随着智能网联技术的快速发展，搭载V2V设备的智能网联车辆（connected automatic vehicle，CAV）相对于人工驾驶车辆（human-driven vehicle ，HV）具备更强大的信息交互能力. 根据相关研究可知，CAV的渗透率预计将在2045年达到24.8%^[1]，因此由HV和CAV组成的混合交通流将是道路交通流的主要形态. 与HV交通流相比，混合交通流特性表现出明显差异. 路庆昌等^[2]在混合交通流的分析中表明，CAV的引入不会消除快速路宏观基本图的迟滞现象.

目前，对于混合交通流特性的研究主要集中在CAV跟驰特性研究及混合交通流队列分析2个方面. 在CAV跟驰特性的研究方面，PATH实验室提出恒定车间距的协同自适应巡航控制（cooperative adaptive cruise control，CACC）模型，该模型得到了广泛应用. 秦严严等^[3]基于CACC模型，提出非线性动态期望车头间距策略的跟驰模型. 宋成举^[4]通过分析车头间距与速度的关系，给出期望车头间距的一般函数形式. Li等^[5]考虑不同车辆对突发扰动的反应时延，分析反应时间对基本图的影响. 宋慧等^[6]研究CAV与其他车辆的差异对跟驰特性的影响. 孙启鹏等^[7]提出基于驾驶员行为预测的自动驾驶车辆行为决策模型. Wang 等^[8]提出新的考虑多前方车辆最优速度影响的跟驰模型，但只考虑了车辆的速度. Xie等^[9]考虑到多前车对主体车的影响程度主要取决于高级驾驶员辅助系统（ADAS）对驾驶员的影响. Zong等^[10]考虑通过前方车辆在交通流队列中的位置来表达对主体车的影响权重，未充分考虑车辆在运行过程中由于距离变化而导致的权重变化.

在描述混合交通流车辆排列的队列特性方面，目前应用较广泛的是Ghiasi等^[11]提出的基于马尔科夫链的交通流排列模型. Yao等^[12]采用该马尔科夫链方法描述CAV的排队强度，开展稳定性和基本图的仿真研究. Zhou等^[13]采用该队列模型，分析CAV车队的最大规模对混合交通流稳定性及道路通行能力的影响. 为了更好地描述CAV的聚集行为，Jiang等^[14]基于混合交通流中CAV的空间分布和队列特性，对排队强度模型进行改进.

上述文献在CAV的跟驰模型中多考虑紧邻前车对驾驶行为的影响，而 CAV能够通过智能网联技术收到多前车的信息反馈^[15]. 本文在CACC模型的基础上，考虑CAV将行驶前方多辆CAV的速度、加速度及位置信息纳入自身的加速度优化中，构建考虑多前车信息反馈的交互协同自适应巡航控制（interactive-cooperative adaptive cruise control，I-CACC）跟驰模型. 基于该模型，分析不同渗透率及不同队列下的队列稳定性与基本图特性.

当CAV车辆前方紧邻HV车辆时，由于HV车辆缺乏车车通信设备，CAV 将自动实现功能退化，退化为自动驾驶（automatic vehicle，AV）车辆. 该AV车辆仍然保留车车通信系统，与该CAV队列中其后的 CAV车辆实现车车通信^[16].

在常态化的混合交通流条件下，假定该混合交 通流仅存在3种类型车辆：能够接收多信息反馈的CAV车辆、人工驾驶车辆HV及CAV退化后的AV车辆.

在美国加州大学PATH实验室提出的基于恒定车间距的CACC跟驰模型中，CAV作为跟驰车辆，其加速度主要取决于3部分：紧邻前车的加速度、主体车与前车的速度差以及实际车头间距与期望车头间距之间的误差项. 可以看出，该模型主要考虑CAV紧邻前车的运动状态，通过实时获取前车的行驶参数，结合自身的速度、加速度及位置信息，优化自身的驾驶行为^[17].

PATH实验室提出的CACC模型是目前常用的CAV跟驰模型. 随着智能网联设备的引入，CAV能够通过V2V技术实时获取多前车的运动状态. 为了更准确地描述智能网联环境下CAV车辆的驾驶行为，在该CACC模型的基础上，构建考虑多前车信息反馈的I-CACC跟驰模型，通过实时获取多前车（CAV）的速度、加速度及距离等信息，纳入自身的加速度模型中，优化自身的驾驶行为. 该模型的示意图如图1所示.

