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

doi:10.12141/j.issn.1000-565X.220448

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (6): 10-19.doi: 10.12141/j.issn.1000-565X.220448

所属专题： 2023年交通运输工程

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

赵建东¹^,² 焦岚馨¹ 赵志敏¹ 屈云超³ 孙会君¹

^1.北京交通大学交通运输学院，北京 100044
^2.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044
^3.北京交通大学轨道交通控制与安全国家重点实验室，北京 100044

收稿日期:2022-07-15 出版日期:2023-06-25 发布日期:2023-01-20
通信作者: 赵建东（1975-），男，教授，博士生导师，从事交通系统科学、智能交通研究。 E-mail:zhaojd@bjtu.edu.cn
作者简介:赵建东（1975-），男，教授，博士生导师，从事交通系统科学、智能交通研究。
基金资助:
国家自然科学基金资助项目(71890972/71890970);国家重点研发计划项目(2019YFB1600200)

A Car-Following Model Driven by Combination of Theory and Data Considering Effects of Lane Change of Side Cars

ZHAO Jiandong¹^,² JIAO Lanxin¹ ZHAO Zhimin¹ QU Yunchao³ SUN Huijun¹

^1.College of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044，China
^2.Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport，Beijing Jiaotong University，Beijing 100044，China
^3.State Key Laboratory of Rail Transit Control and Safety，Beijing Jiaotong University，Beijing 100044，China

Received:2022-07-15 Online:2023-06-25 Published:2023-01-20
Contact: 赵建东（1975-），男，教授，博士生导师，从事交通系统科学、智能交通研究。 E-mail:zhaojd@bjtu.edu.cn
About author:赵建东（1975-），男，教授，博士生导师，从事交通系统科学、智能交通研究。
Supported by:
the National Natural Science Foundation of China(71890972/71890970);the National Key Research and Development Program of China(2019YFB1600200)

摘要/Abstract

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

Abstract:

In order to analyze the following behavior of the target vehicle under the influence of lateral vehicle lane change, this study proposed a combination of theory-data driving following model by combining the multi-velocity difference theoretical following model and deep learning method. Firstly, it considered the following vehicle’s characteristics of maintaining a safe distance between forward and lateral vehicles and being affected by vehicle speed difference. And it proposed a two-lane multi-speed difference following(FS-MAVD) model, the parameters of which were calibrated by differential evolution algorithm. Secondly, it constructed a CNN-Bi-LSTM-Attention data-driven car following model. Convolutional neural network layer (CNN) was used to fully extract forward and lateral vehicle traffic features. Bidirectional long and short term memory networks layer (Bi-LSTM) took driver memory effect into account. The Attention mechanism layer was used to assign model weights. Drivers’ memory duration, model training batches and training rounds are trained based on data. Thirdly, considering the wide applicability of the theoretical model and the characteristics of the data-driven model close to the real value and smooth, the study used the optimal weighting method to combine the two models for prediction. Fourthly, the following behavior sample set was established by using the track data of expressway vehicles shot by UAV, and the model was trained and tested. Compared with the prediction effect of LSTM model, Bi-LSTM model, CNN-Bi-LSTM-Attention model and FS-MAVD theoretical model, the prediction accuracy and error of different models for different vehicles were respectively compared. The results show that the acceleration prediction accuracy of the combined model constructed in this paper reaches 97.64%. The root-mean-square error of prediction is as low as 0.027. Compared with other models, the proposed model can better predict acceleration and deceleration of vehicles affected by lane changing of side vehicles, and better analyze the following behavior of target vehicles.

Key words: traffic flow, car following, data-driven model, combination model, prediction, deep learning

中图分类号:

U491.1

赵建东, 焦岚馨, 赵志敏, 等. 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[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 10-19.

ZHAO Jiandong, JIAO Lanxin, ZHAO Zhimin, et al. A Car-Following Model Driven by Combination of Theory and Data Considering Effects of Lane Change of Side Cars[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(6): 10-19.

