基于数据驱动方法的车辆跟驰行为建模与分析

摘要

车辆跟驰是道路交通中重要的现象，特别在交通拥堵时，车辆无法换道超车，车辆跟驰行为普遍存在。对车辆跟驰行为的研究一直是交通流理论中的研究热点之一。利用数学模型对车辆跟驰行为进行建模研究，可对跟驰车辆间的相互影响作用进行定量化分析，有助于理解交通流特性，揭示交通拥堵现象产生的原因和其时空演化规律。
　　当前应用较为广泛的车辆跟驰模型以理论驱动车辆跟驰模型为主。理论驱动车辆跟驰模型侧重于对驾驶行为影响因素的描述。模型的设计者通常是在观察车辆跟驰行为的基础上，提出符合驾驶经验的理论假设，并基于该理论假设建立车辆跟驰模型。但有学者指出，理论驱动车辆跟驰模型无法准确地描述与实际相符的车辆跟驰行为。相关误差评价结果显示，理论驱动车辆跟驰模型有关车辆轨迹的平均预测误差在15％至25％之间。考虑到车辆跟驰行为的复杂特性，通过单一的理论假设难以建立预测精度较高的车辆跟驰模型。
　　得益于近来智能交通系统的发展，无论是通过高空图像采集、全球定位系统，还是车联网技术，均可获取大规模高精度的车辆轨迹数据，这为利用数据驱动方法建立车辆跟驰模型提供了研究条件。数据驱动方法可有效地挖掘出车辆轨迹数据的内在信息，建立具有更高预测精度的车辆跟驰模型。本文重点对基于数据驱动方法的车辆跟驰模型及其在实际交通问题中的扩展应用进行了研究分析，具体包括以下六个方面:
　　1.基于数据驱动方法的车辆跟驰模型的建立
　　车辆跟驰模型的实质是求解一类回归问题，本文对求解回归问题的数据驱动方法进行了回顾，通过分析比对各方法的优劣，选定支持向量回归作为车辆跟驰模型的核心建模方法，以此建立了基于支持向量回归方法的车辆跟驰模型。考虑到模型在仿真过程中可能出现不合理的驾驶行为，提出了考虑驾驶行为约束的支持向量回归车辆跟驰模型。
　　2.支持向量回归车辆跟驰模型的标定与验证
　　利用次时代仿真(NGSIM)项目提供的实测车辆轨迹数据，对考虑驾驶行为约束的支持向量回归车辆跟驰模型进行了参数标定和误差评价。在获得最优参数的基础上，通过仿真实验还原了实测数据中的交通振荡现象。通过对仿真结果的分析，揭示了交通振荡现象产生的原因和其时空演化规律。
　　3.多辆前车影响下的驾驶行为特性分析
　　在实际的车辆跟驰过程中，驾驶员会受到次近邻（第2辆前车）以及更多辆前车行驶状态变化的影响，故有必要对多辆前车影响下的驾驶行为特性进行实证研究。本文通过引入多前车的状态变量，对原支持向量回归车辆跟驰模型进行了扩展，建立了考虑多前车的支持向量回归车辆跟驰模型，并对该模型进行了参数标定和误差评价，验证了模型假设的有效性。通过计算多前车状态变量的相对权重，量化了各前车状态变量对后车的影响重要程度。
　　4.不同车型组合下的驾驶行为特性分析
　　由大型车和小型车共同组成的混合交通流是道路交通中更为常见的情况，故有必要对混合交通流中不同车型组合的驾驶行为特性进行实证研究。本文通过引入车型参数，对原支持向量回归车辆跟驰模型进行了扩展，建立了考虑不同车型组合的支持向量回归车辆跟驰模型。通过分析计算不同车型组合在跟驰过程中的期望车间距和期望速度，验证了不同车型组合间存在较大的驾驶行为差异。最后通过对交通振荡现象的仿真，揭示了混合交通流更易发生交通振荡和交通拥堵的原因。
　　5.数据驱动车辆跟驰模型与理论驱动车辆跟驰模型的融合
　　当训练数据的样本数量较少或包含的有效信息不足、不能完整地描述车辆跟驰行为时，使用支持向量回归方法构建的车辆跟驰模型将缺乏足够的预测精度。本文将理论驱动车辆跟驰模型作为先验知识引入原模型，建立了融合理论驱动车辆跟驰模型的支持向量回归车辆跟驰模型。通过对模型进行误差评价，验证了扩展后的模型较原模型具有更高的预测精度稳定性。
　　6.车辆轨迹分析系统的设计与实现
　　对车辆轨迹数据的通用数据结构与提取方法进行了研究，以此为基础设计开发了车辆轨迹分析系统，实现了车辆跟驰模型标定、交通性能评价分析等功能，为车辆轨迹数据的分析和数据驱动车辆跟驰模型的研究提供了一个高效的实验平台。
　　上述对数据驱动车辆跟驰模型的研究，将完善和补充现有的车辆跟驰模型研究体系，并为面向智能交通的车辆跟驰行为研究提供重要的理论和技术储备。此外，利用数据驱动车辆跟驰模型进行交通拥堵仿真，可分析车辆跟驰行为和交通拥堵之间的影响关系，一定程度上可揭示交通拥堵产生的原因并获得相应的解决方案，这对缓解、避免交通拥堵具有重要的实际意义。

