城市道路交叉口前车辆左转研究

城市道路交叉口前车辆左转研究

陈通箭

（重庆交通大学交通运输学院，重庆400074）

摘要：为了研究车辆交叉口左转换道行为的影响因素，建立反向传播BP神经网络模型。采用传统的5层BP神经网络，考虑每个路段内侧车道车辆数和换道车辆离停止线的距离，对不同路段内的换道数进行预测。最后对两个因素进行神经网络局部敏感性分析。在未来的研究中需要实际的数据对此方法进行检验。

关键词：车辆换道；左转换道；BP神经网络模型;敏感度分析

引言

车辆换道在城市交通中是一个普遍的现象，车道变换的描述车辆因各种需要由当前车道变换到相邻车道的行驶行为。驾驶员根据自身驾驶特性对周围的交通流特征进行分析，最终决定是否换道。车辆换道可以分为判断性换道（DLC）和强制性换道（MLC），前者是为了最求更快的期望车速、更自由的驾驶空间而发生的换道的行为，主要有MITSIM模型和CORSIM模型,后者是由于某种目的或者原因不得不换道的行为,主要有Gipps模型和SITRAS模型。

随着研究的深入，越来越多的人对公交的换道行为进行研究。公交站的四周存在社会车辆，所以公交车进出站时将对社会车辆驾驶员的驾驶行为产生影响。杨亚杰等人详细地研究了公交车的进出站过程，把上下客的用时和车内的拥挤度联系起来，并考虑公交站点公交车辆排队情况建立直线式公交停靠站的公交停靠行为对道路通行能力影响的模型。赵胜通过建立港湾式公交站点元胞自动机模型，运用visualC++编程对城市道路中港湾式公交站点影响下的混合交通流运行情况进行模拟，分析港湾式公交站点布设位置对其下游交叉口进口道通行能力的影响。

然而无论是传统车辆的换道行为模型，还是公交换道研究,大多数的研究都集中于对道路中间的换道行为进行研究或者是站点进行研究,很少有文献对交叉口前的左转换道行为进行研究。本文认为通过BP神经网络模型可以进一步探究左转换道的影响因素。

1BP神经网络

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

BP神经网络是一种多层前馈神经网络，结构由输入层、隐藏层和输出层组成。输入、输出层的神经元数量基于使用者的需求或者运用需求来确定。典型的5层BP神经网络结构是：一个输入层、三个隐藏层和一个输出层。其中层与层之间采用全互连方式，同一层之间不存在相互连接，隐含层可以有一层或多层。

BP神经网络不像模糊预测法那样，单一的通过对目标值的历史数据的整体趋势走向进行分析，从而得出目标年的预测值。BP神经网络通过对变量和目标值之间存在的潜在关系进行分析，并得出目标年的预测值。

交叉口前的车辆左转是一个复杂的过程，涉及到许多因素。考虑到数据获得的难易程度和影响的重要程度，选择内侧车道的车辆数和换道点离交叉口的距离作为考虑要素，建立传统的5层BP神经网络。

实验可以选取交叉口停止线前长度为M的路段，将其划分为n个小段。记录每个小段的内侧车道车辆数Q和车辆换道次数N。

图3临近交叉口出左转换道决策BP神经网络结构图

其中：Q——每小段的内侧车道的车辆数，辆；L——换道点

3结论

文章针对现阶段研究较少的区域——交叉口前的左转换道行为，提出利用BP神经网络模型对此行为进行研究，其中将内侧车道的车辆数和换道点离交叉口的距离作为影响因素，并对建议两个因素进行敏感度分析。在未来的研究中需要将理论结合实际的数据进行检验，从而的出符合实际情况的结论。

参考文献

[1]YangQ,KoutsopoulosH.N.Amicroscopictrafficsimulatorforevaluationofdynamictrafficmanagementsystems[J].TransportationResearch,PartC,1996,4(3):113-129.

[2]GippsP.G.Amodelforthestructureoflane-changingdecisions[J].TransportationResearchPartB,1986,20(5):403-414.

[3]HidasP.Modellinglanechangingandmerginginmicroscopictrafficsimulation[J].TransportationResearchPartC,2002:10(5-6),351-371.

[4]杨亚杰,韩印,袁鹏程等.直线式公交停靠对道路通行能力影响研究[J].物流科技,2017;266(10):86-89.

[5]赵胜.港湾式公交站位置对交叉口通行能力影响模拟分析[J].公路与汽运,2017,182(05):17-19+23.