無信號交叉口自行車沖突避讓行為仿真模型的建模方法
【專利摘要】本發(fā)明公開了一種無信號交叉口自行車沖突避讓行為仿真模型的建模方法，包括如下步驟：1）獲取無信號交叉口視頻數(shù)據(jù)；2）對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析??；3）對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建自行車沖突避讓行為數(shù)據(jù)庫；4）構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型；5）根據(jù)所述模型進(jìn)行數(shù)據(jù)處理，形成訓(xùn)練樣本和驗證樣本；6）進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練；7）對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證。本發(fā)明形成一種基于神經(jīng)網(wǎng)絡(luò)技術(shù)的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，可以利用實測數(shù)據(jù)為混合交通流無信號交叉口的自行車與機動車、自行車、行人的沖突避讓行為進(jìn)行快速、有效仿真模型建模，為我國城市混合交通流無信號交叉口仿真模型開發(fā)奠定基礎(chǔ)，具有實際推廣價值。
【專利說明】無信號交叉口自行車沖突避讓行為仿真模型的建模方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及交通仿真建模的【技術(shù)領(lǐng)域】，尤其是指一種無信號交叉口自行車沖突避讓行為仿真模型的建模方法。
【背景技術(shù)】
[0002]自行車是一種人力驅(qū)動，相對低速、靈活的交通出行方式，其行駛線路與方式和基于車道行駛的機動車截然不同。
[0003]在中國城市，混合交通流交叉口中存在大量的機非沖突，尤其在無信號交叉口，但交通流量較大時，自行車在機動車和行人之間靈活穿行，這些現(xiàn)象不僅對交通安全，對交叉口通行能力和服務(wù)水平也有很大影響。對混合交通流無信號交叉口自行車沖突避讓行為進(jìn)行有效的建模，可為開發(fā)我國城市混合交通流微觀仿真模型提供重要的理論模型基礎(chǔ)，但目前對此類自行車的行為建模的研究還很少。
[0004]目前，對于自行車在交叉口的沖突避讓行為研究大多集中于自行車穿越?jīng)_突機動車流動間隙接受行為，也有少數(shù)針對自行車在信號交叉口的跟馳行為。實際上，當(dāng)自行車在無信號交叉口預(yù)期遇到某個沖突車輛或行人時，通常會考慮轉(zhuǎn)彎配合加減速來減少沖突和延遲，因此間隙接受理論并不太適用于無信號交叉口自行車行為建模。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種行之有效、科學(xué)合理的無信號交叉口自行車沖突避讓行為仿真模型的建模方法。
[0006]為實現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為:無信號交叉口自行車沖突避讓行為仿真模型的建模方法，包括以下步驟:
[0007]I)獲取無信號交叉口視頻數(shù)據(jù)
[0008]利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲得混合交通流無信號交叉口自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)；
[0009]2)對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取
[0010]利用視頻分析軟件或人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)；
[0011]3)對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建自行車沖突避讓行為數(shù)據(jù)庫
[0012]對步驟2)所析取的動態(tài)軌跡數(shù)據(jù)進(jìn)行處理，計算自行車、其他相關(guān)車輛和行人的速度、加速度值；
[0013]4)構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型
[0014]采用BP神經(jīng)網(wǎng)絡(luò)模型，確定模型的輸入節(jié)點、輸出節(jié)點、隱層數(shù)目和相應(yīng)的隱層節(jié)點數(shù)，從而構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型；
