一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于BMA的车辆跟驰模型参数建模方法


[0001]本专利技术涉及微观交通理论领域，尤其是涉及一种基于
BMA
的车辆跟驰模型参数建模方法
。

技术介绍

[0002]如今，微观交通仿真作为评估交通流量和拥堵
、
动态交通管理策略
、
模拟微观交通行为等方面的重要工具，微观交通仿真软件能够模拟交通系统中复杂的交通行为和交互作用，仿真的准确性与微观交通仿真软件中微观交通模型
(
如车辆跟驰模型和变道模型
)
密切相关
。
[0003]车辆跟驰模型受到交通学者的广泛关注，用于描述车辆与前方一辆或多辆车辆的纵向运动相互作用
。
每个车辆跟驰模型中都包含一组参数，这些参数控制着模型的性能
。
正确确定车辆跟驰模型的参数是至关重要的，这个过程被称为参数校准
。
校准的目标是使模型的输出更加符合实际驾驶行为，并进一步准确地模拟交通流特性
。
通常，校准过程被视为多元非线性优化问题，校准精度受到目标函数
、
优化算法等的影响
。
目标函数通常通过考虑不同的性能指标
(MoP)
来衡量拟合度
(GoF)
，优化算法的目标是找到校准问题的近似解
(
即车辆跟驰模型的参数集
)。
此外，校准过程中使用的不同车辆跟驰事件将产生不同的参数集，这表明车辆跟驰模型的参数中存在不确定性<br/>。
[0004]通过统计建模来捕捉参数特性是提高车辆跟驰模型仿真精度的一种方式
。
在交通仿真过程中，从经验分布或统计分布中对参数进行采样可以更好地模拟交通流和行为特性
。
对于几种统计分布，例如正态分布
、
对数正态分布等可以用于模拟参数特性
。
然而，一种类型的分布并不总能很好地描述不同参数或使用不同驾驶数据进行校准的相同参数的特性
。
因此找到一种方法用于衡量不同参数或使用一种能够通过不同驾驶数据进行校准的参数对于减少车辆跟驰模型中不确定性是非常重要的
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的车辆跟驰模型中参数具有不确定性的缺陷而提供一种基于
BMA
的车辆跟驰模型参数建模方法
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于
BMA
的车辆跟驰模型参数建模方法，包括如下步骤：
[0008]S1、
获取车辆跟驰事件片段，确定车辆跟驰事件片段的车辆组合类型并提取车辆跟驰事件片段的轨迹数据；
[0009]S2、
选取待标定的车辆跟驰模型及其待标定的跟驰模型参数；
[0010]S3、
根据待标定的跟驰模型参数定义最优化问题与目标函数，并设置跟驰模型参数的约束；
[0011]S4、
根据轨迹数据求解最优化问题，得到标定后的跟驰模型参数，并对标定后的跟驰模型参数进行验证；
[0012]S5、
根据跟驰模型参数构建不同的候选模型，通过贝叶斯模型平均方法对候选模型进行统计建模
。
[0013]进一步地，步骤
S1
中获取的跟驰事件片段为同时满足条件一
、
条件二和条件三的跟驰事件，条件一为车头时距小于6秒，条件二为净车辆间距小于
120
米，条件三为跟驰事件维持时间超过
30
秒
。
[0014]进一步地，步骤
S2
中待标定的跟驰模型参数包括前导车辆的舒适减速度
、
前导车辆的加速度指数
、
安全车头时距
、
跟驰车辆的最大期望速度和跟驰车辆的最大期望加速度
。
[0015]进一步地，步骤
S3
中最优化问题的表达式为：
[0016]MoP
sim
＝
F(
θ
)
[0017]minf(MoP
obs
，
MoP
sim
)
[0018]LB
θ
≤
θ
≤UB
θ
[0019]式中，
θ
为需要校准的车辆跟驰模型参数向量；
F(
·
)
为车辆跟驰模型；
LB
θ
为参数向量
