一种非机动车交通流微观仿真方法技术

本发明专利技术属于交通工程技术领域，提供了一种非机动车交通流微观仿真方法，包括如下步骤：对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分；构建动态感知空间模型，获得非机动车的位置和速度信息；构建行为决策模型，将非机动车的位置和速度信息加载到所述行为决策模型中，从而获取行为决策结果；根据获得的行为决策结果，采用改进的社会力模型计算受力情况，实时更新非机动车的位置和速度信息。本发明专利技术提供的方法补充了现有模型仅通过简单规则就使非机动车驾驶员完成越线行为决策的不足，更接近于实际的行为决策情况，可为后续精准匹配运动学公式提供先决条件，更加真实的再现非机动车行驶轨迹。的再现非机动车行驶轨迹。的再现非机动车行驶轨迹。

【技术实现步骤摘要】
一种非机动车交通流微观仿真方法


[0001]本专利技术属于交通工程
，具体涉及一种非机动车交通流微观仿真方法。

技术介绍

[0002]在城市低等级道路或主干路辅路上，经常采用划线形式分隔机动车道和非机动车道。近年来随着电动自行车的迅速普及，非机动车流内部受到复杂的交互方式影响，存在大量非机动车越线驶入机动车道的情况，加剧了机动车与非机动车之间的冲突。同时非机动车驾驶员受到经验、心理、生理等因素的影响，在感知周围环境、行为决策和行驶轨迹等交通特性方面存在差异，造成非机动车流呈现复杂的交互特点，现有的非机动车道设计已经不能满足新型的非机动车混行方式。
[0003]交通系统由人、车、路及环境组成，多样的出行方式导致城市交通系统是一个复杂的大系统。由于系统中个体要素较多且相互作用，在解释交通运行过程中无法通过简单的数学模型进行细致描述，因此应依靠先进的计算机微观仿真技术进行解释和再现，这样不仅可以真实再现复杂的交互情况，同时也可以对改造方案做事前验证，节约成本的同时，也可较好的描述复杂的交通系统。目前用于非机动车交通流的微观仿真模型主要包括元胞自动机模型、矢量场模型、格子气模型和社会力模型，其中社会力模型作为连续流模型在建模时无需划定车道及网格，这使得模型可以更真实反映交通状态。另外，社会力模型中的边界力可以表达划线边界对于非机动车驾驶员的抑制作用，这是其它模型不能表现的。
[0004]但是，现有社会力模型难以再现非机动车越线轨迹特征；同时，现有研究极大的简化了交互规则，决策行为方面考虑因素不足，这导致现有模型难以从微观层面精准再现非机动车交互及决策行为，无法为机非划线路段的设计提供分析工具。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提出了一种非机动车交通流微观仿真方法，该方法基于改进社会力模型构建。
[0006]本专利技术提供了一种非机动车交通流微观仿真方法，所述方法包括如下步骤：
[0007]步骤一：对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分；
[0008]步骤二：构建动态感知空间模型，获得非机动车的位置和速度信息；
[0009]步骤三：构建行为决策模型，将上述步骤二获得的非机动车的位置和速度信息加载到所述行为决策模型中，从而获取行为决策结果；
[0010]步骤四：根据步骤三获得的行为决策结果，采用改进的社会力模型计算受力情况，实时更新非机动车的位置和速度信息。
[0011]本专利技术提供的非机动车交通流微观仿真方法具有如下有益效果：
[0012](1)本专利技术采用K
‑
means聚类算法对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员类型进行划分，并将分类结果应用于非机动车微观仿真模型中，可为精细化非机动车道设计及管理提供仿真工具。
[0013](2)本专利技术首次提出动态感知空间模型，将非机动车流的压缩特性与感知空间尺寸计算相结合，动态确定运动个体间的交互状态，确保非机动车间可保持合理间距。
[0014](3)本专利技术对非机动车驾驶员越线进入机动车道和越线返回原非机动车道分别建立了越线行为决策模型，同时考虑了不同类型非机动车驾驶员越线行为的影响因素，补充了现有模型仅通过简单规则就使非机动车驾驶员完成越线行为决策的不足，模型中非机动车的行为决策更接近于实际的行为决策情况，可为后续精准匹配运动学公式提供先决条件。
