CN103942359B - 无信号交叉口自行车冲突避让行为仿真模型的建模方法 - Google Patents

Abstract

本发明公开了一种无信号交叉口自行车冲突避让行为仿真模型的建模方法，包括如下步骤：1)获取无信号交叉口视频数据；2)对视频数据进行数据析取；3)对数据进行预处理，构建自行车冲突避让行为数据库；4)构建自行车冲突避让行为仿真神经网络模型；5)根据所述模型进行数据处理，形成训练样本和验证样本；6)进行神经网络模型训练；7)对神经网络模型进行验证。本发明方法可以利用实测数据为混合交通流无信号交叉口的自行车与机动车、自行车、行人的冲突避让行为进行快速、有效仿真模型建模，为我国城市混合交通流无信号交叉口仿真模型开发奠定基础。

Description

无信号交叉口自行车冲突避让行为仿真模型的建模方法

技术领域

本发明涉及交通仿真建模的技术领域，尤其是指一种无信号交叉口自行车冲突避让行为仿真模型的建模方法。

背景技术

自行车是一种人力驱动，相对低速、灵活的交通出行方式，其行驶线路与方式和基于车道行驶的机动车截然不同。

在中国城市，混合交通流交叉口中存在大量的机非冲突，尤其在无信号交叉口，但交通流量较大时，自行车在机动车和行人之间灵活穿行，这些现象不仅对交通安全，对交叉口通行能力和服务水平也有很大影响。对混合交通流无信号交叉口自行车冲突避让行为进行有效的建模，可为开发我国城市混合交通流微观仿真模型提供重要的理论模型基础，但目前对此类自行车的行为建模的研究还很少。

目前，对于自行车在交叉口的冲突避让行为研究大多集中于自行车穿越冲突机动车流动间隙接受行为，也有少数针对自行车在信号交叉口的跟驰行为。实际上，当自行车在无信号交叉口预期遇到某个冲突车辆或行人时，通常会考虑转弯配合加减速来减少冲突和延迟，因此间隙接受理论并不太适用于无信号交叉口自行车行为建模。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种行之有效、科学合理的无信号交叉口自行车冲突避让行为仿真模型的建模方法。

为实现上述目的，本发明所提供的技术方案为：无信号交叉口自行车冲突避让行为仿真模型的建模方法，包括以下步骤：

1)获取无信号交叉口视频数据

利用高空架设的高清摄像机或交警设置的高清摄像头，获得混合交通流无信号交叉口自行车与其他车辆、行人冲突避让行为方面的视频数据；

2)对视频数据进行数据析取

利用视频分析软件或人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；

3)对数据进行预处理，构建自行车冲突避让行为数据库

对步骤2)所析取的动态轨迹数据进行处理，计算自行车、其他相关车辆和行人的速度、加速度值；

4)构建自行车冲突避让行为仿真神经网络模型

采用BP神经网络模型，确定模型的输入节点、输出节点、隐层数目和相应的隐层节点数，从而构建自行车冲突避让行为仿真神经网络模型；

5)根据步骤4)构建的模型进行数据处理，形成训练样本和验证样本

根据所述模型的输入和输出变量，对自行车冲突避让行为数据库进行数据处理，形成神经网络模型样本数据库，并将样本划分为两部分，形成BP神经网络模型的训练样本和验证样本；

6)进行神经网络模型训练

利用所述训练样本对BP神经网络模型进行训练；

7)对神经网络模型进行验证

利用所述验证样本对上述已经训练完毕的BP神经网络模型进行验证，将模型输出结果与验证样本结果进行误差分析。

在步骤2)中，所述动态轨迹数据主要指车辆或行人从进入交叉口到离开交叉口，以某个时间间隔△T所处的位置(Xi,Yi)和对应的时刻Ti，其中△T<0.5秒。

在步骤4)中，采用Matlab软件构建所述自行车冲突避让行为仿真神经网络模型，其输入节点为8个，隐层2个，节点均为8个，输出节点为2个。

在步骤5)中，所述样本总数不少于3000个，取1/3样本用于训练，余下用于验证。

在步骤6)中，采用Matlab软件进行所述BP神经网络模型训练。

在步骤7)中，采用模拟自行车动态轨迹样本的平均绝对误差(MAE)作为误差分析指标。

本发明所述无信号交叉口自行车冲突避让行为仿真模型的建模方法，其具体情况如下：

首先，利用高空架设的高清摄像机或交警设置的高清摄像头，获取混合交通流无信号交叉口中自行车与其他车辆、行人冲突避让行为方面的视频数据，视频图像要能展现整个交叉口的图像，且无遮挡；

