基于跟驰数据采集分析的各异性跟驰模型

基于模型参数的相关性提出了特征因子的概念,在此基础上提出了一种基于跟驰数据研究车辆及驾驶员特性的方法,方法包括:跟驰数据采集、数据处理和参数标定、参数相关性分析、特征因子计算、特征因子分布研究。当特征因子分布状况已知时,可以通过特征因子和模型参数的换算实现基于车辆和驾驶员特性的交通仿真。对在南京市采集的跟驰数据进行分析处理,研究了跟驰模型参数间的相互关系,以优化速度模型(OV)和智能驾驶模型(IDM)为例实现了基于跟驰数据的车辆和驾驶员特性的描述和分析。     

基于模糊神经网络的车辆跟驰建模与仿真研究

驾驶员在车辆跟驰过程中表现出来的模糊的、不确定性的行为特征,难以对驾驶员的行为进行精确的数学描述．本文在以往跟驰模型基础上,采用以实际间距与期望间距的比值和相对速度作为双输入、后车加速度作为单输出的模糊神经网络建立数学模型．结果表明,该网络能较好的反映一定道路条件下的跟驰行为．     

车辆跟驰的分子动力学特性及其模型

应用分子动力学研究了车辆跟驰特性,探索了车辆跟驰的需求安全距离及其应用模型构建。通过赋予跟驰模型多个刺激项的反应权重,运用数学演绎方法,推导出驾驶员对各种刺激反应同向性的状态方程。在此基础上提出了描述跟驰变化过程的分子跟驰模型。数据验证和试验对比分析结果表明,分子跟驰模型对跟驰状态的描述更加全面和贴切,弥补了速度跟驰模型的不足,完善了交通流跟驰理论。     

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。     

改进的基于安全距离的车辆跟驰模型

由于经典的基于安全距离的车辆跟驰模型Gipps模型要求车辆行驶时恰好与前车保持安全距离,这是一个对车辆跟驰行为过分严格的约束,不符合实际情况,根据实际情况提出车辆跟驰距离是有关安全距离和前后车相对速度的函数,并据此建立了改进的基于安全距离的车辆跟驰模型.NGSIM数据经过处理后被用来标定Gipps 模型和改进后的模型,在标定结果的基础上对模型进行了统计意义上和仿真预测能力上的模型评价.结果显示:改进后的基于安全距离的车辆跟驰模型比Gipps模型有更高的仿真精确,可以再现出宏观交通中的稳定交通流和冲击波等常见的交通现象,并且改进模型在一定程度上使交通流变得更加稳定.     

考虑侧向偏移的车辆跟驰模型

为了定量描述前导车与跟驰车之间的侧向偏移对车辆跟驰行为的影响,建立了考虑侧向偏移的车辆跟驰模型.通过引入中心线偏移量的概念,建立了侧向偏移与前导车加速度的关系,进而将跟驰模型扩展到二维模式.对模型进行数值仿真分析,表明模型符合稳定性的要求,同时能够描述实际交通流中的一些宏观现象.这些结果验证了新模型的有效性.     

基于长短期记忆神经网络方法的车辆跟驰模型

为模拟驾驶员的跟驰驾驶行为,并考虑驾驶员不确定性和记忆效应,基于实车跟驰实验数据,提出并训练了一种基于长短期记忆(LSTM)神经网络方法的车辆跟驰模型。基于该模型研究驾驶员的记忆效应影响时长并进行交通仿真。结果表明:与同体积隐藏层神经元的前馈神经网络比较,LSTM神经网络的跟驰模型预测结果更加贴近观测值且更加平滑,接近驾驶员的实际驾驶行为;驾驶员行为受当前环境及其前1.0～3.5 s内的记忆影响;该模型能够消散交通流中的扰动,模型具有较好的抗干扰能力和稳定性。     

