《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Empowering cooperative control for vehicle groups in merging areas: A trajectory-data-driven critical vehicle identification approach
编辑推荐：
动态复杂网络与熵权法结合的多维度车辆重要性评估及自适应算法在匝道合流区实现高效协同控制
王灿|王伟杰|赵燕|李琳恒|曲旭|冉斌
东南大学交通学院，南京，211189，中国
摘要
为了实现对高速公路匝道合流区域的高精度和低成本控制，本研究提出了一种基于轨迹数据的关键车辆识别（TDCVI）框架，该框架能够在最小控制努力的情况下最大化系统整体性能。该框架首先通过构建一个动态复杂网络来克服传统静态网络建模的局限性，该网络无缝整合了车辆动态、道路几何形状和交通规则，以真实地描述车辆群体之间的相互作用。基于这个网络，建立了一个多维度重要性评估系统，综合考虑网络拓扑结构、个体安全影响和集体效率贡献，超越了传统的单一指标方法。采用熵权重方法（EWM）来客观且动态地量化车辆的重要性。此外，还开发了一种基于贪心算法的适应性算法，根据边际效用递减原则确定关键车辆的最优规模和组成。通过使用高速公路合流区域的真实世界轨迹数据验证了TDCVI框架的有效性。通过合作控制模拟，将TDCVI与三种代表性基准方法（基于中心性的选择、网络拆分和图神经网络方法）进行了对比。结果表明，TDCVI识别的关键车辆的合作控制使平均速度提高了68.71%，碰撞影响因子（CIF）降低了52.93%，总燃油消耗减少了19.55%，显著优于所有基准方法。在异构交通需求条件下的额外实验进一步证明了所提框架的鲁棒性，计算分析也证实了其在实际应用中的实时可行性。本研究为在连接和自动化车辆环境中实现低成本、细粒度的交通控制提供了新的理论基础和实用的决策工具。
引言
随着全球城市化的加速，车辆拥有量的持续增长使得城市交通拥堵成为可持续发展和生活质量的一个持久障碍（Li等人，2022年）。在复杂的城市道路网络中，高速公路合流区域——其特征是强制性的车道变换和频繁的车辆互动——构成了最脆弱的结构单元，并被广泛认为是长期存在的瓶颈（Zhu等人，2022年）。这些区域的运行状态非常不稳定：即使是微小的扰动也可能迅速放大，引发容量急剧下降，并像冲击波一样在整个网络中传播，导致连锁性的交通堵塞（Gao和Levinson，2023年；Li等人，2024年；Scholte等人，2022年）。因此，开发精确高效的管理和控制策略对于缓解城市拥堵和促进具有弹性的交通系统至关重要。
现有的合流区域控制研究主要沿着两个不同但互补的方向发展：宏观交通流量调节和微观车辆轨迹优化。宏观控制方法，如匝道计量和可变速度限制，作用于聚合的交通变量（Farabi等人，2024年；Han等人，2022年；He等人，2024a年；He等人，2024b年；Pooladsanj等人，2023年）。尽管在一定程度上能够减少拥堵，但它们的粗糙粒度和有限的适应性限制了它们对快速变化的交通条件的动态响应能力（Marczak等人，2015年；Xing等人，2025年）。相比之下，微观方法——例如对单个或多个车辆的合作控制——在源头优化轨迹，提高了局部效率和安全性（Bai等人，2022年；Chen等人，2023年；Chen和Yang，2024年；Fu等人，2024年；Liu等人，2023年；Yang等人，2022年）。然而，随着连接和自动化车辆（CAVs）的普及率增加，实现所有车辆之间完全合作控制所需的通信和计算负担变得过高，严重限制了可扩展性。这种控制精度与成本效益之间的权衡仍然是实际应用的一个根本障碍。
