柏海艦， 孫 婷， 丁 恒， 王昌勝， 陳星宇， 過(guò)晨晨， 李 亞

（合肥工業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院，合肥 230009）

在高速公路、普通公路及城市外圍道路上，車(chē)輛類(lèi)型較復(fù)雜，各類(lèi)貨車(chē)、客車(chē)組成了具有隨機(jī)車(chē)型序列［1］的跟馳車(chē)流。由于行駛規(guī)則、車(chē)輛性能、載貨特征及視距影響等原因，不同類(lèi)型的前車(chē)對(duì)后車(chē)的跟車(chē)行為存在明顯的影響。圖1～3 展示了下一 代 交 通 仿 真 （Next Generation Simulation，NGSIM）小型車(chē)跟馳小型車(chē)（CC）與小型車(chē)跟馳大型車(chē)（CT）的跟車(chē)數(shù)據(jù)的統(tǒng)計(jì)分析：前車(chē)是大型車(chē)時(shí)，后車(chē)駕駛行為會(huì)更加保守，選擇較大的跟車(chē)間距；當(dāng)前車(chē)為小型車(chē)時(shí)，后車(chē)跟車(chē)間距則整體偏小。雖然兩種場(chǎng)景下前后車(chē)相對(duì)速度分布差異不大，但當(dāng)前車(chē)為大型車(chē)時(shí)，后車(chē)的加速度變化范圍更小，駕駛更謹(jǐn)慎。從經(jīng)驗(yàn)的角度出發(fā)，當(dāng)前方為大型車(chē)時(shí)，駕駛員選擇適當(dāng)保守和謹(jǐn)慎的駕駛策略，無(wú)疑也是更安全的。

圖1 車(chē)頭間距對(duì)比

圖2 相對(duì)速度對(duì)比

圖3 后車(chē)加速度對(duì)比

跟馳模型大體可以分為兩大類(lèi)：理論驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型。前者通過(guò)數(shù)學(xué)方法描述跟馳過(guò)程中的速度、加速度、車(chē)頭間距、相對(duì)速度等之間的函數(shù)關(guān)系，如Gipps 模型［2］、全速度差模型［3］、智能駕駛員模型［4］等經(jīng)典刺激—反應(yīng)模型。但隨著人工智能相關(guān)理論的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)類(lèi)跟馳模型近幾年得到了較多的關(guān)注，如誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）以及LSTM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的跟馳模型等。BPNN 模型［5］最早應(yīng)用于跟馳模型建模，后車(chē)速度和兩車(chē)之間的距離作為模型輸入，以?xún)绍?chē)之間的相對(duì)速度作為模型的輸出，測(cè)試效果較好，但該模型只考慮了跟馳車(chē)輛之間的瞬時(shí)狀態(tài)，未考慮前置狀態(tài)對(duì)當(dāng)前狀態(tài)的影響。RNN 模型［6］是一種考慮駕駛員駕駛記憶的神經(jīng)網(wǎng)絡(luò)，以車(chē)輛位置和速度作為輸入?yún)?shù)，獲得最佳的安全距離，但輸入序列較長(zhǎng)時(shí)，會(huì)出現(xiàn)梯度消失和梯度爆炸的問(wèn)題。為了解決梯度問(wèn)題，同時(shí)考慮駕駛行為的連續(xù)時(shí)間序列特征，采用LSTM神經(jīng)網(wǎng)絡(luò)［7］訓(xùn)練跟馳模型，能較好地捕捉到非對(duì)稱(chēng)駕駛行為。

