数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

通勤者出行方式与出行链选择行为研究

通过分析2005年北京市居民出行调查数据,构造通勤者上班出行方式选择和出行链类型选择相互影响的NestedLogit模型,分别建立出行方式→出行链和出行链→出行方式两个方向模型结构,采用统计软件STATA9.0对模型进行标定,并利用包容系数对Nested Logit模型的结构关系进行辨识。结果表明,出行方式选择和出行链类型选择之间不是单方向影响关系,而是一种双向的相互作用关系;出行链→出行方式选择决策较为合理,反应通勤者倾向于首先考虑如何组织当天要参加的各种活动,然后在出行链安排的约束下考虑选择合适的出行方式。     

���ڷǼ���ѡ��ģ�͵ij����о���������ݷ���

传统的四步骤模型中的出行生成模型是预测研究范围内每个交通小区的出行发生次数和出行吸引次数，直接将居民的出行次数简单的按交通小区进行集计处理，并没有充分考虑每个人的出行次数，难以反映个人和家庭的社会经济等因素对居民个人出行次数的影响。本文根据2003年吉林省长春市居民出行调查数据，利用非集计模型建立居民个人的出行次数选择模型，并应用相关统计软件对模型进行标定，进而分析居民个人的出行次数，从而求得居民个人出行次数的期望值，初步尝试探索非集计模型和四步骤模型的综合应用问题。     

����ʱ���ֵ���㼰Ӧ���о�

传统的出行时间价值计算方法无法考虑出行者主观因素对出行时间价值判断的影响以及出行时间的利用效率问题。本文综合应用生产法、收入法及非集计Probit模型,引入节省时间利用系数,建立了出行时间价值计算综合模型,对传统方法做出改进;应用已建时间价值计算模型及佛山市南海区出行调查数据计算出行者的广义出行费用,进而建立了出行频率预测Logistic模型;根据出行频率预测及敏感性分析对南海区实施拥挤收费策略的可行性进行了评价。结果表明,改进的时间价值计算方法可以充分考虑出行者主观因素对其时间价值判断的影响,解决时间价值利用率问题,并且提高时间价值计算的准确率。已建方法可为出行行为分析、预测和交通需求管理策略评价提供理论支持。     

������о�����Ϊ��TDM���Ի�����ϵ�о��ı�Ҷ˹����

综合评述了活动－出行行为研究方法和存在的问题,引入贝叶斯结构学习和参数估计方法,辅以基于活动的出行行为分析理论、非集计建模方法和SP/RP数据融合方法,提出了基于贝叶斯结构学习和参数估计方法的出行行为与TDM策略互动关系分析方法的框架,探索了改进已有研究方法的途径。研究表明,贝叶斯理论可以将居民的个人属性及隐性非样本信息在出行行为预测中充分表达,并解决MNP等复杂非集计模型的参数标定问题。将贝叶斯理论与已有的出行行为分析方法相结合,可以使出行行为预测更为精确、全面和灵活,从而更加准确地描述活动－出行决策行为与TDM策略的互动响应关系,为制定有效的TDM策略,缓解城市交通供需矛盾提供理论依据。     

居民出行时间选择及拥挤收费政策

应用基于活动的出行需求预测方法,分析了居民出行的时间分布规律与影响居民出行时间选择的因素,分别建立了出发和到达时间选择模型,用长春市居民出行调查数据对模型进行了标定和验证。用已建模型对比评价了两种拥挤收费政策,证明了调整高峰时段小汽车出行费用策略不仅可以使居民的高峰时段出行减少大约18％,而且可以抑制小汽车出行,调整城市交通方式分配结构,说明已建模型可以全面有效地进行交通需求管理政策的评价。     

居民低碳通勤出行的主观态度识别及影响分析

基于已有的居民低碳通勤出行SP数据,应用直觉模糊C均值聚类算法对样本进行聚类,识别居民对低碳通勤出行所持有的主观态度类型.构建不同类型居民低碳通勤出行意愿的MIMIC模型,研究持有不同主观态度的群体其行为意愿形成机理的差异性.研究结果表明:居民低碳通勤出行的主观态度可划分为积极、中立、消极三类;主观态度与个体出行方式选择和低碳通勤出行意愿之间均存在相关性;持有不同主观态度的群体,作用于其行为意向的影响因素的构成,影响因素对行为意愿作用的路径,作用强度存在差异性.     

常规公交风险的 SEM 与 Bayesian Network组合评估方法研究

常规公交系统具有载客量大、班次多、线路固定等特点,存在多种安全风险隐患.为综合评估常规公交风险,对国内外554条事故数据分析整理,构建了常规公交风险指标体系.建立了常规公交风险评估的结构方程模型,得到常规公交风险因素对事故的单向拓扑结构.在结构学习的基础上,利用信息熵理论研究风险因素对预测结果可信度的影响权重,从而进行变量筛选.以失火事故为例利用贝叶斯网络模型进行了城市常规公交风险评估参数学习.研究结果表明,失火事故的主要风险因素为油气泄漏、车内外温度均较高等.在风险因素组合作用下失火事故发生概率范围为 0 .002 1至0 .842 9 .所建模型预测精度高,验证了方法的科学性和准确性,可用于进行定量化的常规公交风险评估.