Cet article présente une méthode permettant d'atténuer les fluctuations de trafic dans les flux mixtes de véhicules autonomes (VAC) et de véhicules à conduite humaine (VCH). Pour répondre aux problèmes de faisabilité informatique des systèmes de contrôle prédictif existants et aux défis de la modélisation du comportement non linéaire et hétérogène des VCH, nous proposons un système de contrôle prédictif adaptatif de Koopman profond (AdapKoopPC). AdapKoopPC intègre un nouveau réseau de Koopman profond (AdapKoopnet) qui apprend de manière adaptative à partir de données naturalistes pour représenter la dynamique complexe de suivi des VCH sous la forme d'un système linéaire dans un espace à grande dimension. Cette représentation linéaire apprise est intégrée à une technique de contrôle prédictif par modèle (MPC), permettant un contrôle des VCH en temps réel, évolutif et optimal. Validé par un jeu de données HighD et des simulations numériques approfondies, AdapKoopnet atteint une précision de prédiction de trajectoire supérieure à celle des modèles de référence, tandis que le contrôleur AdapKoopPC est robuste même à faible ratio de VCH et réduit considérablement les fluctuations de trafic avec une charge de calcul minimale. Cette étude fournit une solution évolutive et basée sur les données pour améliorer la sécurité dans des environnements de trafic mixte réalistes, et le code est accessible au public.
