一种基于驾驶类型和前车加速度信息的跟驰模型生成方法技术

本发明专利技术公开一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，利用聚类数据挖掘的方法，根据实际数据进行司机驾驶风格的划分，在全速度差模型的基础上引入个人预期效应，并进一步考虑了前车加速度信息对跟驰行为的影响，得到车辆跟驰模型。相比已有的车辆跟驰模型，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。

【技术实现步骤摘要】

本专利技术属于智能交通领域，尤其涉及适用于交通仿真中的车辆决策模型，进一步涉及一种基于驾驶类型和前车加速度信息的跟驰模型生成方法。
技术介绍
智能交通系统(ITS，IntelligentTransportationSystem)、驾驶员信息诱导系统、车辆自动智能巡航系统(AutonomousIntelligentCruiseControlSystem)和无人驾驶汽车的兴起进一步促进了各国学者对车辆跟驰行为的热切关注。车辆跟驰理论是运用动力学方法研究在限制超车的单车道上，行驶车队中前车速度的变化引起的后车反应，以及后车跟随车队行驶的状态，并用数学模型加以分析阐明的一种理论。跟驰模型研究的重要应用是进行交通模拟，可以从微观层次上对车辆间的交互关系进行探讨，对前后车的碰撞机理和影响因素进行科学的研究与分析，减少交通事故的发生。2001年，姜锐等人在OV模型的基础上进一步考虑了正负速度差对车辆动力学的影响，提出了全速度差模型：其中,a、λ为灵敏度系数；xn(t)和vn(t)为第n辆车的位置和速度；Δxn(t)＝xn+1(t)-xn(t)表示前车与后车的车间距；Δvn(t)＝vn+1(t)-vn(t)表示前车与后车的速度差；V(Δxn(t))为优化速度函数，该模型采用如下的优化速度函数：V(Δx)＝V1+V2tanh[C1(Δx-lc)-C2](2)其中，a＝0.85s-1，V1＝6.75m/s，V2＝6.75m/s，C1＝0.13m-1，C2＝1.57，lc＝5m。此后，在全速度差模型的基础上，众多学者相继提出了多种改进的车辆跟驰模型。唐铁桥等基于标定的速度车间距函数，提出了考虑路况和车载通讯的跟驰模型。Gong等在FVD模型的基础上，提出了考虑车辆加减速过程不对称的全速度差模型。Zheng等人在FVD模型的基础上，提出了考虑驾驶员期望驾驶行为的跟驰模型。葛红霞等基于智能交通系统背景，提出了考虑两项速度差的跟驰模型。彭光含等在考虑多种影响驾驶员调整最优速度因素的基础上，提出了一系列改进型FVD模型。孙棣华等基于全速度差模型，在考虑后车对前车跟车行为影响的基础上，提出了具有后视效应和速度差的车辆跟驰模型。王涛等基于FVD模型提出了考虑多辆前车的速度差对后车跟驰行为影响的多速度差模型(MVDM)，并与FVD模型比较后发现MVD模型的交通流稳定区域显著增大。但是这些模型，大多是针对驾驶员的平均驾驶风格而没有考虑到个人的驾驶风格。在现实交通流中，由于驾驶者的年龄，身体素质，反应灵敏度，驾驶技巧等个人差异，会造成跟驰行为的差异。许多学者在研究跟驰模型与换道模型过程中，发现驾驶员在跟驰和换道过程中表现出了延迟性、非精确性和预测特性。延迟性表现在驾驶员从接受刺激到做出反应要有一个反应时间和车辆机械操作系统的延迟时间。非精确性体现在驾驶员无法完全准确的判断出前车速度、前后车之间的相对距离，相邻车道车辆的位置及速度的精确值。预测特性体现在驾驶者会根据最紧邻前车的前车的刹车等行为在最紧邻前车刹车前及时的进行刹车。尽管这样，在跟驰过程中，驾驶员经常能以小于驾驶员反应时间的车头时距安全行驶，稳态交通流的车头时距通常在1.25s，有时甚至会小于1s。这说明驾驶员在跟驰过程中对周围车辆的运行状态进行了准确的预测，补偿了判断的非精确性。由于驾驶员在驾驶过程中表现出的这些心理-生理活动的不确定性和复杂性，完全一致的数学模型难以准确的描述所有驾驶者跟驰和自由换道现象。