综述：关于互联自动驾驶车辆车队密度的研究：定义、影响及建模方法

《Physica A: Statistical Mechanics and its Applications》：A Survey on Platoon Intensity of Connected Automated Vehicles: Definitions, Impacts, and Modeling Approaches

　　摘要：连接式自动驾驶车辆的空间聚类现象被称为车队强度，它能够改变混合交通流的容量并降低交通排放，但与被广泛研究的CAV市场渗透率相比，这一现象仍缺乏足够深入的理解。本文通过对Scopus数据库进行结构化搜索，筛选出86篇关于混合交通流中车队强度的文献，并运用文献计量学方法对其进行分析，从而形成了一套系统的综述。我们建立了统一的概念框架，为车队强度、规模、强度以及组织结构等概念给出了明确的定义和估算方法，这些概念在现有文献中往往存在不一致的使用方式。研究结果表明，车队强度能够提升交通流量及其稳定性，且其效果随CAV渗透率的提高而增强；不过，过大的车队规模会在提升容量与降低稳定性之间带来权衡，最优车队规模为4至6辆车辆。在安全性方面，碰撞风险在CAV渗透率为40%至60%时达到峰值，且与车队强度无关；而在渗透率超过60%时，车队行驶可降低18%至25%的燃油消耗。目前，研究车队强度的主要模型包括马尔可夫链、跟车模型以及元胞自动机，它们各自具有不同的优势。我们指出了在实证验证、公平性与社会接受度以及与多模式交通系统整合方面的关键缺口，并提出了包括数据需求、推理挑战以及基于新兴实地测试数据的验证标准在内的具体发展路径。本综述为那些致力于管理混合交通系统中CAV聚类效应的研究人员和实践者提供了全面的参考资料。

引言：连接式自动驾驶车辆的出现有望通过提升安全性[1]、[2]、效率[3]、[4]、[5]以及可持续性[6]、[7]来彻底改变交通系统。然而，向完全自动化过渡并非一蹴而就，在未来数十年里，交通流仍将是由CAV和人类驾驶车辆共同构成的混合交通流[8]、[9]、[10]。早期关于混合交通流的研究主要将CAV的市场渗透率作为解释交通流特性变化的核心变量[11]、[12]、[13]，这些研究普遍认为较高的CAV渗透率能够提升交通流量及其稳定性[14]、[15]、[16]。不过，越来越多的证据表明，仅靠市场渗透率无法全面反映混合交通的复杂动态[17]、[18]。即便CAV的比例相同，由于它们在空间上的排列方式不同——是分散独立行驶还是聚集形成有序车队——两种交通流可能会表现出截然不同的宏观行为[19]、[20]、[21]、[22]、[23]。这种空间聚类效应可通过“车队强度”这一概念来体现，它用于衡量CAV聚集形成车队的程度。研究表明，车队强度会对交通流量容量[24]、[25]、车流稳定性[26]、[27]、安全性[28]、[29]、[30]、燃油消耗[31]、[32]以及环境排放[33]、[34]产生显著影响。尽管车队强度的重要性已得到认可，但相关研究仍存在碎片化问题，不同研究者采用了不同的定义、测量方法和建模框架，还经常使用“车队规模”、“车队强度”和“车队组织结构”等可互换的术语，这种缺乏共识的情况阻碍了跨研究的比较，也延缓了统一理论及实用交通管理指南的建立。与以往主要关注CAV宏观市场渗透率[2]或特定控制算法[35]、[36]的综述不同，本文专门探讨了中观层面的空间聚类现象，即车队强度。为弥补现有文献的不足，本研究旨在回答以下核心问题：（1）如何系统地统一有关CAV车队形成的各种相互重叠的术语？（2）车队强度对混合交通流特性究竟存在怎样的定量影响范围？本研究通过系统梳理现有关于混合交通流中车队强度的文献来回应上述问题，具体贡献如下：（1）通过文献计量学分析，绘制出相关研究的分布图，识别出重要贡献者和有影响力的著作，并找出主题集群；（2）明确并统一与CAV车队强度相关的概念定义；（3）总结车队强度对关键交通流特性的影响；（4）对现有文献中常用的建模方法进行分类比较；（5）指出关键研究缺口，并提出未来研究方向。本文的其余部分结构如下：第2节阐述系统综述的方法；第3节对检索到的文献进行全面的文献计量学分析；第4节建立概念框架；第5节分析车队强度对混合交通流的影响；第6节对主要的建模方法进行分类比较；第7节指出关键研究缺口并提出未来研究方向；第8节对全文内容进行总结。

