作为拥堵收费的一种形式,高乘载收费(HOT)车道已经在美国等发达国家广泛应用。其在缓解交通拥堵方面的有效性和可行性值得我国交通学者思考借鉴。HOT车道有效地将拥堵收费和高乘载(HOV)车道相结合,允许普通(GP)车道上的低乘载车辆(LOV)付费进入HOV车道并获得更高的交通服务水平,从而解决了HOV车道的低利用率问题。因此,收费费率在动态分配HOT车道与GP车道上的LOV车辆上有着很重要的作用,直接影响HOT车道系统的运营水平。本文则将针对HOT车道系统中的重要组成部分,单进出口HOT车道,提出一种全新的动态收费策略。该收费策略不仅模拟了LOV的车道选择行为,而且根据实时交通情况确定了动态收费费率。本文首先介绍了HOT车道的系统结构以及实施动态收费策略关键技术。其次,从数据驱动和机器学习的角度出发,使用支持向量回归(SVR)和随机森林回归(RFR)模型根据交通状况及收费数据训练和预测LOV的车道选择行为。为了提高模型的预测精度,采用网格搜索算法(GSM)和粒子群优化算法(PSO)对回归模型中的参数进行优化,并使用k折交叉检验(k-CV)对优化后的模型进行评估。接着本文建立了一种双层巢式收费模型,其下层基于路段传输模型(LTM)约束最小化系统总行程延误计算出最优LOV换道比例;而上层模型则是根据当前交通情况不断调节收费费率,使预测的LOV换道比例与最优换道比例的绝对误差最小,从而确定最优收费费率。最后收集美国华盛顿州I405公路上HOT车道的数据进行实例分析,实验结果表明:PSO较GSM在两种回归模型的优化过程中都可以更快地获得较优的参数组合,且PSO+SVR模型相比其他5种回归模型有着90.60%的最高预测精度;基于实时数据和巢式收费模型确定的最优收费能够显著地降低道路总行程延误,在选取的高峰期内总行程延误平均降低了59.7%,证明了该动态收费策略的有效性。