微观车辆跟驰模型对比研究

微观车辆跟驰模型对比研究
摘要：车辆跟驰模型是微观交通流模型研究的基础。

本文对GM模型、线性模型、安全距离模型、AP模型、模糊推理模型和神经网络的车辆跟驰模型进行了详细的评述，从传统模型入手,分析其存在的优缺点,基于此又阐述了在传统模型基础上改进的模型或者是利用新的方法建立的模型,提出了目前还存在的没有解决的问题,并且对每个模型作了中肯的评价。

为今后研究微观交通流模型提供一个比较全面的认识。

关键词：交通流;微观交通流;车辆跟驰模型;对比研究
1跟驰模型
跟驰理论是运用动力学方法,研究在无法超车的单一车道上车辆列队行驶时,后车跟随前车的行驶状态,并且用数学模型来表达并加以分析阐明的一种理论。

跟驰理论只研究非自由行驶状态下车队的特性。

非自由行驶状态的车队有以下三个特性:制约性、延迟性和传递性。

自20世纪50年代以来,国外的学者对车辆跟驰模型进行了大量、系统的研究,发表了众多的研究成果,主要可以分为以下几类:刺激—反应模型、安全距离模型、生理—心理模型，模糊推理模型，神经网络的车辆跟驰模型。

2.1刺激—反应模型及评价
刺激—反应模型重在描述驾驶环境中各种刺激对驶员行为的影响,包括GM
模型和线性模型。

(1)GM（General Motor）模型
GM模型是从20世纪50年代后期逐渐发展起来的车辆跟驰模型。

其一般表达式为:
(1)
式中:
——t + T 时刻第n+1辆车的加速度;
——t时刻第n辆车与第n+1辆车之间的速度差;
——t时刻第n辆车与第n+1辆车之间的距离;
c，m, l——常数。

GM模型形式简单,物理意义明确,许多后期的车辆跟驰模型研究都源于刺激—反应基本方程。

但是GM模型通用性较差,这是因为在确定m和l的过程中存在大量的矛盾之处。

另外,当前后车速相同时允许两车的车头间距无限减少直至为零,这显然是不合理的。

(2)线性模型
Helly提出的线性模型考虑了前面第一辆车是否制动减速对后车加速度的
影响项,有以下关系:
(2)
(3)
——期望跟驶距离;
,,α,β,γ——参数。

Helly认为应当与车头间距变量及反应时间T有关,这样就产生了m=0,l=1
的GM模型。

线性模型较GM模型有一定的优势,但是通用性还是较差。

1.2安全距离模型及评价
安全距离模型也称防撞模型,该模型最初是Kometani和Sasaki提出,该模型最基本的关系是寻找一特定的跟车距离。

模型表示如下：
(4)
式中：,,,——参数。

Gipps对此模型的研究取得重大突破,提出了如下模型:
，
(5)
——车辆n的驾驶员所愿采用的最大加速度;
——车辆n的驾驶员所愿采用的最大减速度;
——车辆n-1的效用尺寸,其值等于车身长度加停车间距;
——车辆n的驾驶员认为车辆n-1会采取的最大减速度。

上式右端的第一项对大多数车辆起作用时,交通流处于自由行驶状态;第二项起作用时,交通流处于拥挤状态。

UTSC-1算法属美国早期的限制车辆跟驶模型,该算法假设前车采取紧急制
动行为,后车在经历反应时间T后,不发生追尾碰撞,以汽车动力学构造公式。

该模型建立了相关分析和安全车距的跟驰模型的步骤,采用多元一次回归方程拟合后车加速度,如果拟合效果不好,再采用多元高次方程拟合。

此模型的拟合精度取决于所取得的跟驰试验数据。

1.3生理-心理模型及评价
生理-心理模型也称反应点模型,简称AP模型。

1963年,Todosiv发现相对加速度只是在被称为作用点的地方才改变。

他认为驾驶员的速度感知阈值是这些作用点产生的根源。

Michaels认为驾驶员通过分析视野中前车尺寸大小的改变,感知前后车相
对速度。

Michaels将车辆跟驶状态划分为三个阶段:第一阶段,两车的速度差低于速度感知阈值;第二阶段,速度差超过阈值;第三阶段,相对速度保持为零。

1974年Wiedemann提出以行为阈值划分跟驶状态, 并建立了行为阈值模型。

以后,Burnham和Bekey,Lee,Kumamoto,Fritzsche及Zhang,Y.L分别建立了不同的行为阈值模型。

行为阈值模型充分考虑了驾驶员的生理、心理因素对驾驶行为的影响和制约,及由此而产生的不同驾驶行为,从建模方法上更接近实际情况,这是行为阈值模型的优点。

其缺点在于模型的参数较多,子模型之间的相互关系比较复杂,并且对于各种阈值的调查观测比较困难。

1.4模糊推理模型及评价
一个驾驶员对其它驾驶员的动作所做出的反应,可能不是基于一个确定性的一对一的关系,这时候可以采用模糊集理论和逻辑允许用数学方法来处理主观判断的推断问题。

