数据驱动下的快速路合流区交通流建模_牛大伟.pdf
《数据驱动下的快速路合流区交通流建模_牛大伟.pdf》由会员分享,可在线阅读,更多相关《数据驱动下的快速路合流区交通流建模_牛大伟.pdf(9页珍藏版)》请在咨信网上搜索。
1、文章编号:1673-0291(2023)03-0070-09DOI:10.11860/j.issn.1673-0291.20220125第 47 卷 第 3 期2023 年 6 月Vol.47 No.3Jun.2023北京交通大学学报JOURNAL OF BEIJING JIAOTONG UNIVERSITY数据驱动下的快速路合流区交通流建模牛大伟1,玄凌宇2a,赵建东2a,2b(1.甘肃省交通规划勘察设计院股份有限公司,兰州 744000;2.北京交通大学 a.交通运输学院,b.综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044)摘要:为研究合流区侧向车辆换道行为对车辆跟驰
2、行为的影响,融合协同跟驰模型(Cooperative Car-Following Model,CCFM)和长短时记忆网络模型(Long Short-Term Memory,LSTM),构建了一种交通流预测模型.首先,选用符合场景的原始数据,对突变数据进行剔除和平滑过渡,进而,将合流区划分为 2个区域,依据汇入车辆受到的 3种驾驶条件约束,以及主路车辆可能采取的 3种应对策略,基于协同跟驰模型构建两个区域的跟驰模型.其次,基于换道意图、换道利益和安全条件 3 方面,制定了 2 个区域的换道规则和换道模型,从而构建出合流区微观交通流模型.根据合流区交通流数据的长时间序列特性,以及目标车辆行驶行为的
3、影响因素,构建 LSTM 单元和车辆信息编码器,开展车辆跟驰行为预测.然后,构建了 CCFM-LSTM 融合预测模型,分主路车辆换道和不换道两种情况,以合流区影响区和下游区主路车辆 5s内的跟驰行为数据为输入,以合流区上游区主路车辆 3 s内的跟驰行为数据为输出.最后,利用无人机采集的快速路合流区数据进行验证.研究结果表明:在加速度预测中,CCFM-LSTM 的残差平方和较小,拟合优度相比原 CCFM 模型至少提高 0.094 4;在速度预测中,除 161号车外,CCFM-LSTM 的残差平方和较小,拟合优度相比原CCFM 模型至少提高 0.097 4.关键词:交通流模型;合流区;CCFM;L
4、STM;跟驰行为预测中图分类号:U495 文献标志码:AData-driven modeling of traffic flow in merging areas of expresswaysNIU Dawei1,XUAN Lingyu2a,ZHAO Jiandong2a,2b(1.Gansu Province Transportation Planning,survey&design Institute Co.,Ltd.,Lanzhou 744000,China;2a.School of Traffic and Transportation,2b.Key Laboratory of Tran
5、sport Industry of Big Data Application Technologies for Comprehensive Transport,Beijing Jiaotong University,Beijing 100044,China)Abstract:To study the influence of lateral vehicle lane change behavior on car-following behavior in merging areas,a traffic flow prediction model is constructed by combin
6、ing the Cooperative Car-Following Model(CCFM)and Long Short-Term Memory(LSTM).First,the original data fitting the scenario is selected,and abrupt data is removed while smoothing the transition.Then,the merging area is divided into two regions,and a car-following model is constructed for each region
7、based on the 收稿日期:2022-09-04;修回日期:2022-12-17基金项目:国家自然科学基金(71871011)Foundation item:National Natural Science Foundation of China(71871011)第一作者:牛大伟(1982),男,甘肃临夏人,高级工程师,硕士.研究方向为交通信息化.email:.通信作者:赵建东(1975),男,山西忻州人,教授,博士,博士生导师.email:.引用格式:牛大伟,玄凌宇,赵建东.数据驱动下的快速路合流区交通流建模 J.北京交通大学学报,2023,47(3):70-78.NIU Dawe
8、i,XUAN Lingyu,ZHAO Jiandong.Data-driven modeling of traffic flow in merging areas of expressways J.Journal of Beijing Jiaotong University,2023,47(3):70-78.(in Chinese)牛大伟等:数据驱动下的快速路合流区交通流建模第 3 期CCFM,using three driving conditions constrained by merging vehicles and three possible coping strategies o
