智能网联信息下车辆跟驰模型构建及行为影响分析

基于传统跟驰模型提出考虑多前车速度和加速度信息影响的跟驰模型,根据车辆轨迹信息对跟驰模型参数标定,探究多前车信息对本车运行在交通安全和效率方面的影响以及协同自适应巡航（cooperative adaptive cruise control,CACC）车辆在不同渗透率下对交通安全和效率的影响。结果表明：除了紧邻前车外,多前车的运动信息会对后车的运动造成影响;考虑多前车的速度和加速度反馈会提高交通安全和效率;CACC车辆对交通安全和效率的影响与CACC渗透率和排列方式有很大关系。     

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．     

车联网环境下巡航控制系统对交通流油耗的影响

为研究未来车联网环境下联网巡航控制(CCC)系统对交通流油耗的影响,选取Helly跟驰模型作为手动驾驶车辆跟驰模型,基于CCC车辆跟驰特性,构建多前车反馈的CCC跟驰模型;推导CCC系统的扰动传递函数,计算CCC系统关于反馈系数与平衡态速度的稳定域;针对高速公路上匝道瓶颈,考虑CCC车辆与手动驾驶车辆混合行驶中的随机性,在不同的主路需求与匝道需求情况下设计数值仿真实验,评估CCC车辆对交通流油耗的影响。研究结果表明:当CCC系统稳定时,CCC车辆有利于降低交通流油耗,当CCC车辆比例达到约60%时,油耗降低速度较快,相比于传统手动车辆交通流,CCC车辆交通流油耗降低约35%以上;当CCC系统不稳定时,交通流油耗降低率小于3.59%;CCC系统稳定域能够影响交通流油耗降低。     

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。     

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆（automated vehicle, AV）与人工驾驶车辆（manual vehicle, MV）组成的混行跟驰环境，基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先，探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化，研究表明，混行环境中MV跟驰行为的机制没有发生变化，但是MV驾驶人的减速敏感程度更低。其次，从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到，混行环境中的MV跟驰行为的稳定性和环境效应得到了改善，但是安全性并没有发生变化。最后，通过对前车速度波动性进行讨论发现，AV前车主要是通过降低自身速度波动性，从而抑制MV后车的速度波动性，改善MV后车在稳定性及环境效应方面的表现。     

车联网环境下考虑侧向间距的跟驰模型

为了更好地刻画车辆的跟驰行为,改善交通流的稳定性,在车联网环境下,根据侧向间距确定车辆受前车运动信息的影响程度,提出了一个改进的跟驰模型.首先,利用微小扰动法得到了模型的临界稳定条件,将改进模型的稳定区域与最优速度模型、全速度差模型的稳定区域进行了对比.其次,分析了在不同侧向间距和速度差敏感系数下模型稳定区域的变化情况.最后,在周期性边界条件下,考察了模型所描述的交通流在受到初始扰动后的演化过程,得到了不同侧向间距和速度差敏感系数下交通流的仿真结果.理论分析和仿真结果均表明:考虑侧向间距和前车运动信息能有效增强交通流的稳定性;改进的跟驰模型能有效地改善交通流的稳定性,并能在一定程度上缓解交通拥堵,增大道路容量,提高通行效率.     

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...     

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。     

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...     

考虑前车驾驶风格的改进自适应巡航控制跟驰模型及仿真

为了提高自适应巡航控制跟驰模型的效率和安全性,考虑不同驾驶员驾驶行为的差异性,根据驾驶员以往的驾驶行为特性,利用k-均值聚类算法对驾驶风格进行判别和分类,作为优化自适应巡航控制跟驰行为的依据;提出智能网联环境中自适应巡航控制跟驰优化方法,基于对不同驾驶风格车辆的动力学分析,引入驾驶风格修正系数、安全冗余修正系数、响应延迟时间,针对不同前车驾驶风格,建立改进的自适应巡航控制跟驰模型,并对所建立的模型、原自适应巡航控制跟驰模型及对比模型进行仿真分析。结果表明,相比原自适应巡航控制跟驰模型和对比模型,所建立模型的加速度曲线和车头间距曲线均更平缓,可以有效提高跟驰效率,同时具有更高的安全性。     

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.     

基于车路协同技术的信号交叉口改进车辆跟驰模型

为了缓解信号交叉口对交通流的阻断问题,基于车路协同技术提出了信号交叉口速度引导决策方法.考虑信号灯相位差异以及车辆可能面临的交通状况,制定了3个速度引导策略,并构建了改进车辆跟驰模型.通过数值仿真验证了所提模型的引导效果,并分析了引导区间长度对速度引导的影响.结果表明,与已有模型相比,改进车辆跟驰模型能够使更多的车辆在绿灯结束前快速通过交叉口,其他车辆通过速度引导平滑地减速停车或跟随队尾在红灯结束后不停驶通过信号交叉口,消除了车辆速度突变.此外,通过增加引导区间长度能够缓解信号交叉口车辆停车排队现象,进而提高了速度引导效果.改进车辆跟驰模型的可行性和优越性得到了证实.     

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．     

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...     

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。     

双车跟驰模型稳定性及非线性分析

考虑双前车信息的影响,提出了交通流双车跟驰模型. 通过线性稳定性分析,得到了改进模型的稳定性条件,改进模型通过调节次近邻前车信息,提高了交通流的稳定性. 并对改进模型进行了非线性分析,获得了不稳定区域下的扭结一反扭结密度波. 模拟结果与解析结果一致. 数值模拟结果也表明,次近邻前车对交通流存在不可忽视的影响.     

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.     

考虑前方多车辆速度差的优化速度模型

提出了考虑前方多辆车速度差的多重向前看跟驰模型,利用线性稳定性分析给出交通流演化过程的稳定条件;数值模拟对比几种跟驰模型的稳定特性,考虑前方多辆车相对运动速度可避免出现负速度即车辆倒退的现象,并对车流有很好的致稳作用,得出车流越稳定、附加能耗越低的结论.     

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。