基于最小二乘支持向量機的車輛跟馳行為模型

邱小平，李娜

(1.西南交通大學交通運輸與物流學院，四川成都 610031；2.綜合交通運輸智能化國家地方聯合工程實驗室，四川成都 610031；3.綜合運輸四川省重點實驗室，四川成都 610031)

基于最小二乘支持向量機的車輛跟馳行為模型

邱小平1,2,3，李娜1

(1.西南交通大學交通運輸與物流學院，四川成都 610031；2.綜合交通運輸智能化國家地方聯合工程實驗室，四川成都 610031；3.綜合運輸四川省重點實驗室，四川成都 610031)

基于最小二乘支持向量機(Least squares support vector machine，LS-SVM)算法建立符合我國道路交通流特征的車輛跟馳模型，并用該模型模擬單車道道路上車輛的跟馳行為。采用NGSIM提供的數據對LS-SVM模型進行仿真驗證，將測試結果與傳統的Gipps模型進行對比。結果表明：與Gipps模型相比，LS-SVM模型對應的各項誤差指標精度均有明顯改善，能夠挖掘變量之間的潛在關系，彌補傳統車輛跟馳模型的不足。

車輛跟馳；機器學習；最小二乘支持向量機；回歸預測

車輛跟馳作為交通流微觀理論的核心內容，其分析的對象是單條車道上車輛運行時與前后車輛跟馳的行為特征。對車輛跟馳行為進行研究可以有效緩解道路的交通擁擠、提高現有道路的通行能力和服務水平、并有助于推動汽車智能駕駛輔助系統的開發。學術界從20世紀50年代開始研究車輛的跟馳行為特征，研究中主要是利用數學表達式來闡述跟馳規則，并以交通流理論為支撐，構建研究中所需的模型。比如：文獻[1]提出的GHR模型、文獻[2]提出的心理模型、文獻[3-5]提出的安全距離模型、文獻[6-10]提出的基于模型推理的模型。上述數學分析模型能夠貼切地模擬真實道路條件下車輛的行駛軌跡、加減速行為以及臨近駕駛員的駕駛特性，但是，這些模型在判斷影響車輛跟馳行為因素(如天氣狀況、道路寬度、駕駛員的反應時間、車頭間距和車頭時距、車輛的加減速性能)上存在一些不足，對各種影響因素的重要度以及是否關聯難以給出確切的判斷。并且，上述模型都建立在各自假設條件和設立標準上，在使用模型時，缺乏設計者構建模型所使用的實際數據，無法驗證模型的精度和準確性。具備自學習特點的機器學習能夠填補上述模型的不足。機器學習是以數據為基礎，通過數據的學習，旨在捕捉這些數據的內在關聯性。數據之間可能不存在任何數學關系或者存在一定的關聯，機器學習的優點就是能挖掘出數據之間存在的其他潛在的相關信息。近年來，已有學者將機器學習理論應用到了車輛跟馳的探討中。文獻[11-12]將神經網絡算法與車輛跟馳行為研究很好地結合在一起，對此進行了一系列的探討分析。機器學習主要包括貝葉斯網絡、最小二乘支持向量機、神經網絡等自動學習的算法。本文將最小二乘支持向量機回歸算法引入單條道路的車輛跟馳模型進行研究，在處理和篩選真實的NGSIM交通流數據后，對本文提出的模型進行一系列的訓練和測試，并模擬車輛在道路上行駛的真實情形，再與Gipps模型的仿真結果進行比較分析，以驗證本文提出的模型的可靠性。

1 最小二乘支持向量機理論

最小二乘支持向量機[13-18]是依托標準的支持向量機而進行的一種延伸算法，它是最小二乘法和支持向量機的混合體，通過二次規劃的求解方法來處理函數的預測問題。對于已知的樣本集，{(x1,y1),(x2,y2),…，(xl,yl)}，xi∈Rd,yi∈R,其中R為實數集，xi為第i個d輸入(i=1,2,…，l),yi為相應輸出，則LS-SVM的線性回歸函數

f(xi)=wTφ(xi)+b，

式中：φ(xi)為核空間映射函數；w為權向量；b為常數。

借助二次懲罰函數，LS-SVM線性回歸可以變形為最優化問題。LS-SVM回歸算法的目標函數為

s.t.

yi=wTφ(xi)+b+ei,i=1,…,l，

式中：e=[e1,e2,…，el]T,ei為松弛變量；γ為正規劃參數。

可構造對應的拉格朗日方程

式中：a=[a1,a2,…，al]，ai為拉格朗日乘子。

其庫恩-卡特條件為

求解該最優化問題等價為求解線性方程

(1)

