CN106407563A - 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 - Google Patents

Abstract

本发明公开一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，利用聚类数据挖掘的方法，根据实际数据进行司机驾驶风格的划分，在全速度差模型的基础上引入个人预期效应，并进一步考虑了前车加速度信息对跟驰行为的影响，得到车辆跟驰模型。相比已有的车辆跟驰模型，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。

Description

一种基于驾驶类型和前车加速度信息的跟驰模型生成方法

技术领域

本发明属于智能交通领域，尤其涉及适用于交通仿真中的车辆决策模型，进一步涉及一种基于驾驶类型和前车加速度信息的跟驰模型生成方法。

背景技术

智能交通系统(ITS，Intelligent Transportation System)、驾驶员信息诱导系统、车辆自动智能巡航系统(Autonomous Intelligent Cruise Control System)和无人驾驶汽车的兴起进一步促进了各国学者对车辆跟驰行为的热切关注。车辆跟驰理论是运用动力学方法研究在限制超车的单车道上，行驶车队中前车速度的变化引起的后车反应，以及后车跟随车队行驶的状态，并用数学模型加以分析阐明的一种理论。跟驰模型研究的重要应用是进行交通模拟，可以从微观层次上对车辆间的交互关系进行探讨，对前后车的碰撞机理和影响因素进行科学的研究与分析，减少交通事故的发生。

2001年，姜锐等人在OV模型的基础上进一步考虑了正负速度差对车辆动力学的影响，提出了全速度差模型：

其中,a、λ为灵敏度系数；x_n(t)和v_n(t)为第n辆车的位置和速度；Δx_n(t)＝x_n+1(t)-x_n(t)表示前车与后车的车间距；Δv_n(t)＝v_n+1(t)-v_n(t)表示前车与后车的速度差；V(Δx_n(t))为优化速度函数，该模型采用如下的优化速度函数：

V(Δx)＝V₁+V₂tanh[C₁(Δx-l_c)-C₂] (2)

其中，a＝0.85s^-1，V₁＝6.75m/s，V₂＝6.75m/s，C₁＝0.13m^-1，C₂＝1.57，l_c＝5m。

此后，在全速度差模型的基础上，众多学者相继提出了多种改进的车辆跟驰模型。唐铁桥等基于标定的速度车间距函数，提出了考虑路况和车载通讯的跟驰模型。Gong等在FVD模型的基础上，提出了考虑车辆加减速过程不对称的全速度差模型。Zheng等人在FVD模型的基础上，提出了考虑驾驶员期望驾驶行为的跟驰模型。葛红霞等基于智能交通系统背景，提出了考虑两项速度差的跟驰模型。彭光含等在考虑多种影响驾驶员调整最优速度因素的基础上，提出了一系列改进型FVD模型。孙棣华等基于全速度差模型，在考虑后车对前车跟车行为影响的基础上，提出了具有后视效应和速度差的车辆跟驰模型。王涛等基于FVD模型提出了考虑多辆前车的速度差对后车跟驰行为影响的多速度差模型(MVDM)，并与FVD模型比较后发现MVD模型的交通流稳定区域显著增大。

但是这些模型，大多是针对驾驶员的平均驾驶风格而没有考虑到个人的驾驶风格。在现实交通流中，由于驾驶者的年龄，身体素质，反应灵敏度，驾驶技巧等个人差异，会造成跟驰行为的差异。许多学者在研究跟驰模型与换道模型过程中，发现驾驶员在跟驰和换道过程中表现出了延迟性、非精确性和预测特性。延迟性表现在驾驶员从接受刺激到做出反应要有一个反应时间和车辆机械操作系统的延迟时间。非精确性体现在驾驶员无法完全准确的判断出前车速度、前后车之间的相对距离，相邻车道车辆的位置及速度的精确值。预测特性体现在驾驶者会根据最紧邻前车的前车的刹车等行为在最紧邻前车刹车前及时的进行刹车。尽管这样，在跟驰过程中，驾驶员经常能以小于驾驶员反应时间的车头时距安全行驶，稳态交通流的车头时距通常在1.25s，有时甚至会小于1s。这说明驾驶员在跟驰过程中对周围车辆的运行状态进行了准确的预测，补偿了判断的非精确性。由于驾驶员在驾驶过程中表现出的这些心理-生理活动的不确定性和复杂性，完全一致的数学模型难以准确的描述所有驾驶者跟驰和自由换道现象。近两年有极少量考虑驾驶员类型的跟驰模型被提出，例如：在2016年，彭光含等人基于FVDM进一步考虑了个人驾驶风格，人为主观的将驾驶类型分为激进型和胆小型两种类型，通过两种类型的线性组合，得到不同的个人驾驶风格：

