混合交通环境下降雨对车辆跟驰行为的影响分析与模型构建

针对混合交通环境下车辆跟驰分析时缺少对降雨环境考虑的问题,通过研究驾驶人在降雨环境下驾驶行为的改变,构建在不同降雨强度下适用的跟驰模型。首先,通过Python程序从云控平台数据库中提取车辆跟驰数据和降雨强度数据,分析了车辆在不同降雨强度和交通流状态下的跟驰速度、加速度和车头间距等变化特征以及其相互作用关系,进一步探索了降雨与正常天气下车辆跟驰行为的差异。其次,从优化速度跟驰模型出发,使用加速度衡量跟驰行为特性,综合考虑降雨对前后车相对距离和相对速度的影响,提出了适用于不同降雨强度下的安全间距和驾驶人期望速度确定方法,构建了不同降雨强度下的跟驰模型,并采用遗传算法对新模型进行了参数标定。最后,通过交叉验证方法对标定结果进行了评估,计算了模型输出值与实际值之间的误差。研究结果表明：降雨环境下车辆速度和加速度随着降雨强度的增加有不同幅度的降低,但是车辆加速度变化程度比车辆速度变化程度明显,这说明加速度对于降雨反应更加灵敏;降雨环境下,车头间距受前车速度影响,进而控制后车跟驰速度,不同降雨强度和不同前车速度区间都影响车头间距大小,后车跟驰速度随着车头间距的增大而增大;模型计算结果与实测值的均方...     

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。     

基于实测数据的城市快速路交通流加速度研究

为分析不同交通流密度下的车辆加速度变化规律,本文选取青岛市杭-鞍高架快速路为试验场地,利用视频检测技术采集试验路段不同点位的交通流样本,从视频中获取跟驰车队的车速、车头间距、速度差以及加速度等交通流数据。统计分析发现,加速度值域关于0点对称分布;不同交通流密度下加速度的分布具有各异性;车速、车头间距和速度差对加速度的影响程度随交通流密度的不同而不同。利用本文实测数据对加速度GM模型进行参数优化和拟合分析,结果验证了模型的合理性,样本平均拟合误差均小于5%。     

实测数据的城市快速路交通流加速度研究

为分析不同交通流密度下的车辆加速度变化规律,选取青岛市杭-鞍高架快速路为试验场地,利用视频检测技术采集试验路段不同点位的交通流样本,从视频中获取跟驰车队的车速、车头间距、速度差以及加速度等交通流数据。统计分析发现,加速度值域关于0点对称分布;不同交通流密度下加速度的分布具有各异性;车速、车头间距和速度差对加速度的影响程度随交通流密度的不同而不同。利用实测数据对加速度GM模型进行参数优化和拟合分析,结果验证了模型的合理性,样本平均拟合误差均小于5%。     

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.     

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。     

考虑双前导车的跟驰与换道联合模型

针对现有跟驰与换道模型没有同时考虑驾驶者决策过程中前瞻性的问题,在全速差跟驰模型及概率式换道模型的基础上,提出了一种考虑双前导车的跟驰与换道联合模型,并给出了模型参数的辨识方法.应用美国NGSIM开源交通流数据库中美国I80高速公路Emeryville路段的车辆行驶轨迹数据,分别采用轨迹标定法和极大似然法对所提模型中的跟驰模型和换道模型进行了参数标定,并参照NGSIM数据库中的交通环境设计了数值仿真实验.仿真实验结果显示,交通流平均速度、车速离散度与实测数据的误差均在5.0%左右,换道次数和换道率的误差均小于20%.所提出的模型能够准确描述多车道高速公路交通流的微观特性,适合用于模拟实际多车道高速公路交通流的动态特征.     

基于多源数据融合的公交车辆跟驰模型

针对目前缺少公交车辆跟驰模型参数和单一数据采集方式无法获取完整车辆跟驰过程数据的问题,提出一种基于多源数据融合的公交车辆跟驰模型,采用实测数据进行参数标定和模型验证。通过移动GPS数据采集设备随车采集车辆的运动轨迹和无人机空中悬停俯拍采集公交车辆的停车间距,并进行数据融合处理得到完整过程的公交车辆跟驰行驶数据;通过引入均方误差指标来衡量实际测量值与模型仿真值之间的差异,将公交车辆跟驰模型的参数标定问题转化为一般优化求解问题;通过对实测数据进行统计分析,获取公交车辆的平均停车间距参数;采用粒子群优化算法对智能驾驶跟驰模型中的舒适制动减速度和加速度系数2个参数进行求解,得到模型的最优参数;将验证集中的实测数据与模型仿真值进行对比,对模型参数的效果进行验证,并以厦门快速公交走廊的车辆多编组运行控制为例,对跟驰模型的效果进行进一步的验证,其中头车采用速度优化模型进行控制,跟随车辆则采用上述标定的公交车辆跟驰模型进行控制。研究结果表明：公交车辆跟驰模型生成的数据曲线与实测数据曲线基本一致,跟随车辆与头车在路段上行驶和车辆进出站2个阶段的运动轨迹曲线基本一致,符合车辆跟驰模型的跟随性,进一步证明了...     