[0015]5)根據(jù)步驟4)構(gòu)建的模型進(jìn)行數(shù)據(jù)處理，形成訓(xùn)練樣本和驗證樣本
[0016]根據(jù)所述模型的輸入和輸出變量，對自行車沖突避讓行為數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理，形成神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫,并將樣本劃分為兩部分,形成BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和驗證樣本；
[0017]6)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
[0018]利用所述訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0019]7)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證
[0020]利用所述驗證樣本對上述已經(jīng)訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證，將模型輸出結(jié)果與驗證樣本結(jié)果進(jìn)行誤差分析。
[0021 ] 在步驟2)中，所述動態(tài)軌跡數(shù)據(jù)主要指車輛或行人從進(jìn)入交叉口到離開交叉口，以某個時間間隔Λ T所處的位置(Xi，Yi)和對應(yīng)的時刻Ti，其中Λ Τ〈0.5秒。
[0022]在步驟4)中，采用Matlab軟件構(gòu)建所述自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，其輸入節(jié)點為8個，隱層2個，節(jié)點均為8個，輸出節(jié)點為2個。
[0023]在步驟5)中，所述樣本總數(shù)不少于3000個，取1/3樣本用于訓(xùn)練，余下用于驗證。
[0024]在步驟6)中，采用Matlab軟件進(jìn)行所述BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。
[0025]在步驟7)中，采用模擬自行車動態(tài)軌跡(Xi，Yi)的平均絕對誤差(MAE)作為誤差分析指標(biāo)。
[0026]本發(fā)明所述無 信號交叉口自行車沖突避讓行為仿真模型的建模方法，其具體情況如下:
[0027]首先，利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲取混合交通流無信號交叉口中自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)，視頻圖像要能展現(xiàn)整個交叉口的圖像，且無遮擋；
[0028]利用VSpeed軟件或采用人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)；所述動態(tài)軌跡數(shù)據(jù)主要指車輛或行人從進(jìn)入交叉口到離開交叉口，以某個時間間隔AT析取其所處的位置(XiJi)和對應(yīng)的時刻Ti,其中，Λ T通常取0.2秒，最大不超過0.5秒；同時，對每個動態(tài)軌跡數(shù)據(jù)記錄下對應(yīng)的沖突ID，車輛ID，車輛類型，目標(biāo)自行車騎車者性別的信息；
[0029]對上述所析取的動態(tài)軌跡數(shù)據(jù)(XpYi, Ti)進(jìn)行相應(yīng)的處理，計算各動態(tài)軌跡對應(yīng)的速度和加速度值；Ti時刻的速度矢量Vi= (Vxi, Vyi)，其中:
[0030]Vxi= (X1-X1-!) /AT
[0031]Vyi=(Y1-Yi^1)ZAT
[0032]式中，Λ T為數(shù)據(jù)析取時間間隔，單位為s ;Xp Yi分別為Ti時刻X，Y軸軌跡坐標(biāo)，單位為m ；VXi, Vyi分別為Ti時刻X，Y軸方向速度分量，單位為m/s ；
[0033]而車輛在Ti時刻的加速度矢量Ai= (Axi, Ayi)，其中:
[0034]Axi=(Vx1-Vx^1)/ Δ T
[0035]Ayi=(Vy1-Vyi^1)/ Δ T
[0036]構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，采用Matlab軟件構(gòu)建所述自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，其輸入節(jié)點為8個，隱層2個，節(jié)點均為8個，輸出節(jié)點為2個，所述模型的8個輸入變量分別為:
