CN104835319A - 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 - Google Patents
一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 Download PDFInfo
- Publication number
- CN104835319A CN104835319A CN201510161496.5A CN201510161496A CN104835319A CN 104835319 A CN104835319 A CN 104835319A CN 201510161496 A CN201510161496 A CN 201510161496A CN 104835319 A CN104835319 A CN 104835319A
- Authority
- CN
- China
- Prior art keywords
- state
- vehicle
- lead
- import
- remittance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Abstract
本发明公开了一种高等级道路(高速公路与城市快速路)瓶颈区入匝道车辆汇入行为估计方法,该方法利用隐马尔科夫模型对驾驶员汇入过程中的决策情况进行估计,该方法包括数据准备阶段、数据预处理阶段、模型学习阶段、模型解码阶段以及结果处理五个过程。本发明可以对车辆在汇入高等级道路主线前不同时刻的状态进行估计,所估计的状态时间序列能够反映驾驶员的决策过程。同时分析驾驶员状态转移空间分布情况可以发现驾驶员变道意图的频发地点和区段。因此,本发明不但可以为设计高效的入匝道瓶颈区换道辅助系统开发提供依据,而且可以为预防高等级道路入匝道瓶颈早发性失效措施设计提供重要参考。
Description
技术领域
本发明涉及一种用于高等级道路交通行为识别领域的方法,更具体的说,本发明涉及一种基于隐马尔科夫模型的高等级道路瓶颈区入匝道车辆汇入行为估计方法。
背景技术
高等级道路(高速公路和城市快速路)入匝道瓶颈是交通堵塞、安全事故的常发地带。入匝道车辆的汇入行为则是导致瓶颈失效的重要原因之一。相关学者大多从限速、设定固定汇入区段、信号控制等角度来探讨这一现象改善的有效性。目前为止,部分学者已经采用一些分类算法对驾驶员行为状态加以识别,然而,很少有学者对驾驶员汇入行为决策过程以及背后的机理进行分析。本发明可以对驾驶员成功汇入前的行为状态进行多时刻点估计从而比较全面反映驾驶员的整个决策过程。进一步说可以得到驾驶员何时发生状态转移、车辆状态转移的次数以及这一时刻所对应的宏观和微观的交通流状态信息。
隐马尔科夫模型通过汇入车辆可观察状态集以及3个初始矩阵按照一定的算法完成学习和解码两个过程。学习阶段采用前向后向算法,递归得到隐马尔科夫模型内部参数的局部最优解。解码阶段采用Viterbi算法,通过迭代得到在某种意义上每个汇入车辆最佳的状态估计时间序列。
发明内容
本发明的目的在于提供一种高等级道路瓶颈区入匝道车辆汇入行为估计方法,以解析驾驶员成功汇入高等级道路主线前的整个决策过程,计算驾驶员汇入的决策点及对应状态信息进而得到驾驶员汇入行为的决策机制。本发明不但可以为设计高效的入匝道瓶颈区换道辅助系统开发提供依据,而且可以为预防高等级道路入匝道瓶颈早发性失效措施设计提供重要参考。
本发明的一种高等级道路瓶颈区车辆汇入行为估计方法,包括以下步骤:
(1)数据准备阶段:首先利用轨迹提取软件进行车辆轨迹数据的提取,然后确立影响汇入行为的交通流特性指标集;
(1.1)利用轨迹提取软件进行车辆轨迹数据的提取,车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标;
(1.2)确立影响汇入行为的交通流特性指标集C,所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆(前车、后车)的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆(前车、后车)的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆(前车、后车)的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D;
(2)数据预处理阶段:此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R,以及获得隐马尔科夫模型起初需要输入的3个初始矩阵;
(2.1)交通流特性指标集C的数据获取,根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标信息数据,通过间接计算获得空距、时距、速度差;
空距:某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长,单位m;
时距:当前时刻前后相邻两辆车之间的空距除以后车当前车速,单位s;
速度差:当前时刻前车的瞬时车速减去邻近后车的车速,单位m/s;
车长计算规则:小型车4.5m,中型车6.0m,大型车12.0m;
(2.2)汇入行为特征变量n的识别,采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选,得到影响汇入行为的特征变量;所述特征变量包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead,以及汇入车辆与目标车道后车间的速度差ΔVlag,特征变量n如下式:
n=(a,Slead,Tlead,Slag,ΔVlead,ΔVlag)
式中:a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
Tlead——汇入车辆与目标车道前车间的车头时距,单位为s;
Slag——汇入车辆与目标车道后车间的车头空距,单位为m;
ΔVlead——汇入车辆与目标车道前车间的速度差,单位为m/s;
ΔVlag——汇入车辆与目标车道后车间的速度差,单位为m/s;
(2.3)确定驾驶行为状态矩阵Q,所述状态包括瓶颈区入匝道车辆汇入主线的状态(汇入状态)和入匝道车辆沿加速车道正常行驶状态(非汇入状态)。
Q={q1,q2}
式中:q1——入匝道车辆汇入状态,用数字1表示;
q2——入匝道车辆未汇入状态,用数字2表示;
(2.4)可观察状态集R的构建,步骤(2.2)得到的特征变量是六维的,各维变量均为连续型变量;由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理,故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为k类、l类、p类、s类、h类和z类;如上所述,最终会得到元素个数为k×l×p×s×h×z的可观察状态集R,以两维特征向量(Slead,a)为例说明可观察状态集的具体表达方式,其数学形式如下:
式中:Rij——可观察状态;
a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目;
k——汇入车辆的加速度a按照等区间划分的区间数目;
(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵,所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π;
状态转移概率矩阵A:状态转移概率矩阵反映的是入匝道车辆前一时刻状态确定的前提下,下一时刻是某种状态的概率。按照以上描述得到2×2的矩阵A,其数学形式如下:
aij=P(Qt=qj|Qt-1=qi),i,j=1 or 2
式中:aij——入匝道车辆从一种状态转移到另一种状态的概率;
a11——前一时刻是汇入状态,后一时刻为汇入状态的概率;
a12——前一时刻是汇入状态,后一时刻为非汇入状态的概率;
a21——前一时刻是非汇入状态,后一时刻为汇入状态的概率;
a22——前一时刻是非汇入状态,后一时刻为非汇入状态的概率;
观察值概率分布矩阵B:它反映入匝道车辆在某隐藏状态下(汇入或非汇入)被认为是某可观察状态的概率。仍以两维特征向量(Slead,a)为例说明观察值概率分布矩阵的具体表达形式,其数学形式如下:
bij=P(Ot=Rij|Qt=qi),i=1 or 2,j=1,2,…,m
m=l*k
式中:bij——驾驶员在某一隐藏状态下被认为是某可观察状态的概率;
m——全部观察特征向量的划分数目,l和k的含义同上;
初始状态概率分布矩阵π:隐含状态(汇入与非汇入)在初始时刻t=1时的概率分布矩阵,其数学形式如下:
π={π1,π2}
π1=P0(Qt=1=q1)
π2=P0(Qt=1=q2)
式中:π1——初始时刻t=1时,入匝道车辆为汇入状态的概率;
π2——初始时刻t=1时,入匝道车辆为非汇入状态的概率;
(3)模型学习阶段:经过数据准备阶段和数据预处理阶段方可获得模型的待优化初始参数λ0,λ0=(π,A,B)。模型学习阶段采用前向后向算法不断地重新估计模型的参数λ0,经过多次迭代后得到模型的一个局部最优参数解从而为接下来模型解码阶段的实现提供重要保障;具体实现步骤如下:
(3.1)前向算法:设可观察状态时间序列O=(O1,O2,…,Ot),O代表一个车辆行驶过程中不同时刻的可观察状态(特征变量值),定义前向变量为:
αt(i)=P(O1,O2,…,Ot,Qt=qi|λ),1≤t≤T
式中:αt(i)——t时刻隐藏状态i的概率;
(3.1.1)开始
α1(i)=πib(O1),t=1
式中:b(O1)——初始时刻观测状态为O1的概率;
(3.1.2)递归
式中:αt+1(j)——t+1时刻状态为j的概率;
——隐藏状态为j时观测状态为Ot+1的概率;
(3.1.3)终结
(3.2)后向算法:定义的后向变量为:
βt(i)=P(Ot+1,Ot+2,…,OT|Qt=qi,λ),1≤t≤T-1
式中:βt(i)——t时刻i状态下t+1时刻到最后时刻的观察时间序列所发生的概率;
(3.2.1)开始
βT(i)=1,1≤i≤N
(3.2.2)递归
(3.2.3)终结
根据前向变量和后向变量的定义导出:
εt(i,j)——在t时刻从状态i转移到状态j的概率;
同样推导得到t时刻马尔科夫链处于qi状态的概率为:
由此导出Baum-Welch算法的重估公式如下:
以上是模型学习阶段的理论介绍,下面将描述获得模型内部参数λ局部最优解的大致流程:
首先根据观测序列确定隐藏状态的数目N、观察值数目M,然后选取合适的初始模型λ0=(π0,A0,B0);再根据前向后向算法计算前向变量αt(i)和后向变量βt+1(j)计算εt(i,j)和εt(i);最后由3个重估公式以P(O|λ)最大为目标,以为收敛条件进行循环迭代从而得到模型内部参数λ的局部最优解。
(4)模型解码阶段:通过数据准备、数据预处理以及模型学习三个阶段得到模型内部参数λ的局部最优解。模型解码阶段在此基础上采用Viterbi算法,通过迭代得到每个汇入车辆的状态估计时间序列。Viterbi算法具体实现步骤如下:
(4.1)定义变量δt(i)
