本發(fā)明屬于智能交通領(lǐng)域，尤其涉及適用于交通仿真中的車(chē)輛決策模型，進(jìn)一步涉及一種基于駕駛類型和前車(chē)加速度信息的跟馳模型生成方法。

背景技術(shù)：

智能交通系統(tǒng)(ITS，Intelligent Transportation System)、駕駛員信息誘導(dǎo)系統(tǒng)、車(chē)輛自動(dòng)智能巡航系統(tǒng)(Autonomous Intelligent Cruise Control System)和無(wú)人駕駛汽車(chē)的興起進(jìn)一步促進(jìn)了各國(guó)學(xué)者對(duì)車(chē)輛跟馳行為的熱切關(guān)注。車(chē)輛跟馳理論是運(yùn)用動(dòng)力學(xué)方法研究在限制超車(chē)的單車(chē)道上，行駛車(chē)隊(duì)中前車(chē)速度的變化引起的后車(chē)反應(yīng)，以及后車(chē)跟隨車(chē)隊(duì)行駛的狀態(tài)，并用數(shù)學(xué)模型加以分析闡明的一種理論。跟馳模型研究的重要應(yīng)用是進(jìn)行交通模擬，可以從微觀層次上對(duì)車(chē)輛間的交互關(guān)系進(jìn)行探討，對(duì)前后車(chē)的碰撞機(jī)理和影響因素進(jìn)行科學(xué)的研究與分析，減少交通事故的發(fā)生。

2001年，姜銳等人在OV模型的基礎(chǔ)上進(jìn)一步考慮了正負(fù)速度差對(duì)車(chē)輛動(dòng)力學(xué)的影響，提出了全速度差模型：

其中,a、λ為靈敏度系數(shù)；x_n(t)和v_n(t)為第n輛車(chē)的位置和速度；Δx_n(t)＝x_n+1(t)-x_n(t)表示前車(chē)與后車(chē)的車(chē)間距；Δv_n(t)＝v_n+1(t)-v_n(t)表示前車(chē)與后車(chē)的速度差；V(Δx_n(t))為優(yōu)化速度函數(shù)，該模型采用如下的優(yōu)化速度函數(shù)：

V(Δx)＝V₁+V₂tanh[C₁(Δx-l_c)-C₂] (2)

其中，a＝0.85s^-1，V₁＝6.75m/s，V₂＝6.75m/s，C₁＝0.13m^-1，C₂＝1.57，l_c＝5m。

此后，在全速度差模型的基礎(chǔ)上，眾多學(xué)者相繼提出了多種改進(jìn)的車(chē)輛跟馳模型。唐鐵橋等基于標(biāo)定的速度車(chē)間距函數(shù)，提出了考慮路況和車(chē)載通訊的跟馳模型。Gong等在FVD模型的基礎(chǔ)上，提出了考慮車(chē)輛加減速過(guò)程不對(duì)稱的全速度差模型。Zheng等人在FVD模型的基礎(chǔ)上，提出了考慮駕駛員期望駕駛行為的跟馳模型。葛紅霞等基于智能交通系統(tǒng)背景，提出了考慮兩項(xiàng)速度差的跟馳模型。彭光含等在考慮多種影響駕駛員調(diào)整最優(yōu)速度因素的基礎(chǔ)上，提出了一系列改進(jìn)型FVD模型。孫棣華等基于全速度差模型，在考慮后車(chē)對(duì)前車(chē)跟車(chē)行為影響的基礎(chǔ)上，提出了具有后視效應(yīng)和速度差的車(chē)輛跟馳模型。王濤等基于FVD模型提出了考慮多輛前車(chē)的速度差對(duì)后車(chē)跟馳行為影響的多速度差模型(MVDM)，并與FVD模型比較后發(fā)現(xiàn)MVD模型的交通流穩(wěn)定區(qū)域顯著增大。

