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...     

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．     

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 .     

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。     

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...     

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.     

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...     

两种驾驶方式构成的异质交通流稳定性研究

对由两种驾驶方式组成的单车道异质交通流的稳定性进行分析和研究. 利用实际数据对两种驾驶方式对应的最优行驶速度车辆跟驰模型及智能驾驶员车辆跟驰模型进行参数标定,使用线性稳定性分析方法获得了异质交通流的稳定性条件,并定义了异质交通流的稳定性函数和驾驶方式的稳定性函数,在此基础上进行了仿真实验. 研究结果表明异质交通流的稳定性受两个关键因素的影响:驾驶方式在交通流中的比例和驾驶方式的稳定性函数. 仿真发现智能驾驶员的驾驶方式比最优行驶速度的驾驶方式具有更好的稳定性. 此外,还获得了在不同的速度下,有关不同驾驶方式比例的稳定性变化曲线.      

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.     

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...     

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.     

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。     

面向自动驾驶的公交车辆进出港湾式停靠站安全轨迹模型

为研究公交车辆安全平稳进出港湾式停靠站的轨迹,提出适用于自动驾驶场景的进出站安全轨迹规划方法.基于阿克曼转向原理,构建车身4个顶点运动轨迹方程,针对站内无车和有车两种工况,建立避障约束、运动学约束及起终点位姿约束,选择五次多项式曲线作为公交车辆进出港湾式停靠站安全轨迹模型,采用线性规划和遗传算法标定模型参数,采用数值模拟得到车辆安全进出站轨迹,并利用实车道路实验验证模型的可行性.研究结果表明：五次多项式曲线适用于公交车辆进出港湾式停靠站安全轨迹,规划轨迹与实际运行轨迹平均绝对百分比误差(MAPE)不超过10%,提出的轨迹规划方法可为自动驾驶公交车辆安全可靠运行提供一定的理论依据.     

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.     

基于最大车速的广义力跟驰模型

为了更有效地模拟城市交通流，尤其是城市交叉口交通流的运行状况，在研究跟驰状态中车辆行驶特性的基础上，考虑车辆行驶的最大限制速度，提出了一种基于最大车速的广义力模型。将该模型与Helbing—Tilch广义力模型分别用于模拟车辆经过信号交叉口的动态运动，并采用实际道路上车辆的跟车数据仿真跟车情况。结果表明，该模型不仅消除了Helbing—Tilch广义力模型存在的停车间距过大问题，而且仿真效果更接近实际的交通流特性。     

双向双车道公路路段仿真研究中车辆行为设计

结合公路通行能力研究课题,介绍了双向双车道公路通行能力仿真研究中关于车辆行为的技术设计方法,根据车辆行驶状况及关系的设定,确定车辆跟驰方式模型;依据车辆行车间距的选定,利用开发出的仿真程序得到以小轿车为标准车的车辆折算系数,为制定中国的公路通行能力手册提供参数。     

多车道下的车辆行为模型研究

针对我国混合交通的特点,提出一个新的车辆行为模型,模型由跟驰模型、邻车影响模型和换道模型共同组成.在新模型中将车辆的跟驰状态划分为一般跟驰和自由行驶,充分考虑了驾驶员的反应延迟.同时,鉴于多车道间车辆的相互干扰,还建立了邻车影响模型,探讨同向及对向的相邻车辆对驾驶行为的影响.运用面向对象开发环境VC 6.0对模型进行软件实现,将仿真计算结果与已有的实测数据进行对比,取得了较满意的结果,证明所建模型符合实际情况.