如图1所示，CAV接收多前车信息的数量取决于其在该CAV队列中的位置.

基于CACC模型，构建考虑多前车信息反馈的CAV跟驰模型. 主体车辆n（CAV）的加速度由紧邻前车n−1以及行驶前方的CAV车队共同作用决定，使用前车与主体车的间距来判别对主体CAV的影响程度. 改进后的模型如下.

(1)$ {a_n}(t) = \sum\limits_{i = 1}^{n - 1} {{\mu _i}[\alpha {a_i}(t)+\beta ({v_i}(t) - {v_n}(t))]} +\gamma {e_n}(t), $

(2)$ {e_n}(t) = {X_{n - 1}}(t) - {X_n}(t) - {\mu _{n - 1}}{t_{\text{C}}}{v_n}(t)+L+{S_0}, $

(3)$ {\mu _i} = \frac{{{{{x_{i,n}}^{-1}}}}}{{\displaystyle \sum\limits_{i = n - m}^{n - 1} {{{{x_{i,n}}^{-1}}}} }}, $

(4)$ {x_{i,n}} = {X_i}(t) - {X_n}(t). $

式中：${a_n}(t)$为t时刻主体车辆即第 n辆CAV的加速度；${\mu _i}$为第$i$辆CAV对于主体CAV的影响程度，表明前方CAV对主体车辆的影响作用随其间距的增大而减小；m为主体车辆所处的CAV队列中的第1辆AV处于交通流中的位置；${a_i}(t)$为$t$时刻第$i$辆CAV的加速度；${v_i}(t)$为$t$时刻第$i$辆CAV的速度；${v_n}(t)$为$t$时刻第n辆CAV的速度；${e_n}(t)$为$t$时刻第n辆CAV的期望车头间距与实际车头间距的误差项；${X_{n - 1}}(t)$、${X_n}(t)$及${X_i}(t)$分别为$t$时刻第n−1辆CAV、第 n辆CAV及第$i$辆CAV的位置；${t_{\text{C}}}$为CAV的反应时间，本文取${t_{\mathrm{C}}} = 0.8\;{\mathrm{s}}$；$L$为车辆长度，本文所有类型的车辆长度为5 m；${S_0}$为车辆的最小安全距离，即车辆静止时与前车保持的最小距离，本文取2 m；$\alpha $、$\beta $、$\gamma $为待定系数，PATH 实验室通过实测数据标定给出待定系数的建议值为$\alpha = 1.0$，$\beta = 3.0$，$\gamma = 0.2$.

使用多前车与主体车之间的车头间距差值为判别影响程度的指标，不仅能够直接表示不同车辆之间的空间关系，而且能够反映车辆相对速度的动态变化. 当车辆速度发生变化时，间距差会随之调整，表现车辆之间的相对运动趋势.

利用智能驾驶员模型（intelligent drive model，IDM）^[18] ，能够更准确地反映交通流从自由流到拥堵流不同状况下的驾驶员跟驰行为. 该模型具有参数少、易标定的特点. 采用IDM模型表示混合交通流中HV的驾驶行为. 该模型的结构如下：

(5)$ \left. \begin{gathered} {a_n}(t) = a\left[1 - {\left(\frac{{{v_n}(t)}}{{{v_0}}}\right)^4} - {\left(\frac{{{S_0}+{v_n}(t){t_{\text{H}}} - {S^*}}}{{{X_{n - 1}}(t) - {X_n}(t) - L}}\right)^2}\right], \\ {S^*} = \frac{{{v_n}(t)\Delta {v_n}(t)}}{{2\sqrt {ab} }}. \\ \end{gathered} \right\} $

式中：${a_n}(t)$为人工驾驶车辆$n$在$t$时刻的加速度； ${v_0}$为车辆在自由流条件下的期望速度，本文取最大值${v_0} = 33.3\;{\mathrm{m/s}}$；$\Delta {v_n}(t)$为车辆n和n−1之间的速度差，$\Delta {v_n}(t) = {v_{n - 1}}(t) - {v_n}(t)$；${t_{\text{H}}}$为HV的反应时间，本文取${t_{\text{H}}} = 1.8\;{\mathrm{s}}$；$a$和$b$分别为HV的最大加速度和期望减速度，本文中$a = 1.5\;{\mathrm{m}}/{{\mathrm{s}}^2}$，$b = 2\;{\mathrm{m}}/{{\mathrm{s}}^2}$；${S^*}$为车头间距的修正量.