9、f vehicles on the main road.Next,lane-changing rules and models for two regions are formulated based on three aspects,namely lane-changing intention,lane-changing benefits,and safety conditions,thus constructing a micro traffic flow model for the merging area.Based on the long time series characteri
10、stics of traffic flow data in the merging area and the influencing factors of target vehicle driving behavior,LSTM units and vehicle information encoders are constructed to predict car-following behavior.A CCFM-LSTM fusion prediction model is built for two types of main road vehicles,namely changing
11、 lanes and not changing lanes.The car-following behavior data of the main road in the merging area s impact zone downstream area within 5 seconds are used as input,and the car-following behavior data of the main road vehicles in the merging area s upstream area within 3 seconds as output.Finally,the
12、 model is validated using data collected by unmanned aerial vehicles in a merging area on an expressway.The results show that in acceleration prediction,the CCFM-LSTM model exhibits a smaller residual sum of squares and a goodness of fit at least 0.0944 higher than the original CCFM model.In speed p
13、rediction,except for vehicle 161,the CCFM-LSTM model exhibits a smaller residual sum of squares and a goodness of fit at least 0.097 4 higher than the original CCFM model.Keywords:traffic flow model;merging area;CCFM;LSTM;car-following behavior prediction合流区是快速路的重要组成部分,同时也是快速路拥堵较为频繁的路段,研究合流区车辆换道行为对跟
14、驰行为的影响,可有效探究合流区交通行为和规律,可为解决快速路拥堵提供技术支撑.车辆行驶行为模型分为理论驱动模型和数据驱动模型.理论驱动模型力求利用严格的公式将模型具体化,理论支撑性更强.数据驱动模型基于大样本数据,经过训练和拟合形成自动化的决策模型,模型的适用范围更大.在理论驱动模型方面,Pipes1对队列行驶车流进行动力学分析,通过寻找速度增量和安全间距增量之间的比例关系建立了最早的跟驰模型.第一个车辆换道模型由 Gipps2提出,该模型假设换道行为保持车辆的航向角和车辆期望速度的需求,全面考虑换道风险、安全车间距和航向角变化等要求,构建了运用优先决定规则,奠定了换道行为研究的基础.Band
15、o 等3改良了最优速度模型(Optimal Velocity Model,OVD),最优速度模型形式简单、兼容性好,能够对多种实际路况进行建模,但其加速度预测易产生突变.Treiber等4基于既有跟驰模型,提出智能人驾驶模型(Intelligent Diver Model,IDM)综合反映驾驶员反应时间、期望间距和期望车速,能较好地反映驾驶行为的人为特性.刘有军等5在单车道情况下,基于已有模型将安全车距作为直接反馈控制项提出的协同跟驰模型(Cooperative Car-Following Model,CCFM)能够克服减速度过大的缺陷,较好地刻画后车跟随前车的自由跟驰行为.比全速度差模型的稳
16、定范围更大,阻塞区域宽度更小,能有效提高驾驶员反应灵敏度.李珣等6基于元胞自动机模型,构 建 起 协 同 换 道 模 型(Collaborative Lane Change Model,CLCM),分析了车联网环境下的智能车辆的换道行为.在数据驱动模型方面,Kehtarnavaz 等7提出基于时延前反馈神经网络的跟驰模型,通过输入人工驾驶车辆行驶数据训练神经网络,并通过实车实验测试跟驰效果,很好地证实了神经网络应用于车辆跟驰,尤其是自动驾驶车辆跟驰的可行性.候海晶等8利用混合 Gauss-Markov 模型和支持向量机模型,构建了车辆换道意图识别模型.聂建强9采用深度前馈神经网络集成方法,对研
17、究车辆选择和可插车间隙判定进行建模,研究并分析城市快速路上自由换道的纵向加速度.HE 等10基于历史车辆轨迹数据库,匹配更加贴近实际的 K种驾驶场景,得到最可能的驾驶行为作为模型输出,即基于 K 近邻的数据驱动跟驰模型.HUANG 等11等 根 据 长 短 时 记 忆 网 络(Long Short-Term Memory,LSTM)建立跟驰模型,研究非对称驾驶行为的时滞效应以及驾驶员的不规则行为,指出了 LSTM 在相关研究中的优越性.Zhang 等12采用LSTM 和改进的 HRC-LSTM,对车辆的横向行驶行 为 和 纵 向 行 驶 行 为 进 行 建 模 研 究,结 果 表 明HRC-L