在場(chǎng)景分類(lèi)方面，有學(xué)者通過(guò)設(shè)置不同車(chē)長(zhǎng)和最大行駛速度區(qū)分不同類(lèi)型的車(chē)輛進(jìn)行交通流仿真，能模擬真實(shí)的交通流，但不能準(zhǔn)確反映不同車(chē)型組合的跟馳特性［8-9］。在傳統(tǒng)跟馳模型的研究中，將車(chē)型作為車(chē)輛的個(gè)體特征加入傳統(tǒng)的跟馳模型中，能提高模型預(yù)測(cè)精度。敬明等［10］將反應(yīng)時(shí)間和車(chē)型作為車(chē)輛的個(gè)體特征加入IDM 跟馳模型中，能體現(xiàn)交通系統(tǒng)的隨機(jī)性和異質(zhì)流特征；任勝利等［11］基于FVD 模型，引入反映駕駛員個(gè)體特征的車(chē)頭時(shí)距系數(shù)和反映車(chē)輛特征的跟車(chē)類(lèi)型系數(shù)、車(chē)身長(zhǎng)度參數(shù)，能較好地描述不同車(chē)型跟馳特征；SAIDI S等［12］通過(guò)對(duì)不同車(chē)型所產(chǎn)生的加速和減速等不同運(yùn)動(dòng)狀態(tài)的刺激反應(yīng)分別建立單一模型，探討了混合車(chē)流刺激反應(yīng)的車(chē)輛跟馳模型?；谏疃葘W(xué)習(xí)的跟馳模型大多都是以性能或類(lèi)型相同的跟馳車(chē)輛［13］作為研究對(duì)象，忽視了車(chē)型對(duì)跟馳模型的影響。有學(xué)者考慮現(xiàn)有模型的局限性，針對(duì)擁擠情況下的大型車(chē)開(kāi)發(fā)了一種跟馳模型，采用局部線(xiàn)性模型樹(shù)方法將人類(lèi)感知缺陷納入汽車(chē)跟蹤模型，將大型車(chē)與小型車(chē)的跟馳行為分開(kāi)進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)效果較好，但并未考慮所有的跟馳類(lèi)型［14］。

在復(fù)雜的交通場(chǎng)景下，智能汽車(chē)可以獲取周?chē)?chē)輛信息和自身狀態(tài)［15-17］，為了提高智能汽車(chē)跟馳行為決策的靈活性，智能汽車(chē)需要根據(jù)前車(chē)的車(chē)型差異，選擇不同的跟馳行為，從而應(yīng)對(duì)更加復(fù)雜的場(chǎng)景。本文基于NGSIM 數(shù)據(jù)集，將前車(chē)車(chē)型分為大型車(chē)和小型車(chē)，通過(guò)篩選、平滑建立分車(chē)型的跟馳軌跡數(shù)據(jù)集，將車(chē)型組合編碼作為模型的一個(gè)輸入；為了進(jìn)一步提高模型預(yù)測(cè)的可解釋性，引入注意力機(jī)制來(lái)充分挖掘模型輸入特性，并與考慮時(shí)序特征的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)合，提出一種根據(jù)前車(chē)車(chē)型產(chǎn)生不同跟馳行為的IVT-CF 模型，使智能汽車(chē)學(xué)習(xí)人類(lèi)駕駛員在前車(chē)為大型車(chē)或小型車(chē)情景下小型車(chē)的跟馳行為。并通過(guò)仿真測(cè)試，驗(yàn)證IVT-CF模型的跟馳性能。

1 IVT-CF神經(jīng)網(wǎng)絡(luò)模型

1.1 輸入和輸出

跟馳行為是在不能超車(chē)的單一車(chē)道上，車(chē)輛列隊(duì)行駛時(shí)，后車(chē)跟隨前車(chē)的行駛狀態(tài)。智能汽車(chē)能實(shí)時(shí)獲取前車(chē)的位置信息、速度信息，對(duì)駕駛行為作出更加準(zhǔn)確的預(yù)測(cè)。在智能汽車(chē)跟馳模型的研究中，眾多學(xué)者認(rèn)為后車(chē)的跟馳行為主要與前后車(chē)之間的車(chē)頭間距、相對(duì)速度以及后車(chē)速度有關(guān)［18］，車(chē)頭時(shí)距、前車(chē)加速度等雖然也是跟馳模型中常用的變量，但試驗(yàn)證明這些參數(shù)無(wú)法提高模型的效果，所以不予以考慮［19］。在智能汽車(chē)跟馳模型的研究中通常剔除大型車(chē)的跟馳數(shù)據(jù)［20］，基于此本文將車(chē)型特征作為模型的1 個(gè)輸入，使智能汽車(chē)能根據(jù)前車(chē)車(chē)型選擇適宜的跟馳行為，提高智能汽車(chē)跟馳行為的預(yù)測(cè)精度。

