V2X環境下主干路相鄰交叉口多目標協同優化模型研究

摘要：針對城市主干路相鄰交叉口之間因缺乏信息交互而不能有效協同，導致主干路運行效率較低的問題，提出一種V2X（vehicle to everything）環境下的城市主干路相鄰交叉口多目標協同優化模型。以V2X技術實時獲取交通量、速度特性為切入點，以交通負荷為關鍵參數，根據不同車道功能進行權重衡量，同時，引入舒適性和行程時間作為協同區域優化參數，以其加權量作為模型綜合評價指標，進而構建城市主干路相鄰交叉口多目標協同優化模型。最后，為了驗證模型的有效性，通過NSGA-Ⅱ（non-dominated sorting genetic algorithm-Ⅱ）算法對實例進行仿真，得到優化目標的Pareto前沿，分析結果表明：關鍵區域的綜合交通負荷降低約19.9%，協同區域主干路通行的速度變化率減少約28.37%、行程時間減少約3.46%，可以有效提高城市主干路通行效率。

關鍵詞：V2X；相鄰交叉口；協同優化；綜合效率；NSGA-Ⅱ

中圖分類號：TP399；U491.4文獻標志碼：A

文章編號：1001-3695（2022）10-018-3003-05

doi：10.19734/j.issn.1001-3695.2022.03.0140

Research on multi-objective cooperative optimization model for adjacent intersections of trunk roads under V2X environment

Zhao Hongzhuan1，2，Wu Hao1，Lu Ningning1，Zhan Xin2，Gu Guobin1，Wang Tao1

（1.School of Architecture amp; Transportation Engineering，Guilin University of Electronic Technology，Guilin Guangxi 541004，China；2.Dong Feng Liuzhou Automobile Co.，Ltd.，Liuzhou Guangxi 545000，China）

Abstract：The problem of ineffective coordination between adjacent intersections of urban trunk roads due to the lack of information interaction，which leads to inefficient operation of trunk roads，this paper proposed a multi-objective collaborative optimization model of adjacent intersections of urban trunk roads under V2X environment.The entry point was to obtain traffic vo-lume and speed characteristics in real-time with V2X technology.This paper took the traffic load as the key parameter，weighting measurement based on different lane functions.At the same time，this paper introduced comfort and travel time as the synergistic regional optimization parameters，and used their weighted amounts as the comprehensive evaluation indexes of the model.Then it constructed a multi-objective collaborative optimization model for adjacent intersections of urban trunk roads.Finally，in order to verify the effectiveness of the model，using the NSGA-Ⅱ algorithm simulated the examples to obtain the Pareto frontier of the optimization objective.The analysis results show that the combined traffic load of key areas is reduced by about 19.9%，and the speed variation rate of synergistic regional trunk road traffic is reduced by about 28.37% and the travel time is reduced by about 3.46%，which can effectively improve the efficiency of urban trunk road traffic.

Key words：V2X；adjacent intersection；collaborative optimization；comprehensive efficiency；NSGA-Ⅱ

0引言

在城市道路交通中，主干路承受著較大的交通負荷，在一定的程度上影響著整個城市的道路交通狀況［1～3］，其中交叉口是城市道路交通運行的節點，是制約道路交通通行效率的關鍵因素［4］，因此，無論是在傳統交通領域還是在ITS（intelligent transportation system）領域，都需要對城市道路交叉口優化進行相關深入研究。

