融入驾驶人感知的交通流建模方法研究

Based on the newest achievements of human brain science and modern traffic flow theory, this project hopes to introduce "drivers' perception" as a variable factor in the evolution of complex traffic flow systems, so as to explore a novel approach which will expand classical framework of the traffic flow theoretical studies. The relative approaches and tools in the new frontier Neuroinformatics and modern traffic flow theory will be integrated into this project. Firstly, utilizing the devices of analyzing drivers' mental and physical characteristics as well as traffic flow data collected by using various traffic detection sensors, the project collects raw perception data of various drivers under various traffic conditions, and explores the measurability of drivers' perception through designing controllable experiments. Secondly, by proposing a generalized method of properly measuring drivers' perception, the project incorporates drivers' dynamic perception into microscopic and macroscopic traffic flow models, and proposes new traffic flow models involving drivers' behavior in order to reveal the system characteristics of "self-driven particle" in the traffic flow. The project intends to unveil the mechanism of the nonlinear phenomena and phase transitions in the traffic flow, to explain the deep reasons behind various traffic phenomena, and to expand and enrich relevant investigations in traffic flow theory.

本课题希望借鉴人类脑科学和现代交通流理论等相关领域研究的新成果，利用神经信息学这一门新兴的边缘学科的研究方法和手段，与现代交通流理论的研究范畴相交叉结合，探索将"驾驶人"作为复杂交通流系统演化过程的一个变量因素，纳入其理论研究框架中的新方法。课题将利用驾驶人心理生理特征分析设备系统，以及各种交通检测设备提供的实际交通流数据，通过设计可控实验，获取不同类型驾驶员在各种交通环境条件下的原始感知数据，探讨驾驶员感知过程的可测性。通过找到一种合适的驾驶员感知过程广义度量方法，将驾驶员在驾驶过程中的动态感知行为有机融入交通流微观和宏观模型之中，从而构建含有驾驶人行为的新交通流模型，并借以体现交通流内在的 "自驱动粒子"系统特性。课题试图从一个新的角度揭示交通流非线性现象和相变产生的机理，解释目前发现的各种交通现象背后的深层次原因，拓展交通流理论研究的视野和思路，丰富交通流理论研究的内容。

课题借鉴人类脑科学和现代交通流理论等相关领域研究的新成果，利用神经信息学这一门新兴的边缘学科的研究方法和手段，与现代交通流理论的研究范畴相交叉结合，探索将“驾驶人”作为复杂交通流系统演化过程的一个变量因素，纳入其理论研究框架中的新方法。课题利用驾驶模拟器和脑电采集设备开展了多个驾驶模拟实验，获取不同类型驾驶员在各种交通环境条件下的原始感知数据和驾驶行为数据，探讨驾驶员的驾驶行为特性以及脑电与驾驶行为的相关性。在二者具备相关性的基础上，运用统计分析和机器学习相关理论算法，研究不同类型的驾驶员在不同驾驶环境下的感知变化规律，找出合适的驾驶员感知过程广义度量方法。然后，利用实证数据分析微观交通流特性，结合驾驶员感知特性的研究结果建立融入驾驶员感知的微观跟驰模型。接着，在驾驶员感知模型的理念基础上，对经典的 LWR 模型进行扩展得到基于驾驶员感知的非同态宏观模型，随后在非同态宏观模型模型基础上进行改良，建立基于驾驶员感知的多车道扩展模型。最后，从驾驶员感知拓展到出行者感知，进行宏观网络交通流演化机制研究与演化稳定态研究，提出利用出行者(对于历史出行经验)有限的感知记忆能力来制定事后信息发布策略，以改善交通网络的运行效率。本课题重点将驾驶员在驾驶过程中的动态感知行为有机融入交通流微观和宏观模型之中，从而构建含有驾驶人行为的新交通流模型，并借以体现交通流内在的 “自驱动粒子”系统特性。课题试图从一个新的角度揭示交通流非线性现象和相变产生的机理，解释目前发现的各种交通现象背后的深层次原因，拓展交通流理论研究的视野和思路，丰富交通流理论研究的内容，也为交通规划和管理部门提供科学理论依据，从而提高道路交通管理的现代化水平。