CN113345223A - 基于跟驰模型标定的跟驰行为异质性分析方法 - Google Patents

基于跟驰模型标定的跟驰行为异质性分析方法 Download PDF

Info

Publication number
CN113345223A
CN113345223A CN202110559603.5A CN202110559603A CN113345223A CN 113345223 A CN113345223 A CN 113345223A CN 202110559603 A CN202110559603 A CN 202110559603A CN 113345223 A CN113345223 A CN 113345223A
Authority
CN
China
Prior art keywords
following
vehicle
heterogeneity
model
calibration
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
Application number
CN202110559603.5A
Other languages
English (en)
Other versions
CN113345223B (zh
Inventor
张钊
王京华
鲁光泉
张思遥
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110559603.5A priority Critical patent/CN113345223B/zh
Publication of CN113345223A publication Critical patent/CN113345223A/zh
Application granted granted Critical
Publication of CN113345223B publication Critical patent/CN113345223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；步骤4，基于核密度估计方法或是Kolmogorov‑Smirnov检验统计分析方法进行跟驰行为异质性分析。本发明的基于跟驰模型标定的跟驰行为异质性分析方法，通过步骤1至步骤4的设置，便可有效的实现对于跟驰行为进行异质性分析了。

Description

基于跟驰模型标定的跟驰行为异质性分析方法
技术领域
本发明涉及交通领域，具体涉及到一种基于跟驰模型标定的跟驰行为异质性分析方法。
背景技术
随着汽车保有量和城市现代化的快速发展，跟驰理论受到了广泛的关注。几十年来，许多学者基于工程、心理学和数据驱动的方法建立了许多典型的跟驰模型，如Gipps模型、智能驾驶员模型(IDM)和全速度差模型(FVD)等，并在这些模型的基础上提出了一些其他改进模型。精确的跟驰模型作为微观交通仿真的必要组成部分，可以提高仿真的精度，为自适应巡航系统(ACC)提供支持。但是，目前对跟驰行为进行更详细分析的研究却很少。跟驰模型参数是否固定，车辆在不同的行驶环境下是否具有相似的行驶特性，还有待验证。对跟驰行为的进一步分析是改进跟驰模型的关键。
跟驰行为受多种因素影响，如车辆类型、情绪和驾驶员年龄等。但由于车辆跟驰行为的异质性，在跟驰模型中使用同一组跟驰参数很难描述所有车辆的行驶特性。异质性是跟驰行为的一个重要特征，可以定义为不同驾驶员、车辆组合等类别间跟驰行为的差异。例如，驾驶员在驾驶或跟随大型车时可能会更加谨慎，这可能表现为更大的车头时距、更低的减速度或速度。目前，许多研究分析了不同车型的车辆驾驶行为的异质性，但除此之外的其他因素很少被研究与分析。同时，目前跟驰行为异质性主要通过速度、冲突时间(TTC)、车头时距和车头间距等可观测变量来分析，这些变量间相互影响且在车辆行驶过程中实时变化，如谨慎型驾驶员和激进型驾驶都可能遇到TTC较小的情况，但不同驾驶员做出的反应不同。因此，以上可观测变量无法反映车辆跟驰行为稳定的跟驰特性。为了准确分析跟驰行为的异质性，必须挖掘稳定的跟驰属性以量化不同行驶条件或驾驶员类型的跟驰行为，消除车辆状态和时间的影响。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于跟驰模型标定的跟驰行为异质性分析方法，从而准确地分析跟驰行为的异质性，量化不同条件下的跟驰行为。
为实现上述目的，本发明提供了如下技术方案：一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：
步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；
步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；
步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；
步骤4，基于核密度估计方法或是Kolmogorov-Smirnov检验统计分析方法进行跟驰行为异质性分析。
作为本发明的进一步改进，所述步骤1中对跟驰案例进行筛选的步骤如下：
步骤11：根据车辆所处车道、车头间距、行驶距离筛选出适用于遗传算法标定的有效跟驰案例；
步骤12：将有效跟驰案例分为不同的类别，探究不同跟驰车辆类型、车流密度、道路类别、驾驶员类型导致的跟驰行为异质性。
作为本发明的进一步改进，所述步骤2中的跟驰模型为智能驾驶员模型。
作为本发明的进一步改进，所述步骤3中设置的阈值为误差阈值，并通过分别将每一个案例标定的误差与该阈值比较的方式，滤除标定结果与实际情况误差较大的案例。
作为本发明的进一步改进，所述步骤2中智能驾驶员模型的具体设置步骤如下：
