(jié)點(diǎn)進(jìn)行存儲和計(jì)算。

圖1 環(huán)島場景示意圖Fig.1 Schematic diagram of roundabout scene

車聯(lián)網(wǎng)數(shù)據(jù)不僅包含其本身的實(shí)時(shí)位置、速度等連續(xù)數(shù)據(jù)，還存在控制車輛的制動程度、轉(zhuǎn)向程度等駕駛動作的離散數(shù)據(jù)。同時(shí)，車聯(lián)網(wǎng)數(shù)據(jù)在從傳統(tǒng)車聯(lián)網(wǎng)狹義概念到智能網(wǎng)聯(lián)汽車廣義概念的發(fā)展過程中，不再局限于少量的終端數(shù)據(jù)。在自動駕駛白皮書中所提到智能網(wǎng)聯(lián)汽車的車輛數(shù)據(jù)不僅包括汽車基礎(chǔ)數(shù)據(jù)，也包括基礎(chǔ)設(shè)施、外界環(huán)境、交通數(shù)據(jù)（道路車道規(guī)模、周圍車輛的具體位置、行駛和運(yùn)動方向、天氣狀況、車流密集程度），以及車主的身份數(shù)據(jù)（駕齡、年齡）、狀態(tài)數(shù)據(jù)（手勢、眼球位置變化等）、行為數(shù)據(jù)（異常變道頻率、駕駛風(fēng)格等）。

由于智能網(wǎng)聯(lián)汽車融合了來自汽車、道路、天氣、用戶等多方面的海量數(shù)據(jù)，因此導(dǎo)致智能網(wǎng)聯(lián)汽車數(shù)據(jù)呈現(xiàn)多維度、規(guī)模大的特點(diǎn)。同時(shí)數(shù)據(jù)的多維度決定了不同來源的數(shù)據(jù)格式不同，使得數(shù)據(jù)存在非結(jié)構(gòu)性和非標(biāo)準(zhǔn)性問題。因此，本文引入車輛畫像對多維度的智能網(wǎng)聯(lián)汽車異構(gòu)數(shù)據(jù)進(jìn)行表征。

本文收集不同區(qū)域環(huán)境下駕駛員信息、車輛信息、車輛運(yùn)行狀態(tài)、駕駛行為、外界環(huán)境5 個(gè)維度的經(jīng)驗(yàn)數(shù)據(jù)。圖2 所示為在這5 維數(shù)據(jù)中包含駕齡、車輛類型、車間距、速度、加速度變化、異常變道次數(shù)、交通流狀況等特征的車輛畫像。按照相關(guān)交規(guī)以及其他劃分標(biāo)準(zhǔn)，將這5 維數(shù)據(jù)中包含的特征劃分成不同的特征類型。其中，駕駛員信息和車輛信息為固有信息，車輛運(yùn)行狀態(tài)可通過車載傳感器獲取，外界環(huán)境數(shù)據(jù)經(jīng)由RSU 采集后分發(fā)給各節(jié)點(diǎn)，而駕駛行為可以通過視覺協(xié)同分析等方法得到，以構(gòu)建出的車輛畫像能夠準(zhǔn)確捕捉駕駛過程中的動態(tài)特征，從而解決智能網(wǎng)聯(lián)汽車傳輸數(shù)據(jù)混雜、數(shù)據(jù)維度多的問題，提升數(shù)據(jù)分析效用。

圖2 車輛畫像示意圖Fig.2 Schematic diagram of the vehicle portrait

2 軌跡預(yù)測

本文基于構(gòu)建的車輛畫像捕捉車輛在不同區(qū)域環(huán)境下的潛在特征，優(yōu)化在駕駛過程中受場景的時(shí)變和多樣性因素導(dǎo)致小樣本數(shù)據(jù)預(yù)測難度增大，以提高車輛軌跡預(yù)測的準(zhǔn)確性和實(shí)時(shí)性。

