为研究车辆在换道前与车辆在正常行驶时跟驰行为的差异性,从NGSIM数据库中提取了快速路上的543个换道行为和870个非换道行为的跟驰事件并进行特征分析。使用曼-惠特尼U检验(Mann-Whitney U test)验证了换道前车辆的跟驰行为与正常行驶...为研究车辆在换道前与车辆在正常行驶时跟驰行为的差异性,从NGSIM数据库中提取了快速路上的543个换道行为和870个非换道行为的跟驰事件并进行特征分析。使用曼-惠特尼U检验(Mann-Whitney U test)验证了换道前车辆的跟驰行为与正常行驶的跟驰行为存在显著差异。选取跟驰车辆的车速和车头间距作为性能指标,其均方根百分比误差之和为目标函数,并将目标车道的前车速度纳入到智能驾驶员模型(IDM)中,构建换道准备智能驾驶员跟驰模型(BLC-IDM),利用遗传算法对BLC-IDM进行参数标定和效果验证。研究结果表明,传统的IDM不适用于换道前车辆的跟驰行为,改进后的BLC-IDM拟合精度提高了20%。BLC-IDM可以更加精准地描述车辆换道前的特殊跟驰行为。展开更多
跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数...跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数作为因变量,将速度、加速度、加速度差分等微观特性变量作为自变量,并设定4种阈值回归分析。结果表明:对跟驰行为由安全状态变为危险状态,影响最大的因素为前后车速度差,前后车平均车头间距次之,但当存在大量跟驰行为时,前后车平均车头间距的影响更大,后车的微观特征对此产生的影响多于前车;为使跟驰行为保持在安全状态,应增加前车的速度、加速度、加速度差分和前后车平均车头间距,同时应减小后车的加速度、加速度差分和前后车速度差值;考虑到车流连续性,整体而言应使前后车保持相近的速度,避免突然加速或减速,且应保持适当的车头间距,并加强后车的管控。展开更多
为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛...为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation,NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识别出大数据中的异常驾驶行为并确定其种类。展开更多
文摘为研究车辆在换道前与车辆在正常行驶时跟驰行为的差异性,从NGSIM数据库中提取了快速路上的543个换道行为和870个非换道行为的跟驰事件并进行特征分析。使用曼-惠特尼U检验(Mann-Whitney U test)验证了换道前车辆的跟驰行为与正常行驶的跟驰行为存在显著差异。选取跟驰车辆的车速和车头间距作为性能指标,其均方根百分比误差之和为目标函数,并将目标车道的前车速度纳入到智能驾驶员模型(IDM)中,构建换道准备智能驾驶员跟驰模型(BLC-IDM),利用遗传算法对BLC-IDM进行参数标定和效果验证。研究结果表明,传统的IDM不适用于换道前车辆的跟驰行为,改进后的BLC-IDM拟合精度提高了20%。BLC-IDM可以更加精准地描述车辆换道前的特殊跟驰行为。
文摘跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数作为因变量,将速度、加速度、加速度差分等微观特性变量作为自变量,并设定4种阈值回归分析。结果表明:对跟驰行为由安全状态变为危险状态,影响最大的因素为前后车速度差,前后车平均车头间距次之,但当存在大量跟驰行为时,前后车平均车头间距的影响更大,后车的微观特征对此产生的影响多于前车;为使跟驰行为保持在安全状态,应增加前车的速度、加速度、加速度差分和前后车平均车头间距,同时应减小后车的加速度、加速度差分和前后车速度差值;考虑到车流连续性,整体而言应使前后车保持相近的速度,避免突然加速或减速,且应保持适当的车头间距,并加强后车的管控。
文摘为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation,NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识别出大数据中的异常驾驶行为并确定其种类。
