基于双向GRU与残差拟合的车辆跟驰建模
信息技术与网络安全 3期
王嘉伟
(中国科学技术大学 信息科学技术学院，安徽 合肥230002)
摘要： 为了提高微观交通仿真中车辆跟驰建模的准确性与泛化能力，将物理类模型与深度学习相结合，提出一种基于双向GRU(门控循环单元)与残差拟合的跟驰模型框架。该框架使用双向GRU网络对物理类跟驰模型预测值与真实值的残差进行学习，并在NGSIM公开数据集上进行测试。通过对比IDM、GIPPS、GM三种跟驰模型下的残差拟合效果，表明双向GRU网络可以对原模型预测结果的偏差进行有效的修正。选用IDM作为本框架的物理类模型，提出了Bi-GRU-IDM模型，与现有SVR模型、BPNN模型、GRU模型进行对比，结果表明Bi-GRU-IDM在预测精度、泛化性能上明显优于其他三种模型。
中圖分類號： TP181
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.03.010
引用格式： 王嘉偉，陳鋒. 基于雙向GRU與殘差擬合的車輛跟馳建模[J].信息技術與網(wǎng)絡安全，2022，41(3)：59-64.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.03.010
引用格式： 王嘉偉，陳鋒. 基于雙向GRU與殘差擬合的車輛跟馳建模[J].信息技術與網(wǎng)絡安全，2022，41(3)：59-64.
A car-following model based on bidirectional GRU and residual fitting
Wang Jiawei
(School of Information Science and Technology，University of Science and Technology of China，Hefei 230002，China)
Abstract： In order to improve the accuracy and stability of vehicle following modeling in micro-traffic-simulation, a car following model based on bidirectional GRU(Gated Recurrent Unit) and residual fitting is proposed. This method combines deep learning with traditional kinematics-based car-following models, and uses a bidirectional GRU network to learn the residual between the prediction of physical model and the true value,which is tested on the NGSIM public data set. By comparing the residual fitting performances under IDM, GIPPS and GM car following models, experiments show that the bidirectional GRU network can effectively correct the deviation of the original prediction results. Using the bidirectional GRU network to fit the residuals of the IDM, a Bi-GRU-IDM model is proposed. By comparing with the existing SVR model, BPNN model, and GRU model, the results show that Bi-GRU-IDM model significantly outperforms the other three model both in prediction accuracy and generalization ability.
Key words : bidirectional GRU；residual learning；car following model；micro-simulation
0 引言
跟馳是交通中常見的駕駛員行為，跟馳模型試圖復制駕駛員的跟馳動作，是微觀交通建模的基本算法，在微觀交通仿真、自動駕駛等領域具有廣泛的應用價值，是道路交通流理論的核心內容之一。
車輛跟馳建模通常包含兩種思路：基于物理或交通流理論的經典模型與數(shù)據(jù)驅動類模型。其中基于物理的模型試圖描述汽車跟隨動作的運動學機制，例如General Motor(GM)模型[1]、以GIPPS為代表的安全距離模型[2]、智能駕駛模型(Intelligent Driver Model，IDM)[3]等。物理類模型具有明確的數(shù)學形式，成功解釋了在現(xiàn)實世界中觀察到的交通現(xiàn)象，模型大部分參數(shù)具有實際物理意義，但無法完全捕捉駕駛員的復雜認知過程。近年來，隨著人工智能技術快速發(fā)展，基于數(shù)據(jù)驅動的跟馳模型不斷涌現(xiàn)。這類模型試圖從大量跟車數(shù)據(jù)中學習人類駕駛員的跟車動作，相較于物理類模型具有更高的準確性。但是數(shù)據(jù)驅動的跟車模型也存在一定缺陷：這類模型往往屬于“黑箱”技術，模型中的參數(shù)沒有物理意義，可解釋性差，模型的輸出在實踐中難以控制。
本文詳細內容請下載：http://www.ihrv.cn/resource/share/2000004027
作者信息：
王嘉偉
(中國科學技術大學 信息科學技術學院，安徽 合肥230002)
此內容為AET網(wǎng)站原創(chuàng)，未經授權禁止轉載。