본 논문은 자율주행차(CAV)와 일반 운전자 차량(HDV)의 혼합 교통 흐름에서 교통 흔들림을 완화하기 위해 적응형 심층 Koopman 예측 제어 프레임워크(AdapKoopPC)를 제안합니다. HDV의 차량 추종 행동을 모델링하기 위해 Koopman 이론 기반 적응형 궤적 예측 심층 신경망(AdapKoopnet)을 설계하고, 이를 통해 고차원 공간에서 HDV 행동을 선형 모델로 표현합니다. CAV의 선형 동역학 모델과 AdapKoopnet의 선형 예측 블록을 AdapKoopPC의 예측 모델로 통합하여 혼합 교통 흐름을 원활하게 제어하는 모델 예측 제어를 사용합니다. HighD 자연 주행 데이터셋을 사용하여 AdapKoopnet의 예측 성능을 검증하고, 수치 시뮬레이션을 통해 AdapKoopPC의 제어 성능을 검증합니다. 결과적으로 AdapKoopnet은 기존 비선형 모델보다 더 정확한 HDV 예측 궤적을 제공하며, AdapKoopPC는 특히 CAV 침투율이 낮을 때 기존 방법보다 계산 비용이 적으면서도 교통 흔들림 완화에 더 효과적인 제어 성능을 보입니다. 제안된 AdapKoopPC의 코드는 공개 소스로 제공됩니다.
