基于分子动力学的车流运行动态特性及其模型

车辆跟驰行为受前导车和道路环境等的影响,将车辆抽象成相互作用的分子,基于分子动力学构建相互作用势函数,建立基于相互作用势函数的分子跟驰模型.采集试验路段不同点位的交通流样本,从视频中获得所需数据,并对加速度波动特性进行分析.将车辆运行状态分为常态行驶,起动加速和减速停车3种,根据实测交通数据对3种车辆运行状态进行模型参数标定,同时对分子跟驰模型进行稳定性分析验证,结果表明,相对于经典GM模型,分子跟驰模型稳定性更好,对实际交通状态拟合程度更高.     

�����е�·�źŽ�������г������˵���Ϊ�о�

对北京市信号交叉口的自行车和行人在混合交通流中的微观行为进行研究分析。研究中使用视频采集技术和数据分析技术来收集和分析自行车和行人在交叉口的行为。论文的主要研究结果是信号交叉口字自行车和行人的各种微观行为特征和基础行为模型， 这些结果有助于理解信号交叉口混合交通流的行为，并为城市混合交通流的微观交通模拟模型提供基础数据和理论依据。     

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.      

基于轨迹数据的车辆跟驰行为分析与建模综述

随着轨迹收集技术与数据分析技术的迅速发展,越来越多的车辆行驶轨迹被采集并用于 交通流研究。车辆轨迹数据主要包括车辆运行的位置与时间等信息,利用这些信息可以推算出 车辆的速度、加速度及其与前车之间的空间和时间距离等驾驶行为参量。通过研究轨迹数据可 以揭示车辆自身的运行规律,车辆之间的相互作用规律,道路环境对车辆的作用规律,以及由此 产生的宏观、微观交通流现象,因此,轨迹数据研究受到日益重视。本文简要回顾了与轨迹数据 收集相关的历史,介绍了自然场景下采集的Next Generation SIMulation(NGSIM)数据及实验场景 下采集的车队轨迹数据,并梳理了近几年基于车辆跟驰轨迹的理论研究。首先,分析以交通振 荡、交通回滞为代表的交通流关键实测现象研究工作;整理跟驰行为分析方面的研究成果,包括 不对称跟驰行为、稳定跟驰行为的存在性、跟驰行为的记忆效应、任务难度、随机性、异质性。之 后,介绍基于跟驰行为分析成果而构建的仿真模型。最后,从3个方面评述现有基于轨迹数据的 研究,并提出未来展望：交通流关键实测现象方面,应收集更多不同条件下的数据,并尝试构建更 加普适性的理论或模型解释交通流现象;跟驰行为分析方面,可结合数据挖掘技术或生理、心理 理论,量化驾驶员跟驰特性与生理、心理特征,并将两者结合深入分析跟驰行为的机理;仿真建模 方面,可更多考虑驾驶员生理和心理变量,使模型更具人性化特征,并关注模型的评价方法,注重 模型对实际交通流的解释能力。     

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.     

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.     

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。      

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．     

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.     

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.     

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.     

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。     

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.     

考虑多车影响的分子动力学智能网联跟驰模型

为研究含智能网联汽车(Connected and Automated Vehicle, CAV)和人工驾驶汽车(Regular Vehicle, RV)混行交通流下CAV跟驰行为的控制问题,考虑前后多车的速度、车头间距、速度差、加速差等参数,采用分子动力学定量表达不同周边车辆对主体车的影响,得到可用于描述CAV在混行交通流中的跟驰过程。稳定性分析结果表明,与全速度差模型相比,本文提出的考虑前后多车信息的CAV跟驰模型有利于提高交通流的稳定性。数值仿真与模型验证结果表明,与PATH实验室的CACC(Cooperative Adaptive Cruise Control)模型相比,本文建立的CAV跟驰模型平均速度最大误差减小了0.19 m·s^-1,平均误差减小26.79%,拟合精度提高了0.91%。同时,在CAV和RV组成的混行交通流中,随着CAV比例的逐渐增加,车队的平均速度和交通流量逐渐增加。迟滞回环曲线表明,与全速度差(Full Velocity Difference, FVD)模型相比,本文提出的CAV模型控制下的交通流稳定性更强。该模型可用于同质流或CAV与...     

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.