This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.

Truck crashes are generally more serious than passenger vehicle crashes, and they cause more deaths per crash worldwide per the U.S. Department of Transportation’s Fatality Analysis Reporting System. Risk assessment and factor analysis are the keys to preventing truck crashes, but research on commercial trucks has been limited. Currently, freight and insurance companies have collected extensive operating data, now making it possible to obtain deep insights into truck crashes. Vehicle trajectory data and in-vehicle monitoring data were collected for 596 large commercial trucks traveling in Shanghai, China, during 2019. A total of 22 variables were extracted, falling into three aspects: driving behavior, travel characteristics, and warning characteristics. The random forest algorithm was used to select the most important variables for further analysis. Four machine learning models and a mixed effects logistic regression model were developed to link the high-importance variables with crash risk. Results showed that the machine learning models had good predictive performance; the bagging tree model performed best overall, having achieved good performance in the majority of the metrics, with an accuracy of 96.1% and area under the characteristic curve of 0.866. The specific variables significantly associated with crash risk were: average freeway speed, average percentage of time spent speeding, driving hours, percentage of nighttime trips, percentage of freeway trips, and frequency of smoking warnings per 100 km. This study’s findings can be used to support proactive safety management for freight companies and policy formulation for insurance companies.

Due to differences in speed and the complex interaction between merging and through-lane vehicles at freeway merging sections, crashes involving both human drivers and automated vehicles (AVs) persist. To assist AVs to predict the intentions of surrounding vehicles for further dynamic motion planning, researchers have focused on developing trajectory prediction algorithms. Few studies, however, have developed merging trajectory prediction models using naturalistic driving data in China, making it urgent to put it on the agenda for AVs' safety and efficiency at freeway merging sections. Based on merging periods extracted from the Shanghai Naturalistic Driving Study (SH-NDS), this study compares merging behavior on freeways with through-lane speed limits of 80 km/h, 100 km/h, and 120 km/h using analysis of variance (ANOVA). Merging trajectory prediction algorithms for these three speed limit cases are trained and tested using backpropagation neural network (BPNN) and long short-term memory neural network (LSTM NN) approaches. Results show 1) significant differences among the three cases in all merging behavior variables except for longitudinal gap; and that 2) the BPNN algorithm for merging trajectory prediction demonstrates superior performance compared to the LSTM NN. Two major contributions to the safe operation of AVs are provided: 1) the developed algorithms can be integrated into AV systems to accurately predict real-time desired trajectories of nearby merging vehicles in uncongested traffic conditions, and assist ongoing motion planning strategies for AVs; and 2) the algorithms can be incorporated in simulation tests for AV safety evaluation involving freeway merging sections.

During rapid growth in non-motorized vehicle (NMV) ownership, crash-oriented assessment methods make biased identification of key traffic safety management areas, leading to unclear analysis of safety problems and limited improvement. To improve NMV regional safety, this study developed an approach to identify hazardous crash and crash-involved rider (CIR) areas and explore the mechanisms of primary macro-level contributing factors by jointly modeling crashes and CIRs. Socio-economic, road network, traffic enforcement, and land-use intensity data were collected as independent variables in 115 towns in Suzhou, China. A Poisson lognormal bivariate conditional autoregressive model (PLN-BCAR) and a proposed four-quadrant classification method based on the potential for safety improvement (PSI) density were developed to identify crash-prone and CIR-prone towns. XGBoost and SHAP (SHapley Additive exPlanations) were applied to examine the importance and effects of contributing factors. Results showed that 49.6% of NMV crashes occurred outside the CIRs’ residence areas. The four-quadrant classification method accurately identified crash-prone and CIR-prone areas rather than crash-determined hot zone identification methods. There were nonlinear relationships between primary contributing factors and key areas. Differences of importance and effects for the contributing factors in different areas provided important insights into reducing crashes and CIRs in those areas; for example, NMV crashes and CIRs were higher in areas with low gross domestic product and high population density, and should be selected to make safety improvements such as traffic safety education at the macro level. The proposed approach can help traffic administrators identify the key areas and contributing factors and provide guidelines for improvement.

Real-time risk identification and prediction can assist a driver’s decision-making to ensure driving safety during lane change (LC). Previous studies seldom focused on the risk for the target lane’s following vehicle (TFV). In addition, temporal risk and spatial risk are often ignored in risk quantification. Key features in different LC scenarios deserve more discussion, as well. To address these gaps, this study proposes a framework, including: a real-time temporal and spatial risk quantification indicator for TFVs, risk labeling by the clustering method, and risk prediction and key features comparison by machine learning. LC events and candidate features were extracted from the Shanghai Naturalistic Driving Study (in China), and all events were divided into three scenarios based on road types: freeway, expressway, and surface road. K-means was adopted to classify risk into three levels: high-risk, medium-risk, and low-risk. The extreme gradient boosting (XGBoost) algorithm was applied to predict the real-time risk. Key features comparison results emphasized the importance of interaction features between TFVs and surrounding cars in all scenarios, especially for the relative acceleration. In the freeway scenario, the most important interaction object was the lane-changing vehicle, while for the other two scenarios it was the leading vehicle in the target lane. Relative distance became a more important factor for risk in the expressway and surface road scenarios, and the importance of the relative speed increased significantly in the surface road scenario. These findings can guide the design of advanced driving assistance systems for TFV during LC.