资料下载
基于交叉熵算法的跟驰模型标定
分享资料个
跟驰模型的标定是为了更好地重现真实驾驶情况从而增强交通安全和分析如停-走间断流等复杂的交通流情况。然而，跟驰模型的标定并不是一件容易的事。这是因为某些参数是不能从交通流数据中直接观测得到。此外，传统的确定性标定方法会导致大量局部最优值的出现。在此基础上，本文提出了基于交叉熵算法的跟驰模型标定的框架，基于蒙地卡罗与重要样本策略逐步逼近参数的最优概率密度函数。实例分别采用合成数据与实测数据标定智能驾驶模型，验证了交叉熵算法搜索全局最优值的能力，并体现了交叉熵算法适用于实测交通流数据标定的潜能。
在进行交通规划和交通决策投入使用之前，精确地重现特定交通场景上的交通行为将会为交通工作者提供极大的帮助。因此，交通微观模型，特别是跟驰模型，在模拟复杂的交通场景，例如交通事故现场、交通信号灯控制等方面得到了广泛的应用。然而，不同交通场景上的交通行为存在着极大的差异，并且，即使在同一交通场景中，早上与晚上的交通行为也截然不同。因此，能极大地提高跟驰模型重现特定交通场景上交通行为描述能力的参数标定是必不可少的。然而，交通仿真模型的描述能力越强，表征的交通状态越多，模型内部结构越复杂，所需标定的参数也越多，参数标定过程也越困难。首先是交通仿真模型的绝大部分参数是不能够从交通数据中直接观测得到，比如微观跟驰模型中的驾驶员反应时间、期望速度、期望间距等；其次，不同类型的道路传感器的检测原理与结构互不相同，导致检测的交通数据往往存在不同程度的误检甚至漏检的情况；最后，通过最小化模型输出与观测数据之间的差异构建的模型标定优化问题，往往存在着大量的局部最优解。上述情况都在不同程度上加剧交通模型标定的难度，导致模型描述性能得不到充分的体现。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