加州大学 PATH 实验室采用实测数据标定ACC（adaptive cruise control）跟驰模型. 该模型能够很好地描述CAV车辆退化为AV车辆的驾驶行为. 该模型的公式为

(6)$ {a_n}(t) = {k_1}({X_{n - 1}}(t) - {X_n}(t) - {t_{\text{A}}}{v_n}(t) - L - {S_0}) +{k_2}\Delta {v_n}(t) . $

式中：${t_{\text{A}}}$为 AV的反应时间，本文中${t_{\text{A}}} = 1.2\;{\mathrm{s}}$ ；${k_1}$和${k_2}$为模型系数的取值，${k_1} = 0.23\;{{\mathrm{s}}^{ - 2}}$，${k_2} = 0.07\;{{\mathrm{s}}^{ - 1}}$^[3].

混合交通流中不同类型车辆的空间分布会对其各项特性产生不同的影响，特别是当CAV的渗透率增大到一定程度时. 为了更好地表述该空间的分布形式，Ghiasi等^[11]使用马尔科夫链模型来表示混合交通流中不同类型车辆的空间排列. 其中转换矩阵的定义如下 ：

(7)$ {\boldsymbol{T}} = \left[ \begin{gathered} {t_{{\text{CC}}}} \\ {t_{{\text{HC}}}} \\ \end{gathered} \right.\left. \begin{gathered} {t_{{\text{CH}}}} \\ {t_{{\text{HH}}}} \\ \end{gathered} \right]. $

式中：${t_{{\text{CH}}}}$为CAV后跟驰HV的概率，${t_{{\text{CC}}}}$为CAV后跟驰CAV的概率，${t_{{\text{HC}}}}$为HV后跟驰CAV的概率，${t_{{\text{HH}}}}$为HV后跟驰HV的概率.

(8)$\begin{split} {t_{{\text{CH}}}}({P_{\text{C}}},{\mathrm{PI}}) =& \Pr\,\, ({A_{n+1}} = {\mathrm{HV}}|{A_n} = {\mathrm{CAV}})= \\ & \left\{ \begin{gathered} {P_{\text{H}}}(1 - {\mathrm{PI}}),{\text{ }}{\mathrm{PI}} \geqslant 0; \\ {P_{\text{H}}}+{\mathrm{PI}}\left({P_{\text{H}}} - \min \left\{ 1,{{{P_{\text{H}}}}}/{{{P_{\text{C}}}}}\right\} \right),{\text{ }}{\mathrm{PI}} < 0{\text{ }}. \\ \end{gathered} \right. \end{split} $

(9)$ {t_{{\text{CC}}}} = \Pr\,\, ({A_{n+1}} = {\mathrm{CAV}}|{A_n} = {\mathrm{CAV}}) = 1 - {t_{{\text{CH}}}}({P_{\text{C}}},{\mathrm{PI}}) . $

(10)$ \begin{split} {t_{{\text{HC}}}}({P_{\text{C}}},{\rm{PI}}) =& \Pr \,\,({A_{n+1}} = {\mathrm{CAV}}|{A_n} = {\mathrm{HV}})= \\ & \left\{ \begin{gathered} {P_{\text{C}}}(1 - {\rm{PI}}),{\text{ }}{\rm{PI}} \geqslant 0 ; \\ {P_{\text{C}}}+{\rm{PI}}\left({P_{\text{C}}} - \min \left\{ 1,{{{P_{\text{C}}}}}/{{{P_{\text{H}}}}}\right\} \right),{\text{ }}{\rm{PI}} < 0.{\text{ }} \\ \end{gathered} \right. \end{split} $

(11)$ {t_{{\text{HH}}}} = \Pr \,\,({A_{n+1}} = {\mathrm{HV}}|{A_n} = {\mathrm{HV}}) = 1 - {t_{{\text{HC}}}}({P_{\text{C}}},{\mathrm{PI}}) . $

式中：${P_{\text{C}}}$为CAV车辆的渗透率，${P_{\text{H}}}$为HV车辆占总车辆的比例.

