文摘
民行为是一个重要的交通现象的过程中汽车驾驶。民行为建模,它捕捉反应延迟的平衡是至关重要的安全和舒适,但它通常是忽略了在现有工作。这项工作提出了一种基于整体学习引起的车辆模型自动捕捉来自驾驶的反应延迟数据,更好地描述交通流特性。模型集成了一个数据驱动的模型和theory-driven模型,和重量计算方法提出了结合这两个不同模型的优势。详细,encoder-decoder模型和注意力机制是用来捕捉来自驾驶的反应延迟数据。大量实验表明,该模型可以平衡安全与舒适和帮助避免不安全的驾驶行为。
1。介绍
民(CF)模型,为交通流理论研究的基础上,吸引了越来越多的关注在新兴智能驾驶。运动的CF模型是一个数学描述的一辆车在同一车道前方车辆的运动状态的变化的情况下不超过(1]。CF模型通常可以分成theory-driven和数据驱动的方法。丰富的相关作品进行了提高仿真精度的CF模型的安全性和舒适的驾驶,它提供了一个动态数据模拟交通流理论。theory-driven CF模型提出理论假设研究对象根据数据特点,建立了一个数学模型符合学术观点。数据驱动的CF模型通常使用大量的高精度汽车驾驶数据来描述车辆的运动状态变化。两个模型需要汽车驾驶数据作为支持。然而,它仍然是很难选择一个更精确的数学模型通过一个投机的想法从大规模的交通数据和复杂的数据特征。所以,theory-driven模型显示一个重要不足,以满足智能交通系统的要求。另一方面,数据驱动的模型提供了一个相当大的优势,获得更高的预测精度不了解研究对象的内部机制(2]。近年来,越来越多的CF方法开发了基于数据驱动的模型,包括早期的钱德勒提出的线性模型和赫尔曼(3和佐佐木4由纽厄尔()和非线性模型5李,et al。6),和Yu et al。7]。
在CF行为建模,司机的行为再现实际流量状态至关重要。一些学者把安全和舒适到司机的驾驶行为,认为reaction-delayed驾驶行为。然而,它仍然是具有挑战性的自动捕捉反应延迟。同时,提高仿真精度,避免不合理的仿真结果也需要解决的紧迫问题(8]。反应延迟操作和控制人类的共同特征,比如汽车、于一体的精神处理时间,运动时间,设备反应时间(9]。反应延迟源于stimulus-reaction理论,估计可以表示为驾驶环境变化之间的时间延迟和随后的反应。反应延迟已逐渐成为不可或缺的关键因素的研究CF行为(10,11]。最近,反应延迟也被越来越多的关注的数据驱动的CF模型。具体来说,更历史驾驶行为的信息被认为是反应延迟模型的实际应用。例如,黄等人提出了一个长期短期记忆神经网络模式的CF模型来捕捉自然的交通流特征,通过融合驱动记忆(12]。Jafaripournimchahi等人开发了一个新的CF模型探讨期望和司机司机记忆对交通流的影响(13]。范等人开发了一个CF与驱动程序时间记忆模型基于现实世界的交通数据,这是有效的和健壮,从而提高模拟精度(14]。陈等人认为,数据驱动的CF模型可能是一个有前途的研究方向(15,16]。
作为主要目标,安全和舒适是建模的基本考虑CF的问题。到目前为止,智能驾驶模型(IDM)是一种广泛使用的theory-driven模型得到相当大的性能。此外,每个参数有明确的物理意义,以下车辆的变化可以直观地显示。然而,它通常会更舒适和稳定的时候有一个较小的速度差距前后车(17]。为了解决这个问题,马和瞿利用统计方法来估计反应延迟和seq2seq模型来构建一个CF模型用于有效地减少不合理的驾驶行为(8]。应综合theory-driven模型的线性组合,它确保了数据驱动模型的仿真精度和改善安全(18]。尽管如此,它仍然是具有挑战性的安全和舒适和最大化之间的平衡交通流。