模糊推理模型主要通过驾驶员未来的逻辑推理来研究驾驶行为。

这类模型的最大特色是将模型的输入项分为几个相互部分重叠的模糊集,每个模糊集用来描述各项的隶属度。

利用模糊推理模型建立车辆跟驰模型的一般步骤为:确定模糊推理模型的输入变量和输出变量;建立模糊控制集和控制逻辑;最后建立合理的模糊控制规则（一般采用三角形函数建立隶属函数）。

基于模糊推理的车辆跟驶模型是近年来才发展起来且发展较快的车辆跟驶模型。

该模型主要通过推理驾驶员未来的逻辑阶段来研究驾驶员的驾驶行为。

该模型的核心仍是刺激-反应关系。

与传统GM模型相比,该模型具有局部稳定性。

近年来,在该领域的一些研究主要包括:Rekersbrink模糊化了的MISSION模型,Yikai等MITRAM模型中的微观模型,Henn的TRAFFIC-JAM模型。

但是这些研究都没有去标定模型中最重要的部分——模糊集,只有最近Brackstone等作了些主观性的标定。

1.5神经网络的车辆跟驰模型及评价
目前国内的研究主要是利用多层前馈网络(B P网络)建立跟驰模型。

BP网络存在收敛慢、有局部极小值等缺点,导致利用BP网络建立模型需要多次训练,所需时间长,存在一定误差。

RBF网络也被应用于跟驰模型的建立。

RBF网络是单隐层的前向网络,结构简单、训练简洁而且学习收敛速度快,能够逼近任意非线性函数。

RBF网络要学习的参数有3个:基函数的中心、方差及权值。

相比较BP网络而言,RBF网络模型训练时间短,精度高,结构简单,适宜在线应用。

在文献中,应用BP神经网路和径向基函数（RBF）网络建立神经网络模型,然后利用两个模型结合成混合神经网络模型。

在基于BP神经网络的跟驰模型中采用双隐层结构。

另外在基于RBF神经网络的跟驰模型中,选用高斯函数作为径向基函数。

采用混合神经网络建立车辆跟驰模型比单一的采用BP网络模型或RBF 网络模型产生的误差低,并且在很多时段具有更好的稳定性。

但混合神经网络模型建立过程较为复杂,运算时间长,其准确程度由组成模型的准确性来决定。

2 模型评价总结
如上所述,这些模型在实际应用中,还存在以下一些问题:
（1）模型的通用性问题;
（2）没有考虑到突发事件;
（3）实测数据取得的准确性;
（4）模型验证的严密性。

3结束语
随着世界各国城市化进程的加速,城市交通问题已经成为当今世界上许多城市所面临的难题之一。

而为了解决这样的难题,对交通流的研究就势在必行了。

目前计算机技术的发展使得对微观交通流模型的研究成为可能。

本文所综述的车辆跟驰模型是微观交通流模型的基本模型。

虽然是研究交通流模型的基础,但是由于人为（驾驶行为）的影响因素比较大,所以模型并不是很容易建立的。

文中综述的模型都是针对某一具体情况才适用的。

这就存在着使用的局限性,缺乏普适性的问题。

同时文中所阐述的车辆跟驰模型可以为建立适应新环境下的车辆跟驰模型和换车道模型奠定基础并且提供一定的借鉴和参考。

参考文献:
[1]王殿海.交通流理论[M].北京:人民交通出版社,2002.
[2]史忠科,黄辉先,曲仕茹.交通控制系统导论[M].北京:科学出版社,2003.
[3]PARTHA CHAKROBORTY.Models of vehicular Traffic : Anengineering perspective[J].PhysicaA:Statisticalmechanicsanditsapplications.2006,3 72(1):151-161.
[4]JIUH-BIING SHEU.Microscopic modeling and control logic for incident-responsive automatic vehicle movements in
single-automated-lane highway systems[J].European Journal of Operational Research.2007,182(2): 640-662.。