原文传递
基于深度学习的换道行为建模与分析
| 论文题名： | 基于深度学习的换道行为建模与分析 |
| 关键词： | 交通流;换道行为;特征提取;深度神经网络 |
| 摘要： | 驾驶员的微观驾驶行为包括跟驰行为和换道行为，其中换道行为在很大程度上影响着道路交通系统，由换道行为导致的交通安全问题和交通拥堵问题十分普遍。换道行为是车辆在行驶中，变换车道至另一车道行驶的过程，车辆换道的安全性、可靠性和高效性与交通安全问题和交通拥堵问题都有密切的联系。车辆换道行为的建模与分析一直是交通流理论研究的重要内容之一，但是传统基于数理模型方法的车辆换道模型难以准确刻画完整的换道过程（包括决策、换道执行、换道过程车辆轨迹等）等，同时，传统换道模型也很难反映驾驶员的感知、决策以及执行等一系列心理和生理反应的不确定性。 基于以上问题分析，文章从数据驱动的角度出发，提出一种基于深度学习的换道模型，借助深度神经网络强大的数据特征提取能力，充分挖掘历史换道数据中存在的信息，进而对换道决策与换道过程进行预测、模拟与分析。文章的主要研究内容如下: (1)分析车辆换道行为，将换道行为划分为两个阶段:换道决策阶段和换道执行阶段，确定了影响换道决策的7个因素和影响换道执行的9个因素，从NGSIM(Next Generation Simulation)数据提取换道相关数据作预处理; (2)基于深度置信网络（Deep Belief Network，DBN）较好的非线性学习能力构建换道决策模型，通过对比训练误差的方式确定出DBN最优结构和训练参数。将构建的DBN用于换道决策的预测，基于DBN数据的检验表明模型的预测准确率达到99.32％，相对应的基于BP神经网络的换道决策模型的预测准确率只有76.82％，结果表明对于换道决策行为，深度神经网络相比较传统神经网络有着较为明显的优势; (3)考虑到换道执行过程有时间序列性的特点，基于长短期记忆(Long Short-Term Memory，LSTM)神经网络对时间序列数据描述能力强的特点构建换道执行模型，用以预测车辆的换道轨迹，与测试车辆实际轨迹对比，结果表明轨迹预测的均方误差为0.0014，说明深度神经网络对于换道执行过程有着良好的描述作用。 |
| 作者： | 房哲哲 |
| 专业： | 交通运输工程 |
| 导师： | 贾斌;谢东繁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