為實(shí)現(xiàn)基于小樣本特性的車輛軌跡預(yù)測，本文在車輛畫像的基礎(chǔ)上，開發(fā)了AP-LSTM 算法，挖掘不同時(shí)空狀態(tài)下最具代表性的車輛畫像標(biāo)簽，降低數(shù)據(jù)維度，用于車輛軌跡預(yù)測，以此作為后續(xù)車輛協(xié)同博弈的基礎(chǔ)。同時(shí)，由于長短時(shí)記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)在車輛軌跡預(yù)測方面很難兼顧數(shù)據(jù)量、算法實(shí)時(shí)性和預(yù)測準(zhǔn)確性，無法實(shí)現(xiàn)長時(shí)且實(shí)時(shí)預(yù)測，因此在預(yù)測結(jié)果基礎(chǔ)上，通過卡爾曼濾波算法對超過3 s 的長時(shí)預(yù)測結(jié)果進(jìn)行降噪優(yōu)化。

2.1 基于Apriori 的關(guān)聯(lián)規(guī)則分析

Apriori 算法［17］是研究關(guān)聯(lián)規(guī)則的經(jīng)典方法，用于掃描數(shù)據(jù)集中滿足最小支持度minsup 的頻繁項(xiàng)集和提取頻繁項(xiàng)集中滿足最小置信度minconf 的關(guān)聯(lián)規(guī)則，可以獨(dú)立挖掘數(shù)據(jù)集中的關(guān)聯(lián)規(guī)則，適用于小數(shù)據(jù)集的關(guān)聯(lián)規(guī)則分析。本文通過Apriori 算法實(shí)現(xiàn)如下應(yīng)用。

假定車輛駕駛特征集為A，如式（1）所示：

其中：行式為特征在不同時(shí)間下的特征類型；列式為在同一時(shí)間下的不同特征。環(huán)島場景為B，B=(b1,b2,b3)為環(huán)島出入口等的不同場景。

關(guān)聯(lián)規(guī)則的支持度Support 為項(xiàng)集中所有項(xiàng)同時(shí)發(fā)生的概率，A和B的支持度如式（2）所示：

式（2）表明在環(huán)島場景中各項(xiàng)車輛駕駛特征同時(shí)出現(xiàn)的概率。置信度Confidence 表明各項(xiàng)駕駛特征在不同場景下產(chǎn)生的條件概率，A和B的置信度如式（3）所示：

提升度Lift 用于表明不同駕駛特征與不同場景之間的傾向性，A和B的提升度如式（4）所示：

若LAB＞1，表 明A和B正相關(guān)，A、B關(guān)聯(lián)規(guī) 則有效。

定義1（強(qiáng)關(guān)聯(lián)時(shí)空特征）強(qiáng)關(guān)聯(lián)規(guī)則X?Y表示要挖掘的關(guān)聯(lián)規(guī)則，同時(shí)滿足以下2 個(gè)條件：

2.2 AP-LSTM 預(yù)測

長短時(shí)記憶是遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）的一個(gè)變種，構(gòu)建了專門的記憶存儲單元，通過時(shí)間反向傳播算法訓(xùn)練數(shù)據(jù)，以解決RNN 網(wǎng)絡(luò)存在的梯度消失及無長期依賴的問題［18］。LSTM 網(wǎng)絡(luò)包括遺忘門、輸入門和輸出門3個(gè)控制門，3類門共同控制信息的輸入和輸出，具體結(jié)構(gòu)如圖3 所示。LSTM 的門結(jié)構(gòu)使得時(shí)間序列上的信息形成一個(gè)平衡的長短期依賴關(guān)系，適用于交通流時(shí)間序列的信息提取。

圖3 長短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of long short-term memory network

對于車輛軌跡預(yù)測，智能網(wǎng)聯(lián)汽車的多維異構(gòu)數(shù)據(jù)維度的增加意味著預(yù)測實(shí)時(shí)性降低，數(shù)據(jù)維度的減少在一定程度上表示預(yù)測準(zhǔn)確性降低。為此，本文結(jié)合車輛畫像，通過AP-LSTM 算法來捕捉車輛行駛特征，實(shí)現(xiàn)預(yù)測實(shí)時(shí)性和預(yù)測準(zhǔn)確性的平衡。