張存保等人［5］針對單點交叉口提出一種引入基于時間窗的滾動預測方法，研究交叉口的信號優化過程。張騰等人［6］研究了一種面向精細化交叉口的路網數據模型以描述交叉口的物理幾何形態。錢偉等人［7］通過研究一種以平均排隊長度為優化目標的模糊協同控制算法，進而協調城市干線多交叉口的紅綠燈信號。姚昌宇等人［8］提出一種基于NEMA雙環相位和合流相位的感應控制策略，以達到實時控制交叉口的目的。王福建等人［9］基于灰色關聯理論，提出一種信號協調控制下的多信號交叉口行程時間影響因素模型。隨著通信技術的發展，V2X技術和自動駕駛技術逐漸成為交通領域研究的熱點，在V2X的環境下，利用RSU（road side unit）和OBU（on board unit），能夠實時獲取車輛的位置、速度等狀態信息，對于交通控制方案的研究具有重要的價值［10～14］。于是，Shi等人［15］基于V2X技術特性，研究并提出了一種以最大綠波為目標的多交叉口協調方案。雖然，以上研究能夠實現單點交叉口控制以及多交叉口協調等傳統目標，然而，其所使用的參數并不能完全表征不同的交通狀態以及滿足現代交通整體效益優化需求，具有局限性。楊陽等人［16］基于車輛在車聯網環境下的運動規律，研究了一種基于車聯網技術的車輛定位方法。Zhao等人［17］進一步考慮了V2X技術特性，從單車智能的角度研究提出了一種考慮駕駛員特性和縱向駕駛自動控制的車輛跟馳模型。Zhou等人［18］基于V2X技術，針對影響無信號交叉口行駛效益的諸多限制，提出了一種V2X環境下的無信號交叉口協同控制框架。也有一些學者和專家從V2V的角度，考慮車車之間的信息交互，對交叉口效益優化問題進行研究。Kamal等人［19］提出一種交叉口區域自動駕駛車輛協同控制方案。張名芳等人［20］提出了一種基于周圍車輛駕駛意圖預測的自動駕駛汽車左轉運動規劃模型，提高了自動駕駛汽車左轉通過無信號交叉口的效率。宋威龍等人［21］提出一種基于車輛交互的交叉口決策方法［21］。以上研究可以發現，雖然通過考慮車車之間的信息交互能夠實現局部交通優化的目的，但大多缺乏對多交叉口之間交互關聯性的考慮。

綜上所述，現有大部分針對主干路交叉口優化問題研究主要存在兩類局限：a）缺乏對于車輛、路側設施以及多交叉口整體協同優化的考慮，難以滿足現代交通研究對于整體效益優化的需求；b）研究所使用的優化參數比較單一，不能滿足多目標優化需求。因此，本文研究考慮從車輛和道路智能的角度出發，利用V2X技術能夠獲取車輛周圍交通信息的特點，基于NSGA-Ⅱ智能優化算法，提出一種V2X環境下多目標協同優化模型，針對城市主干路上的多交叉口場景下的協同優化問題，研究相應的協同控制方案，優化模型主要以優化交叉口負荷、行程時間和舒適性等影響主干路通行的多關鍵參數為目標，使車輛在進入主干路行駛時，能夠盡可能地保證運行效率的最大化。

1V2X環境下主干路相鄰交叉口多目標協同優化模型

針對主干路相鄰交叉口的實際特性，考慮交叉口運行效率的實際影響因素，將交叉口i標定為關鍵區域，路段和交叉口j標定為協同區域，進而將主干路相鄰交叉口標定為兩部分研究。其中，關鍵區域模型以交通負荷為關鍵優化參數指標，依據不同車道功能，對交叉口的影響不同，選取直行車道和左轉車道的交通負荷的加權量作為模型評價指標，構建優化模型，協同區域研究中考慮交叉口i的影響，引入舒適性和行程時間作為關鍵參數，構建V2X環境下主干路相鄰交叉口多目標協同優化模型，并結合NSGA-Ⅱ智能算法，進而研究主干路相鄰交叉口多目標協同優化問題研究，具體研究場景如圖1所示。

1.1協同優化模型

研究基于V2X環境下，車輛與車輛、車輛路側設施能夠交互通信，進行信息交流，因此，為了使建立的模型更具真實性和客觀性，結合主干路及V2X技術實際特性，對本文研究作出如下基礎條件假設：

a）主干路的通行車輛具有優先通行權；

b）車車、車輛與路側設施能夠實時獲取主干路交通量q以及車輛實時速度vi；

c）直行通過關鍵區域交叉口i的車輛能夠到達協同區域交叉口j。

在研究單點交叉口控制模型時，交叉口停車是造成交叉口通行效率低下的重要原因，研究主干路相鄰交叉口時也是如此。與傳統交通相比，基于V2X情景下的車輛通過交通載運工具，交通參與者、基礎設施等交通要素的信息感知，利用高效可靠的信息傳輸和計算處理能力，形成有效、完善的控制信息，實現對交通運輸系統的實時高效優化控制。