步骤21，通过以下公式计算智能驾驶员模型中车辆加速度：
Figure BDA0003078445650000031
其中，asim是计算得到的下一时刻加速度；a是车辆的最大加速度，v0是自由流速度，v是当前速度，s是当前跟驰间距，s*(v，Δv)是期望最小间距；
步骤22，计算期望最小间距s*(v,Δv)：
Figure BDA0003078445650000032
其中，s0是阻塞间距，T是最小稳态车头时距，Δv是跟驰车与前车的速度差，b是车辆的舒适减速度；
步骤23，对于每个案例，跟驰车与前车的初始间距和跟驰车初始速度的设置分别如下公式所示：
Figure BDA0003078445650000033
在仿真中各个时刻跟驰车与前车的间距以及跟驰车速度通过如下公式迭代更新：
Figure BDA0003078445650000034
在上述公式中，xpre_act(0)和xact(0)分别是前车和跟驰车在初始时刻的实际位置，Lpre是前车的长度，vact(0)是前车在初始时刻的实际速度，vsim(t)和asim(t)分别仿真中t时刻的速度和加速度，xsim(t)为仿真中跟驰车的位置，Δt是时间间隔。作为本发明的进一步改进，所述步骤2使用遗传算法对各个跟驰案例进行分别标定的具体步骤如下：
步骤24，设定Error值为无穷大，迭代最大次数为I，初始迭代次数i为1；
步骤25：使用遗传算法对该案例的跟驰模型参数进行第i次标定；
步骤26：将标定后的模型与实际跟驰行为数据进行对比，使用如下公式计算误差值记为Errori：
Figure BDA0003078445650000041
其中，n是数据量，ssim(t)是仿真中t时刻跟驰车与前车的间距，sact(t)是在实际中t时刻跟驰车与前车的间距；
步骤27：将第i次标定的误差值Errori与当前最小误差值相比，如果误差更小，更新最小误差值并保留第i次标定结果；
步骤28：判断i是否小于I，若小于则令i＝i+1并回到Step2；若已达到最大迭代次数则记录当前的最小误差及对应的标定结果并结束迭代。
本发明的有益效果，(1)本文提出了一种对跟驰行为异质性进行统计分析的方法，该方法通过跟驰模型参数得到稳定的车辆跟驰属性，其与观测得到的车速、加速度、车头间距等因素相比，能够反映车辆的稳定性质，从而为跟驰行为异质性的详细分析提供基础。
(2)标定得到的跟驰参数能够为微观仿真和辅助驾驶系统中不同类别的驾驶员、车辆、交通以及道路环境中跟驰模型的参数设置提供数值参考，从而提高微观交通仿真的精度，并为自适应巡航控制(ACC)系统的优化提供基础。
附图说明
图1为本发明的技术路线图；
图2为跟驰属性标定及标定案例筛选的流程图。
具体实施方式
下面将结合附图所给出的实施例对本发明做进一步的详述。
参照图1至2所示，具体的实施步骤如下：
步骤1：在大规模轨迹数据集中，筛选出有效跟驰案例。案例筛选需要考虑车辆是否处于跟驰状态，有效案例需要满足以下两个条件：(1)在检测范围内，跟驰车和其前车在同一条车道内行驶；(2)车头时距均小于150m。
步骤2：将跟驰案例分为不同的类别。该步骤的案例分类与期望探究的异质性特征有关。如可以将案例按照车辆类型划分为小型车跟驰小型车、小型车跟驰大型车、大型车跟驰小型车以及大型车跟驰大型车三类；按照所处道路的交通流密度分为低密度和高密度两类；按照道路类别划分为路段以及交叉口两类；按照驾驶员类型划分为谨慎型驾驶员和激进型驾驶员两类。
步骤3：使用遗传算法对各个案例的IDM模型进行标定。IDM模型中车辆加速度计算公式如下：
Figure BDA0003078445650000051
其中，asim是计算得到的下一时刻加速度；a是车辆的最大加速度，v0是自由流速度，v是当前速度，s是当前跟驰间距，s*(v,Δv)是期望最小间距，其通过公式如下公式计算得到：
Figure BDA0003078445650000052
其中，s0是阻塞间距，T是最小稳态车头时距，Δv是跟驰车与前车的速度差，b是车辆的舒适减速度。
对于每个案例，跟驰车与前车的初始间距和跟驰车初始速度的设置分别如下公式所示：
Figure BDA0003078445650000053
在仿真中各个时刻跟驰车与前车的间距以及跟驰车速度通过如下公式迭代更新：
Figure BDA0003078445650000054
在上述公式中，xpre_act(0)和xact(0)分别是前车和跟驰车在初始时刻的实际位置，Lpre是前车的长度，vact(0)是前车在初始时刻的实际速度，vsim(t)和asim(t)分别仿真中t时刻的速度和加速度，xsim(t)为仿真中跟驰车的位置，Δt是时间间隔。
各个跟驰车的IDM模型通过遗传算法来进行标定。车辆的实际行驶过程中，其行驶状态会受到车辆性能以及舒适性和安全性的限制。因此，本方法根据已有研究和实际数据，设置了IDM模型的参数范围，以保证标定结果与车辆的实际行驶相符合。参数范围如下：
表1 IDM模型参数范围表
Figure BDA0003078445650000061
为了消除启发式标定算法的随机性，我们对每个跟驰案例进行重复标定(每个案例标定I次)，并将最佳结果作为该案例的最终结果。基于遗传算法的跟驰模型参数标定具体步骤(如附图1所示)为：
Step1：设定Error值为无穷大，迭代最大次数为I，初始迭代次数i为1。
Step2:使用遗传算法对该案例的跟驰模型参数进行第i次标定。
Step3:将标定后的模型与实际跟驰行为数据进行对比，使用如下公式计算误差值(MSE)记为Errori：
Figure BDA0003078445650000062
其中，n是数据量，ssim(t)是仿真中t时刻跟驰车与前车的间距，sact(t)是在实际中t时刻跟驰车与前车的间距。
