一种高等级道路瓶颈区入匝道车辆汇入行为估计方法技术

本发明专利技术公开了一种高等级道路（高速公路与城市快速路）瓶颈区入匝道车辆汇入行为估计方法，该方法利用隐马尔科夫模型对驾驶员汇入过程中的决策情况进行估计，该方法包括数据准备阶段、数据预处理阶段、模型学习阶段、模型解码阶段以及结果处理五个过程。本发明专利技术可以对车辆在汇入高等级道路主线前不同时刻的状态进行估计，所估计的状态时间序列能够反映驾驶员的决策过程。同时分析驾驶员状态转移空间分布情况可以发现驾驶员变道意图的频发地点和区段。因此，本发明专利技术不但可以为设计高效的入匝道瓶颈区换道辅助系统开发提供依据，而且可以为预防高等级道路入匝道瓶颈早发性失效措施设计提供重要参考。

【技术实现步骤摘要】
一种高等级道路瓶颈区入匝道车辆汇入行为估计方法
本专利技术涉及一种用于高等级道路交通行为识别领域的方法，更具体的说，本专利技术涉及一种基于隐马尔科夫模型的高等级道路瓶颈区入匝道车辆汇入行为估计方法。
技术介绍
高等级道路(高速公路和城市快速路)入匝道瓶颈是交通堵塞、安全事故的常发地带。入匝道车辆的汇入行为则是导致瓶颈失效的重要原因之一。相关学者大多从限速、设定固定汇入区段、信号控制等角度来探讨这一现象改善的有效性。目前为止，部分学者已经采用一些分类算法对驾驶员行为状态加以识别，然而，很少有学者对驾驶员汇入行为决策过程以及背后的机理进行分析。本专利技术可以对驾驶员成功汇入前的行为状态进行多时刻点估计从而比较全面反映驾驶员的整个决策过程。进一步说可以得到驾驶员何时发生状态转移、车辆状态转移的次数以及这一时刻所对应的宏观和微观的交通流状态信息。隐马尔科夫模型通过汇入车辆可观察状态集以及3个初始矩阵按照一定的算法完成学习和解码两个过程。学习阶段采用前向后向算法，递归得到隐马尔科夫模型内部参数的局部最优解。解码阶段采用Viterbi算法，通过迭代得到在某种意义上每个汇入车辆最佳的状态估计时间序列。
技术实现思路
本专利技术的目的在于提供一种高等级道路瓶颈区入匝道车辆汇入行为估计方法，以解析驾驶员成功汇入高等级道路主线前的整个决策过程，计算驾驶员汇入的决策点及对应状态信息进而得到驾驶员汇入行为的决策机制。本专利技术不但可以为设计高效的入匝道瓶颈区换道辅助系统开发提供依据，而且可以为预防高等级道路入匝道瓶颈早发性失效措施设计提供重要参考。本专利技术的一种高等级道路瓶颈区车辆汇入行为估计方法，包括以下步骤：(1)数据准备阶段：首先利用轨迹提取软件进行车辆轨迹数据的提取，然后确立影响汇入行为的交通流特性指标集；(1.1)利用轨迹提取软件进行车辆轨迹数据的提取，车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标；(1.2)确立影响汇入行为的交通流特性指标集C，所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆(前车、后车)的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆(前车、后车)的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆(前车、后车)的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D；(2)数据预处理阶段：此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R，以及获得隐马尔科夫模型起初需要输入的3个初始矩阵；(2.1)交通流特性指标集C的数据获取，根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标信息数据，通过间接计算获得空距、时距、速度差；空距：某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长，单位m；时距：当前时刻前后相邻两辆车之间的空距除以后车当前车速，单位s；速度差：当前时刻前车的瞬时车速减去邻近后车的车速，单位m/s；车长计算规则：小型车