CN109583081B - 一种车辆行驶速度预测模型构建方法 - Google Patents

一种车辆行驶速度预测模型构建方法 Download PDF

Info

Publication number
CN109583081B
CN109583081B CN201811443853.7A CN201811443853A CN109583081B CN 109583081 B CN109583081 B CN 109583081B CN 201811443853 A CN201811443853 A CN 201811443853A CN 109583081 B CN109583081 B CN 109583081B
Authority
CN
China
Prior art keywords
speed
speed data
max
prediction model
parameter
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.)
Active
Application number
CN201811443853.7A
Other languages
English (en)
Other versions
CN109583081A (zh
Inventor
汤天培
周溪召
朱森来
曹阳
施佺
舒仕杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN201811443853.7A priority Critical patent/CN109583081B/zh
Publication of CN109583081A publication Critical patent/CN109583081A/zh
Application granted granted Critical
Publication of CN109583081B publication Critical patent/CN109583081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种车辆行驶速度预测模型构建方法，包括：获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据，得到速度数据集合；对速度数据集合中异常速度数据进行筛除，得到速度数据集合；以速度数据集合中每个速度数据为多元线性回归模型的因变量，以影响速度的公路几何线形参数为解释变量，将每一个因变量与解释变量进行拟合，移除显著性水平大于预设显著度阈值的解释变量，建立速度参数与解释变量的数学关系，得到速度参数预测模型。

