《Results in Engineering》：Optimizing Traffic Efficiency and Emergency Response through Enhanced Dynamic Charging Lanes, Autonomous Platooning Systems, and 6G Connectivity
编辑推荐：
快速城市化进程与电动汽车（EVs）保有量的持续增长，对现代交通系统构成了日益严峻的挑战，尤其在拥堵管理、能源协同调度与应急响应等领域。这些挑战推动了能够利用新兴6G（第六代移动通信技术）连接性与先进深度学习技术的智能交通系统（ITS）的发展。在该项研究中，研究
快速城市化进程与电动汽车（EVs）保有量的持续增长，对现代交通系统构成了日益严峻的挑战，尤其在拥堵管理、能源协同调度与应急响应等领域。这些挑战推动了能够利用新兴6G（第六代移动通信技术）连接性与先进深度学习技术的智能交通系统（ITS）的发展。在该项研究中，研究人员提出了一种融合卷积神经网络（CNN）、循环神经网络（RNN）与图神经网络（GNN）的集成框架，以支撑统一的交通管理架构。该系统被设计为具备三项序贯能力：基于CNN的到达车辆特征预测、基于RNN的动态交通与充电事件调度，以及基于GNN的编队形成等车辆交互优化。这些组件在6G辅助的车载自组织网络（VANET）仿真环境中运行，实现了高密度城市条件下通信网络性能的评估。研究结果主要验证了所提出框架的网络级行为，证明其在动态交通负载下具有稳定的吞吐量与降低的端到端时延。初步的深度学习性能指标，包括在合成SUMO生成数据上达到90%的训练准确率，确认了集成模型的可行性，但尚未构成对充电、编队或应急响应能力的完整验证。因此，该研究在结论部分概述了未来工作的必要性，包括采用真实数据集、扩展评估指标以及引入对比基线，以严格评估所提出的多阶段架构的完整潜力。
**研究背景与问题**
随着全球范围内对高效交通运输系统需求的持续增长以及车辆电气化进程的 rapid 推进，优化交通流、车辆能耗与应急响应管理成为亟待解决的关键议题。现有研究虽已取得一定进展，但仍存在诸多不足：充电调度与编队优化模型多依赖静态或预设数据，缺乏对实时交通状况、车辆到达动态及能源可用性的动态自适应能力；多数解决方案难以扩展至具有差异化能源需求与充电能力的大规模、多样化电动汽车（EV）车队；此外，充电优化、编队形成与紧急车辆优先通行往往被独立处理，缺乏能够同时兼顾这些目标且不影响整体性能的综合多目标优化框架。特别是在紧急车辆优先通行与充电、编队优化融合方面，相关研究明显不足。这些研究空白构成了本文的核心出发点。
研究人员旨在开发一种创新解决方案，整合动态车辆充电车道、自动驾驶编队系统以及6G（第六代移动通信技术）超高速网络连接等关键技术要素，以实现交通效率提升与应急响应加速的双重目标。该研究在《Results in Engineering》发表，对于推动智能交通系统（ITS）向更智能、更安全、更可持续的方向发展具有重要意义。
**关键技术方法**
研究采用的核心技术方法包括三个层面：第一，基于改进卷积神经网络（CNN）的车辆充电调度优化（VCSO-CNN），采用双曲正弦（HS）激活函数替代传统sigmoid函数以避免梯度消失问题，并通过调度初始化技术优化权重赋值；第二，基于RNN的电动汽车充电调度与紧急车辆优先（EVP-RNN），用于预测车辆到达时间、优化充电时隙分配及实现紧急车辆的预测性路径规划与动态交通调整；第三，基于图神经网络的双阶段训练推理架构——强化学习中继GNN（RGNN）与位置优化GNN（LGNN），分别用于解决最优中继路径选择与车辆位置优化问题。其中，RGNN采用编码器-解码器结构，结合GNN与长短期记忆网络（LSTM）提取节点特征与路径信息，通过策略梯度方法进行训练；LGNN则采用无监督学习方式，利用双向LSTM（BiLSTM）处理车辆特征，通过注意力机制计算不同用户对车辆的影响。整个系统在6G辅助的VANET仿真环境中进行评估，模拟环境采用SUMO（城市交通仿真）1.20.0版本生成合成交通数据集，涵盖多车道城市高速公路网络，车辆行为采用Krauss跟驰模型建模，换道行为由LC2013模型控制，交通需求通过泊松到达过程生成。数据集包含1000条记录，涵盖节点ID、最小能量、最大能量、移动速度与能量等级等特征。网络仿真参数设置包括：11层深层架构、4个本征模态函数（IMFs）、30个卷积核、70个LSTM神经元、8个记忆状态、0.3的丢弃率、1000轮最大迭代次数、0.01学习率等。