已有研究大部分以延誤、停車次數、通行能力等作為單點交叉口的效益評價指標建立綜合評價模型。本文研究主要針對相鄰交叉口的特征，考慮V2X技術特性，將主干路交叉口標定為關鍵區域和協同區域，其中，關鍵區域以不同車道功能下的交通負荷為優化目標，協同區域以行駛舒適性和行程時間作為關鍵優化目標，在此基礎上，選取不同權重下的綜合指標進行比較，探究主干路相鄰交叉口綜合效益的最優權重。同時，本文研究以NSGA-Ⅱ智能優化算法作為多目標協同優化模型的求解基礎，以獲取優化目標的Pareto前沿。

首先，針對本文研究標定的關鍵區域和協同區域為對象，建立主干路相鄰交叉口綜合協同優化模型，以評價主干路運行綜合效益，具體如式（1）所示。

min{PI}=（PI1，PI2）（1）

其中：PI為總體優化目標；PI1為關鍵區域的優化模型；PI2為協同區域的優化模型。

1.2關鍵區域優化模型

同時，考慮到道路交通負荷可以衡量道路服務水平和交叉口靜態評估以及運行狀態分析，在研究主干路關鍵區域交叉口i時，引入交通負荷作為主要參數，考慮道路在不同車道功能下的交通負荷影響不同，以左轉交通負荷和直行交通負荷為優化目標，并賦予其不同權重，以衡量其相對重要性，提出構建如下關鍵區域目標優化模型：

min{PI}1=∑i=1ωji×fi（2）

fi=C×qksk×gek（3）

gmin≤gek≤gmax（4）

其中：i=1，2，…；j=2；qk表示k車道交通量；C表示交叉口i的信號周期；ω表示不同車道功能下的交通負荷的權重系數；gek表示k車道的相位綠燈時間；Sk表示k車道允許通行的飽和流量。

1.3協同區域優化模型

在研究關鍵區域交叉口i的基礎上，將主干路路段和交叉口j標定為協同區域，同時引入主干路行程時間、車輛駕駛員的舒適性作為衡量協同區域綜合效益的評價參數，建立綜合效益評價函數，式（5）表示駕駛員通過協同區域所需的行程時間。

T=Lij+Ljvi（5）

其中：T表示協同區域行程時間；Lij表示交叉口i和j之間的距離；vi表示行駛在路段上的實時平均車速；Lj表示直行通過交叉口j的距離。

同時，由文獻［22］可知，車輛的加速度變化往往影響著駕駛員的舒適性，且道路上交通流處于不擁擠狀態，車輛密度處于車輛能在一定速度范圍內穩定行駛狀態，加速度絕對值與駕駛員的舒適性存在著反比關系，即加速度絕對值越小，駕駛員的舒適性越佳，因此，本文考慮車輛動力學和運動學特性，采用IDM（intelligent driver model）控制函數［23］，IDM控制函數以行駛獲得的期望加速度為目標，其內涵是駕駛員能以舒適的狀態通過協同區域，其行駛狀態控制如圖2所示。因此，本文的舒適性目標優化模型具體如式（6）所示。

a=amax［1-（vi（t）vmax）δ-（ΔLeΔL）2］（6）

其中：ΔLe=ΔLmin+vi（t）×T*+vi（t）Δv2bc（7）

Δv=vi+1（t）-vi（t）（8）

k≤km（9）

其中：a表示車輛的期望加速度；amax表示最大加速度；vi表示車輛的實時速度；T*表示安全車頭時距；Δv表示實際速度變化大?。沪表示實際車頭間距；ΔLe為期望車頭間距；ΔLmin表示最小車頭間距；δ表示加速度指數；k表示車輛密度；km表示最佳密度。

