车辆跟驰模型
机器学习——动力学耦合车辆跟驰模型
第１７卷第６期 ２０１７年１２月 交通运输系统工程与信息 Ｊｏｕｒｎａｌ ｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ 、ｂ１．１７ Ｎｏ．６ Ｄｅｃｅｍｂｅｒ ２０１７
文章编号：１００９．６７４４（２０１７）０６．００３３．０７ 中图分类号：ｕ４９１．２ 文献标志码：Ａ
ＤＯＩ：１０．１６０９７￣．ｃｎｋｉ．１００９－６７４４．２０１７．０６．００６
机器学习一动力学耦合车辆跟驰模型
丁点点 一，孙 磊 ，陈 松
ｆ１．宿州学院资源与土木工程学院，安徽宿州２３４０００；２．安徽省煤矿勘探工程技术中心，安徽宿州２３４０００）
摘要： 目前，跟驰模型的建立主要基于动力学方法和机器学习算法，将两者耦合起来 建立跟驰模型的研究还没有．以线性组合预测为基础，对最优加权法中的目标函数进行改 进，将经典的Ｇｉｐｐｓ模型和基于ＢＰ神经网络的跟驰模型（ＢＰ Ｃａｒ－ｆｏｌｌｏｗｉｎｇ Ｍｏｄｅｌ，ＢＰ）耦 合起来，建立线性组合车辆跟驰模型（Ｌｉｎｅａｒ Ｃｏｍｂｉｎａｔｉｏｎ Ｃａｒ－ｆｏｌｌｏｗｉｎｇ Ｍｏｄｅｌ，ＬＣ—ＣＦ）．结 果表明：ＢＰ模型的预测结果更加贴近真实值，Ｇｉｐｐｓ模型的预测结果更加贴近安全值； ＬＣ．ｃＦ模型可以通过调整参数，来控制ＢＰ模型和Ｇｉｐｐｓ模型在ＬＣ—ｃＦ模型中的权重，进 而达到控制预测速度的真实性和安全性的目的． 关键词： 智能交通；道路运输；线性组合预测；动力学模型；ＢＰ神经网络；车辆跟驰
Ａ Ｃａｒ－ｆｏｌｌｏｗｉｎｇ Ｍｏｄｅｌ Ｃｏｕｐｌｉｎｇ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ
Ｄｙｎａｍｉｃ
Ｄ１ＮＧ Ｄｉａｎ－ｄｉａｎ 一，ＳＵＮ Ｌｅｉ 一，ＣＨＥＮ Ｓｏｎｇ ，
（１．Ｓｃｈｏｏｌ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｕｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｕｚｈｏｕ ２３４０００，Ａｎｈｕｉ，Ｃｈｉｎａ；２．Ｃｏａｌ Ｍｉｎｅ Ｅｘｐｌｏｒａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｅｎｔｅｒ ｏｆＡｎｈｕｉ Ｐｒｏｖｉｎｃｅ，Ｓｕｚｈｏｕ ２３４０００，Ａｎｈｕｉ，Ｃｈｉｎａ）
交通流跟驰行为
随着我国城市的快速发展以及机动化的加剧， 城市交通系统变的越来越复杂。
在这个复杂的系统中， 交通流理论成为研究的前沿和热点。 交通流理论是一门交 叉性边缘学科， 其目标在于建立能够描述实际交通一般特性的交通流模型， 以届 时控制交通流动的基本规律。 交通流理论研究内容广泛， 可分为微观交通流、 中 观交通流和宏观交通流。 其中微观交通流又分为车辆跟驰模型和换道模型， 由于 换道模型过于复杂， 过去的大部分研究主要集中在跟驰模型。 车辆跟驰理论是运 用动力学方法， 研究在无法超车的单一车道上， 车辆列队行驶时， 候车跟随前车 行驶状态的一种理论， 它用数学模型表达跟车过程中发生的各种状态。 典型的跟 驰模型主要包括：基于刺激 -反应的 GM 模型、基于安全间距的跟驰模型（ CA）、 线性跟驰模型、基于生理-心理的跟驰模型（AP）、基于人工智能的跟驰模型（模 糊推理跟驰模型）、其他车辆跟驰模型（如基于多种期望值的跟驰模型、最优速 度车辆跟驰模型、
