CN112668172A - 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 - Google Patents
考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 Download PDFInfo
- Publication number
- CN112668172A CN112668172A CN202011548539.2A CN202011548539A CN112668172A CN 112668172 A CN112668172 A CN 112668172A CN 202011548539 A CN202011548539 A CN 202011548539A CN 112668172 A CN112668172 A CN 112668172A
- Authority
- CN
- China
- Prior art keywords
- following
- vehicle
- model
- type
- heterogeneity
- 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
Images
Abstract
本发明提供的考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,属于交通工程领域。该方法包括:获取原始车辆运行轨迹数据,对其进行预处理;将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,并筛选出跟驰片段样本,得到对应跟驰车辆对类型的跟驰片段样本集;选用一个通用型车辆跟驰模型进行参数标定,得到参数标定结果;对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。由该方法得到的考虑车型和驾驶风格异质性的跟驰模型能够更加准确地描述驾驶行为。
Description
技术领域
本发明涉及一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,属于交通工程领域。
背景技术
尽管自动驾驶汽车相关技术发展迅速,并实现了商业化,但自动驾驶汽车在不久的将来还远远不能完全取代人类驾驶员。未来的高速公路将会面临自动驾驶车辆与传统驾驶车辆混合的交通状况,即混合交通流环境。在混合交通流中,在混合交通中,自动驾驶汽车的决策和/或控制很大程度上取决于对其自身行为的准确描述和预测人类驾驶汽车的行为。
已经有许多研究致力于准确描述驾驶行为,主要是使用微观交通流模型。以跟驰模型为例,到目前为止已经建立了70多个车辆跟驰模型,目的是尽可能真实地模拟真实世界的纵向行驶行为。然而这些模型大多是在小汽车的基础上开发和验证的。近十年来,由于探测数据和自然驾驶数据的大量涌现,驾驶行为的异质性研究越来越受到人们的关注。有研究表明,驾驶行为的异质性会导致交通事故,加剧交通拥堵。也有研究表明,车辆跟驰的异质性与车道上的交通分布、交通扰动的传播等密切相关。车辆类型的不同和驾驶风格的差异等因素往往会使得人类驾驶汽车的行为具有很大的不确定性,所以更好地理解人类驾驶行为的异质性具有重要意义。
对于关注驾驶行为的异质性、提高描述驾驶行为准确性的问题,已有一些模型方法被提出,但现阶段对异质性问题的处理多为分别对车型和驾驶风格异质性进行探讨,从分析轨迹数据得出规律性结论的角度出发,传统的跟驰模型难以准确地描述出驾驶行为。因此,将考虑两种异质性与跟驰模型参数标定结合的方法来对跟驰行为进行建模的研究是非常有必要的。
发明内容
本发明的第一发明目的:提供一种基于跟驰模型参数标定的考虑车型和驾驶风格异质性的跟驰行为建模方法,该方法采用跟驰模型参数解读驾驶行为,同时考虑跟驰车辆对的车辆类型和驾驶员的驾驶风格异质性,通过严格的数据挖掘和统计方法建立考虑车型和驾驶风格异质性的分类车辆跟驰模型。
本发明实现其第一发明目的所采取的技术方案是:一种考虑车型和驾驶风格异质性的跟驰行为建模方法,所述方法包括以下步骤:
S1、获取原始车辆运行轨迹数据,对原始车辆运行轨迹数据进行预处理;
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型(即:跟驰车辆对类型)进行分类,得到各类跟驰车辆对的轨迹数据;每个所述跟驰车辆对包含一辆引导车辆与一辆跟随车辆;
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集;
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果;(这里的通用型车辆跟驰模型是指含有参数的不确定性车辆跟驰模型。)
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
进一步,所述跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车(C-C),卡车跟随小汽车(C-T),小汽车跟随卡车(T-C),卡车跟随卡车(T-T)。
进一步,所述跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;(旨在消除拥塞(走走停停状态)和自由流状态。)
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;(用来确保所筛选出的轨迹具有稳定的跟驰状态。)
d)跟驰片段的持续时间应大于20s;(确保轨迹足够长,可以进行模型校准。)
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
进一步,所述通用型车辆跟驰模型包括:全速度差模型、刺激-反应模型、智能驾驶人模型。
进一步,步骤S4,基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,具体包括:
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,所述均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点;
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。(对于所选用的通用型车辆跟驰模型和每个跟驰片段样本,重复运行算法若干次,取拟合优度最佳的解作为校准结果。)
进一步,步骤S5,对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型,具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率;(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
所述特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显;
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析;(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义;
