[论文解读] Modeling car-following behavior on urban expressways in Shanghai: A naturalistic driving study

Meixin Zhu, Xuesong Wang+2 more|arXiv (Cornell University)|Nov 11, 2018

Traffic control and management参考文献 42被引用 25

一句话总结

本研究基于50名驾驶员在上海城市快速路上的自然驾驶数据，对跟驰行为进行建模。评估了五种模型，发现智能驾驶员模型（IDM）表现最佳，且存在显著的驾驶员个体差异，其校准参数与观测值不等价。

ABSTRACT

Five car-following models were calibrated, validated and cross-compared. The intelligent driver model performed best among the evaluated models. Considerable behavioral differences between different drivers were found. Calibrated model parameters may not be numerically equivalent with observed ones.

研究动机与目标

• 理解上海城市快速路在自然驾驶条件下的真实跟驰动力学行为。
• 利用真实驾驶员的实证数据对多种跟驰模型进行校准与验证。
• 识别驾驶员个体行为差异，并评估个体间参数的一致性。
• 确定哪种模型最能复现复杂城市环境中实际的驾驶行为。
• 为交通仿真和智能交通系统提供校准后的模型参数。

提出的方法

• 使用改装车辆在上海城市快速路上采集50名驾驶员的自然驾驶数据。
• 基于采集数据对五种跟驰模型——智能驾驶员模型（IDM）、Gipps模型、Bando模型、全速度差分（FVD）模型和最优速度（OV）模型——进行校准。
• 采用均方根误差（RMSE）和决定系数（R²）等统计指标验证模型性能。
• 基于拟合优度和预测精度对模型进行交叉比较。
• 分析驾驶员个体参数差异，评估个体行为差异。
• 采用两阶段校准方法：先进行初始参数估计，再通过非线性优化进行参数精修。

实验结果

研究问题

• RQ1 哪种跟驰模型最能复现上海城市快速路上的实际驾驶行为？
• RQ2 驾驶员个体特征如何影响跟驰行为及模型参数？
• RQ3 校准后的模型参数与理论值或观测值之间的差异程度如何？
• RQ4 驾驶员间的个体行为差异如何影响模型性能与参数一致性？
• RQ5 驾驶员异质性对交通仿真与建模精度有何影响？

主要发现

• 智能驾驶员模型（IDM）在所有测试模型中表现最佳，RMSE最低，R²最高。
• 观察到显著的驾驶员间差异，校准后的参数在个体间存在明显差异。
• 校准后的模型参数与理论值或观测值在数值上不等价，表明模型在捕捉真实世界动态方面存在局限性。
• Gipps模型和Bando模型表现中等，但未能捕捉密集交通中的复杂交互行为。
• 全速度差分（FVD）和最优速度（OV）模型误差率较高，尤其在停车-启动工况下表现更差。
• 采用驾驶员个体化参数集可显著提升模型精度，凸显了在城市交通仿真中个体化建模的重要性。