基于非参数回归的车辆跟驰模型、 考虑驾驶员特性的跟驰模型 等）。
1. 跟驰模型发展概述
交通流跟驰理论的研究始于 20世纪50年代，1950年Reushel和1953年Pipes
研究的跟驰过程，是跟驰理论研究开始的标志。 1960年前后，Gazis、Heiman和
Rotho等人提出了 GM系列模型，成为早期跟驰理论研究中最重要的研究成果。 1959年Helly提出了线性跟驰模型，同年 Kometani和Sasaki提出了 CA （元胞自 动机）模型。 1962年， Miachaels 提出了基于期望间距的跟驰模型，次年又提出 了生理-心理模型。1992年Kikuchi和Chakriborty提出了基于模糊逻辑的跟驰模 型。国内学者在跟驰理论研究方面的主要成果有贾洪飞和隽志才提出的基于期望 间距的车辆跟驰模型和基于模糊推断的车辆跟驰模型及基于驾驶员认知过程的 车辆跟驰模型。 徐伟民、熊烈强提出的与车辆跟驰理论统一的一维交通流动力模 型。唐铁军、黄海军、薛郁提出的改进的两车道交通流格子模型。 张浩然、任刚、 王炜提出了基于相关分析和安全车距的跟驰模型。 贾顺平、 毛宝华提出了云推理 的车辆跟驰模型CF-FM吴超仲、严新平、马晓风提出的考虑驾驶员性格特性的 跟驰模型等等。这些理论极大的丰富和完善了跟驰模型理论。
关于车辆跟驰行为的综述
关于车辆跟驰行为的综述
摘 要：车辆跟驰（Car Following，CF）是最基本的最微观的驾驶行为，描述了在限制超车的单行道上行驶车队中相邻两车之间的相互作用。随着科学技术的进步，车辆跟驰模型也在不断更新。本文通过对国内外关于车辆跟驰行为的文献研究，总结了车辆跟驰理论的特点，回顾了近年来车辆跟驰理论的发展历程，并分析了重要的车辆跟驰模型。最后，因为车辆跟驰模型影响因素较多，且随着道路交通系统的发展，车辆跟驰理论也要不断更新，与时俱进。
关键词：综合交通运输；交通流特性；车辆跟驰模型；综述
中图分类号：U268.6 文献标志码：A
0 引言
在道路上时常出现车辆因环境、驾驶人或交通管制等原因而无法超越前车，只能跟随在后面行驶的现象，这就是车辆跟驰。车辆跟驰行为是驾驶人在道路交通环境中的主要驾驶行为之一。相关学者在采集跟驰行为数据和驾驶特性问卷调查的基础上，通过跟驰距离、车头时距、车头时距的分布及反应时间等指标，对比分析不同驾驶人在跟驰行为中的感知、判断及操作特性的差异，他们发现，不同地区、年龄、性别及驾龄的驾驶人，跟驰特性对道路交通安全的影响程度不同。因此，对车辆跟驰行为进行研究有助于更深入地理解交通流的特性，进而将这些成果运用于实际的交通规划与管理中，充分发挥交通设施的作用，提高交通系统运行效率，降低交通事故发生的概率。因此，本文回顾了近些年来不同的学者对车辆跟驰行为研究的成果，总结了主要的研究方法和模型，并对未来研究的趋势和所面临的挑战做了展望。
1 车辆跟驰理论概述
1.1车辆跟驰理论的概念 车辆跟驰（Car Following，CF）是最基本的最微观的驾驶行为，描述了在限制超车的单行道上行驶车队中相邻两车之间的相互作用。车辆跟驰理论既是微观交通流理论最基本的仿真模型,也是理解宏观交通流形成的理论基石,而且具有指导交通组织管理、缓解交通拥堵的现实意义.在跟驰模型研究中,车辆被看成分散的、存在相互作用的粒子,在假设没有超车的情况下,通过研究后车跟随前车的动力学过程,进而分析单车道上交通流的演化特征。
13Pipes模型和Forbes模型
