论文部分内容阅读
车辆跟驰模型和换道模型是微观交通流理论的重要组成部分,也是未来AI技术关注的焦点。虽然换道模型相比跟驰模型发展还不成熟,但其研究热度并不比跟驰模型弱。在微观模型研究中,数据的收集是非常困难的一环,现有的研究中大部分采用GPS数据和视频提取数据以及仿真数据,这些数据无论是在数量方面还是质量方面,都存在一定的问题。NGSIM车辆轨迹数据为微观交通模型研究在数据方面带来了巨大的突破,然而,原始NGSIM车辆轨迹中存在大量异常值和测量误差,不能直接应用于模型的标定和验证。本文基于NGSIM车辆轨迹数据,探索轨迹重构算法及其在换道行为中的应用:首先,本文建立了两步轨迹重构算法。⑴运用小波变换和物理约束有效地识别出NGSIM车辆轨迹中的两类异常值,并分别用拉格朗日5次多项式和3次多项式对两类异常值进行重新估计。⑵然后再用卡尔曼滤波对轨迹中的测量误差进行滤波处理,以减少噪声的影响。以车辆编号为1882的轨迹为例,对该算法进行验证,结果表明该算法应用性良好。然后,将该算法应用到整个NGSIM车辆轨迹数据库中,对1942辆小汽车的纵向轨迹和横向轨迹进行重构。其次,提取换道轨迹。从重构后的NGSIM车辆轨迹数据库中提取自由换道和强制换道轨迹,并运用K均值聚类法,有效的识别出4种换道失败的轨迹:由目标车道返回本车道;长时间骑线行驶;左右窜道;车道编号记录错误。最终,本文提取有效且成功的自由换道轨迹和强制换道轨迹119条和45条。最后,换道行为特性研究。按照换道类型和换道方向,本文研究了换道时间分布和横向换道轨迹的拟合。在换道时间方面,本文建立基于规则的换道时间提取方法,并针对两种特殊情况做出了相应的约束,系统的分析了自由换道和强制换道、向左换道和向右换道的时间分布。在横向轨迹拟合方面,本文以平均绝对误差(MAE)、平均平方根误差(RMSE)和平均相对平方根误差(RMSRE)为指标,探索多项式拟合。研究表明,向左、向右自由换道的横向轨迹和向右强制换道的横向轨迹适宜用5次多项式拟合;向左强制换道的横向轨迹以4次多项式拟合为宜。