[0037]①沖突車類型變量Ctype
[0038]沖突車類型變量Ctype主要表現(xiàn)與自行車沖突車輛c的類型，可根據(jù)車型占地面積比例來確定各類型車輛類型變量數(shù)值；
[0039]②騎車者性別G
[0040]指自行車b騎車者性別，男性G=I，女性G=O ；
[0041 ]③Ti時刻相對距離X分量Λ Xi
[0042]指沖突車輛c相對于自行車b的相對距離在X軸的分量，即:
[0043]Δ Xi=Xc1-Xbi
[0044]式中，Xbp Xci分別為自行車b與沖突車輛c在時刻Ti的X軸坐標(biāo)；
[0045]④Ti時刻相對距尚Y分量Λ Yi
[0046]指沖突車輛c相對于自行車b的相對距離在Y軸的分量，即:
[0047]Δ Yi=Yc1-Ybi
[0048]式中，Ybp Yci分別為自行車b與沖突車輛c在時刻Ti的Y軸坐標(biāo)；
[0049]⑤Ti時刻相對速度X分量Λ Vxi
[0050]指沖突車輛c相對于自行車b的相對速度在X軸的分量，即:
[0051]Δ Vxi=Vcx1-Vbxi
[0052]式中，VbX1、Vcxi分別為自行車b與沖突車輛c在時刻Ti的X軸分量速度值；
[0053]⑥Ti時刻相對速度Y分量Λ Vyi
[0054]指沖突車輛c相對于自行車b的相對速度在Y軸的分量，即:
[0055]Δ Vyi=Vcy1-Vbyi
[0056]式中，Vby1、Vcyi分別為自行車b與沖突車輛c在時刻Ti的Y軸分量速度值；
[0057]⑦期望相對速度X分量Λ V’ Xi
[0058]指自行車b當(dāng)前實際速度相對期望速度Vb’的矢量差在X軸的分量，即:
[0059]Δ Vxi=Vxb1- Vx，！
[0060]式中，Vxbi為自行車b在時刻Ti的X軸分量速度值，Vx’ i為自行車b在時刻Ti的期望速度，其計算公式為:
[0061]Yxf J=(X11-Xbi)Z(VTi)
[0062]式中，Xd為自行車b在時刻Td的X軸坐標(biāo)，Td為自行車b離開交叉口的時刻；
[0063]⑧期望相對速度Y分量Λ V’ Yi
[0064]指自行車b當(dāng)前實際速度相對期望速度Vb’的矢量差在Y軸的分量，即:
[0065]Δ Vyi=Vyb1- Yyf t
[0066]式中，Vxbi為自行車b在時刻Ti的Y軸分量速度值，Vy’ i為自行車b在時刻Ti的期望速度，其計算公式為:
[0067]Vy ’ F(X11-Ybi)/(T11-Ti)
[0068]式中，Yd為自行車b在時刻Td的Y軸坐標(biāo)，Td為自行車b離開交叉口的時刻；
[0069]所述模型的2個輸出變量分別為:
[0070]①時刻Ti時自行車b的加速度X軸分量Axi ；
[0071 ]②時刻Ti時自行車b的加速度Y軸分量Ayi ；
[0072]根據(jù)上述模型的輸入和輸出變量定義和計算公式，對自行車沖突避讓行為數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理，形成的神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫；
[0073]所述神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫樣本總數(shù)不少于3000個，將1/3樣本作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，余下的作為BP神經(jīng)網(wǎng)絡(luò)模型的驗證樣本；
[0074]利用Matlab軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，并利用上述訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為5000次；
[0075]利用驗證樣本數(shù)據(jù)對已經(jīng)訓(xùn)練好的模型進(jìn)行驗證，對每一個沖突情形k，在進(jìn)行模型驗證前要進(jìn)行初始化，即自行車進(jìn)入交叉口的初始位置和速度與第一個實測數(shù)據(jù)一樣，即:
[0076]Xb^1=Xb1, Yb^1=Yb1
[0077]Vbx^1=Vbx1, Vby^1=Vby1
[0078]再確定和計算相應(yīng)的輸入變量，包括:Ctype，G，Λ Xi, Λ Yi, Λ Vxi, Δ Vyi, Δ Vxi,Λ V’ Yi ;將這些變量輸入自行車沖突避讓神經(jīng)網(wǎng)絡(luò)模型，模型輸出Ti時刻自行車b的加速度Axi和Ayi ;然后再計算得出Ti+1時刻自行車b的模型速度Vb*和位移(Xb*” Yb*)，其中:
[0079]Vbx^^^V^Xi+AXi X Δ T
[0080]Vby=Iv1=V^yfAyi X Δ T
[0081]類似地:
[0082]X Δ T
