基于视频采集数据的跟车模型标定与验证.pdf

第 21 卷第 21 期 系系 统统 仿仿 真真 学学 报报 Vol.21 No.21 2009 年 11 月 Journal of System Simulation Nov.,2009 6978 基于视频采集数据的跟车模型标定与验证基于视频采集数据的跟车模型标定与验证 高林杰1，隽志才2，张国林3（1.上海交通大学船舶海洋与建筑工程学院，上海 200240；2.上海交通大学安泰经济与管理学院，上海 200052；3.安阳市规划设计院，安阳 455000）摘摘 要：要：针对微观交通仿真中跟车模型标定与验证的数据获取精度和数据处理问题，采用视频方法采集了交叉口进口引道上车辆的微观运动录像，利用视频处理软件获取车辆微观运动参数。根据采集数据的特点，采用广义最小二乘法标定模型采用广义最小二乘法标定模型。选择车头间距作为目标函数的性能指标，对跟车模型进行了标定和验证，误差指标为 5.4%，说明标定的模型能很好的反映不同状态下的跟车行为。关键词：关键词：跟车模型；视频采集数据；车头间距；广义最小二乘法 中图分类号：中图分类号：U491.14 文献标识码：文献标识码：A 文章编号：文章编号：1004-731X(2009)21-6978-05 Calibration and Validation of Car-following Model with Video-capture Data GAO Lin-jie1,JUAN Zhi-cai2,ZHANG Guo-lin3(1.School of Naval Architecture,Ocean and Civil Engineering,Shanghai Jiaotong University,Shanghai 200240,China;2.Antai College of Economics&Management,Shanghai Jiaotong University,Shanghai 200052,China;3.Anyang Planning&Design Institute,Anyang 455000,China)Abstract:For the accuracy of data acquisition and data processing issues of calibration and validation of car-following model in microscopic traffic simulation,video was used to capture micro-movement parameters of vehicles in approaches of intersection.According to the characteristics of data collection,generalized least squares method was used to calibrate model.Headway was selected to be performance indicator of objective function and calibrate and validate car-following.5.4%error can reflect car-following behavior under the different states.Key words:car-following model;video-capture data;headway;generalized least squares method 引引 言言1 微观交通仿真模型是分析交通现象的有力工具，在评价交通设施设计和现有方案改进方面起着重要的作用。车辆跟车行为的仿真研究一直是微观仿真模型研究的重点。但是由于研究者未能从交通现象中获得真实的有效信息，缺乏合适的车辆微观交通数据，建立的微观仿真模型很难准确的再现实际交通现象。因此本文在车辆微观运动的数据采集方法、数据处理及采用获得数据对仿真模型的标定和验证等方面做了深入的分析和研究。1 跟车数据采集方法跟车数据采集方法 1.1 微观运动数据特征微观运动数据特征 在标定和验证跟车模型时，需要采集车辆的微观交通数据。车辆微观交通数据具有如下特征：(1)数据的细致程度高，需要单个交通个体每一时刻的位移、速度、加速度等相关参数。(2)数据的时空连续性强。需要采集一定时间与空间上的数据。例如跟车模型的研究需要获得一定长度或空间范围内的相关车辆连续运动的特征参数（位移、速度、加速度）。收稿日期：收稿日期：2009-06-25 修回日期：修回日期：2009-10-16 基金项目：基金项目：国家自然科学基金（50808123）；国家高技术研究发展计划“863”项目(2007AA11Z203)作者简介：高林杰作者简介：高林杰(1977-)，男，河南洛阳人，博士，助理研究员，研究方向为交通系统仿真、运输系统规划与管理等；隽志才隽志才(1954-)，男，吉林公主岭人，博士，教授，研究方向为运输系统规划与管理等；张国林张国林(1979-)，男，河南安阳人，硕士，研究方向为交通系统仿真。