利用改进的排列熵分析结果开发基于人工智能的车辆跟随模型
阿里·穆赫辛·沙哈塔(Ali Muhssin Shahatha)和伊斯梅尔·沙欣(?smail ?ahin)
《Applied Sciences》:Developing Artificial Intelligence-Based Car-Following Models Using Improved Permutation Entropy Analysis Results
Ali Muhssin Shahatha and
?smail ?ahin
【字体:
大
中
小
】
时间:2026年04月27日
来源:Applied Sciences 2.5
编辑推荐:
摘要 车辆轨迹是时间序列,而熵是测试或量化给定序列复杂性的强大工具。熵工具通常应用于速度、加速度、空间车头时距和时间车头时距等变量,但之前的研究尚未涉及车辆位置数据。本研究的新颖之处在于首次使用改进的排列熵(IPE)来分析车辆位置数据,并将这些数据转换为有
摘要 车辆轨迹是时间序列,而熵是测试或量化给定序列复杂性的强大工具。熵工具通常应用于速度、加速度、空间车头时距和时间车头时距等变量,但之前的研究尚未涉及车辆位置数据。本研究的新颖之处在于首次使用改进的排列熵(IPE)来分析车辆位置数据,并将这些数据转换为有限的范围(0–0.3317),旨在理解车辆在跟车过程中的行为,并引入一种新的预测方法,以开发基于人工智能的跟车模型。该研究将IPE分析结果作为新的输入变量,与现有的输入变量结合,以提高这些模型的预测精度。根据人工智能模型的发展,采用了三种类型的神经网络:人工神经网络(ANNs)、长短期记忆网络(LSTMs)和Transformer模型。结果表明,所有使用所提出的预测方法(包括IPE分析结果)的模型都优于使用传统预测方法的模型。Transformer & IPE模型在预测跟随车加速度输出方面表现最佳;在RMSE、MAE、MASE和R2方面的统计显著改进百分比分别为2.04%、1.42%、1.22%和2.62%。此外,结果表明,所有使用所提出的预测方法的模型在预测跟随车加速度输出方面均优于基准智能驾驶模型(IDM)。
1. 引言
跟车建模框架旨在为不同驾驶情况下的跟车行为提供更真实的描述,以提高交通安全并更好地理解许多复杂的交通流现象[1]。跟车行为的复杂性和非线性特性要求开发智能算法来描述、建模和预测这一现象。鉴于跟车模型在交通流分析中的重要性,以及过去七十年的发展,这些模型被分为两大类:一类是数学跟车模型,另一类是基于人工智能的跟车模型[2,3,4,5]。数学跟车模型使用数学表达式基于运动学原理和清晰的物理解释来解释跟车行为[2,4],例如通用汽车(GM)模型(Cazis等人,1961年)[6]、Newell模型(Newell,1961年)[7]、Gipps模型(Gipps,1981年)[8]、智能驾驶模型(IDM)(Treiber等人,2000年)[9]和全速度差(FVD)模型(Jiang等人,2001年)[10]。由于机器学习和深度学习的发展以及大规模数据的可用性,基于人工智能的第二类跟车模型近年来逐渐出现。这些模型可以探索数据之间的关系,从而发现驾驶模式,并准确预测跟车行为[11]。Kehtarnavaz等人(1998年)[12]根据数据集训练了两种时间延迟的反向传播神经网络,一种用于速度,另一种用于转向控制;Panwai和Dia(2007年)[13]使用ANN跟车模型将感知映射到行动;Khodayari等人(2012年)[14]建立了一个以相对速度、相对距离、跟随车速度和瞬时反应延迟为输入变量的ANN模型来预测跟随车的行为;Zhou等人(2017年)[15]使用RNN(循环神经网络)结合相对速度、相对距离和跟随车速度来预测交通振荡;Huang等人(2018年)[16]应用LSTM模型结合相对速度、相对距离和跟随车速度来捕捉真实的交通流特征;Fangyu Wu和Daniel B. Work(2018年)[17]使用具有不同网络结构和不同激活函数的ANN来预测停车-起步波中的传统车辆(TVs)的跟车模型。输入变量包括相对速度、相对距离和跟随车的速度;Ma和Qu(2020年)[18]使用seq2seq LSTM模型结合相对速度、相对距离和跟随车速度来预测多步加速度/减速;Colombaroni等人(2021年)[19]使用前馈神经网络(FF)和LSTM网络来模拟传统车辆(TVs)的跟车行为。输入变量包括相对速度、相对距离和跟随车速度,他们还考虑了反应时间作为进一步的输入变量,并将反应时间视为反应持续时间和反应延迟;Zhou等人(2022年)[20]开发了一个基于迁移学习的LSTM跟车模型,以处理缺乏自适应巡航控制(ACC)驾驶数据的问题;Qu等人(2022年)[21]使用CNN-BiLSTM-Attention建立了针对联网和自动驾驶车辆(CVs和AVs)的数据驱动跟车模型,并将其与LSTM、GRU和BiLSTM进行了比较。