窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法...窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。展开更多
车载网是一种以车辆为通信节点的无线自组织网络,旨在实现车与车、车与基础设施之间的数据通信。车辆的高速移动性易引起网络拓扑结构的变化,进而降低数据包的传递率和路由协议的工作效率,甚至导致信道中断。目前,对于车载网通信协议和...车载网是一种以车辆为通信节点的无线自组织网络,旨在实现车与车、车与基础设施之间的数据通信。车辆的高速移动性易引起网络拓扑结构的变化,进而降低数据包的传递率和路由协议的工作效率,甚至导致信道中断。目前,对于车载网通信协议和应用的研究主要借助仿真平台模拟实现,平台内嵌的车辆移动模型性能对协议的分析和研究至关重要。首先,对Simulation of Urban Mobility(SUMO)平台下常用的6种车辆跟驰模型进行了详细的描述;其次,分析并引入影响移动模型性能最明显的3种因素;最终,依托城市道路交通环境,通过设置不同的模拟场景对比分析了在不同跟驰模型作用下的车辆密度、车辆平均速度和道路占用率3个指标。详实的实验结果表明,Krauss模型具有最优异的性能。此外,通过仔细观察单个车辆的跟驰行为从微观上揭示了各模型的工作原理。展开更多
决策规划是无人驾驶技术中的重要环节.由于道路结构变化或障碍物引起的车辆被动换道多采用基于逻辑规则或优化算法的决策方式.本文以通行量为优化目标,提出一种基于分类回归树(Classification and regression tree,CART)的汇流决策方法...决策规划是无人驾驶技术中的重要环节.由于道路结构变化或障碍物引起的车辆被动换道多采用基于逻辑规则或优化算法的决策方式.本文以通行量为优化目标,提出一种基于分类回归树(Classification and regression tree,CART)的汇流决策方法.依据交通流参数,选择大量具有代表性的车辆汇流场景.对场景中车辆的汇流决策序列进行编码,采用遗传算法搜索使得通行量最大的决策方案.将寻优获得的大量汇流决策序列作为样本,训练分类回归树.选取车辆自身信息及与周围车辆的关系等以描述环境特征,运用分类回归树描述环境特征与决策结果的映射关系,获得一种通行量最优的汇流决策方法.在软件中进行仿真实验,对比既有方法,基于分类回归树的汇流方法能够有效减少汇流行为对车流的扰动,在大流量情形下依旧能保持较高的通行效率.此外,该方法对实际实施中可能存在的环境感知误差,如定位误差,有一定的鲁棒性.展开更多
文摘窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。
文摘车载网是一种以车辆为通信节点的无线自组织网络,旨在实现车与车、车与基础设施之间的数据通信。车辆的高速移动性易引起网络拓扑结构的变化,进而降低数据包的传递率和路由协议的工作效率,甚至导致信道中断。目前,对于车载网通信协议和应用的研究主要借助仿真平台模拟实现,平台内嵌的车辆移动模型性能对协议的分析和研究至关重要。首先,对Simulation of Urban Mobility(SUMO)平台下常用的6种车辆跟驰模型进行了详细的描述;其次,分析并引入影响移动模型性能最明显的3种因素;最终,依托城市道路交通环境,通过设置不同的模拟场景对比分析了在不同跟驰模型作用下的车辆密度、车辆平均速度和道路占用率3个指标。详实的实验结果表明,Krauss模型具有最优异的性能。此外,通过仔细观察单个车辆的跟驰行为从微观上揭示了各模型的工作原理。
文摘决策规划是无人驾驶技术中的重要环节.由于道路结构变化或障碍物引起的车辆被动换道多采用基于逻辑规则或优化算法的决策方式.本文以通行量为优化目标,提出一种基于分类回归树(Classification and regression tree,CART)的汇流决策方法.依据交通流参数,选择大量具有代表性的车辆汇流场景.对场景中车辆的汇流决策序列进行编码,采用遗传算法搜索使得通行量最大的决策方案.将寻优获得的大量汇流决策序列作为样本,训练分类回归树.选取车辆自身信息及与周围车辆的关系等以描述环境特征,运用分类回归树描述环境特征与决策结果的映射关系,获得一种通行量最优的汇流决策方法.在软件中进行仿真实验,对比既有方法,基于分类回归树的汇流方法能够有效减少汇流行为对车流的扰动,在大流量情形下依旧能保持较高的通行效率.此外,该方法对实际实施中可能存在的环境感知误差,如定位误差,有一定的鲁棒性.