V2X環境下，車車之間可以不斷進行信息交互，協同區域中的車輛能夠實時獲取車輛速度特性，前、后車可以根據自車周圍實時信息進行自身速度調整，因此，前、后車速度差變化較小，可以視做相鄰車輛速度整體趨于局部穩定狀態，因此模型考慮對式（6）變形，具體如式（10）所示。

a=amax［1-（vi（t）vmax）δ-（ΔLmin+vi（t）×T*ΔL）2］（10）

同時，以行駛舒適性、行程時間為優化目標構建多目標優化函數，提出一種協同區域的多目標綜合評價模型，如式（11）所示。

min{PI}2=ω21（Lijvi+g2e1）+ω22×a（11）

其中vmin≤vi≤vmax（12）

1.4基于NSGA-II算法模型分析

為方便模型求解研究，首先，采用歸一法賦予優化目標不同權重來衡量各關鍵優化目標之間的相對重要性，如式（13）所示。

min PI=ωK1+（1-ω）K2（13）

其中：K1、K2為優化目標參數；ω表示相對重要性。

同時，為了使提出的多目標協同優化模型中關鍵目標達到最小以達成優化效果，進而對提出的綜合模型效益PI進行評價，解決本文研究的多目標優化問題，此次采用一種優化非支配排序的遺傳算法（NSGA-Ⅱ）。該算法具有更好多目標優化性能，且已經廣泛應用于交通控制系統優化［24，25］。基于NSGA-Ⅱ算法求解本文提出的優化模型，具體原理步驟如下：

a）創建一個父代PI種群P0，其中PI通過線性加權的方式將多參數目標求解函數轉換為單參數目標求解函數；

b）第一代種群按照非支配水平排序，對于每個解決方案分配一個適應度函數，通過選擇、重組和突變來生成子代種群P1；

c）子代種群繼續進行擁擠度計算，生成的最優N個個體Fi成為新的種群P2；

d）新的種群繼續進行選擇、交叉、變異，不斷進行優化，直至最優PI Pareto前沿。

NSGA-Ⅱ算法的精英選擇策略過程如圖3所示。

本文研究具體應用原理如圖4所示。

2仿真與分析

2.1仿真實例數據

為驗證建立的多目標協同優化模型的有效性，以桂林市中隱路實測數據為例，包括中隱路—陽江路，中隱路—紅嶺路兩個交叉口，且將研究的主干路交叉口分別命名為交叉口i、交叉口j，以交叉口i為關鍵交叉口，進而協同控制交叉口j。其中，交叉口i為十字交叉口，交叉口j為T型交叉口，信號控制相位均為四相位，具體實測數據如表1所示。

2.2模型數值仿真分析

此次研究采用NSGA-Ⅱ聯合計算機應用軟件MATLAB 2019a，搭建算法仿真環境，對建立的多目標協同優化模型進行數值仿真分析。為方便研究進行，對部分模型參數進行設置，其中，結合實例數據，選取信號周期C、交叉口飽和流率S以及速度v、有效綠燈時間g等參數，δ、T*、amax等參數設置參考文獻［23］可知，具體數值如表2所示。

通過對不同ω賦予直行交通負荷和左轉交通負荷不同權重值，衡量其相對重要性。為了比較直行和左轉交通負荷的相對重要性衡量，主要采取ω1=0.5，ω2=0.5；ω1=0.6，ω2=0.4；ω1=0.7，ω2=0.3三種不同權重下的直行、左轉、綜合交通負荷評價模型進行數值仿真，仿真結果如圖5所示。

圖5通過NSGA-Ⅱ算法聯合計算機仿真軟件MATLAB 2019a比較了三種不同權重下關鍵區域的交通負荷結果，可以得出，通過NSGA-Ⅱ算法進行關鍵區域目標的優化，結果都具有收斂性。從圖5（a）（b）可以得出，當ω1=0.7，ω2=0.3時直行、左轉交通負荷的收斂效果最好，變化范圍更小，說明交通負荷也更穩定，從圖5（c）可以得出，此時綜合交通負荷收斂值約為0.315。同時，將通過NSGA-Ⅱ優化的綜合交通負荷收斂值與通過式（2）和（3）計算實測數據得到的綜合交通負荷相比，綜合交通負荷降低約19.9%，可以有效地緩解研究的關鍵區域交通壓力。