输入变量包括相对速度、相对距离和跟随车速度。输出变量可以是跟随车的加速度,用于预测其速度和位置,或者仅是其位置;Qin等人(2023年)[22]开发了一个以相对速度、相对距离和跟随车速度为输入变量的CNN-LSTM跟车模型来预测交通流行为;Adewale和Lee(2024年)[23]开发了一个PT-LSTM跟车模型来预测自动驾驶和人工驱动混合交通中跟随车的速度。输入变量包括相对速度、相对距离和跟随车速度;Wang等人[24]提出了一个基于深度确定性策略梯度(DDPG)和神经网络架构的类人跟车模型,使用三个输入变量(相对速度、相对距离和跟随车速度)来预测跟随车加速度。所提出的模型相比IDM和ANN表现更佳。Li等人[25]提出了通过将理性驾驶约束(RDCs)整合到损失函数中的理性人工智能跟车模型增强版(RACER)和深度学习算法,以安全地预测ACC车辆。Liu等人[26]提出了一个专为配备ACC的电动车辆(EVs)设计的相位感知AI(PAAI)跟车模型。PAAI模型结合了传统的跟车框架和AI校正。对于基线AI,他们使用了具有注意力和相位感知加速度识别的序列神经网络。三个输入变量(相对速度、相对距离和跟随车速度)用于预测跟随车加速度。他们发现PAAI模型优于基础模型(IDM和OVRV)和纯AI基线。在跟车建模中集成AI不仅代表了方法论的进步,也为更真实地模拟混合交通系统提供了途径[15]。
由于车辆轨迹是时间序列,有时包含相似的值(例如,在自由流状态下或停车-起步情况下保持恒定速度),有时包含不同但接近的值,为了区分这些读数,我们需要一个能够准确感知车辆轨迹数据中差异的强大工具。熵工具常用于根据0到1的尺度测试或测量时间序列的复杂性,其中0表示规则的时间序列,1表示随机和不规则的时间序列[27,28]。熵是分析时间序列的强大工具,因为它可以描述系统可能状态的概率分布,从而描述其中编码的信息[29]。Liu等人[30]使用了熵的一般公式;他们将熵应用于道路上的车辆空间车头时距分布,以估计动态交通流。实验在单车道道路上进行,使用VISSIM仿真软件分析了每小时800到1400辆车的不同交通流量。结果表明,当流量增加时,熵会减小,因为由于流量较大,车队的车辆间距变得更短且更均匀。Lyu等人[31]使用了四种类型的熵(香农熵、方向盘熵、近似熵和样本熵),并将其应用于固定和不同移动时间窗口下的跟车时间车头时距数据。他们发现,并非所有熵度量都适合用于测量时间车头时距数据的不确定性。然而,研究人员指出,样本熵和近似熵似乎是最合适的度量方法,特别是在使用移动时间窗口时。Zhang等人[32]使用模糊排列熵(FPE)来研究不同交通拥堵状态(自由流(FF)、同步流(SF)以及两者共存情况下的交通演变的复杂性,数据来自基于改进的刹车灯规则(IBLR)模型的蜂窝自动化模型。Liu等人[33]使用信息熵(IE)进行交通流分析。他们使用NGSIM和仿真数据集,发现速度(IE)与空间平均速度和空间车头时距(IE)与密度之间存在线性关系。L. Tang[34]使用信息熵来计算表示驾驶行为的不同指标之间的内部相关性(例如超速、急加速等)。随后,从信息熵结果中得出指数权重,以建立预测道路交通行为安全风险的模型。Baldini等人[35]使用了七种熵度量方法(香农熵、Rényi熵、样本熵、近似熵、排列熵和分散熵)来提出一种入侵检测系统(IDS),通过分析CAN-bus消息负载来检测针对汽车车内控制器区域网络(CAN-bus)的网络攻击。他们发现,使用滑动窗口方法的熵度量可以有效且高精度地检测攻击,特别是近似熵。Guo等人[36]发现,将信息熵应用于城市隧道路段的流数据可以有效地表征交通拥堵。高峰时段的熵值较高表示拥堵更严重。Cui等人[37]提出了一种多尺度符号动态熵方法来分析工作日和周末的交通流复杂性。他们发现,与多尺度样本熵和多尺度修改样本熵相比,这种方法能更有效地评估交通流复杂性。Ye等人[38]提出了速度熵方法作为道路段的宏观安全指标,使用实时车辆速度数据来量化整体安全状况。Zhou等人[39]使用改进的排列熵和Poincare映射提出了Duffing混沌振荡器检测系统的阈值确定方法,用于弱信号检测。Zhou等人[40]提出了一种结合短时傅里叶变换和改进排列熵的主动检测方法,用于检测小水下目标,并解决了在强混响背景下检测弱目标回波的挑战。
