Bài báo này trình bày một phương pháp để giảm thiểu biến động giao thông trong luồng giao thông hỗn hợp của xe tự hành (CAV) và xe do con người lái (HDV). Để giải quyết các vấn đề khả thi về mặt tính toán của các khuôn khổ điều khiển dự đoán hiện có và những thách thức trong việc mô hình hóa hành vi phi tuyến tính và không đồng nhất của HDV, chúng tôi đề xuất một khuôn khổ điều khiển dự đoán Koopman sâu thích ứng (AdapKoopPC). AdapKoopPC có một mạng Koopman sâu mới (AdapKoopnet) học hỏi một cách thích ứng từ dữ liệu tự nhiên để biểu diễn động lực học theo xe HDV phức tạp như một hệ thống tuyến tính trong không gian nhiều chiều. Biểu diễn tuyến tính đã học này được tích hợp vào kỹ thuật điều khiển dự đoán mô hình (MPC), cho phép điều khiển CAV theo thời gian thực, có thể mở rộng và tối ưu. Được xác thực thông qua bộ dữ liệu HighD và mô phỏng số mở rộng, AdapKoopnet đạt được độ chính xác dự đoán quỹ đạo vượt trội so với các mô hình cơ sở, trong khi bộ điều khiển AdapKoopPC hoạt động mạnh mẽ ngay cả ở tỷ lệ AV thấp và giảm đáng kể biến động giao thông với chi phí tính toán tối thiểu. Nghiên cứu này cung cấp giải pháp có khả năng mở rộng, dựa trên dữ liệu để cải thiện sự an toàn trong môi trường giao thông hỗn hợp thực tế và mã này được công khai.
