考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

摘要：

为分析受侧向车辆换道影响下的目标车辆跟驰行为,结合多速度差理论跟驰模型和深度学习方法,提出了一种理论-数据组合驱动跟驰模型.首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性,提出了双车道多速度差跟驰模型(FS-MAVD模型),并利用差分进化算法进行模型参数标定.构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型,利用卷积神经网络层(CNN)充分提取前向和侧向车辆交通特征,双向长短期记忆网络层(Bi-LSTM)考虑驾驶员记忆效应,注意力机制层(Attention)用于分配模型权重,并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练.考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点,采用最优加权法将两种模型进行组合预测.利用无人机拍摄的快速路车辆轨迹数据,建立跟驰行为样本集,对所建模型进行训练和测试,并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比,并分别比对不同模型对不同车辆的预测精度和误差.结果表明,本研究构建的组合模型在加速度预测精度达到97.64％,预测均方根误差低至0.027,相比其他模型能更好地预测车辆受侧方车辆换道影响时的加减速情况,更好地分析目标车辆跟驰行为.

关键词：交通流、车辆跟驰、数据驱动模型、组合模型、预测、深度学习

所属期刊栏目：51

分类号：U491.1(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2023-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：10-19