因此，本文選取由Apriori 算法組合的具有強(qiáng)關(guān)聯(lián)性的多類型駕駛數(shù)據(jù)作為輸入序列[x1,x2,…,xt]，W、b分別為每個(gè)計(jì)算值的權(quán)重矩陣和偏置項(xiàng)，C^t為當(dāng)前輸入作用下的單元狀態(tài)，ht-1為上一時(shí)刻的隱藏層輸入，⊙表示兩向量按元素的乘積，tanh 為非線性激活函數(shù)。LSTM 的單元經(jīng)過這樣處理后就得到了更新后當(dāng)前時(shí)刻的單元狀態(tài)Ct和隱藏層值ht，最后根據(jù)實(shí)際需求設(shè)置隱藏層與輸出層的連接即可。

為了降低長時(shí)預(yù)測的誤差，本文通過卡爾曼濾波算法對超出3 s 的LSTM 長時(shí)預(yù)測結(jié)果進(jìn)行優(yōu)化。

卡爾曼濾波器分為預(yù)測階段和更新階段。在預(yù)測階段，卡爾曼濾波器使用上一狀態(tài)的估計(jì)對當(dāng)前狀態(tài)進(jìn)行估計(jì)。在更新階段，濾波器通過預(yù)測出的狀態(tài)值對系統(tǒng)進(jìn)行更新。卡爾曼濾波器預(yù)測階段和更新階段的狀態(tài)方程如式（7）和式（8）所示：

基于以上內(nèi)容和定義，AP-LSTM 算法主要由3 個(gè)部分組成，即強(qiáng)關(guān)聯(lián)性特征的生成、LSTM 軌跡預(yù)測、長時(shí)輸出的卡爾曼濾波優(yōu)化，具體結(jié)構(gòu)如圖4所示。有關(guān)詳細(xì)信息見算法1。

圖4 AP-LSTM 框架Fig.4 AP-LSTM framework

算法1AP-LSTM 算法

步驟1獲取當(dāng)前車輛歷史行駛數(shù)據(jù)，構(gòu)建車輛畫像。

步驟2基于車輛畫像計(jì)算候選集支持度，并根據(jù)指定的最小支持度構(gòu)建頻繁項(xiàng)集。

步驟3提取頻繁項(xiàng)集中滿足最小置信度的關(guān)聯(lián)規(guī)則。

步驟4根據(jù)獲取的關(guān)聯(lián)規(guī)則，基于相關(guān)特征進(jìn)行數(shù)據(jù)輸入，實(shí)現(xiàn)LSTM 軌跡預(yù)測。

電網(wǎng)電壓驟降恢復(fù)對雙饋風(fēng)電機(jī)組連鎖脫網(wǎng)的影響//周步祥,董申,林楠,劉舒暢,張冰,趙磊//(17):34

步驟5基于LSTM 的軌跡預(yù)測序列，通過卡爾曼濾波算法對其中超出3 s 的長時(shí)部分生成最終輸出序列。

步驟6重復(fù)步驟1，直至所有車輛運(yùn)行完畢。

3 換道博弈策略

為解決在通信受限情況下的換道感知和決策問題，同時(shí)為了降低數(shù)據(jù)誤差對換道決策性能的影響，本文結(jié)合車輛歷史數(shù)據(jù)，通過AP-LSTM 算法對車輛狀態(tài)進(jìn)行估計(jì)和預(yù)測，基于預(yù)測軌跡對處于環(huán)島出口處的車輛進(jìn)行換道博弈。首先定義了領(lǐng)導(dǎo)者和跟隨者收益函數(shù)，然后基于收益函數(shù)給出Stackelberg 博弈策略，最后對Stackelberg 均衡點(diǎn)進(jìn)行驗(yàn)證。

3.1 換道場景

一般情況下，車輛的換道行為只涉及換道車輛與其周邊車輛。因此，本文將換道問題簡化為圖5所示的場景。SV 和SRV 分別作為目標(biāo)車輛和鄰居車輛，LV 和PV 作為SV 和SRV 的前車。因此，車輛換道問題可以抽象為在保證安全性和平穩(wěn)性的前提下，結(jié)合AP-LSTM 算法預(yù)測的SV 和SRV 車輛軌跡，確定SV 的后續(xù)駕駛行為，使得SV 在到達(dá)出口前換道至外側(cè)車道。

