本发明专利技术提供的考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型，属于交通工程领域。该方法包括：获取原始车辆运行轨迹数据，对其进行预处理；将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类，并筛选出跟驰片段样本，得到对应跟驰车辆对类型的跟驰片段样本集；选用一个通用型车辆跟驰模型进行参数标定，得到参数标定结果；对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析，并根据统计学分析结果对驾驶员驾驶风格进行定义，得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。由该方法得到的考虑车型和驾驶风格异质性的跟驰模型能够更加准确地描述驾驶行为。行为。行为。
【技术实现步骤摘要】
考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型
[0001]本专利技术涉及一种考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型，属于交通工程领域。
技术介绍
[0002]尽管自动驾驶汽车相关技术发展迅速，并实现了商业化，但自动驾驶汽车在不久的将来还远远不能完全取代人类驾驶员。未来的高速公路将会面临自动驾驶车辆与传统驾驶车辆混合的交通状况，即混合交通流环境。在混合交通流中，在混合交通中，自动驾驶汽车的决策和/或控制很大程度上取决于对其自身行为的准确描述和预测人类驾驶汽车的行为。
[0003]已经有许多研究致力于准确描述驾驶行为，主要是使用微观交通流模型。以跟驰模型为例，到目前为止已经建立了70多个车辆跟驰模型，目的是尽可能真实地模拟真实世界的纵向行驶行为。然而这些模型大多是在小汽车的基础上开发和验证的。近十年来，由于探测数据和自然驾驶数据的大量涌现，驾驶行为的异质性研究越来越受到人们的关注。有研究表明，驾驶行为的异质性会导致交通事故，加剧交通拥堵。也有研究表明，车辆跟驰的异质性与车道上的交通分布、交通扰动的传播等密切相关。车辆类型的不同和驾驶风格的差异等因素往往会使得人类驾驶汽车的行为具有很大的不确定性，所以更好地理解人类驾驶行为的异质性具有重要意义。
[0004]对于关注驾驶行为的异质性、提高描述驾驶行为准确性的问题，已有一些模型方法被提出，但现阶段对异质性问题的处理多为分别对车型和驾驶风格异质性进行探讨，从分析轨迹数据得出规律性结论的角度出发，传统的跟驰模型难以准确地描述出驾驶行为。因此，将考虑两种异质性与跟驰模型参数标定结合的方法来对跟驰行为进行建模的研究是非常有必要的。
技术实现思路
[0005]本专利技术的第一专利技术目的：提供一种基于跟驰模型参数标定的考虑车型和驾驶风格异质性的跟驰行为建模方法，该方法采用跟驰模型参数解读驾驶行为，同时考虑跟驰车辆对的车辆类型和驾驶员的驾驶风格异质性，通过严格的数据挖掘和统计方法建立考虑车型和驾驶风格异质性的分类车辆跟驰模型。
[0006]本专利技术实现其第一专利技术目的所采取的技术方案是：一种考虑车型和驾驶风格异质性的跟驰行为建模方法，所述方法包括以下步骤：
[0007]S1、获取原始车辆运行轨迹数据，对原始车辆运行轨迹数据进行预处理；
[0008]S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型(即：跟驰车辆对类型)进行分类，得到各类跟驰车辆对的轨迹数据；每个所述跟驰车辆对包含一辆引导车辆与一辆跟随车辆；
[0009]S3、依据制定的跟驰片段样本标准，从各类跟驰车辆对的轨迹数据中分别筛选出
符合条件的跟驰片段作为跟驰片段样本；由每个跟驰车辆对类型中筛选出的所有跟驰片段样本构成对应跟驰车辆对类型的跟驰片段样本集；
[0010]S4、基于任一跟驰车辆对类型的跟驰片段样本集，选用一个通用型车辆跟驰模型进行参数标定，得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果；(这里的通用型车辆跟驰模型是指含有参数的不确定性车辆跟驰模型。)
[0011]S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析，并根据统计学分析结果对驾驶员驾驶风格进行定义，得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。
[0012]进一步，所述跟驰车辆对的车辆组合类型包括：小汽车跟随小汽车(C
‑
C)，卡车跟随小汽车(C
‑
T)，小汽车跟随卡车(T
‑
C)，卡车跟随卡车(T
‑
T)。
[0013]进一步，所述跟驰片段样本标准包括：
[0014]a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶，且不包含超车行为；
[0015]b)跟随车辆的速度应大于5m/s，引导车辆和跟随车辆的车头间距应在7m到120m之间；(旨在消除拥塞(走走停停状态)和自由流状态。)
[0016]c)引导车辆和跟随车辆之间的速度差小于2.5m/s；(用来确保所筛选出的轨迹具有稳定的跟驰状态。)
[0017]d)跟驰片段的持续时间应大于20s；(确保轨迹足够长，可以进行模型校准。)
[0018]e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。
[0019]进一步，所述通用型车辆跟驰模型包括：全速度差模型、刺激
‑
反应模型、智能驾驶人模型。
[0020]进一步，步骤S4，基于任一跟驰车辆对类型的跟驰片段样本集，选用一个通用型车辆跟驰模型进行参数标定，得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果，具体包括：