更重要的是,尽管相当多的CF模型提出了,还有一个重要的挑战,以避免不合理的驾驶行为,如频繁制动和加速。为了解决这些问题,我们提出一种引起整体学习CF (AEL-CF)模型提供控制决策通过结合多个模型来解决这些问题。实验结果表明,该模型能俘获反应延迟,保证模拟精度,提高安全性和舒适性,甚至再现实际CF轨迹。
这项工作的主要贡献可以总结如下:(我)我们首先提出一种引起encoder-decoder民(AED-CF)模型,自动捕捉司机的反应延迟。具体来说,捕获的反应延迟是反映在不同的权重分配,从输入序列获得的模型。我们所知,我们是第一个从驾驶自动俘获反应延迟的CF模型中的数据。(2)一种引起整体学习CF (AEL-CF)模型,提出了将AED-CF和IDM模型。AEL-CF模型可以自动捕获反应延迟,然后有效地克服的缺陷(即数据驱动模型。,频繁变化的加速度)。
本文的其余部分组织如下:我们建议AED-CF和AEL-CF模型,确定模型的输入和输出变量2,部分3介绍了实验数据和实验细节,包括AED-CF和AEL-CF模型的训练过程;部分4详细讨论了拟议的模型的性能,和部分5总结这项工作。
2。方法
本节主要介绍了施工特性数据,模型的框架和模型的组合。大多数学者估计反应延迟通过分析大量的数据。一般来说,数据驱动模型不使用代替theory-driven模型。结合数据驱动的优点和theory-driven模型来获得更高的模拟精度值得进一步探索和研究。这项工作提出了一种引起整体学习与记忆效应(AEL-CF)模型,这有助于捕获反应延迟。
AEL-CF模型结合的优势IDM模型和引起encoder-decoder民(AED-CF)模型我们提出。IDM模型将在实验部分。的框架AED-CF模型如图1。这一节还介绍了AEL-CF模型结合IDM和AED-CF模型。
如图1,AED-CF模型包括输入、编码器的注意,和译码器层。模型认为CF行为的时序特征捕捉反应延迟,其输入层主要包括车辆速度、间隙距离、相对速度。编码器层提取潜在的功能。同时,关注权重系数是通过关注层。然后,隐藏信息时间特性可以被收购。最后,隐藏细节时间由解码器解码层特征。每一步的CF模型,速度可以被视为一个响应引起的刺激在一个特定的历史时刻。AED-CF模型的输入变量被认为是刺激,输出变量的反应,为下一步是和车辆速度模型的输出。因此,刺激和反应之间的关系可以得到以下方程: 在哪里表示函数的输入和输出变量之间的映射关系;表示最大历史时间步骤,代表更新AED-CF模型中的时间步是0.1秒。
2.1。输入和输出变量
在CF模型中,主体车辆(n)将根据驾驶条件调整其状态的主要车辆(n−1)。输入变量数据驱动的CF模型通常使用空间的进展 ,差距的距离 ,相对速度的区别 ,和速度的车辆 。输出变量通常使用主体车辆的速度或加速 ,如表所示1。根据以前的研究(8,12,19- - - - - -21),我们决定使用 , ,和AED-CF模型和作为输入变量作为输出变量。通过比较实验,该模型优于基线方法30日时间步时,输入的时间步长设置为30 (3.0年代)。
2.2。Encoder-Decoder模型
递归神经网络(RNN)越来越广泛使用的CF模型。例如,黄等人成功地捕获了司机的驾驶行为通过使用不对称长期短期记忆(LSTM)模型(12]。马和瞿Seq2Seq模型来分析仿真信息与历史驾驶信息[下一步8]。灵感来自这,我们决定建立一个基于模型CF encoder-decoder模型,本节将简要介绍。
encoder-decoder模型展示了一个优秀的表现序列预测(22),已广泛应用于各个领域。第一个encoder-decoder模型提出了解决短语表示的问题(23它集成了RNN)。自那时以来,一些学者做出了改进鼓励它,也取得了良好的结果在语言翻译24]。如图2,LSTM用作encoder-decoder的神经元模型在这个工作,和编码器和译码器层具有相同单层LSTM使用相同的框架结构。LSTM单位先在信息从输入变量和它一步一步在编码器编码层。然后,最终的输出是上下文向量C,代表输入变量的摘要信息。解码过程中获得的数据通过分析上下文向量C和前面的存储单元的状态。
