对车辆跟驰模型的探讨

针对普遍存在的车辆跟驰问题,简述了车辆跟驰理论及其已有的一些模型,在此基础上对修正的跟驰模型提出自己的观点。     

一种改进的车辆跟驰动力学模型

针对现有跟驰模型存在的不足,文中提出了一种新的优化速度(期望速度)函数,基于“刺激—反应”模式建立了改进的车辆跟驰动力学模型,并运用李亚普诺夫运动稳定性理论对其进行了稳定性分析.最后运用实测数据对模型进行了参数标定和应用性验证.结果表明:改进模型在模拟交通流的启动加速、近似匀速和减速过程方面与实测数据都具有较高的一致性,没有出现已有模型的不切实际的加速度.     

车辆跟驰模型的发展综述

对车辆跟驰理论进行概述,分析车辆在非自由状态行驶下的跟驰特性。跟驰模型在近70年的发展历程中,吸引了交通工程学、统计物理学、心理学等不同领域的专家参与研究,建模时考虑因素由单一到多元、由简单到复杂,随着模型的不断发展,逐渐贴合于实际交通状况;分析了刺激-反应类模型、安全距离Gipps模型、优化速度FVD模型、元胞自动机模型,重点剖析了四类模型的建模思路和改进过程,对经典跟驰模型进行总结对比;展望了跟驰模型未来发展的趋势,指出在无人驾驶和智能网联的大环境下,基于机器学习的安全跟驰状态辨识方法研究、基于机器学习的跟驰特性研究及基于多元信息融合的跟驰模型构建等将是未来的发展方向。     

考虑前后车速度关系的车辆跟驰模型

分析了传统车辆跟驰模型的局限性,建立了考虑前后车速度关系的车辆跟驰模型：前后车以相同速度匀速行驶时的跟驰模型;前后车以不同速度匀速行驶,后车速度小于前车速度时的跟驰模型;前后车以不同速度匀速行驶,后车速度大于前车速度,当前车速度不变时的跟驰模型和前车减速时的跟驰模型．以四种跟驰模型为基础,分别建立了相应的速度一间距关系和车辆追尾模型．追尾模型表明：最小车头距离是后车速度的二次函数,随后车速度急剧缩小;当实际车头距离小于该值时,则会发生追尾事件．     

改进分子动力学的车辆跟驰模型

为了更好地研究复杂情况下的车辆跟驰特性,将车辆跟驰行为类比为分子在一维管道中相互作用的结果.已有的基于分子动力学的车辆跟驰模型利用需求安全间距和车道限速作为因素建立分子跟驰模型,忽略了车辆相对速度对驾驶员跟驰行为的影响,不符合真实的跟驰情况.因此,将车辆相对速度纳入模型结构中,建立分子相互作用势函数和壁面势函数,并据此构建改进分子动力学的车辆跟驰模型.用高精度车载定位仪器对车辆跟驰过程中的参数进行采集,利用遗传算法对模型参数进行标定并对模型进行分析,分别验证模型在不同跟驰状态下的准确性,并与改进前的分子跟驰模型进行对比.结果表明,改进的分子跟驰模型可以更有效地预测车辆的跟驰行为.     

基于人工势能场的跟驰模型

为提升跟驰模型的模拟精度,更加有效地刻画跟驰行为特性,从车辆的实际运行规律出发,将行驶过程中的各种行为归纳为效率与安全2种因素的相互作用.借鉴人工势能场的基本思想,将这2种因素抽象为驾驶员受到的驱动力和阻碍力,进而建立相应的跟驰模型.根据普遍的驾驶行为特性,将车辆运行状态分为减速停车、起动加速和常态行驶3类,并据此对实...     

考虑车辆动力性能的跟驰模型

针对传统跟驰模型产生过大的加速度问题,采用可变的期望间距模型,并考虑车辆所允许的速度与加速度取值约束,建立了考虑车辆动力性能的微观跟驰模型,模拟加速度与速度、车间距的变化关系,并进行仿真分析。研究结果表明:加速度最大值取4 m/s2时,流量-密度曲线由线性区自由流和非线性区协同阻塞流组成;当加速度最大值为5 m/s2时,流量-密度曲线分成3段,分别是线性区自由流、非线性区协同阻塞流和交通量基本恒定的宽幅阻塞流;随着加速度的变大,流量-密度曲线由2相变成3相,且协同阻塞区变宽,交通流的稳定性变差;同Bando模型及多相模型相比,该模型能更好地反映交通流的实际特性。     

基于TSK模型的车辆跟驰模型

为解决传统的基于模糊推理的车辆跟驰模型参数校准精度差的问题,提出了基于TSK模型的车辆跟驰模型.采用改进的基于遗传算法的TSK模型辨识方法,对分组中数据点不足的情况作了特别处理,通过GPS采集跑车实验数据,根据实测数据构建并验证TSK模型.实验结果和理论分析吻合较好,模型精度提高了一个数量级,表明TSK模型用于车辆跟驰模型是可行的.     