4.5m，中型车6.0m，大型车12.0m；(2.2)汇入行为特征变量n的识别，采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选，得到影响汇入行为的特征变量；所述特征变量包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead，以及汇入车辆与目标车道后车间的速度差ΔVlag，特征变量n如下式：n＝(a,Slead,Tlead,Slag,ΔVlead,ΔVlag)式中：a——汇入车辆的加速度，单位为m/s2；Slead——汇入车辆与目标车道前车间的车头空距，单位为m；Tlead——汇入车辆与目标车道前车间的车头时距，单位为s；Slag——汇入车辆与目标车道后车间的车头空距，单位为m；ΔVlead——汇入车辆与目标车道前车间的速度差，单位为m/s；ΔVlag——汇入车辆与目标车道后车间的速度差，单位为m/s；(2.3)确定驾驶行为状态矩阵Q，所述状态包括瓶颈区入匝道车辆汇入主线的状态(汇入状态)和入匝道车辆沿加速车道正常行驶状态(非汇入状态)。Q＝{q1,q2}式中：q1——入匝道车辆汇入状态，用数字1表示；q2——入匝道车辆未汇入状态，用数字2表示；(2.4)可观察状态集R的构建，步骤(2.2)得到的特征变量是六维的，各维变量均为连续型变量；由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理，故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为k类、l类、p类、s类、h类和z类；如上所述，最终会得到元素个数为k×l×p×s×h×z的可观察状态集R，以两维特征向量(Slead，a)为例说明可观察状态集的具体表达方式，其数学形式如下：式中：Rij——可观察状态；ak——加速度a的第k个划分区间；——车头空距Slead的第l个划分区间；l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目；k——汇入车辆的加速度a按照等区间划分的区间数目；(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵，所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π；状态转移概率矩阵A：状态转移概率矩阵反映的是入匝道车辆前一时刻状态确定的前提下，下一时刻是某种状态的概率。按照以上描述得到2×2的矩阵A，其数学形式如下：aij＝P(Qt＝qj|Qt-1＝qi),i,j＝1or2式中：aij——入匝道车辆从一种状态转移到另一种状态的概率；a11——前一时刻是汇入状态，后一时刻为汇入状态的概率；a12——前一时刻是汇入状态，后一时刻为非汇入状态的概率；a21——前一时刻是非汇入状态，后一时刻为汇入状态的概率；a22——前一时刻是非汇入状态，后一时刻为非汇入状态的概率；观察值概率分布矩阵B：它反映入匝道车辆在某隐藏状态下(汇入或非汇入)被认为是某可观察状态的概率。仍以两维特征向量(Slead，a)为例说明观察值概率分布矩阵的具体表达形式，其数学形式如下：bij＝P(Ot＝Rij|Qt＝qi),i＝1or2,j＝1,2,…,mm＝l*k式中：bij——驾驶员在某一隐藏状态下被认为是某可观察状态的概率；m——全部观察特征向量的划分数目，l和k的含义同上；初始状态概率分布矩阵π：隐含状态(汇入与非汇入)在初始时刻t＝1时的概率分布矩阵，其数学形式如下：π＝{π1,π2}π1＝P0(Qt＝1＝q1)π2＝P0(Qt＝1＝q2)式中：π1——初始时刻t＝1时，入匝道车辆为汇入状态的概率；π2——初始时刻t＝1时，入匝道车辆为非汇入状态的概率；(3)模型学习阶段：经过数据准备阶段和数据预处理阶段方可获得模型的待优化初始参数λ0，λ0＝(π,A,B)。模型学习阶段采用前向后向算法不断地重新估计模型的参数λ0，经过多次迭代后得到模型的一个局部最优参数解从而为接下来模型解码阶段的实现提本文档来自技高网...

