文摘

自组织特征映射(SOM)是用来表示前后和分析前后的异构性问题行为。的SOM以这样一种方式构造原型向量代表前后刺激(从动件的速度、相对速度和gap)时输出信号响应(从动件加速度)表示。车辆轨迹收集在80号州际公路往北段高速公路在维尔,CA,被用来训练SOM。两个选择对乘用车的轨迹信息输入到训练有素的SOM识别类似的刺激经验的追随者。观察到的反应,当刺激被SOM到相同的类别,分类比较发现interdriver异质性。另一个乘用车的加速度剖面进行了分析以相同的方式观察interdriver异质性。响应来自数据集的分布car-following-car car-following-truck,分别比较确定inter-vehicle-type异质性。

1。介绍

前后车交通流研究一直是一个重要的话题在过去50年。许多确定性前后模型已经提出和研究[1),他们中的很多人都被用于微观交通仿真工具(2]。早期的研究,例如3),依靠有限的数据收集从检测车辆驱动测试。早期的研究结果已经发展成为知名Gazis,赫尔曼,Rothery或者只是GHR模型(3,4]。GHR的用户模型或其它确定性模型假定所选择的模型,一旦校准固定参数值,是适用于所有driver-vehicles;也就是说,driver-vehicle人口同质。一些微观交通仿真工具区分不同driver-vehicles之间的行为通过使用相同的模型,但不同driver-vehicles之间改变参数值。

启用了大型车辆轨迹数据收集工作通过遥感技术在过去的十年中,一些研究人员开始研究异构driver-vehicles之间的前后行为和/或为同一driver-vehicle [5- - - - - -8]。这些研究仍然依赖于一个或多个指定跟方程。研究人员(我)校准方程表明不同driver-vehicles回应不同的驾驶规则;(2)校准相同的方程,但是driver-vehicles之间不同的参数值;或(3)校准相同的方程,但是加速和减速之间的不同的参数值。这些研究仍然依赖于确定的方程,这可能需要校准的不同段driver-vehicle人口。

在本文中,我们使用术语前后车辆代替传统的术语,如下铅或车辆可能卡车而不是汽车。我们建议使用自组织特征映射(SOM)复制前后车的行为。SOM由神经元系统地安排在一个二维表面(称为“地图”)。每个神经元都有原型权向量,表示输入空间的特征。这种结构能够将高维输入空间的模式映射到一个二维地图。根据无监督学习规则,向量相似的多维空间将聚集在同一个小区SOM的二维空间,这使得它可以作为一种工具的数据分类。传统神经网络的无监督聚类功能。由于其独特的结构,SOM的用户不需要指定输入特性和输出变量之间的函数。没有需要预定义的方程和参数校准是必要的。因此,SOM可能被认为是一种非参数方法模型前后。

本文的目的是使用SOM研究前后的异构性问题行为。我们使用一个训练有素的SOM表明,当面对类似的刺激(i)不同的汽车司机应对不同大小的加速度时,后车;也就是说,汽车司机interdriver异质性;(2)相同的汽车司机以不同大小的加速度响应时遵循同样的汽车;也就是说,同样的司机intradriver异质性;和(iii)汽车司机应对不同情况下的加速度的领导人不同的车辆类型。我们叫这种现象inter-vehicle-type异质性。的额外提出SOM作为非参数前后车模型,结果interdriver异质性,intradriver异质性,inter-vehicle-type异质性作为补充有限的早期研究。

在下一节介绍后,本文综述了前后和SOM模型。这是紧随其后的是本研究中使用的数据的描述。下一节介绍了SOM培训。随后,我们给出的结果使用训练有素的SOM分析interdriver intradriver和inter-vehicle-type异构性问题。总结了研究结果对本文的结束。

2。文献综述

2.1。前后车模型

前后车模型的方程(或方程组)的运动描述driver-vehicle driver-vehicle立即的反应动力学,汽车都是旅行时在同一方向在同一车道上。微观交通仿真的基本构建块,前后车的现实模型提高模拟结果的准确性,进而使更好的运输决策。

