环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明:环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数λ的值在0.2 ～1.0之间,λ值为0.38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的.     

环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明：环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数A的值在0．2—1．0之间,A值为0．38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的．     

临近交叉口的车辆跟驰换道行为研究

临近交叉口的车辆往往呈现出复杂多样的跟驰换道行为.基于二维最优速度(OV)交通流模型,本文构建了一个改进的双车道车辆跟驰换道模型,以刻画交叉口前路段上的车辆跟驰换道机制及车流宏观特征.借助模型分析了换道车辆比例、换道期望参数和跟驰安全距离等对交通流宏观特征的影响.结果表明:换道车辆比例对通过停车线的进口道流量有负面影响,换道行为越多,进口道流量越小.换道期望参数越大,换道成功率越大;当道路拥堵时,增大换道期望会减少进口道流量.增大安全距离,容易提升换道成功率但会减小进口道流量,同时促使拥堵发生.     

考虑与跟驰模型结合的自由换道模型及仿真

考虑跟驰过程与换道过程的结合,在车辆换道过程的具体实施过程中引入跟驰模型,以全速度差模型为基础,对换道过程中的换道加速度进行确定,并通过对天津市视频录像换道时间的统计分析,建立了换道距离与换道时车头偏角之间的关系.最后利用Netlogo平台对模型进行了实现与仿真分析,结果表明:该模型很好地体现了实际换道的特点.     

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。     

施工区混行车流跟驰及换道模型研究

为研究施工区网联车与普通车混行状态下的车流跟驰及换道行为,分析网联车的区域内通讯及更小安全车距等特性,改进普通车元胞自动机模型的减速规则和随机慢化规则,构建网联车跟驰模型。建立普通车和网联车在施工区不同区段的换道意向规则,基于车距采集和空位排序算法建立网联车在通讯区域的预期换道和施工区域的强制换道模型,结合普通车换道模型模拟施工区混行车辆的换道规则及车流分布规律。采用算例验证模型,运用MATLAB仿真,多次实验消除随机因素影响,结果验证了网联车对扩大通行能力,提高平均车速及降低走行时间的有效性;不同比例下的换道点分布显示,网联车比例越高,预期换道区的换道点越靠近强制换道区,且强制换道点越靠前;而普通车换道点分布受混行车流比例的影响较小。     

基于行人影响的信号交叉口右转车辆跟驰模型

为探究在不同场景下行人对信号交叉口右转车辆跟驰行为的影响,采用无人机采集信号交叉口视频录像,通过视频分析技术提取信号交叉口右转车辆跟驰数据,提出考虑行人过街平均流率影响的右转车辆优化速度函数,构建不同场景下基于行人影响的信号交叉口右转车辆跟驰模型,并对模型进行参数标定和仿真验证.结果表明,保守驾驶员为避免人车冲突会先减速后停车,等待20 s可放行约27人;激进的驾驶员选择在过街行人间隙强行穿越人行横道,穿行前平均速度由13.8 m/s降至8.3 m/s,穿越完成后加速离开,速度波动较小,符合实际情形.     

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.     

车辆跟驰模型对比研究

车辆跟驰理论作为交通流理论的一个重要分支,半个世纪以来一直受到交通研究人员的重视并得到持续快速发展。主要介绍了几个重要模型并结合各自的特点进行了对比研究。建议实际应用时应根据系统要求结合模型的特点进行选择,必要时进行适当的改进。     

车辆跟驰模型对比研究

车辆跟驰理论作为交通流理论的一个重要分支，半个世纪以来一直受到交通研究人员的重视并得到持续快速发展。主要介绍了几个重要模型并结合各自的特点进行了对比研究。建议实际应用时应根据系统要求结合模型的特点进行选择，必要时进行适当的改进。     

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.     

车辆跟驰模型在港区工况下的仿真实验研究

通过对港区交通特性的分析,从分析车辆跟驰行为中的基本特征入手,结合定量和定性的方法,研究港区车辆上坡行驶特性,并通过修正车辆及线形参数,建立了仿真模型来获取合理的道路线形参数。     

车辆跟驰模型在港区工况下的仿真实验研究

通过对港区交通特性的分析,从分析车辆跟驰行为中的基本特征入手,结合定量和定性的方法,研究港区车辆上坡行驶特性,并通过修正车辆及线形参数,建立了仿真模型来获取合理的道路线形参数.     

