A data-driven modeling approach for predictive control of mixed traffic flow(一种用于混合交通流预测控制的数据驱动建模方法)
高速公路堵车，除了车多路少，更源于人类驾驶员（HDV）难以预测的随机行为。如何让聪明的网联自动驾驶车（CAV）成为“治堵先锋”？对此，由中山大学、长安大学和广州大学组成的研究团队发表最新成果，提出了“数据驱动建模+Koopman线性化”的混合交通流模型预测控制（MPC）框架。该研究首创性地将元胞自动机模拟、循环神经网络与Koopman算子理论相结合，仅通过调节CAV的统一最高限速和换道概率，即可实现对宏观交通流的精准调控。仿真表明，该策略在12种交通场景下平均提升车速14.2%，即便在高密度、低CAV渗透率的挑战下，仍能实现5.22%的效率提升，并促进车辆分布更均匀。
A data-driven modeling approach for predictive control of mixed traffic flow一种用于混合交通流预测控制的数据驱动建模方法
作者：Yue Zuo1 · Xudong Qi2 · Huifeng Hu1 · Tao Zou3 · Ping Wang1
机构：1 中山大学；2 长安大学；3 广州大学
引用：Zuo, Y., Qi, X., Hu, H. et al. A data-driven modeling approach for predictive control of mixed traffic flow. Control Theory Technol. (2026). https://doi.org/10.1007/s11768-025-00312-3
摘 要
由于车辆行为的不确定性和复杂的相互作用，有效控制混合交通流仍面临巨大挑战。本文提出了一种面向混合交通流中网联与自动驾驶车辆（CAVs）的数据驱动控制策略，该策略通过可变限速和换道引导加以实施。首先，构建了一个混合交通流的元胞自动机模型，其中CAV的最大限速和换道概率可调，从而将CAV的微观运行规则与宏观交通流动力学特性联系起来。其次，采用循环神经网络（RNN）捕捉交通系统的时序动态特性，并预测交通流状态的演化过程。随后，通过Koopman算子对RNN进行线性化处理，将复杂的非线性模型转化为线性表示形式，以便设计计算效率更高的模型预测控制器。最后，仿真结果表明，在12种交通场景下，该策略使交通平均速度提高了14.2%。特别是在高交通密度且CAV渗透率较低的挑战性条件下，平均速度仍提升了5.22%，并促进了车辆分布更加均匀。这些结果凸显了所提出方法在混合交通流调控中的应用潜力。
引 言
交通拥堵长期以来一直是交通系统面临的重大挑战，显著降低了道路运行效率并带来安全隐患。现实世界中的交通系统大多依赖固定式控制设备进行管理，例如交通信号灯和交通标志。然而，这些控制方式受限于静态参数，无法适应动态变化的交通状况。随着车联网（Internet of Vehicles, IoV）技术的快速发展以及联网与自动驾驶车辆（Connected and Autonomous Vehicles, CAVs）的部署，基于车辆的交通控制逐渐受到关注。在由联网自动驾驶车辆（CAVs）与人工驾驶车辆（Human-Driven Vehicles, HDVs）共同组成的混合交通流中，CAVs可以通过车载设备采集交通数据，并影响周围车辆的行驶行为，从而对整体交通系统进行调节。因此，如何有效利用CAVs 的感知与控制能力以提升交通运行效率，已成为当前一个关键性的研究挑战。
模型预测控制（Model Predictive Control, MPC）利用基于模型的预测来预判交通动态，并生成最优控制指令，因此被广泛应用于可变限速（VSL）控制领域，其在混合交通环境下的有效性在很大程度上依赖于预测模型的准确性。数据驱动模型利用其非线性拟合能力和泛化能力，从交通数据中提取模式并预测交通状态，从而减少模型预测结果与实际交通动态之间的不匹配问题。由于现实交通系统中缺乏足够高质量的训练数据，一些研究人员采用多智能体仿真方法来生成交通流数据。然而，这些方法在从微观车辆行为准确刻画宏观交通动态方面常常面临挑战。作为一种灵活的仿真框架，元胞自动机模型（Cellular Automata Model, CAM）已被广泛用于分析车辆驾驶行为对混合交通流的影响。这种灵活性使CAM能够真实地模拟车辆之间的相互作用以及混合交通流的复杂动态过程，从而为数据驱动预测模型生成训练数据。尽管数据驱动模型具有诸多优势，但其通常高度复杂且具有强非线性特性，这会增加模型预测控制（Model Predictive Control, MPC）的计算负担，从而限制其在实际中的应用可行性。
为此，本文提出了一种面向混合交通流调控的数据驱动MPC框架。其主要贡献如下：
(1) 构建混合交通流仿真模型。本文构建了一个元胞自动机模型（CAM）用于模拟混合交通流，并生成用于数据驱动模型构建的运行数据。在该模型中，CAV车队的统一最高限速和换道概率均可调节，从而可以通过调整CAV的运行规则来实现对混合交通动态的控制。
