一种车联网环境下交通流特性分析方法技术

本发明专利技术提出一种车联网环境下交通流特性分析方法，包括：构建面向车联网技术应用影响研究的综合感知及仿真分析平台；基于所述综合感知及仿真分析平台，采集驾驶员在有

【技术实现步骤摘要】
一种车联网环境下交通流特性分析方法


[0001]本专利技术属于智能交通
，尤其涉及一种车联网环境下交通流特性分析方法
。

技术介绍

[0002]道路交通系统运行水平不仅是衡量一个国家发展程度的重要指标，同时也是反映现代城镇居民生活质量以及繁荣程度的重要因素
。
自改革开放以来，我国高度重视交通基础设施建设，持续加大道路交通系统建设的力度
。
在我国社会变革不断深入和经济快速发展的同时，我国道路交通路网基础设施也得到了极大的发展
。
道路网络的延伸和道路基础设施的完善给人们的出行带来了前所未有的便利
。
然而随着道路上机动车数量日益增多，人们的出行更加频繁，带来的道路交通问题也越来越严峻
。
日益增长的机动车交通出行量和有限的道路资源之间的不匹配，使得道路上的不良驾驶现象层出不穷，道路交通问题逐渐凸显，主要表现为交通拥堵加剧
、
交通事故率居高不下
、
交通污染问题日益严重
、
交通出行成本攀升等
。
传统的智能交通系统通过交通信息的“感知
‑
传输
‑
处理
‑
应用”实现道路交通要素的一体化集成，从而保障道路交通流的有序组织和运行
。
然而基于现有设施设备，交通流管控缺乏车辆与车辆
、
车辆与路侧设施间的相互协同
。
随着信息通信技术
、
人机交互技术和车辆自动驾驶技术的不断进步，传统的智能交通基础设施和车辆向智能化网联化方向发展已成定势
。
融合车联网技术和车辆自动化驾驶技术的智能网联交通系统正逐步发展和走向应用，智能网联化车辆
(Intelligent Connected Vehicle
，
ICV)
技术作为解决上述交通问题的重要技术手段日益受到国内外研究工作者和政府交通管理部门的重视
。
[0003]当前的智能网联交通发展仍面临着诸多关键技术问题亟待解决，车联网技术在道路交通中的应用效果亟需评估
。
随着驾驶辅助系统及车联网技术发展，使得驾驶人能及时获取更多的交通信息，驾驶员操作从基于视觉的刺激反应行为转换为基于信息诱导下心理预期的主动应对行为
。
车联网全息交通环境对个体驾驶行为的影响及其交通行为集计效果如何；在智能网联车辆市场占有率逐渐增长的过程中，不同市场占有率和车队组织模式对交通流通行能力和稳定性产生何种影响，这些问题的答案目前都尚不清晰
。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种车联网环境下交通流特性分析方法，开展基于驾驶模拟开展驾驶行为研究，考虑驾驶人认知特性以准确刻画与人因因素相关的交通现象，分析车联网环境下个体驾驶行为特性，挖掘车辆时空轨迹集计特征，为人因驱动的车联网环境下微观驾驶行为特征到中观交通流表现提供精细化描述方法
。
在把握车联网环境下驾驶人认知机理
、
交通流组态空间分布特征以及车辆控制系统特点的基础上，对车联网环境下混合交通流特性展开系统性研究；具体实现路径是以建立混有智能网联车辆交通流基本图模型和稳定性判别式为基础，对混合交通流通行能力和稳定性进行系统分析，进而为车联网技术背景下交通管控优化方案制定提供技术支持
。
[0005]为实现上述目的本专利技术提出了一种车联网环境下交通流特性分析方法，包括：
[0006]构建面向车联网技术应用影响研究的综合感知及仿真分析平台；
[0007]基于所述综合感知及仿真分析平台，采集驾驶员在有
/
无车联网环境下的驾驶行为数据，基于所述驾驶行为数据，解析车联网环境下的驾驶行为特性；
[0008]基于所述驾驶行为特性，获取车联网环境下驾驶行为时空关联性；
[0009]基于所述驾驶行为时空关联性，分析混有智能网联车队交通流特性
。
[0010]可选地，构建面向车联网技术应用影响研究的综合感知及仿真分析平台包括：
[0011]基于驾驶模拟和人机交互技术，搭建车联网环境下人机双在环的应用场景，构建面向人因的车联网环境下驾驶行为特性研究仿真实验平台；
[0012]构建混有智能网联车辆交通流理论仿真分析平台，建立混合交通流特性分析模型；所述混合交通流特性分析模型包括：混有智能网联车辆交通流基本图模型
、
混有智能网联车辆交通流稳定性判别式以及基于元胞传输模型
。
[0013]可选地，解析车联网环境下的驾驶行为特性包括：
[0014]基于所述驾驶行为数据，获取车辆参数；所述车辆参数包括：车辆位置
、
速度
、
加速度
、
跟车间距和相对速度；
[0015]基于所述驾驶行为数据和车辆参数，构建驾驶行为数据库；