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况;
S5-5、利用Kullback-Leibler(K-L)散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布;
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
进一步,所述方法还包括步骤S6,对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。
进一步,对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准,具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能;
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况;
所述均方根误差的表达式为:
所述CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的;
所述UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;所述未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
本发明的第二发明目的:提供一种考虑车型和驾驶风格异质性的分类车辆跟驰模型。
本发明实现其第二发明目的所采取的技术方案是:一种考虑车型和驾驶风格异质性的跟驰模型,所述跟驰模型是通过所述的考虑车型和驾驶风格异质性的跟驰行为建模方法得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
与现有技术相比,本发明具有的有益效果:
(1)本发明方法基于通用型车辆跟驰模型,以不同类型的跟驰车辆对的轨迹数据为数据基础,采用主成分分析、聚类分析、分布拟合等严格的数据挖掘和统计方法来确定各类跟驰车辆对中驾驶员驾驶风格的不同所带来的驾驶行为的差异以及各分类下的模型参数分布特点,进而提出一种全新的分类车辆跟驰模型,即考虑车型和驾驶风格异质性的分类车辆跟驰模型。
(2)通过仿真对比可知,与传统的车辆跟驰模型相比,采用本发明方法得到的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行仿真能够将轨迹预测的估计误差降低49.30%~57.75%,这表明本发明方法得到的考虑车型和驾驶风格异质性的跟驰模型能够比传统的车辆跟驰模型更加准确地描述驾驶行为。
下面通过具体实施方式及附图对本发明作进一步详细说明,但并不意味着对本发明保护范围的限制。
附图说明
图1是本发明实施例考虑车型和驾驶风格异质性的跟驰行为建模方法流程图。
图2是本发明实施例一中对原始车辆运行轨迹数据的部分平滑处理结果图。
图3是本发明实施例一中三类跟驰车辆对下FVD模型中各主成分的累计贡献率情况图。
图4是本发明实施例一中三类跟驰车辆对下FVD模型中各参数特征权重贡献率情况图。
图5是本发明实施例一中三类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数的聚类分析结果图。
图6是本发明实施例一中考虑车型和驾驶风格异质性的跟驰行为建模方法的可移植性检验结果图。
具体实施方式
一种考虑车型和驾驶风格异质性的跟驰行为建模方法,该方法包括以下步骤:
S1、获取原始车辆运行轨迹数据,对原始车辆运行轨迹数据进行预处理。
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个跟驰车辆对包含一辆引导车辆与一辆跟随车辆。
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集。
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果。(这里的通用型车辆跟驰模型是指含有参数的不确定性车辆跟驰模型。)
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
图1给出了本发明实施例考虑车型和驾驶风格异质性的跟驰行为建模方法流程图,下面结合图进行具体描述。
实施例一
本例给出一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,具体包括:
S1、获取原始车辆运行轨迹数据(原始的NGSIM数据集中I-80高速公路数据),对原始车辆运行轨迹数据进行预处理。
本例是利用局部加权回归的方法对原始的NGSIM数据集I-80高速公路数据中速度、加速度、车头间距等车辆运行轨迹数据进行平滑处理。图2给出了本例对原始的NGSIM数据集I-80高速公路数据中车辆运行轨迹数据的部分平滑处理结果图,其中图(1)为速度的平滑处理结果图,图(2)为加速度的平滑处理结果图。
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个跟驰车辆对包含一辆引导车辆与一辆跟随车辆。
本例中的跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车(C-C),卡车跟随小汽车(C-T),小汽车跟随卡车(T-C),卡车跟随卡车(T-T)。
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集。
本例中跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;
d)跟驰片段的持续时间应大于20s;
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
上述步骤S2中经分类后的各类跟驰车辆对数和步骤S3中经筛选得到的跟驰片段样本数,如表1所示,该数据即为后续模型进行参数标定所使用的数据。
表1各类跟驰车辆对中跟驰车辆对数和跟驰片段样本数
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果。
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点。
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。
本例是选用全速度差模型(即Full Velocity Difference model,FVD模型)进行参数标定。
FVD模型中需要被标定的参数有v0,Δs,β,τ,γ,一共五个。其中,γ是速度差敏感系数,τ是适应时间,v0和Δs分别代表期望速度和安全距离,β是形式参数。整个模型表述为加速度的函数,包含一个描述最优速度适用度的项和一个描述速度差敏感度的项,具体如下:
其中,Δv=v1-v2,v1是跟驰车辆对中前车(即引导车辆)的速度,v2是后车(即跟随车辆)的速度;s表示车头间距;v(t)表示t时刻后车的速度。
表2给出了本例用于校准FVD模型的遗传算法参数。对于FVD模型和每个跟驰片段样本,重复运行算法若干次,取拟合优度最佳的解作为校准结果。
