车辆跟驰的随机优化速度模型及其稳定性分析

传统优化速度模型(OV)中把驾驶员的灵敏度系数设定为相同的常数值,而在真实驾驶情 况下,驾驶员的灵敏度系数会在跟驰过程中发生随机性变化。为描述这个交通流的随机行为,将 驾驶员的灵敏度系数模型化为高斯白噪声过程,建立随机优化速度模型(Stochastic Optimal Velocity,SOV)。然后,运用随机动力学稳定性分析中的矩稳定性理论分析SOV模型的稳定性, 得到一阶和二阶矩稳定性条件的解析解,解析式表明：SOV模型的稳定域由灵敏度系数的均值和 噪声强度,以及车头间距共同决定。最后,应用蒙特卡洛法进行数值模拟,模拟结果验证了矩稳 定性条件的有效性。与确定性OV模型进行数值模拟对比,结果表明：SOV模型中灵敏度系数的 噪声强度会增加交通系统产生拥堵的可能性,在扰动传播过程中的影响体现在扰动演化的波动 振幅上。     

基于相关分析的跟驰模型及其稳定性

为了精确地模拟车辆跟驰过程,应用相关分析的方法建立一系列跟驰模型,用微积分的方法解析模型.通过变量筛选.明确了影响车辆跟驰的重要因素有速度差、间距和前车速度.通过对模型的解析.确定了模型参数的合理取值范围以确保模拟的稳定.建立的跟驰模型可以模拟不同车辆之间的跟驰行为.预测跟驰车辆的运动状态,用于智能车辆控制或者用于追尾预警.如果获得了更完备的实验数据,基于相关分析建立跟驰模型的方法可以更精确地考虑到车辆运动状况、动力性能、道路条件、驾驶特性等影响因素.     

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.      

基于驾驶人特性的双车道跟驰模型稳定性分析

为了研究交通拥堵问题，了解交通拥挤形成的过程及驾驶员自身特性对双车道交通流稳定性的影响.本文基于复杂网络聚类同步理论，对一类基于驾驶员特性的双车道跟驰模型的稳定性进行研究. 通过设计适当的控制器使得基于驾驶人特性的双车道车辆跟驰模型趋于稳定，并得到了模型稳定性的条件.此外，在双车道上的车辆受到随机外部扰动的情形下，利用具有外部扰动的复杂网络自适应H∞ 聚类同步理论，研究了外部扰动情形下基于驾驶人特性的双车道车辆跟驰模型的稳定性.最后，采用MATLAB仿真技术进行数值模拟，验证所设计控制器对双车道交通流稳定性的影响及不同的驾驶员性格特性对交通流运行的影响.     

基于驾驶人特性的双车道跟驰模型稳定性分析

为了研究交通拥堵问题,了解交通拥挤形成的过程及驾驶员自身特性对双车道交通流稳定性的影响.本文基于复杂网络聚类同步理论,对一类基于驾驶员特性的双车道跟驰模型的稳定性进行研究. 通过设计适当的控制器使得基于驾驶人特性的双车道车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在双车道上的车辆受到随机外部扰动的情形下,利用具有外部扰动的复杂网络自适应H∞ 聚类同步理论,研究了外部扰动情形下基于驾驶人特性的双车道车辆跟驰模型的稳定性.最后,采用MATLAB仿真技术进行数值模拟,验证所设计控制器对双车道交通流稳定性的影响及不同的驾驶员性格特性对交通流运行的影响.     

基于改进优化速度函数的跟驰模型研究

为了探究车辆跟驰中车头间距与速度的关系函数,采用高精度车载GPS设备获取了大量基于时间序列的车辆跟驰数据,根据实测车头间距—平均速度关系构建了改进的优化速度函数.对原优化速度函数和改进的优化速度函数进行了参数标定,并对两个函数进行了微观向宏观交通参数的推导,结果表明,改进的优化速度函数能更好地描述车辆跟驰中微观和宏观交通参数之间的关系.最后对基于两种函数的全速度差跟驰模型进行了数值模拟,结果表明,基于改进的优化速度函数的跟驰模型具有更好的稳定性.     

前后多车影响的跟驰模型及稳定性分析

驾驶员在跟车行驶过程中,通常会通过视野前后车辆的行驶状态来调整自己的跟驰行为,基于此本文提出了一种考虑驾驶员视野内双前车和后车对跟驰车辆影响的改进跟驰模型.根据线性稳定分析方法,得到了改进模型的中性稳定性条件,并通过计算机仿真模拟进行了验证.为了进一步加强验证结果及说明改进模型的优越性,同经典FVD模型进行了数值仿真对比.仿真结果表明：灵敏度α越大越有利于提高改进跟驰系统的稳定性;同经典FVD跟驰模型相比,改进模型抵抗干扰的能力更突出,能够消散交通系统中的微小扰动,具有抑制交通拥堵和稳定交通流的有利作用.     

外部扰动下一类车辆跟驰模型的稳定性分析

为了研究交通拥堵问题,基于多智能体一致性理论对一类车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计适当的控制器使得车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到不确定的外部扰动的情形下,研究了车辆跟驰模型的稳定性.最后,采用Matlab仿真技术进行了数值模拟,结果表明在设计的控制器下,车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.     

基于Multi-Agent System的跟驰模型

利用Agent相关理论,基于多个相互协作的Agent,构建了基于Multi-Agent System的跟驰模型,具体给出了各Agent的结构和元组构成,以使车辆在跟驰环境下能自适应、主动地对环境进行响应并做出决策.此外,基于构建的跟驰模型给出了数值仿真实例,并得到合理结论.     