車(chē)型特征屬于離散變量，需要對(duì)車(chē)型特征進(jìn)行編碼處理，用于模型訓(xùn)練。為了避免使用有序型數(shù)值編碼造成數(shù)據(jù)在模型訓(xùn)練中產(chǎn)生的優(yōu)劣性問(wèn)題，使用One-Hot 獨(dú)熱編碼對(duì)車(chē)型特征進(jìn)行離散化處理，小型車(chē)跟馳小型車(chē)（CC）編碼構(gòu)造為（10），小型車(chē)跟馳大型車(chē)（CT）編碼構(gòu)造為（01）。本文采用前后兩車(chē)的車(chē)頭間距、相對(duì)速度、后車(chē)速度與車(chē)型組合編碼作為模型的輸入，后車(chē)的加速度作為模型的輸出。

1.2 總體架構(gòu)

IVT-CF 模型總體架構(gòu)如圖4 所示，主要由注意力模塊、LSTM神經(jīng)網(wǎng)絡(luò)和1個(gè)全連接層構(gòu)成。

圖4 IVT-CF模型框架

1.2.1 注意力模塊

注意力機(jī)制是機(jī)器學(xué)習(xí)模型中嵌入的一種特殊結(jié)構(gòu)，可以用來(lái)學(xué)習(xí)和計(jì)算輸入數(shù)據(jù)對(duì)于輸出數(shù)據(jù)貢獻(xiàn)的權(quán)重［21］。注意力機(jī)制能根據(jù)數(shù)據(jù)輸入，計(jì)算不同時(shí)刻各個(gè)特征值的權(quán)重，通過(guò)不斷學(xué)習(xí)優(yōu)化，提取輸入特征中的關(guān)鍵信息，與輸出相關(guān)度更高的輸入特征獲得更大的權(quán)重，以較低的權(quán)重忽視相關(guān)度更小的輸入，進(jìn)一步優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)的輸入，提高神經(jīng)網(wǎng)絡(luò)模型的可解釋性。注意力機(jī)制的計(jì)算公式如式（1）～（4）所示：

式中：Wi為權(quán)重系數(shù)；Xj為j時(shí)刻輸入向量；bi是偏重量；eij表示j時(shí)刻輸入向量進(jìn)行tanh 函數(shù)非線(xiàn)性轉(zhuǎn)換后的向量。

使用softmax 函數(shù)對(duì)中ej進(jìn)行歸一化處理，得到歸一化后的注意力系數(shù)矩陣αj，αj計(jì)算如式（2）所示。

式中：em為隨機(jī)初始化的注意力權(quán)重矩陣。

注意力機(jī)制的輸出特征s為注意力系數(shù)矩陣與輸入向量乘積的累加和，如式（3）所示：

輸入向量不同關(guān)注度的輸出序列如式（4）所示，作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入。

1.2.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM 能處理時(shí)序特征的數(shù)據(jù)，使用LSTM 訓(xùn)練模型能充分學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系。LSTM 以注意力模塊輸出的樣本Fj與初始化的h0、c0作為輸入，之后的LSTM 層以上一層LSTM 的輸出h代替Fj，與上一時(shí)刻同層次的h、c輸入進(jìn)行計(jì)算，LSTM層的輸出結(jié)果如式（5）～（12）所示。