式中:δt(i)——在给定模型λ的条件下,沿着路径q1,q2,…,qt且Qt=qi时,输出观察序列O1,O2,…,Ot的最大概率;
(4.2)定义它表示t时刻Qi状态的前续状态号
(4.3)开始
δ1(i)=πibi(O1),1≤i≤N
(4.4)递归
(4.5)终结
式中:arg max——最大化后面公式的i值;
(4.6)最优估计状态序列
(5)结果处理阶段
(5.1)根据模型所估计的驾驶员行为状态时间序列以及原始轨迹数据集可以得到驾驶员何时发生状态转移,即汇入决策的时间起点、驾驶员行为状态转移的次数、状态转移所发生的位置坐标以及所对应的宏观和微观的交通流状态信息;
(5.2)统计所有车辆汇入主线的决策时刻进而得到决策时刻的分布,根据其分布划分不同类型的驾驶员,同时可得到不同类型驾驶员决策时刻点的期望值;
(5.3)通过绘制驾驶员状态转移空间分布图,发现驾驶员有变道意图的频发地点。
附图说明
图1本发明的流程图。
具体实施方式
下面结合附图1对本发明作更进一步的说明。
实施例1:
如图1所示,本发明的一种高等级道路瓶颈区车辆汇入行为估计方法,包括以下步骤:
(1)数据准备阶段:以上海市延安高架虹许路瓶颈点入匝道车辆的汇入过程作为研究对象。更确切地说,是研究位于最内侧加速车道车辆汇入邻近主线车道的换道决策过程。虹许路瓶颈点的主线有三条车道、两条约150m长的加速车道。足够长的加速车道有利于驾驶员做出多次决策从而选择合适的时机汇入主线,进而获得丰富的样本数据。此阶段首先利用轨迹提取软件进行车辆轨迹数据的提取,然后确立影响汇入行为的交通流特性指标集;
(1.1)利用轨迹提取软件进行车辆轨迹数据的提取,采用手动的方法在软件的操作界面上鼠标定位车辆的尾部中心,从而得到车辆的行驶轨迹,经过软件内部平滑处理最终得到以0.12秒为时间间隔的车辆行驶信息时间序列。车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标。通过对将近20分钟视频数据的轨迹提取,共获得32628条轨迹数据,总计322条符合条件的样本;
(1.2)确立影响汇入行为的交通流特性指标集C,所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆(前车、后车)的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆(前车、后车)的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆(前车、后车)的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D;
(2)数据预处理阶段:此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R,以及获得隐马尔科夫模型起初需要输入的3个初始矩阵;
(2.1)交通流特性指标集C的数据获取,根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标信息数据,通过间接计算获得空距、时距、速度差;
空距:某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长,单位m;
时距:当前时刻前后相邻两辆车之间的空距除以后车当前车速,单位s;
速度差:当前时刻前车的瞬时车速减去邻近后车的车速,单位m/s;
车长计算规则:小型车4.5m,中型车6.0m,大型车12.0m;
(2.2)汇入行为特征变量n的识别,最初所建立的指标集涵盖的信息是比较充分的,然而,这些解释变量并非全是显著变量。故采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选,得到影响汇入行为的特征变量。随机森林是一种组合分类器,它利用bootstrap重抽样方法从原始样本中抽取多个样本,每个样本视为一个训练集,每个训练集都进行一次决策树建模,然后将这些决策树组合在一起对某测试样本进行分类,将每棵决策树的判断结果汇总,所得票数最多的分类结果将作为算法最终的输出结果。所述特征变量n包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead,以及汇入车辆与目标车道后车间的速度差ΔVlag,特征变量n如下式:
n=(a,Slead,Tlead,Slag,ΔVlead,ΔVlag)
式中:a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
Tlead——汇入车辆与目标车道前车间的车头时距,单位为s;
Slag——汇入车辆与目标车道后车间的车头空距,单位为m;
ΔVlead——汇入车辆与目标车道前车间的速度差,单位为m/s;
ΔVlag——汇入车辆与目标车道后车间的速度差,单位为m/s;
(2.3)确定驾驶行为状态矩阵Q,所述状态包括瓶颈区入匝道车辆汇入主线的状态(汇入状态)以及入匝道车辆沿加速车道正常行驶状态(非汇入状态)。
Q={q1,q2}
式中:q1——入匝道车辆汇入状态,用数字1表示;
q2——入匝道车辆未汇入状态,用数字2表示;
(2.4)可观察状态集R的构建,步骤(2.2)得到的特征变量是六维的,各维变量均为连续型变量;由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理,故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为5类、6类、5类、4类、4类和5类。