从上述内容可以看出,所有依赖于跟车模型的研究都没有考虑在数据分析中使用熵,并将其作为新变量纳入这些模型以提高预测精度和减少误差。同样,一些使用不同类型熵的研究也没有考虑在微观层面上将熵分析整合到跟车模型中,这可以增强对驾驶员行为的理解并提高交通流预测的准确性。我们应该知道,有许多基于香农形式的熵,这是一种用于测量信息的数学概念,在各个领域都有广泛应用[28,32,41]。与其他熵算法相比,排列熵(PE)[42]因其用于复杂性序列分析的著名性和广泛使用而闻名[43]。它结合了熵和符号动态的概念,创建了一种新的复杂性度量方法;它基于计算时间序列中所有有序模式相对频率的香农熵[44]。Chen等人(2019)[45]提出了基于PE的IPE,结合了之前PE修改的一些优点。他们比较了几种工具,包括PE、多尺度排列熵(MPE)、幅度感知排列熵(AAPE)和加权排列熵(WPE),发现新的IPE在检测尖峰特征方面更有效。此外,我们进行了研究,提供了足够的理论和实验依据来确定分析车辆跟随行为轨迹以及从车辆轨迹数据中识别最佳变量时最有效的PE或IPE类型;结果表明,IPE在分析所有与交通相关的变量方面优于PE,其中局部位置变量是最有效的[46]。大多数关于在交通领域使用熵的研究仅限于在宏观层面上分析交通状况,几乎没有任何研究关注微观层面的车辆跟随行为。其中一些研究在分析中依赖于假设数据。此外,关于将熵应用于智能交通系统(ITS)以开发传统车辆(TVs)、联网车辆(CVs)、自动驾驶车辆(AVs)或其组合的车辆跟随模型的研究也很缺乏,同样也缺乏相关的仿真程序研究。此外,熵工具通常应用于速度、加速度、空间车头时距和时间车头时距等变量,而将其应用于车辆轨迹的局部位置数据的情况此前尚未被探讨。因此,这项研究代表了首次大规模探讨IPE分析前车位置能力的研究,旨在理解车辆跟随过程中的个体车辆行为,并引入一种新的预测方法,以提高基于人工智能的车辆跟随模型的预测准确性。
这项研究的新颖之处在于它提出了一种新的预测方法来开发基于人工智能的车辆跟随模型。它首次使用IPE来分析前车的轨迹(局部位置数据),并将分析结果作为新的输入变量与现有输入变量结合,以提高这些模型的预测准确性。我们总结本文的贡献如下:
- 通过使用IPE分析前车位置数据并整合分析结果来开发基于人工智能的车辆跟随模型,应用了一种新的预测方法。
- 使用并比较了四种不同的模型(ANN、LSTM、Transformer和IDM)来检验跟随车辆加速度预测的预测方法。
- 通过使用四种评估指标(RMSE、MAE、MASE和R2)、统计测试、消融实验和特征贡献分析,进行了不同的测试,以全面评估这些模型的性能。
- 提供了有关这些模型预测跟随车辆加速度能力的有用信息。
本文的其余部分组织如下:第2节介绍了改进的排列熵(IPE)算法及其对真实车辆轨迹数据的分析。第3节介绍了模型构建(包括预测方法、数据处理和评估方法)。第4节介绍了预测模型(ANN、LSTM、Transformer和IDM)。第5节展示了结果和讨论。第6节提供了结论。
2. 材料与方法
2.1 IPE算法及其参数设置
本研究使用IPE[45]来量化和测量车辆跟随行为期间时间序列的复杂性(分析车辆的轨迹数据)。
归一化的IPE表示为:
\[ IPE = \frac{\sum_{i=1}^{N} p_i \cdot l_i}{\sum_{i=1}^{N} p_i} \]
其中 \( N \) 是离散化级别数,\( l_i \) 是排列模式的概率,\( \ln(p_i) \) 是IPE分析结果中的最大值,该值仅在模式呈均匀分布时达到;详见附录A。
有些参数的数值必须预先确定,才能对本文中的任何数据运行IPE算法。这些参数包括时间延迟(\( \tau \));它控制了在熵计算中选择的元素数量。例如,如果 \( \tau = 1 \),则选择时间序列中的所有元素;如果 \( \tau = 2 \),则选择第一个、第三个、第五个等元素,而忽略第二个、第四个、第六个等元素[42]。在本研究中,选择 \( \tau = 1 \) 以确保所有时间序列数据都被包含在计算中,并保持结构的完整性。
其他参数包括嵌入维度(\( d \))和离散化级别(\( n \));例如,当 \( d = 3 \)(Bandt和Pompe(2002)提出的最小值)时,这意味着可以在IPE算法内生成3个不同的数字。这允许形成27种排列方式来组织这些数字,如表A1所示;详见附录A。表1中任何小于27的 \( n \) 值表示一些时间序列数据在表A1中列出的模式中失去了其真实表示。相反,任何大于27的 \( n \) 值表示在表A1中的某个模式被重复使用来表示时间序列中的不同数据。此外,时间序列的长度 \( T \) 与 \( d \) 和 \( n \) 的值密切相关。根据参考文献[42,45,47],\( n \) 的值对于获得可靠的IPE测量是必要的。如果我们假设 \( d = 3 \),则每个时间序列元素的时间间隔为0.1秒,时间序列的最小长度将超过25.6秒。这样太长,无法在车辆跟随领域获得时间序列的第一个测试结果。
表1基于 \( d \) 和 \( n \) 参数的IPE值。在本研究中,选择了 \( d = 3 \) 以确保时间序列数据通过IPE分析得到真实表示,并且选择了 \( n = 2 \),这表示行驶了3秒的距离,同时也满足条件。最后,\( T \) 表示时间序列的总长度,对应于检查样本数据的持续时间。