[0083]Y*.+1=Y*.+V*yi X Δ T
[0084]誤差分析指標(biāo)為自行車動態(tài)軌跡(Xi, Yi)的平均絕對誤差(MAE)，即:
[0085]MAEx= Σ ( I X^1-Xi I ) /n
[0086]MAEy= Σ ( I Y^1-Yi I ) /n
[0087]式中，MAEx、MAEy分別為自行車模型在X、Y軸的平均絕對誤差分量；X*1、Y^i分別為時刻Ti模型軌跡X、Y軸坐標(biāo)；X1、Yi分別為時刻Ti實測的自行車軌跡X、Y軸坐標(biāo)；n為驗證樣本數(shù)量。
[0088]本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點與有益效果:
[0089]1、本發(fā)明方法可對城市道路中各類型無信號交叉口(如十字交叉口、T形交叉口、異形交叉口、環(huán)形交叉口等)中的自行車與各類車輛(包括各類機動車、三輪自行車、電動自行車、自行車、畜拉車等)和行人的沖突避讓行為進(jìn)行仿真建模；
[0090] 2、本發(fā)明方法簡單易行，應(yīng)用該方法可對我國城市無信號交叉口自行車沖突避讓行為進(jìn)行仿真建模，為開發(fā)我國城市混合交通流無信號交叉口微觀仿真模型奠定基礎(chǔ)，為我國城市無信號交叉口仿真分析提供基礎(chǔ)，因此本發(fā)明具有很大的實際推廣價值。
【專利附圖】

【附圖說明】
[0091]圖1為本發(fā)明的一個實施例的步驟框架圖。
[0092]圖2為本發(fā)明的一個實施例的交叉口示意圖。
[0093]圖3為本發(fā)明的一個實施例的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。
[0094]圖4為本發(fā)明的一個實施例的訓(xùn)練樣本計算流程圖。
[0095]圖5為本發(fā)明的一個實施例的行為模型驗證流程框圖。
[0096]圖6為本發(fā)明的一個實施例的自行車軌跡比較圖。
【具體實施方式】[0097]下面結(jié)合具體實施例對本發(fā)明作進(jìn)一步說明。
[0098]如圖1所示，本實施例無信號交叉口自行車沖突避讓行為仿真模型的建模方法，包括以下步驟:
[0099]I)獲取無信號交叉口視頻數(shù)據(jù)
[0100]利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲得混合交通流無信號交叉口自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)；
[0101]2)對視頻 數(shù)據(jù)進(jìn)行數(shù)據(jù)析取
[0102]利用專業(yè)的視頻分析軟件或人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)；
[0103]3)對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建自行車沖突避讓行為數(shù)據(jù)庫
[0104]對步驟2)所析取的動態(tài)軌跡數(shù)據(jù)進(jìn)行處理，計算自行車、其他相關(guān)車輛和行人的速度、加速度值；
[0105]4)構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型
[0106]采用BP神經(jīng)網(wǎng)絡(luò)模型，確定模型的輸入節(jié)點、輸出節(jié)點、隱層數(shù)目和相應(yīng)的隱層節(jié)點數(shù)，從而構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型；
[0107]5)根據(jù)步驟4)構(gòu)建的模型進(jìn)行數(shù)據(jù)處理，形成訓(xùn)練樣本和驗證樣本
[0108]根據(jù)所述模型的輸入和輸出變量，對自行車沖突避讓行為數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理，形成神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫,并將樣本劃分為兩部分,形成BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和驗證樣本；
[0109]6)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
[0110]利用所述訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0111]7)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證
