2.哈尔滨工业大学 交通科学与工程学院，黑龙江 哈尔滨150090
3.成都市简州新城管理委员会，四川 成都 641402
摘要：车辆在黄灯期间的加速度变化与交叉口交通事故发生频率息息相关。为有效预测并量化驾驶人黄灯期间在交叉口的制动减速度和行驶加速度，构建了BP神经网络加速度预测模型，在信号交叉口实测数据基础上，通过Pearson相关性检验法分析了加速度的影响因素，并进行仿真预测验证。结果表明，构建的模型可有效预测驾驶人黄灯期间在交叉口的制动减速度和行驶加速度。
关键词：信号交叉口；BP神经网络；Pearson检验法；加速度；预测模型
0 引言
作为产生交通冲突的主要区域，交叉口成为交通事故的多发点，一方面交通安全得不到保障，另一方面也使得交叉口成为瓶颈。尤其是在黄灯期间，驾驶人的决策问题始终是人们讨论的热点。黄灯启亮时加速通过，可能会在红灯启亮前安全通过，也可能会因为判断错误而导致侧面碰撞事故；黄灯启亮前即制动停车，则无法充分发挥黄灯信号清空交叉口的作用，对交通资源也会造成一定的浪费。因此，对信号交叉口黄灯期间驾驶人驾驶行为进行预测，尤其是对制动减速度/行驶加速度进行有效分析和预测，对于制定减少交叉口冲突应对策略、降低交叉口事故率以及提升交叉口通行效率有积极意义。目前，国内外学者已取得一些研究成果。张亚平等[[[] 张亚平,温良,祁首铭,莫琼.考虑第一类两难区的黄灯信号时长优化[J].重庆交通大学学报(自然科学版),2018,37(08):69-74.]]针对信号交叉口黄灯第一类两难区进行分析，并探究了驾驶人加减速行为趋势变化。孟竹等[[[] 孟竹,邱志军.节能导向的信号交叉口生态驾驶策略研究[J].交通信息与安全,2018,36(02):76-84+92.]]以节能为导向研究了信号交叉口的生态驾驶策略问题，对各场景下车辆时空运动轨迹进行了分析。Mabuchi et al. [[[] Mabuchi R, Yamada K. Intent Estimation of Driver’s Stop-or-Run Behavior at Traffic Signal [J]. IEEE Transportation on Electronics, Information and Systems, 2013 , 133(6): 1178-1185. ]]和Vallet al. [[[] Vall N D, Wu X, Liu H X. Analysis of Driver’s Stop-or-Run Behavior at Signalized Intersections Using High-Resolution Traffic and Signal Event Data [J]. Journal of Transportation Research Board, 2013(2365): 99-108.]]分别对比了驾驶人在信号交叉口和非信号交叉口的制动和加速情况，发现了大多数驾驶人在信号交叉口选择加速通过的几率比非信号交叉口要大得多。基于这些研究，本文在交叉口实测运行数据基础上，构建BP神经网络预测模型，以求对信号交叉口制动减速度/行驶加速度进行预测并量化，为减少交通冲突的策略研究奠定基础。
1 数据采集
定义每条车道中，黄灯启亮后最后一辆选择继续行驶的车为末行车，第一辆选择刹车停驶的车为首停车。选取工作日非高峰时段，分别录制哈尔滨市4个均安装有倒计时器的信号交叉口车辆运行数据。通过PotPlayer视频播放器，采集黄灯启亮时刻首停车/末行车距离停车线距离、行驶速度、制动减速度/行驶加速度等参数，并进行统计分析，明确信号控制交叉口黄灯期间车辆行驶参数的变化程度和规律。观测数据基本信息及样本数如表1所示。
从统计结果可看出，首停车制动减速度平均值较大，大于美国国家公路运输协会标准推荐值（3.41m/s2）[[[] Traffic Engineering Handbook(6th Edition) [M]. Institute of Traffic Engineers. Prentice Hall, 2009: 45.]]和美国交通工程手册（THE）推荐值（3.05m/s2）[[[] Setti J R, Rakha, El-Shawarby I. Analysis of Brake Perception-Reaction Times on High-Speed Signalized Intersection Approaches [C]. Proceedings of 2006 IEEE Intelligent Transportation Systems Conference, Toronto Canada, 2006:689-694.]]。这是由于驾驶人为避免闯红灯行为，采取较大减速度，以保证在黄灯信号结束前停在停车线前。由末行车加速度统计特性可发现，大部分车辆加速度小于0，即采取减速操作，这是由于末行车多处于在交叉口多处于跟驰状态，大部分驾驶人黄灯期间在选择通过与不通过之间犹豫不决。
2 基于BP神经网络的制动减速度/行驶加速度预测建模
2.1 BP神经网络
BP (Back propagation)神经网络是一种无记忆特性的多层前反馈型神经网络模型。在使用BP神经网络模型做预测时不需要描述输入—输出的多层映射关系，适合用来解决复杂的非线性连续预测问题。本文选用BP神经网络作为预测模型对首停车制动减速度和末行车行驶加速度进行预测，建立基于BP神经网络的制动减速度/行驶加速度预测模型。
