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。     

跟驰行驶状态下的驾驶模拟有效性研究

为验证驾驶模拟技术在跟驰行为研究中的有效性,设计了实车实验与驾驶模拟实验。选取了跟驰距离、跟驰距离标准差、车头时距及驾驶员反应延迟时间作为分析指标,并采用Wilcox检验、生存分析方法分别验证了非时间数据、时间数据的有效性。结果表明跟驰距离、车头时距、驾驶员反应延迟时间具备绝对有效性,两种不同实验环境下跟驰距离标准差随跟驰速度变化趋势相同,具备相对有效性。实车实验中,前车加速度、前后车相对距离、前车加速度变化状态显著影响驾驶员反应延迟时间。有效性分析结果为基于驾驶模拟实验的跟驰行为研究提供前提条件,生存分析结果可用于驾驶员反应延迟时间建模及跟驰模型优化。     

基于多国实测数据的跟驰模型对比

为了更精确描述车辆跟驰(CF)行为,并研究不同国家跟驰行为数据对跟驰标定模拟的影响,以及各跟驰模型对跟驰行为模拟的精确程度,选取中国西安市南二环某路段交通流CHD数据集、美国NGSIM数据集以及德国HighD数据集,针对Gazis-Herman-Rothery(GHR)模型、智能驾驶模型(IDM)以及最新被提出的S-shaped three-parameters(S3)跟驰模型进行模型标定以及误差分析,利用加速度、前后车速度差、前后车位置差和后车速度等数据作为输入参数,采用互相关分析与模拟退火相结合的方法进行数据拟合,并利用加速度、速度和位移的均方根误差(R_MSE)对参数拟合后的模型进行性能评价。研究结果表明：针对3个不同国家数据集中的跟驰行为,S3微观模型标定效果均表现最佳,3个数据集的R_MSE平均值均最小,且低于其他2种跟驰模型;德国HighD数据集总采集精度高、数据量大,因此无论采用何种CF模型进行标定,该数据集在跟驰行为标定方面的性能均表现最佳、误差最小。研究结果对交通仿真软件模拟交通流的车辆跟驰模型选取及其参数优化具有重要意义,且对...     

基于数据驱动的城市地下快速路跟驰行为模型构建

为了揭示地下快速路交通流的运行特性,利用驾驶模拟器获得的高精度车辆轨迹数据,针对地下快速路提出一种基于数据驱动方法的车辆跟驰模型,并对该模型进行了标定与验证。首先,根据上海市北横通道东段场景模型进行驾驶模拟实验以获取车辆跟驰数据;其次,选择了采用支持向量回归（SVR）方法建立车辆跟驰模型,对模型改进并引入了驾驶行为约束条件;最后,利用实验数据对改进过的SVR车辆跟驰模型进行了标定与验证。结果表明,考虑驾驶行为约束的支持向量回归车辆跟驰模型能很好地描述地下快速路中的车辆跟驰行为;该模型具有一定的可移植性,在其他地下快速路上也有较高的精度。建立的车辆跟驰模型可以量化地分析地下快速路中跟驰车辆间的相互作用,为进行交通仿真和风险研究提供基础。     

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型（GHR、GIPPS、IDM和Wiedemann）对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为（麻木反应、过激反应和延迟反应）;最后探讨了分心状态下的2种跟驰行为建模策略（AIDM和TDIDM）。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。     

基于ANFIS的高速公路车辆跟驰模型与仿真

为了更好地描述高速公路上驾驶员在车辆跟驰过程中表现出来的模糊、不确定性的行为特征,采用自适应模糊神经网络ANFIS来建立车辆跟驰模型.首先,通过小波分析方法,对采集到的跟车数据进行降噪,消除外界因素的干扰,从而恢复数据的原始信息;根据信号处理方法,利用相关函数计算出驾驶员在跟驰过程中的反应时间.然后,建立以两车速度差、车头间距和后车速度作为输入,以及后车加速度作为单输出的自适应模糊神经网络跟车模型.最终,对该模型仿真训练,自适应生成驾驶员跟驰行为规则,并与传统的GM跟车模型对比分析.结果表明,该网络模型能较客观地反映高速公路上的驾驶员跟驰行为.     