Step4:将第i次标定的误差值Errori与当前最小误差值相比。如果误差更小，更新最小误差值并保留第i次标定结果。
Step5:判断i是否小于I，若小于则令i＝i+1并回到Step2；若已达到最大迭代次数则记录当前的最小误差及对应的标定结果并结束迭代。
步骤4：基于各个案例误差的分布情况设置误差阈值，分别将每一个案例标定的误差与该阈值比较，滤除标定结果与实际情况误差较大的案例，使用误差在阈值内的案例进行下一步骤的分析。
步骤5：将IDM模型得到的具有物理意义的跟驰参数(最大加速度，自由流速度，阻塞间距，舒适减速度，最小稳态车头时距)作为车辆的跟驰属性，使用核密度估计(KDE)方法和KS检验对不同类别不同跟驰属性的异质性进行分析。核密度估计方法能够估计得到各个类别各个参数分布的概率密度函数，概率密度函数图能够直观地反映不同类别车辆跟驰行为的异质性。而KS检验能够定量评估不同分布间的差异，检验统计量越小，说明两个分布越相似。若证明两个类别某一参数间存在显著性差异，则说明该参数对这两个类别具有异质性。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：包括如下步骤：
步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；
步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；
步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；
步骤4，基于核密度估计方法或是Kolmogorov-Smirnov检验统计分析方法进行跟驰行为异质性分析。
2.根据权利要求1所述的基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：所述步骤1中对跟驰案例进行筛选的步骤如下：
步骤11：根据车辆所处车道、车头间距、行驶距离筛选出适用于遗传算法标定的有效跟驰案例；
步骤12：将有效跟驰案例分为不同的类别，探究不同跟驰车辆类型、车流密度、道路类别、驾驶员类型导致的跟驰行为异质性。
3.根据权利要求1或2所述的基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：所述步骤2中的跟驰模型为智能驾驶员模型。
4.根据权利要求1或2所述的基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：所述步骤3中设置的阈值为误差阈值，并通过分别将每一个案例标定的误差与该阈值比较的方式，滤除标定结果与实际情况误差较大的案例。
5.根据权利要求4所述的基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：所述步骤2中智能驾驶员模型的具体设置步骤如下：
步骤21，通过以下公式计算智能驾驶员模型中车辆加速度：
Figure FDA0003078445640000011
其中，asim是计算得到的下一时刻加速度；a是车辆的最大加速度，v0是自由流速度，v是当前速度，s是当前跟驰间距，s*(v,Δv)是期望最小间距；
步骤22，计算期望最小间距s*(v,Δv)：
Figure FDA0003078445640000021
其中，s0是阻塞间距，T是最小稳态车头时距，Δv是跟驰车与前车的速度差，b是车辆的舒适减速度；
步骤23，对于每个案例，跟驰车与前车的初始间距和跟驰车初始速度的设置分别如下公式所示：
Figure FDA0003078445640000022
在仿真中各个时刻跟驰车与前车的间距以及跟驰车速度通过如下公式迭代更新：
Figure FDA0003078445640000023
在上述公式中，xpre_act(0)和xact(0)分别是前车和跟驰车在初始时刻的实际位置，Lpre是前车的长度，vact(0)是前车在初始时刻的实际速度，vsim(t)和asim(t)分别仿真中t时刻的速度和加速度，xsim(t)为仿真中跟驰车的位置，Δt是时间间隔。
6.根据权利要求5所述的基于跟驰模型标定的跟驰行为异质性分析方法，其特征在于：所述步骤2使用遗传算法对各个跟驰案例进行分别标定的具体步骤如下：
步骤24，设定Error值为无穷大，迭代最大次数为I，初始迭代次数i为1；
步骤25：使用遗传算法对该案例的跟驰模型参数进行第i次标定；
步骤26：将标定后的模型与实际跟驰行为数据进行对比，使用如下公式计算误差值记为Errori：
Figure FDA0003078445640000031
其中，n是数据量，ssim(t)是仿真中t时刻跟驰车与前车的间距，sact(t)是在实际中t时刻跟驰车与前车的间距；
步骤27：将第i次标定的误差值Errori与当前最小误差值相比，如果误差更小，更新最小误差值并保留第i次标定结果；
步骤28：判断i是否小于I，若小于则令i＝i+1并回到Step2；若已达到最大迭代次数则记录当前的最小误差及对应的标定结果并结束迭代。
CN202110559603.5A 2021-05-21 2021-05-21 基于跟驰模型标定的跟驰行为异质性分析方法 Active CN113345223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110559603.5A CN113345223B (zh) 2021-05-21 2021-05-21 基于跟驰模型标定的跟驰行为异质性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110559603.5A CN113345223B (zh) 2021-05-21 2021-05-21 基于跟驰模型标定的跟驰行为异质性分析方法