基于跟驰模型的交通流混沌研究

本利用Simulink软件，基于皮埃莱跟驰模型，建立了由十辆车组成的车队的动态仿真模型。实验中通过采集车队中不同位置的车辆与其前车辆的车头间距来分析研究交通流程沌现象。通过仿真研究分析，得到的主要结论为皮埃莱跟驰模型产生的交通流存在混沌现象，后车驾驶员对前后车相对速度越敏感越容易出现混沌现象，后车驾驶员对前后车车头间距越敏感越容易出现混沌现象，首车所受干扰振幅越大越容易出现混沌现象。     

基于期望车速的跟驰模型研究

期望车速是驾驶员驾车过程中依据道路条件、车流状况、所驾驶车辆性能等因素,经综合考虑后存在于自身心目中并认为可以实现的一种＂目标车速＂,它对行驶车辆的实际行车速度高低产生影响。为了反映车辆运行过程中不同驾驶员运行车速选择的差异,本文提出了基于期望车速的跟驰模型。该模型能够解释不同驾驶员在相同道路条件下选择不同行车速度的原因。在建立模型的基础之上,作者讨论了保持交通流稳定性的充分和必要条件。最后,文中给出了应用实例。结果表明：当驾驶员的期望车速接近均衡车速时,交通流是稳定的;反之,当驾驶员期望车速与均衡车速差异较大时,交通流的稳定性可能下降。     

考虑速度对反应强度影响的车辆跟驰模型

全速度差(FVD)跟驰模型考虑了速度差对司机驾驶行为的影响,但是其仍不能反应车辆跟驰过程中的非对称性。在FVD模型的基础上,考虑司机对速度差的反应强度受车辆当前速度的影响,建立了新的模型。新模型能够解释司机加速和减速过程中的非对称性现象出现的原因:司机对前后车速度差的关注强度与车辆当前速度大小成负相关,从而造成司机减速过程比加速过程更为急促。模型的自然稳定曲线也表现出车辆的减速和加速过程的非对称性。计算机仿真结果指出新模型能够描述车辆跟驰过程中的非对称性,并指出当前速度是引起这种非对称性的原因之一。     

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。     

一类非线性车辆跟驰模型的稳定性与分岔特性

针对一类常用的非线性车辆跟驰模型,本文运用时滞动力系统理论,分析了由3辆车组成的系统的稳定性及其Hopf分岔特性,得到了系统参数平面上的稳定域范围,以及不同的系统时滞量（驾驶员反映时间）和不同的安全间距对系统稳定域的影响,揭示了非线性车辆跟驰模型中存在的复杂动力学现象。通过数值仿真验证了理论分析和计算的结果,并判明了系统经历的Hopf分岔是亚临界的。理论分析的结果可推广到由任意辆车组成的车队。     

非机动车跟驰模型的研究

交通仿真技术的广泛应用,提高了方案预测的准确性和实时再现性。在以模拟机动车为主的仿真软件不能较好满足国内混合交通的背景下,非机动车跟驰模型的研究尤为重要。论文首先参照机动车定义了非机动车的虚拟行车道,提出了跟驰状态的判断条件,以此作为非机动车跟驰行为的研究基础。其次,以车辆间应保持的最小安全车头间距为思路,充分考虑非机动车中电动自行车与自行车之间的差异,构建了非机动车的跟驰模型。最后,将模型所涉及的参数与宏观的交通流参数联系起来,通过流量、速度和密度关系,验证了模型的有效性。研究对于完善现有的交通仿真软件具有一定的参考和实用价值。     

基于相关分析和安全车距的跟驰模型

为精确模拟动力性能各异的车辆之间的跟驰行为,分析了跟驰实验数据和车辆动力性能,采用回归分析法筛选变量,建立新的跟驰模型。根据车辆动力性能与车距修正模型,使模型模拟结果更符合车辆的动力性能,并具有广泛的适用性。模型模拟加速度、速度和位置与实测值之间的相对误差分别为6.0%、0.1%和1.0%,相关系数分别为0.863、0.998和1.000。由此表明模型可精确模拟车辆性能各异与车速和车间距离散性较大的跟驰车队。     

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.     

基于随机森林的车辆跟驰行为模型

为克服传统车辆跟驰模型不易获得驾驶员在决策过程中潜在的决策模式和各影响因素间的潜在关系的不足,采用随机森林(random forest,RF)算法建立车辆跟驰模型。模拟单车道车辆跟驰行为,利用NGSIM(next generation simulation)车辆轨迹实测数据对所建模型进行训练和测试,并与Gipps跟驰模型的测试结果进行对比。结果表明:与Gipps模型相比,RF模型的各项误差指标的精度均得到较大提升。     

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。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型,是交通流理论 的基础。近年来,信息感知与获取、大数据、人工智能等技术快速发展,推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型,是以真实的车辆行驶数据为基础,利用数据科学与机器学习等 理论和方法,通过样本数据的训练、学习、迭代、进化,挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮,归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型,并分别介绍了其中的典型代表。分析数据源发现,尽管各 种高精度轨迹数据不断涌现,目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据,模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量,是否有必要考虑更多行为变量,现有输入、输出 是否可替换。在模型测试与验证方面,发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后,探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理,帮助研究者更好地了解数据驱动跟驰模型的过去与现状,促进相关研究的快 速发展。