基于车辆轨迹数据的急减速驾驶行为判定方法

目前很多研究使用车辆轨迹数据来识别急减速驾驶行为,但目前使用的固定阈值方法无法对不同驾驶场景做出区分且缺乏建模分析。本文基于车辆跟驰模型,提出了一种包含多种驾驶场景的急减速驾驶行为判断方法,该方法考虑照明条件、天气、道路车速等参数,解决了现有方法中缺乏场景分类的问题。使用聚类算法区分历史数据中的急减速驾驶行为,提取实际阈值并与模型结果进行比较,对该方法的准确性进行验证。结果表明,与现有方法相比,所建立的模型对不同种类驾驶场景的适应性较好,识别准确率较高。由此证明利用该模型可以更好地实现基于轨迹数据的车辆急减速行为识别,从而为驾驶安全研究打下基础。     

基于跟驰行为谱的跟驰风险状态预测

跟驰风险状态反映车辆跟驰行驶过程中的危险程度。为了实时预测跟驰风险状态,基于跟驰行为谱,提取碰撞时间倒数、横向摆动系数、速度不稳定系数3种跟驰风险状态指标,并确定状态划分阈值。采用精确决策树、提升树、线性回归拟合、支持向量机、K-近邻、集成树6种机器学习预测模型进行跟驰风险状态预测,选取准确率、四级风险状态召回率、平均召回率对模型预测效果进行评价,对不同预测时长和不同特征指标序列时长下的预测效果进行对比。基于驾驶模拟器采集的不同道路类型和交通状态组合下6种典型跟驰场景驾驶行为数据进行分析,结果表明,精确决策树预测跟驰风险状态效果最佳;拥挤交通流下支路跟驰的预测效果显著好于其他场景,其他5种场景下的预测效果无显著差异;通过增加特征指标序列时长,可缓解预测效果因预测时长增大而变差的问题。可为车辆主动安全预警与防控提供技术支撑。     

利他情境对驾驶个体跟驰行为的影响

地震灾害情景下的个体跟驰行为会受到利他情境的影响。基于驾驶模拟器,设置利他情境和中性情境两组驾驶任务,在相同的道路驾驶场景中,采集被试个体的跟驰行为数据。选择Gipps模型用于表示个体跟驰行为,采用遗传算法对不同个体的Gipps跟驰模型参数进行标定。对比不同驾驶任务组的标定结果表明:利他情境与中性情境驾驶任务组的组间差异显著;个体执行利他情境驾驶任务时,相比中性情境驾驶任务,驾驶的最大减速度上升、预估前车最大减速度上升、安全距离下降、最大加速度上升;利他情境下个体有意识紧跟前车以达到尽快完成驾驶任务的目的,同时在行驶过程中表现出个体对驾驶安全性有更高的期望。该研究表明:在应急交通疏散过程中,给予个体一定程度的利他情境,可能有助于提高交通疏散整体的安全性能与疏散效率。     

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。     

基于产生式规则系统的车辆跟驰模型

车辆跟驰模型是微观交通仿真的核心.随着微观交通仿真应用的不断发展,需要对更多的交通场景进行建模,而现有的车辆跟驰模型在扩展性上已掣肘.提出基于产生式规则系统的车辆跟驰模型,并对其进行了仿真.仿真结果表明,用产生式规则系统模拟驾驶行为是可行的,通过模糊规则和普通规则的共同作用,能方便地进行扩展.     

基于径向基函数神经网络车辆跟驰模型

针对由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型的问题,应用径向基函数神经网络建立了跟驰模型,改进了基于最近邻聚类的网络学习算法,并利用跟驰数据对模型进行了验证.结果表明,该网络模型与多层前馈网络模型相比,结构简单,训练时间短,精度高,适宜在线进行实时预测.     

跟驰模型场景基准分析

设计包含7种驾驶工况的自由流场景及跟驰场景,对MITSIM（microscopic traffic simulator）、Gipps模型、Wiedemann模型、FVD（full velocity difference）模型、IDM（intelligent driver model）、S?K模型及LCM（longitudinal control model）7个不同机理下典型跟驰模型进行基准测试。结果表明：各模型均可在一定程度上完成自由流场景下各工况测试,其中LCM的表现最符合认知,IDM的加速度最小且启动时间最长;仅Gipps模型、FVD模型、IDM及S?K模型可完成跟驰场景下各工况测试,其中FVD模型对于前车的状态变化具有最及时的反应;S?K模型在跟驰场景各工况下的速度与加速度始终处于微小振荡中,这也较为符合实际驾驶情景。     