利用VSpeed软件或采用人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；所述动态轨迹数据主要指车辆或行人从进入交叉口到离开交叉口，以某个时间间隔△T析取其所处的位置(X_i,Y_i)和对应的时刻T_i，其中，△T通常取0.2秒，最大不超过0.5秒；同时，对每个动态轨迹数据记录下对应的冲突ID，车辆ID，车辆类型，目标自行车骑车者性别的信息；

对上述所析取的动态轨迹数据(X_i,Y_i，T_i)进行相应的处理，计算各动态轨迹对应的速度和加速度值；T_i时刻的速度矢量Vi＝(Vx_i,Vy_i)，其中：

Vx_i＝(X_i-X_i-1)/△T

Vy_i＝(Y_i-Y_i-1)/△T

式中，△T为数据析取时间间隔，单位为s；X_i、Y_i分别为T_i时刻X，Y轴轨迹坐标，单位为m；Vx_i,Vy_i分别为T_i时刻X，Y轴方向速度分量，单位为m/s；

而车辆在T_i时刻的加速度矢量Ai＝(Ax_i,Ay_i)，其中：

Ax_i＝(Vx_i-Vx_i-1)/△T

Ay_i＝(Vy_i-Vy_i-1)/△T

构建自行车冲突避让行为仿真神经网络模型，采用Matlab软件构建所述自行车冲突避让行为仿真神经网络模型，其输入节点为8个，隐层2个，节点均为8个，输出节点为2个，所述模型的8个输入变量分别为：

①冲突车类型变量Ctype

冲突车类型变量Ctype主要表现与自行车冲突车辆c的类型，可根据车型占地面积比例来确定各类型车辆类型变量数值；

②骑车者性别G

指自行车b骑车者性别，男性G＝1，女性G＝0；

③T_i时刻相对距离X分量△X_i

指冲突车辆c相对于自行车b的相对距离在X轴的分量，即：

△X_i＝Xc_i-Xb_i

式中，Xb_i、Xc_i分别为自行车b与冲突车辆c在时刻T_i的X轴坐标；

④T_i时刻相对距离Y分量△Y_i

指冲突车辆c相对于自行车b的相对距离在Y轴的分量，即：

△Y_i＝Yc_i-Yb_i

式中，Yb_i、Yc_i分别为自行车b与冲突车辆c在时刻T_i的Y轴坐标；

⑤T_i时刻相对速度X分量△Vx_i

指冲突车辆c相对于自行车b的相对速度在X轴的分量，即：

△Vx_i＝Vcx_i-Vbx_i

式中，Vbx_i、Vcx_i分别为自行车b与冲突车辆c在时刻T_i的X轴分量速度值；

⑥T_i时刻相对速度Y分量△Vy_i

指冲突车辆c相对于自行车b的相对速度在Y轴的分量，即：

△Vy_i＝Vcy_i-Vby_i

式中，Vby_i、Vcy_i分别为自行车b与冲突车辆c在时刻T_i的Y轴分量速度值；

⑦期望相对速度X分量△V’x_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在X轴的分量，即：

△V’x_i＝Vxb_i–Vx’_i

式中，Vxb_i为自行车b在时刻T_i的X轴分量速度值，Vx’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vx’_i＝(X_D-Xb_i)/(T_D-T_i)

式中，X_D为自行车b在时刻T_D的X轴坐标，T_D为自行车b离开交叉口的时刻；

⑧期望相对速度Y分量△V’y_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在Y轴的分量，即：

△V’y_i＝Vyb_i–Vy’_i

式中，Vxb_i为自行车b在时刻T_i的Y轴分量速度值，Vy’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vy’_i＝(X_D-Yb_i)/(T_D-T_i)