但是這些模型，大多是針對(duì)駕駛員的平均駕駛風(fēng)格而沒(méi)有考慮到個(gè)人的駕駛風(fēng)格。在現(xiàn)實(shí)交通流中，由于駕駛者的年齡，身體素質(zhì)，反應(yīng)靈敏度，駕駛技巧等個(gè)人差異，會(huì)造成跟馳行為的差異。許多學(xué)者在研究跟馳模型與換道模型過(guò)程中，發(fā)現(xiàn)駕駛員在跟馳和換道過(guò)程中表現(xiàn)出了延遲性、非精確性和預(yù)測(cè)特性。延遲性表現(xiàn)在駕駛員從接受刺激到做出反應(yīng)要有一個(gè)反應(yīng)時(shí)間和車(chē)輛機(jī)械操作系統(tǒng)的延遲時(shí)間。非精確性體現(xiàn)在駕駛員無(wú)法完全準(zhǔn)確的判斷出前車(chē)速度、前后車(chē)之間的相對(duì)距離，相鄰車(chē)道車(chē)輛的位置及速度的精確值。預(yù)測(cè)特性體現(xiàn)在駕駛者會(huì)根據(jù)最緊鄰前車(chē)的前車(chē)的剎車(chē)等行為在最緊鄰前車(chē)剎車(chē)前及時(shí)的進(jìn)行剎車(chē)。盡管這樣，在跟馳過(guò)程中，駕駛員經(jīng)常能以小于駕駛員反應(yīng)時(shí)間的車(chē)頭時(shí)距安全行駛，穩(wěn)態(tài)交通流的車(chē)頭時(shí)距通常在1.25s，有時(shí)甚至?xí)∮?s。這說(shuō)明駕駛員在跟馳過(guò)程中對(duì)周?chē)?chē)輛的運(yùn)行狀態(tài)進(jìn)行了準(zhǔn)確的預(yù)測(cè)，補(bǔ)償了判斷的非精確性。由于駕駛員在駕駛過(guò)程中表現(xiàn)出的這些心理-生理活動(dòng)的不確定性和復(fù)雜性，完全一致的數(shù)學(xué)模型難以準(zhǔn)確的描述所有駕駛者跟馳和自由換道現(xiàn)象。近兩年有極少量考慮駕駛員類型的跟馳模型被提出，例如：在2016年，彭光含等人基于FVDM進(jìn)一步考慮了個(gè)人駕駛風(fēng)格，人為主觀的將駕駛類型分為激進(jìn)型和膽小型兩種類型，通過(guò)兩種類型的線性組合，得到不同的個(gè)人駕駛風(fēng)格：

其中，α₁、α₂表示激進(jìn)型和膽小型駕駛者對(duì)于周?chē)煌顩r的預(yù)測(cè)能力系數(shù)，τ為反應(yīng)延時(shí)，0≤p≤1表示兩種駕駛特質(zhì)對(duì)于駕駛者整體駕駛風(fēng)格的影響系數(shù)。

然而，這種簡(jiǎn)單的人為主觀的駕駛類型的分類并沒(méi)有從實(shí)際交通軌跡數(shù)據(jù)出發(fā)，缺乏事實(shí)依據(jù)，故無(wú)法準(zhǔn)確的描述實(shí)際交通流中的駕駛特性。

另外，現(xiàn)有的基于全速度差模型改進(jìn)的跟馳模型都沒(méi)有考慮前導(dǎo)車(chē)的加速度信息對(duì)跟馳模型的影響，而在實(shí)際交通流中，跟隨車(chē)輛駕駛員往往會(huì)根據(jù)前導(dǎo)車(chē)的加減速行為調(diào)整自身車(chē)輛的行駛狀態(tài)。