前后模型的历史发展,从1958年到1999年一直在总结(1]。提出了许多前后模型、测试和微观仿真模型中使用多年来(2]。Gazis提出的确定性模型,赫尔曼,Rothery [3),通常简称为GHR模型,是最早的和最知名的模型。GHR模型,也称为通用汽车(GM)模型,采用以下形式: 在哪里是加速度的追随者在时间;从动件的速度吗在时间;领导的速度吗在时间;从动件的位置吗在时间;领导人的位置吗在时间;是追随者的灵敏度常数;是在跟随者的反应滞后时间;和和是校准常数。

GHR模型相当于追随者对跟随者的反应的敏感性增加的外部刺激。的校准和值获得的在不同的研究中总结(1]。不同的和值在不同的研究发现网站给的跨位置的前后行为的异质性。其他跟模型已经被广泛的研究是赫勒模型(9],Gipps模型[10),和智能驱动模型(11]。尽管这些模型有不同的功能形式,它们共享相同的特征的追随者的加速度作为回应,从动件的速度,相对速度和空间的进展在刺激条件。

跟早些时候的研究假设模型形式和常量,校准后,应用于所有driver-vehicles至少客车观察到相同的网站。大多数可用的交通仿真模型,比如CORSIM [12]和VISSIM [13),假设一个模型形式为所有driver-vehicles但占变异driver-vehicles之间分配不同的参数值。在CORSIM,有10种司机;在跟每个代表一个不同程度的攻击性。CORSIM中的每个车辆生成模型是随机分配一种类型的驱动程序。在VISSIM,用户可以定义所需的速度的概率分布,最大加速度和其他车辆性能参数。

最近,研究人员开始研究司机之间的不同的反应(interdriver异质性)和同样的司机(intradriver异质性,它的一部分也被称为非对称行为)当面对类似的刺激。Brockfeld et al。14)和Ranjitkar等人用轨迹数据收集从九车辆驱动测试跟踪在北海道,日本,使用全球定位系统接收器校准许多前后模型(15]。他们发现不同的前后模型参数校准后产生不同的误差大小。他们指出,错误的变化之间的司机比不同的前后模型之间的差异。Ossen,例如安装参数,,GHR模型的车辆轨迹数据集收集在乌得勒支的A2高速公路,荷兰(16]。他们发现不同的司机不同的校准,,值。Punzo和Simonelli跟模型车辆轨迹数据收集在那不勒斯,意大利(17]。他们找到了一个高度的可变性的校准参数值在司机和司机在不同的驾驶条件下相同。这是第一个报告intradriver异质性的观察。Ossen等人又认为司机之间观察到的前后行为的差异不同跟方程(i)和(ii)方程的不同参数值(18]。凯斯和Treiber校准智能驱动模型和速度差异模型车辆轨迹数据集(19]。他们发现intra-driver变化而不是interdriver可变性占很大一部分的校准错误。

Siuhi和Kaseko似乎是第一个使用新一代模拟(NGSIM)车辆轨迹数据集分析前后行为(6]。他们校准GHR模型(没有从动件的速度)使用收集的数据在美国101年洛杉矶高速公路。他们的分布在加速和减速,减速有更小的意思价值。研究还分析了分布相同和价值观和推荐不同的和加速和减速值,分别,甚至同样的司机。不同的,,值在加速和减速导致所谓的前后不对称的现象。Siuhi [5]肯定不同,,价值观是必要的也占车辆类型的领导者和追随者。

王等人研究了interdriver和intradriver异构性问题使用车辆轨迹数据收集在乌得勒支的A2高速公路,荷兰(7]。赫勒模型校准,Gipps模型和智能驱动模型。他们发现,对于大多数的司机,(我)为加速减速比,;(2)当相同的前后模型数据拟合,拟合参数值加速和减速条件是不同的;和(iii)的最佳拟合模型不同形式在加速和减速。

Ossen和例如五前后模型校准的结果对车辆轨迹数据收集在乌得勒支的A2高速公路和A15高速公路在鹿特丹,荷兰(8]。他们比较了模型后当一辆车一辆车,当一辆车是一辆卡车。调查结果是(我)不同的前后模型最好安装不同的轿车;(2)卡车往往是驱动相比,相对较低的速度方差轿车;和(iii)所需的进展较低时车后一辆车相比,汽车一辆卡车。他们的研究结果显示interdriver异质性之间的乘用车和异质性的取决于领导者的车辆类型。