为了能够更准确地描述不同类型车辆排队队列对交通流特性的影响，引入排队强度（platoon intensity，PI）的概念^[11]来描述混合交通流中CAV的聚集特性，取值为$[ - 1,1]$. 若排队强度越大，则CAV形成车队的概率越大，聚集度越高. 使用排队强度${\mathrm{PI}}$能够很好地表示混合交通流中不同类型车辆的跟驰概率. 当采用排队强度时，在不同的跟车场景下，混合交通流中不同类型的车辆数量是相同的. 引入排队强度，有效地解决了混合交通流中的车辆排列问题.

当CAV渗透率为0.5时，不同排队强度下的混合交通流车辆排列如图2所示.

1）当${\rm{PI}} = 1$时，CAV的聚集度处于最大状态，即所有的CAV车辆聚集为一个车队，剩余的所有的HV车辆聚集为一个车队.

2）当${\rm{PI}} = - 1$时，CAV的聚集度处于最小状态，混合交通流中的CAV与HV交替分布，即所有CAV被HV分隔开来，CAV无法形成一列车队行驶.

3）当${\rm{PI}} = 0$时，混合交通流中不同类型车辆按照计算得到的马尔科夫链进行排列. 存在部分的CAV以车队形式行驶，且PI越接近1，CAV车队中的CAV数量越多，比例越大. PI越接近最小值−1，则该部分的CAV比例越小.

混合交通流队列的稳定性研究主要考虑不同类型车辆驾驶方式的不同，Ward^[19]提出的在常规驾驶环境下的由“大车-小车”组成的混合交通流稳定性解析模型如下所示：

(12)$ \sum\limits_n {\left[\frac{{{{(f_n^{(v)})}^2}}}{2} - f_n^{(\Delta v)}f_n^{(v)} - f_n^{(h)}\right]\times{{\left(\prod\limits_{m \ne n} {f_m^{(h)}} \right)}^2}} \geqslant 0 . $

式中：${f_n}$、${f_m}$分别为交通流中第n和m车的加速度计算模型，$f_n^{(v)}$、$f_n^{(\Delta v)}$及$f_n^{(h)}$为n车在平衡点对速度、速度差及车间距的偏导数.

在该模型的基础上，Ngoduy^[20]利用特征方程的方法，将该方法推广到智能网联环境下由自动驾驶车辆和人工驾驶车辆组成的混合交通流中，改进后的混合交通流稳定性判定模型得到了广泛应用. 本文的混合交通流中存在3种跟驰行为，由式（12）可知，混合交通流的稳定性仅与交通流组成及各单一驾驶行为所构成的交通流相关参数有关，因此得到混合交通流稳定性计量值的计算方法，如下所示：

(13)$ \begin{split} F =& {P_{\text{C}}}\left[0.5{\left(\frac{{f_{\text{C}}^{(v)}}}{{f_{\mathrm{C}}^{(h)}}}\right)^2} - \frac{{f_C^{(v)}f_{\text{C}}^{(\Delta v)}}}{{(f_{\text{C}}^{(h)})^2}} - \frac{1}{{f_{\text{C}}^{(h)}}}\right]+ \\ &{P_{\text{A}}}\left[0.5{\left(\frac{{f_{\text{A}}^{(v)}}}{{f_{\text{A}}^{(h)}}}\right)^2} - \frac{{f_{\text{A}}^{(v)}f_{\text{A}}^{(\Delta v)}}}{{(f_{\text{A}}^{(h)})^2}} - \frac{1}{{f_{\text{A}}^{(h)}}}\right]+ \\ &{P_{\text{H}}}\left[0.5{\left(\frac{{f_{\text{H}}^{(v)}}}{{f_{\text{H}}^{(h)}}}\right)^2} - \frac{{f_{\text{H}}^{(v)}f_{\text{H}}^{(\Delta v)}}}{{(f_{\text{H}}^{(h)})^2}} - \frac{1}{{f_{\text{H}}^{(h)}}}\right] \geqslant 0 .\end{split} $

