为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of S...为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。展开更多
为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization,PSO)的长短期记忆(long short term memory,LSTM)车辆跟驰模型。首先,...为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization,PSO)的长短期记忆(long short term memory,LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习支持向量回归(support vector regression,SVR)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标平均绝对百分比误差(mean absolute percentage error,MAPE)较SVR和LSTM分别降低了60.02%和1.52%。PSO算法进行超参数优化后的PSO-LSTM模型能更好地模拟车辆的跟驰行为。展开更多
针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感...针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.展开更多
针对智能网联车辆(intelligent and connected vehicle,ICV)跟驰建模中基于恒定车头时距的问题,文中在考虑可变车头时距下对期望车头间距做出了新的描述,优化ICV跟驰模型的车头间距模型结构.拟定了车辆跟驰行驶中期望车头时距的一般函...针对智能网联车辆(intelligent and connected vehicle,ICV)跟驰建模中基于恒定车头时距的问题,文中在考虑可变车头时距下对期望车头间距做出了新的描述,优化ICV跟驰模型的车头间距模型结构.拟定了车辆跟驰行驶中期望车头时距的一般函数形式及适用范围,论证了基于所提模型的参数物理含义,理论推导了稳定态与动态两种交通流下的稳定性条件.在以前车为干扰条件下通过MATLAB数值仿真实验对比模型改进前后稳定性.结果表明:新的ICV模型具备比原ICV模型更良好的稳定性,且在0~33.3 m/s速度范围内均保持稳定,同时可以比原ICV模型更有效地抑制不稳定流的传播,更好地描述期望车头间距与车速的非线性关系,更加真实地反映实际交通流跟驰特征.展开更多
为研究混合人工驾驶车辆(human-driven vehicle,HV)与网联自动驾驶车辆(connected and autonomous vehicle,CAV)交通流环境下不同特征车辆混入下高速路分流区的通行效率与行车安全性的提升问题[1],深入分析不同特征车辆混入造成的影响...为研究混合人工驾驶车辆(human-driven vehicle,HV)与网联自动驾驶车辆(connected and autonomous vehicle,CAV)交通流环境下不同特征车辆混入下高速路分流区的通行效率与行车安全性的提升问题[1],深入分析不同特征车辆混入造成的影响十分必要。基于此,文章以L3层级自动驾驶货车为研究对象,选取3组特征车辆,在考虑混分流(L0~L5)的影响下,选定并设置高速路匝道入口作为研究场景,引入车路协同系统[2],纳入交通参与者行为差异的多样性并加以改进。在所建立的混合交通流微观仿真模型基础上,联合SUMO(Simulation of Urban Mobility)与Python搭建仿真平台,实现驾驶行为模型的仿真验证与高速路中包含基本路段和分流区的混合交通流场景下的仿真试验[3],基于试验数据从交通效率与安全角度分析不同车辆特征对交通流特性的影响及改进跟驰模型的效果。展开更多
为准确模拟桥址随机车流荷载,提出基于可变元胞与跟驰理论的元胞自动机(cellular automata,CA)模型。首先,重新定义元胞构成,提出以车辆为核心的动态可变元胞,并将精确的轴间距和轴重信息融入车辆元胞,实现车辆荷载的精确模拟;然后,引...为准确模拟桥址随机车流荷载,提出基于可变元胞与跟驰理论的元胞自动机(cellular automata,CA)模型。首先,重新定义元胞构成,提出以车辆为核心的动态可变元胞,并将精确的轴间距和轴重信息融入车辆元胞,实现车辆荷载的精确模拟;然后,引入跟驰理论,提出基于跟驰理论的状态演化规则,推导每辆车的专有加速度,实现车辆微观交互的模拟;最后,提出基于实测动态称重系统(weigh in motion,WIM)数据的发车规则,依据WIM数据,重构任意时段的实际车队,并建立基于车头时距的发车规则,重现车辆通过WIM时的运动状态。基于所提出的发车规则和动态演化规则,实现车辆从进入道路到驶离道路全过程时空位置的准确模拟,结合融入精确轴载的车辆元胞,实现随机车流荷载的模拟。基于实测WIM数据验证所提模型的可行性和先进性。结果表明:可变元胞可以精确模拟车辆荷载;提出的状态演化规则可以根据不同车辆的运动状态计算得到每辆车的专属加速度,准确模拟每辆车在自由行驶和跟驰行驶时的不同运动状态;新发车规则可以重构任意时段的实测车队,结合新状态演化规则,可以实现桥址任意时段随机车流的模拟。结合精细化车辆荷载模拟和合理的车流模拟,可实现桥址随机车流荷载模拟。展开更多
文摘为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。
文摘针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.