应用五轮仪采集车辆跟驰过程描述参数

车辆跟驰模型是微观交通流模拟的一个基本模型 ,用来分析和描述在无法超车的同一车道上一辆车 (驾驶员 )跟随另一辆车的方式 .由于过去的实验数据主要是由两实验车在实验跑道上作跟驰运行或由驾驶员操纵驾驶模拟台获得的 ,难以获取实际道路上驾驶员的信息 ,建立的车辆跟驰模型难以标定或验证 .所介绍的应用五轮仪实验获取、处理和分析车辆跟驰过程描述参数的途径 ,为今后车辆跟驰模型的标定与验证提供了一条新的实验途径 .     

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...     

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...     

改进Newell跟驰模型与实证研究

为了克服Newell跟驰模型单一考虑跟驰车与前导车之间的车间距进行速度优化描述车辆跟驰行为的不足,在同时考虑车间距和速度差对车辆跟驰行为影响的基础上,提出了一种改进Newell跟驰模型。通过对模型进行稳定性分析,得到了模型的稳定性条件。并通过在西安市二环南路西段实地拍摄视频采集得到的数据,对模型的参数进行了标定;最后分别采用上述模型对未来交通流趋势进行仿真预测,通过预测结果与实测数据的对比分析,证实了改进Newell模型的有效性。     

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。     

快速路入口区域车辆跟驰行为研究

快速路入口区域车辆跟驰行为及安全间距会受到汇入车辆影响。为了探索快速路入口区域车辆的跟驰行为,利用无人机在200m高空对快速路入口区域进行高空悬停定点拍摄,并利用Tracker软件提取了车辆速度、车辆横纵坐标、加速度等参数。采用跟驰距离、相对跟驰速度绝对值及跟驰片段长度指标对快速路入口区域车辆的跟驰行为进行判断,确定了快速路入口区域跟驰行为判定准则。在此基础上,对交通流变化、车道分布、入口形式对跟驰行为的影响进行对比分析。研究发现：快速路入口区域车辆跟驰距离均值为26m,车辆跟驰距离集中分布在15~28m;相对跟驰速度绝对值均值为0.75m/s,且90%车辆相对速度绝对值小于1m/s;车辆跟驰距离和后车跟驰速度随交通流增加逐渐减小;快速路最内侧车道车辆跟驰距离和跟驰速度大于中间车道;直接式入口的主线车辆跟驰距离和跟驰速度大于平行式入口。本文研究成果可为快速路入口区域跟驰行为参数标定及管控提供参考依据。     

冰雪路面城市快速路跟驰模型研究

针对冰雪路面城市快速路的跟驰模型进行了研究。首先对两种常见的冰雪路面进行了交通调查。根据调查结果对不同冰雪路面城市快速路交通流的自由流速度、平均速度、速度分布,相邻跟驰车辆的车头时距、车头时距与相对速度的相互关系等微观特性进行统计分析,定量地研究不同冰雪路面形态对城市快速路跟驰行为的影响。其次,对不同类型的优化速度函数特征进行对比分析,依据Greenshields速度-密度关系建立期望车速模型,依据车辆不同跟驰状态建立冰雪路面最小安全距离模型,并由此构建冰雪路面优化速度模型。基于现有跟驰理论研究成果,以线性跟驰模型建模思想对全速度差模型进行改造,结合冰雪路面优化速度模型构建适用于冰雪路面的新跟驰模型。最后,利用实测数据对模型参数进行标定,并通过设计实验分析模型的稳定性、加速度非对称性。同时,利用调查数据对新模型和全速度差模型进行模拟分析,结果证明该模型更贴近冰雪路面城市快速路实际交通流,可以为冰雪路面下交通管理措施的制定提供理论支持。     

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。     

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。     

车辆跟驰模拟模型的建立

在微观交通流模拟中 ,由于驾驶行为的不确定性 ,难以建立精确模型。本文以“期望间距”为基准参量 ,考虑驾驶员的心理和生理因素 ,建立了车辆跟驰模型 ,为研究驾驶行为提供了一种新的思路     

微观车辆仿真模型分类对比研究

车辆跟驰模型是微观交通流仿真的一个基本模型，它是构成许多重要研究领域的基石．把车辆跟驰模型分为基于交通工程的跟驰模型和基于交通心理学的跟驰模型以及基于二结合观点的跟驰模型．从交通工程、交通心理学及二相结合的角度对几个常见的车辆跟驰模型进行了比较研究，介绍了各车辆跟驰模型的建模原理以及它们各自的特点，重点阐述了它们在微观交通模拟中的应用．     

基于动态安全车距的车辆跟驰模型及稳定性分析

为了更好地模拟车辆的跟驰特性,在全速度差(full velocity difference, FVD)模型的基础上考虑前车与跟随车的车头间距、速度差、速度和加速度等因素,建立了一种基于动态安全车距的改进FVD跟驰模型。构建了可变车头时距模型量化前车加速度对跟驰车头间距的影响程度;应用小振幅扰动分析和长波展开进行了模型线性稳定性分析,推导了改进FVD模型的临界稳定性条件;设计环形道路上微扰动数值仿真实验,分析了扰动后的车辆跟驰行为特性,解析加速度参数对模型抗扰能力的影响。研究结果表明：考虑前车加速度信息可以降低扰动演化时的波动振幅,有助于提高车流的稳定性。