近两年有极少量考虑驾驶员类型的跟驰模型被提出，例如：在2016年，彭光含等人基于FVDM进一步考虑了个人驾驶风格，人为主观的将驾驶类型分为激进型和胆小型两种类型，通过两种类型的线性组合，得到不同的个人驾驶风格：其中，α1、α2表示激进型和胆小型驾驶者对于周围交通状况的预测能力系数，τ为反应延时，0≤p≤1表示两种驾驶特质对于驾驶者整体驾驶风格的影响系数。然而，这种简单的人为主观的驾驶类型的分类并没有从实际交通轨迹数据出发，缺乏事实依据，故无法准确的描述实际交通流中的驾驶特性。另外，现有的基于全速度差模型改进的跟驰模型都没有考虑前导车的加速度信息对跟驰模型的影响，而在实际交通流中，跟随车辆驾驶员往往会根据前导车的加减速行为调整自身车辆的行驶状态。目前常用的车辆跟驰模型没有考虑实际交通流中不同驾驶者表现出的驾驶特性，并且基于FVDM改进的跟驰模型都没有考虑前车加速度信息对于车辆跟驰模型的影响。
技术实现思路
本专利技术要解决的技术问题是，提供一种基于驾驶风格和前车加速度的车辆跟驰模型生成方法，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。为实现上述目的，本专利技术采用如下的技术方案：一种基于驾驶类型和前车加速度信息的跟驰模型生成方法包括以下步骤：步骤S1、将获取的前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X-means的聚类，得到三种类型的交通轨迹数据，所述第一类聚类结果为正常型，第二类聚类结果为激进型，第三类聚类结果为保守型；步骤S2、根据不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，得到跟驰模型，即，其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ1，σ2，σ3是三种类型的驾驶风格对于车距的预期效应系数，μ1，μ2，μ3是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；an+1(t)表示第n+1辆车即前导车在t时刻的加速度；当σ1＝σ2＝σ3＝μ1＝μ2＝μ3＝k＝0时，模型退化为全速度差模型，利用泰勒展开式并忽略非线性部分，得到如下式子：其中，Δan(t)＝an+1(t)-an(t)，表示前导车第n+1辆车与跟驰车辆第n辆车的加速度差，an(t)表示第n辆车的加速度；基于公式(5)，推导出如下的优化速度函数：V(Δxn(t+στ))＝V(Δxn(t)+στΔvn(t))＝V(Δxn(t))+Δvn(t)στV'(Δxn(t))因此，所述跟驰模型简化为：作为优选，第一类驾驶类型的五个特征向量取值均大于其他两类，其中平均加速度取值明显大于第二类和第三类驾驶类型，即第一类驾驶类型的前车加速度要远大于其跟随车辆的加速度；第二种类型的前车平均加速度和观察车辆平均加速度均大于第三类，第三类的车辆平均加速度明显低于其余两类；第一种驾驶类型跟随车辆速度稍小于前车速度，而另外两种类型中跟随车辆速度明显大于前车速度；第一类和第二类的跟随车辆平均加速度大于前车平均加速度，而第三种类型中前车平均加速度明显大于跟随车平均加速度。本专利技术利用聚类数据挖掘的方法，根据实际数据进行司机驾驶风格的划分，在全速度差模型的基础上引入个人预期效应，并进一步考虑了前车加速度信息对跟驰行为的影响，得到车辆跟驰模型。相比已有的车辆跟驰模型，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。附图说明图1为三种驾驶类型特征向量值雷达分布图；图2为三种驾驶类型的前后车辆关系图3为全速度差模型速度分布曲线(λ＝0.45)图4为本专利技术的模型的速度分布曲线(λ＝0.45)图5为FVD模型速度分布曲线(λ＝0.45)图6为本专利技术模型的速度分布曲线(λ＝0.45)图7为考本文档来自技高网...