遺忘門(mén)為：

輸入門(mén)為：

存儲(chǔ)單元為：

輸出門(mén)為：

式 中：hj為L(zhǎng)STM 隱 藏 層 狀 態(tài) 向 量；WfF，Wfh，WfC，WiF，Wih，WiC，WCF，WCh，WoF，Woh，Woc，Who為權(quán) 重；?為Hadamaed 積；bf，bi，bC，bo，bh為 偏 置 項(xiàng)；σ(·)為Sigmoid激活函數(shù)；tanh (·)為雙曲切函數(shù)。

1.2.3 全連接層

使用LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)可以分為一對(duì)一、多對(duì)一、多對(duì)多的預(yù)測(cè)。一對(duì)一預(yù)測(cè)結(jié)構(gòu)為一個(gè)序列輸入對(duì)應(yīng)一個(gè)序列輸出，多對(duì)多預(yù)測(cè)結(jié)構(gòu)為多個(gè)序列輸入對(duì)應(yīng)多個(gè)序列輸出，多對(duì)一預(yù)測(cè)結(jié)構(gòu)為多個(gè)序列輸入對(duì)應(yīng)一個(gè)序列輸出。本文采用多對(duì)一的預(yù)測(cè)結(jié)構(gòu)，通過(guò)全連接層對(duì)LSTM 神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行非線(xiàn)性變換，將多維數(shù)據(jù)輸出映射到一維數(shù)據(jù)，最終得到IVT-CF 模型輸出結(jié)果Yj，如式（13）所示。

2 仿真測(cè)試

2.1 訓(xùn)練和測(cè)試數(shù)據(jù)準(zhǔn)備

NGSIM 數(shù)據(jù)集是美國(guó)公路局共享的車(chē)輛軌跡數(shù)據(jù)。該數(shù)據(jù)集以每秒10幀的速率記錄了車(chē)輛的連續(xù)軌跡，并提供了車(chē)輛類(lèi)型、橫向和縱向位置信息等。本文提取I-80數(shù)據(jù)集中04：00～04：15 p.m.時(shí)間段中小型車(chē)跟馳小型車(chē)（CC）、小型車(chē)跟馳大型車(chē)（CT）的跟馳數(shù)據(jù)訓(xùn)練IVT-CF模型，使智能汽車(chē)能根據(jù)前車(chē)車(chē)型對(duì)自身跟馳行為做出精準(zhǔn)預(yù)測(cè)。數(shù)據(jù)集的采樣間隔為0.1 s，即每秒鐘可產(chǎn)生10 個(gè)跟馳狀態(tài)的樣本數(shù)據(jù)。本文使用滑動(dòng)時(shí)間窗的方法提取連續(xù)的車(chē)輛跟馳特征數(shù)據(jù)，用寬度為μ= 0.1 s、歷史時(shí)間步長(zhǎng)為τ= 10 s 的滑動(dòng)時(shí)間窗對(duì)跟馳車(chē)輛的車(chē)頭間距、相對(duì)速度、后車(chē)速度和后車(chē)加速度進(jìn)行連續(xù)采樣。模型訓(xùn)練測(cè)試樣本數(shù)與跟馳車(chē)輛軌跡數(shù)見(jiàn)表1。

表1 跟馳車(chē)對(duì)數(shù)量與樣本數(shù)

由于NGSIM 數(shù)據(jù)集中的車(chē)輛位置信息存在一些異常值和測(cè)量誤差［22］，當(dāng)進(jìn)行一階導(dǎo)數(shù)、二階導(dǎo)數(shù)計(jì)算，會(huì)產(chǎn)生超過(guò)車(chē)輛性能或人體不能承受的不合理速度和加速度值，所以需要對(duì)數(shù)據(jù)進(jìn)行平滑處理。本文使用對(duì)稱(chēng)指數(shù)滑動(dòng)平均法［23］進(jìn)行軌跡數(shù)據(jù)平滑，通過(guò)一階差分和二階差分獲得車(chē)輛的速度與加速度。平滑處理后的數(shù)據(jù)如圖5所示。