Pipes模型 1
13
Pipes模型和Forbes模型
从这章开始我们介绍跟驰模型。我们以两个简单的模型开始，即Pipes模型和
Forbes模型，它们都是从驾驶员的日常驾驶经验中总结出来的。
13.1 Pipes模型
Pipes模型 [1] 是基于加利福尼亚州交通法规中的一条安全驾驶规定：
“跟车的一个安全法则是在速度每增加10 mph（十迈
或十英里每小时）时就使车间间距增加至少一个车长。”
如图 13-1所示，上述的规则可以用下述数学模型来表达：
图
13-1 跟驰情形
𝑥𝑖
𝑥𝑖−1 𝑙𝑖−1
𝑠𝑖 𝑙𝑖 𝑥𝑖,𝑥𝑖 𝑥𝑖−1,𝑥𝑖−1
𝑔𝑖𝑥 (𝑔𝑖𝑡)
(ℎ𝑖) Pipes模型 2
ii
iiiiix
iltx
ltsltxtxtg
10447.0)(
))((]))()([()(
min1min11min
这里)(tx
i是𝑖号车的速度，单位为m/s，单位转换为 1 mph ≈0.447 m/s。车头间距)(tsi，
车间间距)(tgx
i，前车位置)(
1tx
i，后车位置)(tx
i，以及车长l均以m为单位。整合后，
Pipes模型如下：
1min)(
47.4)(
iii
iltxl
ts
假设一辆车的长度为6 m，上述模型简化为：
6)(34.1)(
mintxts
ii 或者以车头时距
)()(
)(
txts
th
ii
i来表示，上述模型可以改写为：
)(6
34.1)(
mintxth
ii
13.1.1 Pipes模型的应用
Pipes模型有很多应用，最常见的就是自动驾驶和计算机仿真。
自动驾驶
也许最简单的自动驾驶形式就是巡航控制（cruise control 或CC）。作为一个车载系
统，巡航控制通过控制油门来自动控制车辆的速度，使车辆能够以驾驶员设定的速度匀速
行驶。在长途行驶时，巡航控制使得单调无趣驾驶变的轻松简单，因此它是一项很受欢迎
车联网环境下高速公路车辆跟驰模型及仿真研究共3篇
车联网环境下高速公路车辆跟驰模型及仿真研究共3篇
车联网环境下高速公路车辆跟驰模型及仿真研究1
车联网环境下高速公路车辆跟驰模型及仿真研究
随着车联网技术的发展，高速公路上的车辆跟驰行为受到越来越多的关注。跟驰行为是指车辆在道路上行驶时，根据前方车辆的速度和间距，调整自身速度和位置，保持一定的车距与车速，避免追尾和交通拥堵发生。本文将探讨车联网环境下高速公路车辆跟驰模型及仿真研究。
一、车辆跟驰模型
车辆跟驰模型是指描述车辆在路面上跟随前车的行为规律。目前已经被广泛研究的跟驰模型有不少，其中以“安全距离模型（SDM）”、“改进兔子模型（IDM）”、“新交通流模型（NMF）”等为代表。
SDM模型主要根据能看到的前车，在保持安全距离前提下决定自己的速度和位置，方程如下：
$$
a_i = \begin{cases}
0 & \text{if}\ {L_i}^* \leq L_{i\beta} + s_i +
\frac {v_i T} {2\sqrt{a_i b_i}} \\ A_i(\frac{({L_i}^* - L_{i\beta} - s_i - \frac {v_i
T}{2\sqrt{a_i b_i}})}{{v_i}^2}) & \text{if}\ {L_i}^* >
L_{i\beta} + s_i + \frac {v_i T} {2\sqrt{a_i b_i}}
\end{cases}
$$
其中，$a_i$表示车辆加速度，$v_i$表示车速，$T$为反应时间，$L_{i\beta}$为车身长度，$L_i^*$为前车尾部到后车前部的距离，$s_i$为安全距离，$A_i$和$B_i$均是正参数，在跟驰过程中会根据后车和前车的速度差和距离进行调整。
IDM模型则更注重车辆之间的相互影响和协同，使用了车辆间的间距，速度和加速度三个因素，方程如下：
$$
a_i = A_{i}(1 - (\frac{v_i}{v_0})^{(\delta + \epsilon
基于产生式规则系统的车辆跟驰模型
第ｌ０卷第１９期２０１０年７月 １６７１—１８１５（２０１０）１９－４６９３—０６ 科学技术与工程 Ｓｅｉｅ ｒｉｃｅ Ｔｅｃｈｎｄｏｇｙ ａｎｄ Ｅｎｏｎｅｅｆｉｎｇ Ｖｄ．１０ Ｎｏ．１９ Ｊｕｌｙ ２０１０ ⑥２０１０ Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｎｆｆ
基于产生式规则系统的车辆跟驰模型
陶诚 宫淑丽黄圣国 孙红梅
（南京航空航天大学民航学院，南京２１００１６；南京交通职业技术学院，南京２１００００）
摘要车辆跟驰模型是微观交通仿真的核心。随着微观交通仿真应用的不断发展，需要对更多的交通场景进行建模，而现 有的车辆跟驰模型在扩展性上已掣肘。提出基于产生式规则系统的车辆跟驰模型，并对其进行了仿真。仿真结果表明，用产 生式规则系统模拟驾驶行为是可行的，通过模糊规则和普通规则的共同作用，能方便地进行扩展。 关键词车辆跟驰 产生武规则系统 模糊推理
中图法分类号Ｕ４９１．１１２ 文献标志码Ａ
随着交通仿真技术的发展，基于微观交通行为
的微观交通仿真已成为计算机交通仿真中的主流
技术。微观交通仿真中的核心是微观交通行为模
型，车辆跟驰模型是其中最重要的模型之一。过去
几十年里，从ＧＨＲ（基于刺激反应）模型开始，经过
基于安全间距的模型、反应点模型等传统的基于确
定函数表达式的模型，到近年来出现的基于模糊推
理的模型、基于神经网络的模型等新的基于人工智
能的模型，车辆跟驰模型至今一直是交通仿真领域
研究的热点¨ 。
在微观交通仿真中需要表现各种类型的跟驰
行为，而车辆跟驰模型是为微观交通仿真服务的。
因此，车辆跟驰模型应易于扩展，这里的扩展既包
括加人更多信息源时，所需的扩展，还包括为微观
交通仿真提供不同类型跟驰行为时，所需的扩展。
如在民航空管的机场场面监控仿真中，场面车辆及
滑行飞机的驾驶行为与普通道路上车辆的驾驶行
为有着很大的不同，各方面的限制因素很多，一般
的车辆跟驰模型无法满足要求，需要根据实际情况
交通流多前车位置与相对运动的跟驰模型及稳定性分析
２０１１年第１１期 ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮ Ｏ机械与电子０ 科技信息
交通流多前车位置与相对运动的 跟驰模型及稳定性分析 李超智 （长沙理工大学汽车与机械工程学院湖南长沙４１００１４） 【摘要】车辆跟驰模型是交通流模型研究的基本模型之一，本论文旨在综合认真分析国内外已有的跟驰模型，建立以车车、车路通信为基 础的车路协调系统（ＶＩＩｓ，Ｖｅｈｉｃｌｅ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ Ｉｎｔｅｇｒａｔｉｏｎ Ｓｙｓｔｅｍ）下的车辆跟驰模型。该模型是在多前车位置模型的基础上进行扩展，提出了 一种多前车位置及当前车相对运动的跟驰模型，以期更加客观的描述实际的交通现象，进行线性稳定性分析，并与ＦＶＤ模型和合作跟驰模型 进行比较，发现自由流稳定的敏感系数临界值变小，稳定区域明显增加。 【美键词】跟驰模型；交通流；稳定性分析；丰路协调系统 Ｃａｒ—ｆｏｌｌｏｗｉｎｇ Ｍｏｄｅｌ ｏｆ Ｍｕｌｔｉｐｌｅ Ａｈｅａｄ＆Ｒｅｌａｔｉｖｅ Ｖｅｌｏｃｉｔｙ ｉｎ ＴｒａｍＣ Ｆｌｏｗ ａｎｄ Ｓｔａｂｉｌｉｔｙ Ａｎａｌｙｓ￣ ＩＡｂｓｔｒａｃｔ】Ｃａｒ－ｆｏｌｌｏｗｉｎｇ ｍｏｄｅｌ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｔｒａｆｆｉｃ ｆｌｏｗ ｍｏｄｅｌ ｓｔｕｄｙ ｏｆ ｔｈｅ ｂａｓｉｃ ｍｏｄｅｌ，Ｔｈｉｓ ｐａｐｅｒ ａｉｍｓ ａｔ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｒｅｓｅａｒｃｈｅｓ ｈａｖｅ ｂｅｅｎ ａｎａｌｙｚｅｄ ｃａｒｅｆｕｌｌｙ ｃａｒ－ｆｏｌｌｏｗｉｎｇ ｍｏｄｅｌｓ。Ｅｓｔａｂｌｉｓｈ Ｖｅｈｉｃｌｅ ｍｏｄｅｌ ｂａｓｅｄ Ｏｉｌ ＶＩＩＳ．Ｅｘｐａｎｄｉｎｇ ｔｈｅ ｍｕｌｔｉｐｌｅ ａｈｅａｄ ｍｏｄｅｌ，ａｎｄ ｂｍｕｇｈｔ ｆｏｒｗａｒｄ ａ ｍｕｌｔｉｐｌｅ ａｈｅａｄ ｐｏｓｉｔｉｏｎ ａｎｄ ｃｕｒｒｅｎｔ Ｃａｌ＂ｒｅｌａｔｉｖｅ ｍｏｔｉｏｎ ｃａｒ—ｆ０ｌｌｏｗｉｎｇ ｒｏｏｄｅｌｓ．Ｉｎ ｏｒｄｅｒ ｔｏ ｂｅ ｍｏｒｅ ｏｂｊｅｃｔｉｖｅ ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ ｔｈｅ ａｃｔｕａｌ ｔｒａｆｆｉｅ ｐｈｅｎｏｍｅｎｏｎ． Ｃａｒｒｙｉｎｇ ｏｎ ｌｉｎｅａｒ ｓｔａｂｉｌｉｔｙ ａｎａｌｙｓｉｓ．ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ＦＶＤ ｒｏｏｄｅｌ ａｎｄ Ｃｏｏｐｅｒａｔｉｏｎ ｄｒｉｖｉｎｇ ｅａｒ－ｆｏｌｌｏｗｉｎｇ ｍｏｄｅ１．Ｉｔ ｆｏｕｎｄ ｔｈａｔ ｔｈｅ ｃｒｉｔｉｃａｌ ｖａｌｕｅ ｏｆ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｉｎ ｔｈｅ ｆｒｅｅ ｆｌｏｗ ｓｔａｂｉｌｉｔｙ ａｎｄ ｔｈｅ ｓｔａｂｌｅ ｒｅｇｉｏｎ ｉｓ ａｐｐａｒｅｎｔｌｙ ｅｎｌａｒｇｅｄ． 【Ｋｅｙ ｗｏｒｄｓ】Ｃａｒ－ｆｏｌｌｏｗｉｎｇ ｍｏｄｅｌ；Ｔｒａｆｆｉｃ ｆｌｏｗ；Ｓｔａｂｉｌｉｔｙ ａｎａｌｙｓｉｓ；Ｖｅｈｉｃｌｅ ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ｉｎｔｅｇｒａｔｉｏｎ ｓｙｓｔｅｍ ０引言 车辆跟驰理论是研究在单一车道上车辆排队行驶时，后车跟随前 车的行驶状态，并用数学模式加以分析阐明的一种理论。对它研究有 助于深入了解交通流特性，这种了解对于进行交通安全、交通管理、通 行能力、服务水平等方面的分析都有着重要的意义，它是交通流的一 个重要组成部分“】。 随着智能交通系统ｆｉｒｓ）的提出和发展，城市道路交通需求日益增 大，受制于传统的交通信息的采集方式、采集内容，道路交通流的实时 响应与优化控制等诸多交通严重的交通现象无法真正实现的智能化 而近年来电子信息和无线交通信息技术的发展也推动了以车车、车 路通信为基础的车路协调系统（ＶＩＩ】计划的实现１２］，车路协调系统是目 前世界道路交通的重要研究领域之一．是通过信息技术和控制技术实 现信息资源在车载装置和交通基础设施之间的合理分配和平衡、车辆 和道路设施的智能协同和配合，使交通参与者、交通工具、交通设施与 交通环境能给有机结合，丰富和完善交通信息采集方式和内容。显著 提高交通系统的安全、通畅、便捷、环保和效率 一。 １ 跟驰模型研究综述 １．１早期跟驰模型 最早的跟驰模型是１９５３年Ｐｉｐｅｓ提出的跟驰模型［４１，它的物理意 义：反应（ ＋ ）＝灵敏度×刺激（ ），反应指后车的加、减速；刺激指前后 车速度之差；灵敏度指驾驶员感觉、驾驶特性。１９６１年Ｎｅｗｅｌｌｔ￣继续研 究的一阶常微分方程，Ｎｅｗｅｌｌ首次提出优化速度的概念，建立的模型 在有红绿灯的路日时并不适用，会产生加速度或减速度无穷大的情 况。 １．２近期跟驰模型 Ｂａｎｄｏ于１９９５年提出的优化速度（Ｏｒ，ｔｉｍａｌ Ｖｅｌｏｃｉｔｙ，ｏｖ）模型 ： （￡）＝ａ（ （Ａｘ （ｆ）） （ｔ）） （１） 成功解决了Ｎｅｗｅｌ１模型的不足之处。该模型能够描述实际交通 流的交通失稳、阻塞演化、时走时停等许多定性特征。１９９８年，Ｈｅｌｂｉｎｇ 和Ｔｉｌｃｈ为解决ＯＶ模型中存在过高加速度和不切实际的减速度问 题，根据实测数据对ＯＶ模型进行了参数辨识ｎ、同时提出了广义力 （Ｇｅｎｅｒａｌｉｚｅｄ Ｆｏｒｃｅ，ＧＦ）模型。这一模型仅仅考虑到负速度差对车辆动 力学的影响。 ２００１年，姜锐等在ＧＦ模型的基础上，提出了全速度差ｆＦｕｌｌ Ｖｅｌｏｃｉｔｙ Ｄｉｆｅｒｅｎｃｅ）模型Ｉｓ｝： 口 （ ）＝ａ［ （△ （ｆ））— （￡）］＋Ａ△ （ ） （２） Ａｖ （￡）项不仅对前车速度小于跟驰车时是有效的，而且对前车速 度大于跟驰车时也是有效的，结果显示，ＦＶＤ模型不会产生过高的加 速度。同时薛郁等还提出考虑车辆相对运动速度的车辆跟驰模型。以 ｌ００ 上建立的模型仅考虑了单一车辆的速度信息对于跟驰车辆的影响，而 在实际的交通现象中，由于跟驰的传递性，多辆前车的信息也能通过 当前车传递给跟驰车辆。 基于此．２００４年葛红霞等人提出了一个新的利用智能交通信息 的合作驾驶跟驰模型ｆ９】．发现该模型功过引入前方任意数量的车辆的 车头距对交通流有明显的致稳作用。王涛等人扩展了ＦＶＤ模型，考虑 了多前车的速度差信息，建立了多速度差模型ＭＶＤ模型ｌ】ｏｌ。仿真显示 自由流稳定的敏感系数临界值减小，交通流的稳定区域明显增大，对 交通流的演化过程起到了致稳的作用。 ２多前车位置差与相对运动速度交互的模型建立 葛红霞等人提出了一个新的利用智能交通信息的合作驾驶跟驰 模型 为： （ ）：ａ［１，（∑ 岛（△靠 一ｔ（ ）））— ）］Ｊ＝ｌ，２，…，ｍ，ｍ≤Ⅳ （３） 式中，ｄ是敏感系数，Ⅳ是系统中的车辆数，Ｘｎ（ｔ）是第ｎ辆车的位 置（ 车跟随ｎ＋１），△靠（ｆ） 。（ ） （ｆ）表示第Ｆｔ辆车与第ｎ＋ｌ辆车在 ｔ时刻的车头间距，Ｕｎ（ ）表示第，Ｉ辆车在ｔ时刻的速度。 在ＶＩＩ环境下，由于驾驶员能够准确和及时地获取多辆车的更多 信息。基于此，在葛红霞等人提出的利用智能交通信息的合作驾驶跟 驰模型的基础上，引入前车与本车的速度差项，建立一个新的交通流 模型——多前车位置与当前车速度差模型： （ ）：ａ［Ｖ（∑ 届（△ ｌ（ｔ））） （ｆ）］“Ａｖ （ｔ） ｊ＝ｌ，２，…，ｍ，ｍ≤Ⅳ （４） 以上几个式中：Ａｖ （￡） （￡） （ｆ）表示前车加速度与本车加速 度差， （・）表示优化速度函数，是车头距△‰（ｔ）的函数，它是单调递增 的且有上界，其中，Ａ为速度差的反应系数，岛是车头距Ａｘ （ ）的权值 函数。需满足的条件：（１ 是随 的单调减函数懈 ，即与当前车越 远的车辆对该车的影响会随着距离的增大而减小；（２）∑ 届＝ｌ，且当 ｍ＝ｌ时， ＝ｌ，选择届的权值函数为：当ｌ＃ｍ时，￣＝６／７Ｊ；当ｌ＝ｍ时， ＝ Ｉ／？～。我们把∑ ：矗（△ ～。（￡））称作“加权车头间距”，当它的值小于 安全间距时，当前车必须减速以免与前车相撞；反之，如果它的值大于 安全间距，当前车可以加速，直至达到最大速度。 ３线性稳定性分析 假设给定初始状态为稳定态，车辆的车头间距为ｂ，对应的车速 为Ｖ（ｂ ｏ此时．稳态交通流的车辆位置解为： （ ）＝ｂｎ＋Ｖ（ｂ）ｔ （５） 对于均匀流解（５）式，加以扰动 （ ）得： 靠（ｆ）； （１）＋ （ ） （６）
基于车辆个体行为的交通流跟驰模型研究
总第２３１期 ２００８年第６期 交通科技 Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｔｅｅｈｎｏｌｏｇｙ Ｓｅｒｉａｌ Ｎｏ．２３１ Ｎｏ．６ Ｄｅｃ．２００８
基于车辆个体行为的交通流跟驰模型研究
敬 明 邓 卫
（东南大学交通学院南京２１００９６）
摘 要 用改变参数取值的方法来将个体差异这一重要思想引入跟驰模型，实现对ＦＶＤ（全速度 差）模型的优化，对模拟交通情况和优化交通管理有积极意义。研究实现了驾驶员行为的个性化 描述，采用敏感程度的概念并用一个标准正态分布中的取值表示，分析了个性化行为和模型参数 的联系，实现了模型的优化和优化后模型对启动车流和稠密交通流扰动传播的数值模拟。 关键词 跟驰模型 全速度差模型 敏感程度
经过半个多世纪的发展，跟驰模型的形式和
内涵不断地充实和更新，在模拟交通情况，减少交
通事故，优化交通管理，分析服务水平等方面取得
了令人瞩目的成果［１］。但现有的跟驰模型，在考
虑刺激反应的不同因素和不同交通情况下跟驰行
为差异的同时，并没有认真对待不同车辆个体行
为模式不同的情况。本文提出了一种体现个体差
异的模型优化方法，用它优化了全速度差模型，并
实现了对启动车流和稠密交通流扰动传播的数值
模拟。
１体现个体差异的跟驰模型
１．１驾驶行为的个性化描述
由于不同跟驰模型间的模拟效果差异可能很
大，笔者认为各车应采用同一种跟驰模型，而差异
收稿日期：２００８—０７—２５ 性就体现在参数的不同取值上。驾驶行为的个体
差异，主要体现在对前车速度变化的敏感程度，稳
定时的车头间距，达到稳定的速度等。假设对前
车速度变化较敏感的驾驶员，达到稳定的速度较
快，稳定时与前车的间距较小，于是敏感程度可以
作为体现个体行为差异的标准。由于模型参数
定义的原因，把车长作为独立因素，将其定义为
车辆性能的影响与车型引起的心理影响的结合，
并与敏感程度（主要是心理和性格方面的因素）区
智能交通系统中的车辆跟驰模型研究
智能交通系统中的车辆跟驰模型研究
随着人口增长、城市化进程的加快，交通拥堵与交通事故等问题日益突出，智能交通系统（ITS）的建设也逐渐走进了人们的视野。而车辆跟驰模型则是ITS研究中的一个重要方向，其研究成果能够为交通运输提供参考依据与技术支持。
一、车辆跟驰模型的概述
车辆跟驰模型是指对于同一个道路上的相邻两辆车辆之间的相互作用过程进行建模和分析。车辆跟驰模型包括了车辆的运动学特性和驾驶员行为的影响，因此能够模拟车辆在实际交通环境中的行驶情况。
车辆跟驰模型是智能交通系统研究的重要方向。在实际交通环境中，相邻车辆之间的距离、速度等因素互相影响，因此通过建立跟驰模型，能够在不同的交通流环境中对其进行仿真模拟能够得到有效结果，对于交通运输管理具有重要的实用价值。
二、车辆跟驰模型的分类
车辆跟驰模型通常基于不同的驾驶员行为假设进行分类。常见的车辆跟驰模型有基于驾驶员反应时间的定常跟驰模型、基于车辆间距和速度的非线性跟驰模型、基于驾驶员判断的智能跟驰模型等。不同的跟驰模型代表着不同的实际交通流环境，能够更好地模拟驾驶员在不同状况下的反应以及车辆间的交互行为。
三、常见的车辆跟驰模型
1.基于时间间隔的定常跟驰模型
基于时间间隔的定常跟驰模型是最早被提出并且得到广泛应用的一种跟驰模型，它基于车辆之间的时间间隔，通过驾驶员反应时间与加速度等参数对跟驰过程进行建模。 2.基于间距的非线性跟驰模型
基于间距的非线性跟驰模型则主要考虑神经网络以及神经计算模型，通过建立通常输入的距离和速度实现具有非线性的表现，这种跟驰模型可以更好地模拟复杂的交通流环境，对于进一步的交通运输管理有着重要的作用。
3.基于驾驶员判断的智能跟驰模型
智能跟驰模型主要是基于驾驶员的行为特征建立，通过考虑驾驶员判断和反应时间、车辆跟驰距离和车辆加速度等参数，进行相互作用，同时集成了模糊逻辑控制与神经网络等技术手段，能够更好地模拟交通流环境，并提高交通运输的安全性和周转效率。
智能交通系统中车辆跟驰模型研究
智能交通系统中车辆跟驰模型研究
随着城市人口的迅速增长和汽车保有量的不断增加，交通拥堵问题越来越严重，给城市的经济、环境和社会发展带来了许多不利影响。而智能交通系统作为一种新兴的交通管理方式，可以有效地减少交通拥堵、提高交通安全性，并且对环境保护具有积极意义。而其中的重要一环就是车辆跟驰模型的研究。
车辆跟驰是指车辆在道路上行驶时保持一定距离跟随前车的行为。在传统的路段交通流模型中，人们常常采用的是单车跟驰模型。这种模型只关注单个车辆的运动规律，忽略了车辆之间相互影响的因素，因此在实际应用中的效果并不理想。而针对这一问题，研究者们开始从驾驶行为的角度出发，建立了车辆跟驰模型。
车辆跟驰模型是研究车辆运动规律和交通流动性的数学模型，通过考虑车辆之间相互影响的因素，更好地描述了真实道路上的交通流动状况。在智能交通系统中，车辆跟驰模型是实现车辆自动驾驶和智能交通管理的基础，也是解决交通拥堵问题的重要手段之一。
现有的车辆跟驰模型可以分为基于宏观观测和微观观测的两类。宏观观测是指以整个交通流为单位进行观测和分析，常用的宏观观测指标有交通流率、车辆密度和平均速度等。这种模型适用于高速公路等交通流较为稳定的路段。而微观观测是指以单个车辆为单位进行观测和分析，包括车辆加速度、车头时距和相对速度等指标。这种模型适用于城市道路等交通流较为密集和复杂的路段。
研究人员通过对交通流动的统计数据和车辆运动行为的分析，发现了一系列有规律的现象和规律，从而提出了多种车辆跟驰模型。最著名的车辆跟驰模型之一是新中国交通学家吴自坚在上世纪50年代提出的WZ模型。此后，又陆续提出了许多其他的模型，包括GHR模型、IDM模型和FSL模型等。这些模型通过拟合大量的交通数据，准确地描述了车辆之间的跟驰行为和交通流动的规律。 除了传统的车辆跟驰模型，近年来，基于人工智能和大数据分析的新型车辆跟驰模型也开始受到关注。这些模型通过收集和分析大量的车辆运动数据和驾驶行为数据，利用机器学习和深度学习算法，建立了更加准确和精细的模型。这些模型不仅能够更好地描述车辆之间的跟驰行为，还可以预测交通流动的变化和拥堵状况，从而提供更准确和及时的交通管理决策。