BP算法包含两个部分：信息的正向传播和误差的反向传播。训练数据集自输入层输入经隐层传向输出层，每一层的神经元状态只会影响下一层的状态，当输出层未得到期望的输出时，计算输出层的误差值，然后反向传播至各层以修改各层神经元的权值直至得到期望输出值[[[] White H. Learning in artificial neural networks: a statistical perspective[J]. Neural Computation, 2014, 1(4):425-464.]]。在输出层，神经元定义为：
由检验结果可知，首停车制动减速度与至停车线距离、速度和车头时距相关，末行车行驶加速度与至停车线距离、速度和车头时距相关。
2.3 神经网络结构
如图1所示，神经网络包含输入层、输出层和隐含层。其中输入层和输出层各为一层，隐含层的层数根据实际情况确定。每层神经元的个数可根据预测的要求进行调整。通过设定隐含层的的初始值，采用逐步增长法或逐步修剪法训练网络，在设定的误差范围和训练时间内，可以得到隐含层节点最优值。
选择至停车线距离、速度和车头时距作为BP神经网络的输入层神经元，以制动减速度和行驶加速度作为输出层神经元，建立基于BP神经网络的制动减速度/行驶加速度预测模型如图1所示。
式中，N为归一化数据，p实测为实测数据，pmax为实测数据最大值，pmin为实测数据最小值。
3.2模型仿真
本文采用MATLAB R2018b的神经网络工具箱进行模型的训练和仿真。按照训练数据约占数据总量2/3的原则，将4个交叉口数据分为训练数据和仿真验证数据。采用newcf创建具有收敛速度快和拟合精度高特点的级联BP网络，反复试验后确定输入层神经元个数设置为3个，输出层神经元个数设置为1个，隐含层层数设置为3层，隐含层神经元个数前两层设置为20个，第三层设置为1个，激活函数设置为双曲正切S型函数（tansig），训练函数设置为收敛速度较快的trainlm，学习函数与网络性能函数设置为默认值，训练最大迭代次数设置为1000次，每50次显示一次训练结果，训练目标设置为0.01。
采用上BP神经网络模型对数据进行训练，用样本1/3的数据进行模型的仿真验证，反复训练直至找到训练效果最佳的网络。对首停车制动减速度神经网络模型共进行10次训练，其中第6次训练得到的网络在平均误差和平均误差百分比上表现最为优异；对末行车行驶加速度神经网络模型共训练10次，其中第8次训练得到的网络在误差和误差百分比上表现最为优异。数据仿真结果如表5所示。
由表5可知，在首停车制动减速度与末行车行驶加速度神经网络模型的10次训练中，平均误差基本保持在0.5左右，平均误差百分比分别在10%和15%左右，模型满足精度要求。且首停车第10次训练网络和末行车第9次训练网络性能表现最为优异。两次预测结果如图2所示。
由图可得，首停车制动减速度和末行车行驶加速度仿真值走势与真实值基本一致，且误差较小。因此，采用BP神经网络模型预测车辆行驶状态是可靠的。
4 结论
本文通过对交叉口实测数据进行分析，探索了驾驶人在黄灯期间制动减速和行驶加速度的影响因素，并建立了BP神经网络预测模型，对实测数据进行仿真验证，得出如下结论：提出的预测模型，对交叉口黄灯期间首停车制动减速度和末行车行驶加速度预测的平均误差百分比最小分别可达9.29%和10.95%，验证了模型的有效性，可以为减少交通冲突的策略研究奠定基础。
参考文献
[1]张亚平,温良,祁首铭,莫琼.考虑第一类两难区的黄灯信号时长优化[J].重庆交通大学学报(自然科学版),2018,37(08):69-74.
[2]孟竹,邱志军.节能导向的信号交叉口生态驾驶策略研究[J].交通信息与安全,2018,36(02):76-84+92.
[3]Mabuchi R, Yamada K. Intent Estimation of Driver’s Stop-or-Run Behavior at Traffic Signal [J]. IEEE Transportation on Electronics, Information and Systems, 2013 , 133(6): 1178-1185.
[4]Vall N D, Wu X, Liu H X. Analysis of Driver’s Stop-or-Run Behavior at Signalized Intersections Using High-Resolution Traffic and Signal Event Data [J]. Journal of Transportation Research Board, 2013(2365): 99-108.
[5]Traffic Engineering Handbook(6th Edition) [M]. Institute of Traffic Engineers. Prentice Hall, 2009: 45.
[6]Setti J R, Rakha, El-Shawarby I. Analysis of Brake Perception-Reaction Times on High-Speed Signalized Intersection Approaches [C]. Proceedings of 2006 IEEE Intelligent Transportation Systems Conference, Toronto Canada, 2006:689-694.
[7]White H. Learning in artificial neural networks: a statistical perspective[J]. Neural Computation, 2014, 1(4):425-464.
论文作者:莫琼1, 廉冠2, 温良3
论文发表刊物:《城镇建设》2019年第09期
论文发表时间:2019/7/23
标签：交叉口论文; 神经网络论文; 加速度论文; 驾驶人论文; 模型论文; 信号论文; 数据论文; 《城镇建设》2019年第09期论文;