基于理论驱动和数据驱动的组合跟车模型

摘要

基于理论驱动的模型虽成功解释了观察到的交通行为，但无法处理多变的驾驶行为信息，导致模型预测能力较差。基于数据驱动的深度学习预测模型能够处理复杂的驾驶信息，但需要大量的驾驶数据进行模型训练。针对2类模型存在的问题，提出一种结合模型，将理论驱动模型(OV)与数据驱动模型(PSO-CNN-BiLSTM-Att)相结合，形成组合跟车模型，将IDM模型和PSO-CNN-BiLSTM-Att神经网络的预测结果相结合，这种融合保留了理论驱动模型提供的可控性，同时也利用了数据驱动模型的预测精度。通过NGSIM交通数据，与单独的OV理论驱动模型和PSO-CNN-BiLSTM-Att数据驱动模型相比，组合模型的预测误差显著减少，分别降低了88%和67%。此外，还进行了不同驾驶行为风格模拟，结果表明组合模型可以真实反映跟车行为。

关键词

跟车行为 / 最优速度模型 / 长短期记忆网络 / 粒子群优化 / 组合预测