[论文解读] Analysis of a Stochastic Model for Coordinated Platooning of Heavy-duty Vehicles

Xi Xiong, Erdong Xiao+1 more|arXiv (Cornell University)|Mar 15, 2019

Traffic control and management参考文献 15被引用 5

一句话总结

本文提出了一种用于高速公路重载车辆（HDV）协同编队的随机模型，将HDV到达建模为泊松过程，并通过优化头部分隔阈值以最小化总成本（时间与燃油）。主要贡献在于构建了一个分析框架，用于量化编队规模、编队间头部分隔以及因合并产生的时间增量，从而得出依赖于巡航距离的最优阈值：短距离时偏好较低阈值，长距离时偏好较高阈值以实现最大燃油节省。

ABSTRACT

Platooning of heavy-duty vehicles (HDVs) is a key component of smart and connected highways and is expected to bring remarkable fuel savings and emission reduction. In this paper, we study the coordination of HDV platooning on a highway section. We model the arrival of HDVs as a Poisson process. Multiple HDVs are merged into one platoon if their headways are below a given threshold. The merging is done by accelerating the following vehicles to catch up with the leading ones. We characterize the following random variables: (i) platoon size, (ii) headway between platoons, and (iii) travel time increment due to platoon formation. We formulate and solve an optimization problem to determine the headway threshold for platooning that leads to minimal cost (time plus fuel). We also compare our results with that from Simulation of Urban MObility (SUMO).

研究动机与目标

• 开发一种适用于大规模HDV编队协调的可处理随机模型，以应对真实交通中的随机性。
• 表征关键系统级指标：编队规模、编队间头部分隔以及因合并导致的时间增量。
• 制定并求解一个优化问题，以确定最小化总成本（时间 + 燃油）的最优头部分隔阈值。
• 通过SUMO仿真验证分析结果，并为编队策略提供性能保证。
• 根据高速公路路段长度和运营成本，指导何时以及如何形成编队。

提出的方法

• 将高速公路路口处HDV的到达建模为强度为λ的齐次泊松过程。
• 定义一个头部分隔阈值r；对于到达时间间隔≤r的车辆，通过协调加速实现合并形成编队。
• 利用更新理论和泊松点过程的性质，解析推导编队规模的分布以及编队间头部分隔和时间增量的期望值。
• 将总增量成本表示为r的函数，包含时间成本、合并期间的燃油成本ΔF₁，以及巡航期间的燃油节省ΔF₂。
• 通过线性化近似合并期间的期望燃油成本增加，并推导出总成本期望值E[TCₖ]关于r的闭式表达式。
• 通过令E[TCₖ]对r的导数为零，求解最优阈值r，得到依赖于系统参数的闭式解。

实验结果

研究问题

• RQ1 头部分隔阈值r如何影响随机HDV编队系统中编队规模的分布？
• RQ2 在给定阈值r下，编队间头部分隔和因编队形成导致的时间增量的期望值是多少？
• RQ3 在不同高速公路路段长度下，最小化HDV编队总成本（时间与燃油）的最优头部分隔阈值r是什么？
• RQ4 最优阈值r如何随巡航距离变化？编队在何时有利，何时反而成本更高？
• RQ5 分析预测与SUMO等交通仿真工具的实证结果在多大程度上一致？

主要发现

• 编队规模、编队间头部分隔以及时间增量均随头部分隔阈值r的增加而上升，表明更宽松的合并标准会导致更大、更稀疏的编队。
• 对于短距离巡航（例如5.0 km），最优阈值r趋近于零，因为合并期间的燃油成本超过收益。
• 对于中等距离（例如30.0 km），存在非零最优阈值，总成本曲线出现明显拐点，表明时间效率与燃油效率之间存在权衡。
• 对于长距离（例如80.0 km），最优阈值增大，有利于形成更大编队，因为巡航期间的燃油节省显著。
• 分析模型与SUMO仿真的结果表现出强烈的定量一致性，验证了其预测准确性。
• 最优阈值为 r = (1/λ) ln(0.5 + 0.5√(1 + 4D₂w₂ηθλ / (2αw₂v³ - w₁)))，其值取决于车辆速度、燃油成本和高速公路长度。