式中，Y_D为自行车b在时刻T_D的Y轴坐标，T_D为自行车b离开交叉口的时刻；

所述模型的2个输出变量分别为：

①时刻Ti时自行车b的加速度X轴分量Ax_i；

②时刻Ti时自行车b的加速度Y轴分量Ay_i；

根据上述模型的输入和输出变量定义和计算公式，对自行车冲突避让行为数据库进行数据处理，形成的神经网络模型样本数据库；

所述神经网络模型样本数据库样本总数不少于3000个，将1/3样本作为BP神经网络模型的训练样本，余下的作为BP神经网络模型的验证样本；

利用Matlab软件构建BP神经网络，并利用上述训练样本对BP神经网络模型进行训练，训练次数为5000次；

利用验证样本数据对已经训练好的模型进行验证，对每一个冲突情形k，在进行模型验证前要进行初始化，即自行车进入交叉口的初始位置和速度与第一个实测数据一样，即：

Xb*₁＝Xb₁，Yb*₁＝Yb₁

Vbx*₁＝Vbx₁，Vby*₁＝Vby₁

再确定和计算相应的输入变量，包括：Ctype，G，△X_i，△Y_i，△Vx_i，△Vy_i，△V’x_i，△V’y_i；将这些变量输入自行车冲突避让神经网络模型，模型输出T_i时刻自行车b的加速度Ax_i和Ay_i；然后再计算得出T_i+1时刻自行车b的模型速度Vb*和位移(Xb*_i,Yb*_i)，其中：

Vbx*_i+1＝V*x_i+Ax_i×△T

Vby*_i+1＝V*y_i+Ay_i×△T

类似地：

X*_i+1＝X*_i+V*x_i×△T

Y*_i+1＝Y*_i+V*y_i×△T

误差分析指标为自行车动态轨迹样本的平均绝对误差(MAE)，即：

MAEx＝∑(∣X*_i-X_i∣)/n

MAEy＝∑(∣Y*_i-Y_i∣)/n

式中，MAEx、MAEy分别为自行车模型在X、Y轴的平均绝对误差分量；X*_i、Y*_i分别为时刻T_i模型轨迹X、Y轴坐标；X_i、Y_i分别为时刻T_i实测的自行车轨迹X、Y轴坐标；n为验证自行车动态轨迹样本数量。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明方法可对城市道路中各类型无信号交叉口(如十字交叉口、T形交叉口、异形交叉口、环形交叉口等)中的自行车与各类车辆(包括各类机动车、三轮自行车、电动自行车、自行车、畜拉车等)和行人的冲突避让行为进行仿真建模；

2、本发明方法简单易行，应用该方法可对我国城市无信号交叉口自行车冲突避让行为进行仿真建模，为开发我国城市混合交通流无信号交叉口微观仿真模型奠定基础，为我国城市无信号交叉口仿真分析提供基础，因此本发明具有很大的实际推广价值。

附图说明

图1为本发明的一个实施例的步骤框架图。

图2为本发明的一个实施例的交叉口示意图。

图3为本发明的一个实施例的BP神经网络模型结构图。

图4为本发明的一个实施例的训练样本计算流程图。

图5为本发明的一个实施例的行为模型验证流程框图。

图6为本发明的一个实施例的自行车轨迹比较图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例无信号交叉口自行车冲突避让行为仿真模型的建模方法，包括以下步骤：

1)获取无信号交叉口视频数据

利用高空架设的高清摄像机或交警设置的高清摄像头，获得混合交通流无信号交叉口自行车与其他车辆、行人冲突避让行为方面的视频数据；

2)对视频数据进行数据析取

利用专业的视频分析软件或人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；

3)对数据进行预处理，构建自行车冲突避让行为数据库

对步骤2)所析取的动态轨迹数据进行处理，计算自行车、其他相关车辆和行人的速度、加速度值；

4)构建自行车冲突避让行为仿真神经网络模型

采用BP神经网络模型，确定模型的输入节点、输出节点、隐层数目和相应的隐层节点数，从而构建自行车冲突避让行为仿真神经网络模型；

5)根据步骤4)构建的模型进行数据处理，形成训练样本和验证样本

根据所述模型的输入和输出变量，对自行车冲突避让行为数据库进行数据处理，形成神经网络模型样本数据库，并将样本划分为两部分，形成BP神经网络模型的训练样本和验证样本；