基于高逼真驾驶模拟器雾霾天气下跟驰行为分析

为研究雾霾天气下车辆跟驰行为,基于8自由度高逼真驾驶模拟器,设置晴天和雾霾天两个实验场景,采集不同交通状态下跟驰驾驶行为数据,分析车头时距、车头间距、车头延迟时距、加速度、减速度等跟驰行为关键变量.实验结果表明,雾霾天气显著影响了跟驰行为,最大车头间距在自由流、拥挤流和阻塞流跟驰状态下分别增加了8.7%、19.4%和25.6%;自由流跟驰状态下最小车头间距减小了13.0%;阻塞流跟驰状态下最小车头时距减小了47.9%,但延迟时距及其离散性增加了15.5%和28.2%;雾霾天气下后车的加速行为更为谨慎.不同交通状态下的跟驰行为存在显著差异.随着跟驰车速增加,最大、最小车头间距及其离散性显著增加;最大、最小车头时距及其离散性则呈先增加后减小趋势,延迟时距显著增加.     

基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题，基于超距雷达数据分析了高速公路车辆跟驰特性，建立起基于长短期记忆（long short term memory，LSTM）的跟驰速度预测模型。首先，根据数据特点建立了处理规则并筛选跟驰序列。其次，根据车身长度将跟驰车划为大型车与小型车，分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后，将前车速度、位置差、上一时刻车头时距作为模型输入，跟驰车速度作为模型输出，构建了基于LSTM的跟驰速度预测模型，模型预测精度达到99.75%。最后，以高速公路数据为例进行验证，传统机器学习支持向量回归（support vector regression，SVR）模型的预测性能低于深度学习模型，LSTM模型的R Square较SVR模型提升了4.37%；作为LSTM的结构简化变体，在相同的结构参数下，门控循环单元（gated recurrent unit，GRU）模型的预测性能并未提升，但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

车联网环境下信息交互形式对驾驶行为的影响

为研究车联网环境下不同信息提供方式对驾驶行为的影响,设计了车联网环境下的模拟驾驶实验,采集了4个场景下车辆运行数据。对比不同分心任务的驾驶行为特征和正常驾驶行为的差异,从转向角、车辆侧向偏移、速度、跟车距离等特征参数描述了车联网信息导致分心的驾驶行为规律,并构建了基于模糊综合评价方法的驾驶人分心等级评判模型,横向对比了不同信息提供方式对驾驶行为的影响程度。     

速度差影响下混合驾驶交通流动态特性分析

为分析自动驾驶车辆(AV)与人工驾驶车辆(HV)之间存在速度差时对混合驾驶交通流动态特性的影响,选取智能驾驶员模型(IDM)和协同自适应巡航控制(CACC)模型分别对HV和AV跟驰行为进行建模,采用MOBIL换道模型对换道行为进行建模.以单向两车道路段为场景,仿真分析了不同AV渗透率下速度差对混合驾驶环境交通流基本图的...     

基于自然驾驶数据的信号交叉口车辆跟驰行为特征分析

为明确城市信号交叉口的车辆跟驰行为特性,基于自然驾驶试验数据,对车辆在减速、加速跟驰状态的车头间距、车头时距和相对速度进行了分布特征分析以及与跟驰速度的相关性分析。结果表明：减速跟驰状态的相对速度主要集中于[-3m/s,1m/s],加速跟驰状态主要集中于[-1m/s,3m/s]；减速跟驰状态和加速跟驰状态的车头时距随后车跟驰速度变化趋势相同,确定了跟驰速度小于20km/h的车头时距阈值；去掉跟驰速度小于6km/h的数据后得到的减速跟驰、加速跟驰状态车头时距和车头间距均呈正偏态分布,车头间距集中于5-30m,车头时距集中于1.5s-3.5s；两种跟驰状态车头间距、车头时距的5th、50th、95th特征值与跟驰速度具有较强的相关性。     

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为，结合多速度差理论跟驰模型和深度学习方法，提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性，提出了双车道多速度差跟驰模型（FS-MAVD模型），并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型，利用卷积神经网络层（CNN）充分提取前向和侧向车辆交通特征，双向长短期记忆网络层（Bi-LSTM）考虑驾驶员记忆效应，注意力机制层（Attention）用于分配模型权重，并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点，采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据，建立跟驰行为样本集，对所建模型进行训练和测试，并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比，并分别比对不同模型对不同车辆的预测精度和误差。结果表明，本研究构建的组合模型在加速度预测精度达到9...