圖5 數(shù)據(jù)平滑處理

2.2 參數(shù)標(biāo)定與訓(xùn)練

為了驗(yàn)證IVT-CF 模型對(duì)于不同前車(chē)車(chē)型的跟馳性能，將IVT-CF模型與不考慮前車(chē)車(chē)型的LSTM模型、IDM模型進(jìn)行仿真測(cè)試對(duì)比。

本文將小型車(chē)跟馳小型車(chē)與小型車(chē)跟馳大型車(chē)的跟馳樣本按照1∶1 的比例進(jìn)行混合，其中80%數(shù)據(jù)用于訓(xùn)練，20%數(shù)據(jù)用于測(cè)試和調(diào)整IVT-CF 模型參數(shù)。有學(xué)者［24］在基于深度學(xué)習(xí)的跟馳模型中發(fā)現(xiàn)，無(wú)論何種模型結(jié)構(gòu)，10 s 的歷史時(shí)間步長(zhǎng)是最佳選擇，因此，本文選用10 s 的歷史數(shù)據(jù)輸入。利用早停算法在測(cè)試集損失函數(shù)連續(xù)10 次出現(xiàn)下降時(shí)，停止訓(xùn)練。

通過(guò)對(duì)IVT-CF 模型進(jìn)行測(cè)試與調(diào)整，參數(shù)設(shè)置見(jiàn)表2。IVT-CF 模型訓(xùn)練集與測(cè)試集的損失函數(shù)如圖6 所示，模型訓(xùn)練集和測(cè)試集的誤差基本一致且相近，模型學(xué)習(xí)到輸入樣本的規(guī)律，具有較強(qiáng)的泛化能力。圖7 為模型輸入的注意力權(quán)重分布值，樣本1 為小型車(chē)跟馳小型車(chē)的訓(xùn)練樣本，樣本2 為小型車(chē)跟馳大型車(chē)的訓(xùn)練樣本。模型能根據(jù)不同訓(xùn)練樣本對(duì)模型輸入分配不同的權(quán)重，車(chē)型組合編碼對(duì)模型輸出的影響雖然比間距和速度小，但差異并不大，且比較明顯，因此，在跟馳學(xué)習(xí)模型中考慮車(chē)型的影響是必要的。

表2 模型的參數(shù)設(shè)置

圖6 模型訓(xùn)練集與測(cè)試集的損失函數(shù)值

圖7 模型輸入注意力權(quán)重分布值

LSTM 模型輸入為車(chē)頭間距、相對(duì)速度與后車(chē)速度，輸出為后車(chē)加速度，訓(xùn)練方法、參數(shù)設(shè)置與IVT-CF模型相同。

IDM 模型能較好地反映駕駛員的駕駛特性［25］，本文使用遺傳算法［26］對(duì)IDM 模型進(jìn)行標(biāo)定，與IVT-CF 模型跟馳性能進(jìn)行對(duì)比，得到IDM 模型的參數(shù)設(shè)置見(jiàn)表2。

2.3 情景測(cè)試

2.3.1 單車(chē)跟馳仿真精度測(cè)試

為了驗(yàn)證IVT-CF 模型能否適用于不同車(chē)輛類(lèi)型的前車(chē)，本文選擇小型車(chē)跟馳小型車(chē)與小型車(chē)跟馳大型車(chē)兩種不同車(chē)型組合跟馳數(shù)據(jù)進(jìn)行軌跡還原仿真試驗(yàn)。使用前τ時(shí)間步長(zhǎng)的車(chē)頭間距、相對(duì)速度、后車(chē)速度、車(chē)型組合編碼，預(yù)測(cè)τ+ Δt的后車(chē)加速度，據(jù)此得到該步長(zhǎng)的速度、位移，計(jì)算得到與前車(chē)的車(chē)頭間距、相對(duì)速度；剔除第1 個(gè)時(shí)間步的車(chē)頭間距、相對(duì)速度、后車(chē)速度、車(chē)型組合編碼，加入預(yù)測(cè)得到車(chē)頭間距、相對(duì)速度、后車(chē)速度與車(chē)型組合編碼，繼續(xù)預(yù)測(cè)下一個(gè)步長(zhǎng)的后車(chē)加速度等；不斷迭代，可得到后車(chē)完整跟馳數(shù)據(jù)，軌跡還原仿真如式（14）～（18）所示。