Publications (2)

Publication Number Publication Date
CN113345223A true CN113345223A (zh) 2021-09-03
CN113345223B CN113345223B (zh) 2022-10-14

Family

ID=77470798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110559603.5A Active CN113345223B (zh) 2021-05-21 2021-05-21 基于跟驰模型标定的跟驰行为异质性分析方法

Country Status (1)

Country Link
CN (1) CN113345223B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (5)

* Cited by examiner, † Cited by third party
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
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
CN112668172A (zh) * 2020-12-24 2021-04-16 西南交通大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
CN112668172A (zh) * 2020-12-24 2021-04-16 西南交通大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王嘉宇等: "高速公路平直路段雾霾天气下的IDM跟驰模型分析", 《交通运输研究》 *
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》 *
王雪松等: "基于自然驾驶数据的高速公路跟驰模型参数标定", 《中国公路学报》 *
邢邗等: "利他情境对驾驶个体跟驰行为的影响", 《清华大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115099128B (zh) * 2022-05-30 2023-07-07 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
CN113345223B (zh) 2022-10-14

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
Hu et al. Autonomous vehicle’s impact on traffic: Empirical evidence from waymo open dataset and implications from modelling
CN113570852B (zh) 基于安全替代评价指标的高风险路段风险防控手段评估的方法
CN112668779B (zh) 基于自适应高斯过程的前车运动状态预测方法
CN114528646B (zh) 一种基于在线地图数据的车辆行驶工况构建方法
CN113345223B (zh) 基于跟驰模型标定的跟驰行为异质性分析方法
CN110723146B (zh) 一种考虑驾驶利益增量的多车交互换道决策方法
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN111079800A (zh) 一种智能驾驶虚拟测试的加速方法及加速系统
CN114492043B (zh) 考虑感知受限特性的个性化驾驶员跟车建模方法
CN113313321A (zh) 一种道路养护作业区通行车辆的碳排放计算方法
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统
Imran et al. Macroscopic evaluation of traffic flow in view of connected and autonomous vehicles: A simulation-based approach
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN113592221B (zh) 基于安全替代评价指标的道路路段风险动态评估方法
CN117809458A (zh) 一种交通事故风险实时评估方法及系统
Dong et al. Impact of connected and autonomous vehicles on traffic safety of mixed traffic flow: from the perspective of connectivity and spatial distribution
CN115482662B (zh) 一种危险工况下驾驶员避撞行为预测方法及系统
Hofinger et al. 3-step calibration process of a microscopic traffic flow simulation platform for mixed traffic scenarios
Pang Trajectory Data Based Clustering and Feature Analysis of Vehicle Lane-Changing Behavior
WO2023193196A1 (zh) 自动驾驶测试用例生成方法、装置、电子设备及存储介质
CN114820216A (zh) 一种行车风险量化方法、分级方法及预测方法
CN115544599B (zh) 一种基于交通仿真模型的参数校核标定方法
CN113468698B (zh) 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
CN117351459A (zh) 基于模糊动态贝叶斯网络的车辆变道意图识别方法与系统

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