由于在开始对时间序列进行IPE计算时需要3秒的延迟(初始处理事件),因此在测试每个轨迹的时间序列时使用了3秒的移动时间窗口,将延迟限制在测试开始阶段;详见附录A。
本研究旨在使用IPE分析车辆跟随过程中的前车位置数据。因此,为了理解分析结果,考虑了四种关于车辆运动的假设情况。
2.1.1 第一种假设情况:停止不动
考虑一个路段,其中一辆车辆(veh1)在距离起点150米的站点处静止超过3秒,如图1a所示。那么这辆车的时间序列将表示为 \( x_1 = [0, 0, 0, \ldots, 0] \)。根据熵的定义和指定的IPE参数,这个序列的IPE分析结果将为零(因为行为完全规律)。此外,在计算长度为 \( L \) 的样本时,IPE分析结果始终为零,如图1b所示。有关IPE计算的更多细节,请参见附录A、图A1和参考文献[45,48]。
2.1.2 第二种假设情况:一种运动类型(自由流或拥堵)且不停车
考虑一个路段,其中一辆车辆(veh1)从站点0以恒定速度出发,每0.1秒行驶2.5米,如图2a所示。这辆车的时间序列将表示为 \( x_2 = [0.0, 2.5, 2.5, \ldots, 2.5*L] \)。根据熵的定义和指定的IPE参数,这个序列的IPE分析结果将为0.3317。继续计算 \( L \) 的IPE也会得到0.3317的结果,如图2b所示。有关IPE计算的更多细节,请参见附录A、图A2和参考文献[45,48]。
2.1.3 第三种假设情况:两种运动类型(自由流和拥堵)且不停车
根据上述2.1.1和2.1.2节中的概念和信息,我们可以假设:
考虑一个路段,其中一辆车辆(veh1)从站点0以恒定速度出发,这条路上有两种运动类型:自由流和拥堵,如图3a所示。在自由流中,车辆每0.1秒行驶2.5米;在拥堵中,车辆每0.1秒行驶1米。检查样本数据的持续时间为30秒(\( T = 30 \))。因此,根据2.1.2节和指定的IPE参数,车辆在两种运动状态A、B和C下的IPE分析结果将始终保持0.3317,如图3b所示。然而,在转换点①和②(分别代表减速和加速)处,IPE分析结果将根据这些点之前和之后的车辆速度或位移而变化。
2.1.4 第四种假设情况:所有类型的运动(自由流、拥堵、停止和自由流)
根据上述2.1.1、2.1.2和2.1.3节中的概念和信息,我们可以假设:
考虑一个路段,其中一辆车辆(veh1)从站点0出发,并在这条路上经历所有类型的运动:自由流、拥堵和停止,如图4a所示。在自由流中,车辆每0.1秒行驶2.5米;在拥堵中,车辆每0.1秒行驶1米。检查样本数据的持续时间为30秒(\( T = 30 \))。因此,根据指定的IPE参数,交通状态A、B和D的IPE分析结果将始终为0.3317,如图4b所示;对于交通状态C,结果为零,如图4b所示;而对于转换点(①、②和③),结果将根据这些点之前和之后的车辆速度或位移而变化,如图4a、b所示。
如图4b所示,我们可以看到有一个小的IPE波和一个大的IPE波;两种情况的IPE分析结果都不为零。小波代表从自由流到拥堵的转换(图3a中的减速点①),而大波代表从拥堵到自由流的转换(图3a中的加速点②)。小波或大波的时间长度均为3秒,因为离散化级别 \( n = 3 \) 且移动时间窗口 \( T = 3 \)(第2.1节)。
从图3b可以看出,小波的最小IPE分析结果时间与图3a中的减速点①时间大致吻合,大波的最小IPE分析结果时间与图3a中的加速点②时间大致吻合;然而,这种转换仅在大约1.5秒后发生,因为每个IPE分析结果在时间序列的IPE计算开始后的3秒才会出现。这种现象在2.1节中已经提到(由于 \( \tau = 1 \),这意味着在开始时间序列的IPE计算之前有3秒的时间延迟)。
2.1.4 第四种假设情况:所有类型的运动(自由流、拥堵、停止和自由流)
根据上述2.1.1、2.1.2和2.1.3节中的概念和信息,我们可以假设:
考虑一个路段,其中一辆车辆(veh1)从站点0出发,并在这条路上经历所有类型的运动:自由流、拥堵和停止,如图4a所示。在自由流中,车辆每0.1秒行驶2.5米;在拥堵中,车辆每0.1秒行驶1米。检查样本数据的持续时间为30秒(\( T = 30 \))。因此,根据指定的IPE参数,交通状态A、B和D的IPE分析结果将始终为0.3317,如图4b所示;对于交通状态C,结果为零,如图4b所示;而对于转换点(①、②和③),结果将根据这些点之前和之后的车辆速度或位移而变化,如图4a、b所示。如图4b所示,我们可以看到一个小的IPE波代表减速波,它与2.1.3节中提到的小IPE波相同,从图3b的点①开始。此外,我们还可以看到另外两个波:停止IPE波代表从拥堵到停止的转换点②,另一个是加速IPE波,它代表从停止到自由流的转换点③。停止IPE波或加速IPE波的时间长度为3秒,因为离散化级别 \( n = 3 \) 且移动时间窗口 \( T = 3 \)(第2.1节)。