圖5 換道場景示意圖Fig.5 Schematic diagram of the lane-changing scene

3.2 Stackelberg 博弈

Stackelberg 博弈是經(jīng)濟(jì)學(xué)中的一種戰(zhàn)略博弈，領(lǐng)導(dǎo)者先行動，追隨者后行動，追隨者按領(lǐng)導(dǎo)者的策略行動。因此，領(lǐng)導(dǎo)者需要考慮追隨者在選擇策略時(shí)的最優(yōu)響應(yīng)［19］。由于車輛換道過程是以換道車輛SV 首先開啟轉(zhuǎn)向動作為開端，鄰居車輛SRV 才根據(jù)周圍狀況確定下一步動作，兩者之間存在一定的順序，因此本文將車輛換道問題建模為SV 與SRV 之間的Stackelberg 博弈。

文獻(xiàn)［20］通過對博弈雙方車輛距離變化來衡量駕駛員的駕駛風(fēng)格，大于安全距離表明駕駛風(fēng)格保守，而距離越小，表明駕駛風(fēng)格越激進(jìn)。結(jié)合此方法，本文設(shè)定如下駕駛行為識別參數(shù)來表述駕駛風(fēng)格。

定義2駕駛行為識別參數(shù)如式（10）所示：

領(lǐng)導(dǎo)者收益函數(shù)如式（11）所示：

收益函數(shù)主要由3 部分組成：第1 部分PvUv(sv)和Uv(srv)描述了車輛SV 和SRV 的安全性收益，考慮到兩輛車相對速度差越大，其駕駛距離差會隨之增大，則安全收益越高；第2 部分Uacc(sv)和Uacc(srv)描述了SV和SRV 的舒適性收益，在駕駛過程中加速度變化越小，駕駛越平穩(wěn)，舒適性收益越高；第3 部分Upos(sv)和Usp(k)描述了車輛的激進(jìn)性收益，對于車輛SV，隨著距離出口越近，越急于換道，其駕駛的激進(jìn)性越高，對于SRV，基于前后車距的駕駛行為識別系數(shù)表明了其激進(jìn)性收益。

換道車輛SV 基于Stackelberg 博弈求解采取換道動作的時(shí)刻N(yùn)′以及換道時(shí)刻車輛需要采取的速度，鄰居車輛SRV 求解針對SV 換道行為所需的速度。其中，vsv(k)、vsrv(k)為車輛SV 和SRV在未來N步預(yù)測軌跡中獲取到k時(shí)刻的速度，asv(k)、asrv(k)為車輛SV 和SRV 在未來N步預(yù)測軌跡中獲取到的k時(shí)刻加速度。具體的求解過程如算法2所示。

算法2STG 算法

3.3 PMC 算法

3.3.1 算法設(shè)計(jì)

算法3 給出PMC 算法運(yùn)行的整體框架，通過車聯(lián)網(wǎng)獲取行駛至環(huán)島出口前的車輛數(shù)據(jù)，由此構(gòu)建車輛畫像來提取關(guān)聯(lián)規(guī)則，實(shí)現(xiàn)基于關(guān)聯(lián)規(guī)則的軌跡預(yù)測，最終通過軌跡預(yù)測結(jié)果進(jìn)行Stackelberg 博弈，求解車輛在環(huán)島出口處所需采取的動作。

算法3PMC 算法

步驟1獲取當(dāng)前車輛歷史行駛數(shù)據(jù)，構(gòu)建車輛畫像。

步驟2基于車輛畫像構(gòu)建頻繁項(xiàng)集并提取滿足minconf 的關(guān)聯(lián)規(guī)則。

步驟3根據(jù)獲取的關(guān)聯(lián)規(guī)則，基于相關(guān)特征進(jìn)行數(shù)據(jù)輸入，實(shí)現(xiàn)LSTM 軌跡預(yù)測。