【技术保护点】
一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，其特征在于，包括以下步骤：步骤S1、将获取的前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X‑means的聚类，得到三种类型的交通轨迹数据，所述第一类聚类结果为正常型，第二类聚类结果为激进型，第三类聚类结果为保守型；步骤S2、根据不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，得到跟驰模型，即，dvn(t)dt=a[αV(Δxn(t+σ1τ))+βV(Δxn(t+σ2τ))+(1-α-β)V(Δxn(t+σ3τ))-vn(t)]+λ[αΔvn(t+μ1τ)+βΔvn(t+μ2τ)+(1-α-β)Δvn(t+μ3τ)]+kan+1(t)]]>其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ1，σ2，σ3是三种类型的驾驶风格对于车距的预期效应系数，μ1，μ2，μ3是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；an+1(t)表示第n+1辆车即前导车在t时刻的加速度；当σ1＝σ2＝σ3＝μ1＝μ2＝μ3＝k＝0时，模型退化为全速度差模型，利用泰勒展开式并忽略非线性部分，得到如下式子：Δxn(t+στ)=Δxn(t)+στdΔxn(t)dt=Δxn(t)+στvn(t)---(5)]]>Δvn(t+μτ)=Δvn(t)+μτdΔvn(t)dt=Δvn(t)+μτan(t)]]>其中，Δan(t)＝an+1(t)‑an(t)，表示前导车第n+1辆车与跟驰车辆第n辆车的加速度差，an(t)表示第n辆车的加速度；基于公式(5)，推导出如下的优化速度函数：V(Δxn(t+στ))＝V(Δxn(t)+στΔvn(t))＝V(Δxn(t))+Δvn(t)στV'(Δxn(t))因此，所述跟驰模型简化为：dvn(t)dt=a[V(Δxn(t))+τV′(Δxn(t))Δvn(t)(σ1α+σ2β+(1-α-β)σ3)-vn(t)]+λ[Δvn(t)+τΔan(t)(μ1α+μ2β+(1-α-β)μ3)]+kan+1(t)]]>...

【技术特征摘要】
1.一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，其特征在于，包括以下步骤：步骤S1、将获取的前车速度，前车加速度，跟随车辆速度，跟随车辆加速度，车距五个变量值作为特征向量进行X-means的聚类，得到三种类型的交通轨迹数据，所述第一类聚类结果为正常型，第二类聚类结果为激进型，第三类聚类结果为保守型；步骤S2、根据不同类型的驾驶风格及前导车加速度信息对跟驰行为的影响，得到跟驰模型，即，dvn(t)dt=a[αV(Δxn(t+σ1τ))+βV(Δxn(t+σ2τ))+(1-α-β)V(Δxn(t+σ3τ))-vn(t)]+λ[αΔvn(t+μ1τ)+βΔvn(t+μ2τ)+(1-α-β)Δvn(t+μ3τ)]+kan+1(t)]]>其中，0≤α≤1，0≤β≤1是两种类型的驾驶风格在个人整体驾驶风格中所占比例，τ是总体反应延时，σ1，σ2，σ3是三种类型的驾驶风格对于车距的预期效应系数，μ1，μ2，μ3是三种类型的驾驶风格对于速度差的预期效应系数，k是加速度项的系数，反映驾驶员对加速度信息的感知程度；an+1(t)表示第n+1辆车即前导车在t时刻的加速度；当σ1＝σ2＝σ3＝μ1＝μ2＝μ3＝k＝0时，模型退化为全速度差模型，利用泰勒展开式并忽略非线性部分，得到如下式子：Δxn(t+στ)=Δxn(t)+στdΔxn(t)dt=Δxn(t)+σ...

【专利技术属性】
技术研发人员：尹宝才，倪萍，张勇，高子玉，任国庆，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11