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.     

减速跟车状态后车司机反应时间研究

为了定量研究减速跟车状态下后车司机的反应时间,利用基于车载高精度GPS的实时动态车辆跟驰数据采集方法,在特定的道路、交通和司机的条件下,根据得到的减速跟车状态前后车辆速度变化的时间序列数据,准确地获得了后车司机的反应时间;通过分析后车司机反应时间频率直方图的变化趋势,确定减速跟车状态后车司机平均反应时间为0.97 s;在不同的跟车速度下,减速跟车状态下后车司机的反应时间也随之发生变化,得到了后车司机的反应时间与减速时的跟车速度之间的回归关系式,以及司机反应时间和车头时距回归关系式,计算出后车司机的反应时间介于0.83~1.92 s.     

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。     

基于可变元胞与跟驰理论的元胞自动机模型

为准确模拟桥址随机车流荷载,提出基于可变元胞与跟驰理论的元胞自动机(cellular automata, CA)模型。首先,重新定义元胞构成,提出以车辆为核心的动态可变元胞,并将精确的轴间距和轴重信息融入车辆元胞,实现车辆荷载的精确模拟;然后,引入跟驰理论,提出基于跟驰理论的状态演化规则,推导每辆车的专有加速度,实现车辆微观交互的模拟;最后,提出基于实测动态称重系统(weigh in motion, WIM)数据的发车规则,依据WIM数据,重构任意时段的实际车队,并建立基于车头时距的发车规则,重现车辆通过WIM时的运动状态。基于所提出的发车规则和动态演化规则,实现车辆从进入道路到驶离道路全过程时空位置的准确模拟,结合融入精确轴载的车辆元胞,实现随机车流荷载的模拟。基于实测WIM数据验证所提模型的可行性和先进性。结果表明：可变元胞可以精确模拟车辆荷载;提出的状态演化规则可以根据不同车辆的运动状态计算得到每辆车的专属加速度,准确模拟每辆车在自由行驶和跟驰行驶时的不同运动状态;新发车规则可以重构任意时段的实测车队,结合新状态演化规则,可以实现桥址任意时段随机车流的模拟。结合精细化车辆荷载模拟...     

集成学习框架下的车辆跟驰行为建模

为了提高复杂行驶环境下车辆跟驰行为预测精度,提出了一种集成学习框架下融合理论驱动模型和数据驱动模型的车辆跟驰行为建模方法。基于stacking集成学习框架,选择理论驱动的智能驾驶模型（IDM）、考虑车辆队列和周围行驶条件因素的数据驱动的长短时记忆（LSTM）网络和门控循环单元（GRU）网络作为跟驰行为特征的一级学习算法,选择3种线性和8种非线性回归方法作为备选二级学习算法来融合一级学习器的输出特征。通过对比使用实际车辆轨迹数据计算的模型预测精度,确定了最优模型。研究结果表明:包含车辆队列和周围行驶条件变量的数据驱动跟驰模型比IDM模型的预测精度更高;多数情况下采用非线性二级学习算法的融合跟驰模型的预测精度高于IDM模型、数据驱动跟驰模型以及采用线性二级学习算法的融合跟驰模型;分别采用GBRT回归和随机森林回归作为二级学习算法的IDM-LSTM-stacking模型和IDM-GRU-stacking模型具有最高的预测精度;外界干扰下的融合跟驰模型稳定性优于单一的理论和数据驱动跟驰模型。集成学习为驾驶行为建模提供了新方法。     

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。     

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．     

基于最小安全间距的应急交通疏散车辆跟驰模型

本研究通过对突发事件情况下驾驶员心理与行为特性问卷调查,得到驾驶员在非常态交通环境下的行为差异和经验判断比率分布,对Gipps跟驰模型进行了改进,提出了基于最小安全跟车间距的应急疏散车辆跟驰模型.与正常交通条件下建立的跟驰模型相比,将驾驶员对突发事件的心理行为反应纳入建模过程,能更准确地反映应急疏散的交通流特征和疏散交通实际情况.     

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。     

考虑前方交通状态的车辆跟驰模型与数值仿真

为了描述复杂环境下多车跟驰的驾驶行为特性,在全速度差模型的基础上引入前方交通状态的影响参数建立车辆跟驰模型.采用交通流密度作为定量衡量前方交通状态的关键指标,通过线性稳定性分析得到模型的临界稳定性条件.提出以加速度干扰指标作为衡量交通运行稳定性和乘客舒适度的定量指标.理论分析和数值仿真结果表明,该模型扩大了交通流的稳定性区间,符合实际驾驶行为并能有效提高交通流的稳定性.     