[0112]利用所述驗證樣本對上述已經(jīng)訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證，將模型輸出結(jié)果與驗證樣本結(jié)果進(jìn)行誤差分析。
[0113]本發(fā)明方法可對城市道路中各類型無信號交叉口(如十字交叉口、T形交叉口、異形交叉口、環(huán)形交叉口等)中的自行車與各類車輛(包括各類機動車、三輪自行車、電動自行車、自行車、畜拉車等)和行人的沖突避讓行為進(jìn)行仿真建模。其具體情況如下:
[0114]首先，利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲取混合交通流無信號交叉口中自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)，視頻圖像要能展現(xiàn)整個交叉口的圖像，且無遮擋。
[0115]利用VSpeed軟件或采用人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)；所述動態(tài)軌跡數(shù)據(jù)主要指車輛或行人從進(jìn)入交叉口到離開交叉口，以某個時間間隔AT析取其所處的位置(XiJi)和對應(yīng)的時刻Ti,其中，Λ T通常取0.2秒，最大不超過0.5秒；同時，對每個動態(tài)軌跡數(shù)據(jù)記錄下對應(yīng)的沖突ID，車輛ID，車輛類型，目標(biāo)自行車騎車者性別等信息。
[0116]對上述所析取的動態(tài)軌跡數(shù)據(jù)(XpYi, Ti)進(jìn)行相應(yīng)的處理，計算各動態(tài)軌跡對應(yīng)的速度和加速度值；Ti時刻的速度矢量Vi= (Vxi, Vyi)，其中:
[0117]Nxi=(X1-X1^1)/ Α?
[0118]Vyi=(Y1-Yi^1)ZAT[0119]式中，Λ T為數(shù)據(jù)析取時間間隔，單位為s ;X1、Yi分別為Ti時刻X，Y軸軌跡坐標(biāo)，單位為m ；VXi, Vyi分別為Ti時刻X，Y軸方向速度分量，單位為m/s。
[0120]而車輛在Ti時刻的加速度矢量Ai= (Axi, Ayi),其中:
[0121]Axi=(Vx1-Vx^1)/ Δ T
[0122]Ayi=(Vy1-Vyi^1)/ Δ T
[0123]構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，采用Matlab軟件構(gòu)建所述自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，其輸入節(jié)點為8個，隱層2個，節(jié)點均為8個，輸出節(jié)點為2個。所述模型的8個輸入變量分別為:
[0124]①沖突車類型變量Ctype
[0125]沖突車類型變量Ctype主要表現(xiàn)與自行車沖突車輛c的類型，可根據(jù)車型占地面
積比例來確定各類型車輛類型變量數(shù)值，如下表所示:
[0126]
【權(quán)利要求】
1.無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于，包括以下步驟: 1)獲取無信號交叉口視頻數(shù)據(jù) 利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲得混合交通流無信號交叉口自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)； 2)對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取 利用視頻分析軟件或人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)； 3)對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建自行車沖突避讓行為數(shù)據(jù)庫 對步驟2)所析取的動態(tài)軌跡數(shù)據(jù)進(jìn)行處理，計算自行車、其他相關(guān)車輛和行人的速度、加速度值； 4)構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型 采用BP神經(jīng)網(wǎng)絡(luò)模型，確定模型的輸入節(jié)點、輸出節(jié)點、隱層數(shù)目和相應(yīng)的隱層節(jié)點數(shù)，從而構(gòu)建自行車沖突 避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型； 5)根據(jù)步驟4)構(gòu)建的模型進(jìn)行數(shù)據(jù)處理，形成訓(xùn)練樣本和驗證樣本 