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，然后是三个Dense层。CNN层的选择是为了覆盖输入特征的时间模式。CNN层的激活函数是整流线性单元（ReLU），LSTM层的激活函数是双曲正切函数（tanh）。为了防止过度拟合，应用了L2-正则化和dropout。对于模型的训练，选择优化器Adam[22]作为优化算法。优化参数分配如下：学习率=0.001，β1=0.9，β2=0.999，epsilon=1e-07，衰减=0。
模型的输入与输出
所提出的模型有能力从序列长度为T s的输入序列中学习，并预测关于预测范围T p的输出加速度。为了确定最佳的输入序列长度，我们用1秒、1.2秒、1.5秒、2秒和2.5秒进行了实验。此外，输入序列还向模型提供了一个反应延迟T r。模型的预测范围T p被设定为Tr，以预测反应延迟后的输出加速度。在反应延迟为40毫秒、0.7秒、1秒、1.2秒、1.5秒和2秒的情况下进行了几次实验，以确定与各自输入序列长度相结合的最佳反应延迟。图描述了汽车跟踪模型的框架。对于每个时间步长t，输入序列根据序列长度T s进行处理，时间分辨率为Δt = 40 ms。该模型的输出是时间步长t+T r的加速度。
总结
在本文中，我们开发了一个基于CNN-LSTM架构的数据驱动的汽车跟踪模型，用于接近交通灯驱动的城市交叉口。该模型使用xFCD和交通信号状态信息的组合进行训练。为了结合人类的特点，如记忆和反应延迟，研究了CNN-LSTM模型的输入序列长度和反应延迟的几种组合，结果是序列长度为1.2秒，反应时间为0.7秒。特别是最佳反应时间表明，接近信号灯路口时，司机有高度的预期和期望，几乎没有惊喜。与基线模型IDM和FVD相比，所提出的CNN-LSTM模型在复制观察到的汽车在接近信号灯路口时的跟踪轨迹方面优于这两个固定形式的模型。我们进一步强调了CNN-LSTM模型在司机因红灯而必须停车的情况下采取汽车跟随行为的能力。