一种智能网联混合交通流预测方法、装置及电子设备

本发明涉及交通流预测，尤其涉及一种智能网联混合交通流预测方法、装置及电子设备。

背景技术：

1、智能网联混合交通流是人工驾驶车辆与智能网联车辆混行的交通流。智能网联(自动驾驶、车路协同)技术研发是道路交通发展的重要方向和热点领域。智能网联车辆将经历由无到有、由低渗透率到高渗透率的发展过程，智能网联车辆和人工驾驶车辆在未来将长期共存。智能网联混合交通流的预测是现代智能交通系统的重要组成部分，可提高交通效率和安全性。混合行驶的各车辆之间相互影响，基于各个车辆的驾驶行为，可以预测得到智能网联混合交通流，例如，预测未来某一时刻各车辆的速度和位置。跟车模型，或称为跟驰模型，用于表征车辆的驾驶行为，这一模型反映了驾驶员在获得前方车辆信息后所做出的反应行为，包括加速或减速动作等。

2、现有的跟车模型通常为确定性跟车模型，例如根据当前车辆速度、前方车辆的速度或车辆间距，基于预设的模型规则，得到某一加速度值以表征驾驶行为。然而，针对人工驾驶车辆，驾驶员加减速行为取决于驾驶员通过视觉、听觉等感知车辆行驶速度、与前方车辆速度差δv和车辆间距s等信息，而感知的信息存在一定的不准确性和误差。由此，现有的跟车模型并不能准确描述人工驾驶行为，导致智能网联混合交通流的预测结果准确性降低。

技术实现思路

1、本发明提供了一种智能网联混合交通流预测方法、装置及电子设备，以解决现有跟车模型不准确导致智能网联混合交通流的预测结果准确性较低的问题。

2、第一方面，本发明提供了一种智能网联混合交通流预测方法，包括：获取预构建的混合交通流模型，其中，所述混合交通流模型包括人工驾驶跟车模型和智能驾驶跟车模型。所述人工驾驶跟车模型包括加速度确定项和加速度随机项，所述加速度随机项包括均值为零的感知误差正态分布。获取当前时刻混合交通流中各车辆的速度和位置，其中，所述车辆的类型包括人工驾驶车辆和智能网联车辆。针对任一所述人工驾驶车辆，基于当前时刻该人工驾驶车辆的速度和/或跟车间距，通过正相关关系，确定该人工驾驶车辆感知误差正态分布的方差；基于该人工驾驶车辆感知误差正态分布的方差，更新所述人工驾驶跟车模型的感知误差正态分布，得到该人工驾驶车辆更新后人工驾驶跟车模型；基于当前时刻各车辆的速度和位置，所述更新后人工驾驶跟车模型，以及预构建的混合交通流模型中的智能网联车辆模型，预测下一时刻各车辆的速度和位置。

3、在一种可能的实现方式中，基于当前时刻各车辆的速度和位置，所述更新后人工驾驶跟车模型，以及预构建的混合交通流模型中的智能网联车辆模型，预测下一时刻各车辆的速度和位置包括：针对任一所述人工驾驶车辆，基于该人工驾驶车辆当前位置和前方车辆位置，得到该人工驾驶车辆的跟车间距；根据所述人工驾驶车辆的速度、跟车间距和前方车辆速度，得到当前时刻所述人工驾驶车辆的加速度确定项；在更新后人工驾驶跟车模型的所述感知误差正态分布范围内，生成随机数，得到当前时刻所述人工驾驶车辆的加速度随机项；基于所述加速度确定项和所述加速度随机项，得到当前时刻所述人工驾驶车辆的加速度；基于当前时刻所述人工驾驶车辆的加速度、速度和位置，得到该人工驾驶车辆下一时刻的速度和位置；针对任一所述智能网联车辆，基于该智能网联车辆当前时刻的速度和位置，通过智能驾驶跟车模型，预测得到该智能网联车辆下一时刻的速度和位置。

4、在一种可能的实现方式中，所述人工驾驶跟车模型包括：

5、ahdv＝mid{ac+ar，amim，amax}

6、ac＝f(v，δv，s，τ)

7、ar＝n(0，g(s or v，-))+n(0，ε2)

8、其中，ahdv表示人工驾驶车辆的加速度。ac表示加速度确定项。ar表示加速度随机项。amin表示加速度下限。amax表示加速度上限。v表示速度。δv当前车辆与前方车辆的速度差。s表示当前车辆与前方车辆的跟车间距。τ表示反应时间。n(0,g(s or v，-))表示感知误差正态分布。g(s or v，-)表示感知误差正态分布的方差。n(0,ε2)表示干扰误差正态分布，为外界干扰导致的误差。