目前常用的車(chē)輛跟馳模型沒(méi)有考慮實(shí)際交通流中不同駕駛者表現(xiàn)出的駕駛特性，并且基于FVDM改進(jìn)的跟馳模型都沒(méi)有考慮前車(chē)加速度信息對(duì)于車(chē)輛跟馳模型的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是，提供一種基于駕駛風(fēng)格和前車(chē)加速度的車(chē)輛跟馳模型生成方法，極大的提高了交通流的穩(wěn)定性，并且更加的符合實(shí)際交通流狀態(tài)。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

一種基于駕駛類型和前車(chē)加速度信息的跟馳模型生成方法包括以下步驟：

步驟S1、將獲取的前車(chē)速度，前車(chē)加速度，跟隨車(chē)輛速度，跟隨車(chē)輛加速度，車(chē)距五個(gè)變量值作為特征向量進(jìn)行X-means的聚類，得到三種類型的交通軌跡數(shù)據(jù)，所述第一類聚類結(jié)果為正常型，第二類聚類結(jié)果為激進(jìn)型，第三類聚類結(jié)果為保守型；

步驟S2、根據(jù)不同類型的駕駛風(fēng)格及前導(dǎo)車(chē)加速度信息對(duì)跟馳行為的影響，得到跟馳模型，即，

其中，0≤α≤1，0≤β≤1是兩種類型的駕駛風(fēng)格在個(gè)人整體駕駛風(fēng)格中所占比例，τ是總體反應(yīng)延時(shí)，σ₁，σ₂，σ₃是三種類型的駕駛風(fēng)格對(duì)于車(chē)距的預(yù)期效應(yīng)系數(shù)，μ₁，μ₂，μ₃是三種類型的駕駛風(fēng)格對(duì)于速度差的預(yù)期效應(yīng)系數(shù)，k是加速度項(xiàng)的系數(shù)，反映駕駛員對(duì)加速度信息的感知程度；a_n+1(t)表示第n+1輛車(chē)即前導(dǎo)車(chē)在t時(shí)刻的加速度；當(dāng)σ₁＝σ₂＝σ₃＝μ₁＝μ₂＝μ₃＝k＝0時(shí)，模型退化為全速度差模型，利用泰勒展開(kāi)式并忽略非線性部分，得到如下式子：

其中，Δa_n(t)＝a_n+1(t)-a_n(t)，表示前導(dǎo)車(chē)第n+1輛車(chē)與跟馳車(chē)輛第n輛車(chē)的加速度差，a_n(t)表示第n輛車(chē)的加速度；

基于公式(5)，推導(dǎo)出如下的優(yōu)化速度函數(shù)：

V(Δx_n(t+στ))＝V(Δx_n(t)+στΔv_n(t))＝V(Δx_n(t))+Δv_n(t)στV'(Δx_n(t))

因此，所述跟馳模型簡(jiǎn)化為：

作為優(yōu)選，第一類駕駛類型的五個(gè)特征向量取值均大于其他兩類，其中平均加速度取值明顯大于第二類和第三類駕駛類型，即第一類駕駛類型的前車(chē)加速度要遠(yuǎn)大于其跟隨車(chē)輛的加速度；第二種類型的前車(chē)平均加速度和觀察車(chē)輛平均加速度均大于第三類，第三類的車(chē)輛平均加速度明顯低于其余兩類；第一種駕駛類型跟隨車(chē)輛速度稍小于前車(chē)速度，而另外兩種類型中跟隨車(chē)輛速度明顯大于前車(chē)速度；第一類和第二類的跟隨車(chē)輛平均加速度大于前車(chē)平均加速度，而第三種類型中前車(chē)平均加速度明顯大于跟隨車(chē)平均加速度。

本發(fā)明利用聚類數(shù)據(jù)挖掘的方法，根據(jù)實(shí)際數(shù)據(jù)進(jìn)行司機(jī)駕駛風(fēng)格的劃分，在全速度差模型的基礎(chǔ)上引入個(gè)人預(yù)期效應(yīng)，并進(jìn)一步考慮了前車(chē)加速度信息對(duì)跟馳行為的影響，得到車(chē)輛跟馳模型。相比已有的車(chē)輛跟馳模型，極大的提高了交通流的穩(wěn)定性，并且更加的符合實(shí)際交通流狀態(tài)。

