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.     

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.     

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...     

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。     

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．     

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。     

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 .     

基于TSK的车辆跟驰模型

为解决基于模糊推理的车辆跟驰模型在参数校准方面存在的问题,提出了基于TSK模型的车辆跟驰模型。对TSK模型在现实驾驶行为中的意义进行了分析,解释了子系统的工作点和线性方程的物理意义,为TSK模型在车辆跟驰中的深入应用奠定了基础。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,从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,表明TSK模型用于车辆跟驰模型的可行性。     

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...     

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...     

交通流多前车位置与相对运动的跟驰模型及稳定性分析

车辆跟驰模型是交通流模型研究的基本模型之一,本论文旨在综合认真分析国内外已有的跟驰模型,建立以车车、车路通信为基础的车路协调系统(VIIS,Vehicle Infrastructure Integration System)下的车辆跟驰模型。该模型是在多前车位置模型的基础上进行扩展,提出了一种多前车位置及当前车相对运动的跟驰模型,以期更加客观的描述实际的交通现象,进行线性稳定性分析,并与FVD模型和合作跟驰模型进行比较,发现自由流稳定的敏感系数临界值变小,稳定区域明显增加。     

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。     

基于ACC系统的跟驰模型改进分析

目前,国内车辆并没有广泛应用ACC(Adaptive cruise control)系统。研究表明,在跟驰过程中,驾驶员通过感知改变自己跟驰状态,因此该系统具有很大的主观性。在常用的基于ACC的跟驰模型的基础上,建立了考虑驾驶员行为的跟驰模型。通过传统的跟驰模型,进一步研究车辆流之间关系。最后,借助频域分析法验证了该系统的稳定性。利用时域分析法分析得到在特定输入条件下的稳态误差及动态特性。     

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。     

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.     

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。     

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。