文摘针对智能网联车辆(intelligent and connected vehicle,ICV)跟驰建模中基于恒定车头时距的问题,文中在考虑可变车头时距下对期望车头间距做出了新的描述,优化ICV跟驰模型的车头间距模型结构.拟定了车辆跟驰行驶中期望车头时距的一般函数形式及适用范围,论证了基于所提模型的参数物理含义,理论推导了稳定态与动态两种交通流下的稳定性条件.在以前车为干扰条件下通过MATLAB数值仿真实验对比模型改进前后稳定性.结果表明:新的ICV模型具备比原ICV模型更良好的稳定性,且在0~33.3 m/s速度范围内均保持稳定,同时可以比原ICV模型更有效地抑制不稳定流的传播,更好地描述期望车头间距与车速的非线性关系,更加真实地反映实际交通流跟驰特征.
文摘为研究混合人工驾驶车辆(human-driven vehicle,HV)与网联自动驾驶车辆(connected and autonomous vehicle,CAV)交通流环境下不同特征车辆混入下高速路分流区的通行效率与行车安全性的提升问题[1],深入分析不同特征车辆混入造成的影响十分必要。基于此,文章以L3层级自动驾驶货车为研究对象,选取3组特征车辆,在考虑混分流(L0~L5)的影响下,选定并设置高速路匝道入口作为研究场景,引入车路协同系统[2],纳入交通参与者行为差异的多样性并加以改进。在所建立的混合交通流微观仿真模型基础上,联合SUMO(Simulation of Urban Mobility)与Python搭建仿真平台,实现驾驶行为模型的仿真验证与高速路中包含基本路段和分流区的混合交通流场景下的仿真试验[3],基于试验数据从交通效率与安全角度分析不同车辆特征对交通流特性的影响及改进跟驰模型的效果。
文摘为准确模拟桥址随机车流荷载,提出基于可变元胞与跟驰理论的元胞自动机(cellular automata,CA)模型。首先,重新定义元胞构成,提出以车辆为核心的动态可变元胞,并将精确的轴间距和轴重信息融入车辆元胞,实现车辆荷载的精确模拟;然后,引入跟驰理论,提出基于跟驰理论的状态演化规则,推导每辆车的专有加速度,实现车辆微观交互的模拟;最后,提出基于实测动态称重系统(weigh in motion,WIM)数据的发车规则,依据WIM数据,重构任意时段的实际车队,并建立基于车头时距的发车规则,重现车辆通过WIM时的运动状态。基于所提出的发车规则和动态演化规则,实现车辆从进入道路到驶离道路全过程时空位置的准确模拟,结合融入精确轴载的车辆元胞,实现随机车流荷载的模拟。基于实测WIM数据验证所提模型的可行性和先进性。结果表明:可变元胞可以精确模拟车辆荷载;提出的状态演化规则可以根据不同车辆的运动状态计算得到每辆车的专属加速度,准确模拟每辆车在自由行驶和跟驰行驶时的不同运动状态;新发车规则可以重构任意时段的实测车队,结合新状态演化规则,可以实现桥址任意时段随机车流的模拟。结合精细化车辆荷载模拟和合理的车流模拟,可实现桥址随机车流荷载模拟。