[0015](4)本专利技术对现有社会力模型中的边界力进行改进，通过提出虚拟边界力，使不同类型非机动车驾驶员完成越线行为，更加真实的再现非机动车行驶轨迹，完善了现有社会力模型理论研究。
附图说明
[0016]图1是K
‑
means聚类情况示意图。
[0017]图2是非机动车动态感知空间示意图。
[0018]图3是非机动车越线进入机动车道时虚拟边界变化情况示意图。
[0019]图4是非机动车越线返回原非机动车道时虚拟边界变化情况示意图。
[0020]图5是对模型进行仿真测试的模块化设计示意图。
[0021]图6是不同类型非机动车驾驶员实测与仿真越线轨迹对比图；其中，图6
‑
1是冒险者的实测越线轨迹，图6
‑
2是机会者的实测越线轨迹，图6
‑
3是谨慎者的实测越线轨迹；图6
‑
4是冒险者的仿真越线轨迹，图6
‑
5是机会者的仿真越线轨迹，图6
‑
6是谨慎者的仿真越线轨迹。
[0022]图7是仿真数据与实测数据的速度
‑
密度基本图。
具体实施方式
[0023]为使本专利技术的技术方案、目的和优点更加清楚，下面通过具体的实施例子对本专利技术做进一步的详细描述。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。
[0024]本专利技术提供了一种非机动车交通流微观仿真方法，该方法基于改进的社会力模型构建，所述方法包括如下步骤：
[0025]步骤一：对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分；
[0026]步骤二：构建动态感知空间模型，获得非机动车的位置和速度信息；
[0027]步骤三：构建行为决策模型，将上述步骤二获得的非机动车的位置和速度信息加载到所述行为决策模型中，从而获取行为决策结果；
[0028]步骤四：根据步骤三获得的行为决策结果，采用改进的社会力模型计算受力情况，实时更新非机动车的位置和速度信息。
[0029]根据本专利技术，在进行所述步骤一之前，首先采集非机动车越线过程中的运动学参数，和/或机动车与越线非机动车交互时的参数，以此作为非机动车驾驶员行为异质性划分的数据基础。其中，所述非机动车越线过程中的运动学参数包括但不限于：超车车辆速度、超车时前后两车速度差、越线占用机动车道时间、非机动车流密度、非机动车横向位置、超
车侧向间隙、超车距离、横向间距、纵向间距。所述机动车与越线非机动车交互时的参数包括但不限于：机动车是否鸣笛、机动车车头时距。
[0030]所述步骤一中，可以采用K
‑
means聚类算法对非机动车的行驶轨迹进行聚类。所述采用K
‑
means聚类算法对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分的操作包括如下步骤：
[0031]步骤1：从n个样本数据中随机选取k个对象作为初始对象中心；
[0032]其中，所述“样本数据”是指非机动车行驶轨迹数据，所述“对象”是指非机动车越线过程中的运动学参数；
[0033]步骤2：分别计算每个样本数据到各个聚类中心的距离，将每个对象分配到距离最近的簇中；
[0034]步骤3：所有对象完成后，重新计算k个簇中心；
[0035]步骤4：与前一次计算得到的k个簇中心比较，如果任何一个簇的聚类中心发生变化，转到步骤2，若未发生变化，则完成聚类。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非机动车交通流微观仿真方法，其特征在于，所述方法包括如下步骤：步骤一：对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分；步骤二：构建动态感知空间模型，获得非机动车的位置和速度信息；步骤三：构建行为决策模型，将上述步骤二获得的非机动车的位置和速度信息加载到所述行为决策模型中，从而获取行为决策结果；步骤四：根据步骤三获得的行为决策结果，采用改进的社会力模型计算受力情况，实时更新非机动车的位置和速度信息。2.根据权利要求1所述的方法，其特征在于：在进行所述步骤一之前，采集非机动车越线过程中的运动学参数，和/或机动车与越线非机动车交互时的参数；优选地，所述非机动车越线过程中的运动学参数包括：超车车辆速度、越线占用机动车道时间、超车时前后两车速度差、机动车车头时距、非机动车流密度、非机动车横向位置、超车侧向间隙、超车距离、横向间距、纵向间距；所述机动车与越线非机动车交互时的参数包括：机动车是否鸣笛、机动车车头时距。3.根据权利要求1或2所述的方法，其特征在于：所述步骤一中，采用K