**研究结果**
**VCSO-CNN架构与训练**：研究人员详细阐述了VCSO-CNN的架构设计与数学原理。该网络包含输入层、卷积层、池化层与全连接层，通过层次化特征提取实现车辆到达预测。卷积层执行高斯运算提取多层级特征，池化层采用HS激活函数降低维度并防止过拟合。训练过程中，模型在390次迭代内逐步收敛，最终达到约90%的准确率，损失值从初始1.5降至0.2。具体而言，第13次迭代时准确率为39%、损失1.5；第39次迭代准确率提升至50%、损失1.0；第137次迭代准确率39%、损失0.5；第180次迭代准确率60%、损失0.5；第317次迭代准确率70%、损失0.5；第390次（最终）迭代准确率达90%、损失0.2。整体验证曲线与训练曲线接近，表明模型具有良好的泛化能力。
**6G网络下的动态充电与车辆调度**：动态充电系统针对交通拥堵区域优化移动电动汽车的能量输送，避免车辆因静止充电而中断行程。系统根据车辆速度、位置与实时交通状况动态调整充电功率，在拥堵区域（红色标记）分配更高充电功率（如60 km/h时为10 kW），在非拥堵区域则降低至5 kW以平衡电网需求。该策略较传统静止充电提速约20%，每10秒根据车辆移动精确控制功率分配，可减少30%的能量浪费。
**VANET网络性能评估**：在6G辅助VANET仿真中，随着路径发现次数增加，网络吞吐量显著提升，数据包丢失率与端到端时延均明显降低。具体而言，数据率为4 packets/sec时，吞吐量从首次路径发现的约10 Mbps提升至10次发现时的约40 Mbps；数据率为14 packets/sec时，吞吐量从约35 Mbps提升至75 Mbps。数据包丢失率方面，4 packets/sec时从0.45降至0.15，14 packets/sec时从0.30降至0.03。端到端时延随着稳定路径的增加而减小，从首次路径发现的约8×10
7秒降至第10次发现时的约5.5秒，表明多路径发现对于降低传输时延、保障实时数据交换至关重要。
**讨论与结论**
研究人员在讨论部分指出，尽管当前模型在合成数据上展现出良好的训练性能与网络级行为验证，但仍存在明显局限。训练数据为SUMO生成的合成数据，尚未在真实场景下验证；评估指标主要集中于网络吞吐、时延与训练准确率，缺乏对充电调度优化、编队形成效率与应急响应能力的完整量化评估；同时，未设置充分的对比基线来严格论证所提出多阶段架构的优越性。
研究结论强调，动态充电车道、自动驾驶编队系统与6G连接性的整合为应对现代交通挑战提供了前景广阔的解决方案，尤其对城市交通效率优化与应急响应提速具有重要价值。该模型利用物联网车辆（IoV）、深度学习算法与车网互动（V2G）系统等先进技术，有效应对交通拥堵、能源管理与紧急车辆优先等关键问题。仿真结果表明，模型达到90%的准确率且损失最小，验证了实时交通优化与高效能源利用的可行性。VANET仿真结果证实，高数据率与多路径发现对于实现节点间稳定可靠的通信不可或缺，较高的数据率能够显著提升吞吐量并降低丢包率，而多路径发现对于减少传输时延、保障实时交通与紧急场景下的及时数据交换至关重要。
未来研究方向包括：采用更为先进的预测性交通管理技术（如强化学习或多智能体系统）、提升系统可扩展性并整合智慧城市基础设施（如信号灯与行人管理系统）、深化AI在能源优化与车网协同中的应用，以及随着6G网络演进探索更高速可靠的车载通信????
