基于机器学习的车辆智能跟驰研究

作     者：徐凌峰 

作者单位：安徽工程大学 

学位级别：硕士

导师姓名：高洪;贡军

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 080204[工学-车辆工程] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：车辆跟驰 机器学习 LSTM神经网络 Bi-LSTM NGSIM 仿真分析 

摘      要：在城市道路交通拥挤时,前后车辆无法通过换道实现超车,严重阻碍了车辆顺畅通行,因此对车辆跟驰行为的研究已成为解决道路交通拥堵和安全问题的关键。基于大量车辆行驶轨迹数据,综合考虑驾驶员、道路和车辆间的交互信息,揭示车辆行驶特性已成为智能交通系统研究的热点。而通过真实的车辆行驶数据,基于机器学习理论拟合高精度的车辆跟驰模型,对实现无人驾驶环境下的道路交通顺畅和高安全性要求具有重要意义。为此,结合理论车辆跟驰模型,考虑车辆行驶数据的时序性,分别建立了基于LSTM和Bi-LSTM神经网络的车辆跟驰模型,使用处理后的NGSIM数据集训练该神经网络,以舒适性和安全性作为跟驰模型的评价标准,对训练后的神经网络预测精度予以比较并对Bi-LSTM跟驰模型进行优化。主要内容和创新点如下:（1）基于LSTM神经网络车辆跟驰模型架构设计。在车辆跟驰过程研究中,单一理论驱动车辆跟驰模型难以刻画较为复杂的车辆跟驰行为以及单一的数据驱动车辆跟驰模型缺乏明确的物理意义。为此,在结合GM理论跟驰模型的基础上,确定LSTM神经网络跟驰模型输入为跟驰车速度、前导车速度和车间距,输出为跟驰车加速度,进而建立隐含层为3层LSTM单元且具有驾驶员记忆效应的LSTM神经网络车辆跟驰模型。（2）跟驰模型训练数据处理方法和验证。为提高通行的NGSIM数据集在模型训练中的信度和精度,采用Matlab软件中的smooth函数对数据进行平滑处理,以降低原始数据中的噪声。然后,为保证跟驰行为的一致性选用小型车、单一车道和跟驰时间大于45s的车辆跟驰数据,并进行车辆跟驰特性验证。最后,将驾驶员反应时间定为1s继续筛选车辆跟驰数据并归一化处理。（3）基于LSTM神经网络车辆跟驰模型的训练和评价。通过LSTM神经网络训练算法的误差传递过程的理论分析,结合车辆跟驰行为的特点,确定以sigmoid为激活函数,并筛选确定学习率、批大小和最大迭代次数分别为0.001、128和2000;针对MSE损失函数,以Adam函数为优化器对LSTM车辆跟驰模型进行训练。另外,设计了具有相同优化器和超参数的BP神经网络车辆跟驰模型。以舒适性和安全性作为评价标准,对两种神经网络的比较结果表明LSTM车辆跟驰预测模型具有更高的可靠性。（4）Bi-LSTM跟驰模型的建立及优化。考虑到车辆跟驰行为具有正反向时间依赖性,即当前时刻跟驰状态会受到前序和后续状态的影响,为此提出Bi-LSTM车辆跟驰预测模型,加入对数据序列的反向学习,保证跟驰数据充分训练,提高预测精度。根据设计的模型架构和参数进行训练和仿真对比得出,Bi-LSTM跟驰模型优于仅考虑单向数据依赖性的LSTM跟驰模型。为了继续提高Bi-LSTM跟驰模型预测精度,通过对设计的Bi-LSTM跟驰模型进行优化器选择和超参数优化,得出使用Adam函数、隐含层数设置为4层、隐层节点数设置为16个和截断步数为8个时Bi-LSTM跟驰模型预测精度最高的结论。