侧向碰撞风险对交织区汇合行为的影响

为研究高速公路交织区匝道车辆的汇合行为,基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)构建了交织区汇合加速度模型,利用美国 Next Generation Simulation (NGSIM)车辆轨迹数据提取汇合车辆与周围车辆之间的横纵向距离差、速度差及加速度等交通 参数作为候选变量,将1 s后的汇合加速度作为预测变量,对模型进行五重交叉训练和测试,获取 模型最佳参数组合,引入横向距离碰撞时间 TC 分析汇合过程中侧向碰撞风险对汇合加速度的影 响。研究发现：与基于视角的刺激-反应模型(VASR)相比,本文模型的预测精度更高;引入变量 TC 在均方误差(MSE)、平均绝对偏差(MAD)和R2这3个指标上均优于原模型;在各影响变量之中,汇 合车辆与目标车道领车的速度差 ΔVPL 和横向距离碰撞时间 TC 对汇合加速度的影响最大,相对影 响程度分别达到20.2%和12.1%。研究发现,GBDT模型能够准确预测车辆汇合加速度,深入挖掘 变量和汇合加速度之间的非线性关系,引入变量 TC 能够有效提高模型精度。     

基于GBDT算法的高速公路分车型交通流短时预测模型

为了准确预测高速公路短时交通流量,以制定科学合理的运营管理方案,运用高速公路联网收费数据和外界环境天气数据,实现数据清洗、预处理,挖掘得到日期、时段、车型等有效特征,构建基于GBDT算法的交通流短时预测模型。以成渝高速公路短时交通流预测为实例分析对象。结果表明,预测误差较BP神经网络模型、RF模型、SVM模型分别降低4.43%、0.32%、1.01%,表明模型具有较好的可靠性和有效性。     

基于梯度提升决策树的高速公路交织区汇入位置模型

匝道车辆的汇入行为对高速公路交织区的通行能力有重要的影响,汇入位置是汇入行为中最重要的行为参数之一.本文利用梯度提升决策树(GBDT)建立了一个车辆汇入位置模型并对各变量进行了分析.考虑到汇入行为是一个二维驾驶行为,我们在模型中引入了车辆进入辅助车道时的初始横向位置这一变量.利用NGSIM中的车辆轨迹数据对模型进行训练,并与Lognormal 进行对比.结果表明,GBDT模型在AIC,BIC 和R²这3个指标上均大幅优于Lognormal模型.最后,本文对解释变量的重要性和其偏效应进行了分析,其中初始横向位置的重要性最高;敏感性分析表明,GBDT模型能够深度挖掘汇入位置与变量之间隐藏的非线性关系.