基于轨迹数据的车辆跟驰行为分析与建模综述

随着轨迹收集技术与数据分析技术的迅速发展,越来越多的车辆行驶轨迹被采集并用于 交通流研究。车辆轨迹数据主要包括车辆运行的位置与时间等信息,利用这些信息可以推算出 车辆的速度、加速度及其与前车之间的空间和时间距离等驾驶行为参量。通过研究轨迹数据可 以揭示车辆自身的运行规律,车辆之间的相互作用规律,道路环境对车辆的作用规律,以及由此 产生的宏观、微观交通流现象,因此,轨迹数据研究受到日益重视。本文简要回顾了与轨迹数据 收集相关的历史,介绍了自然场景下采集的Next Generation SIMulation(NGSIM)数据及实验场景 下采集的车队轨迹数据,并梳理了近几年基于车辆跟驰轨迹的理论研究。首先,分析以交通振 荡、交通回滞为代表的交通流关键实测现象研究工作;整理跟驰行为分析方面的研究成果,包括 不对称跟驰行为、稳定跟驰行为的存在性、跟驰行为的记忆效应、任务难度、随机性、异质性。之 后,介绍基于跟驰行为分析成果而构建的仿真模型。最后,从3个方面评述现有基于轨迹数据的 研究,并提出未来展望：交通流关键实测现象方面,应收集更多不同条件下的数据,并尝试构建更 加普适性的理论或模型解释交通流现象;跟驰行为分析方面,可结合数据挖掘技术或生理、心理 理论,量化驾驶员跟驰特性与生理、心理特征,并将两者结合深入分析跟驰行为的机理;仿真建模 方面,可更多考虑驾驶员生理和心理变量,使模型更具人性化特征,并关注模型的评价方法,注重 模型对实际交通流的解释能力。     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。      

基于零反应时间的自动驾驶车辆跟驰模型研究

自动驾驶车辆可以通过数据驱动模型较好地学习人类驾驶员的跟驰行为,但单纯的学习并不能发挥自动驾驶车辆反应更敏捷的特性.文中利用NGSIM数据集开发一种基于零反应时间数据的跟驰行为学习模型.首先,基于人类驾驶行为数据建立反应时间预测的神经网络模型,预测每条人类跟驰轨迹数据每个时间步的反应时间,并在原轨迹中剪除反应时间内的数据,进而重构样本数据,获得近似于零反应时间、更符合自动驾驶车辆特性的样本集.在此基础上采用LSTM架构,建立基于新学习样本的跟驰行为模型(LSTM-0RT).仿真对比发现:LSTM-0RT跟驰模型比传统LSTM模型提前50 s收敛,且速度变化趋势与前车基本一致,充分体现反应速度快的特点;在混驶环境测试中,采用LSTM-0RT模型的自动驾驶车辆比例越大,跟驰车队的渐进稳定性越高,车流波动的影响范围越小;交通流特性分析显示LSTM-0RT模型在不同交通流密度下的适用性明显优于LSTM模型;车头时距指标测算也表明LSTM-0RT模型具有更高的跟驰安全性.     

信号交叉口集聚车辆的跟驰行为分析与建模

为了更好地模拟城市信号交叉口集聚车辆的跟驰行为,进而应用于城市信号交叉口信号配时和交通流理论研究,采用一种基于视频的交通流数据采集方法来采集信号交叉口的微观交通行为数据.运用灰色关联分析方法对采集到的微观交通数据进行分析,挖掘出其中的有用信息,从而寻求能够最大程度反映信号交叉口集聚车辆跟驰行为的影响变量.构建城市信号交叉口车辆集聚过程中的跟驰模型并进行参数标定、效果验证和比较分析.研究表明,新提出的跟驰模型能够很好地拟合信号交叉口集聚车辆的跟驰行为实测数据,其拟合性和稳定性优于重新标定后的扩展GM模型.     

基于最小二乘支持向量机的车辆跟驰行为模型

基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)算法建立符合我国道路交通流特征的车辆跟驰模型,并用该模型模拟单车道道路上车辆的跟驰行为。采用NGSIM提供的数据对LS-SVM模型进行仿真验证,将测试结果与传统的Gipps模型进行对比。结果表明:与Gipps模型相比,LS-SVM模型对应的各项误差指标精度均有明显改善,能够挖掘变量之间的潜在关系,弥补传统车辆跟驰模型的不足。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

基于支持向量机的车辆跟驰模型

基于支持向量机算法建立车辆跟驰模型,模拟单车道车辆跟驰行为——加速、减速、无动作;利用NGSIM数据对模型进行训练和测试,并与Gipps车辆跟驰模型的测试结果进行对比。结果表明:所建模型各项误差指标的精度均有较大提升,能够挖掘出影响跟驰行为的变量之间的潜在关系,弥补了传统车辆跟驰模型的不足。     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

基于最优间距的车辆跟驰模型及其特性

为真实地反应车辆跟驰机理,假设在跟驰状态下,驾驶员倾向于保持最优跟驰间距,在分析最优间距函数的基础上,建立了车辆跟驰模型(optimal distance model, ODM).利用NGSIM数据,对ODM模型和经典Gipps车辆跟驰模型进行参数标定和评价.用仿真方法分析了ODM模型再现宏观交通流现象的能力和加速度特性.研究结果表明:与Gipps模型相比, ODM模型的加速度、速度和距离的仿真精度分别提高了0.36 m/s2、0.99 m/s和0.73 m,并能够再现实际交通流中稳定车流和冲击波等交通现象;在稳定交通流中, ODM模型总是趋向于使车辆间距等于最优跟驰间距,或在其附近小幅度波动.      

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明:基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。      

基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性...     

基于分层COX 模型的跟驰反应延迟时间生存分析

驾驶员的反应延迟时间是驾驶员跟驰行为的重要指标之一,也是跟驰模型中的重要参数之一. 为分析延迟时间与车辆运动状态、光照条件影响因素之间的关系及延迟时间的概率分布,通过实车实验得到跟驰行为延迟时间自然驾驶数据,采用Kaplan-Meier 方法进行延迟时间单因素分析并构建延迟时间分层COX模型. 结果表明：驾驶员跟驰反应延迟时间生存函数受前车加速度,前车加速度变化状态影响显著;前车加速度与延迟时间风险函数之间的关系随时间变化,需采用分层COX模型建模;前后车相对距离每增大10 m,延迟时间风险函数取值减小6.03%;前车由变速运动变为匀速运动时,延迟时间风险函数取值减小35.39%. 研究给出延迟时间风险函数与影响因素之间的定量关系,结果可应用于跟驰模型参数优化与微观驾驶行为仿真模型.     

车辆荷载特性影响下的碰撞时间分布规律

受车辆荷载特性影响的碰撞时间(Time-To-Collision, TTC)，被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性，分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据，分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响，利用KS 检验对比TTC分布的显著性.结果表明：TTC累计频率分布服从指数模型，在5%置信度水平上，跟驰前后车的车辆类型对TTC分布无显著影响；前后车均为超重轻车显著增加了潜在冲突风险，超重增加了轻车跟驰重车，轻车跟驰轻车场景的潜在冲突风险；前后车不超速跟驰场景下，轻车跟驰重车的风险比例高于轻车跟驰轻车.     

车辆荷载特性影响下的碰撞时间分布规律

受车辆荷载特性影响的碰撞时间(Time-To-Collision, TTC),被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性,分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据,分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响,利用KS 检验对比TTC分布的显著性.结果表明：TTC累计频率分布服从指数模型,在5%置信度水平上,跟驰前后车的车辆类型对TTC分布无显著影响;前后车均为超重轻车显著增加了潜在冲突风险,超重增加了轻车跟驰重车,轻车跟驰轻车场景的潜在冲突风险;前后车不超速跟驰场景下,轻车跟驰重车的风险比例高于轻车跟驰轻车.     

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为,基于实测数据验证全速差模型发现,其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异,基于4 种跟驰情景,即小客车跟驰小客车(car-car),小客车跟驰公交车(car-bus),公交车跟驰小客车(bus-car),公交车跟驰公交车(bus-bus),建立考虑车流异质性的车辆跟驰模型. 结果表明,改进模型的性能提升明显,较全速差模型,速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%,22.32%,更符合交叉口进口道异质疏解车流的跟驰行为.     

纯微观车辆跟驰行为研究与仿真

车辆跟驰作为交通领域研究的一个重要课题,在现实生活中具有重要的实际意义.为了研究车辆在行驶过程中的跟驰特性,首先,依据车辆跟驰原理,在原有微观车辆跟驰模型的基础上,对模型进行了改进和完善,使之更切近实际.然后,以VC6.0为平台,对纯微观车辆跟驰运行过程进行仿真,仿真结果直观地表现车辆在跟驰过程中速度、加速度的变化,反映出车辆的跟驰特性,以期对相关交通问题的解决提供有益的探索.