上面的最近的研究表明,在前后行为存在异构性问题(我)同样的追随者在加速和减速;(2)同样的追随者,当不同的车辆类型的领导人;(3)不同的追随者,即使被领导对相同的车辆组合。

2.2。自组织特征映射

介绍的SOM Kohonen [20.),是出于人类大脑皮层的自组织特征。SOM可以学会检测规律和相关性在其输入其现有的内存,并相应地调整其响应输入。

SOM神经网络是一种(21]。网络拓扑和无监督培训计划使其不同于一般神经网络。SOM通常是一个二维网格,如图1。地图通常是正方形,但可以是任何矩形或六角形状。网格上的每个点,用其坐标位置一个神经元及其相关的权向量。的维空间权向量代表一个数据的质心类似的培训向量的集群。权重向量是统称为SOM的内存。

SOM是一个映射技术项目一个维输入空间到二维空间,有效地执行一个输入空间的压缩。当一个输入向量介绍了SOM,之间的“距离”和每一个在整个SOM计算权重向量。神经元的权向量是“亲密”将声明为“赢家”,其输出设置为1,而另一些则设置为0。在数学上,输出一个神经元位于是 在哪里代表了欧几里得距离和和是SOM的网格位置的指标。输入向量分为相同的集群,也就是说,同样的获胜神经元,有相同的输出。在上面的方程中,在大多数SOM的应用程序,编码为二进制变量。然而,在一些真实世界的应用程序中,它是可能的是一个离散或连续的变量,在本文的后面。

SOM的训练是所有的代码所以他们每个人都代表了一群类似的培训中心向量。一旦训练,被称为一个原型向量(它所代表的集群)。SOM的培训是基于竞争学习策略。在培训期间,获胜神经元,用,调整现有的权向量对输入向量。邻近的神经元获胜神经元在地图上也学习功能的一部分。每个神经元的权向量在训练步骤被更新为 这个函数学习速率是嵌入的社区功能。的值减少与增加,赢得了神经元之间的距离和感兴趣的神经元。为了达到收敛,这是必要的作为。更多细节SOM训练可能会发现在22]。

在交通工程中,SOM最近被应用于车辆分类(23)和交通数据分类(23,24),等等。

3所示。数据表达

本研究中使用的数据是收集NGSIM车辆轨迹数据的一部分80号州际公路向北方向的高速公路在维尔,CA, 2005(星期三),从4月13日下午4点。到下午4:15。(25]。下载的数据由单个车辆的轨迹每隔0.1秒当他们穿过503段。在这个网站有六车道。最左边的车道(巷1)是车辆车道入住率很高,而这两个最右边的车道(车道5和6)有许多编织或合并运动之间的入站和一个出站。确保数据分析主要是通过运动,只有数据通道2,3,4提取、加工、分析。在这段15分钟的时间内,流量从1278年到1414年vphpl不等,平均space-mean-speed范围从27.9到30.1公里/小时(25]。

满足以下条件的数据过滤。(1)追随者必须是乘用车,但领导人可以轿车或卡车。(2)每一对的领导者和追随者必须至少有5.0秒的交互。如果所需的交互时间太长,很少有对车辆可以提取503段。然而,车辆对必须有一个几秒钟的持续互动,以观察追随者的加速或减速行为。5.0秒是任意选为这两个相互矛盾的因素之间的妥协。(3)差距在时间被定义为,在那里辆车的长度。这是因为以下司机通常通过观察判断以下距离领队汽车的尾部,用铅汽车的刹车灯检测领袖突然减速。汽车后与一个巨大的差距背后的领导人不太可能与领导的互动。因此,根据(26),车辆对最大间距低于50米更有可能在前后车的情况下,所以只有50米的短数据差距被进一步加工。(4)时间滞后加速度是假定为0.80秒,减速是假定为0.70秒。这些值都被(平均值的报道5]。尽管其他研究(例如,1,8,15- - - - - -18)报道不同的反应时间,以上所使用的平均值(5]采用源自NGSIM车辆轨迹时收集的数据在最近的可用网站(美国101年洛杉矶高速公路,CA),然后根据收集的数据进行验证在80号州际公路高速公路现场在维尔,CA。(5)车辆速度和加速度估计根据的建议26]。每0.1秒的间隔,计算车辆的瞬时速度的纵向坐标差异”的地方”。速度进一步“平滑”的平均价值在过去的0.5秒的间隔。在任何时候即时,和车辆在吗,和平均速度吗来秒,而追随者的加速或减速吗来秒。这值计算的。(6)然后检查可能的错误数据。例如,必须大于0 m,和必须介于0和22米/秒(80千米/时)。这是381年发现的106644个向量不符合上述过滤标准,包括缺口50米。这381个向量被丢弃。

