[發明專利]基于跟馳模型標定的跟馳行為異質性分析方法

有效

• 申請號: 202110559603.5
• 申請日: 2021-05-21
• 公開（公告）號: CN113345223B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 張釗;王京華;魯光泉;張思遙
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/12
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 劉新年

本發明公開了一種基于跟馳模型標定的跟馳行為異質性分析方法，包括如下步驟：步驟1，對跟馳案例進行篩選，并根據異質性分析需求將跟馳案例進行分類；步驟2，基于跟馳模型，使用遺傳算法對各個跟馳案例進行分別標定；步驟3，設置一個閾值，濾除標定結果與實際情況誤差較大的案例；步驟4，基于核密度估計方法或是Kolmogorov?Smirnov檢驗統計分析方法進行跟馳行為異質性分析。本發明的基于跟馳模型標定的跟馳行為異質性分析方法，通過步驟1至步驟4的設置，便可有效的實現對于跟馳行為進行異質性分析了。

技術領域

本發明涉及交通領域，具體涉及到一種基于跟馳模型標定的跟馳行為異質性分析方法。

背景技術

隨著汽車保有量和城市現代化的快速發展，跟馳理論受到了廣泛的關注。幾十年來，許多學者基于工程、心理學和數據驅動的方法建立了許多典型的跟馳模型，如Gipps模型、智能駕駛員模型(IDM)和全速度差模型(FVD)等，并在這些模型的基礎上提出了一些其他改進模型。精確的跟馳模型作為微觀交通仿真的必要組成部分，可以提高仿真的精度，為自適應巡航系統(ACC)提供支持。但是，目前對跟馳行為進行更詳細分析的研究卻很少。跟馳模型參數是否固定，車輛在不同的行駛環境下是否具有相似的行駛特性，還有待驗證。對跟馳行為的進一步分析是改進跟馳模型的關鍵。

跟馳行為受多種因素影響，如車輛類型、情緒和駕駛員年齡等。但由于車輛跟馳行為的異質性，在跟馳模型中使用同一組跟馳參數很難描述所有車輛的行駛特性。異質性是跟馳行為的一個重要特征，可以定義為不同駕駛員、車輛組合等類別間跟馳行為的差異。例如，駕駛員在駕駛或跟隨大型車時可能會更加謹慎，這可能表現為更大的車頭時距、更低的減速度或速度。目前，許多研究分析了不同車型的車輛駕駛行為的異質性，但除此之外的其他因素很少被研究與分析。同時，目前跟馳行為異質性主要通過速度、沖突時間(TTC)、車頭時距和車頭間距等可觀測變量來分析，這些變量間相互影響且在車輛行駛過程中實時變化，如謹慎型駕駛員和激進型駕駛都可能遇到TTC較小的情況，但不同駕駛員做出的反應不同。因此，以上可觀測變量無法反映車輛跟馳行為穩定的跟馳特性。為了準確分析跟馳行為的異質性，必須挖掘穩定的跟馳屬性以量化不同行駛條件或駕駛員類型的跟馳行為，消除車輛狀態和時間的影響。

發明內容

針對現有技術存在的不足，本發明的目的在于提供一種基于跟馳模型標定的跟馳行為異質性分析方法，從而準確地分析跟馳行為的異質性，量化不同條件下的跟馳行為。

為實現上述目的，本發明提供了如下技術方案：一種基于跟馳模型標定的跟馳行為異質性分析方法，包括如下步驟：

步驟1，對跟馳案例進行篩選，并根據異質性分析需求將跟馳案例進行分類；

步驟2，基于跟馳模型，使用遺傳算法對各個跟馳案例進行分別標定；

步驟3，設置一個閾值，濾除標定結果與實際情況誤差較大的案例；

步驟4，基于核密度估計方法或是Kolmogorov-Smirnov檢驗統計分析方法進行跟馳行為異質性分析。

作為本發明的進一步改進，所述步驟1中對跟馳案例進行篩選的步驟如下：

步驟11：根據車輛所處車道、車頭間距、行駛距離篩選出適用于遺傳算法標定的有效跟馳案例；

步驟12：將有效跟馳案例分為不同的類別，探究不同跟馳車輛類型、車流密度、道路類別、駕駛員類型導致的跟馳行為異質性。

作為本發明的進一步改進，所述步驟2中的跟馳模型為智能駕駛員模型。

作為本發明的進一步改進，所述步驟3中設置的閾值為誤差閾值，并通過分別將每一個案例標定的誤差與該閾值比較的方式，濾除標定結果與實際情況誤差較大的案例。

作為本發明的進一步改進，所述步驟2中智能駕駛員模型的具體設置步驟如下：