其中，α₁、α₂表示激进型和胆小型驾驶者对于周围交通状况的预测能力系数，τ为反应延时，0≤p≤1表示两种驾驶特质对于驾驶者整体驾驶风格的影响系数。

然而，这种简单的人为主观的驾驶类型的分类并没有从实际交通轨迹数据出发，缺乏事实依据，故无法准确的描述实际交通流中的驾驶特性。

另外，现有的基于全速度差模型改进的跟驰模型都没有考虑前导车的加速度信息对跟驰模型的影响，而在实际交通流中，跟随车辆驾驶员往往会根据前导车的加减速行为调整自身车辆的行驶状态。

目前常用的车辆跟驰模型没有考虑实际交通流中不同驾驶者表现出的驾驶特性，并且基于FVDM改进的跟驰模型都没有考虑前车加速度信息对于车辆跟驰模型的影响。

发明内容

本发明要解决的技术问题是，提供一种基于驾驶风格和前车加速度的车辆跟驰模型生成方法，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。

为实现上述目的，本发明采用如下的技术方案：

一种基于驾驶类型和前车加速度信息的跟驰模型生成方法包括以下步骤：

步骤S1、将获取的前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X-means的聚类，得到三种类型的交通轨迹数据，所述第一类聚类结果为正常型，第二类聚类结果为激进型，第三类聚类结果为保守型；

步骤S2、根据不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，得到跟驰模型，即，

其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ₁，σ₂，σ₃是三种类型的驾驶风格对于车距的预期效应系数，μ₁，μ₂，μ₃是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；a_n+1(t)表示第n+1辆车即前导车在t时刻的加速度；当σ₁＝σ₂＝σ₃＝μ₁＝μ₂＝μ₃＝k＝0时，模型退化为全速度差模型，利用泰勒展开式并忽略非线性部分，得到如下式子：

其中，Δa_n(t)＝a_n+1(t)-a_n(t)，表示前导车第n+1辆车与跟驰车辆第n辆车的加速度差，a_n(t)表示第n辆车的加速度；

基于公式(5)，推导出如下的优化速度函数：

V(Δx_n(t+στ))＝V(Δx_n(t)+στΔv_n(t))＝V(Δx_n(t))+Δv_n(t)στV'(Δx_n(t))

因此，所述跟驰模型简化为：

作为优选，第一类驾驶类型的五个特征向量取值均大于其他两类，其中平均加速度取值明显大于第二类和第三类驾驶类型，即第一类驾驶类型的前车加速度要远大于其跟随车辆的加速度；第二种类型的前车平均加速度和观察车辆平均加速度均大于第三类，第三类的车辆平均加速度明显低于其余两类；第一种驾驶类型跟随车辆速度稍小于前车速度，而另外两种类型中跟随车辆速度明显大于前车速度；第一类和第二类的跟随车辆平均加速度大于前车平均加速度，而第三种类型中前车平均加速度明显大于跟随车平均加速度。

本发明利用聚类数据挖掘的方法，根据实际数据进行司机驾驶风格的划分，在全速度差模型的基础上引入个人预期效应，并进一步考虑了前车加速度信息对跟驰行为的影响，得到车辆跟驰模型。相比已有的车辆跟驰模型，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。

附图说明

图1为三种驾驶类型特征向量值雷达分布图；

图2为三种驾驶类型的前后车辆关系

图3为全速度差模型速度分布曲线(λ＝0.45)