步驟4

步驟5重復(fù)步驟1，直至所有車輛運(yùn)行完畢。

3.3.2 Stackelberg 均衡點(diǎn)分析

Stackelberg 均衡點(diǎn)分析見引理1。

引理1若是Stackelberg 博弈的Stackelberg 均衡點(diǎn)，則需滿足以下條件［21］：

令式（23）等于0，可解得：

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)場景描述

本文實(shí)驗(yàn)通過SUMO 平臺進(jìn)行性能驗(yàn)證。環(huán)島整體場景的參數(shù)設(shè)定如表1 所示，其中，車輛的路徑規(guī)劃部分由SUMO 內(nèi)置功能處理，PMC 僅在車輛到達(dá)換道位置（距出口150 m）時(shí)才接管。

表1 相關(guān)實(shí)驗(yàn)參數(shù) Table 1 Relevant experimental parameters

為充分分析本文所提算法和策略的性能，本文從以下3 個(gè)方面進(jìn)行性能分析：1）針對車輛畫像中軌跡預(yù)測性能分析，將本文所提AP-LSTM 與主流的LSTM［22］和GPR［23］進(jìn)行對比分析；2）針對交通環(huán)島中稀疏、中度擁堵、嚴(yán)重?fù)矶碌炔煌煌髅芏葓鼍埃瑢⒈疚乃酨MC 與No-Predict［24］和SUMO原有算法［25］進(jìn)行對比；3）針對交通環(huán)島中車輛行駛沖突的關(guān)鍵出口處車輛通行性能分析，將本文所提PMC與Stackelberg、Nash［26］和SUMO 原有策 略進(jìn)行對比分析。

4.2 軌跡預(yù)測分析

結(jié)合車輛畫像，基于AP-LSTM 算法中滿足minsup 和minconf 頻繁項(xiàng)集的強(qiáng)相關(guān)特征如表2 所示，以E2、G3 作為LSTM 軌跡預(yù)測的輸入特征，完成車輛的軌跡預(yù)測。

表2 頻繁項(xiàng)集的強(qiáng)相關(guān)特征 Table 2 Strong correlation characteristics of frequent itemsets

為驗(yàn)證不同時(shí)空狀態(tài)下車輛長時(shí)軌跡預(yù)測效果，以當(dāng)前車輛為例，本文將車輛軌跡預(yù)測時(shí)長分別設(shè)為3 s、4 s、5 s 和6 s。采用均方根誤差（Root Mean Square Error，RMSE）計(jì)算預(yù)測模型的誤差。RMSE如式（27）所示：

圖6 不同算法的均方根誤差對比Fig.6 Root mean square error comparison among different algorithms

4.3 預(yù)測機(jī)制的協(xié)同性能優(yōu)化分析

為分析在通信受限場景下PMC 算法中軌跡預(yù)測機(jī)制產(chǎn)生的優(yōu)化效果，本文對PMC 算法、No-Predict 算法、SUMO 算法進(jìn)行性能分析。不同算法在各場景下的車輛平均速度如表3 所示。不同算法在各場景下的速度和加速度標(biāo)準(zhǔn)差的優(yōu)化表現(xiàn)如圖7 所示。

表3 不同算法的車輛平均速度對比 Table 3 Average speed of vehicle comparison among different algorithms 單位：（m·s-1）

圖7 車輛在不同預(yù)測機(jī)制下的平均速度和加速度對比Fig.7 Comparison of vehicle average speeds and vehicle accelerations under different prediction mechanisms

從圖7（a）和表3 可以看出：在稀疏和中度擁堵交通場景下，雖然No-Predict 算法相較于SUMO 算法的平均速度有一定的提升，但是PMC 算法中基于預(yù)測狀態(tài)的協(xié)同策略能夠獲得更快的平均速度。

在不同場景下，不同算法的加速度對比如表4所示。從圖7（b）和表4 可以看出：在稀疏場景下，雖然PMC 算法的加速度標(biāo)準(zhǔn)差與No-Predict 算法相比降低的不明顯，但是在其他場景下PMC 算法的加速度標(biāo)準(zhǔn)差均明顯降低。圖7 中加速度標(biāo)準(zhǔn)差越低，意味著車輛駕駛越平穩(wěn)。因此，PMC 算法的駕駛平穩(wěn)性效果在不同場景中均最優(yōu)。