在關鍵區域研究的基礎上，考慮以行程時間和舒適性作為研究協同區域的優化目標，利用NSGA-Ⅱ算法，對協同區域構建的多目標協同優化模型進行數值模擬仿真。其中，不同權重下的關鍵區域綜合效益指標如圖6所示；多優化目標的Pareto前沿如圖7所示；行程時間、舒適性的目標優化結果如圖8、9所示；最優權重下協同區域的綜合效益如圖10所示。

圖6比較了當ω=0.3、ω=0.4以及ω=0.5時的不同權重下的綜合效益指標，可以得出，三種權重下綜合效益的收斂結果不同，且當ω=0.3時，綜合指標PI達到更小，這表明當ω=0.3時，協同區域的綜合效益是更優的；圖7是權重值取ω=0.3時，協同區域的多目標優化模型在NSGA-Ⅱ算法下優化結果得到了較好的Pareto前沿，優化目標比較理想，表明提出的協同區域多目標優化模型是合理的；為進一步針對協同區域優化目標結果的具體量化，圖8～10得到了優化模型的舒適性、行程時間以及綜合效益優化目標在數值仿真下的具體收斂結果，即多目標的具體優化結果?？梢缘贸?，優化后協同區域平均行程時間收斂值約為49.14 s，車輛加速度收斂值約為-0.616 m/s2，與實測數據相比，加速度的變化率減少約28.37%，行程時間減少約3.46%。

綜上所述，利用NSGA-Ⅱ算法聯合計算機應用軟件MATLAB 2019a對提出的一種V2X環境下主干路相鄰交叉口的多目標協同優化模型進行數值模擬仿真，得到了綜合負荷度、舒適性以及行程時間等多目標的Pareto優化前沿。分析結果表明，關鍵區域的交通負荷得到降低，協同區域車輛行駛的舒適性得到提升，降低了主干路行程時間，有效提高了主干路通行效益，同時通過比較不同權重下的綜合效益衡量關鍵優化指標的相對重要性，選取了本文研究場景中的最優衡量權重。

3結束語

a）本文基于V2X技術，根據交叉口特征不同，將主干路相鄰交叉口區域標定為關鍵區域和協同區域，以綜合交通負荷最優為關鍵區域的研究目標，提出關鍵區域優化控制模型，以速度作為實時變化參數，構建以舒適性和行程時間為優化目標的協同區域的優化模型，由局部到整體，提出一種基于V2X環境下的城市主干路相鄰交叉口多目標協同優化模型，有利于主干路多交叉口復雜問題的研究。

b）本文通過NSGA-Ⅱ算法聯合計算機應用軟件MATLAB 2019a仿真驗證了V2X環境下的城市主干路相鄰交叉口多目標協同優化模型的有效性，關鍵區域的綜合交通負荷降低約19.9%，協同區域車輛行駛的舒適性提升約28.37%，主干路平均行程時間減少約3.46%，極大地提高了主干路運行效益；同時，本文考慮了不同參數的相對重要性，通過數值模擬仿真比較不同權重下各指標的綜合效益，得出了主干路相鄰交叉口場景下最優綜合效益的權重，提高了構建模型的真實性和客觀性。

c）本文主要基于主干路信號交叉口與主干路上的車輛交互進行了主干路相鄰交叉口協同優化研究，后續研究將充分考慮基于V2X環境下多交叉口之間的交互以及考慮V2X環境下交叉口之間交互信息延遲等影響因素，構建相應的多目標協同優化模型并通過仿真結合實際場景驗證模型性能。

參考文獻：

［1］李巖，趙志宏，李鵬飛，等.過飽和狀態交通信號控制方法綜述［J］.交通運輸工程學報，2013，13（4）：116-126.（Li Yan，Zhao Zhihong，Li Pengfei，et al.Review of traffic signal control methods in supersaturated state［J］.Journal of Traffic and Transportation Engineering，2013，13（4）：116-126.）

