自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

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。     

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.     

����������ij�������ģ��CFCM�о�

车辆跟驰模型中的驾驶行为是一个复杂的推理、决策、执行过程，在知识表达和推理机制上存在模糊性和随机性。针对当前车辆跟驰模型研究存在的不足，引入云模型理论，确定了跟驰模型中的决策变量及概念判断子集，设计了模型参数标定的实验方法，在实验数据的基础上，计算了相关参数的隶属云特征值，总结了基于行为规则的车辆跟驰云推理机制，构造了车辆跟驰云模型CFCM(Car Following Cloud Model)。     

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.     

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...     

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.     

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...     

An enhanced safe distance car-following model

Gipps＇ model, a well-known safe distance car-following model, has a very strict restriction on the car-following behavior that the following vehicle has to maintain the exact safe distance to the leading vehicle to avoid rear crash. However, this restriction is not consistent with the real traffic condition. Due to that, an enhanced safe distance car-following model is proposed first, and then calibrated and evaluated using the field data. Furthermore, the simulation is conducted to analyze the characteristics of the new model. The results of evaluation and simulation illustrate that the proposed model has higher simulation accuracy than the original Gipps＇ model, and can reproduce the stable flow and shock wave phenomena that are very common in real traffic. Moreover, the simulation results also prove that the enhanced model can better stabilize the traffic flow than Gipps＇ model.     

�������ģ�͵������˼�ָ��������Ԥ��

分析原油价格对油轮运价指数的影响关系,并预测油轮运价指数发展变化趋势.本文通过Granger因果关联分析,原油价格是油轮运价指数的3阶Granger因.因此,建立了3阶ARCH模型对油轮运价指数进行了预测,预测精度在8%之内.根据油轮运价指数的自身非线性变化趋势,建立了三层BP神经网络模型预测油轮运价指数的发展趋势,精度在3%以内.为进一步提高模型的预测精度,结合ARCH预测模型和BP神经网络预测模型的特点,通过预测误差最小化模型,确定组合权重,建立了新的组合预测模型对未来油轮运价指数进行分析预测,模型的精度控制在2%以内,预测精度显著提高.此研究对油轮运价指数的预测提供了较好的方法.     

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IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。     

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。     

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

强制性换道的空间特征对分流区交通流的影响

为研究车辆在多车道分流区的跟驰换道行为，将强制性换道划分为激进型和保守型.在考虑驾驶员换道需求与空间位置关系的基础上，量化两种强制性换道行为的转换条件，并给出车辆强制性换道规则；对跟驰模型中的减速度参数进行优化，建立多车道下分流车辆的跟驰换道模型；采用实际数据标定模型中关键参数，并验证模型的可行性.仿真结果表明：分流车辆的横向空间分布对交通流的干扰具有显著性影响；当分流车辆集中在最左侧车道时，中间2车道的运行速度波动明显，折减量最大时达到51.4%，恢复稳定所需时间更多；通过 4组实验场景发现，分流车辆的合理空间分布对交通流运行速度有较大的改善作用.     

轨道列车时刻表问题研究综述

广泛的实践应用和复杂的计算挑战,使得轨道列车时刻表优化问题,多年来一直是交通运 输及运筹管理学界的热点研究问题。作为轨道交通运营规划的一个子阶段,列车时刻表向上与 线路规划(或开行方案)、向下与动车组调度融合,可以得到多个延伸的研究选题。在特定的时空 网络中,列车时刻表设计就是为每个列车确定一条无冲突的运行路径,使基于用户的度量指标如 乘客候车时间,或企业的度量指标如运营费用达到最优。对于没有列车越行和停站模式给定的 情况,通过整数变量可以完整地刻画列车时刻表模型,但如果考虑列车越行或列车停站决策,则 需要引入列车在车站出发顺序或停车决策的0-1变量。一般而言,列车时刻表问题的数学模型是 一类典型的大规模、多目标、强耦合的NP完全问题。算法设计是列车时刻表问题最为重要和困 难的部分。对于问题较简单或规模较小的情况,常用方法是对原有复杂问题进行适当简化和(或) 对难处理表达式进行合理修改,然后使用先进的计算架构和商用优化软件求解更新后模型。当 然,分支定界和动态规划这两类直接分解算法,是求解列车时刻表问题的重要方法。对于问题复 杂和规模庞大的情况,以拉格朗日和列生成为代表的对偶分解算法,则是求解列车时刻表问题的 最佳选择。未来,探讨列车时刻表与各种现实需要(如设施维修),以及时变票价和客票分配等因 素之间的深度融合,是一个有价值的研究方向;其次,研究网络环境下列车时刻表问题,将是一个 非常有意义的研究选题;最后,应进一步设计集成了问题特点与现代优化技术的各类求解算法, 开发能够完全应用于实际运营的商用软件。