图4b中IPE分析结果的最小值时间代表波的结束时间,它与从拥堵流到停止的转换点②时间吻合,但在图4a中,这个时间是在IPE计算开始后的3秒之后。如2.1.3节所述,原因是IPE分析结果每个值都不在IPE计算开始后的3秒内出现。另一方面,在下一波中,图4b中IPE分析结果的最小值时间代表了加速度波的开始时间,这与图4a中从停止到自由流动的转变点③的时间相吻合。这是因为当时间序列值保持不变时,IPE分析结果也是恒定的,而这些值的任何后续变化将表明新计算出的IPE分析结果的开始。我们可以得出结论,图4b中停止波的结束时间减去3秒与图4a中的停止点②的时间相吻合。图4b中加速度波的开始时间与图4a中的加速点③的时间完全一致(假设加速度从零开始)。基于这些假设情况,理论上可以得出结论,IPE可以将车辆位置数据从无限范围(0 → ∞米,连续移动时无限制的行程距离)转换为有限范围(0 → 0.3317,其中0表示停止,0.3317表示均匀运动)。在停止和移动之间,会发生加速或减速,这对应于IPE分析结果在0到0.3317之间的值(IPE是无量纲的)。因此,这个有限范围类似于速度等变量。例如,速度反映了车辆的移动行为(静止、缓慢、快速、非常快等)基于其速度值。IPE分析结果也反映了车辆的移动行为,但方式不同(静止、不稳定或均匀),不论车辆的速度值如何。换句话说,速度可能很慢,但由于加速度为零,IPE分析结果将是均匀的。相反,速度可能很高,但由于车辆前方的运动会导致减速或加速的变化,IPE分析结果将是不稳定的。这种描述适用于单个车辆;然而,当IPE应用于特定道路上的车辆群体时,该道路上的交通流动或稳定性可以被描述为“静止”、“不稳定”或“均匀”,无论该道路上的速度如何。车辆轨迹中的位置数据比速度或加速度数据更平滑。因此,将位置数据转换为IPE可以为识别交通状态提供更丰富的数据内容。
2.2 IPE应用的数据准备
本实证研究采用了真实的车辆跟随数据,这些数据来自下一代模拟(NGSIM)项目的轨迹数据集[49]。数据收集于2005年6月15日,观察时间为15分钟(上午7:50–8:05),地点是美国加利福尼亚州洛杉矶的好莱坞高速公路101号公路的一段。这些数据是通过安装在36层建筑10 Universal City Plaza上的八台摄像机收集的,该建筑位于好莱坞高速公路U.S.-101旁边。在640米的路段上,数据以0.1秒的间隔进行采集。该高速公路路段有六个车道。在本实证研究中,我们关注了第一车道(称为车道1)上的车辆跟随行为所形成的交通流动模式。我们准备了一组轨迹数据(G1),如图5和表2所示,以说明如何应用IPE来分析真实车辆轨迹数据。图5. 选中的G1中的车辆轨迹组。表2. 选中的G1中的轨迹详情。
2.3 应用IPE分析真实车辆轨迹数据
在将IPE应用于G1中的车辆轨迹(位置数据)并进行解释后,我们随机选择了编号为966的车辆轨迹作为蓝色轨迹,如图6所示。这条轨迹展示了减速和加速点。绿线表示车辆轨迹的IPE分析结果,显示了两个波形。根据2.1.3节,较小的IPE波表示减速点,较大的IPE波表示加速点。图6. 使用IPE分析车辆966的轨迹。图7展示了G1中所有车辆轨迹的IPE分析结果。将IPE分析结果与2.1.2节中提到的基线0.3317进行比较后,我们观察到前25辆车的IPE分析结果差异非常接近零,表明这种流动方式与图5中所示的车辆类型相符。剩余车辆的IPE分析结果差异增加,这表明流动是不稳定的,与图5中所示的拥堵情况相符。这些IPE分析结果表明,G1中的流动是从自由流动转变为拥堵的,因为IPE分析结果不等于零,这一模式与图5中显示的流动类型完全一致。图7. 使用IPE分析G1中所有轨迹。根据2.1.2节,IPE确定0.3317值代表流畅流动,任何偏离这个基线的值都表示与其成正比的速度变化。例如,图5中的第一辆车(编号719),平均速度为60公里/小时,代表流畅流动,其IPE分析结果非常接近0.3317,如图8所示。而最后一辆车(编号1058),平均速度为18公里/小时,表现出不规则的流动,其IPE分析结果显著不同于0.3317,如图8所示。换句话说,领先车辆的IPE分析结果的任何变化都会直接影响后车的行为,这正是车辆跟随理论所描述的。图8. 根据车辆速度的特定轨迹的IPE分析结果。为了最大化IPE分析结果的好处,我们提出了一种新的预测方法,通过使用计算出的IPE分析结果作为新的输入变量来开发基于人工智能的车辆跟随模型。以下部分将解释所提出的方法。
3. 模型构建
3.1 预测方法