加/减速跟车状态车头间距研究

为了研究加/减速跟车状态下两辆车车头间距离的变化规律,本文依据在特定的司机驾驶行为、交通条件和道路条件的基础上获得的实际交通流中的跟车数据,构建了解析加/减速跟车状态下车头间距与跟车速度之间关系模型的方法.当车头间距持续增加,后车司机加速追赶前车期间,车头间距与后车速度之间的关系是线性变化的,车头时距与后车速度之间的关系是指数变化的.当车头间距持续减少,后车司机减速刹车期间,车头间距与后车速度之间的关系是线性变化的,车头时距与后车速度之间的关系是指数变化的.     

基于分子跟驰特性的交通流局部稳定性分析

交通流稳定性分析是交通流特性分析的重要组成部分,对解析交通流运行规律具有重要的理论价值.运用分子动力学,系统解析交通流的分子跟驰特性,对处于稳定运行状态下的同步流车队进行局部稳定性分析,并建立车辆跟驰的局部稳定性模型和扰动波能量定量模型,利用Matlab软件对模型进行数值仿真分析,结果表明对于一个处于稳定状态下的同步流车队,跟随车在受到相邻前导车的扰动后能否保持原运行状态与车辆受到的扰动波能量δ大小有关.     

基于时空分析的复杂交通流数据挖掘算法

为了建立一种易于计算机实现的线性算法来进行交通流数据挖掘,同时建立更加精确的路段交通流模型,通过分析复杂交通数据所特有的流特征和时空特征提出了一种新的交通流数据挖掘算法。首先采用时空滑动窗口数据模型降低了算法的时空复杂度,并实现了动态挖掘;通过对数据流进行聚类分析发现彼此间相似的数据流,并按时段分簇;对每一簇通过主成分分析法剔除非关键变量,最后使用分时段多元线性回归方程构建兴趣模式的表达式,该算法为动态算法,交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9秒以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。     

分对数模型在城市快速路交通状态预测中的应用

在分析相邻检测器截面间交通流的高度非线性和时空耦合性特点的基础上,结合上海市某一快速路段环型线圈检测器数据和浮动车GPS数据,采用数据挖掘技术提取检测器截面间的交通流时空数据.运用多项式分对数模型对所提取的时空数据进行统计分类分析,依托特征参数建立交通状态多项K-Logit指数模型.结合快速路匝道控制措施,采用VISSIM COM与VC++6.0为仿真平台,对实验数据进行仿真,结果表明:分对数模型对交通状态的预测精度能达到93.65%,行程时间平均缩减了17.1%,车辆延误降低了11.9%,行车速度提高了14.6%.     

交通方式选择的非集计模型及其应用

应用非集计模型理论与北京居民出行调查数据,建立了交通方式选择MNL模型,并用Matlab优化工具箱中的无约束最优化函数对模型的参数进行了标定。根据所建模型计算出公交车和小汽车的时间价值,求得包含出行时间和实际金钱费用的广义费用,建立了公交车和小汽车出行选择的二肢Logit模型,分析了不同收费价格下两种交通方式所分担的交通出行比率及道路交通饱和度的变化情况,评价拥挤收费政策对优化城市交通结构,缓解城市交通拥挤的作用。研究表明,非集计建模方法能够较全面地考虑居民出行选择的各方面影响因素,尤其是将出行者的个人特性影响因素引入模型,提高了模型的预测精度和实用性。     

微观交通仿真中的驾驶员模型

阐述了微观交通仿真中跟驰模型和换道模型在国内外的发展历程和现状,分析了各种跟驰模型各自的特点和存在的不足,介绍了换道模型的可接受间隙法,总结了国内外的研究成果,并提出了新的研究思路.     

恶劣天气下高速公路实时事故风险预测模型

先提取了美国加州I-880N高速公路上一段长为23km路段的实时交通流数据、事故数据和气象数据。然后采用Logistic模型建立了基于交通流数据和气象数据的事故风险预测模型。研究结果表明:天气条件对事故风险有显著影响,在雨天和雾天的比值比(Odds ratios)分别为6.4和4.4时,事故风险性分别提高了5.4和3.4倍。最后建立了不含天气参数的事故风险预测模型,结果表明:含有天气参数的实时事故风险模型预测精度为71.7%,不含天气参数的模型预测精度为66.5%,表明天气条件可以显著提高实时事故风险模型的预测精度。