智能网联汽车在技术上已经取得了长足进步,利用雷达、IMU与摄像头感知道路交通信息,根据预设车辆控制算法实现不同交通环境下的驾驶策略。而“万物互联”又是未来科技的发展趋势,实现“车与车”、“车与路”之间联动是未来智能交通发展的重要方向,随着5G、DSRC等通信技术的发展,实现道路交通运行主体之间的信息交互,对提高交通运行效率、降低交通事故有着重要的意义。这一过程中,道路上车辆组成的发展势必要经过网联车与非网联车混行的阶段,因此在网联车与非网联车混行条件下,研究如何发挥网联车的信息获取的优势、如何在无灯控交叉口利用网联车的机动性实现整个交叉口主路车辆的安全高效运行、如何在干线交通控制中利用网联车获取的信息获取时效性与车辆灵活性提高干线车流的通行效率具有重要意义。本文对网联车混行条件下交通数据处理方法进行研究,根据交通数据判断交通运行状况进行干线信号优化与车辆速度引导;同时利用混行车流中网联车的机动性在无灯控交叉口实现车辆安全高效运行。由于现实中缺少大规模网联车与非网联车混行的条件,所以利用仿真软件VISSIM4.30联合MATLAB模拟道路交通条件,通过仿真结果判断控制方法的实施效果,结果表明:○1道路上的网联车增加了获取道路交通参数的途径,新兴深度学习技术对多源交通数据融合具有强大的处理能力;○2在无灯控交叉口,混行状态下通过对冲突方向上的网联车进行车速协调,在保证交叉口车辆通行有序性的同时,可以扩大可通行间隙并为主路车流提供更大的通行优先权;○3通过结合流量的MAXBAND模型对干线控制子区进行信号协调可以有效减少双向车辆平均延误;○4利用网联车的信息传输时效性对双周期信号控制条件下的车辆进行速度引导,可以有效减少车辆的停车次数提高干线车流运行效率。本文主要研究内容如下:1、多源交通数据的融合与预测。道路中网联车返回的交通数据比传统数据采集方法获得到的数据有更高的准确性与实时性,但在实际交通控制与管理过程中,并不能只以网联车的数据为准,还需要结合其他数据对交通状态进行综合研判。本文介绍了目前经典的多源数据融合方法与交通数据预测方法;通过收集、整理形成了3组交通流量数据,分别利用经典卡尔曼滤波算法（Kalman Filter）和粒子群（Particle Swarm Optimization）优化的径向基神经网络（Radial Basis Function Neural Networks）进行融合,展示了卡尔曼滤波算法和粒子群优化的径向基神经网络（PSO-RBFNN）在交通流量融合方面的优良效果。本文介绍的多源交通数据融合方法具有广泛的应用,以此为起点,后续的研究也可以利用本文的数据融合方法对其他交通参数进行融合,以便更准确地掌握交通密度等其他交通参数,实现对交通运行状态的全面把握。2、利用网联车的机动性实现无灯控交叉口的安全运行。当交叉口无信号灯或信号控制系统出现故障时,可以考虑发挥网联车的机动性来保障干线交通的运行安全与运行效率。本文提出在网联车混行条件下,以路段上的网联车为节点,引导次路上网联车进行车速微调,形成可允许主路方向车队安全通过的间隙;再以间隙的形成时刻为基准计算主路车流的运行速度并传递给相应车辆,以此保证干线车辆的运行效率。同时通过在每条车道接近交叉口的位置设置速度调整区与速度稳定区,给车辆速度调整提供足够的时间与空间,以保障这一过程的安全性。这种交叉口车辆控制方案,相比于车辆自由行驶状态,在保证安全的基础上提高了干线车流的运行效率,降低了车辆平均延误与平均停车次数。3、对于有信号灯控制的交叉口,在充分获取道路交通流量的情况下,基于经典MAXBAND模型,针对干线双向交通流量不同改进模型的目标函数,将流量作为影响因素引入模型并计算交叉口最优信号配时;当干线交叉口因流量差异而采用双周期信号控制时,根据上下游交叉口绿灯时间的间隙计算网联车可以不停车通过交叉口的理想车速,借助网联车获取数据的实时性和车辆控制的机动性,将理想车速动态传递给网联车。本文通过将交通流量引入MAXBAND模型目标函数,可以得到更符合双向交通需求的绿波带宽与信号配时方案;双周期条件下通过对车辆进行速度引导,实现了车辆不停车变速通过交叉口,提高了干线车流运行效率,减少了因停车而增加的油耗。4、对以上内容进行研究后,本文利用MATLAB训练神经网络,输入交通参数进行数据融合,通过与对照组数据进行对比,观察数据融合的效果;搭建了车路协同仿真环境,利用MATLAB对交通仿真软件VISSIM4.30进行二次开发,验证了无灯控交叉口间隙控制方法对于提高了干线车辆的运行效率的作用,同时验证了双周期条件下干线车速引导方法对减少车辆延误与停车次数的效果。