本研究采用了两种基于文献中的解释和GHR建模概念[6]的预测方法。首先,我们选择了跟随车辆的速度(v_f)、相对速度(?v)和当前时间t时的相对距离(?x)作为输入变量,以预测未来时间t时跟随车辆的加速度(a_f),如方程(2)所示。这些选择代表了目前使用的传统预测方法,并用于后续比较。其次,在第一种预测方法的基础上,我们增加了领先车辆在时间t时的IPE分析结果作为新的输入变量,以预测未来时间t时跟随车辆的加速度(a_f),如方程(3)所示。这一选项代表了使用计算出的IPE分析结果作为新输入变量来开发基于人工智能的车辆跟随模型的建议预测方法。
3.2 数据处理
如2.2节所述,本实证研究采用了真实的车辆跟随数据集,这些数据来自下一代模拟(NGSIM)项目的轨迹数据集。根据NGSIM中车辆轨迹的局部位置数据(Local_Y),在移除了异常轨迹后,选取了100条轨迹作为样本。这些样本轨迹代表了NGSIM数据的初始轨迹,并被分为70%用于训练,30%用于测试。每条轨迹都包含一个时间序列,以确保其完整性。由于轨迹数据似乎未经过滤且存在一些噪声,因此对所有轨迹应用了3秒的滑动平均滤波器。这个时间段设置为与2.1节中提到的IPE计算周期相匹配。选定的轨迹数据经过归一化处理,以消除维度的影响,遵循方程(6)中给出的公式。
3.3 评估方法
使用了四种评估指标来比较不同模型的预测性能。均方根误差(RMSE)衡量实际值和预测值之间的平均差异,如方程(7)所示,RMSE越低表示预测精度越高。平均绝对误差(MAE)如方程(8)所示,是预测值和实际值之间绝对差异的平均值,MAE越低表示性能越好。平均绝对缩放误差(MASE)如方程(9)所示,是通过将模型的MAE与朴素基线预测的MAE进行比较来计算的,MASE越低表示性能越好。决定系数(R2)用于进一步比较,以解释模型的拟合质量(10)。它的范围是0到1;1表示回归模型完美地拟合了数据。以下是用于计算这些指标的方程。
4. 预测模型
本研究根据人工智能模型的发展采用了三种类型的神经网络:人工神经网络(ANNs)、长短期记忆网络(LSTMs)和Transformer模型。IDM也被用来评估基于AI的车辆跟随模型的能力。图9显示了整个建模过程的流程图。图9. 整体建模过程的流程图。* 根据运动学方程(4)和(5)分别计算v_f和v_c。长短期记忆网络(LSTMs)
梯度消失问题是传统循环神经网络面临的一个重大障碍,这促使Hochreiter和Schmidhuber在1997年[52]发现了长短期记忆(LSTM)网络来应对这一挑战。由于其独特的设计和控制机制,LSTM网络成为深度学习领域的重要突破[53,54]。LSTM网络是循环神经网络的改进版本,它们能够长时间存储来自过去数据的信息。这种处理序列数据的能力也使它们能够有效地利用历史数据来预测未来事件[55,56]。LSTM网络的核心思想在于它包含多种组件,这些组件的结构设计用于长时间序列的信息存储和管理。这些组件包括单元状态、隐藏状态和门(gates)。网络记忆即单元状态,它的设计目的是为了避免梯度消失问题。隐藏状态用于进行预测。另外,还有三种类型的门,每种门都有特定的功能:
- 输入门(Input gate):使用Sigmoid函数来确定当前输入中的哪些新信息将被用来更新单元状态。
- 忘却门(Forget gate):使用Sigmoid函数来确定先前单元状态中的哪些信息应该被丢弃。
- 输出门(Output gate):用于控制网络记忆中的哪些信息将被输出。
图10显示了LSTM网络的结构,包括门、单元状态和隐藏状态之间的连接。更多信息请参见参考文献[53,54,57]。
在本研究中,使用MATLAB实现了LSTM模型来训练数据集的70%。其中15%的数据集用于验证,10%用于测试,剩余的30%的数据集用于根据所应用的预测方法来评估LSTM模型。表5列出了用于两种预测方法的LSTM模型参数,图11展示了基于所提出预测方法的LSTM网络架构。
4.3. 变换器(Transformers)
变换器模型是最强大且最新的神经网络模型之一[58,59]。它们最初于2017年以“Attention is All You Need”为标题被引入[60],现在被认为是深度学习的一个转折点。变换器模型的主要特征是它们的自注意力机制[60],这使它们能够最大限度地处理序列数据并发现输入序列各部分之间的关系。这一特性使变换器优于其他神经网络,如CNN(卷积神经网络)和RNN(循环神经网络)。RNN由于逐个接收输入序列元素而只能处理短序列。而LSTM网络通过其注意力机制克服了这一限制[52],因为变换器可以同时检查整个序列并清楚地理解长距离依赖性[61]。此外,这种并行处理能力使得变换器能够同时完成多个计算步骤,而不是顺序进行。另外,它们进行并行训练和捕捉长距离依赖性的能力受到了广泛关注,从而在语言处理、计算机视觉[62,63,64,65,66]和时间序列预测[67]等多个领域得到广泛应用。
变换器模型的操作可以概括为以下步骤[60]:
1. 输入嵌入(Input embeddings)。
2. 位置编码(Positional encoding)。