［2］顧長龍.基于軌跡數據融合的城市路網運行狀態感知［D］.哈爾濱：哈爾濱工業大學，2020.（Gu Changlong.Urban road network traffic perception state based on trajectory data fusion［D］.Harbin：Harbin Institute of Technology，2020.）

［3］辛澤昊.面向交通網絡分配的交叉口延誤模型研究［D］.南京：東南大學，2018.（Xin Zehao.Research on intersection delay model for traffic network allocation［D］.Nanjing：Southeast University，2018.）

［4］Papageorgiou M，Diakaki C，Dinopoulou V.Review of road traffic control strategies［J］.Proceedings of the IEEE，2003，91（12）：2043-2067.

［5］張存保，陳超，嚴新平.基于車路協同的單點信號控制優化方法和模型［J］.武漢理工大學報，2012，34（10）：74-79.（Zhang Cunbao，Chen Chao，Yan Xinping.Optimization method and model of single point signal control based on vehicle-road cooperation［J］.Journal of Wuhan University of Technology，2012，34（10）：74-79.）

［6］張騰，黃敏，張漢林.精細化交叉口數據模型的建模方法［J］.計算機應用研究，2020，37（4）：1086-1089.（Zhang Ten，Huang Min，Zhang Hanlin.Modeling approach of precise intersection data model［J］.Application Research of Computers，2020，37（4）：1086-1089.）

［7］錢偉，孫玉娟.城市干線交通信號的模糊協調控制研究［J］.河南理工大學學報：自然科學版，2014，33（5）：621-625.（Qian Wei，Sun Yujuan.Research on fuzzy coordinated control of urban trunk traffic signal［J］.Journal of Henan Polytechnic University：Natural Science，2014，33（5）：621-625.）

［8］姚昌宇，柳祖鵬，何雅琴，等.基于NEMA雙環相位與合流相位的感應控制策略［J］.公路交通科技，2021，38（3）：105-112.（Yao Changyu，Liu Zupeng，He Yaqin，et al.Induction control strategy based on NEMA double loop phase and confluence phase［J］.Highway Traffic Technology，2021，38（3）：105-112.）

［9］王福建，盧一笑，金盛.多信號交叉口干線行程時間特性分析［J］.交通運輸系統工程與信息，2021（4）：132-139.（Wang Fujian，Lu Yixiao，Jin Sheng.Analysis of travel time characteristics of arterials at multi-signal intersections［J］.Transportation Systems Engineering and Information，2021（4）：132-139.）

［10］Chen Shanzhi，Hu Jinling，Shi Yan，et al.Vehicle-to-everything（V2X） services supported by LTE-based systems and 5G［J］.IEEE Communications Standards Magazine，2017，1（2）：70-76.

［11］Molina-Masegosa R，Gozalvez J.LTE-V for sidelink 5G V2X vehicular communications：a new 5G technology for short-range vehicle-to-everything communications［J］.IEEE Vehicular Technology Magazine，2017，12（4）：30-39.

［12］Bhover S U，Tugashetti A，Rashinkar P.V2X communication protocol in VANET for co-operative intelligent transportation system［C］//Proc of International Conference on Innovative Mechanisms for Industry Applications.Piscataway，NJ：IEEE Press，2017：602-607.

［13］Yu Haiyang，Jiang Rui，He Zhengbing，et al.Automated vehicle-involved traffic flow studies：a survey of assumptions，models，speculations，and perspectives［J］.Transportation Research Part C：Emerging Technologies，2021，127：103101.

［14］Siegel J E，Erb D C，Sarma S E.A survey of the connected vehicle landscape—architectures，enabling technologies，applications，and development areas［J］.IEEE Trans on Intelligent Transportation Systems，2018，19（8）：2391-2406.

［15］Shi Yanjun，Li Jiajian，Han Qiaomei，et al.A coordination algorithm for signalized multi-intersection to maximize green wave band in V2X network［J］.IEEE Access，2020，8：213706-213717.