处理过的数据包括1347对“汽车后车”和66对“汽车卡车后”场景。数据从897年随机选择对“汽车车”后被组装为训练数据集,另450对“汽车车”后形成的测试数据集。自66年以来对“汽车后卡车”不足以形成一个训练数据集,他们组装形成第二组的测试数据。训练数据集有67778个向量(每隔0.5秒)。测试数据集有33803向量而测试数据集二世有4675个向量。每一个向量(在时间)有四个组成部分:,,,。每个组件的最大和最小值如表所示1。之间的加速度是−3.41和3.41 m / s²内的停车视距设计中使用的值(26]。注意,与公式(1),从动件的速度没有时间滞后。这是故意设置,这样我们的模型输入是符合大部分的前后车模型,包括一个用于(5,6]。

4所示。自组织特征映射的培训

4.1。体系结构和映射框架

本研究的概念是首先构造一个SOM权重向量代表的原型前后刺激“汽车后车”场景。每个训练矢量的加速度响应与获胜神经元。与众多培训向量,可以绘制和分析加速度响应的分布与每个神经元的SOM(见的分布在图2)。此外,训练有素的SOM被用来分类前后刺激嵌入在输入向量在测试数据集。一旦获胜神经元被识别,获胜神经元的响应的统计参数可以用来研究异构行为在前后。

作为输入向量和体重代表前后刺激,从动件的速度,相对速度和差距,组件选择表单输入向量。也就是说,。这三个组件的选择,因为它们通常存在于前后车模型,如GHR、冥界,Gipps模型。

4.2。培训

SOM的训练进行了MATLAB神经网络工具箱(27在一个标准的台式电脑。SOM训练之前,每个组件的输入向量是线性扩展它的最小值和最大值之间的数据集,也就是说,,。训练是在两个阶段:进行排序和调优。在排序阶段,权重向量在相对较大的大小调整。最初的邻域半径是任意设置为3.0,学习速率为0.15,开始和步骤的数量设置为1000。附近的大小从最初开始距离和减少训练开始。在优化阶段,只有获胜神经元的权重和近邻更新在相对较小的大小。在此阶段,固定在1.0附近距离,学习速率是固定在0.02,调优步骤的数目是100。

SOM的大小选择考虑到以下两个因素。首先,网格必须足够大,以便有足够的神经元来区分不同的刺激中原型权重向量。SOM以来有三个输入组件,每个组件的价值可能被五个级别(例如,可能被描述为非常缓慢,缓慢、温和,快,或非常快),会有125种可能的组合输入水平。其次,神经元的数量必须足够小,这样大多数,如果不是所有的神经元有足够赢得频率(样本大小)来观察响应值的分布。这是尤其重要的测试数据集二世曾相对较少对“汽车卡车后”的观察。经过初步试验涉及索姆与不同数量的神经元和不同的安排(方格网,矩形网格和线性)的地图,SOM的决心有121个神经元的安排正方形网格。尽管121个神经元是少于125建议之前,它可以作为一些组合,,值是不可能在实际前后的情况。

5。结果和讨论

5.1。分布的刺激

图3情节二维地图的三个重量训练的SOM的组件。神经元根据编号在网格坐标和。深色表示较小的重量值,而较轻的颜色代表更高的重量值。因为,因为(3),,。注意的范围,,值是不同的。这是因为极端的重量训练向量中的值不经常发生,和公式(3)将更新权重通常遇到的范围。总结了统计的重量值表2。三个映射图3表明,训练后的值,,改变逐渐从一个角落到相反的角落在各自地图。这表明重量值(在各自的范围内)原型向量之间的空间分布,相邻向量有类似的权重。