综述方法：为确保筛选过程严谨且可重复，本研究遵循PRISMA指南开展。为获得全面且可重复的综述结果，我们于2026年3月1日在Scopus数据库中进行了系统文献检索。选择Scopus作为主要数据库的原因在于：（1）它在工程和物理科学领域的科学数据库中覆盖范围最广，收录了来自5000多家机构的27000多种正在发行的同行评审期刊。

发表趋势：图1展示了2017年至2026年间相关研究的年度发表数量。最早的相关研究出现在2017年，即Ghiasi等人[19]和Chen等人[20]提出的基础性研究成果。在此之后的2020年之前，相关研究的发表量较为有限，之后则开始稳步上升，2022年至2025年是研究最为活跃的时期，2024年的发表量达到了22篇的峰值。这一增长趋势反映出人们越来越认识到车队强度是一个重要的变量，其作用远不止于简单的……

概念框架：定义车队强度：基于对现有文献的综合分析，我们为四个核心概念提出了以下明确的定义和估算方法：（1）车队规模（S）：指作为整体协同行驶的连续CAV数量，这些车辆之间的间距低于预设阈值。对于长度为N的车流序列，用Xi∈{0,1}表示第i辆车是CAV（1）还是人类驾驶车辆（0）。车队则被定义为最长的连续CAV序列，其规模分布为……

车队强度对混合交通流的影响：本节汇总了关于车队强度如何影响关键交通流特性的研究结果[66]、[67]、[68]，我们从五个方面对这些影响进行阐述：交通流量容量、交通流稳定性、交通安全性、燃油消耗以及环境排放。

车队强度的建模方法：本节对用于研究混合交通流中车队强度的主要建模方法进行分类比较。

研究缺口与未来方向：尽管已经取得了一定进展，但关于混合交通流中车队强度的研究仍存在若干关键缺口。本节将指出这些缺口，并提出未来的研究方向。（1）由于缺乏标准化定义，概念和术语方面仍存在差距，现有文献使用了多个相互重叠的术语（如强度、规模、强度水平、组织结构等），却没有统一的定义或测量方法，这种碎片化状况阻碍了跨研究的比较……

结论：通过本次系统综述，我们对涉及连接式自动驾驶车辆和人类驾驶车辆的混合交通流中车队强度的相关研究进行了整合。通过Scopus数据库的结构化搜索，我们筛选出86篇相关文献，进而进行了文献计量学分析，建立了统一的概念框架，总结了车队强度对关键交通流特性的影响，对各类建模方法进行了分类，并指出了研究缺口。主要结论如下：（1）

CRediT作者贡献说明：姚志红：写作——审稿与编辑、项目管理、资金获取、正式分析；吴云霞：写作——初稿撰写、方法论、正式分析、数据整理、概念构建；王金润：写作——初稿撰写、可视化处理、软件应用、数据整理；王毅：写作——审稿与编辑、可视化处理、验证工作、正式分析；蒋扬生：写作——审稿与编辑、监督工作、项目管理、资金获取。

关于写作过程中生成式AI和AI辅助技术的声明：在撰写本稿时，作者使用了DeepSeek（一种AI辅助工具）来协助文献整理和语言润色。所有由AI生成的内容都经过了作者的仔细审核、验证，并进行了大幅修改，作者对本文的学术诚信、准确性和原创性负全责。

利益冲突声明：作者不存在任何财务利益或个人关系方面的利益冲突。

致谢：本研究得到了中国教育部人文社会科学研究基金项目（编号25YJCZH339）、国家自然科学基金项目（编号72471200）以及创高科学技术项目的资助（编号2025-cg-ky-13）。

吴云霞|王金润|王毅|蒋扬生|姚志红
中国四川成都611756，西南交通大学交通与物流学院