附圖說(shuō)明

圖1為三種駕駛類型特征向量值雷達(dá)分布圖；

圖2為三種駕駛類型的前后車(chē)輛關(guān)系

圖3為全速度差模型速度分布曲線(λ＝0.45)

圖4為本發(fā)明的模型的速度分布曲線(λ＝0.45)

圖5為FVD模型速度分布曲線(λ＝0.45)

圖6為本發(fā)明模型的速度分布曲線(λ＝0.45)

圖7為考慮駕駛類型和前車(chē)加速度的模型速度分布圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供一種基于駕駛類型和前車(chē)加速度信息的跟馳模型生成方法，已有的基于FVDM改進(jìn)的車(chē)輛跟馳模型都沒(méi)有從實(shí)際交通數(shù)據(jù)出發(fā)去考慮不同類型的駕駛風(fēng)格，并且都沒(méi)有考慮前導(dǎo)車(chē)加速度信息對(duì)跟馳模型的影響，本發(fā)明利用聚類方法進(jìn)行駕駛類型的劃分，克服了基于傳統(tǒng)方法引入駕駛類型的跟馳模型中只考慮顯性因素的缺點(diǎn)，可以有效地、深層次地分析處理海量交通信息，挖掘大量交通數(shù)據(jù)中隱含的、還未被大家發(fā)覺(jué)的有用的知識(shí)。

在本發(fā)明中，利用X-means聚類分析方法，以目標(biāo)車(chē)輛速度、加速度，前導(dǎo)車(chē)速度、加速度以及車(chē)距為特征向量，對(duì)實(shí)際交通軌跡數(shù)據(jù)進(jìn)行駕駛類型的劃分，采用的實(shí)際交通軌跡數(shù)據(jù)為NGSIM(the Next Generation Simulation program)項(xiàng)目采集的I-80路段車(chē)輛軌跡數(shù)據(jù)集，本發(fā)明對(duì)I-80路段的軌跡數(shù)據(jù)進(jìn)行篩選，將無(wú)前車(chē)、不存在上一幀或下一幀數(shù)據(jù)以及跟車(chē)間距大于500m、跟車(chē)時(shí)距大于100s，即明顯不處于有效的跟車(chē)狀態(tài)的記錄刪去，得到有效的數(shù)據(jù)約150萬(wàn)項(xiàng)，選取前車(chē)速度，前車(chē)加速度，跟隨車(chē)輛速度，跟隨車(chē)輛加速度，車(chē)距五個(gè)變量值作為特征向量進(jìn)行X-means的聚類，得到三種類型的交通軌跡數(shù)據(jù)，聚類結(jié)果如表1所示，

表1 X-means聚類結(jié)果

三種駕駛類型的特征向量值的分布如圖1所示。特別地，為了使實(shí)驗(yàn)結(jié)果更加直觀，圖1對(duì)五項(xiàng)特征值進(jìn)行了一些處理，平均車(chē)輛加速度值都為實(shí)際值乘以10倍，平均前車(chē)加速度值都為實(shí)際值乘以100倍。由圖1可知，第一類駕駛類型的五個(gè)特征向量取值均大于其他兩類，其中平均加速度取值明顯大于第二類和第三類駕駛類型，即第一類駕駛類型的前車(chē)加速度要遠(yuǎn)大于其跟隨車(chē)輛的加速度；第二種類型的前車(chē)平均加速度和觀察車(chē)輛平均加速度均大于第三類，第三類的車(chē)輛平均加速度明顯低于其余兩類。圖2所示為三種類型前后車(chē)輛速度差，加速度差以及車(chē)距的分布，從圖2中可以看出，三種類型的車(chē)距相差無(wú)幾，根據(jù)平均速度差可知，第一種駕駛類型跟隨車(chē)輛速度稍小于前車(chē)速度，而另外兩種類型中跟隨車(chē)輛速度明顯大于前車(chē)速度；根據(jù)平均加速度差可知，第一類和第二類的跟隨車(chē)輛平均加速度大于前車(chē)平均加速度，而第三種類型中前車(chē)平均加速度明顯大于跟隨車(chē)平均加速度。根據(jù)車(chē)輛的平均速度差和平均加速度差，將第一類聚類結(jié)果標(biāo)記為正常型，第二類聚類結(jié)果標(biāo)記為激進(jìn)型，第三類聚類結(jié)果標(biāo)記為保守型。

