Con el fin de mejorar la seguridad, la estabilidad y la eficacia de la operación de cambio de carril, este artículo propone una estrategia coordinada para varios vehículos en el entorno de la red de vehículos. La viabilidad de la operación colaborativa de cambio de carril se establece estableciendo una función de ganancia basada en el modelo de incentivos. Comparando la ganancia por cambio de carril con la ganancia por mantenimiento de carril, se puede juzgar si es factible realizar la colaboración en las condiciones actuales. Basándose en el control predictivo de modelos (MPC), se establece una función de control de optimización multiobjetivo para el cambio de carril cooperativo con el fin de realizar el control distribuido. Se propone un novedoso marco de cambio de carril cooperativo en dos etapas, que divide el proceso de cambio de carril en la fase de cambio de carril y la fase de ajuste de avance longitudinal. Es importante resolver el difícil problema numérico causado por la dimensión de las restricciones para evitar colisiones y la no linealidad de la cinemática del vehículo. En la primera fase, el vehículo sujeto completa la operación de cambio de carril. En esta etapa, se consideran tanto los movimientos longitudinales como laterales del vehículo para optimizar la aceleración y el error de la distancia de seguimiento; en la segunda etapa, se completa la operación de ajuste de la distancia longitudinal entre vehículos en el carril objetivo, y en este periodo, sólo se considera el movimiento longitudinal del vehículo para optimizar el error de aceleración del vehículo. Para resolver el problema de control de optimización paso a paso, se utiliza el algoritmo de dominio temporal de optimización rodante. Por último, a partir de la base de datos de flujo de tráfico de código abierto US NGSIM, se verifica la precisión y viabilidad de la estrategia propuesta.

Con la mejora del nivel de vida de la población, aumenta la demanda de viajes en taxi, pero el sistema de servicios de taxi aún no es perfecto; los taxistas suelen confiar en su experiencia operativa o navegar al azar para encontrar pasajeros. Sin una macroorientación, el papel del sistema de taxis no puede aprovecharse plenamente. Muchos estudiosos han estudiado el comportamiento de los taxis para encontrar mejores estrategias operativas para los conductores, pero sus investigaciones se basan en métodos de optimización local para mejorar el beneficio de los conductores, lo que provocará un desequilibrio entre la oferta y la demanda en la ciudad. Para resolver este problema, proponemos un modelo de predistribución de taxis basado en el aprendizaje por refuerzo multiagente (MARL) mediante el análisis de los datos de funcionamiento de 13.000 taxis. A diferencia de otros métodos de programación de taxis basados en la localización en tiempo real de los pedidos, nuestro modelo predice primero la demanda de taxis en diferentes regiones en el siguiente periodo y, a continuación, despacha taxis con antelación para satisfacer las necesidades futuras; de este modo, se puede equilibrar el número de taxis necesarios y disponibles en diferentes regiones. Además, para reducir la complejidad computacional, proponemos varios métodos para reducir el espacio de estados y el espacio de acciones del aprendizaje por refuerzo. Finalmente, comparamos nuestro método con otro método de despacho de taxis, y los resultados muestran que el método propuesto tiene una mejora significativa en la tasa de utilización de vehículos y en la tasa de satisfacción de la demanda de pasajeros.