1.2 微观运动数据采集方法综述微观运动数据采集方法综述 根据文献1-8对国内外微观交通数据采集方法的研究，可以将数据采集方法分为 3 类：基于 GIS 的数据采集方法、基于试验车数据采集方法和基于视频图像数据采集方法。1.2.1 基于基于 GPS 的数据采集方法的数据采集方法 由于采用差分 GPS，采集的数据可以获得很高的精度，车辆可以经历不同的行驶路线和交通状态，因而可以研究不同交通状态下的跟车数据。但是在试验过程中，驾驶员知道试验的目的，驾驶行为会受干扰，对试验的结果会产生影响，不能研究驾驶员类型之间的差异对跟车模型的影响。另外，由于高精度的 GPS 试验费用较高，尤其采用多辆车以车队的形式采集数据时，需要多台 GPS，成本比较高。1.2.2 基于试验车数据采集方法基于试验车数据采集方法 采集仪器精度较高，成本较高，和 GPS 相比较，通常采集两辆跟随车的数据。驾驶员的行为同样会受到干扰，不能研究驾驶员类型之间的差异。1.2.3 基于视频图像数据采集方法基于视频图像数据采集方法 数据采集成本较低，只需要摄像机，采集数据方案简单，选取位于一定高度的观察位置点拍摄研究路段，可以观察不同车辆和不同驾驶员之间的跟车行为，而且对驾驶员行为不会产生干扰。由于采集方法本身的原因，误差比较大，很多是采用手动操作，需要花费很大的人力。在视频采集时，观察的道路长度有限，因而获得车辆的微观运动的时间较短，第 21 卷第 21 期 Vol.21 No.21 2009年11月 高林杰，等：基于视频采集数据的跟车模型标定与验证 Nov.,2009 6979 不能获得车辆连续在各种不同交通状态下的跟车行为。本文采用视频图像采集微观车辆运行数据，由于在试验过程中存在误差，采用三阶多项式平滑方法对采集的车辆原始微观交通数据做进一步的处理。2 视频采集数据及处理视频采集数据及处理 2.1 VEVID 软件介绍软件介绍 VEVID(Vehicle Video-Capture Data Collector)是堪萨斯州立大学魏衡开发的视频处理软件9。通过人工查看每帧视频图像，获得图像上车辆的坐标、位移、速度、加速度、车头间距、车头时距等运动参数。通过道路上一系列已知距离点进行标定后，可以通过鼠标确定车辆沿道路前进的位置。VEVID 将数据采集空间简化为沿道路方向的一维直线，在处理直线道路前进的交通个体时，这种简化是可以接受的。使用该软件获得数据有三个步骤：(1)从一定的高度位置拍摄所要研究的路段或者交叉口，测量参考点之间的距离，将其输入到 VEVID 参数文件；(2)将所拍摄的视频图像，通过数据线，导入到计算机里，以 AVI 格式存储，用户可以设定图像的帧数；(3)标定图像参考点的坐标，然后在每帧图像上，点击目标车辆与地面接触的显著特征点。在完成以上三步之后，车辆的运行轨迹和速度、加速度、间距会自动保存到相应的文件中。2.2 数据采集数据采集 为了研究车辆进入交叉口进口道加速、减速和稳定状态下的跟车行为，本文选取长春市南湖大路亚泰大街交叉口北进口作为研究对象，摄像机拍摄车辆从开始进入渠化车道至停车线之间的区域。2.3 数据处理数据处理 将拍摄的视频导入 VEVID 软件，如图 1 所示。图 1 VEVID 软件界面示意图 本文选取 2 帧/s，通过 VEVID 软件处理，获得车辆运动轨迹数据，包括前后两车的位移、速度和加速度数据。根据车辆运行状态，将车辆微观数据分为三种，加速跟车状态、减速跟车状态和稳定跟车状态，用于研究交叉口进口道上车辆跟车行为。每种状态选择了两组数据，共 6 组数据，限于文章篇幅，每种状态各列出一组原始数据，如表 1、表 2、表 3 所示。表表 1 加速状态跟车数据加速状态跟车数据 时间(s)前车位移(m)前车速度(m/s)前车加速度(m/s2)后车位移(m)后车速度(m/s)后车加速度(m/s2)0 12.85 3.66 1.20 3.90 2.76 0.84 0.5 15.20 4.70 2.08 5.72 3.64 1.76 1.0 17.42 4.44-0.52 7.39 3.34-0.60 1.5 19.88 4.92 0.96 9.30 3.82 0.96 2.0 22.00 4.24-1.36 11.50 4.40 1.16 2.5 24.07 4.14-0.20 14.10 5.20 1.60 3.0 26.25 4.36 0.44 16.37 4.54-1.32 3.5 28.70 4.90 1.08 19.27 5.80 2.52 4.0 31.40 5.40 1.00 22.12 5.70-0.20 4.5 34.77 6.74 2.68 24.98 5.72 0.04 5.0 37.95 6.36-0.76 27.75 5.54-0.36 5.5 41.93 7.96 3.20 30.99 6.48 1.88 6.0 44.80 