本發(fā)明在前文所述的全速度差模型的基礎(chǔ)上，進(jìn)一步考慮了不同類型的駕駛風(fēng)格及前導(dǎo)車(chē)加速度信息對(duì)跟馳行為的影響，提出了如下跟馳模型：

其中，0≤α≤1，0≤β≤1是兩種類型的駕駛風(fēng)格在個(gè)人整體駕駛風(fēng)格中所占比例，τ是總體反應(yīng)延時(shí)，σ₁，σ₂，σ₃是三種類型的駕駛風(fēng)格對(duì)于車(chē)距的預(yù)期效應(yīng)系數(shù)，μ₁，μ₂，μ₃是三種類型的駕駛風(fēng)格對(duì)于速度差的預(yù)期效應(yīng)系數(shù)，k是加速度項(xiàng)的系數(shù)，反映駕駛員對(duì)加速度信息的感知程度；a_n+1(t)表示第n+1輛車(chē)即前導(dǎo)車(chē)在t時(shí)刻的加速度；這里仍然采用與全速度差模型相同的優(yōu)化速度函數(shù)。當(dāng)σ₁＝σ₂＝σ₃＝μ₁＝μ₂＝μ₃＝k＝0時(shí)，模型退化為全速度差模型。為了簡(jiǎn)化計(jì)算，利用泰勒展開(kāi)式并忽略非線性部分，得到如下式子：

其中，Δa_n(t)＝a_n+1(t)-a_n(t)，表示前導(dǎo)車(chē)第n+1輛車(chē)與跟馳車(chē)輛第n輛車(chē)的加速度差，a_n(t)表示第n輛車(chē)的加速度?；诠?5)，可以推導(dǎo)出如下的優(yōu)化速度函數(shù)：

V(Δx_n(t+στ))＝V(Δx_n(t)+στΔv_n(t))＝V(Δx_n(t))+Δv_n(t)στV'(Δx_n(t)) (7)

