[发明专利]基于跟驰模型标定的跟驰行为异质性分析方法

说明书

本发明公开了一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；步骤4，基于核密度估计方法或是Kolmogorov‑Smirnov检验统计分析方法进行跟驰行为异质性分析。本发明的基于跟驰模型标定的跟驰行为异质性分析方法，通过步骤1至步骤4的设置，便可有效的实现对于跟驰行为进行异质性分析了。

技术领域

本发明涉及交通领域，具体涉及到一种基于跟驰模型标定的跟驰行为异质性分析方法。

背景技术

随着汽车保有量和城市现代化的快速发展，跟驰理论受到了广泛的关注。几十年来，许多学者基于工程、心理学和数据驱动的方法建立了许多典型的跟驰模型，如Gipps模型、智能驾驶员模型(IDM)和全速度差模型(FVD)等，并在这些模型的基础上提出了一些其他改进模型。精确的跟驰模型作为微观交通仿真的必要组成部分，可以提高仿真的精度，为自适应巡航系统(ACC)提供支持。但是，目前对跟驰行为进行更详细分析的研究却很少。跟驰模型参数是否固定，车辆在不同的行驶环境下是否具有相似的行驶特性，还有待验证。对跟驰行为的进一步分析是改进跟驰模型的关键。

跟驰行为受多种因素影响，如车辆类型、情绪和驾驶员年龄等。但由于车辆跟驰行为的异质性，在跟驰模型中使用同一组跟驰参数很难描述所有车辆的行驶特性。异质性是跟驰行为的一个重要特征，可以定义为不同驾驶员、车辆组合等类别间跟驰行为的差异。例如，驾驶员在驾驶或跟随大型车时可能会更加谨慎，这可能表现为更大的车头时距、更低的减速度或速度。目前，许多研究分析了不同车型的车辆驾驶行为的异质性，但除此之外的其他因素很少被研究与分析。同时，目前跟驰行为异质性主要通过速度、冲突时间(TTC)、车头时距和车头间距等可观测变量来分析，这些变量间相互影响且在车辆行驶过程中实时变化，如谨慎型驾驶员和激进型驾驶都可能遇到TTC较小的情况，但不同驾驶员做出的反应不同。因此，以上可观测变量无法反映车辆跟驰行为稳定的跟驰特性。为了准确分析跟驰行为的异质性，必须挖掘稳定的跟驰属性以量化不同行驶条件或驾驶员类型的跟驰行为，消除车辆状态和时间的影响。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于跟驰模型标定的跟驰行为异质性分析方法，从而准确地分析跟驰行为的异质性，量化不同条件下的跟驰行为。

为实现上述目的，本发明提供了如下技术方案：一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：

步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；

步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；

步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；

步骤4，基于核密度估计方法或是Kolmogorov-Smirnov检验统计分析方法进行跟驰行为异质性分析。

作为本发明的进一步改进，所述步骤1中对跟驰案例进行筛选的步骤如下：

步骤11：根据车辆所处车道、车头间距、行驶距离筛选出适用于遗传算法标定的有效跟驰案例；

步骤12：将有效跟驰案例分为不同的类别，探究不同跟驰车辆类型、车流密度、道路类别、驾驶员类型导致的跟驰行为异质性。

作为本发明的进一步改进，所述步骤2中的跟驰模型为智能驾驶员模型。

作为本发明的进一步改进，所述步骤3中设置的阈值为误差阈值，并通过分别将每一个案例标定的误差与该阈值比较的方式，滤除标定结果与实际情况误差较大的案例。

作为本发明的进一步改进，所述步骤2中智能驾驶员模型的具体设置步骤如下：