基于神經網絡的車輛跟馳模型

王振文

摘要：本文提出了一種改進的車輛跟馳模型。基于神經網絡的原理，在戰略、戰術和具體操作三個層次上對駕駛員行為進行全方位的分析，借助于速度、加速度、反應時間、 GPS 數據對神經網絡進行訓練，選取合適的神經網絡層數、節點數以及合適的訓練方法，利用誤差反向傳播（ BP）算法，可以很好地實現對未來一個時刻車輛行為的預測。

關鍵詞：神經網絡 車輛跟馳 智能系統

中圖分類號：U491 文獻標識碼：A 文章編號：1007-9416（2016）12-0081-01

引言

微觀模型越來越多的被應用于評估新的智能運輸系統。車輛跟馳模型就是其中之一[3]。車輛跟馳模型基于這樣的假設：后車司機受到一系列變量的影響，車輛的行駛受到人的影響最大，所以建立模型實際上就是將人的駕駛技巧轉化成智能系統。為了得到高保真度的微型仿真，人們主要是研究戰術層面的行為。

1 神經網絡的應用

人工神經網絡（Artificial Neural Networks， ANN），一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型[1]。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入-輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。

2 車輛跟馳行為分析

人的駕駛行為可以分為三個層次：分別是：戰略、戰術和具體操作。戰略的駕駛行為主要是路線的規劃，戰術的駕駛行為就是實現短期的目標，比如：超車，換道等，操作層面的駕駛行為就是具體的動作如：方向盤旋轉，剎車行為等。車輛跟馳行為具有很強的非線性特性[2]。

ANN（artificial neural networks）可以用來解決復雜和不明確的問題。

基于數據的學習可以提取出數據中輸出與輸入之間的關系，它們之間的關系是復雜的、非線性的、難以精確獲得的。而神經網絡可以通過學習提取出數據之間蘊藏的規律，以較高的精度來預測將來的數據。

對車輛跟馳行為更加精確的模擬應該考慮到人反應的非線性和人感知的局限性。也就是說，駕駛員不能精確地感知相對速度和距離，做出決定的過程是非線性的。人工神經網絡可以找到駕駛員感知到的變量和駕駛員控制動作變量之間的映射關系。這使得神經網絡系統可以模擬和預測駕駛員的行為。

3 數值仿真

訓練時，實驗選取了27組輸入變量（每組輸入變量有三個元素），每組輸入變量會有一個理想輸出。也就是說，一共有27個輸出值構成了一個行向量。用來檢測的輸入向量輸入到訓練好的神經網絡中，同樣輸出27個元素的行向量。在MATLAB中畫出這兩個向量，進行比較，得出訓練效果。圖1表示訓練值與理想值的偏差，誤差絕對值可控制在30個單位之內，圖2表示預測值與實際值的位置坐標。

4 結語

本文針對傳統車輛跟馳模型存在的預測不準確，計算繁雜，實用性不高等缺點，提出了基于神經網絡的車輛跟馳模型，首先分析了神經網絡的應用原理和領域，其次分析了神經網絡在車輛跟馳模型上應用的可行性，最后通過MATLAB數值仿真驗證理論的正確性，證明了神經網絡的方法可以提高模型預測的準確性。

參考文獻

[1]韓立群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006：20-25，87.

[2]Khodayari A， Ghaffari A， Kazemi R， et al. A modified car-following model based on a neural network model of the human driver effects[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 2012， 42（6）： 1440-1449.

[3]黃婧祎.車車通信環境下耦合映射跟馳模型與超網絡研究[D].上海：同濟大學，2013.