如上所述,最终会得到元素个数为12000的可观察状态集R。以两维特量(Slead,a)为例说明可观察状态集的具体表达方式,其数学形式如下:
式中:Rij——可观察状态;
a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目,取值为6;
k——汇入车辆的加速度a按照等区间划分的区间数目,取值为5;
(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵,所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π;
状态转移概率矩阵A:状态转移概率矩阵反映入匝道车辆前一时刻状态确定的前提下,下一时刻是某种状态的概率。按照以上描述得到2×2的矩阵A,其数学形式如下:
aij=P(Qt=qj|Qt-1=qi),i,j=1 or 2
式中:aij——入匝道车辆从一种状态转移到另一种状态的概率;
a11——前一时刻是汇入状态,后一时刻为汇入状态的概率;
a12——前一时刻是汇入状态,后一时刻为非汇入状态的概率;
a21——前一时刻是非汇入状态,后一时刻为汇入状态的概率;
a22——前一时刻是非汇入状态,后一时刻为非汇入状态的概率;
观察值概率分布矩阵B:它反映入匝道车辆在某隐藏状态下(汇入或非汇入)被认为是某可观察状态的概率。仍以两维特征向量(Slead,a)为例说明观察值概率分布矩阵的具体表达形式,其数学形式如下:
bij=P(Ot=Rij|Qt=qi),i=1 or 2,j=1,2,…,m
m=l*k
式中:bij——驾驶员在某一隐藏状态下被认为是某可观察状态的概率;
m——全部观察特征向量的划分数目,l和k的含义同上;
初始状态概率分布矩阵π:隐含状态(汇入与非汇入)在初始时刻t=1时的概率分布矩阵,其数学形式如下:
π={π1,π2}
π1=P0(Qt=1=q1)
π2=P0(Qt=1=q2)
式中:π1——初始时刻t=1时,入匝道车辆为汇入状态的概率,取值为1;
π2——初始时刻t=1时,入匝道车辆为非汇入状态的概率,取值为0;
(3)模型学习阶段:经过数据准备阶和数据预处理阶段方可获得模型的待优化初始参数λ0,λ0=(π,A,B)。模型学习阶段采用前向后向算法不断地重新估计模型的参数λ0,经过多次迭代后得到模型的一个局部最优参数解从而为接下来模型解码阶段的实现提供重要保障具;体实现步骤如下:
(3.1)前向算法:设可观察状态时间序列O=(O1,O2,…,Ot),O代表一个车辆行驶过程中不同时刻的可观察状态(特征变量值),定义前向变量为:
αt(i)=P(O1,O2,…,Ot,Qt=qi|λ),1≤t≤T
式中:αt(i)——t时刻隐藏状态i的概率;
(3.1.1)开始
α1(i)=πib(O1),t=1
式中:b(O1)——初始时刻观测状态为O1的概率;
(3.1.2)递归
式中:αt+1(j)——t+1时刻状态为j的概率;
——隐藏状态为j时观测状态为Ot+1的概率;
(3.1.3)终结
(3.2)后向算法:定义的后向变量为:
βt(i)=P(Ot+1,Ot+2,…,OT|Qt=qi,λ),1≤t≤T-1
式中:βt(i)——t时刻i状态下t+1时刻到最后时刻的观察时间序列所发生的概率;
(3.2.1)开始
βT(i)=1,1≤i≤N
(3.2.2)递归
(3.2.3)终结
根据前向变量和后向变量的定义导出:
式中:εt(i,j)——在t时刻从状态i转移到状态j的概率;
同样推导得到t时刻马尔科夫链处于qi状态的概率为:
由此导出Baum-Welch算法的重估公式如下:
以上是模型学习阶段的理论介绍,下面将描述获得模型内部参数λ局部最优解的大致流程:
首先根据观测序列确定隐藏状态的数目N、观察值数目M,然后选取合适的初始模型λ0=(π0,A0,B0);再根据前向后向算法计算前向变量αt(i)和后向变量βt+1(j)计算εt(i,j)和εt(i);最后由3个重估公式以P(O|λ)最大为目标,以为收敛条件进行循环迭代从而得到模型内部参数λ的局部最优解。
(4)模型解码阶段:通过数据准备、数据预处理以及模型学习三个阶段得到模型内部参数λ的局部最优解。模型解码阶段在此基础上采用Viterbi算法,通过迭代得到每个汇入车辆的状态估计时间序列。Viterbi算法具体实现步骤如下:
(4.1)定义变量δt(i)
式中:δt(i)——在给定模型λ的条件下,沿着路径q1,q2,…,qt且Qt=qi时,输出观察序列O1,O2,…,Ot的最大概率;
(4.2)定义它表示t时刻Qi状态的前续状态号
(4.3)开始
δ1(i)=πibi(O1),1≤i≤N
(4.4)递归
(4.5)终结
式中:arg max——最大化后面公式的i值;
(4.6)最优估计状态序列
(5)结果处理阶段
(5.1)根据模型所估计的驾驶员行为状态时间序列以及原始轨迹数据集可以得到驾驶员何时发生状态转移,即汇入决策的时间起点、驾驶员行为状态转移的次数、状态转移所发生的位置坐标以及所对应的宏观和微观的交通流状态信息;
(5.2)统计所有车辆汇入主线的决策时刻进而得到决策时刻的分布,根据其分布划分不同类型的驾驶员,同时可得到不同类型驾驶员决策时刻点的期望值;
(5.3)通过绘制驾驶员状态转移空间分布图,发现驾驶员有变道意图的频发地点。
Claims (1)
1.一种高等级道路瓶颈区车辆汇入行为估计方法,其特征在于:该方法利用隐马尔科夫模型对驾驶员汇入过程中的决策情况进行估计,包括数据准备阶段、数据预处理阶段、模型学习阶段、模型解码阶段以及结果处理五个阶段,具体步骤如下:
(1)数据准备阶段:首先利用轨迹提取软件进行车辆轨迹数据的提取,然后确立影响汇入行为的交通流特性指标集;
