利用自学习方法分析非对称驾驶行为讲解.docx

利用自学习方法分析非对称驾驶行为关键词：非对称驾驶行为 中线 滞后 支持向量回归摘要：本文提出了一种自学习支持向量回归（SVR）方法来调查车辆跟驰中的不对称特性及其对交通流变化的影响。在微观层面上，我们发现加速和减速之间的程度差异将导致“中性线”，中性线将速度-距离图分成加速和减速主要区域，然后使用该性质来讨论走走停停交通中微观滞后的特性和幅度。在宏观层面上，根据不同驾驶者中性线的分布，不同的拥挤扩散模式会再现并且发现其与Newell的汽车跟驰理论一致。本文还分析了流量密度图中的不对称驱动行为和宏观滞后之间的关系，并且发现它们呈正相关。1.引言 车辆跟驰的不对称性早就被很好地识别出来，但是很少有研究已经调查其对交通流的影响。来自加速度和减速度之间的强度（幅度）差异的不对称性基于这样的事实：来自加速度和减速度之间的强度（幅度）差异的不对称性基于这样的事实：给定幅度的正相关速度下的加速度不如给定相同幅度的负相关减速度那么强烈。这种不对称特性很容易理解，因为在空间上驾驶者把更多的注意力放在加速上而不是减速上。Leutzbach(1988),Aron(1988)和Gong et al.(2008)已经很好的察觉到强度的差异性，并且也证实了这一点。最近，Tordeux et al.（2010）利用NGSIM数据也证实了加速与减速间的差异性。另一个非常著名的非对称特性也称作在停停走走交通里观察到的滞后。在滞后时，如果给定相同的速度，驾驶者习惯在加速时比减速时前进更多。Zhang（1999）提出了一种理论方法来模拟从真实交通中观察到的宏观滞后现象。他将交通流分成了三种类型：加速，减速和平衡，以获得速度集中和占比关系。最近，Laval和Leclercq（2010）提出了一种对非固定值的滞后计算的方法，并确定了四种类型的滞后，包括强，弱，可忽略不计和负。从微观的视角看，Yeo(2008)提出了一个非对称驾驶行为理论，并解释了非对称性的一些突出的宏观交通现象。Ahn et al.(在出版)还通过比较平衡和观察到的间距来研究微滞后。 当用平衡间隔计算时，发现在正回路中比负回路中的幅度更小。在本文中，作者尝试用自学习方法，也称作支持向量回归去进一步分析非对称性。SVR在发掘数据集中变量间的内在关系更高效。给定一个轨迹数据集，包括强度差异和滞后的不对称特性都可以由支持向量回归很好的跟踪和学习，因为支持向量回归拥有强大的学习能力。传统上来说，旨在提供数据的信息描述的数据分析通常采用多变量回归方法，假设变量之间存在线性或非线性关系。然而，对数学公式的这种结构假设通常由经验或先验知识指出，这可能导致严重的偏差（Hair et al.,1998）。如果采用线性形式，分析模型可能太简单，无法表示变量之间的潜在复杂关系。但是如果应用高阶形式，模型可能变得过于复杂和过度拟合，这会放大了数据的微小波动，并且由于经验风险最小化（ERM）原理会导致不好的性能一般化（Hastie et al.2003）。SVR方法通过应用结构风险最小化（SRM）原理来解决前述缺陷，该原理使预期风险的上限最小化，并且能够在模型复杂性和经验误差之间进行权衡（Vapnik,1995）。这种差异使SVR具有更强大的一般化能力，并且与常规数据分析相比具有更好的性能。基于美国高速公路101的NGSIM数据库，本文分析了从个体驾驶者到复杂驾驶者的强度差异和滞后。在微观层面上，我们从三个定量方面分析了个体驾驶员的不对称性：强度差的中间状态，车辆状态对滞后的影响以及强度差和滞后之间的关系。然后我们将分析扩展到宏观层面，注重微观不对称行为如何影响流量密度图中的拥堵扩散模式和宏观滞后。本文的余下部分结构如下：第2节提出了基于SVR的非对称汽车跟驰模型。第3节介绍了基于NGSIM数据，对模型的训练和验证。第4节介绍的是非对称性的系统分析和强度差和滞后之间的关系的讨论。第5节扩展到宏观层面上分析微观层面上的驾驶行为对拥堵扩散模式和滞后的影响在流量密度图中如何体现。第6节总结全文。用于分析非对称驾驶行为的一种自学习方法支持向量机（SVM）是基于Vapnik（1998），Cherkassky和Ma（2004）开发的统计学习理论的通用学习方法。SVM以结构风险最小化原理去最小化预期风险的上限。这一功能使SVM具有从训练样本到未知状态空间的更大的性能一般化。SVR是SVM对于回归问题的一种应用。给定一个训练数据集，一个线性函数的回归函数可以表示为： （1） 在高维特征空间F中，w是向量。函数将输入值x映射到一个高维特征空间向量里。Vapnik提出的密集损失函数表示形式如下：