一种高等级道路瓶颈区入匝道车辆汇入行为估计方法
【技术领域】
[0001] 本发明涉及一种用于高等级道路交通行为识别领域的方法，更具体的说，本发明 涉及一种基于隐马尔科夫模型的高等级道路瓶颈区入匝道车辆汇入行为估计方法。
【背景技术】
[0002] 高等级道路（高速公路和城市快速路）入匝道瓶颈是交通堵塞、安全事故的常发 地带。入匝道车辆的汇入行为则是导致瓶颈失效的重要原因之一。相关学者大多从限速、 设定固定汇入区段、信号控制等角度来探讨这一现象改善的有效性。目前为止，部分学者已 经采用一些分类算法对驾驶员行为状态加以识别，然而，很少有学者对驾驶员汇入行为决 策过程以及背后的机理进行分析。本发明可以对驾驶员成功汇入前的行为状态进行多时刻 点估计从而比较全面反映驾驶员的整个决策过程。进一步说可以得到驾驶员何时发生状态 转移、车辆状态转移的次数以及这一时刻所对应的宏观和微观的交通流状态信息。
[0003] 隐马尔科夫模型通过汇入车辆可观察状态集以及3个初始矩阵按照一定的算法 完成学习和解码两个过程。学习阶段采用前向后向算法，递归得到隐马尔科夫模型内部参 数的局部最优解。解码阶段采用Viterbi算法，通过迭代得到在某种意义上每个汇入车辆 最佳的状态估计时间序列。
【发明内容】
[0004] 本发明的目的在于提供一种高等级道路瓶颈区入匝道车辆汇入行为估计方法，以 解析驾驶员成功汇入高等级道路主线前的整个决策过程，计算驾驶员汇入的决策点及对应 状态信息进而得到驾驶员汇入行为的决策机制。本发明不但可以为设计高效的入匝道瓶颈 区换道辅助系统开发提供依据，而且可以为预防高等级道路入匝道瓶颈早发性失效措施设 计提供重要参考。
[0005] 本发明的一种高等级道路瓶颈区车辆汇入行为估计方法，包括以下步骤：
[0006] (1)数据准备阶段：首先利用轨迹提取软件进行车辆轨迹数据的提取，然后确立 影响汇入行为的交通流特性指标集；
[0007] (I. 1)利用轨迹提取软件进行车辆轨迹数据的提取，车辆的轨迹数据包括车辆的 ID、时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标；
[0008] (1. 2)确立影响汇入行为的交通流特性指标集C，所述的交通流特性指标集C包 括汇入车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆（前车、后车） 的车头时距T lag、汇入车辆与目标车道上相邻车辆（前车、后车）的车头空距Slead* Slag、汇入车辆与当前车道上相邻前车的车头时距Tpre和车头空距S 、汇入车辆与目标车道 上相邻车辆（前车、后车）的速度差AVlead和Λ Vlag、以及汇入车辆相对加速车道尾端的位 置坐标D ;
[0009] (2)数据预处理阶段：此阶段包括交通流特性指标集C的数据获取、汇入行为特征 变量η的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R，以及获得隐马尔科夫模型 起初需要输入的3个初始矩阵；
[0010] (2. 1)交通流特性指标集C的数据获取，根据轨迹提取软件获得的车辆ID、时刻、 车辆的速度、车辆的加速度，以及车辆的位置坐标信息数据，通过间接计算获得空距、时距、 速度差；
[0011] 空距：某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标 再减去后车的车长，单位m;
[0012] 时距：当前时刻前后相邻两辆车之间的空距除以后车当前车速，单位s ;
[0013] 速度差：当前时刻前车的瞬时车速减去邻近后车的车速，单位m/s ;
[0014] 车长计算规则：小型车4. 5m，中型车6. 0m，大型车12. Om ;