5.74-4.44 34.02 6.06-0.84 6.5 50.08 10.56 9.64 37.48 6.92 1.72 7.0 53.92 7.68-5.76 41.32 7.68 1.52 7.5 58.96 10.08 4.80 45.27 7.90 0.44 8.0 63.93 9.94-0.28 48.59 6.64-2.52 表表 2 减速状态跟车数据减速状态跟车数据 时间(s)前车位移(m)前车速度(m/s)前车加速度(m/s2)后车位移(m)后车速度(m/s)后车加速度(m/s2)0 17.27 4.76-2.84 6.43 4.82-2.32 0.5 20.46 6.38 3.24 9.02 5.54 1.44 1.0 23.32 5.72-1.32 11.57 4.66-1.76 1.5 26.08 5.52-0.40 14.03 5.20 1.08 2.0 28.80 5.44-0.16 16.27 3.76-2.88 2.5 31.27 4.94-1.00 18.40 4.76 2.00 3.0 33.96 5.38 0.88 20.73 4.54-0.44 3.5 36.61 5.30-0.16 22.82 3.84-1.40 4.0 38.48 3.74-3.12 24.73 3.78-0.12 4.5 40.95 4.94 2.40 26.60 3.70-0.16 5.0 42.46 3.02-3.84 28.23 2.84-1.72 5.5 44.34 3.76 1.48 29.82 3.50 1.32 6.0 45.49 2.30-2.92 31.22 2.12-2.76 6.5 46.57 2.16-0.28 32.44 2.74 1.24 7.0 47.27 1.40-1.52 33.74 2.46-0.56 7.5 47.60 0.66-1.48 35.01 2.64 0.36 8.0 47.65 0.10-1.12 36.19 2.06-1.16 表表 3 稳定状态跟车数据稳定状态跟车数据 时间(s)前车位移(m)前车速度(m/s)前车加速度(m/s2)后车位移(m)后车速度(m/s)后车加速度(m/s2)0 22.05 2.22-0.52 8.80 0.31 0.36 0.5 24.12 4.14 3.84 8.95 0.20-0.32 1.0 26.05 3.86-0.56 9.13 0.25 0.12 1.5 28.26 4.42 1.12 9.77 0.87 1.84 2.0 29.73 2.94-2.96 10.92 1.57 2.04 2.5 32.00 4.54 3.20 12.51 2.17 1.76 3.0 33.71 3.42-2.24 13.70 1.62-1.60 3.5 35.64 3.86 0.88 14.66 1.31-0.92 第 21 卷第 21 期 Vol.21 No.21 2009 年 11 月 系 统 仿 真 学 报 Nov.,2009 6980 续表续表 3 稳定状态跟车数据稳定状态跟车数据 时间(s)前车位移(m)前车速度(m/s)前车加速度(m/s2)后车位移(m)后车速度(m/s)后车加速度(m/s2)4.0 37.06 2.84-2.04 15.87 1.65 1.00 4.5 38.45 2.78-0.12 16.94 1.46-0.56 5.0 39.29 1.68-2.20 18.45 2.06 1.76 5.5 40.59 2.60 1.84 20.28 2.50 1.28 6.0 41.34 1.50-2.20 21.83 2.11-1.12 6.5 42.40 2.12 1.24 23.18 1.84-0.80 7.0 43.26 1.72-0.80 24.86 2.29 1.32 7.5 43.67 0.82-1.80 26.53 2.28-0.04 8.0 44.39 1.44 1.24 27.62 1.49-2.32 以车辆减速跟车状态为例，绘制前车和后车的位移、速度和加速度随时间变化曲线，如图 2、图 3 和图 4 所示。图 2 减速停车的车辆位移与时间关系曲线 图 3 减速停车的车辆速度与时间关系曲线 图 4 减速停车的车辆加速度与时间关系曲线 从图 2、图 3、图 4 中可以看出，利用 VEVID 软件得出的数据，车辆位移数据较为平缓，波动较小，而速度和加速度值波动较大，尤其是加速度。分析其原因，主要是在利用软件采集数据过程中，由于手动操作，人为造成误差较大，获得数据和真实数据之间有一定偏差。为了消除数据中人为因素造成的误差，本文采用三阶多项式平滑方法，对车辆位移进行处理，从而获得车辆的速度、加速度修正数据。如图5、图 6、图 7 所示。图 5 减速停车的车辆位移与时间关系修正曲线 图 6 减速停车的车辆速度与时间关系修正曲线 图 7 减速停车的车辆加速度与时间关系修正曲线 3 跟车模型标定跟车模型标定 3.1 跟车模型跟车模型 国内外对跟车模型研究的很多，主要可以分为以下几类：刺激反应模型、安全距离模型、生理心理模型、模糊推断模型和元胞自动机模型。