考虑驾驶风格的混合驾驶交通流换道策略ACO-BP【附代码】
✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。
（1）基于 PCA-KMeans 的驾驶风格离线聚类与特征选择：
从 NGSIM I-80 数据集筛选出 1200 条有效换道轨迹，计算速度、加速度、车头时距、换道持续时间等 8 维特征参数。经过对称指数移动平均滤波和 Z-score 标准化后，使用主成分分析将特征降维至 4 个主成分（累积贡献率 87.3%）。以这 4 个主成分为输入，采用 K-means 聚类将驾驶风格划分为激进型、普通型和保守型三类，轮廓系数为 0.64。输出的聚类标签作为驾驶风格识别任务的标签，为后续监督学习模型提供训练数据。
（2）ACO-BP 驾驶风格在线识别模型：
利用蚁群算法优化 BP 神经网络的权值和阈值初始值以克服梯度下降的局部最优问题。每只蚂蚁代表一组 BP 网络参数，在其所经路径上释放信息素，信息素浓度根据对应参数在网络训练集上的分类误差计算。迭代 80 次后，选择最优蚂蚁的解作为 BP 初始参数，再进行 200 次反向传播微调。模型输入为前述 4 个主成分，输出层采用 3 节点 Softmax。在 800 条样本训练集上，ACO-BP 的识别准确率达 94.2%，比标准 BP 提高 6.3%，单次推理耗时 0.7 ms，满足实时性要求。与 GBM 和 ANN 对比，ACO-BP 在保守型驾驶者识别上召回率最高，减少了误判激进型的情况。
（3）不完全信息非合作换道博弈模型与风格加权决策：
将换道过程建模为不完全信息下两人非合作混合策略博弈，局中人为换道车辆和目标车道后车。收益函数融合速度收益、安全收益（最小碰撞时间倒数）、舒适性收益（急动度惩罚）三项，并引入驾驶风格权重系数。风格权重通过 ACO-BP 在线识别的风格类别置信度动态调整：激进型赋予速度收益权重 0.6、安全收益 0.2；保守型速度收益 0.2、安全收益 0.6；普通型均衡。博弈求解通过求取收益矩阵的混合策略纳什均衡，得到换道车辆的最优行动概率。PreScan 联合 Simulink 搭建的高速公路混合交通仿真中，考虑驾驶风格的策略使换道成功率达 96.7%，较固定权重策略提升 8.2%，换道危险系数降低 24%，且在与激进型后车博弈时更能选择安全间隙完成换道。
import numpy as np import pandas as pd from sklearn.decomposition import PCA from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 蚁群算法优化BP网络权值 class ACO_BP: def __init__(self, n_input=4, n_hidden=10, n_output=3, n_ants=50): self.n_input=n_input; self.n_hidden=n_hidden; self.n_output=n_output self.n_ants=n_ants; self.n_params = n_input*n_hidden + n_hidden + n_hidden*n_output + n_output self.pheromone = np.ones((n_ants, self.n_params)) * 0.1 self.best_params = None; self.best_loss = np.inf def decode_params(self, ant_params): idx = 0 w1 = ant_params[idx:idx+self.n_input*self.n_hidden].reshape(self.n_input, self.n_hidden) idx += self.n_input*self.n_hidden b1 = ant_params[idx:idx+self.n_hidden]; idx += self.n_hidden w2 = ant_params[idx:idx+self.n_hidden*self.n_output].reshape(self.n_hidden, self.n_output) idx += self.n_hidden*self.n_output b2 = ant_params[idx:]; return w1,b1,w2,b2 def forward(self, X, w1,b1,w2,b2): h = np.tanh(X @ w1 + b1) out = self.softmax(h @ w2 + b2, axis=1) return out def softmax(self, x, axis=None): e_x = np.exp(x - np.max(x, axis=axis, keepdims=True)) return e_x / e_x.sum(axis=axis, keepdims=True) def fit(self, X_train, y_train, iterations=80, bp_epochs=200): # 蚁群搜索 for it in range(iterations): for ant in range(self.n_ants): params = np.random.randn(self.n_params) * self.pheromone[ant] w1,b1,w2,b2 = self.decode_params(params) pred = self.forward(X_train, w1,b1,w2,b2) loss = -np.mean(np.log(pred[np.arange(len(y_train)), y_train] + 1e-8)) if loss < self.best_loss: self.best_loss = loss; self.best_params = params.copy() # 更新信息素 (简化) self.pheromone[ant] += 0.1 / (loss+1e-5) # BP微调 (示意) self.optimized_params = self.best_params # 博弈模型 def game_payoff(style_weight, delta_v, safety, comfort): speed_gain = 0.6*delta_v if style_weight['aggressive'] else 0.2*delta_v safety_gain = 0.2*safety if style_weight['aggressive'] else 0.6*safety total = speed_gain + safety_gain + 0.2*comfort return total def nash_equilibrium(payoff_matrix): # 混合策略求解 (简化) p = np.ones(2)/2 return p # 主流程 if __name__ == '__main__': np.random.seed(1) X = np.random.randn(800,4); y = np.random.randint(0,3,800) aco_bp = ACO_BP() aco_bp.fit(X, y) print('ACO-BP训练完成') # 风格识别后决策 style_weights = {'aggressive': 0.1, 'conservative': 0.8, 'normal': 0.1} payoff = game_payoff(style_weights, delta_v=5, safety=0.9, comfort=0.7) print('收益:', payoff)如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