表2遗传算法参数设置及描述
表3给出了本例FVD模型的参数标定结果,为方便观察,取5%~95%分位数的校正参数。
表3三类跟驰车辆对下FVD模型的参数标定结果
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率;(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
所述特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显。
图3给出了本例中三类跟驰车辆对下FVD模型中各主成分的累计贡献率,其中图(1)为跟驰车辆对类型C-C下FVD模型中各主成分的累计贡献率图,图(2)为跟驰车辆对类型C-T下FVD模型中各主成分的累计贡献率图,图(3)为跟驰车辆对类型T-C下FVD模型中各主成分的累计贡献率图。
图4给出了本例中三类跟驰车辆对下FVD模型中各参数特征权重贡献率情况,其中图(1)为跟驰车辆对类型C-C下FVD模型中各参数特征权重贡献率情况图,图(2)为跟驰车辆对类型C-T下FVD模型中各参数特征权重贡献率情况图,图(3)为跟驰车辆对类型T-C下FVD模型中各参数特征权重贡献率情况图。
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析。(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
本例是对各类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数应用模糊聚类方法进行分析,找出影响驾驶员潜在的驾驶风格差异的主要因素。(因为本例主成分分析结果显示前三个主成分已占到80%以上的比例,可以有充足的理由说明前三个主成分即可被拿来表示整体。)图5给出了三类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数的聚类分析结果,其中图(1)为跟驰车辆对类型C-C下FVD模型中特征权重贡献率排名前三的参数的聚类分析结果图,图(2)为跟驰车辆对类型C-T下FVD模型中特征权重贡献率排名前三的参数的聚类分析结果图,图(3)为跟驰车辆对类型T-C下FVD模型中特征权重贡献率排名前三的参数的聚类分析结果图。由图5可知,三类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数的聚类中心均表现出了一定的规律性,可以明显被分为三类,在图中分别用第一类、第二类、第三类进行区分。
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义。
本例中驾驶风格分为普通、温和与激进三类。每个参数的聚类中心如表4所示,加粗的数值为前述主成分分析得出的排名前三的参数,分析可知其存在明显的特征,依据这些参数表现出的特点来定义不同的驾驶风格,其定义结果如表4所示。
表4聚类中心及驾驶风格定义
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况。
S5-5、利用Kullback-Leibler(K-L)散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布。
表5三类跟驰车辆对下FVD模型中各参数的最佳拟合分布情况
上表中,Stable,Loglogistic,Gamma为三种典型的统计学分布方法,其中Stable表示稳定分布,Loglogistic表示对数逻辑分布,Gamma表示伽马分布。
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
S6、对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能。
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况。
均方根误差的表达式为:
CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的。
UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况,其数值分析结果如表6所示。
表6 CCF轨迹和UCF轨迹与原始车辆运行轨迹数据的误差分析对比情况
由上表误差分析对比可知,与未分类的确定性车辆跟驰模型(传统的车辆跟驰模型)相比,由本例方法得到的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行仿真能够将轨迹预测的估计误差降低49.30%~57.75%,这表明本例得到的考虑车型和驾驶风格异质性的车辆跟驰模型能够比传统的车辆跟驰模型更加准确地描述驾驶行为。
实施例二
本例给出一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,具体包括如下:
S1、获取原始车辆运行轨迹数据(原始的NGSIM数据集中US-101高速公路数据),对原始车辆运行轨迹数据进行预处理。
本例是利用局部加权回归的方法对原始的NGSIM数据集中US-101高速公路数据中速度、加速度、车头间距等车辆运行轨迹数据进行平滑处理。
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个跟驰车辆对包含一辆引导车辆与一辆跟随车辆。
本例中的跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车(C-C),卡车跟随小汽车(C-T),小汽车跟随卡车(T-C),卡车跟随卡车(T-T)。
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集。
本例中跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;
d)跟驰片段的持续时间应大于20s;
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
上述步骤S2中经分类后的各类跟驰车辆对数和步骤S3中经筛选得到的跟驰片段样本数,如表7所示,该数据即为后续模型进行参数标定所使用的数据。
表7各类跟驰车辆对中跟驰车辆对数和跟驰片段样本数
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果。
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点。
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。
本例是选用全速度差模型(即Full Velocity Difference model,FVD模型)进行参数标定。
FVD模型中需要被标定的参数有v0,Δs,β,τ,γ,一共五个。其中,γ是速度差敏感系数,τ是适应时间,v0和Δs分别代表期望速度和安全距离,β是形式参数。整个模型表述为加速度的函数,包含一个描述最优速度适用度的项和一个描述速度差敏感度的项,具体如下:
其中,Δv=v1-v2,v1是跟驰车辆对中前车(即引导车辆)的速度,v2是后车(即跟随车辆)的速度;s表示车头间距;v(t)表示t时刻后车的速度。
本例用于校准FVD模型的遗传算法参数,如实施例一中表2所示。对于FVD模型和每个跟驰片段样本,重复运行算法若干次,取拟合优度最佳的解作为校准结果。
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率。(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显。
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析。(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
本例是对各类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数应用模糊聚类方法进行分析,找出影响驾驶员潜在的驾驶风格差异的主要因素。三类跟驰车辆对下FVD模型中特征权重贡献率排名前三的参数的聚类中心均表现出了一定的规律性。
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义。
本例中驾驶风格分为普通、温和与激进三类。
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况。
S5-5、利用Kullback-Leibler(K-L)散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布。
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
S6、对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能。
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况。
均方根误差的表达式为:
CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的。
UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
实施例三
本例给出一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,具体包括如下:
S1、获取原始车辆运行轨迹数据(原始的NGSIM数据集中US-101高速公路数据),对原始车辆运行轨迹数据进行预处理。
本例是利用局部加权回归的方法对原始的NGSIM数据集中US-101高速公路数据中速度、加速度、车头间距等车辆运行轨迹数据进行平滑处理。
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个跟驰车辆对包含一辆引导车辆与一辆跟随车辆。
本例中的跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车(C-C),卡车跟随小汽车(C-T),小汽车跟随卡车(T-C),卡车跟随卡车(T-T)。
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集。
本例中跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;
d)跟驰片段的持续时间应大于20s;
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
上述步骤S2中经分类后的各类跟驰车辆对数和步骤S3中经筛选得到的跟驰片段样本数,同实施例二中表7所示,该数据即为后续模型进行参数标定所使用的数据。
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果。
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点。
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。
本例是选用刺激-反应模型(Gazis-Herman-Rothery model,GHR模型)进行参数标定。
GHR模型中需要被标定的参数有c,m,l,τ,一共四个。其中,τ是反应时间,c是敏感系数,m和l是模型参数。整个模型表述为加速度的函数,由速度和车头间距以及一个敏感系数组成。跟驰车辆对中后车(即跟随车辆)的加速度表达式如下:
式中,v(t)表示跟随车辆在t时刻的速度;Δx(t)表示引导车辆与跟随车辆的车头间距;Δv(t)表示引导车辆与跟随车辆的速度差。
本例用于校准GHR模型的遗传算法参数,如实施例一中表2所示。对于GHR模型和每个跟驰片段样本,重复运行算法若干次,取拟合优度最佳的解作为校准结果。
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率。(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显。
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析。(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
本例是对各类跟驰车辆对下GHR模型中特征权重贡献率排名前三的参数应用模糊聚类方法进行分析,找出影响驾驶员潜在的驾驶风格差异的主要因素。三类跟驰车辆对下GHR模型中特征权重贡献率排名前三的参数的聚类中心均表现出了一定的规律性。
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义。
本例中驾驶风格分为普通、温和与激进三类。
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况。
S5-5、利用Kullback-Leibler(K-L)散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布。
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
S6、对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能。
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况。
均方根误差的表达式为:
CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的。
UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
实施例四
本例给出一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型,具体包括如下:
S1、获取原始车辆运行轨迹数据(原始的NGSIM数据集中US-101高速公路数据),对原始车辆运行轨迹数据进行预处理。