图4为本发明的模型的速度分布曲线(λ＝0.45)

图5为FVD模型速度分布曲线(λ＝0.45)

图6为本发明模型的速度分布曲线(λ＝0.45)

图7为考虑驾驶类型和前车加速度的模型速度分布图。

具体实施方式

本发明实施例提供一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，已有的基于FVDM改进的车辆跟驰模型都没有从实际交通数据出发去考虑不同类型的驾驶风格，并且都没有考虑前导车加速度信息对跟驰模型的影响，本发明利用聚类方法进行驾驶类型的划分，克服了基于传统方法引入驾驶类型的跟驰模型中只考虑显性因素的缺点，可以有效地、深层次地分析处理海量交通信息，挖掘大量交通数据中隐含的、还未被大家发觉的有用的知识。

在本发明中，利用X-means聚类分析方法，以目标车辆速度、加速度，前导车速度、加速度以及车距为特征向量，对实际交通轨迹数据进行驾驶类型的划分，采用的实际交通轨迹数据为NGSIM(the Next Generation Simulation program)项目采集的I-80路段车辆轨迹数据集，本发明对I-80路段的轨迹数据进行筛选，将无前车、不存在上一帧或下一帧数据以及跟车间距大于500m、跟车时距大于100s，即明显不处于有效的跟车状态的记录删去，得到有效的数据约150万项，选取前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X-means的聚类，得到三种类型的交通轨迹数据，聚类结果如表1所示，

表1 X-means聚类结果

三种驾驶类型的特征向量值的分布如图1所示。特别地，为了使实验结果更加直观，图1对五项特征值进行了一些处理，平均车辆加速度值都为实际值乘以10倍，平均前车加速度值都为实际值乘以100倍。由图1可知，第一类驾驶类型的五个特征向量取值均大于其他两类，其中平均加速度取值明显大于第二类和第三类驾驶类型，即第一类驾驶类型的前车加速度要远大于其跟随车辆的加速度；第二种类型的前车平均加速度和观察车辆平均加速度均大于第三类，第三类的车辆平均加速度明显低于其余两类。图2所示为三种类型前后车辆速度差，加速度差以及车距的分布，从图2中可以看出，三种类型的车距相差无几，根据平均速度差可知，第一种驾驶类型跟随车辆速度稍小于前车速度，而另外两种类型中跟随车辆速度明显大于前车速度；根据平均加速度差可知，第一类和第二类的跟随车辆平均加速度大于前车平均加速度，而第三种类型中前车平均加速度明显大于跟随车平均加速度。根据车辆的平均速度差和平均加速度差，将第一类聚类结果标记为正常型，第二类聚类结果标记为激进型，第三类聚类结果标记为保守型。

本发明在前文所述的全速度差模型的基础上，进一步考虑了不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，提出了如下跟驰模型：

其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ₁，σ₂，σ₃是三种类型的驾驶风格对于车距的预期效应系数，μ₁，μ₂，μ₃是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；a_n+1(t)表示第n+1辆车即前导车在t时刻的加速度；这里仍然采用与全速度差模型相同的优化速度函数。当σ₁＝σ₂＝σ₃＝μ₁＝μ₂＝μ₃＝k＝0时，模型退化为全速度差模型。为了简化计算，利用泰勒展开式并忽略非线性部分，得到如下式子：

其中，Δa_n(t)＝a_n+1(t)-a_n(t)，表示前导车第n+1辆车与跟驰车辆第n辆车的加速度差，a_n(t)表示第n辆车的加速度。基于公式(5)，可以推导出如下的优化速度函数：

V(Δx_n(t+στ))＝V(Δx_n(t)+στΔv_n(t))＝V(Δx_n(t))+Δv_n(t)στV'(Δx_n(t)) (7)