本文选用北京工业大学提出的 SIMSIO 跟车模型作为研究对象，该模型只需获得各种车辆的加、减速特性，模型的参数标定相对比较容易。该模型如下表示：2*()()/()ln()na tv tx tsx t+=1()()()nnv tv tvt=1()()nnxx txt=：反应迟滞时间；*s：期望车间距；根据Greenberg模型，模型期望车间距定义如下：*(2)0cvvss e=；0s：车辆间的阻塞间距；cv：特征车速。-4-3-2-1 0 1 2 3 4 01 2 345 6 789 10时间/s 加速度/m/s2 前车后车0 10203040500 123 4 5 67 8 9 10时间/s 位移/m 前车后车01234567802468时间/s 速度/m/s 前车后车-2.5-2-1.5-1-0.500.5024 6 8时间/s加速度/m/s2 前车后车0510152025303502468时间/s 位移/m 前车后车-1 0 1 2 3 4 5 6 7 0 123 45678 9 10时间/s 速度/m/s 前车后车第 21 卷第 21 期 Vol.21 No.21 2009年11月 高林杰，等：基于视频采集数据的跟车模型标定与验证 Nov.,2009 6981 3.2 标定方法标定方法 采用实测数据对微观交通仿真模型进行标定和验证具有很重要的意义。各种微观交通仿真模型在建模方法上有显著的差异，通过分析实测数据，研究不同模型性能，有助于更深入的理解实际交通系统的运行特点，从而建立更加可靠和准确反映实际交通系统的模型。ITS技术逐渐应用于道路交通系统，但是对ITS方案实施之后的评价却很困难，因为现有交通仿真工具的内部模型不是很完善，所以对微观交通仿真模型的标定和验证的重要性就更加突出。国内外的交通研究者，已经建立了许多微观仿真理论和模型，用来反映车辆纵向之间的相互作用。但是对模型标定和验证的研究却相对较少，原因有二：一是采集和处理实测数据方面比较困难和成本较大，很难对模型进行标定研究；二是由于采集数据的偏差和不合适的数据采集方案，得出的结论通常是相互矛盾的。标定跟车模型的常用方法有回归方法和最小二乘法。由于获得的数据不稳定，而且数据之间是相关的，本文没有采用常用的统计方法标定模型参数，而是采用了广义最小二乘法对模型进行标定。采用间接方法标定模型，将模型的输出结果和实测值进行比较，然后反馈到输入，问题可转化为有条件的最小化问题，目标函数是仿真输出值与实测值的偏差，通常采用广义最小二乘法（Generalized Least Square）。其具体公式如下：Min1()()obssim TobssimYYPYY=(,)simYS u x a=(,)0ig x a 1,din=(,)0jh x a=1,ejn=目标函数，测度模型的整体性能；obsY和simY分别表示标定模型指标实测值和仿真值，由模型的输出所得；P，u，x和a分别为性能指标权重、输入量、状态变量和参数的向量；ig，jh限制条件；S仿真模型。3.3 性能指标选择性能指标选择 对模型进行标定时，需要选择合适的性能指标（measure of performance MOP），反映模型所要描述现象的动态特性。选用的性能指标通常有车辆速度、车头间距和车头时距，因此车辆的微观交通数据包括车辆速度、车头间距和车头时距的时间序列。在完成仿真后，通常采用偏差检验，查看仿真数据和实测数据是否相匹配，来评价模型的整体性能。本文没有采用常用的统计检验，是因为测量数据不稳定，且自相关。通常用的误差检验包括：均方根偏差（root mean square error，RMSe),均方根百分比偏差（root mean square percentage error，RMSPe)和西尔不等式系数（Theil inequality coefficient，U)。21()obssimiiiRMSeYYN=21()obssimiiiobsiYYRMSPeNY=2221()11()()obssimiiiobssimiiiiYYNUYYNN=+不同性能指标，会对标定结果产生影响。首先，选择车头时距作为性能指标，对于非线性目标函数，可能会产生非最优解。尤其在车速接近为0m/s时，车头时距值将会非常大。这个范围内的速度值在标定时，权重非常大，为了消除速度接近0m/s时的观测偏差，可以做一定的修正。在速度小于1m/s时，可以认为速度值为0m/s。其次，选择速度作为性能指标。最初的观测认为，对于跟车模型，选择速度作为性能评价指标，要优于车头间距和车头时距。观测速度和仿真速度的偏差通常低于10%，确实比其它两个指标偏差小。这样的结果可能是由于数据误差造成的。在标定速度时，时间tk-1和tk段内速度误差，会造成相同的时间段tk-1，tk内间距的误差，但是对于相同的时间段内，这个误差保持相同，可以由相反方向的速度抵消1。通过上述分析，本文选择车头间距作为目标函数的性能指标。