本例是利用局部加权回归的方法对原始的NGSIM数据集中US-101高速公路数据中速度、加速度、车头间距等车辆运行轨迹数据进行平滑处理。
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个跟驰车辆对包含一辆引导车辆与一辆跟随车辆。
本例中的跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车(C-C),卡车跟随小汽车(C-T),小汽车跟随卡车(T-C),卡车跟随卡车(T-T)。
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别筛选出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集。
本例中跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;
d)跟驰片段的持续时间应大于20s;
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
上述步骤S2中经分类后的各类跟驰车辆对数和步骤S3中经筛选得到的跟驰片段样本数,同实施例二中表7所示,该数据即为后续模型进行参数标定所使用的数据。
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果。
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点。
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。
本例是选用智能驾驶人模型(即Intelligent driver model,IDM模型)进行参数标定。
IDM模型中需要被标定的参数有a,b,s0,v0,δ,T,一共六个。其中,a是期望加速度,b是期望减速度,v0是期望速度,s0是最小安全距离,δ是加速度指数,T安全时间间隔。整个模型表述为加速度的函数期望安全间距s*(v,Δv)是v和Δv的函数,如下:
式中,v表示跟随车辆的速度;Δv表示引导车辆与跟随车辆的速度差。
本例用于校准IDM模型的遗传算法参数,如实施例一中表2所示。对于IDM模型和每个跟驰片段样本,重复运行算法若干次,取拟合优度最佳的解作为校准结果。
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率。(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显。
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析。(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
本例是对各类跟驰车辆对下IDM模型中特征权重贡献率排名前三的参数应用模糊聚类方法进行分析,找出影响驾驶员潜在的驾驶风格差异的主要因素。三类跟驰车辆对下IDM模型中特征权重贡献率排名前三的参数的聚类中心均表现出了一定的规律性。
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义。
本例中驾驶风格分为普通、温和与激进三类。
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况。
S5-5、利用Kullback-Leibler(K-L)散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布。
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
S6、对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能。
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况。
均方根误差的表达式为:
CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的。
UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
上述实施例二、实施例三和实施例四可作为实施例一所提的考虑车型和驾驶风格异质性的跟驰行为建模方法的可移植性检验,涉及两种可移植性检验:(1)数据集的可移植性,即同一个模型(FVD)在I-80数据集和US-101数据集上都成功得到了很好的结果;(2)模型的可移植性检验,即三个模型在同一数据集(US1-101)上都得到了很好的结果。图6给出了FVD、GHR和IDM三个模型基于US-101数据集的验证结果。可移植性检验的结果证明了本文提出的方法在不同模型和数据集上进行实验同样实现了改进(误差降低明显)。这表明本发明的考虑车型和驾驶风格异质性的跟驰行为建模方法具有可移植性,更重要的是由本发明方法得到的考虑车型和驾驶风格异质性的跟驰模型能够比传统的车辆跟驰模型更加准确地描述驾驶行为。
Claims (9)
1.一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,所述方法包括以下步骤:
S1、获取原始车辆运行轨迹数据,对原始车辆运行轨迹数据进行预处理;
S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类,得到各类跟驰车辆对的轨迹数据;每个所述跟驰车辆对包含一辆引导车辆与一辆跟随车辆;
S3、依据制定的跟驰片段样本标准,从各类跟驰车辆对的轨迹数据中分别出符合条件的跟驰片段作为跟驰片段样本;由每个跟驰车辆对类型中筛选出的所有跟驰片段样本够成对应跟驰车辆对类型的跟驰片段样本集;
S4、基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果;
S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
2.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,所述跟驰车辆对的车辆组合类型包括:小汽车跟随小汽车,卡车跟随小汽车,小汽车跟随卡车,卡车跟随卡车。
3.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,所述跟驰片段样本标准包括:
a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶,且不包含超车行为;
b)跟随车辆的速度应大于5m/s,引导车辆和跟随车辆的车头间距应在7m到120m之间;
c)引导车辆和跟随车辆之间的速度差小于2.5m/s;
d)跟驰片段的持续时间应大于20s;
e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
4.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,所述通用型车辆跟驰模型包括:全速度差模型、刺激-反应模型、智能驾驶人模型。