【技术保护点】
一种高等级道路瓶颈区车辆汇入行为估计方法，其特征在于：该方法利用隐马尔科夫模型对驾驶员汇入过程中的决策情况进行估计，包括数据准备阶段、数据预处理阶段、模型学习阶段、模型解码阶段以及结果处理五个阶段，具体步骤如下：(1)数据准备阶段：首先利用轨迹提取软件进行车辆轨迹数据的提取，然后确立影响汇入行为的交通流特性指标集；(1.1)利用轨迹提取软件进行车辆轨迹数据的提取，车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标；(1.2)确立影响汇入行为的交通流特性指标集C，所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆(前车、后车)的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆(前车、后车)的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆(前车、后车)的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D；(2)数据预处理阶段：此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R，以及获得隐马尔科夫模型起初需要输入的3个初始矩阵；(2.1)交通流特性指标集C的数据获取，根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标信息数据，通过间接计算获得空距、时距、速度差；空距：某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长，单位m；时距：当前时刻前后相邻两辆车之间的空距除以后车当前车速，单位s；速度差：当前时刻前车的瞬时车速减去邻近后车的车速，单位m/s；车长计算规则：小型车4.5m，中型车6.0m，大型车12.0m；(2.2)汇入行为特征变量n的识别，采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选，得到影响汇入行为的特征变量；所述特征变量包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead，以及汇入车辆与目标车道后车间的速度差ΔVlag，特征变量n如下式：n＝(a，Slead，Tlead，Slag，ΔVlead，ΔVlag)式中：a——汇入车辆的加速度，单位为m/s2；Slead——汇入车辆与目标车道前车间的车头空距，单位为m；Tlead——汇入车辆与目标车道前车间的车头时距，单位为s；Slag——汇入车辆与目标车道后车间的车头空距，单位为m；ΔVlead——汇入车辆与目标车道前车间的速度差，单位为m/s；ΔVlag——汇入车辆与目标车道后车间的速度差，单位为m/s；(2.3)确定驾驶行为状态矩阵Q，所述状态包括瓶颈区入匝道车辆汇入主线的状态(汇入状态)和入匝道车辆沿加速车道正常行驶状态(非汇入状态)；Q＝{q1，q2}式中：q1——入匝道车辆汇入状态，用数字1表示；q2——入匝道车辆未汇入状态，用数字2表示；(2.4)可观察状态集R的构建，步骤(2.2)得到的特征变量是六维的，各维变量均为连续型变量；由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理，故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为k类、l类、p类、s类、h类和z类；如上所述，最终得到元素个数为k×l×p×s×h×z的可观察状态集R，以两维特征向量(Slead，a)为例说明可观察状态集R的具体表达方式，其数学形式如下：R={R11,...,R1j,...,Ri1,Rij}=(Slead1,a1),(Slead1,a2),...,(Slead1,ak)(Slead2,a1),(Slead2,a2),...,(Slead2,ak)......(Sleadl,a1),(Sleadl,a2),...,(Sleadl,ak)]]>式中：Rij——可观察状态；a——汇入车辆的加速度，单位为m/s2；Slead——汇入车辆与目标车道前车间的车头空距，单位为m；l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目；k——汇入车辆的加速度a按照等区间划分的区间数目；(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵，所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π；状态转移概率矩阵A：状态转移概率矩阵反映的是入匝道车辆前一时刻状态确定的前提下，下一时刻是某种状态的概率；按照以上描述得到2×2的矩阵A，其数学形式如下：aij＝P(Qt＝qj|Qt‑1＝qi)，i，j＝1or2A=a11a12a21a22]]>式中：aij—...

【技术特征摘要】