‑
means聚类算法对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分；优选地，所述采用K
‑
means聚类算法对非机动车的行驶轨迹进行聚类，以此对非机动车驾驶员进行划分的操作包括如下步骤：步骤1：从n个样本数据中随机选取k个对象作为初始对象中心；步骤2：分别计算每个样本数据到各个聚类中心的距离，将每个对象分配到距离最近的簇中；步骤3：所有对象完成后，重新计算k个簇中心；步骤4：与前一次计算得到的k个簇中心比较，如果任何一个簇的聚类中心发生变化，转到步骤2，若未发生变化，则完成聚类；根据聚类结果，将非机动车驾驶员分为冒险者、机会者、谨慎者三类。4.根据权利要求3所述的方法，其特征在于：所述动态感知空间模型的计算表达式为：式(1)中，a和b为非机动车椭圆轮廓的长轴半径及短轴半径；α
i
(t)和α
i
′
(t)为t时刻非机动车间的纵向感知系数、横向感知系数；为非机动车i在t时刻的速度；θ为非机动车与道路前进方向的夹角；β为非机动车流压缩系数，表示非机动车流速度降低、密度增加时，非机动车流间距将被压缩，表达式为：β＝k
j
/ku
f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中：k
j
为阻塞密度；k为非机动车流密度；u
f
为自由流速度；通过采用上述方式构建的动态感知空间模型，即可计算非机动车驾驶员的感知空间尺
寸，并以此获得一定范围内的非机动车的位置和速度信息。5.根据权利要求4所述的方法，其特征在于：所述行为决策模型包括：当非机动车驾驶员的动态感知空间内无任何车辆及障碍物时，非机动车驾驶员将采取自由行为；当非机动车驾驶员的动态感知空间内存在其它运动个体时，则可能产生潜在冲突，只有当两个运动个体在时间和空间上完全存在交集时，潜在冲突才会演化为真实冲突，此时非机动车将采取避让行为，采用冲突判断机制对冲突点进行判别，表达式为：行为，采用冲突判断机制对冲突点进行判别，表达式为：行为，采用冲突判断机制对冲突点进行判别，表达式为：式(3)、(4)、(5)中：为运动个体i和运动个体j的位置；为潜在碰撞位置；为运动个体i和运动个体j的速度；TC
i
，TC
j
为运动个体i和运动个体j从当前位置到潜在碰撞位置所用时间；TC
ij
为运动个体i和运动个体j碰撞的概率。6.根据权利要求5所述的方法，其特征在于：所述行为决策模型还包括对非机动车驾驶员越线行为决策概率进行计算的操作；优选地，选用二分类Logistic回归模型对非机动车驾驶员越线行为决策概率进行计算；其中，非机动车驾驶员越线进入机动车道的行为决策模型表达式为：式(6)中：P
ad
、P
op
、P
ca
为非机动车驾驶员中冒险者、机会者、谨慎者越线进入机动车道的概率；x1、x2、
…
、x
n
为影响非机动车驾驶员越线进入机动车道行为的第n个因素；β0、β1…
、β
n
、ε为回归系数；非机动车驾驶员越线返回原非机动车道的行为决策模型表达式为：式(7)中：P
′
ad
、P
′
op
、P
′
ca
为非机动车驾驶员中冒险者、机会者、谨慎者越线返回原非机动车道的概率；x
′1、x
′2、
…
、x
′
n
为影响非机动车驾驶员越线返回原非机动车道行为的第n个因素；β
′0、β
′1…
、β
′
n
、ε
′
为回归系数。7.根据权利要求6所述的方法，其特征在于：所述步骤四包括如下情形：
一、当行为决策结果判断为自由行为时，非机动车受到驱动力作用，受力表达式为：式(8)中：m
i
为非机动车i的质量；τ
i
为非机动车i的持续时间；为非机动车i在t时刻的速度；为期望方向，由当前位置指向目标点位置求出；为不同类型非机动车驾驶员的期望速度，当λ＝1时代表冒险者，当λ＝2时代表机会者，当λ＝3时代表谨慎者；二、当行为决策结果判断为避让非机动车行为时，非机动车受到非机动车排斥力和非机动车避让力作用，受力表达式为：式(9)中：为t时刻非机动车i采取避让非机动车b行为时所受合力；为t...

【专利技术属性】
技术研发人员：张蕊，杨明辉，周晨静，杨静，赵鹏飞，郝嘉田，王曦，孔令争，张士杰，杨明航，高诗博，王子轩，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：