基于主参数滤波的网联车辆周期间排队长度估计

基于网联车辆的估计模型通常将到达率与市场渗透率等底层参数假定为已知或实时估计。在低市场渗透率下，此类参数估计器会产生较大误差，使得估计的排队长度难以有效用于管控或运营应用。为提升底层参数估计的精度，本研究探讨了网联车辆信息滤波对排队长度估计模型的影响。滤波器被用作多级实时估计器。利用微观仿真，针对已知到达率与市场渗透率的场景测试了精度。为理解其对短期或动态过程的有效性，到达率与市场渗透率每15分钟变更一次。结果表明，借助卡尔曼与粒子滤波器，参数估计器能够在15分钟内找到真实值，并达到甚至超越已知参数场景的精度，尤其在低市场渗透率下。此外，在无网联车辆时采用最近已知估计排队长度，优于输入平均估计值。并且，研究表明两种滤波算法均适用于计算时间少于0.1秒的实时应用。