考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建...考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型(Identifiable Vehicle Type Car-Following Model,IVT-CF)。在不同前车车型的跟车场景中仿真发现,IVT-CF模型仿真车辆的速度和位移的均方误差(Mean Square Error,MSE)比不分车型的LSTM模型分别降低了23.8%、31.7%,比IDM模型分别降低了15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。展开更多
文摘考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型(Identifiable Vehicle Type Car-Following Model,IVT-CF)。在不同前车车型的跟车场景中仿真发现,IVT-CF模型仿真车辆的速度和位移的均方误差(Mean Square Error,MSE)比不分车型的LSTM模型分别降低了23.8%、31.7%,比IDM模型分别降低了15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。