求解式(1)獲得a,b的值

LS-SVM回歸算法的函數估計為

式中:K(xi,xj)為核函數,K(xi,xj)=〈φ(xi),φ(xj)〉,〈,〉為內積。

本文在構造LS-SVM模型時，采用的核函數為高斯基RBF核函數。

2 建立車輛跟馳模型

影響駕駛員駕駛行為的直接因素是行駛道路的交通環境，從眾多影響道路行駛環境的因素中辨別出各個因素的影響程度非常復雜，即使是駕駛經驗豐富的駕駛員或資深的車輛專家也很難準確的判斷出每個影響因素的重要度。本文通過綜合考慮跟馳車輛附近各種影響道路環境的因素，提出基于最小二乘支持向量機回歸算法的車輛跟馳模型，以準確的區分各個影響因素的重要性和先后次序，并為駕駛員提供可靠的信息以輔助其合理地控制車輛，保證安全駕駛。

本文提出的車輛跟馳模型中所選取的3個輸入變量和2個輸出變量對應到訓練樣本集中的關系為：

LS-SVM車輛跟馳模型的原理示意圖見圖2。

圖1 單車道上車輛跟馳情形示意圖 圖2 LS-SVM車輛跟馳模型原理示意圖

3 數據描述

真實可靠的數據是檢驗本文提出模型的可靠性和有效性的前提，本文采用NGSIM交通流數據，該數據來自于NGSIM(Next Generation Simulation)研究計劃，該計劃由美國聯邦公路局倡議，并主要致力于微觀交通仿真的研究。通過應用航空測試的方式，對所測試道路某個節點上所有跟馳車輛的動態行駛軌跡數據進行收集，并形成一個數據集。所匯聚的數據能很好的展現多條車道中跟馳車輛特性的相關信息，包括車輛的行進軌跡、加速度、速度、車輛的長度等，數據搜索時間可以縮小到1.1 s。這是一套理想的交通流數據，適用于車輛跟馳模型中參數的標定、不同類型駕駛員的行為分析研究等。雖然NGSIM研究計劃是在美國進行的，但由于車輛之間的跟馳行為具有普遍性的特點，國籍、地域不會對車輛跟馳行為產生較大的影響，并且這組車輛跟馳數據是在一般道路交通環境(道路、駕駛員、軌跡路線、天氣等)條件下獲取的，很多其他國家的學者都高度關注NGSIM數據，并將其廣泛應用在跟馳理論的研究中。

本文主要研究道路交通環境下單車道上車輛的跟馳特性，通過NGSIM數據來訓練和測試所提出的車輛跟馳模型，由于NGSIM數據的搜集主要是針對多車道上的跟馳車輛，因此在訓練和測試模型之前需要對NGSIM數據進行處理，具體操作如下：

1)在獲取的數據中選定在一般道路交通環境條件下的車輛跟馳數據；

2)選定數據后，把跟馳中的2輛車看成一個整體，構成一個跟馳單元；

3)在跟馳單元中，車輛的行駛特征為在相同的車道上跟隨行駛(跟馳車輛不發生換道和超車行為)；

4)在跟馳單元中，跟馳中的2輛車間距過大時，說明該數據中的兩輛車未表現出明顯的跟馳特性，需要將該跟馳車輛和被跟馳車輛的行駛軌跡數據篩選出來并刪掉；

5)篩取跟馳單元時，需滿足跟馳車輛的持續跟馳時間長達26 s，并保留該跟馳單元中車輛的行進軌跡。

通過上述5個步驟對數據源進行甄選得到本文模型訓練和測試所需要的樣本數據，所得的樣本數據具有普適性，并且精度高，能夠真實反映道路交通環境下的單車道上車輛的跟馳特性，確保本文提出的車輛跟馳行為模型具有較強的適應性。所得的樣本數據分為訓練與測試數據，前者是為了訓練模型，對模型中的參數進行標定，后者用來檢驗訓練好的模型的有效性。

4 模型評價

先訓練基于LS-SVM回歸算法的車輛跟馳模型，其次，檢驗訓練好的模型的有效性。

4.1 評價指標選取

評價模型的測試結果時，選取統計學中較普遍的4個統計量，分別為：EM、EMA、ERMS、EMAR(分別為平均誤差、平均絕對誤差、均方根值誤差、平均絕對相對誤差)[18]，計算公式分別為：

(2)

(3)

(4)

(5)