3. 生成向量(Generating vectors)。
4. 自注意力机制(Self-attention mechanisms)。
5. 多头注意力(Multi-head attention)。
6. 多层归一化和残差连接(Layer normalization and residual connections)。
7. 输出层(Output layer)。
在本研究中,使用Python 3.14实现了变换器模型来训练数据集的70%。其中15%的数据集用于验证,10%用于测试,剩余的30%的数据集用于根据所使用的预测方法来评估变换器模型。表6列出了用于两种预测方法的变换器模型参数,图12展示了基于所提出预测方法的变换器网络架构。
4.4. 智能驾驶模型(IDM)
多年来,已经提出了许多经典的汽车跟随模型,这些模型有助于我们理解驾驶员行为和交通流。这些模型在计算效率、准确性和真实性方面表现各不相同[68]。在这些模型中,智能驾驶模型(IDM)[9]因其在理解交通状况(如拥堵、停车-起步波动和自由流)方面的广泛应用而脱颖而出。它还因其能够根据相对速度、安全距离和期望速度等因素调整加速而受到关注。在本研究中,使用IDM与选定的人工智能模型(ANN、LSTM和Transformer)进行比较,以提供额外基准来验证结论的准确性。
使用MATLAB软件和数据集实现IDM,其中70%的数据集用于训练,30%用于测试。由于IDM有五个需要校准的参数(a、b、So、T和Vo),因此使用遗传算法(GA)来校准和优化这些参数,然后确定最小化模型输出与实际车辆行为数据之间误差的参数集,如图13所示。迭代过程(迭代次数)持续进行,直到满足停止标准(当适应度值的平均变化小于1 × 10^-4时)。使用方程(11)和剩余的30%测试数据集对优化后的IDM进行评估:
(11)
其中
...为跟随车辆在下一个时间步的加速度,
...为最大加速度,
...为跟随车辆在时间步t的速度,
...为期望速度,
...为加速度指数(设为4),
...为跟随车辆在时间步t时与前方车辆的实际间隙,
...为期望的最小间隙,
...为最小间隙,
...为期望的时间车头时距,
...为领先车辆和跟随车辆之间的相对速度,
...为领先车辆在时间步的速度,
...为舒适减速。
在校准了IDM后,根据测试数据集确定了优化后的参数集。
根据优化后的参数集,计算了IDM的结果,并得出了测试数据集中跟随车辆的评价指标(RMSE、MAE、MASE和R2)的平均值,如表7所示。
5. 实验结果与讨论
根据第3.1节提到的预测方法类型,应用了ANN、LSTM和Transformer模型。测试数据集中跟随车辆的评价指标(RMSE、MAE、MASE和R2)的平均结果分别列在表8、表9和表10中。结果表明,使用所提出的预测方法[?v, ?x, IPE](包括IPE分析结果)的所有模型的表现都优于使用传统预测方法[?v, ?x]的模型。不同模型的改进百分比各不相同,其中Transformer & IPE模型的表现最佳。例如,在跟随车辆加速度输出方面,改进百分比分别为RMSE的2.04%、MAE的1.42%、MASE的1.22%和R2的2.62%。ANN & IPE模型的改进百分比分别为0.49%、0.81%、0.9%和0.57%。跟随车辆速度和位置的输出也观察到了类似的结果。这些改进百分比表明,在基于AI的汽车跟随模型中加入IPE分析结果作为新的输入变量可以提高跟随车辆加速度、速度和位置的预测性能。
IDM还被用来评估使用所提出预测方法的基于AI的汽车跟随模型的能力。准备了IDM并使用相同的实际交通数据进行训练和测试。测试数据集中跟随车辆的评价指标(RMSE、MAE、MASE和R2)的平均结果分别列在表11、表12和表13中,分别对应ANN & IPE、LSTM & IPE和Transformer & IPE模型。同样计算了每个评价指标(RMSE、MAE、MASE和R2)的改进百分比。结果表明,使用所提出的预测方法[?v, ?x, IPE](包括IPE分析结果)的所有基于AI的模型在所有评价指标上均优于IDM。然而,只有在所有评价指标上,Transformer & IPE模型在跟随车辆加速度、速度和位置变量上的表现优于IDM。如表所示,ANN & IPE和LSTM & IPE模型的改进百分比介于满意和不满意之间,这表明Transformer模型在预测方面优于ANN和LSTM模型。
除了评价指标外,还进行了进一步测试,以全面评估将IPE分析结果纳入基于AI的模型的效果。这些测试包括统计检验、消融实验和特征贡献分析。对不同模型对在三个响应变量(跟随车辆加速度、速度和位置)上进行了单尾t检验,以评估第一个模型是否在使用零假设的情况下显著降低了预测误差,其中μ1和μ2分别表示第一个和第二个模型的平均绝对误差。