式中：F为混合交通流稳定性的计量值，当F < 0时交通流处于不稳定状态，当F > 0时交通流处于稳定状态；$ {f}_{\text{C}}^{(v)}({f}_{\text{A}}^{(v)}、{f}_{\text{H}}^{(v)}) $、$ {f}_{\text{C}}^{(\Delta v)}({f}_{\text{A}}^{(\Delta v)}、{f}_{\text{H}}^{(\Delta v)}) $及$ {f}_{\text{C}}^{(h)} ({f}_{\text{A}}^{(h)}、 {f}_{\text{H}}^{(h)}) $分别为CAV（AV、HV）的加速度模型在平衡点对速度、速度差及车间距的偏导数. 平衡态即所有的车辆均以相同的速度，保持不变的车头间距行驶，且车辆的加速度及所有车辆之间的速度差均为 0.

根据I-CACC模型，可以求得CAV的各项偏微分表达式如下.

(14)$ \left. \begin{gathered} f_{\text{C}}^{(v)} = - \overline \mu\gamma{t_{\mathrm{C}}}, \\ f_{\text{C}}^{(\Delta v)} = \beta , \\ f_{\text{C}}^{(h)} = \gamma . \\ \end{gathered} \right\} $

(15)$ \overline \mu = {N}^{-1}{{\displaystyle \sum {{\mu _{n - 1}}} }}. $

式中：N为混合交通流队列中所有CAV的数量，$\overline \mu $为所有CAV受紧邻前车影响程度的平均值.

由于不同位置的车辆具有不同的偏导数，使用所有CAV车辆的受影响程度的平均值$\overline \mu $来简化计算过程，代替每个CAV的受影响程度，开展稳定性计量值的计算分析.

同理，可以求得IDM模型与ACC跟驰模型的各项偏微分表达式如下所示.

(16)$ \left. \begin{gathered} f_{\text{H}}^{(v)} = a\left( - 4{\left(\frac{v}{{{v_0}}}\right)^3} - \frac{{2{t_h}({S_0}+v{t_{\text{H}}})}}{{{{(\Delta X - L)}^2}}}\right), \\ f_{\text{H}}^{(\Delta v)} = - \frac{{av({S_0}+v{t_{\text{H}}})}}{{\sqrt {ab} {{(\Delta X - L)}^2}}}, \\ f_{\text{H}}^{(h)} = \frac{{2a{{({S_0}+v{t_{\text{H}}})}^2}}}{{{{(\Delta X - L)}^3}}}. \\ \end{gathered} \right\} $

(17)$ \left.\begin{gathered} f_{\text{A}}^{(v)} = - {k_1}{t_{\mathrm{A}}}, \\ f_{\text{A}}^{(\Delta v)} = {k_2}, \\ f_{\text{A}}^{(h)} = {k_1}. \\ \end{gathered} \right\} $

当混合交通流处于平衡状态时开展基本图分析，通过求取平衡状态下混合交通流中所有车辆的平均车头间距，可以得到交通流的密度.

对于建立的I-CACC跟驰模型、IDM模型及ACC模型，可以求得不同类型车辆的平衡态车间距，如下所示.

(18)$ {h_{\text{C}}} = \overline \mu {t_{\text{C}}}v+L+{S_0}, $

(19)$ {h_{\text{H}}} = \frac{{{S_0}+{t_{\text{H}}}v}}{{\sqrt {1 - {{(v/{v_0})}^4}} }}+L, $

(20)$ {h_{\text{A}}} = {t_{\text{A}}}v+L+{S_0}. $

式中：${h_{\text{C}}}$、${h_{\text{A}}}$、${h_{\text{H}}}$分别为CAV、AV、HV的平衡态间距，$v$为平衡态车辆速度，$\overline \mu $为混合交通流中所有CAV紧邻前车影响程度的平均值.