均方誤差（MSE）為反映預(yù)測(cè)值與真實(shí)值之間差異程度的一種度量，MSE值越小，模型仿真精度越高，學(xué)習(xí)效果越好。MSE計(jì)算公式如式（19）所示。本文使用模型仿真得到的速度、位移和跟馳數(shù)據(jù)中后車(chē)真實(shí)速度和位移之間的MSE 評(píng)價(jià)IVT-CF模型、不考慮車(chē)型的LSTM 模型與IDM 模型的仿真結(jié)果。

式中：an(t+ Δt)為t+ Δt時(shí)刻后車(chē)預(yù)測(cè)加速度；vn-1(t)為t時(shí)刻前車(chē)的速度；vn(t)t為時(shí)刻后車(chē)的速度；xn-1(t)為t時(shí)刻前車(chē)沿車(chē)輛前進(jìn)方向的位移；xn(t)為t時(shí)刻后車(chē)沿車(chē)道前進(jìn)方向的位移；Δxn(t)為t時(shí)刻前后兩車(chē)的車(chē)頭間距；Δvn(t)為t時(shí)刻前、后兩車(chē)的相對(duì)速度；fIVT-Cf(·)為輸入輸出變量映射關(guān)系的函數(shù)；τ為歷史時(shí)間步長(zhǎng)；Δt為IVT-CF 模型的更新時(shí)間步長(zhǎng)，為0.1 s；N為訓(xùn)練集的樣本數(shù)量；xon(t)為后車(chē)在時(shí)間t的真實(shí)位移值。

仿真車(chē)輛是在I-80 數(shù)據(jù)集中隨機(jī)選擇的，小型車(chē)跟馳小型車(chē)的車(chē)輛編號(hào)為（222，234），小型車(chē)跟馳大型車(chē)的車(chē)輛編號(hào)為（1767，1785）。IVT-CF模型在不同車(chē)型組合仿真得到的車(chē)頭間距、速度、加速度統(tǒng)計(jì)結(jié)果見(jiàn)表3，在小型車(chē)跟馳大型車(chē)的場(chǎng)景中，該模型仿真得到的平均車(chē)頭間距遠(yuǎn)大于小型車(chē)跟馳小型車(chē)的場(chǎng)景，但仿真得到的平均速度僅比小型車(chē)跟馳小型車(chē)場(chǎng)景中仿真得到的平均速度高3.06%。在小型車(chē)跟馳大型車(chē)的場(chǎng)景中，該模型仿真得到的后車(chē)行為更加保守。

表3 IVT-CF模型仿真結(jié)果

圖8 與圖9 分別展示了小型車(chē)跟馳小型車(chē)與小型車(chē)跟馳大型車(chē)在不同模型下的加速度、車(chē)頭間距、速度與位移仿真結(jié)果，從圖中可以看出IVTCF 模型可以根據(jù)前車(chē)車(chē)型調(diào)整跟馳行為，與現(xiàn)實(shí)情況更相符，仿真得到的加速度、速度與位移結(jié)果更加貼近真實(shí)值。