因此，公式(4)可以化简为：

本发明中的提议已经被整合到交通仿真系统中，并且取得了明显的优化效果。其中，车流的稳定性是衡量车辆跟驰模型性能的重要指标，本发明通过数值仿真方法，分析驾驶类型和前车加速度信息对交通流稳定性的影响。在启动过程的对比仿真中，研究了新模型在黄灯转向绿灯的交通信号灯环境下的车辆启动情况，基于已有文献中普遍采用的仿真环境模拟静止车队的启动过程：模型参数a＝0.41s^-1；在t＜0时，交通信号为红灯；初始时刻，11辆车排成一队，每辆车的初始位置为x_n(0)＝(n-1)d，其中，n＝1,...,11，d＝7.4m；所有车辆初始状态都处于静止状态，即v_n(0)＝0；在t＝0时，红灯转绿，车辆开始启动。其他边界条件：对于头车n＝11，其最优速度函数V₁₁(∞)＝14.66m·s^-1，对于跟随车，V_n(7.4)＝0。为了与全速度差模型进行对比分析，对2个模型设置相同的参数值。11辆车的全速度差模型的启动过程的模拟结果如图4所示，新模型的启动过程的模拟结果如图5所示，为了表示驾驶者的个体差异，代表两种不同驾驶类型的权系数α，β为服从均值为0.3，标准差为0.1的正态分布的随机值。根据速度分布曲线可以看出，全速度差模型的车辆启动过程中，11辆车的速度—时间曲线的变化趋势几乎一致，而在实际交通流中，由于驾驶者的年龄，驾驶熟练度，身体健康度，反应灵敏度等因素，其对周围交通环境的预期效应通常是有差异的，由此看来，全速度差模型并不能很好的描述实际交通流状态。而根据图5所示的新模型的速度分布曲线图可以看出，11辆车的速度—时间曲线图的变化趋势有所差异，更加符合实际交通状况。停止过程的仿真环境的参数设置与启动过程一样，唯一不同之处在于现在假设在800米处有一处红灯，车辆必须刹车。所以，对于头车n＝11而言，它的车间距为Δx₁₁(0)＝800-x₁₁。11辆车的全速度差模型的停止过程的仿真结果如图6所示，新模型的仿真结果如图7所示。同样，从图6和图7可以看出，11辆车的全速度差模型的停止过程的速度分布曲线变化趋势几乎没有差异，而新模型的速度分布曲线的变化趋势有所不同，更加符合在实际交通流中因驾驶者的个体差异所造成的停止过程的速度变化趋势的差异。

为了更加直观的分析驾驶者的个人风格和前导车加速度信息对车流稳定性的影响，本发明通过数值模拟实验验证新模型的演化过程。假设周期边界条件为：道路总长度L＝1500m，车辆数N＝100，车流在稳定状态下的车距h＝L/N＝15m，对头车施加小扰动1m，敏感系数a＝0.41s^-1，车辆的初始速度位置及扰动设置如下：

x₁(0)＝1m,

x_n(0)＝(n-1)L/N,n＝2,3,...,N (9)

1000s时100辆车的车速波动情况如图7所示，从图7可以看出，同时考虑驾驶类型和前车加速度信息对车流的稳定性有着极大地积极作用。

Claims (2)

1.一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，其特征在于，包括以下步骤：

步骤S1、将获取的前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X-means的聚类，得到三种类型的交通轨迹数据，所述第一类聚类结果为正常型，第二类聚类结果为激进型，第三类聚类结果为保守型；

步骤S2、根据不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，得到跟驰模型，即，

$\begin{array}{c}\frac{{\mathrm{dv}}_n\left(t\right)}{dt}=a\[\mathrm{\α}V\left({\mathrm{\Δx}}_n\right(t+{\mathrm{\σ}}_1\mathrm{\τ}\left)\right)+\mathrm{\β}V\left({\mathrm{\Δx}}_n\right(t+{\mathrm{\σ}}_2\mathrm{\τ}\left)\right)+(1-\mathrm{\α}-\mathrm{\β})V\left({\mathrm{\Δx}}_n\right(t+{\mathrm{\σ}}_3\mathrm{\τ}\left)\right)-v_n\left(t\right)\]+\\ \mathrm{\λ}\[{\mathrm{\α\Δv}}_n(t+{\mathrm{\μ}}_1\mathrm{\τ})+{\mathrm{\β\Δv}}_n(t+{\mathrm{\μ}}_2\mathrm{\τ})+(1-\mathrm{\α}-\mathrm{\β}){\mathrm{\Δv}}_n(t+{\mathrm{\μ}}_3\mathrm{\τ})\]+{\mathrm{ka}}_{n+1}\left(t\right)\end{array}$

