Data-Driven Modelling of Car-Following Behavior in the Approach of Signalized Urban Intersections

Data-Driven Modelling of Car-Following Behavior in the Approach of Signalized Urban Intersections

文章发表在2021 IEEE Intelligent Transportation Systems Conference

摘要

对虚拟测试和自动驾驶系统的开发越来越重视，这意味着对虚拟测试环境的准确性要求很高。特别是被测车辆周围的交通参与者必须有真实地表现，以便将模拟的测试结果与现实进行比较，达到验证的目的。因此，在本文中，我们将扩展的浮动汽车数据与交通灯信号数据相结合，并提出了一个基于数据驱动的CNN-LSTM模型，以复制汽车在接近交通灯驱动的十字路口时的跟随行为。该模型考虑了人类的特点，如记忆效应以及反应延迟。所提议的模型的性能与现有的固定形式模型IDM和FVD模型的扩展进行了比较，后者涉及到城市信号灯交叉口的接近。分析结果表明，所开发的模型在复制汽车跟踪轨迹数据方面优于固定形式的模型，特别是在司机被红灯逼停的情况下。

模型结构

所提到的时间短时记忆效应是由RNNs解决的，它能够处理输入参数的时间序列，以学习它们的时间特征和依赖关系。特别是LSTM网络已被证明适合于再现人类的汽车跟踪特征[7], [8]。为了涉及记忆效应和反应延迟，我们定义了一个具有延迟输入的CNN-LSTM模型，以捕捉进入交通灯驱动的交叉口的汽车跟随行为。表一显示了所开发模型的结构。我们进行了几次实验来优化所提出的模型的结构。该模型的优化布局包括一个Conv1D层，两个LSTM层，每个128个单元