5.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,步骤S4,基于任一跟驰车辆对类型的跟驰片段样本集,选用一个通用型车辆跟驰模型进行参数标定,得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,具体包括:
以加速度作为性能指标,采用均方根百分比偏差表示拟合优度,所述均方根百分比偏差的表达式为:
式中,l为任一跟驰片段样本中数据点的编号;N为任一跟驰片段样本中数据点的个数;为任一跟驰片段样本中的第l个加速度数据点;为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点;
针对所选用的通用型车辆跟驰模型,应用遗传算法求解出所选用的通用型车辆跟驰模型的参数,使每个跟驰片段样本的均方根百分比偏差最小。
6.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,步骤S5,对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析,并根据统计学分析结果对驾驶员驾驶风格进行定义,得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型,具体包括:
S5-1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果,分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析,并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率;
所述特征权重贡献率的计算公式为:
式中,βi是第i个主成分的贡献率;wij表示第i个主成分和第j个参数的相关性;h为累计贡献率超过80%的主成分的个数;WCFj代表参数j的特征权重贡献率,WCFj的值越高表示参数j的特征越明显;
S5-2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析;
S5-3、对聚类后的每一组群体进行分析,并根据分析结果对驾驶员驾驶风格进行定义;
S5-4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数的概率分布情况;
S5-5、利用Kullback-Leibler散度法计算出不同驾驶员驾驶风格所对应的各个参数的概率分布的拟合优度,找到各个参数的最佳拟合分布;
S5-6、依据各个参数的最佳拟合分布确定所选用的通用型车辆跟驰模型中各个参数的具体数值,并将各个参数的具体数值代入所选用的通用型车辆跟驰模型,由此得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
7.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,所述方法还包括步骤S6,对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准。
8.根据权利要求7所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法,其特征在于,对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型进行校准,具体包括:
S6-1、构建仿真环境,用于评估对所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型的性能;
S6-2、采用均方根误差评估CCF轨迹和UCF轨迹这两种仿真轨迹数据与所获取的原始车辆运行轨迹数据的误差情况;
所述均方根误差的表达式为:
所述CCF轨迹是基于所得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型仿真生成的;
所述UCF轨迹是基于未分类的确定性车辆跟驰模型仿真生成的;所述未分类的确定性车辆跟驰模型是基于所选用的通用型车辆跟驰模型,其每个模型参数取自步骤S4中所有跟驰片段样本的参数标定结果的平均值。
9.一种考虑车型和驾驶风格异质性的跟驰模型,其特征在于,所述跟驰模型是通过如权利要求1-8任一所述的考虑车型和驾驶风格异质性的跟驰行为建模方法得到的不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548539.2A CN112668172B (zh) | 2020-12-24 | 2020-12-24 | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548539.2A CN112668172B (zh) | 2020-12-24 | 2020-12-24 | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668172A true CN112668172A (zh) | 2021-04-16 |
CN112668172B CN112668172B (zh) | 2023-02-28 |
Family
ID=75408296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011548539.2A Active CN112668172B (zh) | 2020-12-24 | 2020-12-24 | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668172B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291312A (zh) * | 2021-06-18 | 2021-08-24 | 重庆长安汽车股份有限公司 | 一种智能动力总成控制方法 |
CN113345223A (zh) * | 2021-05-21 | 2021-09-03 | 北京航空航天大学 | 基于跟驰模型标定的跟驰行为异质性分析方法 |
CN113468698A (zh) * | 2021-06-30 | 2021-10-01 | 上海理工大学 | 一种面向交叉口通行轨迹离散性的交通流模型参数标定方法 |
CN113968231A (zh) * | 2021-12-09 | 2022-01-25 | 吉林大学 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
CN114248780A (zh) * | 2021-12-27 | 2022-03-29 | 江苏大学 | 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法 |
CN115099128A (zh) * | 2022-05-30 | 2022-09-23 | 同济大学 | 一种异常驾驶行为识别与致因分析方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140005906A1 (en) * | 2012-06-28 | 2014-01-02 | Toyota Motor Engineering & Manufacturing | Preceding vehicle state prediction |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 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 |