基于安全间距的车辆跟驰模型研究综述

以计算机技术和车辆跟驰模型为基础的微观交通流仿真是进行各种管控措施模拟实验和进行ITS(智能运输系统)开发研究的重要手段。仿真软件对过程的封装使用户无法全面理解其仿真模型和介入仿真过程,容易对仿真结果提出质疑。为此,对目前多数微观仿真系统使用的基于安全间距的车辆跟驰模型进行综述,介绍其构建思想和算法内核,并对算法的优缺点进行总结。     

车辆跟驰模型研究综述

从模型形式、参数标定以及模型假设条件的角度出发,对相对速度—加减速度模型、安全距离模型、线性模型进行了综合论述,分析已有模型的特点及适用条件,认为目前的车辆跟驰模型由于其假设前提的限制,制约了其在交通流系统中的实际应用,说明有必要建立基于综合环境影响的车辆跟驰模型,并根据我国交通的实际特点加以运用。     

利用跟驰理论研究单向交通路段基本通行能力

通行能力是指道路设施所能承载交通流的能力。城市道路通行能力的研究对道路服务水平的确定、城市道路的交通管理和控制等方面起着重要的作用。本文在道路通行能力基本概念的基础上,以跟驰理论为基础,研究了单向交通路段基本通行能力(即理论通行能力),并推导出了单向交通路段基本通行能力的计算公式。     

Modeling Car-Following Dynamics During the Starting and Stopping Process Based on a Spring System Model

Car-following models describe how one vehicle follows the preceding vehicles.ln order to better model and explain car-following dynamics,this paper categorizes the state of a traveling vehicle into three sub-processes:the starting(acceleration)process,the car-folloing process,and the stopping(deceleration)process.The stating process primarily involves vehicle acceleration behavior.The stopping process involves not only car-following behavior but also deceleration behavior.This paper regards both the stopping process and the starting process as spring systems.The car-following dynamics during the starting process and the stopping process is modeled in this paper.The parameters of the proposed models,which are represented in the form of trigonometric functions,possess explicit hysical meaning and definitive ranges.We have calibrated the model of the starting process using data form the Traffic Engineering Handbook and ob-tained reasonable results.Compared with traditional stimulus-response car-following mo     

信号交叉口左转车辆跟驰行为建模

跟驰模型是交通流理论的核心内容之一,但左转车辆在交叉口转弯过程中跟驰行为的特征表现,尚缺少基于实际数据的深入研究。针对这个问题,设计了信号交叉口左转车辆跟驰实验,基于高精度全球定位系统(global positioning system,GPS)和移动地理信息系统采集车辆跟驰行为相关数据,分析了信号交叉口不同转弯半径下左转车辆跟驰速度时变规律及分布本征。在全速度差(full velocity difference,FVD)跟驰模型的基础上,考虑跟驰车驾驶员对前导车加、减速反应的非对称性,构建了改进的全速度差模型,并采用遗传算法对模型进行了参数标定。最后,以跟驰车加速度为检验指标,利用实测数据对改进的全速度差模型加、减速度过程的准确性进行了分析与评价。结果表明:信号交叉口左转跟驰车辆的平均运行速度与转弯半径成正相关;在不同转弯半径下跟驰车速度出现频数最高的数值随着转弯半径的增大而增大;改进的全速度差模型,能更好地描述交叉口左转车辆跟驰过程,驾驶员对前导车减速行为的反应比对加速行为的更强烈。     

考虑驾驶风格的模糊控制跟驰模型

针对传统模糊控制跟驰模型较少考虑驾驶风格的差异,同时缺乏真实数据的有效验证,基于模糊控制理论,模拟驾驶人在跟驰过程中采取的动态驾驶决策过程,考虑不同驾驶风格,在分析自然驾驶数据的基础上,利用实测数据对不同驾驶风格进行分析,获得各驾驶风格的期望车头时距参数,在此基础上,利用前后车距离误差和速度差作为独立变量,并建立了模糊控制规则。数值分析结果表明,该模型与自然驾驶数据拟合较好。     

高速公路上自然驾驶工况下驾驶员转向操纵行为的动态特性分析

驾驶员模型的建模主要围绕着驾驶员的感知,决策和操纵三个关键行为展开研究,对驾驶员生理特性及行为的研究分析是提高驾驶员建模精度的重要方法。驾驶员转向行为特性的研究大多是在时域中进行分析,很少分析驾驶员操纵的频域特性,因此对驾驶员的转向动态特性很少研究。通过傅里叶变换分析高速公路上自然驾驶工况下驾驶员转动转向盘转角的动态特性,为分析驾驶员转向行为特性提供研究基础。     

网络用户信息查询行为模型的建立

在对具有代表性的几种信息行为模型进行研究的基础上,对网络环境下信息查询行为模型的建立进行了探讨。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。