[0021]以加速度作为性能指标，采用均方根百分比偏差表示拟合优度，所述均方根百分比偏差的表达式为：
[0022][0023]式中，l为任一跟驰片段样本中数据点的编号；N为任一跟驰片段样本中数据点的个数；为任一跟驰片段样本中的第l个加速度数据点；为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数据点；
[0024]针对所选用的通用型车辆跟驰模型，应用遗传算法求解出所选用的通用型车辆跟驰模型的参数，使每个跟驰片段样本的均方根百分比偏差最小。(对于所选用的通用型车辆跟驰模型和每个跟驰片段样本，重复运行算法若干次，取拟合优度最佳的解作为校准结果。)
[0025]进一步，步骤S5，对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析，并根据统计学分析结果对驾驶员驾驶风格进行定义，得到不同跟驰车辆
对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型，具体包括：
[0026]S5
‑
1、依据所得到的任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果，分别对所选用的通用型车辆跟驰模型中各参数进行主成分分析，并确定所选用的通用型车辆跟驰模型中各参数的特征权重贡献率；(通过各参数的特征权重贡献率找出描述驾驶行为的主要参数。)
[0027]所述特征权重贡献率的计算公式为：
[0028][0029]式中，β
i
是第i个主成分的贡献率；w
ij
表示第i个主成分和第j个参数的相关性；h为累计贡献率超过80％的主成分的个数；WCF
j
代表参数j的特征权重贡献率，WCF
j
的值越高表示参数j的特征越明显；
[0030]S5
‑
2、分别对所选用的通用型车辆跟驰模型中特征权重贡献率靠前的参数应用模糊聚类方法进行分析；(这种聚类结果归因于驾驶员潜在的驾驶风格差异。)
[0031]S5
‑
3、对聚类后的每一组群体进行分析，并根据分析结果对驾驶员驾驶风格进行定义；
[0032]S5
‑
4、利用分布拟合技术探究不同驾驶员驾驶风格所对应的各个参数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，所述方法包括以下步骤：S1、获取原始车辆运行轨迹数据，对原始车辆运行轨迹数据进行预处理；S2、将预处理后的车辆运行轨迹数据依据跟驰车辆对的车辆组合类型进行分类，得到各类跟驰车辆对的轨迹数据；每个所述跟驰车辆对包含一辆引导车辆与一辆跟随车辆；S3、依据制定的跟驰片段样本标准，从各类跟驰车辆对的轨迹数据中分别出符合条件的跟驰片段作为跟驰片段样本；由每个跟驰车辆对类型中筛选出的所有跟驰片段样本够成对应跟驰车辆对类型的跟驰片段样本集；S4、基于任一跟驰车辆对类型的跟驰片段样本集，选用一个通用型车辆跟驰模型进行参数标定，得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果；S5、对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析，并根据统计学分析结果对驾驶员驾驶风格进行定义，得到不同跟驰车辆对车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型。2.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，所述跟驰车辆对的车辆组合类型包括：小汽车跟随小汽车，卡车跟随小汽车，小汽车跟随卡车，卡车跟随卡车。3.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，所述跟驰片段样本标准包括：a)跟驰片段中的引导车辆和跟随车辆应在同一车道行驶，且不包含超车行为；b)跟随车辆的速度应大于5m/s，引导车辆和跟随车辆的车头间距应在7m到120m之间；c)引导车辆和跟随车辆之间的速度差小于2.5m/s；d)跟驰片段的持续时间应大于20s；e)跟随车辆的加速度与速度差之间的Pearson相关系数应大于0.6。4.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，所述通用型车辆跟驰模型包括：全速度差模型、刺激
‑
反应模型、智能驾驶人模型。5.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，步骤S4，基于任一跟驰车辆对类型的跟驰片段样本集，选用一个通用型车辆跟驰模型进行参数标定，得到任一跟驰车辆对类型的跟驰片段样本集中每个跟驰片段样本的参数标定结果，具体包括：以加速度作为性能指标，采用均方根百分比偏差表示拟合优度，所述均方根百分比偏差的表达式为：式中，l为任一跟驰片段样本中数据点的编号；N为任一跟驰片段样本中数据点的个数；为任一跟驰片段样本中的第l个加速度数据点；为与该任一跟驰片段样本中的第l个加速度数据点对应的参数标定后的通用型车辆跟驰模型的仿真轨迹中的加速度数
据点；针对所选用的通用型车辆跟驰模型，应用遗传算法求解出所选用的通用型车辆跟驰模型的参数，使每个跟驰片段样本的均方根百分比偏差最小。6.根据权利要求1所述的一种考虑车型和驾驶风格异质性的跟驰行为建模方法，其特征在于，步骤S5，对任一跟驰车辆对类型的跟驰片段样本集的所有参数标定结果进行统计学分析，并根据统计学分析结果对驾驶员驾驶风格进行定义，得到不同跟驰车辆对类型下的考虑车型和驾驶风格异质性的分类车辆跟驰模型，具体包括：S5
‑
1、依据所得到的任一跟驰车辆...
【专利技术属性】
技术研发人员：孙湛博，姚雪，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。