简介:为提高微观交通流模拟的准确性,分别建立加速度模型来模拟换道车辆和潜在后随车辆在自主性换道准备过程中的跟驰行为,所建模型能够反映车辆之间的交互特性.自主性换道准备过程起点和终点的样本数据从NGSIM实际车辆轨迹数据集中提取.换道车辆加速度模型假定为线性加速度模型,潜在后随车辆加速度模型参考最优速度模型建立,最优速度定义为潜在前导车速度的线性函数.分别对换道车辆和潜在后随车辆加速度模型进行了参数标定、假设检验和参数敏感性分析.2种模型的验证结果表明,与同类车辆跟驰模型的标定结果相比,训练和测试误差可以接受.此外,参数敏感性分析表明,微小的观测误差不会导致换道车辆和潜在后随车辆的跟驰行为发生剧烈变化.
简介:换道是驾驶员达到快速通行目标的一种常用手段,但换道会带来很多公路交通事故。为有效避免交通事故,需给驾驶员提供换道安全预警。构建了安全换道决策模型,将换道决策分为换道意图识别和换道条件判断分别建立模型以提高预测精确度。通过神经网络方法SOM(Self-Organization-Map)聚类及BP(BackPropagation)建立换道意图识别模型,基于贝叶斯理论建立最小风险贝叶斯换道条件判别模型。模型开发和测试采用车辆轨迹数据集(NGSIM),提取数据中的换道行为特征参数作为模型的输入,将驾驶员换道决策预测视为输入变量的函数。通过对比最小贝叶斯和最小风险贝叶斯方法发现,由后者构建的换道条件判别模型效果较好,对于不换道行为的预测精度为90.4%,换道行为的预测精度为73.8%。鉴于错误的换道决策可能导致交通事故,而错误的不换道决策只会导致失去一次换道的机会,在换道辅助系统中,不换道决策的精确度要求需高于换道决策的精度。最后,在微观交通仿真系统中加入换道决策模型,其结果验证换道决策安全。最小风险贝叶斯换道条件判别模型的引入,使得换道决策系统能够通过修正风险系数,进一步提高换道判别精度,减少不安全的换道概率。