2.3。AED-CF模型
瞿妈妈和使用统计方法来分析高保真轨迹数据的可用性和估计反应延迟8]。我们希望的模型可以发现潜在的信息数据,并自动俘获反应延迟。因此,我们首先提出一个AED-CF模型自动俘获反应延迟。encoder-decoder模型的框架是在前一节中所描述的那样,和关注层描述如下。
一般来说,司机的判断当前状态将反映在行动一段时间后,导致事故的主要风险。注意机制来提高安全性能优越。有限的计算机性能的情况下,注重机制可以分配资源来优化计算速度。注意力的作用机制encoder-decoder模型结构选择输入变量的一个子集,使得模型关注更多的实用信息。分配不同的权重的输入变量是关键,它允许模型专注于更有效的内容的信息。关注的框架层如图3。
注意层的输入-输出关系可以被描述为在方程(2)。激活的结果吗与将softmax函数,它可以得到方程(3), 可以通过方程计算(4)。 在哪里表示关注层的输入变量;表示关注的输出变量层;和表示矩阵的转置。
2.4。AEL-CF模型
数据驱动的CF模型拥有的能力描述准确的状态改变后的真实过程。然而,它不能保证驾驶的舒适水平的过程。例如,频繁的加速和减速的主要原因是减少的舒适度。theory-driven CF模型可以显著提高舒适度。仍然存在缺点,它不能准确地描述车辆的状态改变。AED-CF模型后,AEL-CF模型提出了这项工作考虑反应延迟舒适和安全之间的平衡。
在这部作品中,组合预测方法用于构成模型。组合预测方法是两个以上不同的预测方法的预测同样的问题。根据不同的形式,它可以分成相等的重量和不平等的权力组合组合。当量组合意味着每个预测方法的预测值是组合成新的预测值根据同样的重量。不平等的重量意味着重视组合预测方法是不同的。在这项工作中,我们选择一个不平等的重量组合。应使用评价指标模型的计算参数的组合模型18),但更多的评价指标参与计算意味着更好的融合效应(25]。因此,评价指标 , ,和用于计算模型的组合模型的参数。组合模型的参数是由以下方程: 在哪里表示安全评价指标;表示安慰评价指标;表示模型的均方误差输出;表示模型的贡献;和表示模型的重量。
3所示。实验和结果
3.1。数据描述
深度学习是一种数据驱动的方法,和大量的数据从数据获取所需知识。NGSIM数据集,来自美国101号公路在洛杉矶,加利福尼亚,从上午7:50到时间点6月15日2005年,是从事这项工作。更重要的是,为了避免车道改变的影响,车辆的轨迹,行驶在五道(通道1、2、3、4、5)没有任何车道改变收集。最后,810辆的轨迹收集样本(436518)。
3.2。数据预处理
对于包含异常加速和减速的原始NGSIM数据值,对称指数移动平均线(某)是用来减少测量误差26,27]。改装车,平滑车辆位置是由以下方程: 在哪里表示收集数据之间的时间间隔,通常被设置为0.1秒;表示平均时间窗口宽度,以确保移动平均线是对称的;和表示移动平均线范围内,这将是0.5秒。
经过进一步处理数据的提取,共有1091辆车辆的数据得到。数据随机抽取了600辆汽车,其中500组作为训练数据集(简称Data500)和100组作为测试数据集(简称Data100)。此外,Data100还将用于校准的参数IDM模型。
3.3。AED-CF模型
本节将详细描述实验,包括数据集分割、培训策略,目标函数,优化算法。