(1.1)利用轨迹提取软件进行车辆轨迹数据的提取,车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标;
(1.2)确立影响汇入行为的交通流特性指标集C,所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆(前车、后车)的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆(前车、后车)的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆(前车、后车)的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D;
(2)数据预处理阶段:此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R,以及获得隐马尔科夫模型起初需要输入的3个初始矩阵;
(2.1)交通流特性指标集C的数据获取,根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度,以及车辆的位置坐标信息数据,通过间接计算获得空距、时距、速度差;
空距:某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长,单位m;
时距:当前时刻前后相邻两辆车之间的空距除以后车当前车速,单位s;
速度差:当前时刻前车的瞬时车速减去邻近后车的车速,单位m/s;
车长计算规则:小型车4.5m,中型车6.0m,大型车12.0m;
(2.2)汇入行为特征变量n的识别,采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选,得到影响汇入行为的特征变量;所述特征变量包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead,以及汇入车辆与目标车道后车间的速度差ΔVlag,特征变量n如下式:
n=(a,Slead,Tlead,Slag,ΔVlead,ΔVlag)
式中:a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
Tlead——汇入车辆与目标车道前车间的车头时距,单位为s;
Slag——汇入车辆与目标车道后车间的车头空距,单位为m;
ΔVlead——汇入车辆与目标车道前车间的速度差,单位为m/s;
ΔVlag——汇入车辆与目标车道后车间的速度差,单位为m/s;
(2.3)确定驾驶行为状态矩阵Q,所述状态包括瓶颈区入匝道车辆汇入主线的状态(汇入状态)和入匝道车辆沿加速车道正常行驶状态(非汇入状态);
Q={q1,q2}
式中:q1——入匝道车辆汇入状态,用数字1表示;
q2——入匝道车辆未汇入状态,用数字2表示;
(2.4)可观察状态集R的构建,步骤(2.2)得到的特征变量是六维的,各维变量均为连续型变量;由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理,故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为k类、l类、p类、s类、h类和z类;如上所述,最终得到元素个数为k×l×p×s×h×z的可观察状态集R,以两维特征向量(Slead,a)为例说明可观察状态集R的具体表达方式,其数学形式如下:
式中:Rij——可观察状态;
a——汇入车辆的加速度,单位为m/s2;
Slead——汇入车辆与目标车道前车间的车头空距,单位为m;
l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目;
k——汇入车辆的加速度a按照等区间划分的区间数目;
(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵,所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π;
状态转移概率矩阵A:状态转移概率矩阵反映的是入匝道车辆前一时刻状态确定的前提下,下一时刻是某种状态的概率;按照以上描述得到2×2的矩阵A,其数学形式如下:
aij=P(Qt=qj|Qt-1=qi),i,j=1or2
式中:aij——入匝道车辆从一种状态转移到另一种状态的概率;
a11——前一时刻是汇入状态,后一时刻为汇入状态的概率;
a12——前一时刻是汇入状态,后一时刻为非汇入状态的概率;
a21——前一时刻是非汇入状态,后一时刻为汇入状态的概率;
a22——前一时刻是非汇入状态,后一时刻为非汇入状态的概率;
观察值概率分布矩阵B:它反映入匝道车辆在某隐藏状态下(汇入或非汇入)被认为是某可观察状态的概率;仍以两维特征向量(Slead,a)为例说明观察值概率分布矩阵B的具体表达形式,其数学形式如下:
bij=P(Ot=Rij|Qt=qi),i=1or2,j=1,2,…,m
m=l*k
式中:bij——驾驶员在某一隐藏状态下被认为是某可观察状态的概率;
m——全部观察特征向量的划分数目,l和k的含义同上;
初始状态概率分布矩阵π:隐含状态(汇入与非汇入)在初始时刻t=1时的概率分布矩阵,其数学形式如下:
π={π1,π2}
π1=P0(Qt=1=q1)
π2=P0(Qt=1=q2)
式中:π1——初始时刻t=1时,入匝道车辆为汇入状态的概率;
π2——初始时刻t=1时,入匝道车辆为非汇入状态的概率;
