微观轨迹信息驱动的Bi-LSTM合流区车速预测

为明确城市快速路合流区的微观速度特性,确保车辆在衔接段运行速度协调可控,使车辆安全运行。首先,基于无人机高空视频,从广域视角提取了典型多车道交织区全样本高精度车辆轨迹数据,分析车速的累积频率、分布趋势、特征百分位值等运行特性。然后,基于可有效捕捉前向历史速度数据的变化特征的LSTM模型,构建Bi-LSTM车速预测模型;考虑到人工设置训练参数对模型预测性能的影响较大、时间较长,提出基于遗传算法优化的Bi-LSTM速度预测模型(GA-BiLSTM)。最后,以R^(2)、Error Mean、Error StD、MSE、RMSE、NRMSE、秩相关rs这7类评价指标,建立多指标融合的评价方案。结果表明:GA-Bi-LSTM速度预测模型表现较优,拟合指标R^(2)、秩相关rs分别为0.9046、0.9495,误差指标Error Mean、Error StD、MSE、RMSE、NRMSE分别为0.0041、0.4470、0.1997、0.4469、0.0765。研究成果可为城市快速路的合流区车速调控提供理论依据。

道路环形交叉口机动车冲突风险区识别模型研究

为定量识别城市非信控环形交叉口区域内的机动车冲突风险易发生点,降低环形交叉口的事故发生率,本文构建针对非信控环形交叉口机动车冲突风险识别模型。首先,利用无人机采集高精度、连续的多车辆轨迹视频,结合Kinovea视频运动分析软件实现运行车辆状态识别与跟踪,并记录车辆每一帧的运动数据;其次,基于交通冲突识别指标TTC(Time to Collision),提出适应环形交叉口道路线形特征的车辆TTC计算方法,并使用累计频率法确定严重、一般和轻微冲突的阈值分别为1.2,2.8,4.4 s;最后,通过绘制高峰和平峰交通冲突空间异步图,并结合交通冲突数和严重冲突率,对环形交叉口的36个子区段进行交通冲突风险等级评定。研究结果显示:在高峰时段,某一子区段的平均交通冲突发生次数约为15次,严重冲突率为17.45%;在平峰时段,某一子区段的平均交通冲突发生次数约为8次,严重冲突率为8.28%。重度风险区域在高峰时段占比达到50%,而在平峰时段为8.33%,这些重度风险区域主要集中在交织区段。因此,环形交叉口在高峰时段且位于交织区段的情况更易发生交通事故。本文研究成果有助于交通管理部门了解环形交叉口在不同时段和区段上的交通冲突情况和特征,以便采取相应的预警和管理措施。

协同换道避障模型和轨迹数据驱动的车辆协同避障策略

考虑车辆类型、驾驶风格及不同阶段影响车辆换道的关键目标,将车辆避障过程中的“车-车交互”机理描述为力的关系,构建协同换道避障模型(CLAM),提取并建立适用于突发事件的车辆避障微观轨迹数据集,将车辆避障转化为多约束优化控制问题,以优化算法(OA)为纽带,设计车辆协同避障控制(CLAM-OA)策略。结果表明:相较于数据驱动的长短时记忆模型,CLAM-OA策略输出的误差均显著减小、车速与位移在不同时域的输出结果也更加稳定。

基于社会力的交织区突发瓶颈段协同换道决策模型

为描述交织区突发瓶颈段车辆换道决策机理,提供一种突发事件环境可采用的换道决策模型,本文基于车辆微观轨迹信息与社会力行人交通流模型,构建面向瓶颈路段的车辆协同换道决策模型,可为智能网联突发瓶颈环境提供一种换道决策方法。首先,基于突发瓶颈段车辆换道决策特征,考虑车辆类型和驾驶员类型,构建车辆等效质量模型以改进社会力模型,在此基础上,将驱使车辆换道的因素描述为自驱动力、车辆间排斥力和障碍物排斥力,构建协同换道决策模型;然后,筛选了832个有效的换道决策微观轨迹数据,并分为标定集和验证集,以加速度为指标,曼哈顿距离为目标函数,利用遗传算法对模型进行标定,基于模拟数据和实测数据验证了标定方法的有效性;最后,与主动换道决策模型在换道方向识别、换道意愿强度、模型预测误差方面进行对比验证。结果表明,本文模型换道方向识别成功率达92.6%,输出的换道意愿强度与实测数据基本吻合,预测结果的均方根百分比偏差(RMSPE)值平均降低0.825,相对误差(RE)值平均降低1.379,显著优于主动换道决策模型。研究成果可为智能网联环境瓶颈段车辆换道意图识别、突发事件下的交通管理和控制提供理论依据。

