学术报告：基于深度学习的跟车行为捕获方法研究

作者与发表信息

本文作者包括 Xiao Wang、Rui Jiang、Li Li（Fellow, IEEE）、Yilun Lin、Xinhu Zheng（Student Member, IEEE）和 Fei-Yue Wang（Fellow, IEEE）。文章发表于IEEE Transactions on Intelligent Transportation Systems期刊，Vol. 19, No. 3，March 2018，是关于智能交通领域中跟车行为建模的一项原创研究。

研究背景

跟车行为建模在交通流理论及交通仿真中扮演着重要角色。传统微观跟车模型的准确性对交通研究相关领域的研究具有重要影响。然而，现有跟车行为建模方法存在一些问题：

1. 模型简化性与局限性：大部分现有模型为了分析便捷，采用简单的输入变量（如瞬时速度、速度差、位置差），模型的灵活性与精度受到限制，不能综合考虑各种可能的影响因素。

2. 模型的人工开发：传统模型多基于人为假设和数学公式描述驾驶行为，缺乏从大规模实际数据中获取知识并建立模型的能力。

3. 驾驶记忆效应的忽视：许多现有模型仅关注驾驶员与前车的瞬时交互作用，未能刻画动态变化的记忆效应，从而限制了对复杂车流行为的描述。

为了解决上述问题，作者提出了一种基于深度学习（Deep Learning）的新型跟车模型。这一模型在结构设计上假设驾驶员的操作受时间序列影响，并通过历史轨迹数据直接构建自我学习型跟车模型，为交通流理论和模拟提供新思路。

研究方法及工作流程

本文采用深度学习技术，开发了新型跟车模型，研究流程分为以下几个部分：

1. 模型设计与输入输出框架

作者设计了基于深度神经网络（Deep Neural Network, DNN）和门控循环单元（Gated Recurrent Unit, GRU）的跟车模型。与传统跟车模型不同，新模型以下述特点为核心： - 模型引入一段时间历史的速度、速度差、位置差作为输入，用以捕获驾驶员记忆效应和预测能力。 - 使用深度神经网络替代经典人工神经网络，以降低人工干扰，更全面地描述驾驶员行为。

模型的输入为过去若干时刻的交通变量序列，输出为跟车车辆下一个时刻的预测速度。

2. 数据集的选取与预处理

实验采用NGSIM（Next Generation Simulation）数据集进行模型训练和测试，选择包含美国加州U.S. Highway 101路段的高质量轨迹记录。数据预处理步骤包括： - 筛选1、2车道上车辆轨迹，去除重型车辆数据（长度超过5米）。 - 选择至少连续稳定跟随30秒以上的前后车对作为研究目标。

最终处理得到1535对前后车对，合计约94万秒的车辆轨迹数据，生成超90万组输入输出样本。

3. 深度神经网络的结构选择与训练

通过实验，作者选择了具有三层隐藏层的GRU网络结构，其中神经元个数分别为30、10与10。此外，研究设计了详细的训练流程： - 使用均方误差（MSE）作为性能评估指标。 - 通过交叉验证方法避免过拟合。 - 采用GRU与随机梯度下降（SGD）算法结合的自适应学习率方法进行参数训练。

测试显示，来自10秒历史数据的输入，能显著提高仿真精度，并找到最佳网络结构模型。

4. 对比实验与数值分析

作者对比了多种模型的仿真精度，包括传统智能驾驶员模型（Intelligent Driver Model, IDM）和浅层人工神经网络（Feedforward Neural Network, FNN）模型。通过轨迹仿真评价发现： - GRU模型的速度与位置仿真误差显著低于IDM模型与FNN模型，其仿真精确度领先。 - GRU模型能捕获复杂的速度-位置振荡（记忆效应），更好描述实际交通动态行为。

研究结果与主要发现

新模型取得了以下主要成果： 1. 高精度仿真能力：基于GRU的模型能更精确地预测下一时刻的车辆速度，与真实数据的MSE显著降低。 2. 捕获驾驶员记忆效应：通过输入历史序列数据，GRU模型能自然且高效地嵌入记忆效应，而单层“浅”神经网络难以实现类似功能。 3. 网络结构优化：确定了最优模型训练所需的样本规模、网络深度与时间窗口长度（10秒历史输入为佳）。 4. 仿真操作稳定性：实验显示新模型在面对急加速和紧急制动情境下的鲁棒性更强。

研究意义与应用价值

此项研究具有深远的学术意义和实际价值： - 在交通仿真中的应用：相比传统基于规则的仿真，新模型能更真实地模拟复杂交通流量的演化模式。 - 智能驾驶领域的借鉴：新模型可用于模拟自动驾驶车辆测试中的人类驾驶行为，为生成“人类驾驶”的虚拟车辆提供方法支持。 - 为深度学习应用拓展新方向：研究表明数据驱动方法在交通运输领域的潜力巨大，特别是利用长历史时间序列输入是提升模型性能的重要手段。

研究亮点

这项研究具有以下亮点： 1. 创新的模型输入结构：首次在交通仿真中使用长时间序列变量作为输入。 2. 开创性的深度神经网络应用：在交通领域首次展示了GRU网络的潜能，高效捕捉复杂的时间依赖性行为。 3. 自洽的实验设计与验证：通过实证轨迹数据（NGSIM数据集）的多维验证，证明模型稳健性与一般化性能。

总结

本文提出了一种基于深度学习的跟车行为捕获模型，在降低人工干预的同时显著提高了仿真精度，为交通仿真及智能驾驶领域的研究树立了新标杆。研究进一步启发了“数据驱动”理念在交通研究中的应用，为深度学习在该领域的普及与应用奠定了基础。