图/表 10

图1

图2

图3

表1

表2

图4

图5

图6

表3

949号车辆预测结果评价"

模型	$E R M S$	$E M S$	$E M A$	$S E V$	$R 2$
LSTM	0.076 9	0.005 9	0.054 6	0.986 5	0.977 3
Bi-LSTM	0.063 6	0.004 0	0.048 0	0.990 8	0.984 5
CNN-Bi-LSTM-Attention	0.062 4	0.003 9	0.053 1	0.995 3	0.985 1
理论模型	0.232 7	0.054 1	0.167 3	0.801 8	0.792 4
组合模型	0.057 3	0.003 3	0.049 5	0.994 1	0.987 4

表3

图7

参考文献 20

1	BANDO M， HASEBE K， NAKAYAMA A，et al ．Dynamical model of traffic congestion and numerical simulation ［J］．Physical Review.E.Statistical Physics，Plasmas，Fluids，and Related Interdisciplinary Topics，1995，51（2）：1035-1042.
2	HELBING D， TILCH B ．Generlized force model of taffic dynamics ［D］．Physical Review E，1998，58（1）：133-138
3	JIANG R， WU Q， ZHU Z ．Full velocity difference model for a car-following theory［J］．Physical Review E，2001，64（1）：017101/1-4.
4	王涛，高自友，赵小梅．多速度差模型及稳定性分析［J］．物理学报，2006，55（2）：634-640.
	WANG Tao， GAO Ziyou， ZHAO Xiaomei ．Multiple velocity difference model and its stability analysis［J］．Acta Physica Sinica，2006，55（2）：634-640.
5	孙棣华，李永福，田川．基于多前车位置及速度差信息的车辆跟驰模型［J］．系统工程理论与实践，2010，30（7）：1326-1332.
	SUN Dihua， LI Yongfu， TIAN Chuan ．Car-following model based on the information of multiple ahead & velocity difference ［J］．Systems Engineering-Theory & Practice，2010，30（7）：1326-1332.
6	KESTING A， TREIBER M， HELBING D ．General lane-changing model mobil for car-following models［J］．Transportation Research Record：Journal of the Transportation Research Board，1999（1）：86-94.
7	TANG T Q， HUANG H J， GAO Z Y ．Stability of the car-following model on two lanes［J］．Physical Review E Statistical Nonlinear & Soft Matter Physics，2005，72（6）：066124 /1-7.
8	陈漩，高自友，赵小梅，等．反馈控制双车道跟驰模型研究［J］．物理学报，2007，56（4）：2024-2029.
	CHEN Xuan， GAO Ziyou， ZHAO Xiaomei，et al ．Study on the two-lane feedback controled car-following model ［J］．Acta Physica Sinica，2007，56（4）：2024-2029.
9	王玄金．考虑前车换道过程的跟驰模型研究［D］．重庆：重庆大学，2017.
10	刘大为，史忠科．基于侧向车辆影响的跟驰模型建模及仿真［J］．交通信息与安全，2019，37（1）：35-41.
	LIU Dawei， SHI Zhongke ．Modeling and simulation of car-following model based on influences of lateral vehicles ［J］．Journal of Transport Information and Safety，2019，37（1）：35-41.
11	陶鹏飞．考虑侧向车影响的跟驰行为分析与建模［D］．长春：吉林大学，2009.
12	周立军，王殿海，李卫青．人工神经网络及粒子群优化算法在跟驰模型中的应用［J］．吉林大学学报（工学版），2009，39（4）：896-899.
	ZHOU Lijun， WANG Dianhai， LI Weiqing ．Application of artificial neural network and particle swarm optimization algorithm in car-following model［J］．Journal of Jilin University （Engineering and Technology Edition），2009，39（4）：896-899.
13	XIAO W， JIANG R， LI L，et al ．Capturing car-following behaviors by deep learning［J］．IEEE Transactions on Intelligent Transportation Systems，2017，19（3）：910-920.
14	HUANG X， SUN J， SUN J ．A car-following model considering asymmetric driving behavior based on long short-term memory neural networks ［J］．Transportation Research Part C：Emerging Technologies，2018，95：346-362.
15	王梦玉．基于LTE-V车车通信环境下的跟驰模型设计［D］．北京：北京交通大学，2020.
16	YANG X L， WANG P， ZHOU Y，et al ．Platoon trajectories generation：a unidirectional interconnected LSTM-based car-following model ［J］．IEEE Transactions on Intelligent Transportation Systems，2020，23（3）：2071-2081.
17	孙倩，郭忠印．基于长短期记忆神经网络方法的车辆跟驰模型［J］．吉林大学学报（工学版），2020，50（4）：1380-1386.
	SUN Qian， GUO Zhongyin ．Vehicle following model based on long and short-term memory neural network ［J］．Journal of Jilin University（Engineering and Technology Edition），2020，50（4）：1380-1386.
18	BAHDANAU D， CHO K， BENGIO Y ．Neural machine translation by jointly learning to align and translate ［C］∥ Proceedings of International Conference on Learning Representations 2015．San Diego：［s.n.］ 2014：1-15.
19	ROSE S， MARK J ．Simple optimal weighting of cases and controls in case-control studies ［J/OL］．International Journal of Bio-statistics．2008，4（1）：1-24.
20	王雪松，孙平，张晓春，等．基于自然驾驶数据的高速公路跟驰模型参数标定［J］．中国公路学报，2020，33（5）：132-142.
	WANG Xuesong， SUN Ping， ZHANG Xiaochun，et al ．Calibrating car-following models on freeway based on naturalistic driving data ［J］．China Journal of Highway and Transport，2020，33（5）：132-142.

