详情

原文传递考虑非结构化数据和驾驶者特性的跟驰行为研究

论文题名：	考虑非结构化数据和驾驶者特性的跟驰行为研究
关键词：	跟驰行为;深度学习;驾驶者特性;非结构化数据;聚类算法
摘要：	跟驰模型是微观交通流理论重要的组成部分，为微观和宏观交通流仿真模型提供理论支撑，还在通行能力分析、交通安全评价、主动安全控制、自动驾驶、辅助驾驶系统等领域都有着广泛的应用价值。在交通大数据资源丰富、交通数据分析与挖掘技术进一步发展的背景下，重塑大数据环境下的跟驰模型建模思路、实现精细建模，有着重要意义。已有研究在跟驰行为刻画和模型输入选择、驾驶者特性刻画与融合、评价体系构建，以及车辆自动化发展带来的新要求等方面有所欠缺。因此，本研究聚焦于考虑非结构化数据和驾驶者特性的跟驰行为研究，基于深度学习框架，构建数据驱动的跟驰模型。　　本文首先研究并分析了NGSIM轨迹数据集中存在的主要问题，即，车辆编号重复、参数分布问题、Jerk因子过大、高频组分过多。通过卡尔曼滤波的方法，在确保系统符合其动态规律的基础上进行数据预处理，从而提升实际数据质量，为其他实际轨迹数据处理提供分析视角与参考方法。　　接着，构建了跟驰模型评价体系。对跟驰模型的两个主要任务，即，单步预测和多步预测的效果进行多角度评价。在单步预测评价方面，关注速度和位置预测的准确性和稳定性；在多步预测评价方面，设计了四个各有侧重的评价指标，分别是位置的绝对准确性度量、可靠性度量、对于时空轨迹长度不敏感的准确性度量，以及远期预测效果度量，并基于不同车辆的预测结果进行模型稳定性分析。　　然后，为了更加全面、直观、准确地刻画驾驶者对于周围道路交通状况的感知，在跟驰模型中引入了非结构化数据，基于信息熵理论对其进行编码。将非结构化数据编码与结构化数据进行融合，进行跟驰行为预测。结果表明，考虑非结构化特征的跟驰行为预测模型（DIMNN）在单步预测的稳定性方面表现较为突出，在多步预测任务中效果明显优于基准模型。　　最后，考虑到驾驶者特性对于跟驰行为的影响，本研究提出了融合驾驶者反应延迟和驾驶风格分析的跟驰行为建模方法。基于实际数据分析得到驾驶者反应延迟，作为模型输入序列长度的依据；基于多维时间序列分割和聚类算法对驾驶风格刻画，作为模型的额外输入。考虑驾驶者行为特性的跟驰行为预测模型（DGRU）在单步预测任务中表现很好，在多步预测任务中略优于DIMNN模型。考虑非结构化数据和驾驶者特性的跟驰模型（DIMGRU）是DIMNN模型和DGRU模型的融合，这一模型令加减速行为预测的滞后性得到一定程度的改善，速度预测的波动性也明显减弱。　　本文对于微观跟驰行为进行多维度挖掘，为相关研究提供了新的视角和维度。同时，为自动驾驶车辆融合和处理不同类型的数据提供了解决方案，为自动驾驶车辆或辅助驾驶系统针对不同驾驶者进行的差异化、精细化分析提供了路径。
作者：	王云珊
专业：	交通运输工程;交通运输规划与管理
导师：	刘志远
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022