6)进行神经网络模型训练

利用所述训练样本对BP神经网络模型进行训练；

7)对神经网络模型进行验证

利用所述验证样本对上述已经训练完毕的BP神经网络模型进行验证，将模型输出结果与验证样本结果进行误差分析。

本发明方法可对城市道路中各类型无信号交叉口(如十字交叉口、T形交叉口、异形交叉口、环形交叉口等)中的自行车与各类车辆(包括各类机动车、三轮自行车、电动自行车、自行车、畜拉车等)和行人的冲突避让行为进行仿真建模。其具体情况如下：

首先，利用高空架设的高清摄像机或交警设置的高清摄像头，获取混合交通流无信号交叉口中自行车与其他车辆、行人冲突避让行为方面的视频数据，视频图像要能展现整个交叉口的图像，且无遮挡。

利用VSpeed软件或采用人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；所述动态轨迹数据主要指车辆或行人从进入交叉口到离开交叉口，以某个时间间隔△T析取其所处的位置(X_i,Y_i)和对应的时刻T_i，其中，△T通常取0.2秒，最大不超过0.5秒；同时，对每个动态轨迹数据记录下对应的冲突ID，车辆ID，车辆类型，目标自行车骑车者性别等信息。

对上述所析取的动态轨迹数据(X_i,Y_i，T_i)进行相应的处理，计算各动态轨迹对应的速度和加速度值；T_i时刻的速度矢量Vi＝(Vx_i,Vy_i)，其中：

Vx_i＝(X_i-X_i-1)/△T

Vy_i＝(Y_i-Y_i-1)/△T

式中，△T为数据析取时间间隔，单位为s；X_i、Y_i分别为T_i时刻X，Y轴轨迹坐标，单位为m；Vx_i,Vy_i分别为T_i时刻X，Y轴方向速度分量，单位为m/s。

而车辆在T_i时刻的加速度矢量Ai＝(Ax_i,Ay_i)，其中：

Ax_i＝(Vx_i-Vx_i-1)/△T

Ay_i＝(Vy_i-Vy_i-1)/△T

构建自行车冲突避让行为仿真神经网络模型，采用Matlab软件构建所述自行车冲突避让行为仿真神经网络模型，其输入节点为8个，隐层2个，节点均为8个，输出节点为2个。所述模型的8个输入变量分别为：

①冲突车类型变量Ctype

冲突车类型变量Ctype主要表现与自行车冲突车辆c的类型，可根据车型占地面积比例来确定各类型车辆类型变量数值，如下表所示：

②骑车者性别G

指自行车b骑车者性别，男性G＝1，女性G＝0；

③T_i时刻相对距离X分量△X_i

指冲突车辆c相对于自行车b的相对距离在X轴的分量，即：

△X_i＝Xc_i-Xb_i

式中，Xb_i、Xc_i分别为自行车b与冲突车辆c在时刻T_i的X轴坐标；

④T_i时刻相对距离Y分量△Y_i

指冲突车辆c相对于自行车b的相对距离在Y轴的分量，即：

△Y_i＝Yc_i-Yb_i

式中，Yb_i、Yc_i分别为自行车b与冲突车辆c在时刻T_i的Y轴坐标；

⑤T_i时刻相对速度X分量△Vx_i

指冲突车辆c相对于自行车b的相对速度在X轴的分量，即：

△Vx_i＝Vcx_i-Vbx_i

式中，Vbx_i、Vcx_i分别为自行车b与冲突车辆c在时刻T_i的X轴分量速度值；

⑥T_i时刻相对速度Y分量△Vy_i

指冲突车辆c相对于自行车b的相对速度在Y轴的分量，即：

△Vy_i＝Vcy_i-Vby_i

式中，Vby_i、Vcy_i分别为自行车b与冲突车辆c在时刻T_i的Y轴分量速度值；

⑦期望相对速度X分量△V’x_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在X轴的分量，即：

△V’x_i＝Vxb_i–Vx’_i

式中，Vxb_i为自行车b在时刻T_i的X轴分量速度值，Vx’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vx’_i＝(X_D-Xb_i)/(T_D-T_i)