(3)模型学习阶段:经过数据准备阶段和数据预处理阶段方可获得模型的待优化初始参数λ0,λ0=(π,A,B);模型学习阶段采用前向后向算法不断地重新估计模型的参数λ0,经过多次迭代后得到模型的一个局部最优参数解从而为接下来模型解码阶段的实现提供重要保障;具体实现步骤如下:
(3.1)前向算法:设可观察状态时间序列O=(O1,O2,…,Ot),O代表一个车辆行驶过程中不同时刻的可观察状态(特征变量值),定义前向变量为:
αt(i)=P(O1,O2,…,Ot,Qt=qi|λ),1≤t≤T
式中:αt(i)——t时刻隐藏状态i的概率;
(3.1.1)开始
α1(i)=πib(O1),t=1
式中:b(O1)——初始时刻观测状态为O1的概率;
(3.1.2)递归
式中:αt+1(j)——t+1时刻状态为j的概率;
——隐藏状态为j时观测状态为Ot+1的概率;
(3.1.3)终结
(3.2)后向算法:定义的后向变量为:
βt(i)=P(Ot+1,Ot+2,…,OT|Qt=qi,λ),1≤t≤T-1
式中:βt(i)——t时刻i状态下从t+1时刻到最后时刻的观察时间序列所发生的概率;
(3.2.1)开始
βT(i)=1,1≤i≤N
(3.2.2)递归
(3.2.3)终结
根据前向变量和后向变量的定义导出:
式中:εt(i,j)——在t时刻从状态i转移到状态j的概率;
同样推导得到t时刻马尔科夫链处于qi状态的概率为:
由此导出Baum-Welch算法的重估公式如下:
获得模型内部参数λ局部最优解的流程为:
首先根据观测序列确定隐藏状态的数目N、观察值数目M,然后选取合适的初始模型λ0=(π0,A0,B0) ;再根据前向后向算法计算前向变量αt(i)和后向变量βt+1(j)计算εt(i,j)和εt(i);最后由3个重估公式以P(O|λ)最大为目标,以为收敛条件进行循环迭代从而得到模型内部参数λ的局部最优解;
(4)模型解码阶段:模型解码阶段采用Viterbi算法,通过迭代得到每个汇入车辆的状态估计时间序列;Viterbi算法具体实现步骤如下:
(4.1)定义变量δt(i)
式中:δt(i)——在给定模型λ的条件下,沿着路径q1,q2,…,qt且Qt=qt时,输出观察序列O1,O2,…,Ot的最大概率;
(4.2)定义它表示t时刻Qi状态的前续状态号
(4.3)开始
δ1(i)=πibi(O1),1≤i≤N
(4.4)递归
(4.5)终结
式中:arg max——最大化后面公式的i值;
(4.6)最优估计状态序列
(5)结果处理阶段
(5.1)根据模型所估计的驾驶员行为状态时间序列以及原始轨迹数据集可以得到驾驶员何时发生状态转移,即汇入决策的时间起点、驾驶员行为状态转移的次数、状态转移所发生的位置坐标以及所对应的宏观和微观交通流状态信息;
(5.2)统计所有车辆汇入主线的决策时刻进而得到决策时刻的分布,根据其分布划分不同类型的驾驶员,同时可得到不同类型驾驶员决策时刻点的期望值;
(5.3)通过绘制驾驶员状态转移空间分布图,发现驾驶员有变道意图的频发地点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161496.5A CN104835319B (zh) | 2015-04-07 | 2015-04-07 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161496.5A CN104835319B (zh) | 2015-04-07 | 2015-04-07 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104835319A true CN104835319A (zh) | 2015-08-12 |
CN104835319B CN104835319B (zh) | 2017-02-22 |
Family
ID=53813179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510161496.5A Active CN104835319B (zh) | 2015-04-07 | 2015-04-07 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104835319B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN106997678A (zh) * | 2017-05-03 | 2017-08-01 | 同济大学 | 快速路出口匝道上游车载指路信息优化设计方法 |
CN107944624A (zh) * | 2017-11-17 | 2018-04-20 | 南京大学 | 一种基于隐马尔科夫模型的无人车路口驾驶决策方法 |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN109191868A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于连续地磁检测器的高速公路合流区车辆预警系统 |
CN109237011A (zh) * | 2018-09-11 | 2019-01-18 | 江苏大学 | 一种含有驾驶行为预测模型的自动变速箱换挡控制方法 |
CN109447182A (zh) * | 2018-11-19 | 2019-03-08 | 深圳市元征科技股份有限公司 | 基于hmm算法的驾驶行为分类方法和装置 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
US20200051428A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