目录

声明

摘要

变量说明

1．1．1 智能交通系统

1．1．2 交通大数据

1．1．3 数据驱动方法

1．1．4 面向智能交通的车辆跟驰研究

1．2 研究对象

1．3 研究方法

1．4 研究目的与意义

1．5 研究内容与技术路线

1．5．1 研究内容

1．5．2 技术路线

第2章 车辆跟驰模型研究综述

2．1 理论驱动模型

2．1．1 刺激反应类模型

2．1．2 期望度量类模型

2．1．3 安全距离类模型

2．1．4 心理生理类模型

2．1．5 元胞自动机类模型

2．1．6 轨迹平移类模型

2．2 数据驱动模型

2．2．1 模糊逻辑类模型

2．2．2 人工神经网络类模型

2．2．3 实例学习类模型

2．2．4 支持向量回归类模型

2．3 车辆跟驰模型评价

2．4 当前研究的不足

第3章 数据驱动车辆跟驰模型的建立

3．1 数据驱动方法的选定

3．1．1 问题描述

3．1．2 参数统计方法

3．1．3 人工神经网络

3．1．4 统计学习理论

3．1．5 支持向量回归

3．2 支持向量回归的理论基础

3．2．1 损失函数

3．2．2 最优化理论

3．2．3 核函数

3．3 支持向量回归车辆跟驰模型

3．4 考虑驾驶行为约束的支持向量回归车辆跟驰模型

本章小结

第4章 数据驱动车辆跟驰模型的标定与验证

4．1 数据准备

4．2 评价方法

4．3 参数标定

4．4 仿真验证

4．4．1 车队跟驰

4．4．2 交通振荡

本章小结

第5章 数据驱动车辆跟驰模型的扩展与应用

5．1 考虑多辆前车影响

5．1．1 问题描述

5．1．2 模型改进

5．1．3 模型评价

5．1．4 相对权重估计

5．2 考虑不同车型组合

5．2．1 问题描述

5．2．2 模型改进

5．2．3 模型评价

5．2．4 驾驶行为差异性分析

5．3 融合理论驱动车辆跟驰模型

5．3．1 问题描述

5．3．2 模型改进

5．3．3 模型评价

本章小结

第6章 车辆轨迹分析系统的设计与实现

6．1 系统设计目标

6．2 系统功能架构

6．1．1 轨迹数据管理子系统

6．1．2 车辆跟驰模型子系统

6．1．3 性能指标分析子系统

6．1．4 输入输出子系统

6．1．5 显示绘图子系统

6．3 系统逻辑架构

6．4 系统开发环境

6．5 系统运行界面

6．5．1 车辆轨迹数据管理界面

6．5．2 车辆轨迹时空图显示界面

6．5．3 跟驰车队数据管理界面

6．5．4 车辆跟驰分析结果显示界面

6．5．5 交通流特性分析结果显示界面

本章小结

主要工作与成果

创新点

研究展望

致谢

参考文献

攻读博士期间发表的论文