Data500用于参数模型的迭代。我们随机选择70%的数据集作为训练集,其余构成验证数据集。模型只在训练集迭代更新。损失函数是用来评估模型的性能验证设置在每个更新。摆脱过度拟合或underfitting,“早期停止”介绍了培训。模型时停止训练结果不实现改进的两倍。
我们定义了损失函数来评估实际值和预测值之间的误差。在这部作品中,均方误差(MSE)的速度和距离的差距作为损失价值优化模型。的损失函数,该模型方程如下所示: 在哪里和分别表示实际的速度和距离的差距和分别表示模拟速度和距离的差距。
模型的优化算法采用自适应优化算法,这是名为“亚当。“详细的参数定义如下:lr = 0.001,β1 = 0.9,β2 = 0.999,ε= 0.0 = 1 e-08,衰变。双曲正切函数双曲正切的激活函数选择编码器和译码器部分。最终的输出使用参数修正线性单元(PRELU)来减少过度拟合的风险。公式如下所示: 在哪里α是一种可习得的参数向量。
通过实验优化,其他超参数的最佳选择是给定如下:LSTM神经元的数量单位是32;的深度编码器和译码器都将一层,和训练轮的数量是20。
3.4。AEL-CF模型
AEL-CF模型结合IDM和AED-CF模型使用一个不平等的权重组合预测方法。在实验中,我们发现主体车辆的舒适性评价指标低于AED-CF模型IDM模型,但其安全性和模拟精度高于其他模型,它可以自动捕捉反应延迟。结合每个模型的优势,我们将IDM和AED-CF模型结合在一起。合并后的重量是计算方程(5)和(6),具体的计算结果见下一节。
3.5。实验结果
在本节中,我们优化模型的评价指标和计算AEL-CF模型的参数根据实验结果。最后的实验结果显示的效能评估模型。
3.5.1。评价指标设计
量化模型的仿真性能,应提出了舒适和安全指标(18]。根据这些指标,改进索引提供的这项工作,以反映模型的性能对整个验证数据集。速度均方误差也使用模型的评价指标。代表了振荡的主要车辆增加的速度在开车的过程中,这是一个舒适指数;代表之间的最短时间进展前后车辆,这是一个指数安全;代表之间的速度误差模拟轨迹和现场数据,这是该指数对系统精度。如方程所示13)- (15),大 ,小和意味着一个更好的模型。
3.5.2。性能比较
在本节中,该模型相比,该模型评价指标。首先,AED-CF模型、IDM分别和LSTM模型进行比较。然后,AEL-CF的参数模型计算基于实验结果的IDM模型和AED-CF模型方程(5)和(6)。最后,AEL-CF、AED-CF和IDM模型评估与性能比较。
它已经表明,LSTM网络能够实现更好的预测结果通过增加层数为八(12]。因此,LSTM模型参数用于在这个工作比较如下:LSTM层的数量设置为8;神经元的数量将32岁,和历史时间步是50。损失函数,优化算法和其他配置与AED-CF模型是一致的。
IDM是一种theory-driven模型广泛应用于各种应用程序,由集成Treiber等人提出的期望差距的影响最主要的车辆,车辆之间的距离和预期速度控制(28]。该模型显示如下: 在哪里 表示期望差距的作用距离,计算的速度和相对速度 。模型的目标是标准化预期速度 ,最大加速度 ,最大减速 ,预期的时间间隔 ,和最小空间间隔 。
显著地,IDM的输出加速度值,但这项工作中使用的评价函数需要的速度值。因此,下列方程采用加速度值转换成速度值:
然后,我们使用了模拟退火算法(SAA)为IDM获得最优参数。最优参数Data100如表所示2。
IDM, LSTM AED-CF模型我们提出这项工作比较Data100。评估模型 , ,和 。评价结果见表3表明AED-CF模型优于基准方法在系统准确性和安全性评价。然而,IDM仍然是更好的舒适度评价。
进一步比较模型,模拟结果与实际观测值我们选择汽车39和情节轨迹概要图4。结果表明,所有的模型可能会观察到的趋势轨迹。相反,模拟轨迹AED-CF模型更符合现场数据。