CN110930697A (zh) * | 2019-11-12 | 2020-03-27 | 南京航空航天大学 | 一种基于规则的智能网联车辆协同汇入控制方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002024471A (ja) * | 2000-07-06 | 2002-01-25 | Railway Technical Res Inst | 交通機関利用状況推定システム及び交通機関利用状況推定方法 |
CN101299298A (zh) * | 2008-06-30 | 2008-11-05 | 上海电科智能系统股份有限公司 | 一种道路自适应入口匝道汇入控制设备与方法 |
CN102005122A (zh) * | 2010-11-23 | 2011-04-06 | 上海市城市建设设计研究院 | 多匝道调节方法及其系统 |
KR20140028801A (ko) * | 2012-08-30 | 2014-03-10 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
CN104103180A (zh) * | 2014-07-15 | 2014-10-15 | 同济大学 | 城市快速路入匝道与主线协同信号控制系统及方法 |
CN104464317A (zh) * | 2014-12-03 | 2015-03-25 | 武汉理工大学 | 高速公路入口匝道合流区引导控制系统和方法 |
-
2015
- 2015-04-07 CN CN201510161496.5A patent/CN104835319B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002024471A (ja) * | 2000-07-06 | 2002-01-25 | Railway Technical Res Inst | 交通機関利用状況推定システム及び交通機関利用状況推定方法 |
CN101299298A (zh) * | 2008-06-30 | 2008-11-05 | 上海电科智能系统股份有限公司 | 一种道路自适应入口匝道汇入控制设备与方法 |
CN102005122A (zh) * | 2010-11-23 | 2011-04-06 | 上海市城市建设设计研究院 | 多匝道调节方法及其系统 |
KR20140028801A (ko) * | 2012-08-30 | 2014-03-10 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
CN104103180A (zh) * | 2014-07-15 | 2014-10-15 | 同济大学 | 城市快速路入匝道与主线协同信号控制系统及方法 |
CN104464317A (zh) * | 2014-12-03 | 2015-03-25 | 武汉理工大学 | 高速公路入口匝道合流区引导控制系统和方法 |
Non-Patent Citations (2)
Title |
---|
刘兰 等: "城市快速路入口匝道速度控制研究", 《交通信息与安全》 * |
孙剑 等: "城市快速路瓶颈交通流失效生存分析", 《同济大学学报(自然科学版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846804B (zh) * | 2017-03-03 | 2018-04-20 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN106997678B (zh) * | 2017-05-03 | 2020-01-31 | 同济大学 | 快速路出口匝道上游车载指路信息优化设计方法 |
CN106997678A (zh) * | 2017-05-03 | 2017-08-01 | 同济大学 | 快速路出口匝道上游车载指路信息优化设计方法 |
CN107944624A (zh) * | 2017-11-17 | 2018-04-20 | 南京大学 | 一种基于隐马尔科夫模型的无人车路口驾驶决策方法 |
US11423774B2 (en) * | 2017-12-13 | 2022-08-23 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
US20200051428A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN108806252B (zh) * | 2018-06-19 | 2019-10-01 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN109237011A (zh) * | 2018-09-11 | 2019-01-18 | 江苏大学 | 一种含有驾驶行为预测模型的自动变速箱换挡控制方法 |
CN109191868A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于连续地磁检测器的高速公路合流区车辆预警系统 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
CN109447182A (zh) * | 2018-11-19 | 2019-03-08 | 深圳市元征科技股份有限公司 | 基于hmm算法的驾驶行为分类方法和装置 |