表4 不同算法的車輛加速度標(biāo)準(zhǔn)差對比 Table 4 Standard deviations of vehicle acceleration comparison among different algorithms 單位：（m·s-2）

在不同場景下，車輛在各預(yù)測機(jī)制下的加速度趨勢如圖8 所示。從圖8（a）可以看出：PMC 算法在整體運(yùn)行過程中雖然存在某一時(shí)刻的變化，但是其大部分時(shí)間相較于SUMO 和No-Predict 算法更加平穩(wěn)。從圖8（b）和圖8（c）可以看出：PMC 算法的加速度波動均低于SUMO 和No-Predict 算法。

圖8 車輛在各預(yù)測機(jī)制下的加速度趨勢Fig.8 Acceleration trend of vehicles under various prediction mechanisms

因此，在通信場景受限的情況下，基于預(yù)測機(jī)制的協(xié)同策略（PMC 算法）相較于無預(yù)測機(jī)制的協(xié)同策略SUMO，在不同場景中均能夠有效優(yōu)化車輛通行效率與駕駛平穩(wěn)性。

4.4 出口處實(shí)驗(yàn)分析

由于本文所提的基于預(yù)測機(jī)制的協(xié)同策略相較于無預(yù)測機(jī)制的協(xié)同策略性能優(yōu)化效果已得到驗(yàn)證，因此本實(shí)驗(yàn)主要在通信受限場景下通過PMC 與SUMO、Nash、Stackelberg 算法進(jìn)一步對比車輛通行效率和駕駛平穩(wěn)性。其中，Nash 算法是對換道車輛及其周邊車輛直接進(jìn)行納什均衡求解，Stackelberg算法則是以恒定加速度模型（即假定車輛速度）作為受限情況下的車輛狀態(tài)估計(jì)，求解Stackelberg 博弈結(jié)果。出口處車輛的速度分布與加速度標(biāo)準(zhǔn)差分布情況如圖9 所示。

圖9 出口處不同算法性能分析Fig.9 Performance analysis among different algorithms at exit

從圖9（a）可以看出：SUMO 算法存在某輛車的平均速度均快于PMC 和Nash 算法，但PMC 算法的最小值點(diǎn)、25%和50%分位點(diǎn)均高于SUMO、Nash和Stackelberg 算法，由此說明PMC 算法車輛通行效率的優(yōu)化效果優(yōu)于SUMO、Nash 和Stackelberg 算法。從圖9（b）可以看出：PMC 算法加速度標(biāo)準(zhǔn)差的分布區(qū)間小于SUMO 算法，大于Nash 算法，并且PMC 算法的最小值點(diǎn)、25%和50%分位點(diǎn)、最大值點(diǎn)均低于SUMO 和Nash 算法，而Stackelberg 算法的最小值點(diǎn)、25%和75%的分位點(diǎn)以及最大值點(diǎn)均高于PMC 算法，由此說明PMC 算法具有較優(yōu)的車輛平穩(wěn)性。

5 結(jié)束語

本文提出一種基于用戶畫像與Stackelberg 博弈的交通環(huán)島通行策略。通過構(gòu)建車輛畫像，在一定程度上解決智能網(wǎng)聯(lián)汽車領(lǐng)域中多維異構(gòu)數(shù)據(jù)的處理問題，有效表征車輛的時(shí)空狀態(tài)。同時(shí)，結(jié)合構(gòu)建的車輛畫像，設(shè)計(jì)基于時(shí)空特征的車輛預(yù)測方法AP-LSTM，通過關(guān)聯(lián)規(guī)則對智能網(wǎng)聯(lián)汽車中的多維異構(gòu)數(shù)據(jù)進(jìn)行分析，以提高預(yù)測精度。在此基礎(chǔ)上，結(jié)合Stackelberg 博弈對交通環(huán)島路口處的車輛進(jìn)行協(xié)同控制。實(shí)驗(yàn)結(jié)果表明，該策略能夠有效提高環(huán)島車輛的通行速度并確保駕駛安全性。下一步將結(jié)合真實(shí)車輛的協(xié)同控制，利用車輛傳感器整合數(shù)據(jù)，以達(dá)到在現(xiàn)實(shí)場景下應(yīng)用的目的。