基于扩展计划行为理论的驾驶员跟驰意向分析

未来道路交通流将呈现自动驾驶车辆和传统车辆混行的现象,为探究人机混驾环境下传统车辆驾驶员对自动驾驶车辆跟驰意向的影响因素,引入驾驶员对自动驾驶车辆的了解程度、风险感知及接受程度3个变量,构建基于扩展计划行为理论的驾驶员跟驰意向模型框架．通过问卷调查获取331份主观评价数据,并借助SPSS和AMOS软件检验数据的内部一致性及可靠性．运用结构方程模型进行路径分析及中介效应分析以检验影响因素间的关系．结果表明,基于扩展计划行为理论的驾驶员跟驰意向结构方程模型对人机混驾环境下驾驶员的跟驰意向具有良好解释力;行为态度、主观规范和知觉行为控制对驾驶员跟驰意向具有显著正向直接效应;风险感知和接受程度通过中介变量对驾驶员跟驰意向产生显著间接效应,其中,风险感知作用为负向,接受程度作用为正向;了解程度对驾驶员跟驰意向既有显著正向直接效应又有显著正向间接效应．研究结果可作为人机混驾环境下车辆交互行为分析的基础．     

基于车头间距与前车速度的改进优化速度模型

为了更加准确地描述城市交叉路口中车辆间的跟驰行为,分析处于跟驰状态下车辆间的跟驰行为特性,结合交叉路口采集的实际数据,对优化速度模型进行了验证。针对优化速度模型与实际数据误差较大的问题,通过简化时变期望间距的表达式,添加与两车车头间距与前车速度相关的加速度补偿项,得到改进后的优化速度模型,结合实测数据对该改进模型进行验证,将结果与原模型进行对比分析。从实验结果可以看出,改进后的优化速度模型与交叉路口中车辆间的实际跟驰行为更为接近。     

基于驾驶员视角变化的跟驰模型研究

在跟驰过程中,后车驾驶员都是通过人体感觉器官获取前方邻近车辆速度或位置的变化信息来调整本车的运动,但是这些信息刺激只有超过特定阈值才能被后车驾驶员感知并做出反应.从驾驶员视角变化的潜在因素出发,以感知阈值作为驾驶员反应的临界条件为前提,并针对前车不同行驶工况下,建立基于驾驶员视角变化的车辆跟驰模型,得到相应情况下后车跟随加速度的表达式.分析结果表明:前车行驶状态与两车相对速度差的不同,后车跟随加速度也不相同,更符合实际交通流特征.     

基于GPS的实时动态车辆跟驰数据采集方法

在分析国内外跟车模型研究历史的基础上,利用车载高精度GPS接收机,通过试验,建立了基于GPS的实时动态车辆跟驰数据采集方法,较好地解决了困扰国内外研究者多年的反映跟车状态下驾驶员行为和车辆运行特征的时间序列实测数据采集的问题.     

汽车纵向自动驾驶的因果推理型决策

针对汽车纵向自动驾驶决策过程的因果关联问题,建立了车辆跟驰行为的马尔可夫决策过程模型,利用真实驾驶员驾驶模拟器实验数据与驾驶风险原则确定了模型中的状态集和动作集,并根据车辆的行驶状态设计了相应的回报函数,进而基于增强Q学习算法对该模型进行求解,提出了以上决策过程的因果推理机制。最终,通过在随机工况下的仿真测试,验证了该方法的可行性与有效性。     

Bierley非线性跟驰模型特性仿真分析

非线性跟驰模型是描述车辆跟驰行为的经典模型之一,通过对GM模型发展过程的分析与阐述,引入Bierley非线性跟驰模型,应用Matlab构建仿真环境,以车头间距为研究对象,拟定试验情景,分别对不同参数的变化进行仿真分析.结果表明：Bierley非线性跟驰模型可以较好地反映交通流的波动性、滞后性和制约性,模型参数α0与驾驶员对外界刺激的反应负相关,h与车头间距的波动幅度正相关,k与车头间距达到稳定态的时间负相关;跟驰队列头车速度v0和初始车头间距l0均不影响跟驰队列的稳定状态,仅影响到达稳定状态的过程和时间.     