θ
的下界，
UB
θ
为参数向量
θ
的上界；
MoP
obs
为观测到的性能指标，
MoP
sim
为模拟的性能指标；
f(
·
)
为拟合优度函数，
f(MoP
obs
，
MoP
sim
)
表示优化目标函数，包括泰尔系数
、
净车辆间距和车辆速度
。
[0020]进一步地，步骤
S3
中目标函数的表达式为：
[0021][0022]s
obs
、v
obs
∈MoP
obs
[0023]s
sim
、v
sim
∈MoP
sim
[0024]式中，
Obj
为目标函数，
s
obs
为观测到的净车辆间距，
v
obs
为观测到的车辆速度；
s
sim
为车辆跟驰模型的模拟净车辆间距，
v
sim
为车辆跟驰模型的模拟车辆速度；
T
为车辆跟驰周期的样本数，
t
为当前样本编号
。
[0025]进一步地，步骤
S4
求解最优化问题所用的方法为遗传算法
。
[0026]进一步地，步骤
S4
使用的验证方法包括定量验证方法和泰尔指数评估指标
。
[0027]进一步地，步骤
S5
包括以下步骤：
[0028](1)
根据跟驰模型参数选择不同的统计建模分布构建对应的候选模型；
[0029](2)
计算后验模型概率，计算表达式为：
[0030]AIC
＝
2k
‑
2ln(L)
[0031]AIC
min
＝
min{AIC
i
}
，
i
＝1，2，
…
，
k
[0032][0033]式中，
A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
BMA
的车辆跟驰模型参数建模方法，其特征在于，包括如下步骤：
S1、
获取车辆跟驰事件片段，确定车辆跟驰事件片段的车辆组合类型并提取车辆跟驰事件片段的轨迹数据；
S2、
选取待标定的车辆跟驰模型及其待标定的跟驰模型参数；
S3、
根据待标定的跟驰模型参数定义最优化问题与目标函数，并设置跟驰模型参数的约束；
S4、
根据轨迹数据求解最优化问题，得到标定后的跟驰模型参数，并对标定后的跟驰模型参数进行验证；
S5、
根据跟驰模型参数构建不同的候选模型，通过贝叶斯模型平均方法对候选模型进行统计建模
。2.
根据权利要求1所述的一种基于
BMA
的车辆跟驰模型参数建模方法，其特征在于，所述步骤
S1
的车辆类型组合包括汽车跟驰汽车
、
汽车跟驰货车
、
货车跟驰汽车和货车跟驰货车
。3.
根据权利要求1所述的一种基于
BMA
的车辆跟驰模型参数建模方法，其特征在于，所述步骤
S1
中获取的跟驰事件片段为同时满足条件一
、
条件二和条件三的跟驰事件，所述条件一为车头时距小于6秒，所述条件二为净车辆间距小于
120
米，所述条件三为跟驰事件维持时间超过
30
秒
。4.
根据权利要求1所述的一种基于
BMA
的车辆跟驰模型参数建模方法，其特征在于，所述步骤
S2
中所述的待标定的跟驰模型参数包括前导车辆的舒适减速度
、
前导车辆的加速度指数
、
安全车头时距
、
跟驰车辆的最大期望速度和跟驰车辆的最大期望加速度
。5.
根据权利要求1所述的一种基于
BMA
的车辆跟驰模型参数建模方法，其特征在于，所述步骤
S3
中所述的最优化问题的表达式为：
MoP
sim
＝
F(
θ
)minf(MoP
obs
，
MoP
sim
)LB
θ
≤
θ
≤UB
θ
式中，
θ
为需要校准的车辆跟驰模型参数向量；
F(
·
)
为车辆跟驰模型；
LB
θ
为参数向量
θ
的下界，
UB
θ
为参数向量
θ
的上界；
MoP
obs
为观测到的性能指标，
MoP
sim
为模拟的性能指标；
f(
·
)
为拟合优度函数，
f(MoP
obs
，
MoP
sim
)
表示优化目标...

【专利技术属性】
技术研发人员：刘丹阳，吴淑博，邹亚杰，杨小雪，
申请(专利权)人：同济大学，
类型：发明
国别省市：