[0015] (2. 2)汇入行为特征变量η的识别，采用随机森林算法对影响汇入行为的交通流 特性指标集加以筛选，得到影响汇入行为的特征变量；所述特征变量包括汇入车辆的加速 度a、汇入车辆与目标车道前车间的车头空距S lead、汇入车辆与目标车道前车间的车头时 距Tlead、汇入车辆与目标车道后车间的车头空距S lag、汇入车辆与目标车道前车间的速度差 △ Vlead，以及汇入车辆与目标车道后车间的速度差△ Vlag，特征变量η如下式：
[0016] η - {a, Slead, Tlead, Slag, ^Vlead, AVlag)
[0017] 式中：a--汇入车辆的加速度，单位为m/s2;
[0018] Slead一一汇入车辆与目标车道前车间的车头空距，单位为m ;
[0019] Tlead一一汇入车辆与目标车道前车间的车头时距，单位为s ;
[0020] Slag一一汇入车辆与目标车道后车间的车头空距，单位为m ;
[0021] AVlead一一汇入车辆与目标车道前车间的速度差，单位为m/s ;
[0022] AVlag一一汇入车辆与目标车道后车间的速度差，单位为m/s ;
[0023] (2.3)确定驾驶行为状态矩阵Q，所述状态包括瓶颈区入匝道车辆汇入主线的状 态（汇入状态）和入匝道车辆沿加速车道正常行驶状态（非汇入状态）。
[0024] Q = {q" q2}
[0025] 式中：?一一入匝道车辆汇入状态，用数字1表示；
[0026] q2 入西道车辆未汇入状态，用数字2表不；
[0027] (2. 4)可观察状态集R的构建，步骤（2. 2)得到的特征变量是六维的，各维变量均 为连续型变量；由于在构建隐马尔科夫模型时需要对特征变量进行离散化处理，故采用等 区间划分将a、S lead、Tlead、Slag、Δ Vlead、Δ Vlag分别划分为k类、1类、p类、s类、h类和z类； 如上所述，最终会得到元素个数为kX IXpX sXhX z的可观察状态集R，以两维特征向量 (SlMd，a)为例说明可观察状态集的具体表达方式，其数学形式如下：
【主权项】
1. 一种高等级道路瓶颈区车辆汇入行为估计方法，其特征在于：该方法利用隐马尔科 夫模型对驾驶员汇入过程中的决策情况进行估计，包括数据准备阶段、数据预处理阶段、模 型学习阶段、模型解码阶段以及结果处理五个阶段，具体步骤如下： (1) 数据准备阶段：首先利用轨迹提取软件进行车辆轨迹数据的提取，然后确立影响 汇入行为的交通流特性指标集； (I. 1)利用轨迹提取软件进行车辆轨迹数据的提取，车辆的轨迹数据包括车辆的ID、 时刻、车辆的速度、车辆的加速度，以及车辆的位置坐标； (1. 2)确立影响汇入行为的交通流特性指标集C，所述的交通流特性指标集C包括汇入 车辆的速度V、汇入车辆的加速度a、汇入车辆与目标车道上相邻车辆（前车、后车）的车头 时距T lag、汇入车辆与目标车道上相邻车辆（前车、后车）的车头空距S lag、汇 入车辆与当前车道上相邻前车的车头时距Tpm和车头空距Spm、汇入车辆与目标车道上相邻 车辆（前车、后车）的速度差AV lead和Λ Vlag、以及汇入车辆相对加速车道尾端的位置坐标 D ； (2) 数据预处理阶段：此阶段包括交通流特性指标集C的数据获取、汇入行为特征变量 η的识别、确定驾驶行为状态矩阵Q、可观察状态集的构建R，以及获得隐马尔科夫模型起初 需要输入的3个初始矩阵； (2. 1)交通流特性指标集C的数据获取，根据轨迹提取软件获得的车辆ID、时刻、车辆 的速度、车辆的加速度，以及车辆的位置坐标信息数据，通过间接计算获得空距、时距、速度 差； 空距：某一时刻前后相邻两辆车之间的空距等于前车位置坐标减去后车位置坐标再减 去后车的车长，单位m ; 时距：当前时刻前后相邻两辆车之间的空距除以后车当前车速，单位s ; 速度差：当前时刻前车的瞬时车速减去邻近后车的车速，单位m/s ; 车长计算规则：小型车4. 5m，中型车6. Om，大型车12. Om ; (2. 2)汇入行为特征变量η的识别，采用随机森林算法对影响汇入行为的交通流特性 指标集加以筛选，得到影响汇入行为的特征变量；所述特征变量包括汇入车辆的加速度a、 汇入车辆与目标车道前车间的车头空距S lead、汇入车辆与目标车道前车间的车头时距Tl