[0016]基于所述驾驶行为数据库，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式
。
[0017]可选地，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式，包括：
[0018]对驾驶行为数据进行标准化处理；
[0019]利用
DTW
，计算标准化处理后的驾驶行为数据的时空序列之间的距离；
[0020]计算
DBI
指数，获得车载系统开启
/
关闭情况下的最优聚类数
k
；
[0021]所述
DBI
指数为：
[0022][0023]其中，为观测值
i
和群集中所有其他观测值之间的平均距离，
A
i
为簇
i
的质心，
T
i
簇
i
中数据点的数量，
a
m,i
为簇
i
的第
m
个质心，
k
为簇数，
j
为数据点，为观测值
j
和群集中所有其他观测值之间的平均距离，
w
i
为簇
i
中心位置，
w
j
为簇
j
中心位置；
[0024]基于最优聚类数
k
结果，将驾驶员分为
k
组；计算速度标准差
、
加速度标准差和加速度变化率标准差作为安全指标，对聚类组的风险等级进行排序，其中，所述风险等级包括高风险等级
、
中等风险等级和低风险等级；所述
DBI
指数最高的一组处于高风险水平；指数最低的一组处于低风险水平；另一组处于中等风险水平；对比驾驶员在车载系统开启
/
关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车联网环境下交通流特性分析方法，其特征在于，包括：构建面向车联网技术应用影响研究的综合感知及仿真分析平台；基于所述综合感知及仿真分析平台，采集驾驶员在有
/
无车联网环境下的驾驶行为数据，基于所述驾驶行为数据，解析车联网环境下的驾驶行为特性；基于所述驾驶行为特性，获取车联网环境下驾驶行为时空关联性；基于所述驾驶行为时空关联性，分析混有智能网联车队交通流特性
。2.
根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，构建面向车联网技术应用影响研究的综合感知及仿真分析平台包括：基于驾驶模拟和人机交互技术，搭建车联网环境下人机双在环的应用场景，构建面向人因的车联网环境下驾驶行为特性研究仿真实验平台；构建混有智能网联车辆交通流理论仿真分析平台，建立混合交通流特性分析模型；所述混合交通流特性分析模型包括：混有智能网联车辆交通流基本图模型
、
混有智能网联车辆交通流稳定性判别式以及基于元胞传输模型
。3.
根据权利要求1所述的车联网环境下交通流特性分析方法，其特征在于，解析车联网环境下的驾驶行为特性包括：基于所述驾驶行为数据，获取车辆参数；所述车辆参数包括：车辆位置
、
速度
、
加速度
、
跟车间距和相对速度；基于所述驾驶行为数据和车辆参数，构建驾驶行为数据库；基于所述驾驶行为数据库，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式
。4.
根据权利要求3所述的车联网环境下交通流特性分析方法，其特征在于，进行驾驶行为风险分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式，包括：对驾驶行为数据进行标准化处理；利用
DTW
，计算标准化处理后的驾驶行为数据的时空序列之间的距离；计算
DBI
指数，获得车载系统开启
/
关闭情况下的最优聚类数
k
；所述
DBI
指数为：其中，为观测值
i
和群集中所有其他观测值之间的平均距离，
A
i
为簇
i
的质心，
T
i
簇
i
中数据点的数量，
a
m,i
为簇
i
的第
m
个质心，
k
为簇数，
j
为数据点，为观测值
j
和群集中所有其他观测值之间的平均距离，
w
i
为簇
i
中心位置，
w
j
为簇
j
中心位置；基于最优聚类数
k
结果，将驾驶员分为
k
组；计算速度标准差
、
加速度标准差和加速度变化率标准差作为安全指标，对聚类组的风险等级进行排序，其中，所述风险等级包括高风险等级
、
中等风险等级和低风险等级；所述
DBI
指数最高的一组处于高风险水平；指数最低的一组处于低风险水平；另一组处于中等风险水平；对比驾驶员在车载系统开启
/
关闭状态下通过隧道路段过程中驾驶行为差异性，基于驾驶行为时空序列数据对个体驾驶行为风险进行分类，评估驾驶员从传统驾驶环境到车联网环境后个体驾驶行为风险转移模式
...

【专利技术属性】
技术研发人员：常鑫，陈香庆，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：