其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ₁，σ₂，σ₃是三种类型的驾驶风格对于车距的预期效应系数，μ₁，μ₂，μ₃是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；a_n+1(t)表示第n+1辆车即前导车在t时刻的加速度；当σ₁＝σ₂＝σ₃＝μ₁＝μ₂＝μ₃＝k＝0时，模型退化为全速度差模型，利用泰勒展开式并忽略非线性部分，得到如下式子：

${\mathrm{\Δx}}_n(t+\mathrm{\σ}\mathrm{\τ})={\mathrm{\Δx}}_n\left(t\right)+\mathrm{\σ}\mathrm{\τ}\frac{{\mathrm{d\Δx}}_n\left(t\right)}{dt}={\mathrm{\Δx}}_n\left(t\right)+{\mathrm{\σ\τv}}_n\left(t\right)---\left(5\right)$

${\mathrm{\Δv}}_n(t+\mathrm{\μ}\mathrm{\τ})={\mathrm{\Δv}}_n\left(t\right)+\mathrm{\μ}\mathrm{\τ}\frac{{\mathrm{d\Δv}}_n\left(t\right)}{dt}={\mathrm{\Δv}}_n\left(t\right)+{\mathrm{\μ\τa}}_n\left(t\right)$

其中，Δa_n(t)＝a_n+1(t)-a_n(t)，表示前导车第n+1辆车与跟驰车辆第n辆车的加速度差，a_n(t)表示第n辆车的加速度；

基于公式(5)，推导出如下的优化速度函数：

V(Δx_n(t+στ))＝V(Δx_n(t)+στΔv_n(t))＝V(Δx_n(t))+Δv_n(t)στV'(Δx_n(t))因此，所述跟驰模型简化为：

$\begin{array}{c}\frac{{\mathrm{dv}}_n\left(t\right)}{dt}=a\[V\left({\mathrm{\Δx}}_n\right(t\left)\right)+{\mathrm{\τV}}^{\′}\left({\mathrm{\Δx}}_n\right(t\left)\right){\mathrm{\Δv}}_n\left(t\right)({\mathrm{\σ}}_1\mathrm{\α}+{\mathrm{\σ}}_2\mathrm{\β}+(1-\mathrm{\α}-\mathrm{\β}\left){\mathrm{\σ}}_3\right)-v_n\left(t\right)\]+\\ \mathrm{\λ}\[{\mathrm{\Δv}}_n\left(t\right)+{\mathrm{\τ\Δa}}_n\left(t\right)({\mathrm{\μ}}_1\mathrm{\α}+{\mathrm{\μ}}_2\mathrm{\β}+(1-\mathrm{\α}-\mathrm{\β}){\mathrm{\μ}}_3)\]+{\mathrm{ka}}_{n+1}\left(t\right)\end{array}$

2.如权利要求1所述的基于驾驶类型和前车加速度信息的跟驰模型生成方法，其特征在于，第一类驾驶类型的五个特征向量取值均大于其他两类，其中平均加速度取值明显大于第二类和第三类驾驶类型，即第一类驾驶类型的前车加速度要远大于其跟随车辆的加速度；第二种类型的前车平均加速度和观察车辆平均加速度均大于第三类，第三类的车辆平均加速度明显低于其余两类；第一种驾驶类型跟随车辆速度稍小于前车速度，而另外两种类型中跟随车辆速度明显大于前车速度；第一类和第二类的跟随车辆平均加速度大于前车平均加速度，而第三种类型中前车平均加速度明显大于跟随车平均加速度。