式中，X_D为自行车b在时刻T_D的X轴坐标，T_D为自行车b离开交叉口的时刻；

⑧期望相对速度Y分量△V’y_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在Y轴的分量，即：

△V’y_i＝Vyb_i–Vy’_i

式中，Vxb_i为自行车b在时刻T_i的Y轴分量速度值，Vy’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vy’_i＝(X_D-Yb_i)/(TD-T_i)

式中，Y_D为自行车b在时刻T_D的Y轴坐标，T_D为自行车b离开交叉口的时刻。

所述模型的2个输出变量分别为：

①时刻Ti时自行车b的加速度X轴分量Ax_i；

②时刻Ti时自行车b的加速度Y轴分量Ay_i。

根据上述模型的输入和输出变量定义和计算公式，对自行车冲突避让行为数据库进行数据处理，形成的神经网络模型样本数据库，如下表所示：

验证样本数据库结构如下表所示：

所述神经网络模型样本数据库样本总数不少于3000个，将1/3样本作为BP神经网络模型的训练样本，余下的作为BP神经网络模型的验证样本。

利用Matlab软件构建BP神经网络，并利用上述训练样本对BP神经网络模型进行训练，训练次数大概在5000次左右，达到收敛效果即可。

利用验证样本数据对已经训练好的模型进行验证，对每一个冲突情形k，在进行模型验证前要进行初始化，即自行车进入交叉口的初始位置和速度与第一个实测数据一样，即：

Xb*₁＝Xb₁，Yb*₁＝Yb₁

Vbx*₁＝Vbx₁，Vby*₁＝Vby₁

再确定和计算相应的输入变量，包括：Ctype，G，△X_i，△Y_i，△Vx_i，△Vy_i，△V’x_i，△V’y_i；将这些变量输入自行车冲突避让神经网络模型，模型输出T_i时刻自行车b的加速度Ax_i和Ay_i；然后再计算得出T_i+1时刻自行车b的模型速度Vb*和位移(Xb*_i,Yb*_i)，其中：

Vbx*_i+1＝V*x_i+Ax_i×△T

Vby*_i+1＝V*y_i+Ay_i×△T

类似地：

X*_i+1＝X*_i+V*x_i×△T

Y*_i+1＝Y*_i+V*y_i×△T

误差分析指标为自行车动态轨迹(X_i,Y_i)的平均绝对误差(MAE)，即：

MAEx＝∑(∣X*_i-X_i∣)/n

MAEy＝∑(∣Y*_i-Y_i∣)/n

式中，MAEx、MAEy分别为自行车模型在X、Y轴的平均绝对误差分量；X*_i、Y*_i分别为时刻T_i模型轨迹X、Y轴坐标；X_i、Y_i分别为时刻T_i实测的自行车轨迹X、Y轴坐标；n为验证样本数量。

下面以测试北京市某无信号交叉口为例，对本发明方法进行具体说明，其情况如下：

首先获取视频数据，其图像如图2所示。

然后利用专业的视频分析软件，如VSpeed软件，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据，并进行计算，形成无信号交叉口自行车动态行为数据库，共有有效样本3606个。

接着构建无信号交叉口自行车冲突避让行为BP神经网络模型，模型结构如图3所示。

根据所述模型的输入和输出变量，对自行车冲突避让行为数据库进行数据处理，获得BP神经网络模型训练样本1000个和验证样本2606个；训练样本计算流程如图4所示。

利用所述1000个训练样本对BP神经网络模型进行训练；最后应用2606个验证样本对训练好的BP神经网络模型进行验证，验证流程如图5所示。

本实施例的模型验证结果较为理想，构建的自行车BP神经网络行为模型在X、Y轴的平均绝对误差MAEx、MAEy分别为0.48m和0.72m，考虑到无信号交叉口复杂的交通情况和冲突车型的多样化，这个结果是令人满意的。本实施例的自行车轨迹比较如图6所示。

综上所述，本发明形成一种基于神经网络技术的无信号交叉口自行车冲突避让行为仿真模型的建模方法，可以利用实测数据为混合交通流无信号交叉口的自行车与机动车、自行车、行人的冲突避让行为进行快速、有效仿真模型建模，为我国城市混合交通流无信号交叉口仿真模型开发奠定基础，具有实际推广价值，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于，包括以下步骤：

