基于门控循环单元的车辆跟驰行为仿真模型

发布时间：2020-12-17 18:53

　　驾驶员记忆效应能有效提高车辆跟驰行为中的加速度预测准确率,结合General Motors （GM）跟驰模型与门控循环单元网络建立新的车辆跟驰模型。通过数据预处理获得有相似驾驶行为的小型车间车辆跟驰数据,校准新模型,从而确定模型的最优参数与结构,依据车辆跟驰特性通过仿真验证了模型有效性,与神经网络、支持向量回归进行对比,仿真结果证明,结合了L-BFGS优化的GRU车辆跟驰模型比仅考虑前导车与跟驰车间瞬时相互作用的车辆跟驰模型,能得到更高的仿真精度和稳定性。 

【文章来源】：系统仿真学报. 2020年10期 北大核心

【文章页数】：12 页

【部分图文】：

神经元结构

常用的神经网络有前馈网络、反馈网络和图网络。前馈网络不具有记忆性，而反馈神经网络中的神经元具有记忆功能，在不同的时刻具有不同的状态。反馈神经网络(Feedback Neural Network)通过允许神经元接收其他和自身神经元的反馈信号从而拥有记忆性。由此，在本文中采用反馈神经网络。基本结构如图2所示。在反馈神经网络中，信号可以单向传播，也可以双向传播。本文选择单向传播。

遗忘门ft控制上一时刻的内部状态要遗忘的信息量；输入门ct–1控制当前时刻的候选状态tc(4)要保留的信息量；输出门tc(4)控制当前时刻的内部状态ct要输出给外部状态ct的信息量。图3展示了LSTM单元的内部结构。图3中，?代表向量元素乘，?代表向量元素加，σ(x)为Sigmoid激活函数。则3个门的计算方式分别为：

【参考文献】：
期刊论文
[1]基于在线支持向量回归的车辆跟驰模型研究[J]. 王洪鹏,陈锋.  电子技术. 2018(11)
[2]汽车跟驰状态下驾驶员反应时间研究[J]. 杨林,邢翠芳,赵海冰.  计算技术与自动化. 2015(03)
[3]车辆跟驰行为建模的回顾与展望[J]. 王殿海,金盛.  中国公路学报. 2012(01)
[4]基于神经网络的车辆跟驰模型的建立[J]. 贾洪飞,隽志才,王晓原.  公路交通科技. 2001(04)
[5]车辆跟驰理论的实用研究[J]. 章三乐,肖秋生,任福田.  北京工业大学学报. 1992(03)

博士论文
[1]基于数据驱动方法的车辆跟驰行为建模与分析[D]. 鲁斌.西南交通大学 2017
[2]考虑视觉注意特性的车辆跟驰行为建模[D]. 金盛.吉林大学 2010

硕士论文
[1]车辆跟驰模型参数标定与验证研究[D]. 乔晋.上海交通大学 2008



本文编号：2922519