[发明专利]一种用于群体诱导信息下驾驶员响应行为的辨识方法

摘要

本发明公开了一种可用于群体诱导信息下驾驶员响应行为的辨识方法，包括交通信息采集与处理、驾驶员响应行为模型建立和模型系数更新；利用交通信息检测设备获得断面交通流量信息、交通状态信息、行程时间信息和事故信息，和可变情报板所发布的交通信息，得到相对分流比例、相对信息服从率指标；利用基准交通状态将相对信息服从率换算成信息服从率；建立驾驶员响应行为模型，回归得到稳态模型系数；根据稳态模型系数、分流点上下游检测交通流量，利用自适应卡尔曼滤波技术实时更新模型系数，实现对驾驶员响应行为的自动辨识。本发明充分利用了多源检测交通数据，提高了交通行为数据采集的可靠性，节约了成本，为实施主动式智能交通诱导奠定了基础。

主权项

1. 一种用于群体诱导信息下驾驶员响应行为的辨识方法，其特征在于，该方法包括以下步骤：步骤一：交通信息采集与处理一、交通信息采集交通信息采集包括外场交通检测信息、可变情报板所发布的交通信息和道路交通网络属性信息；交通检测信息包括断面交通流量数据、区间行程车速数据，可由外场环形线圈检测器、微波检测器、超声波检测器、地磁检测器、车牌识别设备、浮动车采集设备中的一个或多个，结合视频联动确认的摄像机检测设备采集得到；道路交通网络属性信息包括道路属性信息、外场交通检测和可变情报板的布设信息；交通状态分为畅通，速度值介于40～90km/h；拥挤，速度介于20～40km/h；阻塞，速度介于0～20km/h；行程时间信息包括主路径和替换路径的行程时间，精度在85%以上；交通事故信息用交通问题的性质和交通问题的严重程度作为表征信息的两个属性，交通问题的性质分为“常规交通状态信息”和“偶发事件信息”两个水平，交通问题的严重程度分为轻微、中等、严重三个水平；交通状态和事故信息采集采用自动检测和视频联动确认相结合的方式；二、交通检测信息处理    ①、出行场景描述可变情报板在时刻切换发布交通信息内容，此时前后信息发布内容不同，当上游可变情报板在至时刻提供交通信息时，第一个驾驶员看到交通信息，并保持原路径在至时刻到达下游位置，其中，为交通拥挤引起的排队未到达下游检测设备位置的情况下，驾驶员到达下游位置的时刻；为交通拥挤引起的排队到达下游检测设备位置的情况下，驾驶员到达下游位置的时刻，最后一个驾驶员看到交通信息，并保持原路径在至时刻到达下游位置，其中，为交通拥挤引起的排队已经消散的情况下，驾驶员到达下游位置的时刻；为交通拥挤引起的排队没有消散的情况下，驾驶员到达下游位置的时刻，等待时间设置为驾驶员从看到交通信息到分流点上游检测设备的时间，可变情报板所显示的交通信息的时间为，为起始时刻和终止时刻之差，即，   ②、计算分流点的分流比例分流点处正常情况下的分流比例为匝道流量与主线总流量之比，见下式，其中，为主线流量，匝道流量为主线总流量与主线流量的差，当分流点下游出现拥挤时，分流点处分流比例计算公式见下式，③、计算相对分流比例相对分流比例是交通信息切换后的分流比例和信息切换前的分流比例的差，计算式如下，④、计算交通信息切换后驾驶员改道量、相对信息服从率和信息服从率，交通信息切换后驾驶员改道量是相对分流比例与每小时的平均流量之积，计算式如下，其中，、交通信息切换前、后的分流点上游主线总流量，相对信息服从率是交通信息切换后驾驶员改道量与信息切换前主线流量的比值，计算公式如下，信息服从率是以基准交通信息为基础经过m次信息切换的相对信息服从率之和，计算式如下，其中，交通状态信息以交通畅通为基准；行程时间信息以两条路径行程时间差0