多车道交织区车辆跟驰行为风险判别与冲突预测

车路协同系统(IVICS)是保障安全高效出行的新兴技术之一,将高精度车辆轨迹数据与机器学习方法相结合,提出一种可应用于IVICS的多车道交织区的潜在风险判别与冲突预测方法。首先,基于无人机视频,从广域视角提取交织区交通矢量位置、速度等信息,并划分上下游、交织影响区等多个分区;然后,考虑决策行为(车车边缘距离、接近率)与车辆行为(横纵向速度、加速度、速度角度)构建风险判别模型,以单位面积冲突次数、持续时间、冲突密度等指标评估风险;最后,基于朴素贝叶斯模型与logistic回归模型分别进行交通冲突预测,与实测数据相比,预测准确率分别为74.86%、87.10%,Area Under Curve分别为0.84、0.88,表明logistic回归模型具有更好的预测性能。研究成果有助于交管部门制定与优化交通管控方案,可应用于IVICS动态预警。

基于换道概率分布的多车道交织区元胞自动机模型

交织区是快速路系统的重要组成部分,由于车辆频繁换道、相互作用复杂,容易造成交通瓶颈。本文提取城市多车道交织区时间分辨率为0.1 s、空间分辨率为0.1 m·px^(-1)的高精度车辆轨迹,分析交织区及相邻路段的交通流和车辆行为特性,提出分区元胞自动机模型。在上游和下游换道模型中,建立基于速度差、车辆间距的换道动机规则、间距规则及Logistic换道概率规则。对于交织影响区,建立考虑速度、间距及路径转换需求的换道动机规则,根据安全风险构建换道时机的多步决策规则,提出基于换道频率Gaussian分布模型的换道概率规则,并对主要参数进行灵敏度仿真测试分析,模型具备评估交织区不同换道状态的实际应用潜力。仿真与实测显示,本文模型流量、速度、密度及换道分布等特性与实际相符,能有效反映车辆在不同位置的换道需求与强度差异性,刻画多车道交织区复杂的换道行为。

面向换道冲突互信息的复杂交织区车辆风险识别

为提升复杂交织区行车安全性,提出了一种考虑换道冲突互信息的车辆换道风险识别方法。首先,基于无人机视频提取复杂交织区的微观换道轨迹,测算换道风险关键参数;然后,考虑换道紧邻车辆信息,聚焦于车辆换道行为的矢量性,改进拓展TTC理论,构建复杂交织区换道风险识别模型,并对换道风险的等级进行细分;最后,基于实测数据进行模型的优化与验证。结果表明,模型可有效反映汇入或汇出主线的迫切需求,描述车辆在不同位置、不同方向的换道风险差异。研究成果有助于智能网联环境下复杂交织区的车辆换道决策与轨迹优化,为交管部门制定动态预警方案提供理论支持。

基于生态驾驶的道路合流区车辆运行状态估计

针对城市道路合流区生态驾驶策略的研究,需考虑真实场景车辆运行车速特性。通过分析车速的累积频率、分布趋势、特征百分位值等统计特性,得出平/高峰时段下合流区车速的差异性及高峰时段下合流区车速及加速度的运行特性。结果表明:高峰时段交织区车速分布为相对集中的左偏分布,平峰时段交织区车速基本符合Gaussian分布;高峰时段合流区车速紊乱分布于[0,20.0]km/h,平峰时段合流区车速有序分布于[7.5,45.0]km/h;高峰时段合流区纵向加速度与车速关系的散点分布呈不等腰三角形,而纵向减速度与车速关系的散点分布呈直角三角形;高峰时段合流区纵向加速度分位值折线图呈现M形,纵向减速度分位值折线图呈现出明显的上升趋势。该车速状态估计模型拟合程度指标达79%以上,精度满足要求,可为生态驾驶车速估计研究提供一定理论参考。

考虑智能网联近邻车辆信息的交织区换道风险预警

面向车辆换道风险预测时特征差异大、样本不均衡、参数调优时间久的问题,将高精度微观车辆轨迹数据与超参数优化机器学习方法相结合,提出了一种可应用于智能网联车辆(ICV)的交织区换道风险识别与预警方法;基于无人机航拍视频,从广域视角提取了城市快速路交织区时间精度为0.1 s、空间精度为每像素0.1 m的换道轨迹,测算了车辆间距、矢量速度、加速度、接近率、速度角度等换道风险感知信息;引入考虑近邻车辆信息的换道TTC模型,以反映车辆汇入或汇出主线的迫切需求,描述其在不同位置的换道行为差异性;结合15分位数法和四分位差法,划分了换道风险预警等级;基于准确率、真阳性率、灵敏度等多项评价指标,遴选并对比了线性分类器、支持向量机、K近邻以及RUSBoost模型换道风险预测结果,得出交织区换道风险实时预警优选模型,针对优选模型进行了超参数优化与验证。研究结果表明:RUSBoost模型为优选模型;超参数优化机器学习方法迭代至第24次时,RUSBoost具有最小误差与最佳点超参数;RUSBoost、BRUSBoost优化模型预测准确率分别为91.40%、99.80%,AUC分别为0.96、0.99;BRUSBoost优化模型对于Ⅰ级、Ⅲ级换道预警精准率分别提升了50.9%、41.2%,有效改善了极端风险换道条件更复杂也更不易预测的缺陷。研究成果有助于智能网联车辆换道决策与轨迹优化,指导交管部门制定ICV动态预警方案。