混合交通流中CAV、AV、HV的渗透率分别为${P_{\text{C}}}$、${P_{\text{A}}}$及${P_{\text{H}}}$，可以得到该混合交通流的基本图模型为

(21)$ k = \left({{{P_{\text{C}}}{h_{\text{C}}}+{P_{\text{A}}}{h_{\text{A}}}+{P_{\text{H}}}{h_{\text{H}}}}}\right)^{-1}, $

(22)$ q = kv. $

式中：$k$为混合交通流的密度，$q$为混合交通流的流量.

在流量-密度关系中，随着交通密度的增加，流量初期稳步上升，通行能力逐渐增强. 达到最佳密度${k_{\mathrm{M}}}$时，流量达到最大值即道路通行能力C，此时对应的交通流速度为临界速度${v_{\mathrm{M}}}$. 此后，密度进一步增加导致流量下降，最终在完全拥堵状态下降至0.

交通流稳定性能够反映受扰动后恢复平衡状态的能力. 若扰动沿上游传播过程中逐步衰减，最终回归平衡，则交通流稳定；若扰动在传播过程中持续放大，则交通流不稳定.

从F的计算方法可以看出，当交通流平衡态速度较小时，混合交通流处于不稳定状态；当速度较大时，混合交通流处于稳定状态. 取混合交通流的平衡态速度为16、18及20 m/s，当排队强度固定为0时，通过计算CAV渗透率为0~1.0情况下的F，得到混合交通流稳定性的变化情况，如图3所示.

从图3可以看出，速度越大，交通流稳定性越强. 在3种速度下计算得到的F呈现相同的变化趋势，即当CAV的渗透率为0~0.7时，混合交通流的队列稳定性逐渐增强，且增长速度逐渐减小.

从图4可以看出，随着渗透率的增大，连接成一个队列的CAV数量越来越多，因此队列中能够接收信息反馈的CAV数量越来越多，$\overline \mu $随之减小. 根据F的计算方法可知，随着$\overline \mu $的减小，CAV队列的稳定性逐渐降低. 由于CAV对混合交通流的稳定性具有积极作用，在渗透率初期，虽然$\overline \mu $减小，随着渗透率的增大，交通流队列稳定性逐渐提高，但是稳定性的增长趋势逐渐减缓. 当渗透率增大到0.7时，计算得到的F达到最大值. 随着CAV渗透率继续增大到0.8，$\overline \mu $减小到了一定程度，虽然CAV的渗透率有所升高，但是相对于渗透率为0.7时，稳定性降低.

为了分析队列排列特性对混合交通流稳定性的影响，平衡态速度取16、18及20 m/s，在渗透率为0.5的情况下，分析排队强度分别为−1、−0.5、0、0.5及1这5种情况下的稳定性，如图5所示.

从图5可以看出，随着排队强度的增大，CAV的聚集度增大，形成一个队列的CAV数量增多，退化为AV的数量减少. 从图6可以看出，当排队强度从−1增大到0.5时，$\overline \mu $逐渐减小，但是混合交通流的稳定性呈现增长的趋势.

随着排队强度继续增大到1，所有的CAV聚集为一个车队，尽管只有一辆CAV退化为AV，但紧邻前车的影响程度均值$\overline \mu $减小到了最小值. 在$\overline \mu $的影响下，排队强度为1时的混合交通流稳定性相对于排队强度为0.5时呈现降低趋势.

从上述混合交通流稳定性分析可以看出，混合交通流的稳定性与CAV渗透率和排队强度2个因素相关. 在实际的交通运行过程中，2种因素通常都维持动态变化，有必要进一步研究两因素共同作用下混合交通流整体稳定性的变化趋势.

在速度设置为18 m/s的情况下，分析在渗透率和排队强度共同作用下混合交通流稳定性判别值的变化过程，如图7所示.

从图7可以得出与上述相同的结论：在渗透率与排队强度增大到一定程度后，混合交通流的稳定性出现降低的情况.

交通流基本图用于量化反映交通流处于平衡态时交通流流量、密度及速度三者之间的关系.

为了分析渗透率对混合交通流基本图特性的影响，在道路速度限制范围（0~120 km/h）内，排队强度为0的情况下，CAV分别采用CACC模型和I-CACC模型，观察CAV渗透率为0~1.0时密度-流量的变化情况，如图8、9所示.

