基于深度学习的换道行为建模与分析

发布时间：2024-12-07 03:56

　　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(...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 换道模型的国内外研究现状
        1.2.1 换道决策模型研究现状
        1.2.2 换道执行模型研究现状
        1.2.3 研究现状总结
    1.3 深度学习在交通领域的应用
    1.4 主要研究内容
    1.5 技术路线图
2 换道行为分析及数据提取
    2.1 换道行为
        2.1.1 换道行为描述
        2.1.2 换道类型
        2.1.3 换道过程
    2.2 换道行为的影响因素
    2.3 数据提取
        2.3.1 NGSIM数据
        2.3.2 轨迹数据选取
        2.3.3 换道决策数据预处理
        2.3.4 换道执行数据预处理
    2.4 本章小结
3 基于深度学习的换道决策模型
    3.1 基于DBN的换道决策模型
        3.1.1 深度置信网络
        3.1.2 模型构建
        3.1.3 训练过程
        3.1.4 测试结果
    3.2 基于BP神经网络的换道决策模型
        3.2.1 BP神经网络
        3.2.2 模型构建
        3.2.3 测试结果
    3.3 训练结果对比
    3.4 变量影响分析
    3.5 本章小结
4 基于深度学习的换道执行模型
    4.1 LSTM神经网络
        4.1.1 循环神经网络
        4.1.2 LSTM神经网络
    4.2 模型构建
        4.2.1 训练数据和测试数据
        4.2.2 评价指标
        4.2.3 LSTM网络输入输出
        4.2.4 模型结构
        4.2.5 参数确定
    4.3 测试结果
    4.4 基于BP神经网络的换道执行模型
        4.4.1 BP神经网络结构
        4.4.2 测试结果对比
    4.5 换道轨迹分析
    4.6 本章小结
5 结论与展望
    5.1 主要研究结论
    5.2 论文展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：4014760