2025年3月6日星期四下午，TOPS第157期组会于通达馆A102线下举行。本次组会由21级博士张小卉带来自己的研究进展汇报，与大家交流讨论《数据驱动下的混合交通流随机基本图建模与分析》的相关内容，课题组全体老师同学出席了本次组会。

汇报时刻

该研究针对自动驾驶汽车（AVs）与人工驾驶汽车（HVs）的混合交通流问题，提出数据驱动的随机基本图（SFD）建模框架，为未来智能交通系统设计与政策制定提供了科学依据。

研究内容

汇报内容主要从研究背景、随机基本图建模、基于Waymo数据集案例研究和实验结果分析四个部分进行展开。 

混合交通流建模面临双重挑战

随着自动驾驶技术加速落地，AV与HV的混合交通流已成为城市道路的常态。然而，现有研究普遍存在两大局限：一是过度依赖理想化假设（如简化车间距或特定跟驰模型），二是忽视真实交通流的随机性特征，导致模型预测与实际情况偏差较大。此外，尽管全球已积累海量AV轨迹数据，但学术界对其挖掘仍显不足。 

"传统模型难以捕捉混合交通的复杂动态，比如不同车辆组合（HV-AV、AV-HV等）的交互行为差异，以及AV渗透率变化对通行能力的非线性影响。"张小卉同学在报告中指出，"我们的目标是将真实数据融入建模核心，构建一个可量化评估AV影响的概率框架。

研究内容

创新方法：从数据中学习交通流的随机本质 

张小卉同学提出"数据驱动-概率建模"双轮驱动的技术路径。首先，基于混合密度网络（MDN）算法，从自动驾驶数据集中提取各类跟驰对（HV-AV、HV-HV、AV-HV、AV-AV）的跟驰行为条件概率分布。随后，通过马尔可夫链模型构建车队联合分布，计算所有可能的车队排列组合，最终推导出混合交通流的随机基本图。

研究内容

"这相当于为交通流建立了一个概率显微镜。"  张小卉同学  解释道，"不仅能捕捉平均通行能力，还能量化不同AV渗透率下的容量波动范围，这是传统确定性模型无法实现的。"    

颠覆认知：AV渗透率提升或降低道路容量

通过验证，该框架在NGSIM数据集上的预测结果与实证基本图高度吻合。进一步应用至Waymo真实AV数据时，研究发现：随着AV渗透率增加，道路平均通行能力和临界密度呈现下降趋势，但容量不确定性显著降低。

"当前AV的保守驾驶策略是一把双刃剑。"张小卉同学分析称，"它们通过保持更大安全间距提升稳定性，却可能牺牲整体通行效率。这提示政策制定者需在安全稳定与效率间寻找平衡点。"

此项研究的核心价值在于构建了首个通用概率建模框架，支持输入任意AV轨迹数据集，输出特定渗透率和空间分布下的随机基本图。这为混合交通管理策略的量化评估提供了全新工具。

研究内容

在交流讨论阶段，张小卉同学解答了老师和同学们提出的问题和疑惑，老师们对该研究也发表了自己的看法。孙剑老师提出传统建模方法面对新技术冲击存在的挑战；倪颖老师和杭鹏老师都强调了数据样本有效性的问题；梁浩阳老师提出了对模型随机性、对称性、一致性的考虑，秦国阳老师提出可以将其他算法框架融入模型的思考。