1)获取无信号交叉口视频数据

利用高空架设的高清摄像机或交警设置的高清摄像头，获得混合交通流无信号交叉口自行车与其他车辆、行人冲突避让行为方面的视频数据；

2)对视频数据进行数据析取

利用视频分析软件或人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；

3)对数据进行预处理，构建自行车冲突避让行为数据库

对步骤2)所析取的动态轨迹数据进行处理，计算自行车、其他相关车辆和行人的速度、加速度值；

4)构建自行车冲突避让行为仿真神经网络模型

采用BP神经网络模型，确定模型的输入节点、输出节点、隐层数目和相应的隐层节点数，从而构建自行车冲突避让行为仿真神经网络模型；

5)根据步骤4)构建的模型进行数据处理，形成训练样本和验证样本

根据所述模型的输入和输出变量，对自行车冲突避让行为数据库进行数据处理，形成神经网络模型样本数据库，并将样本划分为两部分，形成BP神经网络模型的训练样本和验证样本；

6)进行神经网络模型训练

利用所述训练样本对BP神经网络模型进行训练；

7)对神经网络模型进行验证

利用所述验证样本对上述已经训练完毕的BP神经网络模型进行验证，将模型输出结果与验证样本结果进行误差分析。

2.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：在步骤2)中，所述动态轨迹数据主要指车辆或行人从进入交叉口到离开交叉口，以时间间隔△T所处的位置(Xi,Yi)和对应的时刻Ti，其中△T<0.5秒。

3.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：在步骤4)中，采用Matlab软件构建所述自行车冲突避让行为仿真神经网络模型，其输入节点为8个，隐层2个，节点均为8个，输出节点为2个。

4.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：在步骤5)中，所述样本总数不少于3000个，取1/3样本用于训练，余下用于验证。

5.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：在步骤6)中，采用Matlab软件进行所述BP神经网络模型训练。

6.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：在步骤7)中，采用模拟自行车动态轨迹样本的平均绝对误差作为误差分析指标。

7.根据权利要求1所述的无信号交叉口自行车冲突避让行为仿真模型的建模方法，其特征在于：

首先，利用高空架设的高清摄像机或交警设置的高清摄像头，获取混合交通流无信号交叉口中自行车与其他车辆、行人冲突避让行为方面的视频数据，视频图像要能展现整个交叉口的图像，且无遮挡；

利用VSpeed软件或采用人工分析方法，对视频数据进行数据析取，获得无信号交叉口中自行车及相关冲突车辆和行人的动态轨迹数据；所述动态轨迹数据主要指车辆或行人从进入交叉口到离开交叉口，以时间间隔△T析取其所处的位置(X_i,Y_i)和对应的时刻T_i，其中，△T通常取0.2秒，最大不超过0.5秒；同时，对每个动态轨迹数据记录下对应的冲突ID，车辆ID，车辆类型，目标自行车骑车者性别的信息；

对上述所析取的动态轨迹数据(X_i,Y_i，T_i)进行相应的处理，计算各动态轨迹对应的速度和加速度值；T_i时刻的速度矢量Vi＝(Vx_i,Vy_i)，其中：

Vx_i＝(X_i-X_i-1)/△T

Vy_i＝(Y_i-Y_i-1)/△T

式中，△T为数据析取时间间隔，单位为s；X_i、Y_i分别为T_i时刻X，Y轴轨迹坐标，单位为m；Vx_i,Vy_i分别为T_i时刻X，Y轴方向速度分量，单位为m/s；

而车辆在T_i时刻的加速度矢量Ai＝(Ax_i,Ay_i)，其中：

Ax_i＝(Vx_i-Vx_i-1)/△T

Ay_i＝(Vy_i-Vy_i-1)/△T

构建自行车冲突避让行为仿真神经网络模型，采用Matlab软件构建所述自行车冲突避让行为仿真神经网络模型，其输入节点为8个，隐层2个，节点均为8个，输出节点为2个，所述模型的8个输入变量分别为：