式中：N為測試數據樣本數；dr,i和ds,i分別為與第i輛車相對應的加速度(或速度)的真實值和預測值。

4.2 評價結果分析

圖3 最優參數的選擇結果示意圖

(6)

然后，利用式(2)～(5)，針對本文提出的LS-SVM車輛跟馳模型的預測結果，求出該模型中的4個誤差指標，針對傳統Gipps模型進行上述同樣的處理操作，評價結果見表1。

由表1可以得出，與傳統Gipps模型相比，LS-SVM模型中加速度與速度對應的4項誤差指標均有顯著改善；加速度所對應的EM、EMA、ERMS、EMAR4項指標的提高值分別為0.031 5、0.046 3、0.029 7、0.019 8，速度所對應的EM、EMA、ERMS、EMAR4項指標的提高值分別為0.024 9、0.318 5、0.380 9、0.080 4。這表明基于最小二乘支持向量機的車輛跟馳模型的仿真結果比傳統Gipps模型更吻合真實的NGSIM數據。換句話說，LS-SVM回歸算法適用于車輛跟馳模型的仿真與分析研究。

表1 LS-SVM車輛跟馳模型與傳統Gipps模型的評價對比結果

5 結論

1)基于最小二乘支持向量機的車輛跟馳模型能夠準確揭示出影響車輛跟馳行為的各種因素之間的聯系。利用NGSIM數據對模型學習與訓練，驗證了基于最小二乘支持向量機的車輛跟馳模型的誤差精度比傳統Gipps模型更高。LS-SVM模型中加速度所對應的EM、EMA、ERMS、EMAR4項誤差指標分別比傳統Gipps模型提高29.09%、5.31%、2.69%、6.39%；速度所對應的EM、EMA、ERMS、EMAR4項誤差指標分別比傳統Gipps模型提高2.03%、10.47%、9.91%、27.23%。

2)后續研究可以從以下方面完善模型來進一步減少誤差：采用圖像處理的方法和擴大訓練樣本，可以逐步使得模型的精度更高；在模型中考慮駕駛員對于前方車輛的速度變化做出反應的不對稱性。

[1]GAZIS D C,HERMAN R,ROTHERY R W.Nonlinear following the leader models of traffic flow[J].Operations Research,1961，9(4)：545-567.

[2]WIEDEMANN R.Simulation of road traffic in traffic flow[R].Karlsruhe: University of Karlsruhe(TH)，1974.

[3]GIPPS G.A behavioural car-following model for computer simulation[J].Transportation Research Part B: Methodological，1981，15(2)：105-111.

[4]王文清,王武宏,鐘永剛,等.基于模糊推理的跟馳安全距離控制算法及實現[J].交通運輸工程學報， 2003，3(1)：72-75. WANG Wenqing，WANG Wuhong，ZHONG Yonggang，et al.Car-following safe distance control algorithm and implementation based on fuzzy inference[J].Journal of Traffic and Transportation Engineering，2003，3(1)：72-75.

[5]許倫輝,羅強,吳建偉,等.基于最小安全距離的車輛跟馳模型研究[J].公路交通科技， 2010，27(10)：95-100. XU Lunhui，LUO Qiang，WU Jianwei， et al.Study of car-following model based on minimum safety distance[J].Journal of Highway and Transportation Research and Development， 2010，27(10)：95-100.

[6]KIKUCHI C,CHAKROBORTY P.Car following model based on a fuzzy inference system[J].Transportation Research Record,1992，1194 (1)：82-91.

[7]MCDONALD M,WU J,BRACKSTONE M.Development of a fuzzy logic based microscopic motorway simulation model[C]// Intelligent Transportation System.Boston：IEEE Conference,1997: 82-87.

[8]賈洪飛,雋志才,王曉原.基于模糊推斷的車輛跟馳模型[J].中國公路學報， 2001， 14(2)：81-82. JIA Hongfei,JUAN Zhicai,WANG Xiaoyuan.Car-following model based on fuzzy inference system[J].China Journal of Highway and Transport， 2001， 14(2)：81-82.

[9]MAR J， LIN F J， LIN H T， et al.The car following collision prevention controller based on the fuzzy basis function network[J].Fuzzy Sets and Systems，2003， 139(1)：167-183.

[10]邱小平,孫若曉,于丹,等.改進的基于模糊推理的車輛跟馳行為分析方法[J].華南理工大學學報(自然科學版),2015， 43(8)： 135-143. QIU Xiaoping,SUN Ruoxiao,YU Dan,et al.An improved method to analyze car-following behavior based on fuzzy inference system[J].Journal of South China University of Technology(Natural Science Edition),2015， 43(8)： 135-143.