在图的地图3,可以看出神经元在左下角从动件的速度较低,相对速度(几乎为零中档的价值)和小缺口。他们代表国家车辆在哪里排队拥挤的条件。在这种情况下,追随者将小震级加速或减速。神经元位于网格的右上角是刺激与从动件相对较高的速度,负相对速度(少于日中值),和大缺口。这种情况表明,追随者是关闭的领导者从远处(但不一定减速)。神经元在左上角有温和的从动件的速度,相对速度高,和温和的差距。他们代表的场景,引导车辆加速远离追随者。加速的追随者可能会回应。右下角的神经元具有重量适度高从动件的速度向量,消极的相对速度,和小缺口。这些原型向量代表的条件追随者迅速关闭的领导者。以下车辆的司机可能会使用他/她的刹车。

5.2。分布的平均响应

每个神经元的平均响应(平均从动件加速度)计算从赢得向量绘制在图4。图4(一)显示平均响应的分布计算的训练数据集。地图的价值,从0增加到10,平均响应变化的加速减速。为每一个地图的价值,从0增加到10,加速,减速的平均响应变化。最大加速度发生近了,,这是左上角的SOM如图3。另一方面,最大减速附近发生,,这是SOM在图的右下角3。

平均响应中向量的分布在两个测试数据集提出了数字4 (b)和4 (c),分别。这些数据表现出类似的模式,这表明权重向量聚合末期的SOM培训。因此,结合图3,可以得出结论:SOM已经学会捕捉前后车的原型特征最刺激的训练数据。

响应的均值和方差与每个神经元都下分析。加速发生在神经元的最小方差(,)。在这个神经元,方差是0.41米²/秒⁴或标准差0.64 m / s²。其他神经元的方差都超过这个大小。另一种观点的高可变性加速度是通过变异系数,这是标准差的比值超过的意思。所有变异系数的绝对值超过1.19,表明高可变性加速度响应。

图5情节从动件加速度为输入向量的分布(在训练数据集),获胜神经元(,)和(,),分别。神经元在(,),如反映在图3温和的从动件的速度,相对速度高,温和的差距。在这样的条件下,大部分的追随者将与加速度响应。加速度,如图5(一个)之间的分布米/秒²平均值为0.85 m / s²。神经元在(,)属于高从动件的速度输入状态,消极的相对速度,和小缺口。大多数司机面对这种情况将减速,以避免追尾)。如图5 (b),响应范围米/秒²的意思是−0.94 m / s²。此外,对神经元,模式发生在0 m / s²。这是因为追随者可能选择不采取行动目前步骤;他们可能有回应在一个较早或较晚时间步。

本节和图的分析5表明,类似的刺激(输入向量具有相同的获胜神经元),跟随者的反应是不确定的。响应的变化可能是由于司机(interdriver异质性)之间的驾驶行为,不相同的驱动程序(intradriver异质性),或者当领导人属于不同类型的车辆(inter-vehicle-type异质性)。注意,术语interdriver异质性也隐式地包含不同的加速度响应造成的不同性能特点的相同类型的车辆(如汽车)。这三种类型的异构性问题将在接下来的三个部分。

5.3。Interdriver异质性

为了演示interdriver异质性,两对乘用车的数据在测试数据集我送入训练有素的SOM和分布的反应进行了比较。由于空间限制,我们选择两双,共享相同的最多获胜神经元演示interdriver异质性。第一对是表示对1794 - 1790年的追随者的车辆识别号码(VIN) NGSIM数据集是1794年,领导者的VIN是1790年。第二条是一对1852 - 1847。每一对的汽车,车辆轨迹提取连续至少68秒,导致超过136人以0.5秒的间隔向量。在观察到的时间,前后刺激对1794 - 1790年的传播超过30获胜神经元。获胜神经元的相应数量为1852 - 1847年23岁。图6代表这两个追随者的平均加速度响应与八共同获胜神经元。如图,两个追随者(汇斯酒业1794年和1852年)有不同的平均加速度大小相同的神经元。在赢得两个神经元,加速度的符号是相反的。总的来说,VIN 1794具有较高的加速度大小而VIN 1852重减速。差异可能是由于追随者的驾驶习惯。

5.4。Intradriver异质性

另一个对乘用车(对350 - 346年)在测试数据集我被选中来说明,即使相同的驱动程序提出了类似的刺激,他/她的反应可能是不一致的。这对车辆有50.5秒的前后观察,结果在101年以0.5秒的间隔向量。图7情节从动件加速度的概要文件的时间观察。垂直的颜色条代表获胜神经元由SOM标识。的在在水平轴是占时的时滞刺激发生在时间。五神经元在下面进行了突出显示他们有足够赢得频率进行后续分析。