①冲突车类型变量Ctype

冲突车类型变量Ctype主要表现与自行车冲突车辆c的类型，可根据车型占地面积比例来确定各类型车辆类型变量数值；

②骑车者性别G

指自行车b骑车者性别，男性G＝1，女性G＝0；

③T_i时刻相对距离X分量△X_i

指冲突车辆c相对于自行车b的相对距离在X轴的分量，即：

△X_i＝Xc_i-Xb_i

式中，Xb_i、Xc_i分别为自行车b与冲突车辆c在时刻T_i的X轴坐标；

④T_i时刻相对距离Y分量△Y_i

指冲突车辆c相对于自行车b的相对距离在Y轴的分量，即：

△Y_i＝Yc_i-Yb_i

式中，Yb_i、Yc_i分别为自行车b与冲突车辆c在时刻T_i的Y轴坐标；

⑤T_i时刻相对速度X分量△Vx_i

指冲突车辆c相对于自行车b的相对速度在X轴的分量，即：

△Vx_i＝Vcx_i-Vbx_i

式中，Vbx_i、Vcx_i分别为自行车b与冲突车辆c在时刻T_i的X轴分量速度值；

⑥T_i时刻相对速度Y分量△Vy_i

指冲突车辆c相对于自行车b的相对速度在Y轴的分量，即：

△Vy_i＝Vcy_i-Vby_i

式中，Vby_i、Vcy_i分别为自行车b与冲突车辆c在时刻T_i的Y轴分量速度值；

⑦期望相对速度X分量△V’x_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在X轴的分量，即：

△V’x_i＝Vxb_i–Vx’_i

式中，Vxb_i为自行车b在时刻T_i的X轴分量速度值，Vx’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vx’_i＝(X_D-Xb_i)/(T_D-T_i)

式中，X_D为自行车b在时刻T_D的X轴坐标，T_D为自行车b离开交叉口的时刻；

⑧期望相对速度Y分量△V’y_i

指自行车b当前实际速度相对期望速度Vb’的矢量差在Y轴的分量，即：

△V’y_i＝Vyb_i–Vy’_i

式中，Vxb_i为自行车b在时刻T_i的Y轴分量速度值，Vy’_i为自行车b在时刻T_i的期望速度，其计算公式为：

Vy’_i＝(X_D-Yb_i)/(T_D-T_i)

式中，Y_D为自行车b在时刻T_D的Y轴坐标，T_D为自行车b离开交叉口的时刻；

所述模型的2个输出变量分别为：

①时刻Ti时自行车b的加速度X轴分量Ax_i；

②时刻Ti时自行车b的加速度Y轴分量Ay_i；

根据上述模型的输入和输出变量定义和计算公式，对自行车冲突避让行为数据库进行数据处理，形成的神经网络模型样本数据库；

所述神经网络模型样本数据库样本总数不少于3000个，将1/3样本作为BP神经网络模型的训练样本，余下的作为BP神经网络模型的验证样本；

利用Matlab软件构建BP神经网络，并利用上述训练样本对BP神经网络模型进行训练，训练次数为5000次；

利用验证样本数据对已经训练好的模型进行验证，对每一个冲突情形k，在进行模型验证前要进行初始化，即自行车进入交叉口的初始位置和速度与第一个实测数据一样，即：

Xb*₁＝Xb₁，Yb*₁＝Yb₁

Vbx*₁＝Vbx₁，Vby*₁＝Vby₁

再确定和计算相应的输入变量，包括：Ctype，G，△X_i，△Y_i，△Vx_i，△Vy_i，△V’x_i，△V’y_i；将这些变量输入自行车冲突避让神经网络模型，模型输出T_i时刻自行车b的加速度Ax_i和Ay_i；然后再计算得出T_i+1时刻自行车b的模型速度Vb*和位移(Xb*_i,Yb*_i)，其中：

Vbx*_i+1＝V*x_i+Ax_i×△T

Vby*_i+1＝V*y_i+Ay_i×△T

类似地：

X*_i+1＝X*_i+V*x_i×△T

Y*_i+1＝Y*_i+V*y_i×△T

误差分析指标为自行车动态轨迹样本的平均绝对误差，即：

MAEx＝∑(∣X*_i-X_i∣)/n

MAEy＝∑(∣Y*_i-Y_i∣)/n

式中，MAEx、MAEy分别为自行车模型在X、Y轴的平均绝对误差分量；X*_i、Y*_i分别为时刻T_i模型轨迹X、Y轴坐标；X_i、Y_i分别为时刻T_i实测的自行车轨迹X、Y轴坐标；n为验证自行车动态轨迹样本数量。