因此，公式(4)可以化簡(jiǎn)為：

本發(fā)明中的提議已經(jīng)被整合到交通仿真系統(tǒng)中，并且取得了明顯的優(yōu)化效果。其中，車(chē)流的穩(wěn)定性是衡量車(chē)輛跟馳模型性能的重要指標(biāo)，本發(fā)明通過(guò)數(shù)值仿真方法，分析駕駛類型和前車(chē)加速度信息對(duì)交通流穩(wěn)定性的影響。在啟動(dòng)過(guò)程的對(duì)比仿真中，研究了新模型在黃燈轉(zhuǎn)向綠燈的交通信號(hào)燈環(huán)境下的車(chē)輛啟動(dòng)情況，基于已有文獻(xiàn)中普遍采用的仿真環(huán)境模擬靜止車(chē)隊(duì)的啟動(dòng)過(guò)程：模型參數(shù)a＝0.41s^-1；在t＜0時(shí)，交通信號(hào)為紅燈；初始時(shí)刻，11輛車(chē)排成一隊(duì)，每輛車(chē)的初始位置為x_n(0)＝(n-1)d，其中，n＝1,...,11，d＝7.4m；所有車(chē)輛初始狀態(tài)都處于靜止?fàn)顟B(tài)，即v_n(0)＝0；在t＝0時(shí)，紅燈轉(zhuǎn)綠，車(chē)輛開(kāi)始啟動(dòng)。其他邊界條件：對(duì)于頭車(chē)n＝11，其最優(yōu)速度函數(shù)V₁₁(∞)＝14.66m·s^-1，對(duì)于跟隨車(chē)，V_n(7.4)＝0。為了與全速度差模型進(jìn)行對(duì)比分析，對(duì)2個(gè)模型設(shè)置相同的參數(shù)值。11輛車(chē)的全速度差模型的啟動(dòng)過(guò)程的模擬結(jié)果如圖4所示，新模型的啟動(dòng)過(guò)程的模擬結(jié)果如圖5所示，為了表示駕駛者的個(gè)體差異，代表兩種不同駕駛類型的權(quán)系數(shù)α，β為服從均值為0.3，標(biāo)準(zhǔn)差為0.1的正態(tài)分布的隨機(jī)值。根據(jù)速度分布曲線可以看出，全速度差模型的車(chē)輛啟動(dòng)過(guò)程中，11輛車(chē)的速度—時(shí)間曲線的變化趨勢(shì)幾乎一致，而在實(shí)際交通流中，由于駕駛者的年齡，駕駛熟練度，身體健康度，反應(yīng)靈敏度等因素，其對(duì)周?chē)煌ōh(huán)境的預(yù)期效應(yīng)通常是有差異的，由此看來(lái)，全速度差模型并不能很好的描述實(shí)際交通流狀態(tài)。而根據(jù)圖5所示的新模型的速度分布曲線圖可以看出，11輛車(chē)的速度—時(shí)間曲線圖的變化趨勢(shì)有所差異，更加符合實(shí)際交通狀況。停止過(guò)程的仿真環(huán)境的參數(shù)設(shè)置與啟動(dòng)過(guò)程一樣，唯一不同之處在于現(xiàn)在假設(shè)在800米處有一處紅燈，車(chē)輛必須剎車(chē)。所以，對(duì)于頭車(chē)n＝11而言，它的車(chē)間距為Δx₁₁(0)＝800-x₁₁。11輛車(chē)的全速度差模型的停止過(guò)程的仿真結(jié)果如圖6所示，新模型的仿真結(jié)果如圖7所示。同樣，從圖6和圖7可以看出，11輛車(chē)的全速度差模型的停止過(guò)程的速度分布曲線變化趨勢(shì)幾乎沒(méi)有差異，而新模型的速度分布曲線的變化趨勢(shì)有所不同，更加符合在實(shí)際交通流中因駕駛者的個(gè)體差異所造成的停止過(guò)程的速度變化趨勢(shì)的差異。

為了更加直觀的分析駕駛者的個(gè)人風(fēng)格和前導(dǎo)車(chē)加速度信息對(duì)車(chē)流穩(wěn)定性的影響，本發(fā)明通過(guò)數(shù)值模擬實(shí)驗(yàn)驗(yàn)證新模型的演化過(guò)程。假設(shè)周期邊界條件為：道路總長(zhǎng)度L＝1500m，車(chē)輛數(shù)N＝100，車(chē)流在穩(wěn)定狀態(tài)下的車(chē)距h＝L/N＝15m，對(duì)頭車(chē)施加小擾動(dòng)1m，敏感系數(shù)a＝0.41s^-1，車(chē)輛的初始速度位置及擾動(dòng)設(shè)置如下：

x₁(0)＝1m,

x_n(0)＝(n-1)L/N,n＝2,3,...,N (9)

1000s時(shí)100輛車(chē)的車(chē)速波動(dòng)情況如圖7所示，從圖7可以看出，同時(shí)考慮駕駛類型和前車(chē)加速度信息對(duì)車(chē)流的穩(wěn)定性有著極大地積極作用。