摘要
车辆跟驰模型作为交通流中描述车辆纵向运动的基础模型，对分析交通流特征、评估交通安全、仿真交通行为有着重要意义，一直以来被广大学者广泛研究。在交通大数据背景下，传统理论驱动方法通过探究交通数据特征建立车辆跟驰模型，在描述当前复杂交通系统的内核和规律上存在局限。基于车辆轨迹数据建立车辆跟驰模型的方法成为研究热点，该方法无需了解研究对象的内在机理，可实现较高的预测精度，但其存在模型可解释性较低的不足。因此，本文旨在将理论驱动(可解释性强)与数据驱动(数据高效和通用性高)结合，同时考虑人类驾驶员行驶过程中的随机性，基于25辆车的道路跟驰实验数据，构建理论与数据融合驱动的跟驰模型，全面刻画车辆跟驰行为的规律，反映真实演化机理，对交通流行为的探究具有重要的工程研究价值和科研理论意义。本论文主要内容有: (1)跟驰实验数据的预处理。首先，基于25辆车跟驰实验所得数据，选取车队在直道上行驶的数据，剔除调头后的数据，对车队的速度数据进行平滑处理;其次，利用平滑后的速度完成对车队位置的更新;然后，绘制真实实验时空演化图，观察时空图中的交通波结构，发现了交通干扰的传播、增长、消散和合并等现象，并对车队跟驰行为进行宏观和微观特性分析。 (2)数据驱动跟驰模型的建立。首先，以深度学习长短期记忆网络(Long Short-term Memory,LSTM)为数据驱动底层模型;接着，为模拟人类驾驶过程中的误差和随机性，在LSTM的基础上引入分位数回归(Quantile Regression,QR)产生偏离值，从而搭建QRLSTM数据驱动跟驰模型;之后，通过对比LSTM与QRLSTM跟驰模型的预测时空演化图，验证了引入QR对增加随机驾驶行为和驾驶误差的有效性。 (3)理论驱动跟驰模型的建立。首先，基于典型的随机二维智能驾驶员模型(2-Dimensional Intelligent Driver Model,2D-IDM)理论驱动跟驰模型，以车队长度相对误差和单个车辆速度标准差相对误差建立目标函数;然后，利用细分矩形(Dividing RECTangles,DIRECT)全局优化算法，对2D-IDM模型的7个参数标定。结果表明，标定后的2D-IDM模型仿真时空演化图出现的震荡和条纹结构与真实实验一致，可重现跟驰实验中的走停现象。 (4)数据驱动结合理论驱动的QRPIDL跟驰模型的搭建。首先，考虑到数据驱动模型更容易受到数据质量和数量的影响，将2D-IDM模型作为物理模型用于生成仿真跟驰数据，与非物理信息的深度学习网络LSTM模型相结合，扩充跟驰数据样本，实现对跟驰行为的充分学习，进而构建了物理信息指导的深度学习模型(Physics-informed deep learning,PIDL);接着，考虑驾驶行为的随机性，在PIDL基础上引入QR,构建包括仿真轨迹预测误差、真实轨迹预测误差和弹球损失函数相结合的损失函数，搭建QRPIDL跟驰模型;然后，给定车队头车轨迹和剩余车辆初始状态展开车队层面的轨迹预测，结果表明，所搭建的融合跟驰模型在微观和宏观上都能较好地还原真实实验跟驰规律。 (5)跟驰模型的轨迹对比与分析。从宏观和微观两个维度将QRPIDL跟驰模型预测结果与2D-IDM、PIDL、LSTM和QRLSTM模型进行对比。结果表明:在宏观上QRPIDL误差值上表现最佳，分别比其他四种模型低0.03、0.197、0.411和0.233;在微观上,QRPIDL的误差指标较小,其RMSPE分别为1.89％(QRPIDL)、3.22％(2D-IDM)、3.36％(PIDL)、2.40％(LSTM)和 2.35％(QRLSTM)。
NETL