[11]賈洪飛,雋志才.基于神經網絡的車輛跟馳模型的建立[J].公路交通科技，2001，18(4)：92-94. JIA Hongfei,JUAN Zhicai.Development of a car of following model based on artificial neural networks[J].Journal of Highway and Transportation Research and Development，2001，18(4)：92-94.

[12]SIMONELLI F,BIFULCO G N,DE MARTIANIS V,et al.Human-like adaptive cruise control systems through a learning machine approach[C]//Applications of Soft Computing.Berlin Heidelberg : Springer-Verlag，2009：240-249.

[13]SUKYKENS J A K，GESTEL T V，BRABANTER J De，et al.Least squares support vector machines[M].Singapore: World Scientific，2002：43-49.

[14]WANG H，HU D.Comparison of SVM and LS-SVM for regression[C]// Neural Networks and Brain.Beijing：IEEE,2005,1：279-283.

[15]楊延西,劉丁.基于小波變換和最小二乘支持向量機的短期電力負荷預測[J].電網技術，2005，29(13)：60-64. YANG Yanxi,LIU Ding.Short-term load forecasting based on wavelet transform and least square support vector machines[J].Power System Technology，2005， 29(13)：60-64.

[16]龔文龍.基于最小二乘支持向量機的短期負荷預測[D].長沙：湖南大學， 2014. GONG Wenlong.Shor-term load forecasting model based on least square support vector machine[D].Changsha：Hunan University，2014.

[17]王德意,楊卓,楊國清.基于負荷混沌特性和最小二乘支持向量機的短期負荷預測[J].電網技術，2008，32(7)：66-71. WANG Deyi，YANG Zhuo，YANG Guoqing.Short-term load forecasting based on chaotic characteristic of loads and Least Squares support vector machines[J].Power System Technology，2008，32(7)：66-71.

[18]PUNZO V,SIMONEILI F.Analysis and comparison of microscopic traffic flow models with real traffic microscopic data[J].Transportation Research Record: Journal of the Transportation Research Board，2005(1934)：53-63.

[19]楊達,蒲云,楊飛,等.基于最優間距的車輛跟馳模型及其特性[J].西南交通大學學報，2012，47(5)：888-894. YANG Da，PU Yun，YANG Fei，et al.Car-following model based on optimal distance and its characteristics analysis[J].Journal of Southwest Jiaotong Universty，2012，47(5)：888-894.

[20]VINCENZO Punzo,FULVIO Simonelli.Analysis and comparison of microscopic traffic flow models with real traffic microscopic data[J].Transportation Research Record: Journal of the Transportation Research Board，2005，1934(1)：53-63.

[21]ELMAR Brockfeld,REINHART D Kühne,PETER Wagner.Calibration and validation of microscopic models of traffic flow[J].Transportation Research Record: Journal of the Transportation Research Board，2005，1934(1)：179-187.

(責任編輯：楊秀紅)

Car-Following Behavior Model Based on Least Squares Support Vector Machine

QIUXiaoping1,2,3，LINa1

(1.SchoolofTransportationandLogistics,SouthwestJiaotongUniversity,Chengdu610031,China; 2.NationalandLocalJointEngineeringLaboratoryonComprehensiveIntelligence-basedTrafficandTransportation,Chengdu610031,China; 3.KeyLaboratoryonComprehensiveTransportationofSichuanProvince,Chengdu610031,China)

The least squares support vector machine (LS-SVM) algorithm describes and fits the car following behaviors on roads with Chinese traffic flow characteristics.The study uses the LS-SVM model to simulate the car-following behaviors on single-lane road.It uses NGSIM data to verify LS-SVM model and also tests the model against traditional Gipps model.The results show that the accuracy of error indicators of the LS-SVM model is improved more significantly than the Gipps model.The LS-SVM model is able to display the potential relationships between variables and compensate the shortage of traditional car-following model.

car-following；machine learning；least squares support vector machine；regression forecast

2016-05-25

國家自然科學基金( 51278429、51408509)；四川省科技廳項目(2013GZX0167、2014ZR0091)；中央高?；緲I務經費 (SWJTU11CX080) ；成都市科技局項目(2014-RK00-00056-ZF)

邱小平(1976—)，男，四川南充人，西南交通大學教授，工學博士，主要研究方向為交通運輸規劃與管理，E-mail: qxp@home.swjtu.edu.cn.

10.3969/j.issn.1672-0032.2016.04.008

U491.2

A

1672-0032(2016)04-0052-06