从图8、9可以看出，当排队强度一定时，随着CAV渗透率的增大，混合交通流的通行能力逐渐提高. 这表明CAV能够在保证安全间距的前提下，与紧邻前车保持更短的车头间距，有效地提升混合交通流的通行能力.

为了更好地分析这一变化趋势的交通流运行机理，计算CAV分别采用CACC模型及I-CACC模型2种情况下，不同渗透率下的道路通行能力以及临界速度与最佳密度，如表1所示.

从表1可知，采用CACC模型的CAV车辆在渗透率为1的情况下，交通流通行能力约为纯HV交通流通行能力的2.36倍. 采用考虑多前车信息反馈的I-CACC跟驰模型的CAV车辆在渗透率为1的纯CAV交通流下，通行能力约为纯HV交通流通行能力的3.09倍. 随着CAV比例的增加，交通流的最佳密度逐渐增大，相应的交通流临界速度增大.

当CAV采用I-CACC模型时，混合交通流中CAV车辆受紧邻前车的平均影响程度$\overline \mu $下降. 根据式（18）可知，$\overline \mu $下降，CAV的车头间距减小，能够与前车保持更小的车头间距. 随着渗透率的增大，整列交通流的$\overline \mu $随渗透率的增大而减小，在平衡状态下最佳密度与通行能力的增长速度逐渐提高.

当智能网联车渗透率为0或1时，混合交通流仅由一种车辆组成，交通流的队列排列不会随PI变化. 在跟驰模型参数不变的情况下，当CAV渗透率为0.5，排队强度依次取−1、−0.5、0、0.5及1.0时，分析CAV分别采用2种跟驰模型的流量-密度图，如图10、11所示.

从图10、11可以看出，当智能网联车辆的渗透率一定时，随着排队强度的增大，混合交通流的通行能力逐渐提高，表明CAV聚集度的提高对通行能力具有积极的影响.

根据表2可知，混合交通流中CAV渗透率为0.5的情况下，采用CACC模型的CAV车辆在排队强度为1时，通行能力约为排队强度为0时的1.19倍. 采用I-CACC模型的CAV交通流在同样的条件下，通行能力约为排队强度为0时的1.27倍.

当CAV渗透率为 0~1.0时，在CAV应用了考虑多前车信息反馈的I-CACC跟驰模型后，随着排队强度的增大，形成队列的CAV数量增多， $\overline \mu $逐渐减小. CAV能够与前车保持更小的车头间距，在相同条件下提高了混合交通流的通行能力. 随着排队强度的增大，退化的AV数量逐渐减小，CAV能够以更小的车头间距行驶，混合交通流的最佳密度与通行能力逐渐升高.

（1）在CAV采用多前车信息反馈的跟驰模型后，混合交通流的队列稳定性不是随着渗透率与排队强度的增大而逐渐增大的线性关系. 混合交通流的队列稳定性分别在渗透率为0.7及排队强度为0.5时达到最大值. 当渗透率及排队强度继续增大时，稳定性呈现下降趋势. 需要确定最合适的前车通讯数量，根据不同的智能网联车辆的渗透率制定相应的排队策略，优化混合交通流的队列稳定性.

（2）在CAV多前车信息反馈跟驰的策略下，CAV车辆能够以较高的交通流密度行驶，显著地提升道路通行能力. 与采用CACC模型的混合交通流相比，纯 CAV 车辆的交通流的通行能力可以达到由HV组成的交通流的2.36倍，引入多前车信息反馈后，通行能力进一步提高到了3.09倍. 随着CAV渗透率与排队强度的增大，混合交通流中紧邻前车对CAV的平均影响程度下降，CAV可以与前车保持更小的车头间距，混合交通流的最佳密度与通行能力的增长速度逐渐加快.

（3）混合交通流的队列稳定性与基本图特性受到CAV渗透率、排队强度及速度等多重因素的影响. 在实际的交通流运行过程中，车辆的队列排列、速度及渗透率等因素共同处于动态变化的状态，因此有必要进一步探究渗透率、速度与排队强度共同作用下混合交通流特性的变化趋势.