车辆到一切（V2X）技术的进步提供了一个独特的机会来克服这一限制，因为它能够访问高分辨率的实时车辆轨迹数据（Wang等人，2022b年）。在这种背景下，出现了一种新的控制范式：将分析重点从宏观交通流量或单个车辆转移到车辆群体的中间尺度。通过利用复杂网络理论，可以将合流区域内的相互作用车辆抽象为一个动态演变的微观交通网络。在这个网络中，可以识别出一小部分对整个系统性能有不成比例影响的关键车辆，并优先对其进行控制或引导。针对这些车辆可以实现以最小控制成本获得系统级性能提升，为平衡效率和可扩展性提供了可行的途径。这种方法代表了从传统的基于流量的建模向以交互为中心的视角的概念转变，强调群体动态和网络结构，以定位最具结构和动态主导性的代理。
为了解决这些挑战，本文提出了一种基于轨迹数据的关键车辆识别（TDCVI）框架。该框架首先通过整合车辆动态、道路几何形状和交通规则，超越了传统复杂网络建模的局限性，从而构建了一个动态网络，忠实反映了现实世界中的车辆互动模式和潜在冲突。在此基础上，开发了一个多维度车辆重要性评估模型，超越了传统上对单一拓扑指标的依赖。该系统从三个角度评估车辆的重要性，包括网络中心性、个体安全影响和集体效率贡献，并应用熵权重方法（EWM）得出自适应和客观的重要性分数。随后，设计了一种基于边际效用递减原则的贪心适应性算法，以实时确定关键车辆的最优规模和集合。最后，通过使用高速公路合流区域的真实世界轨迹数据进行闭环模拟来验证该框架，将其识别结果与基准方法在下游合作控制性能方面进行对比。本研究的主要贡献有四个方面：
•提出了一种动态网络构建方法，该方法深入融合了合流区域的物理和操作约束与车辆互动动态，与传统静态模型相比显著提高了微观车辆网络的表征保真度。
•建立了一个多维度车辆重要性评估模型，整合了拓扑、安全和效率维度。通过熵权重方法，它能够客观且动态地量化车辆的重要性，克服了单一指标方法的固有偏见。
•基于边际效用递减原则设计了一种适应性关键车辆识别算法，根据实时交通条件动态确定关键车辆的最优规模，从而解决了现有方法中长期存在的规模预定义问题。
•在异构交通需求条件下通过闭环合作控制模拟系统地验证了所提出的以交互为中心的框架，证明了其鲁棒性、计算效率以及相对于基于拓扑和学习的基础方法以及传统流量级控制范式的优越性。
本文的其余部分组织如下。第2节回顾了相关工作并确定了现有的研究空白。第3节介绍了构建车辆复杂网络和识别关键车辆节点的方法。第4节将所提出的框架应用于一个真实世界的合流区域并分析了结果。最后，第5节总结了本文并概述了未来研究的方向。
节选内容
合流区域的交通管理和控制
高速公路网络中的合流区域构成了关键的瓶颈，在这些区域，合流和分流操作之间的交织导致了频繁的冲突和交通流的显著湍流。其管理方式已经从传统的被动调节发展到现代的主动合作控制范式。早期的策略——如匝道计量、车道分区和可变信息标志——主要依赖于静态基础设施的调整（Chen和Ahn，2015年；Wang等人
提出的TDCVI方法框架
本研究旨在利用车辆群体的微观轨迹数据来识别和验证合流区域内的关键车辆。需要注意的是，本研究中的“车辆群体”指的是在给定时间窗口内合流区域空间边界内动态互动的车辆集合，而不是预定义的车队或刚性车队结构。目标是通过选择性控制来提高这一动态互动系统的整体性能
数据描述
为了验证所提出的车辆复杂网络构建方法和关键车辆识别框架在真实世界高速公路匝道合流区域的可行性和有效性，使用了一个公开可用的轨迹数据集进行了实验研究。具体来说，使用了Ubiquitous Traffic Eyes（UTE）数据集，该数据集提供了由配备4K高清相机的无人机拍摄的空中视频中提取的高分辨率车辆轨迹。
结论
本研究解决了在连接车辆环境下合流区域交通管理和控制中的精度与成本效益之间的权衡问题。为此，我们提出并验证了一种基于动态复杂网络理论的新的基于轨迹数据的关键车辆识别（TDCVI）框架。主要结论总结如下：
•动态加权网络能够实现对车辆互动的高保真建模。通过整合车辆动态状态
CRediT作者贡献声明
王灿：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、概念化。王伟杰：撰写——审阅与编辑、撰写——初稿、形式分析。赵燕：撰写——初稿、监督、方法论、形式分析。李琳恒：撰写——审阅与编辑、监督、资源、概念化。曲旭：撰写——审阅与编辑、监督、项目管理、概念化。冉斌：监督、资源
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
