引入驾驶风格的熵权法多属性换道决策模型

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (2): 139-144.

引入驾驶风格的熵权法多属性换道决策模型

冯焕焕，邓建华^*，葛婷

苏州科技大学土木工程学院，江苏苏州 215011

收稿日期:2019-12-17 修回日期:2020-02-07 出版日期:2020-04-25 发布日期:2020-04-30
作者简介:冯焕焕(1979-)，女，吉林九台人，副教授.
基金资助:
国家自然科学基金/National Natural Science Foundation of China (51808370).

Multi-attributes Lane-changing Decision Model Based on Entropy Weight with Driving Styles

FENG Huan-huan, DENG Jian-hua, GE Ting

College of Civil Engineering, Suzhou University of Science and Technology, Suzhou 215011, Jiangsu, China

Received:2019-12-17 Revised:2020-02-07 Online:2020-04-25 Published:2020-04-30

摘要/Abstract

摘要：

为改善AHP换道模型需要主观赋权的问题，在分析换道决策机理及换道决策属性的基础上，提出引入驾驶风格的熵权法多属性换道决策模型.在不同空间占有率D 下对模型进行仿真，获得不同驾驶风格、多种车道分隔方式下的平均换道动机概率和平均换道成功概率. 分析发现，驾驶风格对平均换道动机概率和平均换道成功概率产生显著影响的空间占有率分别为(0.10, 0.85)和(0.30, 0.85)，其中，激进驾驶风格的概率最大，保守的概率最小. 说明该模型能响应驾驶风格偏好的影响，熵权法在多车道元胞自动机换道决策模型中的适用性较强.

关键词: 智能交通, 多车道元胞自动机, 换道决策, 熵权法, 驾驶风格

Abstract:

AHP lane-changing model needs subjective weight. In order to address the problem, the lane-changing decision mechanism and attributes are analyzed, and a multi-attribute lane change decision model based on entropy weight with driving styles is proposed. The model is simulated with different space availability D . The average lane-changing motivation probability and success probability are obtained under different driving styles and different lane demarcation patterns. The result shows that driving styles have impacts on the average probability of lane-changing motivation and lane-changing success in the range of (0.10, 0.85) and (0.30,0.85), in which the probability of radical driving style is the largest while the probability of conservative driving style is the smallest. It shows that the model can respond to the influence of driving style preference. And the entropy weight has better applicability in the multi-lane cellular automaton lane-changing decision model.

Key words: intelligent transportation, multi-lane cellular automaton, lane-changing decision, entropy weight, driving styles

中图分类号:

U491

冯焕焕，邓建华，葛婷. 引入驾驶风格的熵权法多属性换道决策模型[J]. 交通运输系统工程与信息, 2020, 20(2): 139-144.

FENG Huan-huan, DENG Jian-hua, GE Ting. Multi-attributes Lane-changing Decision Model Based on Entropy Weight with Driving Styles[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(2): 139-144.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20022.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I2/139

参考文献

[1] 陈华友. 多属性决策中基于离差最大化的组合赋权方法[J]. 系统工程与电子技术, 2004, 26(2): 194-197. [CHEN H Y. Combination determining weights method for multiple attribute decision making based on maximizing deviations[J]. Systems Engineering and Electronics, 2004, 26(2): 194-197.]

[2] 邓建华, 冯焕焕. 车道分隔方式对驾驶换道行为的影响[J]. 交通运输系统工程与信息, 2019, 19(2): 153- 159. [DENG J H, FENG H H. Influence of lane demarcation patterns on lane-changing behavior[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 153-159.]

[3] 黄定轩. 基于客观信息熵的多因素权重分配方法[J]. 系统工程理论方法应用, 2002, 12(4): 321- 324. [HUANG D X. Means of weights allocation with multifactors based on impersonal message entropy[J]. Systems Engineering Theory Methodology Applications, 2002, 12(4): 321-324.]

[4] DENG J H, FENG H H. A multilane cellular automaton multi-attribute lane-changing decision model[J]. Physica A: Statistical Mechanics and its Applications, 2019, 529(1): 1-10.

[5] RICKERT M, NAGEL K, SCHRECKENBERG M. Two lane traffic simulations using cellular automata[J]. Physica A: Statistical Mechanics and its Application, 1996, 231(4): 534-550.

[6] 许伦辉, 胡三根, 等. 基于驾驶员类型的车辆换道模型 [J]. 华南理工大学学报(自然科学版), 2014, 42(8): 104- 110. [XU L H, HU S G, et al. Lane- changing model based on different types of drivers[J]. Journal of South China University of Technology (Natural Science Edition), 2014, 42(8): 104-110.]

[7] 王晓原, 杨新月. 基于决策树的驾驶行为决策机制研究[J]. 系统仿真学报, 2008, 20(2): 445-448. [WANG X Y, YANG X Y. Study on decision mechanism of driving behavior based on decision tree[J]. Journal of System Simulation, 2008, 20(2): 445-448.] 144

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	熊坚, 施锦浩, 万华森. 人车路综合风险场模型构建及驾驶风格评估[J]. 交通运输系统工程与信息, 2021, 21(6): 105-114.
[14]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[15]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.