路线设计中车辆行驶速度预测模型

在初定路线技术指标的条件下 ,综合考虑平面、纵断面和横断面三方面的影响 ,建立了行驶速度预测模型 ,用于检验、评价和控制技术指标和线形设计 ,达到线形协调和运行安全的目的。在纵断面预测中提出极限功率法的思路 ,在平面预测中引入了曲度 -路面宽度 -速度的方法。通过路段试验 ,实现了检验、评价线形设计的作用。

车辆信息识别下的测距模型建立方法研究

为了探测车辆间的相对距离,避免危险车辆由于驾驶不当所引发的交通问题,提出一种深度学习目标识别下的跟驰车辆相对距离测定方法,避免了雷达测距的短距离局限性以及车辆未知性的缺点。该方法采用车载单目摄像机对侧后方车辆进行拍摄,实际物体和成像点之间的转换通过三坐标转换完成,利用深度网络识别目标车辆,获得目标车辆位置以及类别信息,并建立合适的测距模型,得到检测车辆与摄像头之间的相对距离,利用帧差法预测被检测车辆的行驶速度。选择河南省鹤壁市107,342国道进行试验,该路段验证了测距模型的有效性,静态测距下75 m以内相对误差控制在4%,速度误差控制在5%,因此,在检测到危险车辆的情况下,测距模型可以实现相对距离的实时准确性检测。

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神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。