CN110930697A (zh) * | 2019-11-12 | 2020-03-27 | 南京航空航天大学 | 一种基于规则的智能网联车辆协同汇入控制方法 |
CN110930697B (zh) * | 2019-11-12 | 2021-05-25 | 南京航空航天大学 | 一种基于规则的智能网联车辆协同汇入控制方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104835319B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104835319A (zh) | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 | |
Yeon et al. | Ego-vehicle speed prediction using a long short-term memory based recurrent neural network | |
CN111079590B (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
Jin et al. | Driver intention recognition based on continuous hidden Markov model | |
CN101633358A (zh) | 具有集成驾驶风格识别的自适应车辆控制系统 | |
Li et al. | Development and evaluation of two learning-based personalized driver models for pure pursuit path-tracking behaviors | |
Wissing et al. | Probabilistic time-to-lane-change prediction on highways | |
CN112085077B (zh) | 车辆变道的确定方法、装置、存储介质和电子设备 | |
Shin et al. | Ego-vehicle speed prediction using fuzzy Markov chain with speed constraints | |
CN109658694A (zh) | 一种卷积神经网络高危车辆交通流预测方法和系统 | |
Gaikwad | Vehicle Velocity Prediction Using Artificial Neural Networks and Effect of Real-World Signals on Prediction Window | |
He et al. | Probabilistic intention prediction and trajectory generation based on dynamic bayesian networks | |
Benterki et al. | Long-term prediction of vehicle trajectory using recurrent neural networks | |
Zhang et al. | Multi-vehicle interaction scenarios generation with interpretable traffic primitives and gaussian process regression | |
CN114179830B (zh) | 一种自动驾驶车辆的自主超车方法和系统 | |
Pandita et al. | Preceding vehicle state prediction | |
Bi et al. | Inferring driver intentions using a driver model based on queuing network | |
Kurt et al. | A probabilistic model of a set of driving decisions | |
JP2022502646A (ja) | 自動車のための経路および/または軌道を計画するためのデバイス | |
Misawa et al. | Prediction of driving behavior based on sequence to sequence model with parametric bias | |
Wyder et al. | A Bayesian filter for modeling traffic at stop intersections | |
Oh et al. | Impact of traffic lights on trajectory forecasting of human-driven vehicles near signalized intersections | |
CN104809898A (zh) | 一种突发事件状态下的车辆换道诱导系统 | |
Yun et al. | Driving intentions identification based on continuous P-2D HMM | |
Li et al. | Vehicle lane-changes trajectory prediction model considering external parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |