面向数据驱动的车辆跟驰行为建模

作者：王少杰; 曲大义^*; 刘浩敏; 孟奕名; 崔善柠

来源：公路交通科技, 2023, 40(11): 222-228.

• 智能交通
• 数据驱动
• 深度学习
• 跟驰模型
• 加速度预测

数据驱动类跟驰模型可充分挖掘车辆轨迹数据中的跟驰行为特性，从而实现对车辆跟驰行为的预测。为研究车辆跟驰行为特性，基于实测轨迹数据，运用数据驱动的方法并结合GM跟驰模型建模思路，基于注意力机制与驾驶员进行跟驰行为决策时着重关注重要信息机制相一致的特性，加入注意力机制，建立了基于CNN-BiLSTM-Attention的车辆跟驰模型。筛选NGSIM数据集中符合车辆跟驰特性的轨迹数据并进行降噪处理，通过试验选择最优模型网络结构，对模型进行训练，与LSTM,GRU,CNN-BiLSTM等数据驱动类跟驰模型进行对比分析。结果表明：基于CNN-BiLSTM-Attention的车辆跟驰模型与LSTM模型相比，MAE减少约38.12%,R2提高约2.18%,MSE减少约23.45%;与GRU模型相比，MAE减少约19.05%,R2提高约1.13%,MSE减少约13.95%;与CNN-BiLSTM模型相比，MAE减少约1.06%,R2提高约0.15%,MSE减少约1.78%,即模型具有最优的加速度预测性能，可更好地描述车辆跟驰行为；基于CNN-BiLSTM-Attention的车辆跟驰模型与单一模型相比，可更好地提取交通数据特征并处理历史数据间的关系，捕捉历史信息并做出相应决策，与CNN-BiLSTM相比，Attention机制使得模型着重关注输入特征的重要部分，从而具有更高的预测精度。该模型可实现车辆加速度预测，可帮助理解车辆跟驰特性，未来可为车辆跟驰行为决策提供理论依据。

• 单位
  土木工程学院; 青岛理工大学