基于贝叶斯网络的车辆换道模型

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (5): 67-73.

• 智能交通系统与信息技术 • 上一篇下一篇

基于贝叶斯网络的车辆换道模型

邱小平^1,2,3，刘亚龙¹，马丽娜¹，杨达^*1,2

1. 西南交通大学交通运输与物流学院，成都610031；2. 综合交通运输智能化国家地方联合工程实验室，成都610031；3. 综合运输四川省重点实验室，成都610031

收稿日期:2015-02-10 修回日期:2015-06-18 出版日期:2015-10-25 发布日期:2015-10-28
作者简介:邱小平（1976-），男，四川南充人，教授，博士.
基金资助:
国家自然科学基金( 51278429, 51408509)；四川省科技厅项目(2013GZX0167, 2014ZR0091)；中央高校基本业务经费(SWJTU11CX080) ；成都市科技局项目(2014-RK00-00056-ZF, 2014-RK00-00072-ZF).

A Lane Change Model Based on Bayesian Networks

QIU Xiao-ping^1,2,3，LIU Ya-long¹，MALi-na¹，YANG Da^1,2

1. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China; 2. Comprehensive Intelligent Transportation National and Local Joint Engineering Laboratory, Chengdu 610031,China; 3. Comprehensive Transportation Key Laboratory of Sichuan Province, Chengdu 610031, China

Received:2015-02-10 Revised:2015-06-18 Online:2015-10-25 Published:2015-10-28

摘要/Abstract

摘要：

车辆换道行为是微观交通流中最基本的驾驶行为之一，研究车辆换道行为可以提高车辆换道模型的仿真精度和减少由不合适的车辆换道行为引发的交通事故.当前车辆换道模型大多是基于驾驶员的决策思维方式建立的决策模型，这类模型的缺点是很难捕捉到驾驶员在决策过程中一些潜在决策模式和考虑的影响因素.鉴于此，本文引入了一种典型的人工智能方法——贝叶斯网络，建立了一个全新的车辆换道模型，试图通过机器学习的途径来提高车辆换道模型的精度.采用了分段离散化的方法对数据进行预处理，然后使用处理后的数据对贝叶斯网络的结构和参数进行学习，并分别建立了与两种贝叶斯网络结构相对应的车辆换道模型，最后对建立的模型分别进行验证.模型的验证结果表明，建立的基于贝叶斯网络的车辆换道模型对换道行为的识别率可以达到88%以上. 此模型还可进一步应用到驾驶员辅助系统的开发中.

关键词: 公路运输, 贝叶斯网络, 机器学习, 车辆换道, 特征离散

Abstract:

Lane change behavior is one of the most foundational driving behaviors in microscopic traffic flow. Researching the lane change behavior contributes to improving the simulation accuracy of lane change models and reducing traffic accidents caused by improper lane change behavior. The current lane change model is the decision model mostly based on the way of driver's thinking. The shortcoming of current models is difficult to catch certain potential decision-making model and influencing factors in the driver's decisionmaking process. In view of this, this paper introduces a typical artificial intelligence method, Bayesian networks, to establish a new lane change model, and tries to improve the accuracy of the lane change model by machine learning. It uses a segmented discrete method to preprocess vehicle trajectory measurement data, and uses the processed data to training and verification this model. The verification results show that, this model's recognition rate to lane change behavior can reach more than 88%. In addition, this model can be further applied to the development of a driver assistance system.

Key words: highway transportation, Bayesian networks, machine learning, lane change, characteristic discretization

中图分类号:

U491.2

邱小平，刘亚龙，马丽娜，杨达. 基于贝叶斯网络的车辆换道模型[J]. 交通运输系统工程与信息, 2015, 15(5): 67-73.

QIU Xiao-ping，LIU Ya-long，MALi-na，YANG Da. A Lane Change Model Based on Bayesian Networks[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(5): 67-73.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19064.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I5/67

参考文献

[1] 龙小强, 谭云龙. 微观仿真自主性车道变换模型[J]. 公路交通科技, 2012, 29(11): 115-119. [LONG X Q, TAN Y L. Discretionary lane changing model in microscopic simulation[J]. Journal of Highway and Transportation Research and Development. 2012, 29 (11): 115-119.]

[2] Ahmed KI. Modeling drivers’acceleration and lane changing behavior[D]. Massachusetts Institute of Technology, 1999.

[3] Zhang Y, Owen L E, Clark J E. A Multi- regime approach for microscopic traffic simulation[C]. Transportation Research Board 77th Annual Meeting. Washington, D. C: Transportation Research Board, 1998: 103-115.

[4] Wei H, Lee J. Observation-based lane-vehicleassignment hierarchy for microscopic simulation on an urban street network[C]. Transportation Research Board 79th Annual Meeting. Washington , D. C: Transportation Research Board, 2000: 96-103.

[5] Tomer T. Integrated driving behavior modeling[D]. Cambridge, MA: Massachusetts Institute of Technology, 2003: 18-43.

[6] 徐英俊. 城市微观交通仿真车道变换模型研究[D]. 吉林大学, 2005. [XU Y J. Study on lane-changing model in urban microscopic traffic simulation[D]. Jilin University, 2005.]

[7] Yang Q, Koutsopoulos H N. A microscopic traffic simulator for evaluation of dynamic traffic management systems[J]. Transportation Research Part C: Emerging Technologies, 1996, 4(3): 113-129.