9、在一种可能的实现方式中，所述基于当前时刻所述人工驾驶车辆的加速度、速度和位置，得到该人工驾驶车辆下一时刻的速度和位置包括：基于当前时刻所述人工驾驶车辆的加速度和速度，以及当前时刻与下一时刻的时间差，得到该人工驾驶车辆下一时刻的速度。基于当前时刻所述人工驾驶车辆的速度和位置，以及下一时刻的速度，得到该人工驾驶车辆下一时刻的位置。

10、在一种可能的实现方式中，基于当前时刻该人工驾驶车辆的速度和/或跟车间距，通过正相关关系，确定该人工驾驶车辆感知误差正态分布的方差包括：根据所述人工驾驶车辆的跟车间距，基于以下公式确定感知误差正态分布的方差：

11、g(s)＝α*sβ

12、其中，g(s)表示基于跟车间距确定的感知误差正态分布的方差。s表示跟车间距。α、β表示标定的公式常量系数。或者，根据所述人工驾驶车辆的速度，基于以下公式确定感知误差正态分布的方差：

13、g(v)＝α*vβ

14、其中，g(v)表示基于跟车间距确定的感知误差正态分布的方差。v表示速度。α、β表示标定的公式常量系数。或者，根据所述人工驾驶车辆的速度和跟车间距，基于以下任一公式确定感知误差正态分布的方差：

15、g(s，v)＝α*sβ*vγ

16、g(s,v))＝αln(v*s)

17、

18、其中，g(v)表示基于速度与跟车间距确定的感知误差正态分布的方差。α、β、γ表示标定的公式常量系数。

19、在一种可能的实现方式中，在预测下一时刻各车辆的速度和位置之后，还包括：将上述下一时刻作为当前时刻，循环执行获取所述当前时刻各车辆的速度和位置、并预测下一时刻的速度和位置，得到各时刻每一车辆的速度和位置；基于所述各时刻每一车辆的速度和位置，获得目标时段内通过目标断面的车辆数量；将所述目标时段内通过目标断面的车辆数量，作为混合交通流的流量。

20、第二方面，本发明提供了一种智能网联混合交通流预测装置，包括：第一获取模块，用于获取预构建的混合交通流模型，其中，所述混合交通流模型包括人工驾驶跟车模型和智能驾驶跟车模型；所述人工驾驶跟车模型包括加速度确定项和加速度随机项，所述加速度随机项包括均值为零的感知误差正态分布；第二获取模块，用于获取当前时刻混合交通流中各车辆的速度和位置，其中，所述车辆的类型包括人工驾驶车辆和智能网联车辆；方差更新模块，用于针对任一所述人工驾驶车辆，基于当前时刻该人工驾驶车辆的速度和/或跟车间距，通过正相关关系，确定该人工驾驶车辆感知误差正态分布的方差；模型更新模块，用于基于该人工驾驶车辆感知误差正态分布的方差，更新所述人工驾驶跟车模型的感知误差正态分布，得到该人工驾驶车辆更新后人工驾驶跟车模型；预测模块，用于基于当前时刻各车辆的速度和位置，所述更新后人工驾驶跟车模型，以及预构建的混合交通流模型中的智能网联车辆模型，预测下一时刻各车辆的速度和位置。

21、在一种可能的实现方式中，预测模块具体用于：针对任一所述人工驾驶车辆，基于该人工驾驶车辆当前位置和前方车辆位置，得到该人工驾驶车辆的跟车间距；根据所述人工驾驶车辆的速度、跟车间距和前方车辆速度，得到当前时刻所述人工驾驶车辆的加速度确定项；在更新后人工驾驶跟车模型的所述感知误差正态分布范围内，生成随机数，得到当前时刻所述人工驾驶车辆的加速度随机项；基于所述加速度确定项和所述加速度随机项，得到当前时刻所述人工驾驶车辆的加速度；基于当前时刻所述人工驾驶车辆的加速度、速度和位置，得到该人工驾驶车辆下一时刻的速度和位置；针对任一所述智能网联车辆，基于该智能网联车辆当前时刻的速度和位置，通过智能驾驶跟车模型，预测得到该智能网联车辆下一时刻的速度和位置。

22、第三方面，本发明提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

23、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

24、本发明提供一种智能网联混合交通流预测方法、装置及电子设备。本发明通过混合交通流模型预测人工驾驶车辆和智能网联车辆各时刻的速度和位置。针对人工驾驶车辆，在人工驾驶跟车模型中设置加速度随机项，并以均值为零的正态分布表征驾驶员的感知误差。进一步的，感知误差正态分布的方差是实时变化的，是基于当前时刻车辆的速度和/或跟车间距确定的，呈正相关。即，车辆的速度和/或跟车间距越大，则感知误差正态分布的方差越大、表征的驾驶员感知误差越大。这样实时更新的人工驾驶跟车模型描述驾驶行为，更加符合人工驾驶感知误差变化的实际情况。基于实时更新的人工驾驶跟车模型，预测的混合交通流更加准确。