基于RFID技术的安全跟车系统

为了提高行车安全性,基于RFID技术提出了一种安全跟车系统(SCFS).在此系统中,RFID标签部署在道路表面,为安装有RFID读卡器的车辆提供道路信息.系统根据标签中存储信息的时间特性,利用时间序列预测法,预测前车的行驶状态并估测两车之间的道路距离;结合当前行驶状态对车速进行适当调整,以保证行车安全.本文给出了3个系统性能评价指标,并进行仿真实验.结果表明,SCFS系统能够在不同跟车行驶状态下保证行车安全,避免追尾碰撞的发生.     

向前看多车跟驰模型稳定性分析

考虑多辆前导车信息对跟驰车的影响,提出了一种改进的交通流跟驰模型.通过线性稳定性分析,得到了改进模型的稳定性条件,改进模型通过调节多前导车信息,使交通流的稳定区域明显扩大.通过非线性分析获得不稳定区域下的扭结-反扭结密度波.数值模拟表明多前车信息对交通流存在不可忽视的影响.     

国内典型大城市快速路交通流实测

通过拍摄中国几个典型大城市不同快速路段的交通流录像并进行＂车速-车头间距＂数据采集,建立了一个包含210920组交通流实测数据的大样本数据库,根据实测数据得到的平均车速随着车头间距的增大而增大,符合交通流的基本特征;从超车道到交换道,一般平均速度依次下降,但在出口匝道影响下会出现＂密度倒置＂现象,实测数据转换得到＂流量-密度＂基本图,存在整个密度变化范围里都呈现非线性特征的类型,在小间距数据中,发现存在超过7%的＂高速跟驰＂车辆.     

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...     

路段多车型混合车流通行能力

利用概率论方法,通过对由多种车型构成的混合车流不同跟驰序列,不同组合概率的研究,得到了跟驰车头时距路段多车型混合车流通行能力模型.基于经典车头间距模型,通过对混合车流不同跟驰序列下最小车头间距的研究,得到了多车型混合车流的组合车头间距,进而得到了跟驰车头间距路段多车型混合车流通行能力模型.推广了由大、小2种车型构成的混合车流的通行能力模型.研究表明,路段多车型混合车流通行能力不仅与反应时间、车辆速度、车辆长度、制动性能等有关,还与混合车流的车辆组成状况及跟驰序列相关.最后实例分析了不同小型车混入率情况下路段通行能力的变化状况.     

弯路坡路上元胞自动机交通流仿真模型

从车辆动力学入手,分析含有弯度和坡度的路段对车辆行驶的影响,通过对N-S模型的修正得到了适用于弯路和坡路的元胞自动机模型,并且重新定义了弯路和坡路元胞的大小和更新规则。最后用改进的模型进行了仿真实验,仿真结果表明改进的模型能够更好的反映现实交通量之间的关系,证明了应用改进模型对弯路和坡路的仿真研究是可行的。     

车距自控系统跟车模型稳定性仿真分析

用仿真分析方法,对可能用于车距自控系统的跟车模型的稳定性作了分析,主要内容包括：选定了３种可能用于车距自控系统的跟车模型,在以通行能力为约束的条件下,以前车突然制动与平稳降速２种典型驾驶行为和行驶车距与车速２种主要车辆行驶参数,对选定的３种跟车模型作了仿真,根据仿真结果给出了适用于车距自控系统的变速控制模型。     

微观交通流仿真跟车行为ANN模型研究

微观交通流研究中的车辆跟驰模型是交通仿真的一个基本模型,由于实际道路上驾驶员信息的获取困难,建立的车辆跟驰模型难以标定或验证.应用人工神经网络和五轮仪试验系统获取的城市道路车辆跟驰数据,建立了车辆跟驰行为的神经网络模拟模型.     

货车移动遮断影响下的跟驰风险异质性建模

基于移动瓶颈理论和交通流理论构建“货车移动遮断”效应模型,解析货车移动遮断形成机理,选用无人机采集货车移动遮断场景中车辆行驶视频数据并提取高精度车辆跟驰轨迹样本,基于此提出考虑冲突可能性和冲突严重度的小客车跟驰风险评价方法和分级标准,利用RP-ORP模型构建了考虑异质性跟驰风险概率预测模型。结果表明：货车移动遮断动态影响交通流稳定性,其形成过程包括减速跟驰和加速超车两个阶段;考虑异质性的RP-ORP模型能实现特定条件下小客车跟驰行为处于不同风险等级的概率预测,且拟合优度高于FP-ORP模型高;货车纵向加速度、跟驰车头间距、跟驰持续时间、小客车与货车速度差、激进型驾驶员5个变量显著影响小客车跟驰风险水平,且跟驰持续时间和激进型驾驶员2个变量具有随机参数特性。     

考虑驾驶员模糊感知的深度学习跟驰模型

为模拟驾驶人记忆效应以及模糊感知特性,设计了基于模糊感知时间窗的深度学习跟驰模型。提取highD数据集跟驰轨迹,以0.2 s最小时间间隔,连续3 s本车速度、前后车速度差、车头间距的时序数据作为模型输入,模拟驾驶记忆。训练深度学习跟驰模型,得出单层32个输出维度的门控循环单元（GRU）网络可以很好拟合实际数据。在每次输入模型的时序数据中,用模型预测值替换部分真实跟驰状态值,作为驾驶员对场景的估计,即模糊感知。实验得出对同一场景的不同模糊感知,可产生不同跟驰行为,模拟了驾驶行为的异质性,可为异质交通行为仿真提供方法。