跟驰车队流中驾驶员感知能力模型的初步探讨

在对跟驰车队流基本参数车队队速VP,两车净间距XP的研究基础上,提出后车驾驶员感知能力模型,根据此模型提出跟驰车辆驾驶员视觉滞后时间的计算公式,本文指出后车反应时间t应为视觉滞后时间τ,驾驶员制动时间t制和车辆机械反应时间t车之和,根据本模型计算分析,τ、t制、t车为同一数量级.     

基于危险性判断的车辆跟驶模型

在交通系统微观车辆跟驶模型中，充分考虑驾驶员心理和行为习惯是必须的。通过对国内外大量仿真系统的跟驶模型构造分析得出，目前的跟驶模型存在若干种与实际情况不符的现象，不能准确反应实际的跟驶过程。章从驾驶员行为调查入手，提出了危险性的概念，并给出了基于危险性判断的车辆跟驶模型，在一定程度上可以克服目前跟驶模型中的问题。模型建立中，为更加贴近实际情况，较充分地考虑了随机性因素对模型的影响。     

基于动态反应时间的全速度差模型

为了描述真实路网交通流的跟驰行为,将车辆状态分为强跟驰、弱跟驰和自由行驶3种状态,考虑驾驶员对于不同间距的反应时间的差异性,提出了间距与速度差敏感系数函数,构建了基于动态反应时间的全速度差模型,并通过线性稳定性分析得到模型的临界条件。利用Matlab进行数值仿真,分别验证了模型在车辆启动加速、车辆避险减速和交通流从自由流状态向拥堵状态演变3种环境下的准确性,并与最优速度模型(OVM)和全速度差模型(FVDM)进行对比分析。结果表明:本文模型的启动延迟时间为1.5s,拥堵传播速度为17.76km/h,减速性能比FVDM模型提升了25%,本文模型能更有效地接近交通流的稳定状态。     

汽车启动时安全距离模型的改进及其验证

为了精确研究在信号灯交叉路口车辆启动时的跟驰行为,提出了一种基于加速度的Kometani改进模型。在分析车辆行驶行为特征的基础上,结合实际观测的交通数据,对Kometani模型进行了验证。针对Kometani模型出现的部分点与实际数据趋势不相符等问题,增加了车辆加速度因素并予之改进。改进后的模型考虑了车辆的速度和加速度对于车辆安全距离(即车间距)的共同影响,从而能够更加全面准确地描述交通路口的实际交通现象。采用在交叉路口采集的实际数据,并对改进后的模型进行了验证;通过验证结果与原模型验证结果进行对比分析,表明改进后的模型更符合实际交叉路口车辆启动时的跟驰行为。     

城市快速路期望车头间距模型的建立

通过对跟驰车队刺激-反应过程以及人车单元组合的微观特性分析,说明了跟驰车队中具有产生混沌现象的必要特征．首先运用数学方法给出了4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入这4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,改进的期望车头间距模型能更好地反映实际交通流的跟驰特性．     

跟驰模型参数标定及验证方法

为解决跟驰模型建模过程中参数标定问题及确定合适的模型效果评价方法,首先介绍了应用遗传算法对参数进行标定的过程,并以GM模型为例,利用实测数据对其参数加以具体确定。在此基础上,从检验跟驰模型与实际情况在整体上的契合程度出发,综合考虑模型效果,提出了对跟驰模型的具体检验方法,并对标定参数后的GM模型进行了验证。研究结果表明,本文提出的模型检验方法克服了以往常用跟驰模型验证方法的片面性,对绝大多数跟驰过程,GM模型的模拟输出与实测值间的综合误差在15%以内,而非仅通过加速度对比得到的较大误差。     

考虑侧向偏移的车辆跟驰行为建模及仿真

为了描述真实交通环境中车辆交错跟驰的现象,在全速度差模型的基础上引入了视觉角和侧向偏移角的概念,采用侧向偏移角变化率作为衡量车辆横向运动的关键参数并建立了考虑侧向偏移的车辆跟驰模型。通过线性稳定性分析得到了新模型的稳定性条件。理论分析和数值仿真结果表明:改进模型能够有效地描述车辆交错跟驰行为对交通流稳定性的影响,侧向偏移会减少交通流稳定区间,更容易使稳定车流变成时走时停交通流。