CN106650801A (zh) * | 2016-12-09 | 2017-05-10 | 西南交通大学 | 一种基于gps数据的多类型车辆分类方法 |
US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
-
2020
- 2020-12-24 CN CN202011548539.2A patent/CN112668172B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140005906A1 (en) * | 2012-06-28 | 2014-01-02 | Toyota Motor Engineering & Manufacturing | Preceding vehicle state prediction |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 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 |
CN106650801A (zh) * | 2016-12-09 | 2017-05-10 | 西南交通大学 | 一种基于gps数据的多类型车辆分类方法 |
US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
Non-Patent Citations (5)
Title |
---|
JUNJIE ZHANG等: ""Impact of heterogeneity of car-following behavior on rear-end crash risk"", 《ACCIDENT ANALYSIS AND PREVENTION》 * |
PING WU等: ""A Vehicle Type Dependent Car-following Model Based on Naturalistic Driving Study"", 《ELECTRONICS》 * |
王庆昕: ""考虑驾驶员特性的车辆行驶风险度评估方法"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王益等: "考虑车流异质性的信号交叉口疏解车辆跟驰模型", 《交通运输系统工程与信息》 * |
马健等: "考虑粘滞与压缩特性的改进宏观交通流模型研究", 《公路工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345223A (zh) * | 2021-05-21 | 2021-09-03 | 北京航空航天大学 | 基于跟驰模型标定的跟驰行为异质性分析方法 |
CN113291312A (zh) * | 2021-06-18 | 2021-08-24 | 重庆长安汽车股份有限公司 | 一种智能动力总成控制方法 |
CN113291312B (zh) * | 2021-06-18 | 2022-09-06 | 重庆长安汽车股份有限公司 | 一种智能动力总成控制方法 |
CN113468698A (zh) * | 2021-06-30 | 2021-10-01 | 上海理工大学 | 一种面向交叉口通行轨迹离散性的交通流模型参数标定方法 |
CN113968231A (zh) * | 2021-12-09 | 2022-01-25 | 吉林大学 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
CN113968231B (zh) * | 2021-12-09 | 2022-08-09 | 吉林大学 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
CN114248780A (zh) * | 2021-12-27 | 2022-03-29 | 江苏大学 | 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法 |
CN115099128A (zh) * | 2022-05-30 | 2022-09-23 | 同济大学 | 一种异常驾驶行为识别与致因分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112668172B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668172B (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
Kruber et al. | An unsupervised random forest clustering technique for automatic traffic scenario categorization | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN113232669B (zh) | 一种基于机器学习的驾驶风格辨识方法 | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
TWI690440B (zh) | 基於支持向量機之路口智慧駕駛方法及其系統 | |
Li et al. | Large car-following data based on lyft level-5 open dataset: Following autonomous vehicles vs. human-driven vehicles | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
Higgs | Application of naturalistic truck driving data to analyze and improve car following models | |
CN115482662A (zh) | 一种危险工况下驾驶员避撞行为预测方法及系统 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
CN114862159A (zh) | 一种自动驾驶测试场景的评价方法 | |
CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和系统 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
CN111402577A (zh) | 一种信号交叉口驾驶员停车时间预测方法 |
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 |