自适应巡航控制车辆跟驰模型综述

分析了自动驾驶汽车自适应巡航控制(Adaptive Cruise Control, ACC) 和协同自适应巡航控制(Cooperative Adaptive Cruise Control, CACC) 车辆跟驰模型, 从系统控制原理、车车通信技术与车间时距方面阐述了ACC与CACC车辆的异同点; 将目前主流ACC/CACC车辆跟驰模型分为3类: 基于智能驾驶的车辆跟驰模型、加州伯克利大学PATH实验室车辆跟驰模型与基于控制论的车辆跟驰模型, 总结3类车辆跟驰模型的建模思路与主要优缺点; 从道路通行能力、交通安全和交通流稳定性3方面, 分析了ACC/CACC车辆对交通流特性的影响, 及其研究现状与未来发展趋势。研究结果表明: 不同的ACC/CACC车辆跟驰模型对通行能力的影响存在较大差别, ACC/CACC车辆有利于提升交通安全性, 但由于缺乏统一的安全性评价指标, 难以量化ACC/CACC车辆对交通安全性的影响程度; 小规模实车试验验证了ACC车辆具有不稳定的交通流特性, 否定了ACC车辆稳定性数值仿真结果, 而数值仿真试验和小规模实车试验均表明CACC车辆可较好提升交通流稳定性, 因此, 完全依赖于计算机仿真试验无法获得令人信服的结论, 实车试验是ACC/CACC研究的必要途径; 为了完善ACC/CACC在交通领域的研究, 应构建不同ACC/CACC车辆比例下的混合交通流基本图模型、智能网联环境下的ACC/CACC车辆跟驰模型建模方法与ACC/CACC混合交通流稳定性解析方法。     

机器学习——动力学耦合车辆跟驰模型

目前,跟驰模型的建立主要基于动力学方法和机器学习算法,将两者耦合起来建立跟驰模型的研究还没有.以线性组合预测为基础,对最优加权法中的目标函数进行改进,将经典的Gipps模型和基于BP神经网络的跟驰模型(BP Car-following Model,BP)耦合起来,建立线性组合车辆跟驰模型(Linear Combination Car-following Model,LC-CF).结果表明:BP模型的预测结果更加贴近真实值,Gipps模型的预测结果更加贴近安全值;LC-CF模型可以通过调整参数,来控制BP模型和Gipps模型在LC-CF模型中的权重,进而达到控制预测速度的真实性和安全性的目的.     

沙尘环境下交通流跟驰模型及仿真

沙尘环境下,沙、尘土及其他异物会影响驾驶员的视线,让驾驶员额外增加辨别道路条件和周围交通状况的反应时间,带来一定的交通安全隐患.为探讨沙尘环境对道路交通流的影响,本文建立了基于沙尘环境下驾驶行为的跟驰模型(SDM).线性稳定性分析和数值模拟结果表明：沙尘环境下,SDM的稳定区域缩小,交通流出现小的扰动后,难以恢复到稳定状态;而且,交通流受沙尘影响越严重,车辆速度的离散性越大,加速度的波动幅度也越大.可见,沙尘环境使交通流处于不安全的状态,易引发道路交通事故.     

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.     

模拟弹簧车辆跟驰模型参数的标定

针对模拟弹簧车辆跟驰模型进行深入研究,根据实地的交通调查数据,利用回归分析方法和拟牛顿法对模拟弹簧车辆停车和起动跟驰模型参数进行了标定,得出几种一般状态的模拟弹簧车辆停车和起动跟驰模型,最后得出结论：起动过程车辆初速度主要分布在2~6.5 m/s之间,并选取速度中间值得出起动过程模型;停车过程车辆初速度主要分布呈现三个区间,就每个区间选取其中间值得出了模拟弹簧车辆跟驰模型停车过程的方程.     

港区车辆坡度跟驰模型研究及工程应用分析

基于对港区交通特性的分析,从分析车辆跟驰行为中的基本特征入手,结合定量和定性的方法,研究港区车辆上坡行驶特性,并通过修正车辆及线形参数,建立仿真模型来获取合理的道路线形参数。通过工程实例,仿真结果得到验证。     

高速公路意外事件影响下的车辆跟驰模型

应用智能主体技术, 针对双向四车道高速公路意外事件影响下的车辆跟驰行为, 建立了基于智能主体的车辆跟驰模型, 利用西部高速公路交通调查统计的数据, 对车辆主体的间距愿望进行了定量分析, 利用比例微分控制确定车辆主体的加速度响应, 建立了不同加速度队列的逻辑意图, 使模型的加速度响应符合车辆的动力特性。利用开发的EAD-Simulation系统, 在特定和随机两种不同过程下对模型进行的测试表明: 利用智能主体技术描述高速公路意外事件影响下的跟驰行为, 可充分发挥其个性、自治性和自适应性的特点, 在主体的属性描述中利用比例微分控制“类阻尼”的特性, 可有效地对车辆主体的稳定性进行控制。