Description

一种车辆行驶速度预测模型构建方法
技术领域
本发明涉及目标车辆速度预测技术领域，尤其涉及一种车辆行驶速度预测模型构建方法。
背景技术
现有研究构建的小客车速度预测模型，都是假设速度在平曲线上为常量，减速行为发生在驶入平曲线之前，加速行为发生在驶离平曲线之后。同时，现有的公路线形设计标准也做了同上的假设。在该假设基础上，点速度(瞬时速度)在平曲线中点和切线前中点位置采集，由此构建运行速度模型。
然而，这种速度预测模型存在一定的片面性。因为速度没有在减速或加速的开始点和结束点采集，不能真实描述驾驶员的驾驶行为。而且减速和加速距离也比较难获取，导致无法采集准确的加速度和减速度。为了克服上述数据采集方法的不足，以及速度预测模型构建思路的问题，提出一种客观描述驾驶员驾驶行为，没有预先假设条件的公路小客车速度相关参数的预测方法。
发明内容
基于背景技术存在的技术问题，本发明提出了一种车辆行驶速度预测模型构建方法；
本发明提出的一种车辆行驶速度预测模型构建方法，包括：
S1、获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据，得到速度数据集合；
S2、以速度数据集合中每个速度数据为多元线性回归模型的因变量，以影响速度的公路几何线形参数为解释变量，将每一个因变量与解释变量进行拟合，移除显著性水平大于预设显著度阈值的解释变量，建立速度参数与解释变量的数学关系，得到速度参数预测模型。
优选地，步骤S1中，所述速度数据集合，具体包括：
速度数据集合中速度数据包括85％位平曲线运行车速V85c、85％位直线段运行车速V85l、85％位加速度a85、85％位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep。
优选地，步骤S2中，所述影响速度的公路几何线形参数，具体包括：
直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess。
优选地，步骤S2，将每一个因变量与解释变量进行拟合过程中，还包括：
将最高/最低速度Vmax/Vmin作为约束条件；
当V85c≥Vmax时，V85c＝Vmax；当V85c≤Vmin时，V85c＝Vmin；
当Vmin＜V85c＜Vmax时，V85c取预测值；
当V85l≥Vmax时，V85l＝Vmax；
当V85l≤Vmin时，V85l＝Vmin；
当Vmin＜V85l＜Vmax时，V85l取预测值。
优选地，步骤S2中，所述速度参数预测模型，具体包括：
其中，DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数，αi(i＝1,2,…12)为解释变量的回归系数，β为常数项。
优选地，步骤S1，还包括：对速度数据集合中异常速度数据进行筛除。
本发明在选定的目标公路上，由多位驾驶员驾驶目标车辆，采集运行速度、加速度和减速度等数据，以公路几何线形参数为解释变量，建立数学预测模型，最终得到速度参数预测模型，本发明克服了现有技术中数据采集方法的不足，以及速度预测模型构建思路的问题，提出一种准确描述驾驶员驾驶行为，可以准确、高效的预测新建或改造公路的运行速度等相关速度指标，可作为评价公路项目安全性评价的重要依据。
附图说明
图1为本发明提出的一种车辆行驶速度预测模型构建方法的流程示意图；
图2为本发明的实施例中不同等级公路小客车的最高/最低速度示意图。
具体实施方式
参照图1，本发明提出的一种车辆行驶速度预测模型构建方法，包括：
步骤S1，获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据，得到速度数据集合。
本步骤中速度数据集合具体包括：速度数据集合中速度数据包括85％位平曲线运行车速V85c、85％位直线段运行车速V85l、85％位加速度a85、85％位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep。
在具体方案中，选择N位驾驶员，为确保速度数据采集的代表性和可靠性，驾驶员为男性驾驶员和女性驾驶员比例各半，年龄范围涵盖20-70岁，年龄符合正态分布，驾龄至少2年以上，且行驶里程总计大于10000公里；
目标车辆为普通小汽车，车内安装连续测速仪，用于采集实时车速，在目标车辆顶部安装一个差分GPS天线，以10Hz的频率采集定位数据，在目标车辆头部和尾部安装测距雷达，采集车头时距数据，目标车辆内部在制动踏板、油门踏板和离合器踏板上安装电位器，采集驾驶员操作踏板的行为和时刻，所有的车内和车外设备尽量做好隐蔽工作，以减少对驾驶员和外部目标车辆的影响。
由于考虑目标车辆速度与公路几何线形的关系，因此仅采集自由流状态下的数据，选择交通流状态大部分时段为自由流的等级公路，且包含20个以上直线段，20个以上平曲线公路。
进一步的，为确保采集自然驾驶过程的数据，时间为可视性良好的白天，天气晴好，在获取速度数据之前，选择与目标公路临近的公路进行预实验，保证驾驶人对目标车辆驾驶的熟悉，以提高速度数据的自然性和真实性；每辆目标车辆提供一名研究人员，坐在副驾驶位置，提供路线导航，并同时做好数据采集和操作工作。
在整理的数据基础上，可计算获得的速度数据类型有：85％位平曲线运行车速V85c(km/h)、85％位直线段运行车速V85l(km/h)、85％位加速度a85(m/s2)、85％位减速度d85(m/s2)、平曲线运行速度保持不变的开始点位置距离Lsp(km)(距离平曲线起点的长度)、平曲线运行速度保持不变的结束点位置距离Lep(km)(距离平曲线起点的长度)。
85％位平曲线运行车速V85c(km/h)，统计采集的不同驾驶人同一平曲线的运行车速，形成累计速度频率曲线，累计频率为85％时对应的速度，即实验的全部车辆中有85％未达到的速度；85％位直线段运行车速V85l(km/h)，统计采集的不同驾驶人同一直线段的运行车速，形成累计速度频率曲线，累计频率为85％时对应的速度，即实验的全部车辆中有85％未达到的速度；85％位加速度a85(m/s2)，统计采集的不同驾驶人同一路段的运行加速度，形成累计加速度频率曲线，累计频率为85％时对应的加速度，即实验的全部车辆中有85％未达到的加速度；85％位减速度d85(m/s2)，统计采集的不同驾驶人同一路段的运行减速度，形成累计减速度频率曲线，累计频率为85％时对应的减速度，即实验的全部车辆中有85％未达到的减速度；平曲线运行速度保持不变的开始点位置距离Lsp(km)，根据车内制动踏板、油门踏板和离合器踏板上电位器采集的数据，判断车辆进入同一平曲线后运行速度保持不变的开始点位置；平曲线运行速度保持不变的结束点位置距离Lep(km)，根据车内制动踏板、油门踏板和离合器踏板上电位器采集的数据，判断车辆进入同一平曲线后运行速度保持不变的结束点位置。以上参数为预测对象，即为多元线性回归模型的因变量。
本步骤还包括：对速度数据集合中异常速度数据进行筛除。
在具体方案中，考虑小客车速度与公路几何线形的关系，因此仅分析自由流状态下的数据，如果雷达采集的车头时距小于8秒，表明目标车辆未在自由流状态下行驶，该目标车辆在行驶过程中采集的速度数据为异常速度数据，从速度数据集合中筛除该异常速度数据。