对于比较(ANN & IPE–ANN、LSTM & IPE–LSTM和Transformer & IPE–Transformer),结果表明所有t统计量均为负值,且对应的p值远低于常规显著水平(α = 0.05),如表14所示,这提供了强烈证据来拒绝零假设。这一证据证实,通过加入IPE分析结果,基于AI的模型在所有输出(跟随车辆加速度、速度和位置)上都实现了更低的平均绝对误差。
在涉及IDM的比较中,结果显示只有Transformer & IPE模型在所有输出上优于IDM,而ANN & IPE和LSTM & IPE模型的结果介于满意和不满意之间。这些结果与表11、表12和表13中比较IDM与AI模型的结果一致,表明AI模型的预测效率存在差异。Transformer模型的效率更高,而ANN模型的效率较低,这归因于模型结构和开发能力的差异,特别是在处理复杂数据模式和从更大数据集中学习方面的能力。
除了提出的预测方法外,我们还使用了领先车辆位置数据(Xι)作为新的输入变量,以进一步比较。通过系统地移除或替换变量,对Transformer和IPE模型进行了消融实验,以揭示每个变量在预测准确性中的相对重要性。表15和图14中的结果显示,所提出的预测方法(?x、?v、Vn、IPE),包括IPE分析结果,在跟随者加速度、跟随者速度和跟随者位置的所有输出指标上均产生了最低的RMSE值(分别为0.3611、0.8692和6.089)。然而,用领车者位置数据Xι(?x、?v、Vn、Xι)替换IPE分析结果后,所有输出指标的性能均有所下降,这表明该变量并不能提高预测准确性。这一结果证明了使用IPE分析领车者位置数据以提高基于AI的跟车模型预测准确性的优势,而不是直接使用领车者位置数据。尽管IPE分析结果的单独贡献似乎相对较小,但其包含确实带来了可测量的性能提升。表15展示了Transformer模型的消融实验比较;图14展示了基于不同输入变量的Transformer模型的消融实验比较。
对于特征贡献分析,使用了四种互补的重要性技术:扰动分析、基于梯度的归因方法、SHAP值和排列重要性,以量化每个输入变量在Transformer和IPE模型中的作用程度。表16中的结果显示,IPE分析结果在扰动分析、基于梯度的归因方法、SHAP值和排列重要性方面的贡献程度最低。然而,这种局限性可以归因于变量交互效应的性质,即一个边际权重较低的变量在其他输入的配合下仍可能改善模型性能。因此,IPE分析结果并非主要驱动因素,而是作为一种支持性变量来增强模型的能力。正如第2.1节假设结论中指出的,IPE分析结果已经证明其能够改进基于AI的跟车模型,从而更准确地预测跟随车辆的运动。
6. 结论
IPE的一个优点是它可以直接应用于局部位置数据,并且结果易于解释。它还能够将车辆位置数据从无限范围转换为0到0.3317之间的有限范围。本研究发现,IPE分析结果为0.3317表示车辆运动流畅,而任何偏离这个值的情况都表示速度发生了相对变化。换句话说,基于前述参数的IPE分析结果0.3317是任何以恒定速度行驶的车辆的参考值。因此,根据跟车理论,领车车辆的IPE分析结果的任何微小变化都会直接影响其跟随车辆。
本研究采用了两种预测方法来检验IPE分析结果在开发基于人工智能的跟车模型中的效率。首先,我们使用了传统的预测方法,该方法以跟随车辆的相对速度、相对距离和速度作为输入变量来预测跟随者加速度。其次,除了第一种预测方法中的变量外,我们还将领车者位置数据的IPE分析结果作为新的输入变量加入,以预测跟随者加速度。根据人工智能模型的发展,采用了三种类型的神经网络:人工神经网络(ANNs)、长短时记忆网络(LSTMs)和Transformer模型,并根据预测方法的类型进行了应用。IDM也被用来评估使用所提出预测方法的基于AI的跟车模型的性能。
除了t检验、消融实验和特征贡献分析之外,还使用了四种评估指标(RMSE、MAE、MASE和R2),以全面评估将IPE分析结果整合到基础AI模型中的效果。总体而言,研究结果表明,加入IPE分析结果提高了原始模型的性能,其中Transformer和IPE模型的表现优于其他模型。尽管IPE分析结果的单独贡献看起来相对较小,但其包含显著减少了预测误差。IPE在分析真实轨迹数据方面非常有效,其结果准确反映了车辆行为,从而支持了在跟车理论分析中使用它的建议。
对于所提出的方法,实验分析仅基于NGSIM US-101数据集的第1车道的数据,这存在一定的局限性。因此,未来的研究应该考虑纳入更多样化、更新的数据集。此外,还建议进一步研究IPE在冲击波分析中的应用以及不同类型熵之间的比较。
最后,IPE使研究人员能够改进现有的跟车模型和交通流理论,包括轨迹规划、驾驶辅助装置、自适应巡航控制(ACC)和协作式自适应巡航控制(CACC)。它将为未来研究这些技术及其在智能交通系统、自动驾驶和联网汽车中的应用奠定基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号