圖8 小型車(chē)跟馳小型車(chē)仿真結(jié)果

圖9 小型車(chē)跟馳大型車(chē)仿真結(jié)果

表4 比較了測(cè)試集中小型車(chē)跟馳小型車(chē)與小型車(chē)跟馳大型車(chē)各10 條軌跡的仿真速度與軌跡的MSE值。與不考慮前車(chē)車(chē)型的LSTM 模型、IDM 模型相比，IVT-CF 模型仿真速度MSE 均值分別降低了23.8%，15.8%，仿真軌跡MSE 均值分別降低了31.7%，18.7%。IVT-CF 模型速度與軌跡的MSE 均值小于其他兩個(gè)模型，預(yù)測(cè)性能更好且更穩(wěn)定，與觀(guān)測(cè)車(chē)輛的運(yùn)動(dòng)速度和軌跡更接近，能根據(jù)前車(chē)車(chē)型更好地預(yù)測(cè)后車(chē)速度和軌跡。

表4 MSE統(tǒng)計(jì)結(jié)果

前車(chē)突然急停，IVT-CF 模型仿真結(jié)果如圖10所示，仿真車(chē)輛能調(diào)整自身的跟車(chē)狀態(tài)，及時(shí)停車(chē)，未與前車(chē)發(fā)生碰撞，該模型能用于前車(chē)急停的跟馳場(chǎng)景。

圖10 前車(chē)急停IVT-CF模型仿真結(jié)果

IVT-CF 模型能根據(jù)輸入車(chē)型組合編碼，區(qū)分小型車(chē)跟馳小型車(chē)與小型車(chē)跟馳大型車(chē)不同場(chǎng)景下的駕駛行為，獲得更好的預(yù)測(cè)效果。LSTM 模型與IDM 模型沒(méi)有考慮前車(chē)車(chē)型不同，后車(chē)跟車(chē)行為的差異性，使用全局性的方法擬合駕駛員的駕駛行為，雖然能適應(yīng)不同駕駛員的駕駛特征，但是預(yù)測(cè)精度較低。

2.3.2 多車(chē)跟馳穩(wěn)定性測(cè)試

本文采用多車(chē)直線(xiàn)仿真驗(yàn)證IVT-CF 模型的穩(wěn)定性，多車(chē)均勻分布在一條車(chē)道上。在給定首車(chē)行駛狀態(tài)的條件下，通過(guò)仿真產(chǎn)生后續(xù)車(chē)輛的跟車(chē)行駛軌跡?？紤]到在跟馳過(guò)程中常見(jiàn)的加減速特性，設(shè)計(jì)首車(chē)的行駛狀態(tài)包含以下4個(gè)部分：

1）以5 m/s的速度勻速行駛150 s；

2）以0.5 m/s2的加速度加速行駛10 s；

3）以-0.5 m/s2的加速度減速行駛10 s；

4）以5 m/s的速度勻速行駛90 s。

仿真車(chē)隊(duì)規(guī)模為9輛，車(chē)輛之間的初始車(chē)頭間距為20 m，車(chē)輛的初始速度設(shè)為5 m/s，仿真時(shí)間步長(zhǎng)為0.1 s?？紤]大型車(chē)對(duì)于跟馳車(chē)隊(duì)的影響，在仿真車(chē)隊(duì)中插入2輛大型車(chē)，研究IVT-CF模型在大型車(chē)混入的跟馳車(chē)隊(duì)中的穩(wěn)定性。仿真車(chē)隊(duì)中小型車(chē)跟馳小型車(chē)、小型車(chē)跟馳大型車(chē)使用IVT-CF模型，大型車(chē)跟馳小型車(chē)使用IDM模型。小型車(chē)車(chē)隊(duì)與大型車(chē)混入的多車(chē)直線(xiàn)仿真速度與軌跡如圖11～12所示。