(2) 构建预测模型并进行线性化处理。从交通数据中提取关键交通特征，构建循环神经网络（RNN）以预测交通状态的时间演化过程。随后，利用Koopman算子对RNN模型进行线性化处理，得到一个线性模型，从而能够实现MPC的精确建模与高效求解。
(3) 提出联合控制策略并验证有效性。提出了一种结合可变限速（VSL）与换道引导的混合交通流控制策略，并在不同交通条件下开展对比实验。实验结果表明，Koopman模型具有更高的预测精度，且所提出的MPC框架在提升交通流效率和优化车辆分布方面具有显著效果。图1 (原文Fig. 3) 本文提出的NARX RNN模型架构
结 论
本研究构建了一种面向混合交通流调控的数据驱动模型预测控制（MPC）框架，将基于神经网络的预测模型与 Koopman 线性化方法相结合。该方法通过调节微观层面的CAV运行规则，实现对宏观交通动态的调控。具体而言，本文建立了一个元胞自动机模型（CAM），其中CAV的最大限速和换道概率被设定为可控变量，用于影响平均交通速度。首先利用CAM仿真生成的数据训练非线性NARX循环神经网络（RNN）模型，随后通过Koopman算子对其进行线性化处理，获得线性表示形式，从而将MPC问题转化为二次规划问题，实现高效建模与求解。实验结果表明，与局部线性化模型相比，Koopman模型在交通动态预测方面具有更高的精度。在不同交通密度和CAV渗透率条件下的控制实验进一步验证了所提出的KMPC框架在提升交通流效率方面的有效性。未来研究将把该框架拓展至更复杂的交通场景，包括高速公路匝道和城市交叉口，并通过构建更先进的交通状态预测模型，以在复杂条件下保持控制性能。此外，还将利用真实交通数据对该方法进行验证，以评估KMPC策略的鲁棒性和实际应用可行性。
作者介绍
Yue Zuo，获得了中山大学智能系统工程学院的工学学士学位，目前正在该学院攻读工学硕士学位。他的研究兴趣为智能车辆的数据驱动预测控制。
Xudong Qi，获得了西安工业大学电子信息工程学院的理学学士学位，目前在长安大学电子与控制工程学院攻读博士学位。他的研究方向包括智能车辆的决策与控制。
Huifeng Hu，于2023年获得了中国科学院大学计算机科学与技术学院的计算机应用技术硕士学位。目前，他是中山大学智能工程系统工程学院的博士研究生。他的研究方向包括强化学习、优化方法以及自动驾驶车辆控制。
Tao Zou，于2005年获得了上海交通大学的控制理论与控制工程博士学位。自 2019 年起，他担任广州大学机电工程学院教授。其研究方向包括工业过程建模与仿真、模型预测控制、先进过程控制、决策方法以及实时优化技术的研究与应用。
Ping Wang，于2004年获得了山东大学的自动化学士学位，2007年获得了上海交通大学的控制理论与控制工程硕士学位，2011年获得了南洋理工大学的智能机器人博士学位。她曾在英国拉夫堡大学国际合作联合实验室及新加坡南洋理工大学担任约 3 年的博士后研究员。目前，她是中山大学智能系统工程学院（深圳）的副教授。她在国际会议和期刊上发表论文 60 余篇，当前研究方向包括控制算法应用、机器人控制、健康监测及人机交互。
2024-2025刊期合集
Volume 23 (February - November 2025)
Issue 3, 2025 - Special issue on ADRC: New ADRC developments in Ibero-America
Volume 22 (February - November 2024)
Issue 3, 2024 - Special issue on analysis and control of complex systems in honor of the 90th birthday of Professor Huashu Qin
Issue 2, 2024 - Special issue on system identification and estimation
期刊简介
欢迎扫码进入期刊主页
Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。
官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)
https://jcta.ijournals.cn/cta_en/ch/index.aspx
投稿：https://mc03.manuscriptcentral.com/ctt
微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）
X (Twitter): CTT_Journal
微博：ControlTheoryTech
Email：jcta@scut.edu.cn
Tel：020-8711 1464
转载本文请联系原作者获取授权，同时请注明本文来自邹铁枫科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3635716-1526546.html?mobile=1
收藏