为基准，步骤二：驾驶员响应行为模型建立本发明采用logit模型形式建立一个群体诱导信息下驾驶员响应行为模型，公式如下，式中，是分流点处时刻的信息服从率；表示分流点处时刻影响驾驶员响应行为的第因素，包括交通信息有无，行程时间、交通状态、交通事故，交通信息覆盖空间范围，协调分流影响，联系主路径和替换路径匝道交通状况，分流点下游交通拥挤的可视性，工作日、非工作日、早高峰和非早高峰，天气情况；和是分流点处时刻的模型系数；是随机误差项，；步骤三：模型系数更新本发明采用自适应卡尔曼滤波理论，建立自动辨识驾驶员响应行为模型系数和分流点时变交通分流比例的关系，用于驾驶员响应行为模型系数的更新，其中，驾驶员响应行为模型用于确定可变情报板诱导信息对驾驶员响应行为的影响，并用于校正联系主路径和替换路径的下匝道分流交通量和分流比例，同时，分流点上、下游主线交通流量用于预估时变分流比例，涉及的随机误差项可采用自适应卡尔曼滤波技术更新，模型系数自动更新方法步骤如下，1）建立自动辨识驾驶员响应行为模型系数和分流点时变交通分流比例的关系，包括主线检测交通量和分流比例的动态关系和驾驶员响应行为模型时变系数和信息服从率的关系，主线检测交通量和分流比例的动态关系可归纳为两组方程，第一个方程为分流比例转移方程，见下式，第二个方程是测量方程，描述了分流比例和主线检测交通量之间的时空关系，见下式，其中，是分流点处时刻的下匝道交通量向量，其中是分流点处时刻的分流比例向量，是分流点处时刻分流点上游主线交通量向量；是分流点处时刻可变情报板诱导信息影响下改道交通量向量，可由估计得到，其中是分流点处时刻分流点下游主线交通量向量，表示分流点处时刻的信息服从率向量；是分流点处时刻的可变情报板诱导信息影响下匝道交通量向量；，是随机误差项向量，,，可变情报板诱导信息下的驾驶员响应行为模型线性化方程，见下式，式中，是分流点处时刻的信息服从率；表示分流点处时刻影响驾驶员响应行为的第因素，包括交通信息有无，行程时间、交通状态、交通事故，交通信息覆盖空间范围，协调分流影响，联系主路径和替换路径匝道交通状况，分流点下游交通拥挤的可视性，工作日、非工作日、早高峰和非早高峰，天气情况；和是分流点处时刻的模型系数；是随机误差项，，驾驶员响应行为模型时变系数和信息服从率的关系也可归纳为两组方程，第一个方程是模型系数转移方程，见下式，第二个方程是信息服从率测量方程，见下式，式中，是分流点处时刻的驾驶员响应行为模型系数向量；是自回归过程的阶数，是自回归属性矩阵，用于反映时刻系数向量对时刻的影响；为分流点处时刻的驾驶员响应行为的影响因素向量；,为随机误差向量，,；2）利用步骤一中得到的一定时段各分流点对应的信息服从率、分流比例数据，以及步骤二中归纳出的影响驾驶员响应行为的因素数据，统计、回归得到模型系数更新所需的初始值；3）设置初始时间为0，时间更新步长为1，终止时间为，设置当前时间为；4）利用驾驶员响应行为模型估计可变情报板诱导信息影响下改道交通量，并根据检测到的主线交通量和分流比例的转移方程估计可变情报板诱导信息影响下改道交通量，采用自适应卡尔曼滤波技术更新驾驶员响应行为模型系数；5）利用更新系数后的驾驶员响应行为模型和检测到的主线交通量估计可变情报板诱导信息影响下实际分流比例，采用自适应卡尔曼滤波技术更新分流比例转移方程；6）判断当前时间是否小于终止时间，如果是，则更新当前时间为当前时间加时间更新步长1，返回到第四步；如果不是，则模型系数更新算法结束，这样可以实时得到各分流点各时间的驾驶员响应行为模型系数，实现对驾驶员响应行为的自动辨识。