步骤S2，以速度数据集合中每个速度数据为多元线性回归模型的因变量，以影响速度的公路几何线形参数为解释变量，将每一个因变量与解释变量进行拟合，移除显著性水平大于预设显著度阈值的解释变量，建立速度参数与解释变量的数学关系，得到速度参数预测模型。
本步骤中影响速度的公路几何线形参数具体包括：直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess。
本步骤中，将每一个因变量与解释变量进行拟合过程中，将最高/最低速度Vmax/Vmin作为约束条件；
当V85c≥Vmax时，V85c＝Vmax；当V85c≤Vmin时，V85c＝Vmin；
当Vmin＜V85c＜Vmax时，V85c取预测值；
当V85l≥Vmax时，V85l＝Vmax；
当V85l≤Vmin时，V85l＝Vmin；
当Vmin＜V85l＜Vmax时，V85l取预测值。
本步骤中，所述速度参数预测模型，具体包括：
其中，DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数，αi(i＝1,2,…12)为解释变量的回归系数，β为常数项。
在具体方案中，确定影响速度的公路几何线形参数。主要包括直线段长度Ll(km)、平曲线长度Lc(km)、缓和曲线长度Ltc(km)、平曲线曲率1/R(1/km)、上坡坡度Gu(％)、下坡坡度Gd(％)、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel(km/km)、桥梁密度 Nbridge(km/km)、交叉口密度Ncross(个/km)、接入口密度Naccess(个/km)。以上参数为多元线性回归模型的解释变量，参数值均可以从公路设计文件或实地勘测获取。
具体的，采用多元线性回归模型进行速度模型构建，以目标车辆采集的参数为多元线性回归模型的因变量，以公路几何线形参数为解释变量，采用SPSS 软件进行多元线性回归分析，针对每个因变量与解释变量进行拟合分析，移除显著性水平P大于0.05(预设显著度阈值)的解释变量，建立速度参数与解释变量的数学关系，由此分别得到速度参数预测模型。
实施例：
选择的实验公路为一条二级公路，双向四车道，设计速度为60km/h，单车道宽度3.75m，实验里程32km，共计平曲线26个、直线路段31个。主要的公路几何参数包括：平均平曲线长度322.47m、平均平曲线半径824.26m、平均直线段长度857.29m平均纵坡5.65％。
由30个实验驾驶人驾驶实验车辆分别在实验公路路线行驶，采集相关数据。共采集得直线段个体驾驶速度数据930个，平曲线个体驾驶速度数据780个。采用SPSS软件进行多元线性回归分析，建立速度参数与解释变量的数学关系，当参数的置信水平小于0.05，置信度达到95％，相关系数R2分别为0.822、0.791、 0.661、0.608、0.712、0.658，由此分别得到速度参数预测模型：
V85l＝110.256+2.114Lt-4.972Gu+5.631Gd-20.582Ntunnel-15.667Nbridge-6.648Ncross-6.764Naccess
由于小客车在实际的公路行驶中，车辆的运行速度不可能无限的增长或降低。因此，将最高/最低速度(Vmax/Vmin)作为约束条件，根据《公路项目安全性评价规范》关于设计速度(Vd)与运行速度协调性的规定，同一路段设计速度和运行速度差值大于20km/h时协调性差。
如图2所示，根据实测数据，确定的小客车最高/最低速度(Vmax/Vmin)值：
当V85c≥Vmax时，V85c＝Vmax；
当V85c≤Vmin时，V85c＝Vmin；
当Vmin＜V85c＜Vmax时，V85c取预测值；
当V85l≥Vmax时，V85l＝Vmax；
当V85l≤Vmin时，V85l＝Vmin；
当Vmin＜V85l＜Vmax时，V85l取预测值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种车辆行驶速度预测模型构建方法，其特征在于，包括：
S1、获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据，得到速度数据集合；
S2、以速度数据集合中每个速度数据为多元线性回归模型的因变量，以影响速度的公路几何线形参数为解释变量，将每一个因变量与解释变量进行拟合，移除显著性水平大于预设显著度阈值的解释变量，建立速度参数与解释变量的数学关系，得到速度参数预测模型；
步骤S2中，所述影响速度的公路几何线形参数，具体为：
直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess；
步骤S2，将每一个因变量与解释变量进行拟合过程中，还包括：
将最高/最低速度Vmax/Vmin作为约束条件；
当V85c＞Vmax时，V85c＝Vmax；当V85c≤Vmin时，V85c＝Vmin；当Vmin＜V85c＜Vmax时，V85c取预测值；
当V85l＞Vmax时，V85l＝Vmax；当V85l≤Vmin时，V85l＝Vmin；当Vmin＜V85l＜Vmax时，V85l取预测值；
步骤S2中，所述速度参数预测模型，具体包括：
其中，DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数，αi(i＝1,2,...12)为解释变量的回归系数，β为常数项；
步骤S1中，所述速度数据集合，具体包括：
速度数据集合中速度数据包括85％位平曲线运行车速V85c、85％位直线段运行车速V85l、85％位加速度a85、85％位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep；
采用SPSS软件进行多元线性回归分析，建立速度参数与解释变量的数学关系，当参数的置信水平小于0.05，相关系数为0.822、0.791、0.661、0.608、0.712、0.658中的一种，由此分别得到速度参数预测模型：
V85l＝110.256+2.114Lt-4.972Gu+5.631Gd-20.582Ntunnel-15.667Nbridge-6.648Ncross-6.764Naccess
根据《公路项目安全性评价规范》关于设计速度(Vd)与运行速度协调性的规定，同一路段设计速度和运行速度差值大于20km/h时协调性差，确定的小客车最高/最低速度(Vmax/Vmin)值。
2.根据权利要求1所述的车辆行驶速度预测模型构建方法，其特征在于，步骤S1，还包括：对速度数据集合中异常速度数据进行筛除。
CN201811443853.7A 2018-11-29 2018-11-29 一种车辆行驶速度预测模型构建方法 Active CN109583081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811443853.7A CN109583081B (zh) 2018-11-29 2018-11-29 一种车辆行驶速度预测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811443853.7A CN109583081B (zh) 2018-11-29 2018-11-29 一种车辆行驶速度预测模型构建方法