字段名称	取值		取值
车辆号	1 041辆车	速度	0~103.04 m/s
时间	0~332 s，精度为0.04 s	加速度	-34.15~12.31 m/s²
车道号	1~10	横向距离	-3.7~4.8 m
纵向位置	0~381 m	车辆长度	41~151像素
速度	0~28.62 m/s	车辆宽度	20~45像素

车辆号	时间/s	车道号	纵向位置/m	速度/（m·s^-1）	加速度/（m·s^-2）	横向位置/m	前车号	前车纵向位置/m	前车速度/ （m·s^-1）	前车加速度/（m·s^-2）	跟驰间距/m	跟驰速度差/（m·s^-1）	侧方车辆号	侧方车辆速度/（m·s^-1）	侧方车辆加速度/（m·s^-2）	侧方车辆纵向位置/m
9	11.26	6	161.38	17.83	-0.46	0.23	3	201.61	17.95	0.77	40.23	0.12	6	16.92	0.35	180.08
9	11.30	6	162.13	17.83	-0.46	0.25	3	202.35	17.95	0.77	40.23	0.12	6	16.92	0.35	180.78
9	11.34	6	162.87	17.79	-0.46	0.27	3	203.10	18.02	0.84	40.23	0.23	6	16.95	0.50	181.49
9	11.38	6	163.62	17.79	-0.46	0.28	3	203.85	18.02	0.84	40.24	0.23	6	16.95	0.50	182.19

[1]	杨春玲, 梁梓文. 特征域近端高维梯度下降图像压缩感知重构网络[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 119-130.
[2]	郑娟毅, 董嘉豪, 张庆珏, 等. 基于残差密集网络的智能超表面信道估计算法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 102-111.
[3]	周浪, 樊坤, 瞿华, 等. 基于ECA注意力机制改进的EfficientNet-E模型森林火灾识别研究[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 42-49.
[4]	蔡晓东, 周青松, 叶青. 基于动态邻域采样的社交推荐模型[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 32-41.
[5]	何家鹏, 张津毓, 陈章兴, 刘超, 王仲昌, 周国伟, 李大永. 拉挤工艺单向玻纤复合材料的疲劳衰减特性[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 62-71.
[6]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[7]	苏锦钿, 余珊珊, 洪晓斌. 一种面向中文拼写纠错的自监督预训练方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 90-98.
[8]	李家春, 李博文, 林伟伟. AdfNet：一种基于多样化特征的自适应深度伪造检测网络[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 82-89.
[9]	魏海斌, 魏东升, 蒋博宇, 等. 基于IPSO-SVR的盾构下穿既有道路沉降预测分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 62-71.
[10]	郭恩强, 符锌砂. 基于特征相似性学习的抛洒物检测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 30-41.
[11]	林志坚, 丁永强, 杨秀芝, 等. HEVC帧内率失真优化预测模式的并行流水线硬件设计[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 95-103.
[12]	叶峰, 陈彪, 赖乙宗. 基于特征空间嵌入的对比知识蒸馏算法[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 13-23.
[13]	王永岗, 陈俊先, 郑少娅, 等. 道路急弯路段追尾冲突分析预测[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 80-87.
[14]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[15]	王情情, 刘战强, 程延海, 等. 基于多尺度晶粒细化演变的TC4加工表层硬度预测[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 35-46.

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

A Car-Following Model Driven by Combination of Theory and Data Considering Effects of Lane Change of Side Cars

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价