根據(jù)所述模型的輸入和輸出變量，對自行車沖突避讓行為數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理，形成神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫，并將樣本劃分為兩部分,形成BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和驗證樣本； 6)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練 利用所述訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 7)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證 利用所述驗證樣本對上述已經(jīng)訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗證，將模型輸出結(jié)果與驗證樣本結(jié)果進(jìn)行誤差分析。
2.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:在步驟2)中，所述動態(tài)軌跡數(shù)據(jù)主要指車輛或行人從進(jìn)入交叉口到離開交叉口，以時間間隔Λ T所處的位置(Xi，Yi)和對應(yīng)的時刻Ti，其中Λ T〈0.5秒。
3.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:在步驟4)中，采用Matlab軟件構(gòu)建所述自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，其輸入節(jié)點為8個，隱層2個，節(jié)點均為8個，輸出節(jié)點為2個。
4.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:在步驟5)中，所述樣本總數(shù)不少于3000個，取1/3樣本用于訓(xùn)練，余下用于驗證。
5.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:在步驟6)中，采用Matlab軟件進(jìn)行所述BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。
6.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:在步驟7)中，采用模擬自行車動態(tài)軌跡(Xi，Yi)的平均絕對誤差作為誤差分析指標(biāo)。
7.根據(jù)權(quán)利要求1所述的無信號交叉口自行車沖突避讓行為仿真模型的建模方法，其特征在于:首先，利用高空架設(shè)的高清攝像機或交警設(shè)置的高清攝像頭，獲取混合交通流無信號交叉口中自行車與其他車輛、行人沖突避讓行為方面的視頻數(shù)據(jù)，視頻圖像要能展現(xiàn)整個交叉口的圖像，且無遮擋； 利用VSpeed軟件或采用人工分析方法，對視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)析取，獲得無信號交叉口中自行車及相關(guān)沖突車輛和行人的動態(tài)軌跡數(shù)據(jù)；所述動態(tài)軌跡數(shù)據(jù)主要指車輛或行人從進(jìn)入交叉口到離開交叉口，以時間間隔Λ T析取其所處的位置(XiJi)和對應(yīng)的時刻Ti，其中，Λ T通常取0.2秒，最大不超過0.5秒；同時，對每個動態(tài)軌跡數(shù)據(jù)記錄下對應(yīng)的沖突ID，車輛ID，車輛類型，目標(biāo)自行車騎車者性別的信息； 對上述所析取的動態(tài)軌跡數(shù)據(jù)(XpYi, Ti)進(jìn)行相應(yīng)的處理，計算各動態(tài)軌跡對應(yīng)的速度和加速度值Ji時刻的速度矢量Vi= (Vxi, Vyi),其中:
Vxi=(X1-Xi^1)ZAT
Vyi=(Y1-Y1-1)/AT 式中，Λ T為數(shù)據(jù)析取時間間隔，單位為S ;X1、Yi分別為Ti時刻X，Y軸軌跡坐標(biāo)，單位為m ；VXi, Vyi分別為Ti時刻X，Y軸方向速度分量，單位為m/s ; 而車輛在Ti時刻的加速度矢量Ai= (Axi, Ayi),其中:
Axi=(Vx1-Vx^1)/ Δ T
