1.一种混合交通条件下的移动瓶颈控制方法，其特征在于：包括以下步骤：

1)获取不同交通状态下混合车群的单车数据，并构建数据集，包括：

1.1)选定长度为L的监测路段s，在存储有混合车群单车数据的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk，并选取车辆n1,n2,...,nk的运动状态信息、位置信息和车辆的类型p，所述车辆的类型p用以区分网联人驾车和网联自动车；

t时刻监测路段s内车辆n1,n2,...,nk的运动状态信息包括：车辆的速度v、加速度a、偏航角h；

t时刻监测路段s内车辆n1,n2,...,nk的位置信息包括：纵向位置x和所属车道c；

以及选取t+τ时刻车辆n1,n2,...,nk的速度v′、纵向位置x′和所属车道k′；

1.2)根据t时刻监测路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量；确定每条车道单个单元划分的长度lmin：式中，L代表监测路段s及监测路段s+1的长度；

1.3)确定每一条车道每辆车插入的单元位置：先构建c×m×f的零矩阵，f为特征层的数量，然后根据车辆在路段中的相对位置将车辆的状态信息插入到对应的单元中，替换零矩阵中原来的0值；由于车辆存在横跨多个单元的情况，因此需要对插入的位置进行确定：对于每一条车道，每辆车插入的单元位置的计算公式为：

式中，mi和m′i表示插入的位置的范围，即m′i为插入的第一个位置，mi表示最后一个插入的位置，xj为第j辆车的纵向位置，smin为路段s的初始位置，lj为第j辆车的长度，符号[·]表示取整函数；

计算t+τ时刻所研究的车辆群体的平均速度和平均密度，计算公式为：式中， 为t+τ时刻所研究车辆群体的平均速度，vt+τ,i,j为t+τ时刻第i条车道上的第j辆车的速度， 为t+τ时刻所研究车辆群体的平均密度，lmax为t+τ时刻所研究车辆群体最前面车辆的纵向位置，lmin为t+τ时刻所研究车辆群体最后面车辆的纵向位置；

2)构建混合车群的宏观演化模型，并对模型进行训练；

以t+τ时刻所研究车辆群体的平均速度和平均密度为训练标签，搭建混合车群的宏观演化模型：CNN深度网络；

对构建的t时刻监控路段s的数据集进行标准化处理，再输入到CNN深度网络进行训练，经过多次卷积和池化后，经过全连接层输出，完成模型的训练；

数据标准化的公式为：

*

式中，fi 为标准化的数据，fi为样本i中的需要进行标准化的特征值，fmin为需要进行标准化的特征值的最小值，fmax为需要进行标准化的特征值的最大值；

3)设计基于车道的混合车群优化调控策略，包括：

3.1)基于混合车群的宏观演化模型，设计多目标优化的适应度函数，具体公式为：式中，|·|为绝对值符号， 分别为下一时刻混合车群期望的平均速度和平均密度，f(X)为基于CNN的混合车群演化模型函数，fv(X)、fρ(X)分别为混合车群未优化前下一时刻的平均速度和平均密度；f'v(X)、f'ρ(X)为优化过程中，混合车群下一时刻的平均速度和平均密度；对于该适应度函数，两个维度的取值范围均为[0，+∞]，当优化后的值为0时，代表优化后的数值与期望的目标值相等，当优化后的值大于100％时，表明优化无效，即在0至

100％之间表明优化后的混合车群朝着期望的方向进行演化；

3.2)设置多目标粒子群算法中的相关参数，包括算法中使用的粒子的数量n、Archive集的存档阈值 以及划分网格数量的参数M、约束条件的设置、算法的迭代次数；

3.3)在约束条件下，随机生成均匀分布，初始化各个粒子的速度和粒子的位置；

3.4)根据适应度函数，计算各个粒子对应的适应度，并将其作为自身的局部最优解Pbesti；

3.5)根据Pareto占优规则，将初始化粒子中的非劣解添加到Archive集中；

3.6)基于网格法，获得Archive集中各个粒子的密度估计值，并根据基于自适应网格的Pareto最优解搜索算法筛选粒子的全局最优解gBestj；

3.7)更新各个粒子的速度和位置，生成下一代粒子群体；

3.8)根据适应度函数计算各个粒子的适应度，并更新各个粒子的局部最优解Pbesti；

3.9)根据Pareto占优规则，将当前的粒子的非劣解加入到Archive集中，更新Archive集，并且判断Archive集中的粒子的数量是否达到存档阈值 如果是，则需要Archive集进行截断处理；

3.10)返回到步骤3.6)，更新粒子的全局最优解；

3.11)对当前的迭代次数进行判断，如果没有达到设定的最大值，则返回步骤3.7)，如果达到最大值，则结束基于混合车群宏观演化模型的多目标速度优化算法；

4)根据移动瓶颈处的实时交通状态，构建混合车群动态优化目标：*

式中，ρmb(t)为交通检测区域的密度，ρmb,m为临界密度，υ(t)为混合车群的平均速度优*化目标， 为临界速度，ρ(t)为平均密度优化目标，vmb为移动瓶颈的移动速度，ρmb,max交通检测区域的最大密度，λ为速度控制系数，公式为：其中，a、b、c、d为待定系数；

5)设计移动瓶颈上游多群体控制方案：

以移动瓶颈为参照物，每隔时间T对上游的固定距离处划分该方案中的各个功能区：交通状态检测区、演化及加速区、混合车群划定区，其中混合车群划定区为混合车群的选定区域，混合车群划定区的长度为Lc，每隔时间T将进入该区域的网联自动车和网联人驾车划定为一个混合车群，根据交通检测区反馈的交通状态，对混合车群中的网联自动车进行速度控制，调节混合车群的演化方向，进而调节进入下游的车流量，降低上游的大流量对瓶颈处的压力；演化及加速区的长度为La，由于施加的控制为t+1时刻使得混合车群向着期望的方向进行演化，故在t时刻施加速度控制后，会出现一个演化的过程，然后开始自由行驶；交通检测区长度为Ld，交通检测区为混合车群控制的状态反馈区域，每隔时间T将该区域的交通状态信息进行反馈，对上游混合车群的调控目标进行更新；

6)根据步骤4)构建的混合车群动态优化目标设计混合车群的控制算法以对混合车群进行控制，包括：

6.1)获取t时刻交通检测区域的车流密度ρmb(t)以及第i个混合车群控制区域中混合车群的单车数据；

6.2)根据步骤2)中建立的混合车群宏观演化模型得到t时刻第i个混合车群控制区域内的混合车群在t+1时刻的平均速度 和平均密度

6.3)根据ρmb(t)以及 和 判断是否需要对第i个混合车群控制区域中的混合车群进行控制；如果ρmb(t)小于ρmb,m且 和 的乘积小于 则不需要对混合车群进行控制，算法结束；否则，转到步骤6.4)；

6.4)如果ρmb(t)小于ρmb,m且 和 的乘积大于 则优化目标为ρmb,m和 否则根据车流密度ρmb(t)以及步骤4)中的动态优化目标公式计算第i个混合车群控制区域中混合车群的优化目标；

6.5)根据步骤3)设计的混合车群优化调控策略，对第i个混合车群控制区域中每个车道的网联自动车进行速度优化；

6.6)根据步骤6.5)中得到的每个车道的网联自动车进行速度优化，对第i个混合车群控制区域各个车道的网联自动车进行速度控制。