(一)
(b)
根据IDM和AED-CF模型的评价结果,AEL-CF的参数模型计算了方程(5)和(6)。IDM的重量是0.4725,0.5275 AED-CF模型。我们也评估了AEL-CF Data100模型。结果如表所示4。我们可以看到,AEL-CF模型集成的优点AED-CF和IDM模型。它不仅保证了仿真速度的精度,而且提高了模型的舒适水平。
虽然AEL-CF显示了轻微的模拟精度降低的比较AED-CF提出了工作,它仍保持显著改善IDM的比较。更重要的是,舒适和安全指数都是通过比较AED-CF和IDM改进。这些实验证明AEL-CF模型拥有能力结合IDM和AED-CF模型的优势。
显示系统精度性能,我们也选择车辆39观察AEL-CF模型的模拟效果。它是与IDM和AED-CF模型。结果如图所示5。
(一)
(b)
4所示。讨论
模型从Data100自动捕捉反应延迟,这是随机选择的。如图6在模型中,我们想象的重量的关注。从图6,我们可以看到,反应延迟被不同的车辆数据也有类似的分布。模型的输入历史步长为30 (3.0年代),注意机制更侧重于16日和29日th-time步骤。16日时间步的重量分配表明AEL-CF模型将把更多的注意力放在倒数第二14日时间步之前输入序列的模拟下一台车辆的速度。
(一)
(b)
(c)
(d)
换句话说,AEL-CF模型将反应延迟1.4年代,轨迹数据,下一步是密切相关的国家最后一刻,所以模型还分配更多的重量29日时间步的重量分配的关注。模型是很难进一步区别这两届步骤,这是一个模型的缺点。但总的来说,模型显示捕获延迟反应的能力。
作为对比参考,马和瞿估计采样序列的时间滞后的反应延迟之间的相对速度和加速度和找到= 1.33秒的延迟反应(8]。反应延迟值自动计算AEL-CF接近手工抽样结果与相同的数据集。这些结果表明,AEL-CF模型拥有能够自动捕捉反应延迟。
俘获反应延迟的能力也可以反映在仿真结果。以下对之间的主要车辆与ID 2581和主题选择ID为2593的车辆仿真进一步验证这种能力。如图7,山峰在随后的汽车,速度约为1.4年代,还显示反应延迟估计的有效性。显著地,反应延迟可能是不同的特定的驱动程序,这项工作的评估价值是平均值的响应延迟NGSIM数据集。
(一)
(b)
5。结论
受益于NGSIM的可用数据,我们努力使我们的车辆(CF)行为建模。自动捕获的驾驶行为特征反应延迟,我们介绍了encoder-decoder框架和注意到车辆行为建模机制。本文作出了如下贡献:(1)针对车辆行为建模问题,一种引起encoder-decoder民(AED-CF)模型提出了自动捕获司机的反应延迟。(2)基于每个模型的评价结果,整体学习一种引起CF (AEL-CF)模型,提出了结合IDM和AED-CF组合模型与不平等的重量。实验结果表明,该AEL-CF模型拥有的能力改善既舒适又安全,索引。
总之,AEL-CF模型说明了IDM的统治和AED-CF模型。实验结果表明该AEL-CF可以自动俘获反应延迟,提高舒适和安全指标。考虑到反应延迟随驾驶环境,AEL-CF的自动反应延迟检测可以适用于不同的情况。
数据可用性
NGSIM数据用于支持本研究的发现在美国免费下载点智能交通系统(ITS)公共数据中心(https://its.dot.gov/data/)。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究的部分资金通过中国国家科学基金会的项目(41971340和41971340号)、福建省科技部门的项目(2020号:2021 y4019 2020 d002 l3014,和2019 i0019),和支持福建重点实验室的基础的汽车电子和电力驱动技术大学(福建)(不:KF-X18002)。