基于神經(jīng)網(wǎng)絡(luò)的車輛跟馳模型

王振文

摘要：本文提出了一種改進(jìn)的車輛跟馳模型?；谏窠?jīng)網(wǎng)絡(luò)的原理，在戰(zhàn)略、戰(zhàn)術(shù)和具體操作三個(gè)層次上對(duì)駕駛員行為進(jìn)行全方位的分析，借助于速度、加速度、反應(yīng)時(shí)間、 GPS 數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選取合適的神經(jīng)網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)以及合適的訓(xùn)練方法，利用誤差反向傳播（ BP）算法，可以很好地實(shí)現(xiàn)對(duì)未來一個(gè)時(shí)刻車輛行為的預(yù)測(cè)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 車輛跟馳 智能系統(tǒng)

中圖分類號(hào)：U491 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0081-01

引言

微觀模型越來越多的被應(yīng)用于評(píng)估新的智能運(yùn)輸系統(tǒng)。車輛跟馳模型就是其中之一[3]。車輛跟馳模型基于這樣的假設(shè)：后車司機(jī)受到一系列變量的影響，車輛的行駛受到人的影響最大，所以建立模型實(shí)際上就是將人的駕駛技巧轉(zhuǎn)化成智能系統(tǒng)。為了得到高保真度的微型仿真，人們主要是研究戰(zhàn)術(shù)層面的行為。

1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN），一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[1]。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對(duì)應(yīng)的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。

2 車輛跟馳行為分析

人的駕駛行為可以分為三個(gè)層次：分別是：戰(zhàn)略、戰(zhàn)術(shù)和具體操作。戰(zhàn)略的駕駛行為主要是路線的規(guī)劃，戰(zhàn)術(shù)的駕駛行為就是實(shí)現(xiàn)短期的目標(biāo)，比如：超車，換道等，操作層面的駕駛行為就是具體的動(dòng)作如：方向盤旋轉(zhuǎn)，剎車行為等。車輛跟馳行為具有很強(qiáng)的非線性特性[2]。

ANN（artificial neural networks）可以用來解決復(fù)雜和不明確的問題。

基于數(shù)據(jù)的學(xué)習(xí)可以提取出數(shù)據(jù)中輸出與輸入之間的關(guān)系，它們之間的關(guān)系是復(fù)雜的、非線性的、難以精確獲得的。而神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)提取出數(shù)據(jù)之間蘊(yùn)藏的規(guī)律，以較高的精度來預(yù)測(cè)將來的數(shù)據(jù)。

對(duì)車輛跟馳行為更加精確的模擬應(yīng)該考慮到人反應(yīng)的非線性和人感知的局限性。也就是說，駕駛員不能精確地感知相對(duì)速度和距離，做出決定的過程是非線性的。人工神經(jīng)網(wǎng)絡(luò)可以找到駕駛員感知到的變量和駕駛員控制動(dòng)作變量之間的映射關(guān)系。這使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬和預(yù)測(cè)駕駛員的行為。

3 數(shù)值仿真

訓(xùn)練時(shí)，實(shí)驗(yàn)選取了27組輸入變量（每組輸入變量有三個(gè)元素），每組輸入變量會(huì)有一個(gè)理想輸出。也就是說，一共有27個(gè)輸出值構(gòu)成了一個(gè)行向量。用來檢測(cè)的輸入向量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，同樣輸出27個(gè)元素的行向量。在MATLAB中畫出這兩個(gè)向量，進(jìn)行比較，得出訓(xùn)練效果。圖1表示訓(xùn)練值與理想值的偏差，誤差絕對(duì)值可控制在30個(gè)單位之內(nèi)，圖2表示預(yù)測(cè)值與實(shí)際值的位置坐標(biāo)。

4 結(jié)語

本文針對(duì)傳統(tǒng)車輛跟馳模型存在的預(yù)測(cè)不準(zhǔn)確，計(jì)算繁雜，實(shí)用性不高等缺點(diǎn)，提出了基于神經(jīng)網(wǎng)絡(luò)的車輛跟馳模型，首先分析了神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和領(lǐng)域，其次分析了神經(jīng)網(wǎng)絡(luò)在車輛跟馳模型上應(yīng)用的可行性，最后通過MATLAB數(shù)值仿真驗(yàn)證理論的正確性，證明了神經(jīng)網(wǎng)絡(luò)的方法可以提高模型預(yù)測(cè)的準(zhǔn)確性。

參考文獻(xiàn)

[1]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006：20-25，87.

[2]Khodayari A， Ghaffari A， Kazemi R， et al. A modified car-following model based on a neural network model of the human driver effects[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 2012， 42（6）： 1440-1449.

[3]黃婧祎.車車通信環(huán)境下耦合映射跟馳模型與超網(wǎng)絡(luò)研究[D].上海：同濟(jì)大學(xué)，2013.