SIMSIO跟车模型需要标定3个参数：反应时间，特征车速VC，实际阻塞间距s0。本文利用采集的数据，取1s，选择车头间距作为目标函数的性能指标，对特征车速VC和阻塞间距s0进行标定。3.3 标定结果标定结果 以车头间距为目标函数性能指标，对跟车模型进行标定，结果为s0=10.0m，VC=25.2km/h。21()1.196obssimiiiRMSeYYN=21()0.09obssimiiiobsiYYRMSPeNY=4 模型验证模型验证 将采集得到的实测数据分为两部分，一部分用于标定模型参数，另一部分采用标定得出的参数，使模型运行得出仿真数据。对模型进行验证时，采用的性能评价和标定时一样，偏差检验包括：均方根偏差、均方根百分比偏差。验证结果：21()0.663obssimiiiRMSeYYN=21()0.054obssimiiiobsiYYRMSPeNY=对于性能指标，通常认为10%RMSPe时，在可接受范围内。由于5.4%10%RMSPe=，因此本文跟车模型通第 21 卷第 21 期 Vol.21 No.21 2009 年 11 月 系 统 仿 真 学 报 Nov.,2009 6982 过验证，可以用来描述交叉口车辆跟车行为。绘制两车间距仿真值与实测值时间序列对比分析图，如图8、图9、图10所示，分别为车辆在交叉口进口道上加速、减速和稳定跟车状态下仿真车头间距和实测车头间距的对比分析图。图 8 加速跟车状态下仿真与实测车头间距 图 9 减速跟车状态下仿真与实测车头间距 图 10 稳定跟车状态下仿真与实测车头间距 从图中可以看出，本文建立的跟车模型可以很好的仿真车辆在交叉口进口道上不同状态下的跟车运动行为。5 结论结论 本文通过分析用于标定模型的微观运动数据特征，采用视频软件VEVID采集了交叉口进口道上车辆微观运动数据。根据采集数据的特点，选用广义最小二乘法标定模型。通过分析车辆速度、车头间距和车头时距三个性能指标对标定结果的影响，选择车头间距作为目标函数的性能指标，对跟车模型进行了标定和验证。参考文献：参考文献：1 Vincenzo Punzo,Fulvio Simonelli.Analysis and Comparison of Car-following Models Using Real Traffic Microscopic Data C/TRB 2005 Annual Meeting,2005.USA:Mira Digital Publishing,2005,2766:1-19.2 Mark Brackstone*,Beshr Sultan,Mike McDonald.Motorway Driver Behavior:Studies on Car Following J.Transportation Research Part F(S1369-8478),2002,5(1):31-46.3 Sakia Ossen,Serge P.Hoogendoorn.Car-following Behavior Analysis from Microscopic Trajectory Data C/TRB 2005 Annual Meeting,2005.USA:Mira Digital Publishing,2005,1115:1-17.4 Kazi Iftekhar Ahamed.Modeling Drivers Acceleration and lane Changing Behavior D.USA:Massachusetts Institute of Technology,1999.5 Peter Hidas*.Modelling vehicle intersections in microscopic simulation of merging and weaving J.Transportation Research Part C(S0968-090X),2005,13(1):37-62.6 王晓原.微观交通流仿真建模理论及一体化仿真环境研究 D.长春:吉林大学博士论文,2003.7 张智勇.城市快速道路车辆跟驰模型研究 D.北京:北京工业大学博士论文,2002.8 何民.混合交通流微观仿真关键技术研究 D.北京:北京工业大学博士论文,2003.9 Heng Wei.Observed Lane-Choice and Lane-Changing Behaviors on an Urban Street Network Using Video-Capture-Based Approach and Suggested Structures of Their Models D.USA:University of Kansas,1999.0 2 4 6 8 101214160 12 34 5 6 7 8时间/s 车头间距/m 实测仿真02468101201 2 3 4567 8时间/s 车头间距/m 实测仿真051015202501 234 56 7 8 9 时间/s 车头间距/m 实测仿真