中国公路学报

作者：陈雪剑, 邱树涵, 秦国阳, 殷炬元, 孙剑

单位：同济大学 道路与交通工程教育部重点实验室，上海 201804 Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China","昆明理工大学交通工程学院，云南 昆明 650093 Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming 650093, Yunnan, China

关键词：交通工程,车辆轨迹重构,残差增强模型,高快速路,网联车,定点探测器

<title>摘要：</title> <p>车辆行驶轨迹是道路交通运行状态最本质的表现，是交通排放估计、信号优化等众多交通研究领域的基础。然而现有交通探测设备，如定点探测器和网联车，因布设率和渗透率的限制，无法直接提供全样本的轨迹数据。因此重构个体车辆全样本行驶轨迹已成为智能网联环境下交通研究的关键问题。为在有限探测环境中获取全样本的轨迹信息，针对高快速路连续流场景提出了一种融合知识引导与数据驱动的精细化轨迹重构算法。该算法包括2个关键模块：轨迹基线生成和轨迹残差增强。轨迹基线基于宏观交通状态模型生成，通过估计时空域内的速度等高线图，为未探测车辆提供初始轨迹位置，确保重构轨迹遵循宏观交通流的传播规律。在残差增强部分，算法利用深度学习表征轨迹基线与真实轨迹间的差异，将其设置为残差项进行学习，并基于跟驰模型设计特征变量作为输入，实现对车辆加减速过程的精细化重构。通过融合轨迹基线和轨迹残差，进而重构兼具全局准确性和局部细节精度的全样本轨迹。采用真实轨迹数据集验证了算法的有效性。结果表明：该算法在不同网联车渗透率下均能有效重构全样本的车辆轨迹，误差相较于现有4类先进重构算法降低了8%～58%。此外，该算法能够更准确地重构车辆的速度变化过程，为交通排放分析和状态估计提供了更精细的支持。</p>

来源：2025年第8期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2025年第8期