Ayi=(Vy1-Vyi^1)/ Δ T 構(gòu)建自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，采用Matlab軟件構(gòu)建所述自行車沖突避讓行為仿真神經(jīng)網(wǎng)絡(luò)模型，其輸入節(jié)點為8個，隱層2個，節(jié)點均為8個，輸出節(jié)點為2個，所述模型的8個輸入變量分別為: ①沖突車類型變量Ctype 沖突車類型變量Ctype主要表現(xiàn)與自行車沖突車輛c的類型，可根據(jù)車型占地面積比例來確定各類型車輛類型變量數(shù)值； ②騎車者性別G 指自行車b騎車者性別，男性G=I，女性G=O ； ③Ti時刻相對距離X分量ΛXi 指沖突車輛c相對于自行車b的相對距離在X軸的分量，即:
Δ Xi=Xc1-Xbi 式中，Xbp Xci分別為自行車b與沖突車輛c在時刻Ti的X軸坐標(biāo)； ④Ti時刻相對距離Y分量ΛYi 指沖突車輛c相對于自行車b的相對距離在Y軸的分量，即:
Δ Yi=Yc1-Ybi 式中，Ybp Yci分別為自行車b與沖突車輛c在時刻Ti的Y軸坐標(biāo)； ⑤Ti時刻相對速度X分量ΛVxi 指沖突車輛c相對于自行車b的相對速度在X軸的分量，即:
Δ Vxi=Vcx1-Vbxi 式中，VbX1、Vcxi分別為自行車b與沖突車輛c在時刻Ti的X軸分量速度值； ⑥Ti時刻相對速度Y分量ΛVyi 指沖突車輛c相對于自行車b的相對速度在Y軸的分量，即:Δ Vyi=Vcy1-Vbyi 式中，Vby1、Vcyi分別為自行車b與沖突車輛c在時刻Ti的Y軸分量速度值； ⑦期望相對速度X分量ΛV Xi 指自行車b當(dāng)前實際速度相對期望速度Vb’的矢量差在X軸的分量，即:
Δ Vxi=Vxb1-Yxf1 式中，Vxbi為自行車b在時刻Ti的X軸分量速度值，Vx’ i為自行車b在時刻Ti的期望速度，其計算公式為:
Vx，F(xiàn)(X11-Xbi)/(VTi) 式中，Xd為自行車b在時刻Td的X軸坐標(biāo)，Td為自行車b離開交叉口的時刻； ⑧期望相對速度Y分量ΛV Ii 指自行車b當(dāng)前實際速度相對期望速度Vb’的矢量差在Y軸的分量，即:
Δ Vyi=Vyb1- Vy’ ^ 式中，Vxbi為自行 車b在時刻Ti的Y軸分量速度值，Vy’ i為自行車b在時刻Ti的期望速度，其計算公式為: Vy，^(Xn-Ybi)Z(VTi) 式中，Yd為自行車b在時刻Td的Y軸坐標(biāo)，Td為自行車b離開交叉口的時刻； 所述模型的2個輸出變量分別為: ①時刻Ti時自行車b的加速度X軸分量Axi； ②時刻Ti時自行車b的加速度Y軸分量Ayi； 根據(jù)上述模型的輸入和輸出變量定義和計算公式，對自行車沖突避讓行為數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理，形成的神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫； 所述神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)庫樣本總數(shù)不少于3000個，將1/3樣本作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，余下的作為BP神經(jīng)網(wǎng)絡(luò)模型的驗證樣本； 利用Matlab軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，并利用上述訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為5000次； 利用驗證樣本數(shù)據(jù)對已經(jīng)訓(xùn)練好的模型進(jìn)行驗證，對每一個沖突情形k，在進(jìn)行模型驗證前要進(jìn)行初始化，即自行車進(jìn)入交叉口的初始位置和速度與第一個實測數(shù)據(jù)一樣，即:Xb^1=Xb1, Yb^1=Yb1Vbx^1=Vbx1, Vby^1=Vby1 再確定和計算相應(yīng)的輸入變量，包括:Ctype，G，Δ Xi, Δ Yi, Δ Vxi, Δ Vyi, Δ V’ Xi,Λ V’ Yi ;將這些變量輸入自行車沖突避讓神經(jīng)網(wǎng)絡(luò)模型，模型輸出Ti時刻自行車b的加速度Axi和Ayi ;然后再計算得出Ti+1時刻自行車b的模型速度Vb*和位移(Xb*” Yb*)，其中:Vbx=Iv1=V^xfAxiX Δ TVby=Iv1=A^yfAyiX Δ T類似地:
X^i+^X^i+V^XjX Δ T
Υ*?+ι=Υ*?+ν*Υ?Χ Δ T 誤差分析指標(biāo)為自行車動態(tài)軌跡(H)的平均絕對誤差，即:
MAEx= Σ ( I X^1-Xi I ) /n
【文檔編號】G06N3/02GK103942359SQ201410093172
【公開日】2014年7月23日 申請日期:2014年3月13日 優(yōu)先權(quán)日:2014年3月13日
【發(fā)明者】黃玲 申請人:華南理工大學(xué)