[8] 智永锋, 张骏, 史忠科. 高速公路加速车道长度设计与车辆汇入模型研究[J]. 中国公路学报, 2009, 22(2): 93- 97. [ZHI Y F, ZHANG J, SHI Z K. Research on design of expressway acceleration lane length and merging model of vehicle[J]. China Journal of Highway and Transport, 2009, 22 (2): 93-97.]

[9] 王荣本, 游峰, 崔高健，等. 车辆安全换道分析[J]. 吉林大学学报: 工学版. 2005. 35(2): 179-182. [WANG R B, YOU F, CUI G J, et al. Analysis on lane-changing safety of vehicle[J]. Journal of Jilin University: Engineering and Technology Edition, 2005, 35(2): 179- 182.]

[10] Hidas P. Modeling vehicle interactions in microscopic simulation of merging and weaving and weavin[J]. Transportation Research Part C: Emerging Technologies, 2005, 13(1): 37-62.

[11] Toledo T, Koutsopoulos H N, Ben-Akiva M. Integrated driving behavior modeling[J]. Transportation Research Part C: Emerging Technologies, 2007, 15(2): 96-112.

[12] Kita H. Effects of merging lane length on the merging behavior at expressway on-ramps[J]. Transportation and Traffic Theory, 1993.

[13] Meng Q, Weng J. Cellular automata model for work zone traffic[J]. Transportation Research Record: Journal of the Transportation Research Board, 2010, 2188(1): 131- 139.

[14] Kita H. A merging-giveway interaction model of cars in a merging section: a game theoretic analysis[J]. Transportation Research Part A: Policy and Practice, 1999, 33(3): 305-312.

[15] 张轮, 杨文臣, 刘拓，等. 基于朴素贝叶斯分类的高速公路交通事件检测[J]. 同济大学学报: 自然科学版, 2014, 42(4): 558-563. [ZHANG L, YANG W C, LIU T et al. A naive bayesian classifier- based algorithm for freeway traffic incident detection[J]. 2014, 42(4): 558- 563.]

[16] 张秀方, 唐兴佳. 贝叶斯网络应用中的结构学习方法研究[J]. 电子科技, 2014, 27(4): 179-182. [ZHANG X F, TANG X J. Structure learning methods in bayesian network application[J]. Electranic Science and Technology 2014, 27(4): 179-182.] 95

基于贝叶斯网络的车辆换道模型

A Lane Change Model Based on Bayesian Networks

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	王宁, 张佳蕊, 赵姣. 城际零担货运平台车辆路径问题研究[J]. 交通运输系统工程与信息, 2022, 22(2): 163-177.
[2]	谭二龙, 李宏海, 钟厚岳, 霍恩泽, 马晓磊. 基于轨迹数据的货车自发编队节油潜力估计[J]. 交通运输系统工程与信息, 2022, 22(1): 74-84.
[3]	朱兴林, 姚亮, 刘泓君, 叶拉森∙库肯, 克然木∙司马义. 基于乘客感知的多模式公交服务质量差异性研究[J]. 交通运输系统工程与信息, 2021, 21(6): 84-95.
[4]	贾术艳, 宋雨童, 杨紫都. 基于生长曲线函数的货车运营环节碳达峰研究[J]. 交通运输系统工程与信息, 2021, 21(6): 310-318.
[5]	甘蜜, 卿三东, 刘晓波, 李丹丹. 货车轨迹数据在公路货运系统中应用研究综述[J]. 交通运输系统工程与信息, 2021, 21(5): 91-101.
[6]	贺正冰, 徐瑞康, 谢东繁, 宗芳, 钟任新. 数据驱动跟驰模型综述[J]. 交通运输系统工程与信息, 2021, 21(5): 102-113.
[7]	李俊芳, 姚敏峰, 胡华. 郊域轨道交通对土地利用演变的影响分析[J]. 交通运输系统工程与信息, 2021, 21(4): 63-71.
[8]	李根, 翟伟, 朱兴贝, 杨晟, 邬岚. 侧向碰撞风险对交织区汇合行为的影响[J]. 交通运输系统工程与信息, 2021, 21(4): 204-210.
[9]	李桃迎，王婷，张羽琪. 考虑多特征的高速公路交通流预测模型[J]. 交通运输系统工程与信息, 2021, 21(3): 101-111.
[10]	袁方，杨轸，周雄峰. 双车道公路弯道半径及回旋线长度对转向行为的影响[J]. 交通运输系统工程与信息, 2021, 21(1): 116-123.
[11]	胡立伟，何越人，李耀平，孟玲，殷秀芬. 基于人工免疫机制的营运货车运行风险评价研究[J]. 交通运输系统工程与信息, 2021, 21(1): 149-155.
[12]	戢晓峰，吴亚欣，郝京京，房锐，胡澄宇. 平纵组合路段事故严重程度致因辨识模型[J]. 交通运输系统工程与信息, 2020, 20(6): 197-204.
[13]	程颖，张佳乐，张少君，郭继孚，张达. 大型货运车辆生态驾驶及节油潜力评估[J]. 交通运输系统工程与信息, 2020, 20(6): 253-258.
[14]	段莉珍，栾庆熊，赵鑫. 区域路网货物运输量统计方法改进[J]. 交通运输系统工程与信息, 2020, 20(4): 28-33.
[15]	刘昱，吴志新，李孟良，于晗正男，汪洋，贺可勋，安晓盼. 中国乘用车工况构建[J]. 交通运输系统工程与信息, 2020, 20(3): 233-240.