组会简讯：2025年春季第8次组会
2025年4月19日，课题组举行了线下组会，指导老师唐克双教授、朱宏副教授，以及课题组所有学生参与了本次例会。本次组会主要内容为丁越、李子正同学研究进展汇报。
一、丁越研究进展汇报
丁越同学从鲁棒优化实验进展、基于Wasserstein距离的不确定集构造方法、后续工作安排等三个方面介绍了其研究《基于网联车辆轨迹数据的城市道路鲁棒控制》的最新进展。
汇报内容分为三个部分：第一部分介绍了基于网联车辆轨迹数据的鲁棒控制的实验进展，包括不同不确定集的效果对比、模型缓冲系数的敏感性分析，主要结论包括：（1）盒式不确定集平均延误仅比最优的多面体不确定集高 7.6%，但计算时间节省近半；（2）μ=0.9时，平均延误、排队长度等核心性能指标最优，且周期时间适中，平衡了通行效率与拥堵控制。第二部分重点阐述了如何利用到达率上界、下界分布标定Wasserstein距离的半径。最后，讨论了后续将单点控制场景拓展到干线或路网场景时可能遇到的问题。
唐克双老师、朱宏老师与其他课题组成员就丁越同学研究中的相关问题进行了深入探讨，为其指明了研究后续的重点工作以及需要注意的问题
二、李子正研究进展汇报
李子正同学的研究聚焦于智能交通仿真中的驾驶行为建模与轨迹学习扩样，面向交通仿真参数标定的需求，提出一种融合LSTM-GAN生成模型与Copula多维分布拟合的车辆轨迹扩样与驾驶行为建模方法，通过从真实轨迹中学习行为特征，生成高保真、可控的轨迹数据，并拟合行为参数间的联合分布，为个性化驾驶建模、算法测试与交通仿真提供数据支撑。本次汇报重点在提出了在损失函数引入DTW距离和R3GAN梯度惩罚来优化LSTM-GAN的想法，同时利用Copula方法有效建模了FVD跟驰模型参数间的复杂依赖关系。当前研究已实现从数据生成到参数分布拟合的全链条建模，未来计划进一步优化生成网络结构、扩展至IDM等更多跟驰模型，并探索生成模型与Copula方法的耦合机制。
唐克双老师对研究中的改进方向给予了肯定，如引入DTW距离以提升轨迹相似性度量的做法，同时建议进一步优化算法的泛化能力，使其能够适应不同规格交叉口的场景迁移需求，增强模型的实际应用价值。朱宏老师则针对方法融合提出了深化建议，指出当前LSTM-GAN与Copula方法的结合仍有探索空间，未来可围绕框架的完整性与理论创新性展开研究，例如通过设计更紧密的耦合机制或引入多模态约束，进一步提升模型的综合性能。