Publications (2)

Publication Number Publication Date
CN109583081A CN109583081A (zh) 2019-04-05
CN109583081B true CN109583081B (zh) 2024-01-02

Family

ID=65925631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811443853.7A Active CN109583081B (zh) 2018-11-29 2018-11-29 一种车辆行驶速度预测模型构建方法

Country Status (1)

Country Link
CN (1) CN109583081B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393011B (zh) * 2020-03-13 2024-05-10 百度在线网络技术（北京）有限公司 预测限速信息的方法、装置、计算机设备和介质
CN112307905B (zh) * 2020-09-30 2023-03-17 采埃孚商用车系统(青岛)有限公司 一种用于车辆预测控制的道路坡度自学习方法及系统
CN114037268B (zh) * 2021-11-08 2022-08-19 哈尔滨工业大学 一种适用于设计阶段的高速公路事前安全性评价系统
CN115063986B (zh) * 2022-04-13 2023-04-28 石家庄铁道大学 隧道出口安全车速计算方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9555811B2 (en) * 2011-10-28 2017-01-31 Thinkware Corporation Method and apparatus for providing analysis index of roadway section based on road and traffic conditions

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
山区低等级公路改扩建工程小半径曲线段安全措施与效果分析;程明;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20130615;第2013卷(第6期);全文 *

Also Published As

Publication number Publication date
CN109583081A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109583081B (zh) 一种车辆行驶速度预测模型构建方法
Bokare et al. Acceleration-deceleration behaviour of various vehicle types
EP2710572B1 (en) Vehicle data analysis method and vehicle data analysis system
Xu et al. An experimental study on lateral acceleration of cars in different environments in Sichuan, Southwest China
CN104527647B (zh) 一种驾驶行为危险度的监测评估方法
DE102013214328B4 (de) Fahrzeugverhaltensvorhersagevorrichtung und Fahrzeugsverhaltensvorhersageverfahren
US8478499B2 (en) System and method for vehicle speed monitoring using historical speed data
DE102013222634B4 (de) Verfahren zur Prognostizierung eines Fahrbahn-Reibungsbeiwerts sowie Verfahren zum Betrieb eines Kraftfahrzeugs
HUE029992T2 (en) Driver Profiling System and Procedure
CN112884288B (zh) 一种高速公路雨雾场景行车安全评估系统
CN110428621A (zh) 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
DE102019114595A1 (de) Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten
EP3374242B1 (de) Verfahren und vorrichtung zum analysieren einer fahrweise eines fahrers eines fahrzeugs
CN108920753B (zh) 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
Mavromatis et al. Passing sight distance assessment through the interaction of road—Vehicle parameters
CN109783893B (zh) 一种考虑路段上下游线形设计参数的连续建模方法
Stepanović et al. Determining Free-Flow Speed on Different Classes of Rural Two-Lane Highways
CN114944083B (zh) 一种高速公路上行驶车辆与前车距离的判断方法
Al-Omari et al. Red-light Violations at Urban and Sub-urban Traffic Signals in Jordan.
CN116968753B (zh) 一种基于人工智能的车辆能耗管理方法及系统
Flynn et al. Typical Acceleration Profiles for Left-Turn Maneuvers Based on SHRP2 Naturalistic Driving Data
Wang et al. Rapid deceleration driving behavior judgment method based on vehicle trajectory data
Flynn et al. Typical Acceleration and Speed Profiles for Right-Turn Maneuvers Based on SHRP2 Naturalistic Driving Data
CN117786551A (zh) 基于集成学习的自动驾驶车辆高速公路适驾性评估方法
Jaafar et al. Driver behavior study for better speed prediction: unique use of speed sensor and machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant