基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

基于神经网络的模糊推理车辆跟驰模型

根据BP神经网络自学习的特点，通过训练使模糊变量和隶属函数隐含在网络内部，并用模糊逻辑推理模拟驾驶员对车辆进行控制的过程，可以使模型更接近于真实的跟驰行为，最后用该模型进行了仿真，证明其可行性。     

利用五轮仪实验数据建立车辆跟驰模型

车辆跟驰模型是微观交通流模拟的一个基本模型，用来分析和描述在无法超车的同一车道上一辆车(驾驶员)跟随另一辆车的方式。由于实际道路上驾驶员信息的获取困难，建立的车辆跟驰模型难以标定或验证。本文利用五轮仪试验系统获取的车辆跟驰数据，应用BP神经网络，建立了车辆跟驰神经网络模拟模型。     

考虑横向干扰的交叉跟驰模型研究

在传统跟驰模型的基础上,对车辆横向位置分布进行了实地调查,分析了周边交通场景对跟随车的横向干扰特性。引入最大转移速度和疏散路程参数,建立了交叉跟驰模型并进行了交通仿真。统计分析结果表明:行驶车辆横向位置分布基本符合正态分布,跟随车的行为变化与车辆偏离中心线的距离大小有关,交叉跟驰模型可以更加准确地反映实际道路交通场景。此模型的建立能够揭示车辆微观交互行为,对保障车辆运行安全和交通流稳定性具有重要的现实意义。     

基于改进跟驰模型的混合车辆编队研究

现有的车辆编队控制研究多基于全智能网联环境,不适用于智能网联汽车(Connected and Automated Vehicle, CAV)与人工驾驶汽车(Human-Driven Vehicles, HDV)组成的混合交通场景,因此以混合交通环境下CAV和HDV组成的车辆编队为研究对象,引入头车及前车、后方HDV信息,提出一种改进的智能驾驶员模型(Intelligent Driver Model, IDM)。为更贴合驾驶员的操作行为,缓解优化速度模型(Optimal Velocity Model, OVM)受前车影响产生的速度波动,通过引入驾驶员误差,对OVM模型进行改进。为验证模型的有效性,分别对以上改进进行仿真对比分析,结果表明改进后的IDM模型和OVM模型组成的混合车辆编队在速度响应时间、跟驰间距、油耗、安全性、稳定性等性能方面得到明显改善。     

基于自适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型.针对这一问题,应用自适应模糊神经推理系统(ANFIS)建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练.最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真.结果表明,前者输出的跟驰车辆加速度值更接近于真实值.     

基于自然驾驶数据的高速公路跟驰模型参数标定

为了研究中国驾驶人在高速公路上的跟驰行为特征,从上海自然驾驶研究试验数据库中提取48位驾驶人在高速公路上的跟驰事件并进行特征分析。利用自动化筛选准则及人工验证方式提取1 548个有效事件,选取后车车速与车头间距为性能指标,其均方根百分比误差之和为目标函数,利用遗传算法对Gazis-Herman-Rothery模型、GIPPS模型、智能驾驶人模型、全速度差模型和Wiedemann模型进行参数标定及效果验证。基于误差、碰撞及后退等异常情况出现次数等比较其表现性。研究结果表明：不同模型对中国驾驶人的适应性不同,智能驾驶人模型具有最小的误差和误差标准差,更加适合仿真中国驾驶人在高速公路上的跟驰行为。研究结果对于开发适合于中国驾驶人与道路环境特征的跟驰模型具有重要价值。     

基于跟驰模型的交通流混沌转化影响因素的仿真研究

为分析交通流混沌转化机理，利用Matlab软件编制皮埃莱（Bierley）模型来产生仿真交通流时间序列。在一定参数组合情况下，仿真研究了交通流车队中前后车辆的车头间距变化过程。通过分析这种车头间距的变化曲线，可以明显地观察到交通流混沌运动和有序运动之间的转化过程；在此基础上，通过考虑模型参数和仿真参数变化的大量仿真试验，应用最大Lyapunov指数改进算法对仿真交通流混沌转化的影响因素进行了理论分析。该研究结果有助于进一步理解、解释诸多交通流混沌转化现象，并为短时交通流预测和智能交通控制提供理论依据。     

特殊过程下的车辆跟驰模型数值模拟分析

为分析车辆跟驰模型的性能和存在的问题,并在试验基础上有针对性地提出模型的关联因素,利用开发的FMSS数值模拟系统,对3种车辆跟驰模型的稳定性、真实性和存在的问题进行了特殊过程下的跟车数值模拟和分析。结合五轮仪跟车试验结果,分析了建立跟驰模型需要系统考虑的问题,提出了一个概念模型。研究表明:所分析的跟驰模型在特殊过程下都是不稳定的跟驰模型,要建立具有良好综合性能的跟驰模型,应引入主观意愿、驾驶环境等不确定的智能因素,建立包含数学、逻辑映射的综合模型。     

结合改进跟驰模型的交通流元胞自动机模型

为更好地分析交通流运行规律,实现有效的交通控制和优化,提出结合改进跟驰模型的交通流元胞自动机(cellular Automata,CA)仿真模型.首先在分析正比于速度的间距倒数模型和Bierley模型特点的基础上,改进得到更符合实际的跟驰模型,进而创建的CA模型结合改进跟驰模型计算并离散化得到的加速度,进行车辆及整条车道的状态更新.通过模型仿真,得到速度差灵敏度系数λ、车辆间距灵敏度系数k和安全距离参数α不同取值时的交通流基本图和X-t时空状态图.通过仿真发现,λ,k的取值很大程度影响图形形状,而α的影响较小,同时模型仿真再现了交通流状态的动态衍化过程.通过试验验证,该模型仿真得到的Q-ρ关系曲线和实际交通流一致,且可模拟再现实际交通流的失稳、阻塞演化、走走停停等非线性交通流现象.     

基于模糊模型的跟驰车流特性研究

针对有关车辆跟随的传统车流跟驰理论存在的许多不足,分析了跟驰模型存在的问题,提出采用模糊模型来建立局部车流跟随模型,并针对隐性知识问题,提出了采用输入-输出数据对来设计模糊规则,应用权重来解决规则冲突问题并简化规则库.通过实例验证了模糊模型较之跟驰模型的优势.证明模糊模型更能有效地模拟真实的局部车流模型,其将对车辆避撞预警的研究提供理论上的参考价值.     

基于神经网络的交通方式选择模型

已有的交通拥挤问题研究大多关注于城市交通的宏观层面,而对于微观层面的居民出行个体研究甚少,这主要是因为与出行个体相关的特征指标难以量化,只能做定性分析,引入神经网络模型即能够识别线性指标又能够识别非线性指标的特性。分析了影响居民出行方式选择的相关因素,这些因素包括出行者自身特性、出行者的出行特性、运输系统特性、出行区域特性和目的地区域特性5类,并建立了神经网络居民出行方式选择预测模型。通过实际调查数据的验证,表明本文模型具有很好的实用性,为城市居民出行方式的选择预测提供了新的思路。     

基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

基于BP神经网络的交通事故预测模型

交通事故预测对于分析现有道路交通条件下交通事故的未来发展趋势及其预防具有重要意义。在进行交通事故统计的基础上，运用BP神经网络理论，建立交通事故预测模型。计算结果表明，该模型较传统方法精度高，可用于交通事故预测。     

基于BP神经网络的交通事故预测模型及仿真

交通事故的发生,受人、车、路、环境、管理等多方面因素的影响,存在很大的不确定性。利用BP神经网络,建立交通事故预测模型,并用Matlab仿真,验证模型的精确性。