图8显示350年VIN分布五项获胜神经元的反应在三个确认图7。根据图4在神经元平均司机减速(,),(,)和(,)。平均看来,VIN 350有同样的减速迹象在神经元(,)和(,)符合司机人口在训练和测试数据集。然而,VIN 350的司机,在神经元平均加速度响应(,)(见图8 (b)),而平均响应的数据集是减速。绘制图8,当面对相似的输入属于同一个获胜神经元,VIN的司机350人不同的反应。这证据显示,司机反应不一致时的刺激因素被认为是类似的。

5.5。Inter-Vehicle-Type异质性

在本节内,反应中向量的分布在测试数据集I和II相比。测试数据集我的数据从“车后车”场景,测试数据集二世由“汽车后卡车”的情景。每个神经元的刺激,双尾配对以及进行是否意味着响应之间的差异是显著的。121年的配对进行测试,结果在8个神经元中列出的表3显示两者之间的显著差异意味着0.05显著性水平(值小于0.05)。这表明,跟随者的反应依赖于车辆类型的领导者。另113个神经元,配对以及显示两者之间无显著差异的含义。原因很可能是由于高方差(即加速度的追随者。,国际米兰和intradiver异质性)。

6。结论、局限性和潜在的研究方向

本文应用SOM的非参数方法在建模前后车的行为。车辆轨迹数据,两国领导人和追随者客车时,被用来训练SOM与121个神经元排列网格。从动件的速度、相对速度和差距是权重向量的分量。培训后,SOM代表前后刺激其权重向量。

选择对车辆轨迹数据送入SOM训练。SOM识别类似的刺激不同的追随者之间加速度反应可以相比。结果显示,与类似的刺激(i)之间存在异质性不同的汽车司机当后车;(2)异质性存在一个汽车司机当遵循同样的汽车;和(iii)异质性存在汽车司机当领导人属于不同的车辆类型(汽车与卡车)。

SOM的优点之一(比传统前后模型)是地图的能力与加速度响应刺激的基本组成部分而无需用户指定的函数形式跟方程或执行参数校准。虽然这个研究专注于建设一个基于SOM的“汽车后车”场景中,可以构建其他索姆每个适合一个特定的领导者和追随者之间的车辆类型组合,如“汽车卡车后,”“车车后,”或“卡车后卡车。“可能还需要构造一个套索姆,与每组不同的驾驶环境,例如,高速公路与城市干道。

SOM也有可能取代目前传统前后模型被用于微观交通仿真工具。应用训练SOM为此,用户需要比较前后刺激组件原型向量定位获胜神经元。然后从跟随者的反应的概率分布。因此,随机加速度响应。很可能加速进一步受到一些规则来防止突然从一个区间波动。这已经超出了本文的范围,是未来研究的主题。

尽管本研究探讨了利用SOM模型前后和用它来研究异构性问题在追随者的行为,有几个限制由于本研究的假设。这些限制建议未来研究的可能方向。首先,SOM开发从收集的数据下午高峰期。SOM的原型向量可能没有完全覆盖整个输入空间在非高峰交通状况。第二,SOM与数据从一个训练有素的高速公路。这将是有趣的测试的可转让性SOM到其他网站。第三,固定反应时间被用于数据的处理。众所周知,反应时间为同一司机和司机之间的不同。反应时间对异构性问题。然而,没有假设固定的反应时间,这是非常困难的,如果不是不可能进行分析提出了。 Future research should explore a new methodology to estimate reaction time or incorporate reaction time into the SOM’s input or output. Fourth, during training, the number of neurons and the neighborhood radius of SOM are two crucial parameters affecting SOM’s clustering performance. The paper determined these parameters empirically based on the size of data set and the operation speed of computers. Analytical methods need to be further developed to give a remark regarding how to determine these parameters in a more reasonable manner. Fifth, this research had manually inspected the weight distributions among the neurons (Figure3)确定权重的收敛的SOM培训。客观评估体重收敛的方法将有助于未来SOM的应用程序。

利益冲突

作者宣称没有利益冲突。

承认

这个项目是由国家社会科学基金支持的部分(主要项目批准号11 &zd160)。