［16］楊陽，林菲，俞定國，等.一種基于車聯網的車輛定位方法［J］.計算機應用研究，2020，37（11）：3461-3466.（Yang Yang，Lin Fei，Yu Dingguo.A vehicle location method based on the Internet of Vehicles［J］.Application Research of Computers，2020，37（11）：3461-3466.

［17］Zhao Hongzhuan，Chen Qiguang，Shi Wei，et al.Stability analysis of an improved car-following model accounting for the driver’s characteristics and automation［J］.Physica A：Statistical Mechanics and Its Applications，2019，526：120990.

［18］Zhou A，Peeta S，Yang M，et al.Cooperative signal-free intersection control using virtual platooning and traffic flow regulation［J］.Transportation Research Part C：Emerging Technologies，2022，138：103610.

［19］Kamal M A S，Imura J I，Hayakawa T，et al.A vehicle-intersection coordination scheme for smooth flows of traffic without using traffic lights［J］.IEEE Trans on Intelligent Transportation Systems，2015，16（3）：1136-1147.

［20］張名芳，李慢，陳子凡，等.人機混駕環境下無信號交叉口自動駕駛汽車左轉運動規劃研究［J］.中國公路學報，2021，34（7）：67-78.（Zhang Mingfang，Li Man，Chen Zifan，et al.Research on left-turn movement planning of autonomous vehicles at un-signalized intersections under human-machine hybrid driving environment［J］.China Journal of Highway and Transport，2021，34（7）：67-78.）

［21］宋威龍，熊光明，王詩源，等.基于駕駛員類型分析的智能車輛交叉口行為決策［J］.北京理工大學學報，2016，36（9）：917-922.（Song Weilong，Xiong Guangming，Wang Shiyuan，et al.Intelligent vehicle intersection behavior decision based on driver type analysis［J］.Trans of Beijing Institute of Technology，2016，36（9）：917-922.）

［22］Li Ming，Wu Xinkai，He Xiaozheng，et al.An eco-driving system for electric vehicles with signal control under V2X environment［J］.Transportation Research Part C：Emerging Technologies，2018，93：335-350.

［23］Treiber M，Hennecke A，Helbing D.Congested traffic states in empirical observations and microscopic simulations［J］.Physical Review E，2000，62（2）：1805-1824.

［24］李巖，過秀成，陶思然，等.基于NSGA-Ⅱ算法的過飽和狀態交叉口群交通信號配時優化［J］.東南大學學報，2013，29（2）：211-216.（Li Yan，Guo Xiucheng，Tao Siran，et al.Traffic signal timing optimization of supersaturated intersection group based on NSGA-Ⅱ algorithm［J］.Journal of Southeast University，2013，29（2）：211-216.）

［25］Deb K，Pratap A，Agarwal S，et al.A fast and elitist multi-objective genetic algorithm：NSGA-Ⅱ［J］.IEEE Trans on Evolutionary Computation，2002，6（2）：182-197.

收稿日期：2022-03-31；修回日期：2022-05-23基金項目：廣西重點研發計劃項目（桂科AB21220052）；廣西科技重大專項（桂科AA22068101）；柳州市重大專項（2021CAA0101）；桂林電子科技大學研究生教育創新計劃資助項目（2021YCXS178）；桂林市創新平臺和人才計劃項目（20210217-15）；廣西可信軟件重點實驗室研究課題資助項目（Kx202023）

作者簡介：趙紅專（1985-），男，廣西桂林人，副教授，博士，主要研究方向為交通信息與控制、交通信息物理系統、智能交通系統、智能網聯技術、可靠感知和可信交互技術、智慧停車；吳浩（1997-），男（通信作者），安徽安慶人，碩士研究生，主要研究方向為智能交通系統、交通信息及控制（wh19970816@163.com）；盧寧寧（1996-），女，河南周口人，碩士，主要研究方向為智慧交通系統、交通信息及控制；展新（1979-），男，吉林長春人，高級工程師，碩士，主要研究方向為卡車整車開發、汽車設計；顧國斌（1997-），男，江蘇南通人，碩士研究生，主要研究方向為交通大數據、數據挖掘；王濤（1985-），男，江蘇邳州人，正高級教授，博士，主要研究方向為交通安全、智能交通．