18、STM 模型对比普通的 LSTM 模型轨迹预测数据误差小,且换道数据预测精度高.罗颖等13利用线性组合预测理论,建立基于智能驾驶人模71北京交通大学学报第 47 卷型与径向基函数神经网络的混合跟驰模型.交通状况是多变而不确定的,由于实际交通条件、道路条件和驾驶员特性等都是多变的,很难在已有的理论驱动模型结构上考虑多种情况,模型的预测精度难以保证.数据驱动模型交通参数的预测精度和车辆轨迹数据的拟合效果都表现得较好,但该模型的研究目前只发展至自由流模型,尚未深入至非自由流模型.因此,本文以自由流模型为基础,构建符合合流区情景的车辆行驶行为理论模型.然后,融合理论模型与 LSTM,将二者进行有效结合
19、.提 出 CCFM-LSTM 融 合 预 测 模 型.最 后,利 用CCFM-LSTM 模型和原 CCFM 模型进行跟驰行为预测和实证分析.1 数据预处理1.1 数据简介研究路段如图 1 所示,数据为东南大学的无人机视频轨迹数据14.该数据库为研究路段上的 4 组双向 5 车道的快速路航拍数据,长度为 427 m,宽度为 3.75 m,设计车速为 60100 km/h.每组数据5 min 左右,时间间隔为 0.04 s,时间精度为 0.1 s,位置精度为 0.01 m,车辆轨迹数据库包括车辆编号、位置坐标、车道编号、车辆长度、车辆宽度、行驶速度、车头时距、车头间距、加减速度等参数.根据研究情景
20、选取、车道的相关数据进行研究,筛选之后为 542辆车,按在路段出现的时间顺序编制每辆车的车辆号共 555 451条数据,表 1为研究数据的说明.1.2 异常数据处理异常数据处理可以分为 3个步骤.步骤 1:针对数据集内有明显错误的数据进行剔除,比如数据单元为空、车头间距为负数,以及位置和速度数据明显不符合短时间变化的数据.步骤 2:绘制位置-速度图和位置-加速度图,见图2,其中每一种颜色代表每一辆车.在保证数据连续性的条件下,对明显离群的数据进行剔除和平滑过渡.步骤 3:绘制车辆运行轨迹图见图 3,同样每一种颜色代表每一辆车.对换道车辆轨迹数据的数据断层进行插值补充,完善轨迹数据,使其衔接度良
21、好.2 自由流理论模型自由流模型由自由跟驰模型和自由换道模型组成.2.1 基于 CCFM 的自由跟驰模型后车的驾驶行为受保持与前车的纵向车间距xn(t)和后车期望跟驰速度的影响,其中保持车间图 2位置-速度图与位置-加速度图Fig.2Position-speed diagram and position-acceleration diagram图 1研究路段路况图Fig.1Road condition map of the study section表 1数据说明Tab.1 Data description变量车辆号/辆时间/s车道号纵向位置/m数值15420-3330427变量速度/(m s
22、-1)加速度/(m s-2)横向距离/m-数值028.62-34.1512.31-3.74.8-图 3车辆运行轨迹Fig.3Vehicle trajectory72牛大伟等:数据驱动下的快速路合流区交通流建模第 3 期距会让驾驶员减速,而期望跟驰速度则会让驾驶员加速,二者对加速度an(t)的影响为an(t)=k V(xn(t)-vn(t)+1-Sn(t)xn(t)(1)=aC xn xc0 xn xc(2)V(xn(t)=V1+V2tanh(C1xn(t)-C2)(3)Sn(t)=maxS0+vn(t)Tnvn(t)vn(t)+vn+1(t)2,S0(4)式中:k,为敏感系数,k取0.41s-
23、1;V()为优化速度函数;xN(t)为车辆 n与前车的车辆跟驰间距;xc为车辆存在相互作用的临界间距,取 100 m;aC为理想加速度,取2.0 m/s2;V1、V2为常数,当xn xC时,取V1=13.44,V2=14.89,当xn 0.6vCB(t)+1.2vC(t)(5)式中:vCB(t)和vC(t)为 t 时刻CCB车和C车的行驶速度.当主路车流可插车间隙达到要求,C车试图调整速度和位置时,此时C车的行驶行为主要受CCF车影响.C车跟随CCF车行驶,其原理是C车期望在满足可插车间隙的条件下,达到期望的最优跟驰速度.因 此,C车 的 纵 向 行 驶 行 为 由 可 插 车 间 隙xG(t
24、)和期望最优跟驰速度所决定,为非自由跟驰行为.基于原 CCFM 模型和非自由换道模型,可得C车的加速度a1C(t)为表 2自由换道模型Tab.2 Free lane change model自由换道模型规则规则 1规则 2规则 3换道意图xl,Fl,C vl,Fxl,Fl,C vl,Fxl,Fl,C a;xl,Fl,C vl,F换道利益vm,F vl,C;vm,F bvl,Fvm,F vl,C;vm,F bvl,Fxm,Fl,Cfxl,C安全条件xm,Fl,C c1vl,C;xm,Bl,C dvm,Bxm,Fl,C c2vl,C;xm,Bl,C dvm,Bxm,Bl,C dvm,B图 4合流区
25、建模场景示意图Fig.4Schematic diagram of modeling scenario in merging area73北京交通大学学报第 47 卷a1C(t)=k1V1C(xM,fC(t)-vC(t)+1 1-S1C(t)xM,fC(t)(6)1=2.0 xM,fC(t)vCc2vC vCF vC(9)式中:c1、c2待定参数;vC为 C车的行驶速度;vCF为侧向前车的行驶速度.此处考虑满足C车非自由换道条件下与CCF车的最小车间距.因素 2:跟随匝道前车CF车行驶.C车跟随CF车行驶时,该行为是自由跟驰行为,与原模型环境中所描述的情况无异,可用原CCFM 模型进行表达.因素
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 驱动 快速路 合流 通流 建模 牛大伟
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。