圖11 小型車(chē)多車(chē)直線(xiàn)仿真結(jié)果

由圖11a 和圖12a 可知，小型車(chē)車(chē)隊(duì)后車(chē)跟馳速度大于大型車(chē)混入車(chē)隊(duì)后車(chē)的跟馳速度，小型車(chē)跟馳車(chē)隊(duì)中首車(chē)與尾車(chē)的最大速度相差2.6 m/s，大型車(chē)混入車(chē)隊(duì)首車(chē)與尾車(chē)的最大速度相差3.5 m/s 。大型車(chē)混入跟馳車(chē)隊(duì)后，后車(chē)速度明顯降低，后車(chē)跟馳行為更加保守。

圖12 大型車(chē)混入多車(chē)直線(xiàn)仿真結(jié)果

由軌跡仿真圖11b 和圖12b 可知小型車(chē)車(chē)隊(duì)交通流恢復(fù)穩(wěn)定后的車(chē)隊(duì)長(zhǎng)度為138.0 m，車(chē)輛間的平均車(chē)頭間距為17.2 m；大型車(chē)混入車(chē)隊(duì)交通流恢復(fù)穩(wěn)定后的車(chē)隊(duì)長(zhǎng)度為145.0 m，車(chē)輛之間的平均車(chē)頭間距為18.0 m。大型車(chē)混入車(chē)隊(duì)長(zhǎng)度要大于小型車(chē)的車(chē)隊(duì)長(zhǎng)度，大型車(chē)混入后一定程度上降低了道路交通流效率。

小型車(chē)跟馳車(chē)隊(duì)中IVT-CF 模型仿真后車(chē)速度較快，車(chē)頭間距較小，當(dāng)前車(chē)突然減速，后車(chē)采取較大幅度的減速行為，避免發(fā)生碰撞。大型車(chē)混入跟馳車(chē)隊(duì)，當(dāng)大型車(chē)突然減速，因后車(chē)速度較低，減速行為更加平緩。IVT-CF 模型能模擬小型車(chē)跟馳車(chē)隊(duì)與大型車(chē)混入跟馳車(chē)隊(duì)后車(chē)的駕駛行為特征。

3 結(jié)論

首車(chē)發(fā)生擾動(dòng)，IVT-CF 模型向后續(xù)車(chē)輛傳播速度的振幅逐漸減弱，后車(chē)隨時(shí)間與車(chē)輛間速度的傳遞逐漸回歸平穩(wěn)狀態(tài)，消散交通流中的擾動(dòng)，使交通流狀態(tài)趨于穩(wěn)定。小型車(chē)跟馳車(chē)隊(duì)從發(fā)生擾動(dòng)到恢復(fù)穩(wěn)定的時(shí)間為65 s，大型車(chē)混入的跟馳車(chē)隊(duì)從發(fā)生擾動(dòng)到恢復(fù)穩(wěn)定的時(shí)間為92 s。該模型具有交通流穩(wěn)定性與抗干擾能力，能應(yīng)用于智能汽車(chē)輛跟馳行為的研究中。

針對(duì)前車(chē)車(chē)輛類(lèi)型不同、跟馳行為的差異性，本文在LSTM 與Attention 模型中引入車(chē)型組合編碼輸入，建立了IVT-CF 模型。通過(guò)訓(xùn)練測(cè)試可知模型具備了根據(jù)前車(chē)車(chē)型選擇不同跟馳行為的能力。與不考慮車(chē)型特征的LSTM 模型和IDM 模型相比，跟馳過(guò)程的預(yù)測(cè)精度有了明顯提高，且能適應(yīng)前車(chē)突然停車(chē)的跟馳場(chǎng)景。多車(chē)直線(xiàn)仿真試驗(yàn)表明IVTCF 模型具有一定的穩(wěn)定性與抗干擾能力。IVT-CF模型對(duì)車(chē)型的辨識(shí)與應(yīng)變能力更接近原始數(shù)據(jù)中人類(lèi)的駕駛決策行為，有助于提高跟馳模型行為的智能化水平，能夠?yàn)榻窈笾悄芷?chē)的跟馳行為設(shè)計(jì)和應(yīng)用提供參考。