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.     

考虑多前车反馈的智能网联车辆跟驰模型

基于智能网联车辆(Connected Autonomous Vehicle, CAV)跟驰特性,本文研究CAV跟驰模型.考虑多前车电子节气门角度反馈,构建CAV跟驰模型,并应用稳定性分析方法,推导所提模型稳定性判别条件.以考虑3辆前导车的CAV跟驰模型为例,设计数值仿真实验,分析不同CAV比例时混合交通流的安全性.模型稳定性分析表明：所提模型相比已有模型(CAV的T-FVD模型及常规车辆FVD模型)具备更优的稳定域,且考虑前车数量越多、多前车反馈权重系数越大,所提模型的稳定性越好;相同取值条件下,距离越远处的前车反馈权重系数对所提模型稳定性的影响越大.数值仿真表明,CAV有利于降低交通流的车辆尾部碰撞安全风险.     

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。     

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。     

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.     

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...     

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.     

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.     

高速公路交通事故起数时空分析模型

为了分析交通事故起数与时间、道路空间结构及交通运行环境等潜在影响因素之间的关系, 从时间和空间角度选择9个自变量, 分别从路段长度一致和路段坡度一致2个角度, 构建交通事故起数时段、周日和月分布模型。以某典型交通事故多发段为例, 分别运用泊松回归模型、负二项回归模型、零堆积泊松回归模型和零堆积负二项回归模型拟合交通事故起数时段、周日和月分布模型, 根据模型的拟合优度检验, 分别确定3个模型的最佳形式, 从而构建交通事故起数时空分析模型。研究结果表明: 从AIC准则和BIC准则来看, 基于路段长度一致的交通事故起数时段、月分布模型采用负二项回归模型拟合效果较好, 其他模型选择泊松回归模型拟合效果较好; 基于路段长度一致的交通事故起数时段、周日、月分布模型的预测误差小于基于路段坡度一致的交通事故起数时段、周日、月分布模型。     

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性,在考虑后视效应的基础上,融合多辆前车速度与加速度等状态信息,以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型;在此基础上,研究了前后方车辆数和状态信息完整度对模型稳定性的影响,结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析,并确定了模型最优参数;利用混合交通环境特性,在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略,并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中,全部车辆的停止波速最大提高了26.1%;在车辆启动场景中,启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓;在环形道路场景中,当混合交通流中CAV渗透率由40%提高至100%时,在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见,在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下,该跟驰模型和策略可用于车辆跟驰仿真与特定场景下的测试验证,能够有效保障混合交通环境中的交通流扰动吸收和车队稳定行驶。     

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.     

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.     

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。     

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.     

CACC车辆跟驰建模及混合交通流分析

建立协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆跟驰模型,并分析不同CACC比例下的混合交通流通行能力,尾部碰撞安全及交通排放.考虑车辆期望车头间距随速度动态变化的交通流特性,建立基于非线性动态车头间距策略的CACC跟驰模型,推导不同CACC比例下的混合交通流基本图模型,分析CACC提高通行能力的交通流运行机理.设计高速公路上匝道瓶颈数值仿真实验,评估不同CACC比例下的车辆尾部碰撞安全隐患,以及油耗、CO、HC、NOx的排放.研究结果表明,本文建立的CACC模型能够在交通流速度基本不变的情况下,以较高的交通流密度显著提升通行能力,同时有利于车辆尾部碰撞安全风险及交通排放的降低.     

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.