1.一种高等级道路瓶颈区车辆汇入行为估计方法，其特征在于：该方法利用隐马尔科夫模型对驾驶员汇入过程中的决策情况进行估计，包括数据准备阶段、数据预处理阶段、模型学习阶段、模型解码阶段以及结果处理五个阶段，具体步骤如下：(1)数据准备阶段：首先利用轨迹提取软件进行车辆轨迹数据的提取，然后确立影响汇入行为的交通流特性指标集；(1.1)利用轨迹提取软件进行车辆轨迹数据的提取，车辆的轨迹数据包括车辆的ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标；(1.2)确立影响汇入行为的交通流特性指标集C，所述的交通流特性指标集C包括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆即前车、后车的车头时距Tlead和Tlag、汇入车辆与目标车道上相邻车辆即前车、后车的车头空距Slead和Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距Spre、汇入车辆与目标车道上相邻车辆即前车、后车的速度差ΔVlead和ΔVlag、以及汇入车辆相对加速车道尾端的位置坐标D；(2)数据预处理阶段：此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量n的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R，以及获得隐马尔科夫模型起初需要输入的3个初始矩阵；(2.1)交通流特性指标集C的数据获取，根据轨迹提取软件获得的车辆ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标信息数据，通过间接计算获得空距、时距、速度差；空距：某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减去后车的车长，单位m；时距：当前时刻前后相邻两辆车之间的空距除以后车当前车速，单位s；速度差：当前时刻前车的瞬时车速减去邻近后车的车速，单位m/s；车长计算规则：小型车4.5m，中型车6.0m，大型车12.0m；(2.2)汇入行为特征变量n的识别，采用随机森林算法对影响汇入行为的交通流特性指标集加以筛选，得到影响汇入行为的特征变量；所述特征变量包括汇入车辆的加速度a、汇入车辆与目标车道前车间的车头空距Slead、汇入车辆与目标车道前车间的车头时距Tlead、汇入车辆与目标车道后车间的车头空距Slag、汇入车辆与目标车道前车间的速度差ΔVlead，以及汇入车辆与目标车道后车间的速度差ΔVlag，特征变量n如下式：n＝(a,Slead,Tlead,Slag,ΔVlead,ΔVlag)式中：a——汇入车辆的加速度，单位为m/s2；Slead——汇入车辆与目标车道前车间的车头空距，单位为m；Tlead——汇入车辆与目标车道前车间的车头时距，单位为s；Slag——汇入车辆与目标车道后车间的车头空距，单位为m；ΔVlead——汇入车辆与目标车道前车间的速度差，单位为m/s；ΔVlag——汇入车辆与目标车道后车间的速度差，单位为m/s；(2.3)确定驾驶行为状态矩阵Q，所述状态包括瓶颈区入匝道车辆汇入主线的状态即汇入状态和入匝道车辆沿加速车道正常行驶状态即非汇入状态；Q＝{q1,q2}式中：q1——入匝道车辆汇入状态，用数字1表示；q2——入匝道车辆未汇入状态，用数字2表示；(2.4)可观察状态集R的构建，步骤(2.2)得到的特征变量是六维的，各维变量均为连续型变量；由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理，故采用等区间划分将a、Slead、Tlead、Slag、ΔVlead、ΔVlag分别划分为k类、l类、p类、s类、h类和z类；如上所述，最终得到元素个数为k×l×p×s×h×z的可观察状态集R，以两维特征向量(Slead,a)来描述可观察状态集R的具体表达方式，其数学形式如下：式中：Rij——可观察状态；ak——加速度a的第k个划分区间；——车头空距Slead的第l个划分区间；l——汇入车辆与目标车道前车间的车头空距Slead按照等区间划分的区间数目；k——汇入车辆的加速度a按照等区间划分的区间数目；(2.5)获得隐马尔科夫模型起初需要输入的3个初始矩阵，所述初始矩阵分别是状态转移概率矩阵A、观察值概率分布矩阵B以及初始状态概率分布矩阵π；状态转移概率矩阵A：状态转移概率矩阵反映的是入匝道车辆前一时刻状态确定的前提下，下一时刻是某种状态的概率；按照以上描述得到2×2的矩阵A，其数学形式如下：aij＝P(Qt＝qj|Qt-1＝qi),i,j＝1or2式中：aij——入匝道车辆从一种状态转移到另一种状态的概率；a11——前一时刻是汇入状态，后一时刻为汇入状态的概率；a12——前一时刻是汇入状态，后一时刻为非汇入状态的概率；a21——前一时刻是非汇入状态，后一时刻为汇入状态的概率；a22——前一时刻是非汇入状态，后一时刻为非汇入状态的概率；观察值概率分布矩阵B：它反映入匝道车辆在某隐藏状态下即汇入或非汇入被认为是某可观察状态的概率；以两维特征向量(Slead,a)来描述观察值概率分布矩阵B的具体表达方式，其数学形式如下：bij＝P(Ot＝Rij|Qt＝qi),i＝1or2,j＝1,2,…,mm＝l*k式中：bij——驾驶员在某一隐藏状态下被认为是某可观察状态的概率；m——全部观察特征向量的划分数目，l和k的含义同上；初始状态概率分布矩阵π：隐含状态即汇入与非汇入在初始时刻t＝1时的概率分布矩阵，其数学形式如下：π＝...

【专利技术属性】
技术研发人员：孙剑，王尔根，李峰，陈长，李莉，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31